[논문 리뷰] A Powerful Genetic Algorithm for Traveling Salesman Problem

Shujia Liu|arXiv (Cornell University)|2014. 02. 19.

Metaheuristic Optimization Algorithms Research참고 문헌 16인용 수 6

한 줄 요약

이 논문은 이동 salesperson 문제(TSP)를 위한 강력한 유전 알고리즘(GA)을 제안하며, 국소적 엣지 교환(ES) 연산자와 전역 ES 변형으로의 동적 전환을 통합하여 효율성과 해 품질의 균형을 이룹니다. 이 방법은 최대 16,862개의 도시를 가진 10개의 벤치마크 인스턴스 중 9개에서 최적 또는 최고의 해를 달성하며, 해 품질과 계산 시간 측면에서 최신의 LK 기반 알고리즘을 능가합니다.

ABSTRACT

This paper presents a powerful genetic algorithm(GA) to solve the traveling salesman problem (TSP). To construct a powerful GA, I use edge swapping(ES) with a local search procedure to determine good combinations of building blocks of parent solutions for generating even better offspring solutions. Experimental results on well studied TSP benchmarks demonstrate that the proposed GA is competitive in finding very high quality solutions on instances with up to 16,862 cities.

연구 동기 및 목표

• 기존 GA의 높은 계산 비용 문제를 해결하는 고성능 TSP용 유전 알고리즘을 개발하기 위해.
• 국소적 및 전역 변형을 통한 엣지 교환(ES) 교차 연산자 개선을 통해 해 품질을 향상시키기 위해.
• 국소적 및 전역 ES 간의 동적 전환 전략을 사용하여 수렴 속도를 가속화하면서도 개체군의 다양성을 유지하기 위해.
• 대규모 TSP 인스턴스에서 최신의 LK 기반 알고리즘과의 경쟁적 성능을 입증하기 위해.

제안 방법

• 알고리즘은 2-opt 그릅로컬 서치를 통해 초기화된 200개의 해로 구성된 개체군을 사용하여 초기 해 품질을 확보합니다.
• 국소적 엣지 교환(ES) 연산자는 블록 전략을 사용해 한 부모의 일부 엣지만을 교체하여 부모와 유사한 후손을 생성함으로써 계산 비용을 O(N) 이하로 감소시킵니다.
• 정해진 수의 세대 동안 향상이 관찰되지 않으면 국소적 ES에서 전역 ES로 동적으로 전환하여 局부 최적해에서 벗어나도록 합니다.
• 전역 ES 버전은 지리적으로 가까운 M-링을 블록 전략으로 선택하여 엣지 교체를 수행함으로써 구조적 일관성을 유지함으로써 해 품질을 향상시킵니다.
• 개체군의 다양성을 유지하기 위해 후보 해의 분포가 우수한 경우를 우선시하는 대안 평가 함수를 사용합니다. 이는 후손의 투어 길이가 略로 길어질 수 있지만, 다양성 확보에 기여합니다.
• 고정된 수의 세대 동안 향상이 관찰되지 않으면 알고리즘이 종료되며, 파arameter는 사전 실험을 통해 최적화됩니다.

실험 결과

연구 질문

• RQ1 국소적 엣지 교환 연산자는 TSP용 GA에서 계산 비용을 크게 감소시킬 수 있을까, 동시에 해 품질을 유지할 수 있을까?
• RQ2 국소적 및 전역 엣지 교환 간의 동적 전환 전략은 수렴 속도와 해 품질을 어떻게 향상시킬 수 있을까?
• RQ3 전역 ES에서 블록 전략이 무작위 또는 K-다중 전략에 비해 해 품질과 다양성 측면에서 얼마나 뛰어나게 작용할까?
• RQ4 개선된 ES 연산자를 갖춘 GA는 대규모 TSP 인스턴스에서 최신의 LK 기반 알고리즘과 동등하거나 슈퍼어리어한 성능을 낼 수 있을까?

주요 결과

• 제안된 GA는 10개의 벤치마크 인스턴스 중 9개에서 최적 또는 최고의 해를 달성하였으며, 가장 큰 인스턴스인 16,862개의 도시를 포함합니다.
• 10개 인스턴스 중 9개에서 평균적으로 0.00%의 해 오차를 기록하였으며, fnl4461에서 가장 높은 오차는 0.05%였습니다.
• 실행 평균 계산 시간은 각 인스턴스에서 650~860초였으며, 가장 큰 인스턴스인 it16862는 평균 863초 만에 해결되었습니다.
• rl11849와 xrb14233와 같은 몇몇 인스턴스에서 LKH 알고리즘보다 해 품질이 뛰어났으며, 이는 각각 0.00% 오차를 기록한 반면 LKH는 0.04%와 0.02%의 오차를 기록했습니다.
• 국소적 ES에서 전역 ES로의 동적 전환은 특히 대규모 인스턴스에서 국소 최적해에서 벗어나는 데 있어 성능 향상에 크게 기여했습니다.
• 전역 ES에서 블록 전략은 구조적 일관성이 높은 고품질의 후손을 생성하는 데 있어 K-다중 전략보다 경험적으로 뛰어난 성능을 보였습니다.