[논문 리뷰] Learning to Optimise General TSP Instances
이 논문은 유럽거리 이외의 공간에서 다양한 TSP 인스턴스에 대해 일반적인 히وري스틱을 학습할 수 있도록 CNN과 RNN 아키텍처를 조합한 딥러닝 모델인 NETSP-Net을 제안한다. 쉽게 풀 수 있는 균일하게 분포된 유클리드 TSP 인스턴스에서 훈련된 모델은 비유클리드, 비균일, 대규모 TSP 문제로 효과적으로 일반화되며, TSPLIB 및 랜덤 인스턴스를 포함한 벤치마크 데이터셋에서 경쟁 가능한 성능을 달성한다.
The Travelling Salesman Problem (TSP) is a classical combinatorial optimisation problem. Deep learning has been successfully extended to meta-learning, where previous solving efforts assist in learning how to optimise future optimisation instances. In recent years, learning to optimise approaches have shown success in solving TSP problems. However, they focus on one type of TSP problem, namely ones where the points are uniformly distributed in Euclidean spaces and have issues in generalising to other embedding spaces, e.g., spherical distance spaces, and to TSP instances where the points are distributed in a non-uniform manner. An aim of learning to optimise is to train once and solve across a broad spectrum of (TSP) problems. Although supervised learning approaches have shown to achieve more optimal solutions than unsupervised approaches, they do require the generation of training data and running a solver to obtain solutions to learn from, which can be time-consuming and difficult to find reasonable solutions for harder TSP instances. Hence this paper introduces a new learning-based approach to solve a variety of different and common TSP problems that are trained on easier instances which are faster to train and are easier to obtain better solutions. We name this approach the non-Euclidean TSP network (NETSP-Net). The approach is evaluated on various TSP instances using the benchmark TSPLIB dataset and popular instance generator used in the literature. We performed extensive experiments that indicate our approach generalises across many types of instances and scales to instances that are larger than what was used during training.
연구 동기 및 목표
- 비유클리드 및 비균일 분포된 인스턴스와 같은 다양한 TSP 인스턴스 유형 간 일반화에 실패하는 기존의 학습-최적화 방법의 한계를 해결한다.
- 최적 해가 알려진 쉽게 풀 수 있는 유클리드 TSP 인스턴스를 사용해 훈련함으로써 다양한 하드한 훈련 데이터를 생성하는 과제를 극복한다.
- 재훈련 없이도 다양한 문제 크기, 간선 가중치 유형, 임bedding 공간(예: 구면 거리)에 일반화할 수 있는 단일 모델을 가능하게 한다.
- 소규모 단순 TSP 인스턴스에서 훈련된 모델이 더 큰 복잡한 인스턴스에 대해 고품질의 해를 생성할 수 있음을 보여준다.
- TSP를 넘어서 다른 NP-완전 문제로도 이식 가능한 확장 가능한 일반 목적의 딥러닝 프레임워크를 제공한다.
제안 방법
- 도시 좌표에서 공간 패턴을 추출하기 위해 컨볼루션 신경망(CNN)을 사용하고, 순차적으로 투어를 생성하기 위해 순환 신경망(RNN), 특히 LSTM을 사용하는 하이브리드 신경망 아키텍처를 설계한다.
- Concorde를 통해 확보한 지식 기반 최적 해를 가진 소규모(예: TSP20, TSP50) 유클리드 TSP 인스턴스의 대규모 데이터셋을 사용해 지도 학습 방식으로 모델을 훈련시킨다.
- CNN이 도시 간 국소적 공간 의존성을 학습할 수 있도록 하여, 다양한 거리 측정법(예: 구면 거리의 경우 Haversine 공식)을 가진 인스턴스로의 일반화를 가능하게 한다.
- 유효한 도시 순열을 보장하기 위해 RNN 디코더 내부에 포인터 네트워크 메커니즘을 사용해 다음 방문 도시를 예측한다.
- 훈련 중에 다양한 분포와 간선 가중치 유형을 가진 TSP 인스턴스를 생성함으로써 데이터 증강을 적용해 모델의 강인성을 향상시킨다.
- 일반화 성능 평가를 위해 TSPLIB, 랜덤 생성기, 비유클리드 인스턴스(예: Bays29는 대원거리 기반)에서 별도로 보관한 인스턴스를 사용해 테스트한다.
실험 결과
연구 질문
- RQ1소규모, 균일하게 분포된 유클리드 TSP 인스턴스에서만 훈련된 모델이 더 어려운, 비균일하고 비유클리드 TSP 인스턴스로 일반화될 수 있는가?
- RQ2기존의 학습-최적화 모델 대비 CNN-RNN 아키텍처가 문제 크기와 간선 가중치 유형 간의 일반화 성능을 얼마나 향상시키는가?
- RQ3소규모 인스턴스(예: TSP20–TSP100)에서 훈련된 모델이 재훈련 없이도 더 큰 규모의 TSP 인스턴스(예: TSP200, TSP500)에 대해 효과적으로 해를 예측할 수 있는가?
- RQ4다양한 벤치마크 데이터셋과 인스턴스 유형에서 최신의 학습 기반 TSP 솔버와 비교해 성능가능성이 어떻게 되는가?
- RQ5모델이 도시 분포와 거리 측정법(예: 구면 거리)의 변화에 대해 강건한 히وري스틱을 학습할 수 있는가?
주요 결과
- NETSP-Net은 Haversine 공식을 사용해 계산된 Bays29와 같은 비유클리드 TSP 인스턴스로도 효과적으로 일반화되며, 유클리드 데이터에서만 훈련된 것에도 불구하고 베이스라인 방법을 초월하는 성능을 보였다.
- TSP20, TSP50, TSP100에서 최신 기술 수준의 방법과 유사한 평균 투어 길이를 달성했으며, 대응 t-검정에서 통계적으로 유의미한 차이가 없었다(p > 0.05).
- 소규모 인스턴스(예: TSP20, TSP50)에서만 훈련된 NETSP-Net은 더 큰 테스트 인스턴스(예: TSP100, TSP200)에 대해 실현 가능하고 고품질의 해를 생성했으며, 강력한 제로샷 일반화 능력을 보였다.
- CNN 구성 요소는 거리 측정법과 무관한 공간 패턴을 학습할 수 있게 하여, 유클리드, 랜덤, 구면 거리 등 다양한 간선 가중치 유형으로의 일반화를 가능하게 했다.
- 크로스 인스턴스 평가에서, 특히 훈련 데이터가 제한된 경우, 이전 모델인 AM [9]과 비교해 NETSP-Net이 여러 훈련 및 테스트 크기 조합에서 성능가능성에서 뛰어나거나 동등한 성능을 보였다.
- 실험 결과, 모델의 성능는 베를린52와 같이 어려운 인스턴스, TSP50와 같이 균일하게 분포된 인스턴스를 포함한 다양한 TSP 인스턴스 유형에서 안정적이고 경쟁 가능한 수준을 유지함을 보여주었다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.