[论文解读] Improved Branch-and-Bound for Low Autocorrelation Binary Sequences

Steven Prestwich|arXiv (Cornell University)|May 27, 2013

Optimization and Packing Problems参考文献 18被引用 9

一句话总结

本文提出了一种改进的分支定界算法来解决低自相关二元序列（LABS）问题，通过四项关键技术改进，显著提升了松弛的紧致性、收敛速度和可扩展性：基于部分乘积分析的更紧致下界、动态更新的上界、在选择性深度使用字典序首项实现对称性破缺，以及对斜对称序列的高效处理。该方法实现了 O(1.74^N) 次递归调用的可扩展性，并在长度达 89 的斜对称序列上建立了新的最优性结果。

ABSTRACT

The Low Autocorrelation Binary Sequence problem has applications in telecommunications, is of theoretical interest to physicists, and has inspired many optimisation researchers. Metaheuristics for the problem have progressed greatly in recent years but complete search has not progressed since a branch-and-bound method of 1996. In this paper we find four ways of improving branch-and-bound, leading to a tighter relaxation, faster convergence to optimality, and better empirical scalability.

研究动机与目标

• 为解决自 1996 年并行分支定界方法以来，完全搜索方法在低自相关二元序列（LABS）问题上扩展性不足的长期挑战。
• 通过收紧下界和减少搜索空间，提升分支定界法在 LABS 问题中的效率与可扩展性。
• 通过增强的分支定界技术，将已知斜对称序列的最优性结果从 N=73 扩展至 N=89。
• 通过算法优化，证明完全搜索方法在高质量 LABS 解的求解中可与元启发式方法相媲美。

提出的方法

• 通过计算每个滞后下可能的最小平方自相关值，基于可计算与不可计算的已赋值序列元素乘积，获得更紧致的下界。
• 当发现斜对称序列时，引入 E−8 的动态上界，提升剪枝效率。
• 仅在深度为偶数且下探至 N/2 时检查字典序首项约束，以减少开销，同时保持有效性。
• 通过在赋值过程中强制施加斜对称性约束，并利用已知的高质量模板序列作为初始边界，对斜对称序列进行算法适配。
• 通过将完成序列的能量与奇偶性校正项 b_k = (N−k) mod 2 结合，获得更紧致的下界。
• 利用单个元素取反最多使自相关能量减少 2 的事实，实现保守的能量边界。

实验结果

研究问题

• RQ1 通过更紧致的松弛和剪枝，分支定界法在 LABS 问题中的收敛速度和可扩展性是否可实现显著提升？
• RQ2 对称性破除技术是否可高效应用，而不会在搜索树中引入过高计算开销？
• RQ3 斜对称序列的搜索空间是否可有效缩小，从而将已知最优性结果扩展至 N=73 以上？
• RQ4 改进的分支定界方法是否在更大规模的 LABS 实例上优于现有完全搜索方法？
• RQ5 该算法是否可在并行硬件上有效扩展，以发现新的最优序列？

主要发现

• 改进的分支定界方法实现了 O(1.74^N) 次递归调用的可扩展性，显著优于 Mertens 的 O(1.85^N) 方法。
• 该方法确认了此前报告的 N=75、77、81、83、85、87 和 89 的斜对称序列的最优性，其优值因子范围为 7.67 至 9.14。
• 对于 N=89，该方法确认了 8.18 的优值因子，耗时 285,326 秒，将已知最优性前沿进一步推进。
• N=89 的运行时间超过 24 小时，表明需进一步并行化才能在此基础上继续扩展。
• 该方法表明，通过结合对称性和边界紧致化，完全搜索方法在高质量 LABS 解的求解中可与元启发式方法相媲美。
• 论文指出，通过利用能量表达式中的高阶抵消效应（如涉及序列变量的四次项）可进一步提升性能。