[논문 리뷰] Solving maximum cut problems by simulated annealing

Tor G. J. Myklebust|arXiv (Cornell University)|2015. 05. 09.

Computational Geometry and Mesh Generation참고 문헌 8인용 수 14

한 줄 요약

이 논문은 Johnson 등(1989)의 고전적 수식을 사용하여 최대 컷 문제를 위한 단순하고 효율적인 시뮬레이티드 어닐링 구현을 제시한다. 최소한의 튜닝에도 불구하고, 89개의 표준 인스턴스 중 40개에서 기존에 알려진 휴리스틱보다 뛰어난 해를 얻었으며, 기본 설정으로 단일 실행에서 몇 분 내로 이전에 알려진 최고의 해를 뛰어넘는 결과를 도출하였다.

ABSTRACT

This paper gives a straightforward implementation of simulated annealing for solving maximum cut problems and compares its performance to that of some existing heuristic solvers. The formulation used is classical, dating to a 1989 paper of Johnson, Aragon, McGeoch, and Schevon. This implementation uses no structure peculiar to the maximum cut problem, but its low per-iteration cost allows it to find better solutions than were previously known for 40 of the 89 standard maximum cut instances tested within a few minutes of computation.

연구 동기 및 목표

• 최대 컷 문제에 대한 기존의 휴리스틱 솔버들과 기본 시뮬레이티드 어닐링 구현의 성능을 평가하는 것.
• 간단한 고전적 메타휴리스틱이 표준 벤치마크 인스턴스에서 더 복잡한 현대적 접근 방식보다 여전히 승리할 수 있는지 평가하는 것.
• 넓게 사용되는 테스트 인스턴스에서 최소한의 구현을 테스트하여 향후 계산 연구의 기준을 설정하는 것.
• 냉각 스케줄 파라미터와 무작위 시드의 변동이 해 품질에 미치는 영향을 조사하는 것.

제안 방법

• 알고리즘은 목적 함수의 열악화 정도를 기반으로 한 지수적 수용 확률과 고정된 냉각 스케줄을 사용하는 표준 시뮬레이티드 어닐링 프레임워크를 사용한다.
• 해는 두 개의 연안 중 하나에 정점의 할당을 표현하며, 벡터 내 ±1 값으로 인코딩된다.
• 정점의 할당을 뒤집을 때의 목적 함수 변화는 각 정점의 인cidient 간선 기여도를 추적하여 O(1) 시간에 계산된다.
• 정점 뒤집기의 경우 상수 시간 업데이트와 이웃 기여도의 선형 시간 업데이트를 사용하여 고주기 반복을 가능하게 한다.
• 냉각 스케줄은 그래프 크기나 가중치 분포와 무관하게 고정된 heatmax 값 10,000과 단계 크기 2e-6를 사용한다.
• 코드는 C++로 구현되었으며, 표준 그래프 형식을 지원하며 최대 33,333개의 정점을 처리할 수 있다.

실험 결과

연구 질문

• RQ1 최소한의 최적화가 이루어진 단순한 시뮬레이티드 어닐링 구현이 표준 최대 컷 벤치마크에서 최신 휴리스틱 솔버를 능가할 수 있는가?
• RQ2 이 기본 시뮬레이티드 어닐링 접근 방식은 다양한 그래프 인스턴스에서 스캐터 서치, 시르컷, VNSPR와의 성능를 어떻게 비교할 수 있는가?
• RQ3 기본 파라미터 설정과 단일 무작위 시드가 이전에 알려진 최고의 해를 뛰어넘는 결과를 도출할 수 있는 정도는 어느 정도인가?
• RQ4 냉각 스케줄을 튜닝하거나 무작위 시드를 변경하면 특정 인스턴스에서 해 품질이 상당히 향상되는가?

주요 결과

• 시뮬레이티드 어닐링 구현은 89개의 표준 최대 컷 인스턴스 중 40개에서 이전에 알려진 최고의 결과보다 뛰어난 해를 찾았다.
• 이 89개 인스턴스 중 36개에서는 시르컷, VNSPR, 스캐터 서치가 이전에 찾은 해들보다도 더 좋은 해를 이 알고리즘이 도출했다.
• 이 알고리즘은 10분 미만의 시간 안에 약 5×10^9개의 타당한 해를 탐색하였으며, 다른 방법들보다 해 탐색 속도가 뚜렷이 빨랐다.
• 약간의 파라미터 변경—예를 들어 heatmax = 40,000 및 step size = 5e-6—으로 인해, 인스턴스 g35에서 값 76,850의 해를 찾았으며, 이는 모든 다른 휴리스틱을 뛰어넘는 결과였다.
• 고정된 무작위 시드(srand(3) 등)를 사용하면 인스턴스 toursg3-8에서 시르컷의 최고 결과와 동일한 해를 얻었으며, 이는 랜덤성의 영향이 결과에 미치는 영향을 보여준다.
• 결과는 충분한 탐색 시간이 주어지면 단순하고 고전적인 메타휴리스틱인 시뮬레이티드 어닐링이 현대적이고 복잡한 휴리스틱과 경쟁력 있는 성능을 유지할 수 있음을 시사한다.