[논문 리뷰] Learning Hybrid Algorithms for Vehicle Routing Problems

Yves Caseau, Glenn Silverstein외 1명|ArXiv.org|2004. 05. 24.

Vehicle Routing Optimization Methods참고 문헌 16인용 수 12

한 줄 요약

이 논문은 차량 경로 문제를 위한 하이브리드 메타휴리스틱을 자동으로 발견하고 튜닝하기 위해 푸시/풀 삽입 및 제거 연산의 대수적 표현을 사용하는 학습 기반 프레임워크를 소개한다. 최적의 대수적 표현을 탐색하기 위해 학습 알고리즘을 적용함으로써, 이 방법은 솔로몬 기준 데이터셋에서 최신 기술 수준의 알고리즘과 비교해 유사한 성능을 달성하면서도 훨씬 적은 CPU 시간을 소비하며, 수작업으로 튜닝한 설정에 비해 최소한의 노력으로도 뛰어난 성능을 보였다.

ABSTRACT

This paper presents a generic technique for improving hybrid algorithms through the discovery of and tuning of meta-heuristics. The idea is to represent a family of push/pull heuristics that are based upon inserting and removing tasks in a current solution, with an algebra. We then let a learning algorithm search for the best possible algebraic term, which represents a hybrid algorithm for a given set of problems and an optimization criterion. In a previous paper, we described this algebra in detail and provided a set of preliminary results demonstrating the utility of this approach, using vehicle routing with time windows (VRPTW) as a domain example. In this paper we expand upon our results providing a more robust experimental framework and learning algorithms, and report on some new results using the standard Solomon benchmarks. In particular, we show that our learning algorithm is able to achieve results similar to the best-published algorithms using only a fraction of the CPU time. We also show that the automatic tuning of the best hybrid combination of such techniques yields a better solution than hand tuning, with considerably less effort.

연구 동기 및 목표

• 차량 경로 문제에서 하이브리드 메타휴리스틱을 자동으로 발견하고 튜닝하는 일반적인 기법을 개발하기 위해.
• 삽입 및 제거 휴리스틱의 가족을 체계적인 탐색을 위해 대수적 형식으로 표현하기 위해.
• 수작업 튜닝을 자동 학습으로 대체함으로써 알고리즘 설계의 수작업 노력을 줄이기 위해.
• 표준 VRPTW 기준 데이터셋에서 접근 방식을 평가하고, 발표된 결과들과 성능을 비교하기 위해.
• 학습된 하이브리드 알고리즘이 수작업으로 설계된 것보다 더 낮은 계산 비용으로도 뛰어난 성능을 낼 수 있음을 보여주기 위해.

제안 방법

• 삽입 및 제거 연산을 조합하는 추상 대수적 구조를 사용하여 푸시/풀 휴리스틱을 대수적 표현으로 표현하기 위해.
• 주어진 문제 인스턴스와 목표에 대해 최적의 하이브리드 알고리즘을 찾기 위해 대수적 표현의 공간을 탐색하는 데 학습 알고리즘을 사용하기 위해.
• 최적화 기준(예: 해 품질, 실행 시간)을 정의하여 학습 과정을 안내하기 위해.
• 솔로몬 기준 인스턴스를 사용하여 시간 창이 있는 차량 경로 문제(VRPTW)에 학습 프레임워크를 적용하기 위해.
• 학습된 알고리즘의 효과를 검증하기 위해 강력한 실험 설정을 구축하기 위해.
• 수작업 설정을 피하기 위해 학습 과정을 통해 하이브리드 알고리즘의 파라미터를 자동으로 튜닝하기 위해.

실험 결과

연구 질문

• RQ1 대수적 표현은 차량 경로 문제를 위한 다양한 푸시/풀 휴리스틱을 효과적으로 코딩할 수 있는가?
• RQ2 학습 알고리즘이 VRPTW에서 수작업으로 설계된 것보다 뛰어난 하이브리드 메타휴리스틱을 발견할 수 있는가?
• RQ3 자동 학습 접근 방식은 발표된 알고리즘에 비해 훨씬 적은 CPU 시간으로 경쟁 가능한 성능을 달성할 수 있는가?
• RQ4 학습된 하이브리드 알고리즘의 성능은 전문가가 튜닝한 설정과 비교해 어떻게 되는가?
• RQ5 학습 프레임워크는 다양한 VRPTW 기준 인스턴스 간에 일반화 가능한가?

주요 결과

• 학습 알고리즘이 솔로몬 기준 데이터셋에서 최고의 발표된 알고리즘과 유사한 해 품질을 달성했다.
• 학습된 하이브리드 알고리즘은 최신 기술 수준의 방법보다 훨씬 적은 CPU 시간을 소비하면서도 경쟁 가능한 성능를 유지했다.
• 자동 튜닝된 하이브리드 알고리즘은 수작업 튜닝 설정을 초월하여 데이터 기반 튜닝의 이점을 입증했다.
• 대수적 표현은 휴리스틱 공간의 효과적인 탐색을 가능하게 하여 고품질의 해를 도출했다.
• 프레임워크는 여러 기준 인스턴스에서 뚜렷한 강건성을 보이며 기준 휴리스틱보다 일관되게 향상된 성능을 보였다.
• 결과는 학습 기반 하이브리드화가 차량 경로 문제에서 수작업 알고리즘 설계에 비해 실현 가능하고 효율적인 대안임을 시사한다.