[論文レビュー] A Particle Swarm Optimization Hyper-Heuristic for the Dynamic Vehicle Routing Problem

Michał Okulewicz, Jacek Mańdziuk|arXiv (Cornell University)|Jan 1, 2016

Vehicle Routing Optimization Methods参考文献 21被引用数 3

ひとこと要約

本論文は、動的車両ルーティング問題（DVRP）に対して、初期のリクエストデータ（空間的分布とボリューム）に基づいて、KhouadjiaらのMEMSOと著者らの2MPSOという2つのマルチスワーム粒子群最適化（PSO）アルゴリズムのうち、より優れた方を予測・選択する線形モデルを用いたハイパーヒューリスティックフレームワークを提案する。82%の有意なベンチマークケースにおいて平均性能が向上し、最大11.59%の向上と、MEMSOに対して平均2.8%、2MPSOに対して0.6%の向上を達成した。

ABSTRACT

This paper presents a method for choosing a Particle Swarm Optimization based optimizer for the Dynamic Vehicle Routing Problem on the basis of the initially available data of a given problem instance. The optimization algorithm is chosen on the basis of a prediction made by a linear model trained on that data and the relative results obtained by the optimization algorithms. The achieved results suggest that such a model can be used in a hyper-heuristic approach as it improved the average results, obtained on the set of benchmark instances, by choosing the appropriate algorithm in 82% of significant cases. Two leading multi-swarm Particle Swarm Optimization based algorithms for solving the Dynamic Vehicle Routing Problem are used as the basic optimization algorithms: Khouadjia's et al. Multi-Environmental Multi-Swarm Optimizer and authors' 2--Phase Multiswarm Particle Swarm Optimization.

研究の動機と目的

• 初期リクエストの特徴に基づいて、最も適したPSOベースの最適化手法を選択することで、動的車両ルーティング問題（DVRP）の解の品質を向上させること。
• 予測モデリングに基づき、MEMSOと2MPSOという2つの優れたマルチスワームPSOアルゴリズムの間で動的に最適なものを選択するハイパーヒューリスティック手法を開発すること。
• 初期リクエストの特徴（空間的分布およびボリューム関連）が、特定のDVRPインスタンスにおいてどちらのアルゴリズムがより優れているかを信頼性を持って予測できるかどうかを評価すること。
• ベンチマークデータを用いて線形モデルを学習させ、最適化を開始する前にソルバ選択をガイドすることで、不適切なアルゴリズム選択を低減すること。

提案手法

• 初期リクエストセットの統計的特徴（空間的分布、ボリューム、密度）を用いて、MEMSOと2MPSOの相対的性能を予測する線形モデルを学習する。
• リアルタイム意思決定を模倣するために、留保1例交差検証を用い、21のベンチマークインスタンスのうち20つを訓練データとして使用し、残りの1つをテストデータとして使用する。
• 各ベンチマークで、MEMSOは30回、2MPSOは20回の実行平均結果の比に基づき性能予測を行う。1つのアルゴリズムあたり合計100万回のフィットネス評価が実施された。
• 汎化性能の向上を目的に、スティープワイズ手法を用い、アカイケ情報基準（AIC）に基づいて情報量の多い予測変数のみを保持する特徴選択を実施する。
• ハイパーヒューリスティックは、各インスタンスについて性能がより良いと予測されたアルゴリズムを選択し、選択されたPSOバリアントを用いて最適化を実行する。
• MEMSOおよび2MPSOの両方とも、時間分解能をもった静的VRP部分問題、2-OPT局所探索、およびパラメータを適応的に変更するマルチスワームPSOを用いる。

実験結果

リサーチクエスチョン

• RQ1 初期リクエストデータ（空間的分布およびボリューム関連特徴）は、特定のDVRPインスタンスにおいてMEMSOまたは2MPSOのどちらがより優れた性能を発揮するかを信頼性を持って予測できるか？
• RQ2 予測モデリングに基づき最適化手法を選択するハイパーヒューリスティックフレームワークは、固定された1つのアルゴリズムを使用する場合と比較して、平均的な解の品質を向上させることができるか？
• RQ3 空間的分布、ボリューム、密度といったどのリクエスト特徴が、DVRP文脈における相対的アルゴリズム性能の予測において最も重要であるか？
• RQ4 予測モデルは多様なベンチマークインスタンスにわたってどれほど頑健であるか。また、正しいアルゴリズム選択の割合はどの程度か？

主な発見

• 統計的に有意な差がある14のベンチマークインスタンス（全21インスタンス中）において、ハイパーヒューリスティックはより優れたアルゴリズムを正しく選択し、このサブセットで82%の正確性を達成した。
• より優れたアルゴリズムを選択した場合、MEMSOに対して平均2.8%、2MPSOに対して0.6%の向上を達成した。
• c199ベンチマークでは、正しいアルゴリズム（2MPSO）がMEMSOよりも優れていた場合、最高で11.59%の解の品質向上が達成された。
• p値およびAICに基づく特徴選択を通じて、空間的およびボリューム関連特徴が相対的アルゴリズム性能の予測において顕著な予測変数であると特定された。
• 誤った予測のうち、7つのうち3つ（f71、tai150a、tai150b）でのみ顕著な性能低下が観察され、失敗ケースにおいてもモデルの頑健性が示された。
• 全21ベンチマークで67%の正確性を達成した。特に、tai150dおよびtai134のような大規模かつ複雑なインスタンスで顕著な向上が観察された。