[论文解读] A Linear Time Algorithm for the $3$-neighbour Traveling Salesman Problem on Halin graphs and extensions

Brad Woods, Abraham P. Punnen+1 more|arXiv (Cornell University)|Apr 8, 2015

Vehicle Routing Optimization Methods参考文献 25被引用 5

一句话总结

本文提出了一种在Halin图上求解3-邻域旅行商问题（TSP(k)）的线性时间算法，扩展了此前针对k=1和k=2的研究。通过建模k跳邻域内的边交互作用，并在类似风扇的子结构上使用动态规划方法，作者实现了O(n)时间内的最优解，且该方法可推广至k=O(log n)以及完全可约简的图类。

ABSTRACT

The Quadratic Travelling Salesman Problem (QTSP) is to find a least cost Hamilton cycle in an edge-weighted graph, where costs are defined on all pairs of edges contained in the Hamilton cycle. This is a more general version than the commonly studied QTSP which only considers pairs of adjacent edges. We define a restricted version of QTSP, the $k$-neighbour TSP (TSP($k$)), and give a linear time algorithm to solve TSP($k$) on a Halin graph for $k\leq 3$. This algorithm can be extended to solve TSP($k$) on any fully reducible class of graphs for any fixed $k$ in polynomial time. This result generalizes corresponding results for the standard TSP. TSP($k$) can be used to model various machine scheduling problems as well as an optimal routing problem for unmanned aerial vehicles (UAVs).

研究动机与目标

• 为Halin图上的k-邻域TSP（TSP(k)）开发一种高效算法，其中边的代价取决于其在路径中的相对位置。
• 将已有的TSP(1)和TSP(2)的线性时间算法扩展至k=3的情形，解决更广泛的边交互代价问题。
• 将该方法推广至Halin图上TSP(k)的多项式时间求解，其中k=O(log n)，并探索其在完全可约简图类中的适用性。
• 通过比标准TSP更真实的代价函数，建模实际应用场景，如无人机路径规划与生物信息学（排列可变长度马尔可夫模型）。

提出的方法

• 将k-邻接边定义为在路径上通过恰好k条边的最短路径相连的边对，作为代价计算的基础。
• 引入惩罚函数q(e₁,…,eₖ)，聚合所有k条边子路径内边对的代价q(eᵢ,eⱼ)，并按距离倒数加权以平衡其影响。
• 基于3条边的割集采用递归分解策略，将不可约简的子图（如风扇结构）收缩为伪节点，同时保留路径代价信息。
• 在所得的风扇结构上应用动态规划，通过改进的伪风扇策略计算最小代价遍历路径。
• 在收缩节点处存储并传播路径信息，通过惩罚函数实现自底向上的最优路径计算。
• 证明求解简化版TSP(k)问题（STSP(k)）所得最优解与原始TSP(k)相同，确保方法的正确性。

实验结果

研究问题

• RQ1 Halin图上的3-邻域TSP（TSP(3)）能否在O(n)时间内求解，从而扩展已知的TSP(1)和TSP(2)的线性时间结果？
• RQ2 当k增长至O(log n)时，Halin图上TSP(k)的计算复杂度是多少？是否仍可保持多项式时间求解？
• RQ3 该算法框架能否推广至其他通过3条边割集可完全约简的图类，同时保持多项式时间可解性？
• RQ4 k跳邻域内边的交互代价如何影响TSP路径的结构与最优性？能否建模无人机动量或飞行平滑性等实际约束？
• RQ5 是否存在从可约简图上的TSP(k)到在不可约简组件上求解TSP(k)的归约？能否通过在收缩节点上使用惩罚函数高效实现？

主要发现

• 提出了一种在Halin图上求解TSP(3)的线性时间算法，通过利用图的基于风扇的结构与动态规划，实现了O(n)时间复杂度。
• 该算法可扩展至k=O(log n)的情形，由于所需惩罚函数的增长受到限制，仍保持多项式时间复杂度。
• 证明了STSP(k)——TSP(k)的简化版本——的解与原始TSP(k)等价，确保了方法的正确性。
• 该方法可推广至完全k-可约简图类，其中不可约简组件（如风扇）被收缩，并通过多项式时间子程序递归求解。
• 该框架支持无人机路径规划与生物信息学中的应用，通过k-邻域边代价建模飞行平滑性与可变长度马尔可夫依赖关系。
• 该算法的高效性源于一种递归收缩策略，每次操作可将图规模减少r个节点，时间复杂度为O(P(r))，从而对固定k保持整体多项式时间复杂度。