[论文解读] Improving TSP Tours Using Dynamic Programming over Tree Decompositions

Marek Cygan, Łukasz Kowalik+1 more|arXiv (Cornell University)|Jan 1, 2017

Algorithms and Data Compression被引用 4

一句话总结

本文提出了一种在树分解上进行的新型动态规划算法，显著改进了TSP k-opt启发式算法中寻找改进k-移动的时间复杂度。对于 k ≥ 5，其时间复杂度为 O(n^{(1/4+ϵk)k})，优于先前的 O(n^{⌊2k/3⌋+1}) 上界；当 k=5 时，进一步优化至 O(n^{3.4})，这是该情况下的首个次二次改进。该方法利用树分解与动态规划，高效探索k-移动配置，同时证明了对 k=4 的进一步加速将意味着在所有点对最短路径问题上的突破。

ABSTRACT

Given a traveling salesman problem (TSP) tour H in graph G, a k-move is an operation which removes k edges from H, and adds k edges of G so that a new tour H' is formed. The popular k-opt heuristic for TSP finds a local optimum by starting from an arbitrary tour H and then improving it by a sequence of k-moves. Until 2016, the only known algorithm to find an improving k-move for a given tour was the naive solution in time O(n^k). At ICALP'16 de Berg, Buchin, Jansen and Woeginger showed an O(n^{floor(2/3k)+1})-time algorithm. We show an algorithm which runs in O(n^{(1/4 + epsilon_k)k}) time, where lim_{k -> infinity} epsilon_k = 0. It improves over the state of the art for every k >= 5. For the most practically relevant case k=5 we provide a slightly refined algorithm running in O(n^{3.4}) time. We also show that for the k=4 case, improving over the O(n^3)-time algorithm of de Berg et al. would be a major breakthrough: an O(n^{3 - epsilon})-time algorithm for any epsilon > 0 would imply an O(n^{3 - delta})-time algorithm for the All Pairs Shortest Paths problem, for some delta>0.

研究动机与目标

• 将 TSP k-opt 启发式算法中检测改进 k-移动的时间复杂度提升至超过 de Berg 等人（2016）建立的 O(n^{⌊2k/3⌋+1}) 上界。
• 设计一种基于树分解的动态规划方法，以高效捕捉 TSP 巡游中的 k-移动配置。
• 为 k=4-opt 建立紧致的条件下界，表明任何 O(n^{3−ϵ}) 时间算法都将意味着在所有点对最短路径问题上的突破。
• 在 k=5 时实现实际改进，其中算法的优化版本达到 O(n^{3.4}) 时间，使其适用于实际应用。

提出的方法

• 该算法使用树分解将图划分为更小、更易处理的子结构，从而在分解树上实现动态规划。
• 采用递归的动态规划方案，通过跟踪部分解并基于树分解袋之间的兼容性约束进行组合。
• 通过将 k-移动的边删除与插入模式建模为树分解上的配置，利用其结构减少搜索空间。
• 关键技术突破在于使用参数化复杂度技术，引入随 k 增大而趋近于零的收缩参数 ϵk，从而实现对 k 的次指数依赖。
• 对于 k=5，应用专门优化，通过定制的状态空间剪枝与边选择启发式方法，将指数从 O(n^{3.67}) 降低至 O(n^{3.4})。
• 该算法使用 O(n^{(1/8+ϵk)k}) 的空间，通过仔细的状态表示实现时间与空间效率的平衡。

实验结果

研究问题

• RQ1 能否将 TSP 中检测改进 k-移动的时间复杂度在 k ≥ 5 时超越 O(n^{⌊2k/3⌋+1})？
• RQ2 能否设计一种基于树分解的动态规划算法，以高效捕捉 TSP 巡游中的 k-移动配置？
• RQ3 k=4-opt 的条件性下界是什么？其与所有点对最短路径问题的困难性有何关联？
• RQ4 能否进一步优化 k=5 的算法，以实现实际运行时间的改进？
• RQ5 若存在 O(n^{3−ϵ}) 时间的 4-opt 检测算法，是否意味着所有点对最短路径问题也能获得类似改进？

主要发现

• 所提算法在检测改进 k-移动时达到 O(n^{(1/4+ϵk)k}) 的时间复杂度，优于所有 k ≥ 5 时的先前 O(n^{⌊2k/3⌋+1}) 上界。
• 对于 k=5，优化后的算法运行时间为 O(n^{3.4})，相比通用的 O(n^{3.67}) 上界有显著的实际改进。
• 该算法使用 O(n^{(1/8+ϵk)k}) 的空间，为大规模 TSP 实例提供了有利的时间-空间权衡。
• 通过不同的参数调优，可实现 O(n^{k/2 + 3/2}) 的时间复杂度，且仅需 O(√n) 的额外空间，优于所有 k ≥ 8 时的现有最优方法。
• 本文证明，若存在 O(n^{3−ϵ}) 时间的 4-opt 检测算法，将意味着存在 O(n^{3−δ}) 时间的 All-Pairs Shortest Paths 算法，从而建立了强有力的条件性下界。
• 该归约表明，改进 4-opt 算法的难度等同于更快地解决 All-Pairs Shortest Paths 问题，因此除非在基础算法上取得突破，否则进一步进展几乎不可能。