[논문 리뷰] Using Recursive K- Means and Dijkstra Algorithm to Solve CVRP

Hassan Moussa|arXiv (Cornell University)|2021. 01. 01.

Vehicle Routing Optimization Methods인용 수 2

한 줄 요약

이 논문은 적재 용량이 제한된 차량 경로 문제(CVRP)를 해결하기 위해 하이브리드 메타휴리스틱 접근법을 제안한다. 이 방법은 최적의 고객 분할을 위해 재귀적 K-means 클러스터링을 통합하고, 뉴턴-라프슨 기반의 차량 배분과 클러스터 내에서 최단 경로 루팅을 위한 다익스트라 알고리즘을 활용한다. 반복적인 클러스터 정밀 조정을 통해 차량 용량 활용도와 루팅 효율성을 극대화하여 근사 최적의 해를 도출한다.

ABSTRACT

Capacitated vehicle routing problem (CVRP) is being one of the most common optimization problems in our days, considering the wide usage of routing algorithms in multiple fields such as transportation domain, food delivery, network routing, ... Capacitated vehicle routing problem is classified as an NP-Hard problem, hence normal optimization algorithm can't solve it. In our paper, we discuss a new way to solve the mentioned problem, using a recursive approach of the most known clustering algorithm "K-Means", one of the known shortest path algorithm "Dijkstra", and some mathematical operations. In this paper, we will show how to implement those methods together in order to get the nearest solution of the optimal route, since research and development are still on go, this research paper may be extended with another one, that will involve the implementational results of this thoric side.

연구 동기 및 목표

• 스케일링 가능한 휴리스틱 기반 솔루션을 통해 NP-난이도의 적재 용량 제한 차량 경로 문제(CVRP)를 해결하기 위해.
• 뉴턴-라프슨 방법을 활용한 수학적 배분을 통해 차량 용량 활용도를 최적화하기 위해.
• 지리적 위치 기반 고객을 재귀적 K-means를 통해 클러스터링하고, 용량 및 거리 제약 조건을 기반으로 클러스터를 정밀 조정하여 루팅 효율성을 향상시키기 위해.
• 각 차량의 경로 내에서 최단 경로를 계산하기 위해 클러스터링된 부분 그래프에 다익스트라 알고리즘을 적용하여 총 이동 비용을 최소화하기 위해.
• 향후 연구에서 경험적 구현 결과를 통합할 수 있는 이론적 프레임워크를 제공하기 위해.

제안 방법

• 재귀적 K-means 클러스터링을 사용하여 차량 용량에 맞는 클러스터로 고객을 분할하며, 각 재귀 단계에서 클러스터를 분할하여 용량 제약 조건을 충족할 때까지 진행한다.
• 비선형 방정식의 연립계를 해결하기 위해 뉴턴-라프슨 방법을 적용하여 최적의 차량 배분을 도출하며, 차량 수를 최소화하면서 용량 제약 조건을 준수한다.
• 중점 거리와 용량 임계값을 기반으로 클러스터를 융합하거나 분할하는 계층적 최적화 단계를 도입하여 활용률을 향상시킨다.
• 정점(위치)과 간선(경로)으로 구성된 그래프로 루팅 영역을 표현하고, 각 클러스터 내에서 노드 간 최단 경로를 찾기 위해 다익스트라 알고리즘을 적용한다.
• 다익스트라 알고리즘에서 우선순위 큐 데이터 구조를 사용하여 최단 경로를 효율적으로 계산하며, 시간 복잡도는 큐 연산에 의존한다.
• 재귀적 클러스터링 단계를 추적하기 위해 단계 트리를 구축하며, 최종 리프 노드는 차량에 할당된 최적화된 클러스터를 나타낸다.

실험 결과

연구 질문

• RQ1 표준 K-means에 비해 재귀적 K-means 클러스터링이 CVRP에서 고객 분할의 품질을 향상시킬 수 있는가?
• RQ2 뉴턴-라프슨 방법은 용량 등급 별 최적의 차량 수를 효과적으로 결정하는 데 어떻게 적용될 수 있는가?
• RQ3 중점 거리와 용량 제약 조건을 기반으로 한 클러스터링 후 최적화가 차량 활용도를 어느 정도 향상시키는가?
• RQ4 클러스터링된 부분 그래프 내에서 다익스트라 알고리즘을 통합함으로써 CVRP에서 총 루팅 비용이 어떻게 감소하는가?
• RQ5 비지도 클러스터링과 최단 경로 알고리즘을 융합한 하이브리드 접근법이 NP-난이도의 CVRP 인스턴스에 대해 근사 최적의 해를 도출할 수 있는가?

주요 결과

• 재귀적 K-means 접근법은 차량 용량 제약 조건을 충족하는 클러스터로 고객을 성공적으로 분할하며, 노드 수가 차량 용량과 일치할 때 클러스터가 종료된다.
• 뉴턴-라프슨 방법은 최적의 차량 배분을 위한 수치적 근사값을 제공하여 총 고객 수가 차량 용량의 합과 일치하도록 보장한다.
• 최적화 단계는 중점 거리와 용량 타당성 기반으로 저활용도 클러스터를 근접한, 용량이 여유 있는 클러스터와 융합함으로써 클러스터 활용률을 향상시킨다.
• 다익스트라 알고리즘은 각 클러스터 내에서 최단 경로를 효과적으로 계산하여 도서관에서 모든 클러스터 노드로의 효율적 루팅을 가능하게 한다.
• 전체 프레임워크는 클러스터링, 용량 균형 조정, 경로 최적화를 체계적이고 다단계적으로 통합함으로써 근사 최적의 해를 도출한다.
• 이 방법은 이론적으로 타당하며, 향후 연구에서 경험적 구현 결과를 통합하기 위해 설계되어 있다.