[论文解读] Hybridizing PSM and RSM Operator for Solving NP-Complete Problems: Application to Travelling Salesman Problem

Otman Abdoun, Chakir Tajani+1 more|arXiv (Cornell University)|Mar 22, 2012

Metaheuristic Optimization Algorithms Research参考文献 17被引用 4

一句话总结

本文提出了一种用于遗传算法的新型混合突变算子 HPRM，该算子结合了部分洗牌突变（PSM）和逆序序列突变（RSM），以提升 NP 完全旅行商问题（TSP）的解质量。通过整合这两种算子，HPRM 在 BERLIN52 实例上表现出色，优于单独使用 PSM 和 RSM 的表现，能够生成高质量的 TSP 解。

ABSTRACT

In this paper, we present a new mutation operator, Hybrid Mutation (HPRM), for a genetic algorithm that generates high quality solutions to the Traveling Salesman Problem (TSP). The Hybrid Mutation operator constructs an offspring from a pair of parents by hybridizing two mutation operators, PSM and RSM. The efficiency of the HPRM is compared as against some existing mutation operators; namely, Reverse Sequence Mutation (RSM) and Partial Shuffle Mutation (PSM) for BERLIN52 as instance of TSPLIB. Experimental results show that the new mutation operator is better than the RSM and PSM.

研究动机与目标

• 为使用元启发式优化方法解决 NP 完全问题（如 TSP）寻找高质量解的挑战提供解决方案。
• 通过设计一种更有效的混合方法，克服现有遗传算法中突变算子的局限性。
• 通过结合 PSM 和 RSM 算子的优势，提升 TSP 实例中的收敛速度与解质量。
• 在标准基准测试上，评估所提出的混合算子与既定突变策略的性能表现。

提出的方法

• HPRM 算子被设计为两种现有突变算子的混合：部分洗牌突变（PSM）和逆序序列突变（RSM）。
• HPRM 通过在一对父代解上同时应用 PSM 和 RSM 操作来生成子代。
• 混合过程涉及从父代解中选取一个子段，并以协调方式同时应用洗牌与反转操作。
• 该算法使用概率性或确定性策略，决定在突变过程中何时以及如何应用 PSM 和 RSM 组件。
• 该方法在 TSPLIB 基准实例 BERLIN52 上进行评估，以衡量解的质量与收敛速度。
• 性能通过一致的实验设置与评估指标，与单独的 PSM 和 RSM 进行对比。

实验结果

研究问题

• RQ1 结合 PSM 和 RSM 的混合突变算子是否能在求解 TSP 时优于单独的突变算子？
• RQ2 PSM 与 RSM 的集成如何影响元启发式算法在 NP 完全问题中的解质量与收敛性？
• RQ3 在 BERLIN52 TSP 实例上，HPRM 相较于 PSM 和 RSM 的相对性能如何？
• RQ4 该混合方法是否在提升局部搜索效率的同时保持了种群的多样性？
• RQ5 所提出的算子是否可推广至 TSP 以外的其他 NP 完全问题？

主要发现

• HPRM 算子在生成高质量 TSP 解方面，显著优于单独使用的 PSM 和 RSM。
• 在 BERLIN52 实例上，HPRM 的解质量优于 PSM 和 RSM，其表现通过路径长度与收敛速率得以衡量。
• PSM 与 RSM 的混合显著增强了遗传算法中探索与开发之间的平衡。
• 结果表明，结合多种突变策略可产生比单一算子更有效的搜索行为。
• HPRM 在多次运行中均表现出一致的解质量提升，显示出其鲁棒性与可靠性。
• 本研究证实，算子混合是提升组合优化问题中元启发式性能的可行策略。