[논문 리뷰] A Better-Than-1.6-Approximation for Prize-Collecting TSP

Jannis Blauth, Nathan Klein외 1명|arXiv (Cornell University)|2023. 08. 11.

Vehicle Routing Optimization MethodsEngineering인용 수 3

한 줄 요약

이 논문은 보상 수령 TSP에 대해 1.599의 근사비율을 갖는 다항시간 근사 알고리즘을 제안하며, 이는 이전 최고의 1.774보다 향상된 결과이다. 이 방법은 선형계획법 해를 루트가 있는 트리로 분해하고, 정점 방문 확률 기반의 잘라내기 단계를 적용하며, 최소비용 매칭을 통한 짝수성 보정을 수행함으로써 황금비율(1.618)에 가까운 bound를 달성한다.

ABSTRACT

Prize-Collecting TSP is a variant of the traveling salesperson problem where one may drop vertices from the tour at the cost of vertex-dependent penalties. The quality of a solution is then measured by adding the length of the tour and the sum of all penalties of vertices that are not visited. We present a polynomial-time approximation algorithm with an approximation guarantee slightly below $1.6$, where the guarantee is with respect to the natural linear programming relaxation of the problem. This improves upon the previous best-known approximation ratio of $1.774$. Our approach is based on a known decomposition for solutions of this linear relaxation into rooted trees. Our algorithm takes a tree from this decomposition and then performs a pruning step before doing parity correction on the remainder. Using a simple analysis, we bound the approximation guarantee of the proposed algorithm by $(1+\sqrt{5})/2 \approx 1.618$, the golden ratio. With some additional technical care we further improve it to $1.599$. Furthermore, we show that for the path version of Prize-Collecting TSP (known as Prize-Collecting Stroll) our approach yields an approximation guarantee of 1.6662, improving upon the previous best-known guarantee of 1.926.

연구 동기 및 목표

• 1.6 이하의 근사비율을 갖는 다항시간 근사 알고리즘을 개발함을 목적으로 한다.
• 문제에 대해 이전 최고의 근사비율인 1.774를 향상시키는 것을 목적으로 한다.
• PCTSP의 자연스러운 선형계획법 타협을 나무 분해 기법을 통해 활용함을 목적으로 한다.
• 새로운 잘라내기 및 매칭 전략을 통해 황금비율(1.618)에 가까운 날카로운 근사 보장을 달성함을 목적으로 한다.
• LP 타협에 대한 해의 기대 비용을 제한하는 랜덤화 분석 프레임워크를 제공함을 목적으로 한다.

제안 방법

• 분수형 LP 해를 루트가 있는 트리 분포로 분해하는 기존 방법을 적용하여 기대 비용과 정점 방문 확률을 유지한다.
• 정점의 방문 수준을 이진값(0 또는 ≥δ)으로 강제하여 구조적 잘라내기를 가능하게 하기 위해 LP 해를 수정한다.
• 각 분해된 트리에 대해, 방문 확률이 ≥γ인 정점들을 포함하는 최소 부분수를 유지하는 잘라내기 단계를 수행한다.
• 잘라낸 부분수의 홀수 차수 정점들에 대해 최소비용 완전 매칭을 적용하여 짝수성 보정을 수행하고 유효한 TSP 순회를 형성한다.
• 분포 μ로부터 트리와 임계값 γ를 샘플링하고, 확률적 한계를 사용하여 기대 비용을 분석한다.
• 랜덤화 분석 프레임워크를 사용하여 근사비율을 (1+√5)/2 ≈ 1.618로 제한하고, 추가적인 기술적 조정을 통해 이를 1.599로 개선한다.

실험 결과

연구 질문

• RQ1 LP 기반 기법을 사용하여 보상 수령 TSP의 근사비율을 1.774를 초월해 향상시킬 수 있는가?
• RQ2 LP 해의 나무 분해를 통해 근사보장을 1.6 이하로 달성하는 것이 가능한가?
• RQ3 분해된 트리에 대한 잘라내기 및 매칭 전략이 이전 방법보다 더 날카로운 근사 bound를 도출할 수 있는가?
• RQ4 LP 기반 근사에서 잘라내기 임계값 선택과 짝수성 보정 비용 사이의 최적의 트레이드오프는 무엇인가?
• RQ5 황금비율(1.618)이 PCTSP에 대해 자연스러운 근사 장벽으로 작용할 수 있으며, 이를 초월할 수 있는가?

주요 결과

• 제안된 알고리즘은 LP 기반 근사비율 1.599를 달성하여 이전 최고의 1.774보다 향상되었다.
• 분석 결과 근사비율이 (1+√5)/2 ≈ 1.618인 황금비율로 제한되며, 깔끔한 확률적 추론을 통해 이를 도출하였다.
• 알고리즘은 다항시간 내에 실행되며, LP 해를 루트가 있는 트리 분포로 분해하는 데 기반한다.
• 잘라내기 단계는 높은 확률을 갖는 정점들을 포함하는 최소 부분수만 선택함으로써 불필요한 순회 길이를 줄인다.
• 최소비용 매칭을 통한 짝수성 보정은 유효한 TSP 순회를 보장하면서도 비용 증가를 제한한다.
• 최종적으로 1.599의 bound는 초기 1.618 bound를 개선하기 위한 정교한 기술적 분석을 통해 달성되었다.