[論文レビュー] Improving TSP Tours Using Dynamic Programming over Tree Decompositions

Marek Cygan, Łukasz Kowalik+1 more|arXiv (Cornell University)|Jan 1, 2017

Algorithms and Data Compression被引用数 4

ひとこと要約

本稿では、TSP k-optヒューリスティクスにおける改善可能なk-movesの検出に、木分解に基づく新しい動的計画法を提示する。k ≥ 5の場合、時間計算量をO(n^{(1/4+ϵk)k})に改善し、以前のO(n^{⌊2k/3⌋+1})の境界を上回る。k=5の場合、さらに最適化してO(n^{3.4})にまで低減し、このケースで初めてのサブ2乗時間改善を達成する。本手法は木分解と動的計画法を活用して、k-movesの構成を効率的に探索するが、k=4のさらなる高速化は、全対間最短経路問題における飛躍的進展を意味することを示している。

ABSTRACT

Given a traveling salesman problem (TSP) tour H in graph G, a k-move is an operation which removes k edges from H, and adds k edges of G so that a new tour H' is formed. The popular k-opt heuristic for TSP finds a local optimum by starting from an arbitrary tour H and then improving it by a sequence of k-moves. Until 2016, the only known algorithm to find an improving k-move for a given tour was the naive solution in time O(n^k). At ICALP'16 de Berg, Buchin, Jansen and Woeginger showed an O(n^{floor(2/3k)+1})-time algorithm. We show an algorithm which runs in O(n^{(1/4 + epsilon_k)k}) time, where lim_{k -> infinity} epsilon_k = 0. It improves over the state of the art for every k >= 5. For the most practically relevant case k=5 we provide a slightly refined algorithm running in O(n^{3.4}) time. We also show that for the k=4 case, improving over the O(n^3)-time algorithm of de Berg et al. would be a major breakthrough: an O(n^{3 - epsilon})-time algorithm for any epsilon > 0 would imply an O(n^{3 - delta})-time algorithm for the All Pairs Shortest Paths problem, for some delta>0.

研究の動機と目的

• de Berg ら (2016) が確立したO(n^{⌊2k/3⌋+1})の境界を超えて、TSP k-optヒューリスティクスにおける改善可能なk-movesの検出時間計算量を改善すること。
• TSPツアーデータにおけるk-moves構成を効率的に捉える木分解上の動的計画法を設計すること。
• k=4-optのタイトな条件的下界を確立し、O(n^{3−ϵ})時間アルゴリズムが存在すれば、全対間最短経路問題においても飛躍的進展が得られることを示すこと。
• k=5における実用的改善を提供すること。特に、アルゴリズムの洗練版がO(n^{3.4})時間で動作し、実世界の応用に適応可能となること。

提案手法

• アルゴリズムは木分解を用いてグラフをより小さく管理可能な部分構造に分割し、分解木上で動的計画法を実行する。
• 部分解を追跡し、木分解の袋（bag）間の整合性制約に基づいてそれらを組み合わせる再帰的動的計画法スキームを適用する。
• k-movesの構造を、木分解上の構成としてエッジの削除と挿入のパターンとしてモデル化することで、探索空間を縮小する。
• 主な技術的イノベーションは、kが増加するにつれて0に近づくパラメータの縮小（ϵk）を用いたパrameterized 複雑性技術の適用であり、kにたいする非指数的依存を可能にする。
• k=5の場合、特定の最適化を適用し、状態空間の刈り減らしとエッジ選択ヒューリスティクスを用いて、一般のO(n^{3.67})からO(n^{3.4})への指数の低減を達成する。
• 時間と空間のバランスを保つために、状態表現を注意深く設計することで、O(n^{(1/8+ϵk)k})の空間計算量を達成する。

実験結果

リサーチクエスチョン

• RQ1 k ≥ 5の場合、TSPにおける改善可能なk-movesの検出時間計算量を、de Berg ら (2016) が確立したO(n^{⌊2k/3⌋+1})の境界を超えて改善できるか？
• RQ2 木分解上の動的計画法を設計し、TSPツアーデータにおけるk-moves構成を効率的に捉えることは可能か？
• RQ3 k=4-optの条件的下界は何か？ また、全対間最短経路問題の難易度とどのように関係するか？
• RQ4 k=5におけるアルゴリズムをさらに最適化し、実用的な実行時間の改善を達成できるか？
• RQ5 4-opt検出にO(n^{3−ϵ})時間のアルゴリズムが存在するならば、全対間最短経路問題に対しても同様の改善が可能になるか？

主な発見

• 提案されたアルゴリズムは、改善可能なk-movesの検出にO(n^{(1/4+ϵk)k})の時間計算量を達成し、k ≥ 5のすべてのケースで、以前のO(n^{⌊2k/3⌋+1})の境界を上回る。
• k=5の場合、洗練版アルゴリズムはO(n^{3.4})時間で動作し、一般のO(n^{3.67})の境界よりも顕著な実用的改善を実現する。
• アルゴリズムはO(n^{(1/8+ϵk)k})の空間計算量を用い、大規模なTSPインスタンスに対して時間-空間のトレードオフを有利に保つ。
• 異なるパrameterチューニングにより、O(n^{k/2 + 3/2})の時間計算量と、わずかO(√n)の追加空間で実現でき、k ≥ 8のすべてのケースで現在の最先端を改善する。
• 本稿では、4-opt検出にO(n^{3−ϵ})時間のアルゴリズムが存在すれば、全対間最短経路問題に対してもO(n^{3−δ})時間のアルゴリズムが得られることを証明し、強い条件的下界を確立している。
• 還元により、4-optアルゴリズムの改善は、全対間最短経路問題をより速く解くのと同程度の難易度であることが示され、根本的なアルゴリズムの飛躍的進展なしには、さらなる進歩は困難であると結論づけている。