[论文解读] borealis - A generalized global update algorithm for Boolean optimization problems

Zheng Zhu, Chao Fang+1 more|arXiv (Cornell University)|May 30, 2016

Theoretical and Computational Physics参考文献 40被引用 13

一句话总结

borealis 通过将并行退火蒙特卡洛与等能聚类移动相结合，提出了一种用于布尔优化问题的新型全局更新算法，实现了宽相空间采样并能高效逃离局部极小值。该算法在 MAX-SAT、顶点覆盖和加权 XOR-MAX-2SAT 问题上显著优于当前最先进的求解器（如 CCLS 和 NuMVC），尤其在大规模或过约束实例上表现突出。

ABSTRACT

Optimization problems with Boolean variables that fall into the nondeterministic polynomial (NP) class are of fundamental importance in computer science, mathematics, physics and industrial applications. Most notably, solving constraint-satisfaction problems, which are related to spin-glass-like Hamiltonians in physics, remains a difficult numerical task. As such, there has been great interest in designing efficient heuristics to solve these computationally difficult problems. Inspired by parallel tempering Monte Carlo in conjunction with the rejection-free isoenergetic cluster algorithm developed for Ising spin glasses, we present a generalized global update optimization heuristic that can be applied to different NP-complete problems with Boolean variables. The global cluster updates allow for a wide-spread sampling of phase space, thus considerably speeding up optimization. By carefully tuning the pseudo-temperature (needed to randomize the configurations) of the problem, we show that the method can efficiently tackle optimization problems with over-constraints or on topologies with a large site-percolation threshold. We illustrate the efficiency of the heuristic on paradigmatic optimization problems, such as the maximum satisfiability problem and the vertex cover problem.

研究动机与目标

• 为解决 NP 难布尔优化问题（如 MAX-SAT 和顶点覆盖）中陷入局部极小值的挑战。
• 开发一种可扩展的通用启发式方法，通过全局变量更新实现在宽相空间中的采样。
• 提升在过约束问题以及高位点渗透阈值系统上的性能。
• 在基准实例上展示其在扩展性和加速比方面显著优于 CCLS 和 NuMVC 等现有算法。

提出的方法

• 将并行退火蒙特卡洛与等能聚类移动相结合，实现布尔变量的大规模重排。
• 使用伪温度参数随机化配置，促进逃离局部极小值。
• 在部分和加权 MAX-SAT 问题中引入一种新颖的加权方案，以降低能量壁垒而不扭曲解空间。
• 通过在多个温度之间进行副本交换，提升热化效率和动态采样能力。
• 引入聚类更新机制，同时翻转多个变量，提升收敛速度并减少自相关性。
• 将该方法适配于多种问题类型，包括无权和加权 MAX-SAT、NAE-MAX-SAT 以及最小顶点覆盖问题。

实验结果

研究问题

• RQ1 结合并行退火与聚类移动的全局更新算法是否能在 NP 完全布尔优化问题上超越局部搜索启发式方法？
• RQ2 borealis 在具有高站点渗透阈值的过约束问题上的表现如何？
• RQ3 与原始并行退火相比，引入等能聚类移动是否能显著提升收敛性和扩展性？
• RQ4 borealis 在各类基准实例上相较于 CCLS 和 NuMVC 等当前最先进的求解器，其超越程度如何？
• RQ5 该算法能否在不同具有布尔变量的 NP 完全问题上实现通用化？

主要发现

• 在所有系统规模下，borealis 在随机无权 MAX-SAT 实例上均优于 CCLS，展现出更优的扩展性和更低的求解时间。
• 在 M/N=1 的加权 XOR-MAX-2SAT 问题中，borealis 采用聚类更新在 CPU 时间和扩展性方面均优于 CCLS。
• 在三角晶格上的平面 NAE-MAX-SAT 问题中，borealis 相较于原始 PT 实现了随系统规模增大而提升的加速比。
• 在位点渗透阈值 pc=0.33 的随机图上的最小顶点覆盖问题中，borealis 的扩展性优于 NuMVC，且随 N 增大而呈现持续提升的加速比。
• 在中等子句比率的加权部分 MAX-2SAT 问题上，borealis 展现出显著的性能提升，与 CCLS 表现相当。
• 聚类移动的引入有效降低了能量壁垒，实现了对复杂代价函数景观的高效探索。