[论文解读] A Better-Than-1.6-Approximation for Prize-Collecting TSP

Jannis Blauth, Nathan Klein+1 more|arXiv (Cornell University)|Aug 11, 2023

Vehicle Routing Optimization MethodsEngineering被引用 3

一句话总结

该论文提出了一种多项式时间的近似算法，用于解决带奖赏旅行商问题（Prize-Collecting TSP），其近似比为1.599，优于此前最佳的1.774。该方法利用对线性规划（LP）解的树分解，基于顶点访问概率进行剪枝，并通过最小费用匹配实现奇度顶点的奇偶性校正，最终得到的近似界接近黄金分割比例（1.618）。

ABSTRACT

Prize-Collecting TSP is a variant of the traveling salesperson problem where one may drop vertices from the tour at the cost of vertex-dependent penalties. The quality of a solution is then measured by adding the length of the tour and the sum of all penalties of vertices that are not visited. We present a polynomial-time approximation algorithm with an approximation guarantee slightly below $1.6$, where the guarantee is with respect to the natural linear programming relaxation of the problem. This improves upon the previous best-known approximation ratio of $1.774$. Our approach is based on a known decomposition for solutions of this linear relaxation into rooted trees. Our algorithm takes a tree from this decomposition and then performs a pruning step before doing parity correction on the remainder. Using a simple analysis, we bound the approximation guarantee of the proposed algorithm by $(1+\sqrt{5})/2 \approx 1.618$, the golden ratio. With some additional technical care we further improve it to $1.599$. Furthermore, we show that for the path version of Prize-Collecting TSP (known as Prize-Collecting Stroll) our approach yields an approximation guarantee of 1.6662, improving upon the previous best-known guarantee of 1.926.

研究动机与目标

• 开发一种多项式时间的近似算法，用于带奖赏旅行商问题，其近似比严格低于1.6。
• 在该问题上超越此前已知的最佳近似比1.774。
• 通过树分解技术，利用带奖赏旅行商问题自然线性规划松弛的结构。
• 通过一种新颖的剪枝与匹配策略，实现接近黄金分割比例（1.618）的紧致近似界。
• 提供一种随机化分析框架，以界定解的期望成本相对于线性规划松弛的上界。

提出的方法

• 应用已知的分数LP解到以根为起点的树的分布分解，保持期望成本与顶点访问概率不变。
• 修改LP解，强制顶点的访问水平为二值（0或≥δ），以支持结构化的剪枝。
• 对分解中的每棵树，执行剪枝步骤，仅保留覆盖访问概率≥γ的顶点的最小子树。
• 对剪枝后子树的奇度顶点应用最小费用完美匹配，以校正奇偶性并形成合法的TSP回路。
• 从分布μ中采样树与阈值γ，并利用概率界分析其期望成本。
• 采用随机化分析框架，将近似比界为(1+√5)/2 ≈ 1.618，并通过额外的技术调整进一步优化为1.599。

实验结果

研究问题

• RQ1 能否通过基于LP的方法，将带奖赏旅行商问题的近似比改进至1.774以下？
• RQ2 是否可能通过LP解的树分解，实现低于1.6的近似保证？
• RQ3 在分解后的树上采用剪枝与匹配策略，能否获得比先前方法更紧的近似界？
• RQ4 在相对于LP松弛的近似背景下，剪枝阈值选择与奇偶性校正成本之间存在何种最优权衡？
• RQ5 黄金分割比例（1.618）在多大程度上可作为带奖赏旅行商问题的自然近似障碍？能否被突破？

主要发现

• 所提出的算法实现了相对于LP松弛的1.599近似比，优于此前最佳的1.774。
• 分析表明，近似比可通过简洁的概率论证被界为(1+√5)/2 ≈ 1.618（黄金分割比例）。
• 该算法在多项式时间内运行，其核心基于将LP解分解为以根为起点的树的分布。
• 剪枝步骤仅选取覆盖高概率顶点的最小子树，从而减少不必要的回路长度。
• 通过最小费用匹配实现的奇偶性校正，确保了合法TSP回路的形成，同时将成本增加控制在有界范围内。
• 最终的1.599界是通过精细的技术分析实现的，优于初始的1.618界。