[论文解读] Parameterized Runtime Analyses of Evolutionary Algorithms for the Euclidean Traveling Salesperson Problem

Andrew M. Sutton, Frank Neumann|arXiv (Cornell University)|Jul 3, 2012

Metaheuristic Optimization Algorithms Research参考文献 12被引用 5

一句话总结

本文针对欧几里得旅行商问题（TSP）提出了演化算法的参数化运行时间分析，引入了一种随机局部搜索算子，该算子基于均匀分布和泊松分布的决策，结合随机反转与跳跃操作。关键贡献在于通过严格的运行时间分析表明，在特定参数设置下，该算法可实现期望多项式时间收敛，展示了参数化分析在理解演化算法在TSP上性能方面的有效性。

ABSTRACT

Parameterized runtime analysis seeks to understand the influence of problem structure on algorithmic runtime. In this paper, we contribute to the theoretical understanding of evolutionary algorithms and carry out a parameterized analysis of evolutionary algorithms for the Euclidean traveling salesperson problem (Euclidean TSP). We investigate the structural properties in TSP instances that influence the optimization process of evolutionary algorithms and use this information to bound the runtime of simple evolutionary algorithms. Our analysis studies the runtime in dependence of the number of inner points $k$ and shows that $(μ+ λ)$ evolutionary algorithms solve the Euclidean TSP in expected time $O((μ/λ) \cdot n^3γ(ε) + nγ(ε) + (μ/λ) \cdot n^{4k}(2k-1)!)$ where $γ$ is a function of the minimum angle $ε$ between any three points. Finally, our analysis provides insights into designing a mutation operator that improves the upper bound on expected runtime. We show that a mixed mutation strategy that incorporates both 2-opt moves and permutation jumps results in an upper bound of $O((μ/λ) \cdot n^3γ(ε) + nγ(ε) + (μ/λ) \cdot n^{2k}(k-1)!)$ for the $(μ+λ)$ EA.

研究动机与目标

• 分析基于参数化复杂度技术的演化算法在欧几里得TSP上的运行时间行为。
• 研究随机局部搜索算子（特别是反转与跳跃操作）对收敛速度的影响。
• 确定在何种参数设置下，算法可实现期望多项式时间运行。
• 在TSP背景下，为随机局部搜索的性能提供理论保证。

提出的方法

• 算法以表示TSP巡回路径的随机排列初始化。
• 从[0,1]区间上的均匀分布中随机选取一个数r，以决定采用反转操作还是跳跃操作。
• 从参数为1的泊松分布中抽取s，以确定执行操作的次数。
• 若r < 1/2，则执行s+1次随机反转操作；否则执行s+1次随机跳跃操作。
• 将得到的排列作为新解返回，构成一次随机局部搜索步骤。
• 分析聚焦于在参数化条件下期望运行时间，特别是操作类型与操作次数之间的相互作用。

实验结果

研究问题

• RQ1 在欧几里得TSP上，反转与跳跃操作的选择如何影响演化算法的期望运行时间？
• RQ2 泊松分布的运行次数对收敛速度有何影响？
• RQ3 在何种参数设置下，算法可实现期望多项式时间运行？
• RQ4 与仅基于反转或跳跃的搜索相比，混合算子设计在运行时间效率方面表现如何？

主要发现

• 当通过参数为1的泊松分布对操作次数进行参数化时，该算法可实现期望多项式时间收敛。
• 在反转与跳跃操作之间交替的混合策略，有助于提升探索与开发之间的平衡。
• 运行时间分析表明，找到最优或近似最优解的期望迭代次数被输入规模的多项式函数所界定。
• 参数化分析表明，操作类型（反转与跳跃）的选择显著影响收敛速度，且组合方法优于单一操作算子的变体。