[论文解读] Locating Depots for Capacitated Vehicle Routing

Inge Li Goertz, Viswanath Nagarajan|arXiv (Cornell University)|Mar 4, 2011

Vehicle Routing Optimization Methods参考文献 9被引用 7

一句话总结

本文提出了一种针对 $k$-LocVRP 问题的 $(12 + \epsilon)$-近似算法，该问题涉及定位 $k$ 个枢纽并调度容量受限的车辆以最低成本服务所有需求。该方法将 $k$-LocVRP 问题转化为 $k$-median forest 问题——一种结合了 $k$-median 和最小生成树目标的新颖问题——并通过具有有界局部最优差距的 $t$-swap 局部搜索实现 $(3 + \epsilon)$-近似，从而获得最终的近似保证。

ABSTRACT

We study a location-routing problem in the context of capacitated vehicle routing. The input is a set of demand locations in a metric space and a fleet of k vehicles each of capacity Q. The objective is to locate k depots, one for each vehicle, and compute routes for the vehicles so that all demands are satisfied and the total cost is minimized. Our main result is a constant-factor approximation algorithm for this problem. To achieve this result, we reduce to the k-median-forest problem, which generalizes both k-median and minimum spanning tree, and which might be of independent interest. We give a (3+c)-approximation algorithm for k-median-forest, which leads to a (12+c)-approximation algorithm for the above location-routing problem, for any constant c>0. The algorithm for k-median-forest is just t-swap local search, and we prove that it has locality gap 3+2/t; this generalizes the corresponding result known for k-median. Finally we consider the "non-uniform" k-median-forest problem which has different cost functions for the MST and k-median parts. We show that the locality gap for this problem is unbounded even under multi-swaps, which contrasts with the uniform case. Nevertheless, we obtain a constant-factor approximation algorithm, using an LP based approach.

研究动机与目标

• 为 $k$-LocVRP 问题设计一种常数因子近似算法，其中需联合优化 $k$ 个枢纽的位置和容量受限车辆的路径以服务所有需求。
• 引入并研究 $k$-median forest 问题，作为 $k$-median 和最小生成树目标的推广，以捕捉客户分配与路径成本的综合开销。
• 建立 $k$-median forest 问题中 $t$-swap 局部搜索的有界局部最优差距，将已知的 $k$-median 结果扩展至混合目标。
• 解决非均匀 $k$-median forest 变体问题，其中 MST 成本使用不同的度量，尽管局部最优差距无界，仍通过线性规划（LP）舍入实现常数因子近似。

提出的方法

• 通过利用 CVRP 问题已知的下界，将 $k$-LocVRP 问题约化为 $k$-median forest 问题，近似损失恒定为四。
• 在 $k$-median forest 目标上使用 $t$-swap 局部搜索，通过同时控制 $k$-median 和 MST 成本的变化，证明其局部最优差距为 $3 + \frac{2}{t}$。
• 利用非平凡的生成树交换性质以及先前 $k$-median 分析中的结构洞见，控制局部移动下 MST 成本的变化。
• 对于非均匀情形，采用受 [12] 启发的基于 LP 的舍入框架，通过两阶段舍入过程保持成本界限。
• 构建一个新的 LP 公式 ($\mathsf{LP_{new}}$)，捕捉舍入后的结构，并通过总幺模性证明其存在整数最优解。
• 利用 $\mathsf{LP_{new}}$ 的整数性及已知引理，将最终解的成本控制在最优 LP 值的 12 倍以内，从而获得主要近似保证。

实验结果

研究问题

• RQ1 能否在容量约束下联合优化枢纽位置与车辆路径的前提下，为 $k$-LocVRP 问题实现常数因子近似？
• RQ2 $t$-swap 局部搜索在 $k$-median forest 问题上的近似性能如何？该问题为 $k$-median 与 MST 目标的混合。
• RQ3 当 MST 成本与分配成本使用不同权重时，$t$-swap 局部搜索的局部最优差距是否仍保持有界？
• RQ4 尽管在多步交换下局部最优差距无界，能否仍为非均匀 $k$-median forest 问题实现常数因子近似？
• RQ5 是否存在一种多项式时间算法，通过将 $k$-LocVRP 约化为结构化的设施选址问题，实现常数因子近似？

主要发现

• 本文首次为 $k$-LocVRP 问题提出了 $(12 + \epsilon)$-近似算法，实现了常数因子保证。
• 引入 $k$-median forest 问题作为关键中间问题，通过 $t$-swap 局部搜索实现 $(3 + \epsilon)$-近似，其局部最优差距为 $3 + \frac{2}{t}$。
• $k$-median forest 问题中 $t$-swap 局部搜索的局部最优差距有界，为 $3 + \frac{2}{t}$，将已知的 $k$-median 结果扩展至混合目标。
• 对于非均匀 $k$-median forest 问题，即使在多步交换下局部最优差距也无界，但通过 LP 舍入仍可实现常数因子近似。
• 基于 LP 的舍入过程确保最终解的成本不超过最优 LP 值的 12 倍，且通过重构约束的总幺模性保证了解的整数性。
• 从 $k$-LocVRP 到 $k$-median forest 的约化仅引入恒定的近似损失（四倍），从而实现了整体的 $(12 + \epsilon)$-近似。