[论文解读] Heuristic Rectangle Splitting: Leveraging Single-Objective Heuristics to Efficiently Solve Multi-Objective Problems

Piotr Matl, Richard F. Hartl+1 more|arXiv (Cornell University)|May 29, 2017

Vehicle Routing Optimization Methods参考文献 23被引用 3

一句话总结

本文提出了一种新型的启发式矩形分割方法（HRS），即对 $ε$-约束法的创新适应，通过利用最先进的单目标元启发式算法高效求解多目标问题。通过在 $ε$-约束框架中集成定制化的 CVRP 启发式算法，并结合惩罚函数与搜索记忆机制，HRS 在车辆路径问题中的路线平衡问题（VRPRB）上显著优于现有多目标元启发式算法，以极低的实现开销实现了更优的解质量与更快的收敛速度。

ABSTRACT

Real-life problems are often characterized by conflicting optimization objectives. Consequently, there has been a growing interest not only in multi-objective models, but also in specialized multi-objective metaheuristics for solving those models. A wide variety of methods, e.g. NSGA-II, SPEA, IBEA, scatter search, Pareto local search, and many others, have thus been proposed over the years. Yet in principle, multi-objective problems can be efficiently solved with existing tailored single-objective solvers -- this is the central idea behind the well-known epsilon-constraint method (ECM). Despite its theoretical properties and conceptual simplicity, the epsilon-constraint method has been largely ignored in the domain of heuristics and remains associated mostly with exact algorithms. In this article we dispel these preconceptions and demonstrate that the epsilon-constraint framework can be a highly effective way to directly leverage the existing research on single-objective optimization for solving multi-objective problems. We propose an improved version of the classical ECM adapted to the challenges and requirements specific to heuristic search. The resulting framework is implemented with an existing state-of-the-art single-objective solver for the Capacitated Vehicle Routing Problem (CVRP) and tested on the VRP with Route Balancing (VRPRB). Based on an extensive computational study, we show the added value of our adaptations compared to the classical ECM, and demonstrate that our simple epsilon-constraint algorithm significantly outperforms the current state-of-the-art multi-objective metaheuristics with respect to multiple quality metrics. We conclude with a discussion of relevant success factors and promising directions for further research.

研究动机与目标

• 为解决尽管 $ε$-约束法具有理论优势，但在启发式优化中长期被低估的问题。
• 弥合单目标元启发式算法数十年来的发展与当前对复杂、问题特定的多目标算法依赖之间的差距。
• 开发一种通用、高效且易于实现的框架，使现有单目标求解器能够有效求解多目标问题。
• 在 VRPRB 基准测试上，评估所提出的 HRS 框架与当前最先进的多目标元启发式算法的性能表现。
• 识别在将 $ε$-约束框架应用于启发式搜索时，实现高性能的关键因素。

提出的方法

• 通过将约束重新表述为目标函数中的惩罚项，将经典的 $ε$-约束方法适配于启发式搜索。
• 在 HRS 框架中集成最先进的单目标 CVRP 启发式算法（混合遗传搜索）作为底层求解器。
• 使用 CPU 预算参数控制计算资源，确保与其他元启发式算法的公平比较。
• 利用搜索记忆存储并重用先前的搜索状态，实现热启动，加快对新非支配解的收敛速度。
• 采用盒分割策略系统性地探索目标空间，优化帕累托集近似。
• 利用惩罚函数允许探索不可行解，从而增强启发式算法的灵活性与性能。

实验结果

研究问题

• RQ1 尽管 $ε$-约束法历史上与精确方法相关联，是否能有效重用于基于启发式的多目标优化？
• RQ2 所提出的 HRS 框架在 VRPRB 上与 GRASP-ASP 和 MSSPR 等成熟多目标元启发式算法相比，性能如何？
• RQ3 哪些关键设计选择——如惩罚函数、搜索记忆和解采集机制——对 HRS 性能有显著影响？
• RQ4 鉴于其通用且模块化的设计，HRS 在多大程度上能从单目标优化的未来进展中受益？
• RQ5 $ε$-约束框架能否高效地用于在多目标问题中定位最小代表性帕累托集？

主要发现

• HRS 在保持或提升解质量的同时，收敛速度显著快于经典 $ε$-约束方法，且在 VRPRB 基准测试中表现优异。
• 在超体积、一元 ε 和基数等指标上，HRS 均优于 GRASP-ASP 和 MSSPR，展现出更优的收敛性与多样性。
• 目标函数中引入惩罚函数可显著提升启发式性能，并有效探索不可行区域。
• 搜索记忆在计算效率方面发挥关键作用，通过从先前搜索状态热启动，加速新非支配解的收敛。
• 解采集对近似集质量的影响微乎其微，表明在 HRS 框架内，基于单个解的启发式算法与基于种群的算法同样有效。
• HRS 框架与问题无关，实现开销极低（仅需设置 CPU 预算参数），且能直接受益于单目标优化的未来进展。