[논문 리뷰] A Hybrid Genetic Algorithm for the min-max Multiple Traveling Salesman Problem
하이브리드 유전 알고리즘으로 TSP 기반 염색체, 동적 프로그래밍(Split), 새로운 STX 교차, 교차 제거, 다층 로컬 탐색을 결합하여 min-max mTSP를 해결하고 여러 벤치마크에서 성능을 향상시킴.
This paper proposes a hybrid genetic algorithm for solving the Multiple Traveling Salesman Problem (mTSP) to minimize the length of the longest tour. The genetic algorithm utilizes a TSP sequence as the representation of each individual, and a dynamic programming algorithm is employed to evaluate the individual and find the optimal mTSP solution for the given sequence of cities. A novel crossover operator is designed to combine similar tours from two parents and offers great diversity for the population. For some of the generated offspring, we detect and remove intersections between tours to obtain a solution with no intersections. This is particularly useful for the min-max mTSP. The generated offspring are also improved by a self-adaptive random local search and a thorough neighborhood search. Our algorithm outperforms all existing algorithms on average, with similar cutoff time thresholds, when tested against multiple benchmark sets found in the literature. Additionally, we improve the best-known solutions for $21$ out of $89$ instances on four benchmark sets.
연구 동기 및 목표
- mTSP에서 min-max 목표를 달성하기 위한 효과적인 휴리스틱 방법을 개발하여 objective를 다룬다.
- 주어진 시퀀스에 대해 최적의 mTSP 해를 동적 프로그래밍 Split 절차에 위임하는 하이브리드 GA를 활용한다.
- 유사 경로를 보존하면서 자손의 다양성을 확보하기 위한 새로운 Similar Tour Crossover (STX)를 도입한다.
- 교차 제거 및 다층 로컬 탐색을 포함한 다층 염색체 교육(propagation) 프로세스를 통해 해의 품질을 개선한다.
제안 방법
- 각 GA 개체를 depot을 제외한 TSP와 유사한 도시 시퀀스로 표현한다.
- 시퀀스를 m개의 투어로 분할하여 가장 긴 투어를 최소화하는(min-max 목표) 최적화를 위해 동적 프로그래밍 Split 알고리즘을 사용한다.
- 두 부모의 유사한 투어를 두 지점 교차와 탐욕적 재삽입으로 결합하는 Similar Tour Crossover (STX)를 도입한다.
- 자손을 세 가지 계층의 개선으로 교육한다: (i) Premove 확률로 투어 교차점을 제거, (ii) 투어 간/투어 내 로컬 탐색 적용, (iii) 자기적응적 로터리 방식으로 개선 이동을 선택한다.
- min-max 목표와 다양성 항을 결합한 적합도 함수를 사용하여 개체군의 다양성을 유지한다.
- 초기 개체군은 정확 및 휴리스틱 TSP 해법과 무작위 섭동을 사용해 다양성을 높여 생성한다.
실험 결과
연구 질문
- RQ1DP 기반 평가와 새로운 교차를 갖춘 하이브리드 GA가 min-max mTSP 벤치마크에서 기존 휴리스틱 접근법을 능가할 수 있는가?
- RQ2투어 간 교차 제거가 min-max mTSP 해를 개선하는가, 그리고 어떤 조건에서 이점이 있는가?
- RQ3다층 로컬 탐색 전략과 자기적응적 이동 선택이 min-max mTSP의 수렴 속도와 해의 품질에 어떤 영향을 미치는가?
- RQ4STX 교차가 mTSP에 대해 다양하고 고품질의 자손을 생성하는 데 얼마나 효과적인가?
주요 결과
- Split 기반 평가와 STX 교차를 갖춘 제안된 하이브리드 GA가 같은 컷오프 시간에서 여러 벤치마크 세트에 대해 기존 알고리즘 대비 평균적으로 우수한 성능을 보인다.
- 교차 제거는 비교적 최적 해에 근접하는 해를 더 잘 만들어낼 수 있으며, 이는 비교적 비교적 해의 악화를 수반하더라도 비교적 비교적 해를 향해 움직인다.
- 투어 간/투어 내의 로컬 탐색 및 자기적응식 선택을 포함한 다층 로컬 탐색은 최장 투어 길이와 전반적인 해의 품질을 개선한다.
- 이 방법은 4개의 벤치마크 세트에서 89개 인스턴스 중 21개에서 최상-known 해를 개선한다.
- 이 접근법은 GA, 동적 프로그래밍, 로컬 탐색을 통합하여 수렴 속도를 높이고 mTSP에 대한 의사결정을 개선한다.
이 논문 읽기
누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.
누빈트에서 이 논문 읽기이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.