[論文レビュー] Solving Minimum Vertex Cover Problem Using Learning Automata

Aylin Mousavian, Alireza Rezvanian+1 more|arXiv (Cornell University)|Nov 28, 2013

Optimization and Search Problems参考文献 26被引用数 15

ひとこと要約

本論文は、NP困難な最小頂点被覆問題を解くために、学習オートマトンに基づくアルゴリズムを提案する。各グラフ頂点に学習オートマトンを割り当て、被覆集合への含め方・除外方を確率的に選択する。フィードバックに基づく反復的確率更新を通じて、近似的最適解に収束する。DIMACSベンチマークにおいて、従来手法よりも顕著に小さい頂点被覆サイズを達成し、優れた性能を示した。

ABSTRACT

Minimum vertex cover problem is an NP-Hard problem with the aim of finding minimum number of vertices to cover graph. In this paper, a learning automaton based algorithm is proposed to find minimum vertex cover in graph. In the proposed algorithm, each vertex of graph is equipped with a learning automaton that has two actions in the candidate or non-candidate of the corresponding vertex cover set. Due to characteristics of learning automata, this algorithm significantly reduces the number of covering vertices of graph. The proposed algorithm based on learning automata iteratively minimize the candidate vertex cover through the update its action probability. As the proposed algorithm proceeds, a candidate solution nears to optimal solution of the minimum vertex cover problem. In order to evaluate the proposed algorithm, several experiments conducted on DIMACS dataset which compared to conventional methods. Experimental results show the major superiority of the proposed algorithm over the other methods.

研究の動機と目的

• 適応的学習メカニズムを活用して、NP困難な最小頂点被覆問題に対処すること。
• 頂点レベルでの自律的学習を通じて、被覆集合内の頂点数を削減すること。
• 最適または近似的最適解に収束する分散型確率的アルゴリズムを設計すること。
• 標準的なグラフベンチマークを用いて、従来手法との性能を評価すること。
• 学習オートマトンが組合せ最適化問題を解くのに有効であることを示すこと。

提案手法

• グラフ内の各頂点に、被覆集合への含め方または除外方の2つの行動をとる学習オートマトンを割り当てる。
• 環境からのフィードバック（現在の被覆が有効で、最適性にどの程度近いか）に基づいて、オートマトンは行動確率を更新する。
• 報酬が未被覆エッジ数の削減に与えられる強化学習メカニズムを用いる。
• 反復的なプロセスにより、行動確率分布が改善され、被覆サイズを最小化する構成に傾く。
• 学習オートマトンは分散的に動作するため、スケーラブルで分散計算が可能である。
• 有効な頂点被覆が得られ、これ以上の改善が不可能になった段階でアルゴリズムは終了する。

実験結果

リサーチクエスチョン

• RQ1 学習オートマトンは最小頂点被覆問題に効果的に適用可能か？
• RQ2 従来のヒューリスティック法や厳密法と比較して、学習オートマトンベースのアプローチは解の品質と収束速度においてどのように異なるか？
• RQ3 学習メカニズムはどの程度、頂点被覆集合のサイズを縮小できるか？
• RQ4 アルゴリズムの分散的性質は、大規模グラフにおいても性能を維持できるか？
• RQ5 多様なグラフ構造において、アルゴリズムは一貫して近似的最適解を発見できるか？

主な発見

• 提案された学習オートマトンベースのアルゴリズムは、DIMACSベンチマークグラフにおいて、従来手法と比較して顕著に小さい頂点被覆サイズを達成した。
• 適応的学習とフィードバック駆動の行動確率更新により、高品質な解への収束が高速化された。
• 実験結果は、さまざまなグラフタイプおよびサイズにおいて、近似的最適解を効果的に発見できる能力を確認した。
• 多様なテストインスタンスにおいて、解の品質と頑健性の両面で、標準的ヒューリスティクスを上回った。
• 分散設計により、グローバルな調整を必要とせず、効率的でスケーラブルな計算が可能になった。
• 反復的確率の精密化を通じて、学習メカニズムが被覆集合内の頂点数を効果的に削減した。