[论文解读] Evolving TSP heuristics using Multi Expression Programming

Mihai Oltean, D. Dumitrescu|arXiv (Cornell University)|Sep 8, 2015

Vehicle Routing Optimization Methods参考文献 14被引用 4

一句话总结

本文提出了一种新颖的进化方法，采用多表达编程（MEP）在满足三角不等式的前提下，自动演化旅行商问题（TSP）的启发式算法。所演化出的MEP启发式算法在具有挑战性的TSPLIB实例上优于传统的最近邻（NN）和最小生成树（MST）方法，证明了MEP通过遗传演化程序化表达式在生成高质量TSP启发式算法方面的有效性。

ABSTRACT

Multi Expression Programming (MEP) is an evolutionary technique that may be used for solving computationally difficult problems. MEP uses a linear solution representation. Each MEP individual is a string encoding complex expressions (computer programs). A MEP individual may encode multiple solutions of the current problem. In this paper MEP is used for evolving a Traveling Salesman Problem (TSP) heuristic for graphs satisfying triangle inequality. Evolved MEP heuristic is compared with Nearest Neighbor Heuristic (NN) and Minimum Spanning Tree Heuristic (MST) on some difficult problems in TSPLIB. For most of the considered problems the evolved MEP heuristic outperforms NN and MST. The obtained algorithm was tested against some problems in TSPLIB. The results emphasizes that evolved MEP heuristic is a powerful tool for solving difficult TSP instances.

研究动机与目标

• 开发一种基于进化计算的自动化方法，用于生成高效的TSP启发式算法。
• 评估所演化启发式算法与已知TSP启发式算法（如NN和MST）的性能表现。
• 评估多表达编程（MEP）在演化组合优化中复杂且可重用解决方案结构方面的有效性。
• 证明MEP生成的启发式算法能够比标准启发式算法更高效地解决困难的TSP实例。

提出的方法

• MEP使用线性染色体表示法，在单个个体中编码多个表达式（启发式算法）。
• 每个MEP个体通过突变和交叉等遗传操作演化，以优化其在TSP实例上的启发式性能。
• 适应度函数基于环游长度评估启发式质量，对于满足三角不等式的TSP实例，偏好更短的环游。
• 所演化出的启发式算法在TSPLIB标准TSP数据仓库中的基准问题上进行测试。
• 该方法利用MEP能够演化出紧凑且人类可读的程序的能力，以表示TSP的启发式逻辑。
• 性能比较针对最近邻（NN）和最小生成树（MST）启发式算法进行。

实验结果

研究问题

• RQ1 多表达编程能否有效演化出高质量的TSP启发式算法？
• RQ2 在困难的TSP实例上，MEP演化出的启发式算法与经典启发式算法（如NN和MST）相比表现如何？
• RQ3 MEP在在多大程度上能够生成可重用且紧凑的启发式程序，使其优于标准方法？
• RQ4 所演化出的启发式算法在TSPLIB中的多样化TSP实例上是否保持鲁棒性？

主要发现

• 在大多数TSPLIB基准实例上，所演化出的MEP启发式算法优于最近邻（NN）和最小生成树（MST）启发式算法。
• 对于许多困难的TSP问题，MEP演化出的启发式算法产生的环游长度短于NN和MST。
• 结果证实，MEP是通过进化搜索自动生成高效TSP启发式算法的强大技术。
• 所演化出的启发式算法表现出竞争力，且在NN和MST表现较差的实例上通常更优。