[论文解读] A simple iterative algorithm for maxcut
本文提出了一种新颖的简单迭代（SI）算法来求解最大割问题，该算法直接求解连续等价形式，无需进行舍入操作，确保割值单调提升并有限步内收敛至局部最优解。该方法在与先进组合算法对比时，割值质量比率达到至少0.986，通过基于扰动的局部最优逃逸策略可进一步提升至0.997。
We propose a simple iterative (SI) algorithm for the maxcut problem through fully using an equivalent continuous formulation. It does not need rounding at all and has advantages that all subproblems have explicit analytic solutions, the cut values are monotonically updated and the iteration points converge to a local optima in finite steps via an appropriate subgradient selection. Numerical experiments on G-set demonstrate the performance. In particular, the ratios between the best cut values achieved by SI and those by some advanced combinatorial algorithms in [Ann. Oper. Res. 248 (2017) 365] are at least $0.986$ and can be further improved to at least $0.997$ by a preliminary attempt to break out of local optima.
研究动机与目标
- 开发一种连续的、迭代的最大割算法，避免现有连续方法中常见的舍入步骤。
- 确保算法中所有子问题均有显式解析解，从而降低计算开销与复杂度。
- 通过适当的次梯度选择策略，实现割值单调提升并保证全局收敛至局部最优解。
- 在标准G-set实例上评估该算法的性能，并与先进的组合方法及连续方法（如CirCut）进行比较。
- 探索逃逸局部最优的策略，以进一步提升解的质量，特别是通过扰动技术。
提出的方法
- 利用目标函数 $ F(\mathbf{x}) = \frac{I(\mathbf{x})}{\|\mathbf{x}\|_\infty} $ 将最大割问题转化为等价的连续分数规划问题，其中 $ I(\mathbf{x}) = \sum_{\{i,j\} \in E} w_{ij} |x_i - x_j| $。
- 提出一种类似Dinkelbach的迭代方案，将分数规划问题转化为一系列具有闭式解的子问题。
- 为每个内层子问题提供精确的解析解（定理3.3），从而无需依赖外部求解器。
- 基于活跃边集选择次梯度，确保在有限步内收敛至驻点。
- 引入一种扰动策略以逃逸局部最优，从而进一步提升解的质量。
- 使用谱割（SC）解作为算法初始点，以提升初始解的质量。
实验结果
研究问题
- RQ1能否设计一种无需舍入的连续最大割算法，同时仍能获得高质量解？
- RQ2在迭代最大割算法中，所有子问题是否均可解析求解？这是否能带来更快且更稳定的收敛性能？
- RQ3所提出的具有解析子问题的迭代方法是否能单调收敛至局部最优解？
- RQ4SI算法在解的质量与效率方面，与最先进的组合算法和连续算法（如CirCut）相比表现如何？
- RQ5基于扰动的策略是否能有效跳出局部最优，并进一步提升割值？
主要发现
- SI算法在G-set实例上，其最优割值与先进组合算法的割值比率达到最低0.986，最高0.997。
- 平均而言，SI算法在割值质量上优于CirCut0，比值为0.997，且迭代次数更少、运行时间更短。
- 该算法平均仅需25至100次迭代，大多数实例的运行时间低于1秒，速度优于CirCut。
- 增强扰动的版本（SI_PERTURB）在所有测试实例上的割值均优于CirCut，平均比值达到0.997。
- 由于采用了适当的次梯度选择策略，该方法可在有限步内收敛至局部最优解。
- 该方法具有鲁棒性，可从谱割解初始化，从而能够对现有解进行优化与改进。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。