[论文解读] Apply Local Clustering Method to Improve the Running Speed of Ant Colony Optimization

Chao-Yang Pang, Wei Hu+2 more|ArXiv.org|Jul 6, 2009

Metaheuristic Optimization Algorithms Research参考文献 31被引用 3

一句话总结

本文提出了一种新颖的局部聚类方法——特殊局部聚类（Special Local Clustering, SLC），以显著加速旅行商问题（TSP）的蚁群优化（ACO）算法。通过将城市划分为紧凑且紧密聚集的区域，ACO在更小的子问题上运行，从而大幅减少城市数量（N）和迭代次数（t_max），在保持解决方案质量仅比标准ACO低2%的情况下，实现最高达10,736倍的加速比。

ABSTRACT

Ant Colony Optimization (ACO) has time complexity O(t*m*N*N), and its typical application is to solve Traveling Salesman Problem (TSP), where t, m, and N denotes the iteration number, number of ants, number of cities respectively. Cutting down running time is one of study focuses, and one way is to decrease parameter t and N, especially N. For this focus, the following method is presented in this paper. Firstly, design a novel clustering algorithm named Special Local Clustering algorithm (SLC), then apply it to classify all cities into compact classes, where compact class is the class that all cities in this class cluster tightly in a small region. Secondly, let ACO act on every class to get a local TSP route. Thirdly, all local TSP routes are jointed to form solution. Fourthly, the inaccuracy of solution caused by clustering is eliminated. Simulation shows that the presented method improves the running speed of ACO by 200 factors at least. And this high speed is benefit from two factors. One is that class has small size and parameter N is cut down. The route length at every iteration step is convergent when ACO acts on compact class. The other factor is that, using the convergence of route length as termination criterion of ACO and parameter t is cut down.

研究动机与目标

• 降低蚁群优化（ACO）的高计算成本，其时间复杂度为O(t_max * M * N²)，尤其因N过大而加剧。
• 解决ACO中的关键瓶颈：因问题规模（N）过大和迭代次数（t_max）过多导致的长时间运行。
• 开发一种聚类方法，生成紧凑且紧密聚集的城市簇，以支持更快的局部优化。
• 通过校正聚类引入的误差（尤其是跨边和分布不匹配）来保持解决方案质量。
• 提出并评估改进的ACO变体——ACO-SLC-LWCR与ACO-SLC-Mixture，以在速度与精度之间取得平衡。

提出的方法

• 提出一种新颖的聚类算法——特殊局部聚类（SLC），通过迭代识别并移除具有收敛畸变的簇，确保聚类的紧凑性。
• 以路径长度收敛性（|L_t - L_{t+1}| / L_t → 0）作为ACO的终止条件，替代固定的t_max，从而减少迭代次数。
• 在每个紧凑簇上独立运行ACO以求解局部TSP，显著降低每个子问题的N值。
• 将局部TSP路径合并为全局解，并通过后处理消除降低解质量的跨边。
• 引入ACO-SLC-LWCR以通过局部重连处理跨边问题，以及ACO-SLC-Mixture以应对非均匀的城市分布。
• 利用视觉检查确定SLC的初始质心，以降低对初始化的敏感性，提升聚类稳定性。

实验结果

研究问题

• RQ1 将城市聚类为紧凑且紧密聚集的区域，是否能显著缩短ACO求解TSP的运行时间？
• RQ2 使用路径长度收敛性作为ACO的终止条件，是否能在不牺牲解决方案质量的前提下减少迭代次数（t_max）？
• RQ3 SLC聚类方法相较于标准ACO和ACO-K-Means，能在多大程度上提升ACO性能？
• RQ4 如何有效缓解聚类导致的解决方案不准确问题，特别是跨边和分布不匹配？
• RQ5 所提出的ACO-SLC变体是否能在多种TSP实例上同时实现高效率与高解决方案质量？

主要发现

• ACO-SLC算法相比标准ACO实现了415至10,736倍的加速比，主要归因于N和t_max的显著降低。
• ACO-SLC-LWCR变体实现了390至10,192倍的加速比，且对跨边的处理更加优化。
• ACO-SLC-Mixture变体实现了257至9,419倍的加速比，并保持了解决方案质量，其不准确率在大多数情况下低于标准ACO，最差仅低2%。
• 路径长度收敛性（|L_t - L_{t+1}| / L_t → 0）作为终止条件，具有良好的适应性，能显著减少t_max。
• 聚类质量对初始质心敏感，但通过模拟中视觉选择质心可有效缓解此问题。
• 当城市自然形成紧凑簇时，该方法效果最佳，且SLC算法在生成紧凑簇方面优于K-Means。