[论文解读] An almost linear time complexity algorithm for the Tool Loading Problem

Mikhail Cherniavskii, Boris Goldengorin|arXiv (Cornell University)|Jul 5, 2022

Optimization and Search Problems被引用 4

一句话总结

本文提出了一种新型的 O(Cn) 时间复杂度的贪心管道构建算法（GPCA），用于解决工具装载问题（TLP），该问题旨在有限刀具 Magazine 容量下最小化作业排序中的工具切换次数。GPCA 将时间复杂度从经典的 KTNS 算法的 O(mn) 降低至 O(Cn)，在大规模数据集上实现了至少一个数量级的速度提升，并通过证明其正确性与效率，保证了最优解。

ABSTRACT

As shown by Tang, Denardo [9] the job Sequencing and tool Switching Problem (SSP) can be decomposed into the following two problems. Firstly, the Tool Loading Problem (TLP) - for a given sequence of jobs, find an optimal sequence of magazine states that minimizes the total number of tool switches. Secondly, the Job Sequencing Problem (JeSP) - find a sequence of jobs minimizing the total number of tool switches. Published in 1988, the well known Keep Tool Needed Soonest (KTNS) algorithm for solving the TLP has time complexity $O(mn)$. Here $m$ is the total number of tools necessary to complete all $n$ sequenced jobs on a single machine. A tool switch is needed since the tools required to complete all jobs cannot fit in the magazine, whose capacity $C < m$. We hereby propose a new Greedy Pipe Construction Algorithm (GPCA) with time complexity $O(Cn)$. Our new algorithm outperforms KTNS algorithm on large-scale datasets by at least an order of magnitude in terms of CPU times.

研究动机与目标

• 解决 KTNS 算法在大规模工具装载场景中因 O(mn) 时间复杂度导致的计算低效问题。
• 在 Magazine 容量约束下，开发一种更快且最优的工具装载问题（TLP）算法。
• 减少工业应用中如宣传单排序和包装系统等场景下的工具切换最小化所需 CPU 时间。
• 证明所提出的贪心管道构建算法（GPCA）能够以 O(Cn) 时间复杂度实现最优解。
• 证明 GPCA 是首个在实际应用中同时返回 TLP 最优解及其值且时间复杂度接近线性（O(Cn)）的算法。

提出的方法

• 提出贪心管道构建算法（GPCA），通过贪心选择最早需要使用的工具，并维护一组表示工具使用序列的“管道”来构建最优的 Magazine 状态。
• 采用基于管道的数据结构来建模工具在作业序列中的可用性，其中每个管道代表一个工具的使用时间区间。
• 应用贪心策略，优先选择下一次使用时间最早的工具，通过预先将工具加载到空的 Magazine 插槽中，以最小化未来的切换次数。
• 实现一种动态管道构建过程，按最早使用时间升序迭代构建并验证管道，从而保证最优性。
• 通过反证法证明正确性：表明任何次优配置都会违反最小管道构建规则，从而证明 GPCA 产生的是最优解。
• 通过分析每道作业的操作次数，建立时间复杂度为 O(Cn)，其中 C 为 Magazine 容量，n 为作业数量。

实验结果

研究问题

• RQ1 能否设计一种工具装载算法，使其在大规模作业序列中的时间复杂度显著低于 O(mn)？
• RQ2 是否可能通过一种在 O(Cn) 时间内运行的贪心策略，实现 TLP 中最优的工具切换减少？
• RQ3 在大规模数据集上，所提出的 GPCA 算法是否在速度和解质量方面均优于广泛使用的 KTNS 算法？
• RQ4 GPCA 算法是否能在保持近似线性时间复杂度的同时，保证获得最优解？
• RQ5 工具使用序列的何种结构特性使得基于贪心管道的构建方法能够产生最优结果？

主要发现

• 贪心管道构建算法（GPCA）实现了 O(Cn) 的时间复杂度，显著优于 KTNS 算法的 O(mn) 复杂度。
• 在大规模数据集（如 n=10^4 个邮政编码和 m>10^3 种宣传单类型）上，GPCA 将所需操作数从 KTNS 的 10^7 减少至 3.2×10^5，实现了至少 10 倍的速度提升。
• GPCA 保证了工具装载问题的最优解，其正确性通过反证法和管道结构分析得到证明。
• 该算法通过贪心方式优先加载即将使用的工具，采用基于管道的表示方法来追踪工具的使用时间区间。
• 最优性证明依赖于表明任何次优配置都会违反最小管道构建规则，从而确认 GPCA 的最优性。
• GPCA 是首个在实际应用中同时返回 TLP 最优解及其值且时间复杂度为 O(Cn) 的算法。