[논문 리뷰] Obtaining Quality-Proved Near Optimal Results for Traveling Salesman Problem

Wenhong Tian, Huang, Chaojie외 2명|arXiv (Cornell University)|2015. 02. 02.

Vehicle Routing Optimization Methods참고 문헌 11인용 수 5

한 줄 요약

이 논문은 유클리드 공간에서 대칭 여행행상문제(STSP)의 품질 보장된 근사 최적 해를 달성하기 위해 새로운 반복적 절단 일반화 베타(TGB) 분포 접근법을 제안한다. 최적 순회 길이를 TGB 분포로 모델링하고 반복적 절단을 적용함으로써, 반복 횟수 K와 형상 매개수 α >> 1에 대해 (1 + ½((α+1)/(α+2))^{K-1})-근사 비율을 보장한다. K가 증가함에 따라 이 비율은 진짜 최적값에 수렴한다.

ABSTRACT

The traveling salesman problem (TSP) is one of the most challenging NP-hard problems. It has widely applications in various disciplines such as physics, biology, computer science and so forth. The best known approximation algorithm for Symmetric TSP (STSP) whose cost matrix satisfies the triangle inequality (called $ riangle$STSP) is Christofides algorithm which was proposed in 1976 and is a $\frac{3}{2}$-approximation. Since then no proved improvement is made and improving upon this bound is a fundamental open question in combinatorial optimization. In this paper, for the first time, we propose Truncated Generalized Beta distribution (TGB) for the probability distribution of optimal tour lengths in a TSP. We then introduce an iterative TGB approach to obtain quality-proved near optimal approximation, i.e., (1+$\frac{1}{2}(\frac{α+1}{α+2})^{K-1}$)-approximation where $K$ is the number of iterations in TGB and $α(>>1)$ is the shape parameters of TGB. The result can approach the true optimum as $K$ increases.

연구 동기 및 목표

• 삼각 부등식 하에서 Christofides의 3/2-근사 경계를 초월하는 데 오랫동안 열려 있던 문제를 해결하기 위해.
• 유클리드 공간 내 대칭 TSP 인스턴스의 최적 TSP 순회 길이의 확률 분포를 일반화 베타(GB) 분포로 모델링하기 위해.
• 근사 오차를 체계적으로 감소시키고 진짜 최적값에 수렴하는 반복적 TGB 프레임워크를 개발하기 위해.
• 이론적 성능 보장을 갖는 닫힌 형태의 품질 보장된 근사 알고리즘을 제공하기 위해.
• 실세계 TSPLIB 인스턴스에서 최신 솔버인 LKH와의 비교를 통해 방법을 검증하기 위해.

제안 방법

• 대칭 TSP 인스턴스의 최적 순회 길이에 대한 확률 밀도 함수로 일반화 베타(GB) 분포를 제안한다.
• 순회 길이 분포의 첫 네 모멘트(평균, 분산, 왜도, 첨도)에서 GB 분포의 네 개 매개수(A, B, α, β)를 유도한다.
• GB 분포의 상부 尾를 점진적으로 절단하여 기대 순회 길이 추정치를 개선하는 반복적 절단 일반화 베타(TGB) 방법을 도입한다.
• 불완전 베타 함수의 초함수 표현을 사용하여 각 반복에서 절단된 분포의 기대값을 계산한다.
• 상한값을 반복적으로 업데이트하는 재귀적 업데이트 규칙을 활용하여 근사 오차를 감소시킨다.
• K번의 반복 후 이론적 근사 비율로 (1 + ½((α+1)/(α+2))^{K-1})를 유도하며, 이 비율은 K가 증가함에 따라 1로 수렴한다.

실험 결과

연구 질문

• RQ1 유클리드 공간 내 최적 TSP 순회 길이의 분포를 정확하게 표현할 수 있는 확률 분포 모델을 구축할 수 있는가?
• RQ2 이 분포에 대한 반복적 절단 과정이 기존 알고리즘보다 품질 보장된 더 나은 근사 비율을 도출할 수 있는가?
• RQ3 반복 횟수가 증가함에 따라 TGB 방법이 진짜 최적 해에 수렴하는가?
• RQ4 실제 TSPLIB 인스턴스에서 TGB 근사 비율은 Christofides 알고리즘과 LKH 솔버와 같은 알려진 기준과 비교해 어떻게 되는가?
• RQ5 이 방법은 성능 보장이 있는 상황에서 대규모 TSP 인스턴스에 효율적으로 적용될 수 있는가?

주요 결과

• K번의 반복 후 TGB 방법은 (1 + ½((α+1)/(α+2))^{K-1})의 이론적 근사 비율을 달성하며, K가 증가함에 따라 이 비율은 1로 수렴하여 진짜 최적값으로 수렴함을 나타낸다.
• n ≤ 600인 TSPLIB 인스턴스에서는 평균적으로 진짜 최적값의 0.2% 이내에 도달했으며, 일부 경우에서는 소량의 편차가 있었음(예: ulysses22.tsp는 1.1%, berlin52.tsp는 7.8%)
• 대부분의 경우에서 TGB 결과는 LKH 솔버 출력과 일치하여 정확성과 신뢰성을 검증하였다.
• 형상 매개수 α는 순회 길이 분포의 첫 네 모멘트에서 추정되어 TSP 인스턴스 데이터로부터 직접 매개수를 설정할 수 있게 하였다.
• TGB 프레임워크는 기존 솔버(LKH 등)에 코드 수정을 통해 반복적 절단과 기대값 업데이트를 통합할 수 있다.
• TGB 방법의 계산 복잡도는 닫힌 형태의 기대값과 반복적 정밀도 향상 덕분에 Christofides의 O(n³)보다 낮을 것으로 예상되나, 본 논문에서는 정확한 복잡도를 유도하지 않았다.