[论文解读] Optimization Strategies in Complex Systems

L. Bussolari, Pierluigi Contucci+4 more|ArXiv.org|Sep 3, 2003

Theoretical and Computational Physics参考文献 2被引用 3

一句话总结

本文研究了在自旋玻璃和组合优化等复杂系统中求解NP完全问题的优化策略——贪心、迟疑及其随机凸组合。研究发现，采用10%贪心动作（P=0.1）的混合策略在单位时间内最有效地最小化能量，优于纯贪心和迟疑动力学，因其在快速收敛与广阔吸引盆之间达到了理想平衡。

ABSTRACT

We consider a class of combinatorial optimization problems that emerge in a variety of domains among which: condensed matter physics, theory of financial risks, error correcting codes in information transmissions, molecular and protein conformation, image restoration. We show the performances of two algorithms, the``greedy'' (quick decrease along the gradient) and the``reluctant'' (slow decrease close to the level curves) as well as those of a``stochastic convex interpolation''of the two. Concepts like the average relaxation time and the wideness of the attraction basin are analyzed and their system size dependence illustrated.

研究动机与目标

• 评估贪心与迟疑动力学在具有崎岖能量景观的复杂系统中寻找低能量构型的效率。
• 分析优化算法在NP完全问题中松弛时间与吸引盆宽度之间的权衡。
• 确定贪心与迟疑动力学的随机凸组合是否能提升能量最小化与时间效率方面的性能。
• 在大系统尺寸下，评估固定运行时间与固定试验次数下的算法性能。
• 基于统计力学启发的算法，为平均场自旋模型中的最优混合策略提供实证证据。

提出的方法

• 使用具有 quenched 随机耦合的 Sherrington-Kirkpatrick 自旋玻璃模型作为复杂能量景观的测试平台。
• 采用两种确定性动力学：贪心（每次自旋翻转时最大化能量下降）和迟疑（每次自旋翻转时最小化能量下降）。
• 引入一种随机凸插值，其中每一步以概率P执行贪心操作，以概率1−P执行迟疑操作。
• 将平均松弛时间τ定义为达到亚稳态（局部最小）构型所需的自旋翻转次数。
• 通过多种初始条件和无序实现下的最低能量值，分析吸引盆的宽度。
• 在IBM SP3上进行大规模模拟，系统尺寸N=250,300时，最多使用10^9个初始配置，并通过处理器并行化。

实验结果

研究问题

• RQ1 对于贪心、迟疑与混合动力学，平均松弛时间τ如何随系统尺寸N变化？
• RQ2 在初始条件数量受限时，迟疑算法的吸引盆是否比贪心算法更宽？
• RQ3 在固定时间（如100小时）下，贪心与迟疑动力学在能量最小化性能上如何比较？
• RQ4 在大系统中，为实现单位时间内能量最小化最优，贪心与迟疑动作之间的最佳平衡（即最优P）是什么？
• RQ5 为何迟疑算法的松弛时间随N呈二次方增长，而贪心算法呈线性增长，中间P值的交叉行为又如何解释？

主要发现

• 贪心算法的松弛时间呈τ ∼ N^1.04的标度，几乎与系统尺寸线性相关，而迟疑算法的松弛时间呈τ ∼ N^2.07的标度，几乎呈二次方增长。
• 在固定初始条件数量下，迟疑算法（P=0）达到的最低能量状态低于贪心算法（P=1），表明其具有更宽的吸引盆。
• 在固定100小时运行时间下，贪心算法（P=1）找到的最低能量状态低于迟疑算法（P=0），因其收敛速度更快。
• P=0.1的混合策略在固定运行时间下实现最低能量值，优于纯贪心与迟疑动力学。
• 在P=0.1时，混合算法的松弛时间标度为τ ∼ N^1.26，表明其在保持低能量性能的同时，显著优于迟疑算法。
• 结果表明，将贪心与迟疑动力学进行随机组合——以偶尔的贪心步骤作为补充——能最优地平衡复杂优化问题中的收敛速度与吸引盆宽度。