[论文解读] Restructuring in Combinatorial Optimization

Mark Sh. Levin|arXiv (Cornell University)|Feb 8, 2011

Product Development and Customization参考文献 10被引用 5

一句话总结

本文提出了一种组合优化中的新型重构方法，将初始解 $ S^1 $ 转换为一个新解 $ S^* $，该解在修改成本上具有成本效益，且与目标解 $ S^2 $ 接近，其权衡基于修改成本 $ H(S^1 \rightarrow S^*) $ 与接近度 $ \rho(S^*, S^2) $。该方法应用于0-1背包问题、多选问题、分配问题和生成树问题，展示了在如网络和软件等模块化系统中的实际重构应用。

ABSTRACT

The paper addresses a new class of combinatorial problems which consist in restructuring of solutions (as structures) in combinatorial optimization. Two main features of the restructuring process are examined: (i) a cost of the restructuring, (ii) a closeness to a goal solution. This problem corresponds to redesign (improvement, upgrade) of modular systems or solutions. The restructuring approach is described and illustrated for the following combinatorial optimization problems: knapsack problem, multiple choice problem, assignment problem, spanning tree problems. Examples illustrate the restructuring processes.

研究动机与目标

• 解决将现有解 $ S^1 $ 重构为新解 $ S^* $ 的问题，该解在实施上成本低廉且与新目标解 $ S^2 $ 接近。
• 将重构问题形式化为一个约束优化模型，平衡修改成本与目标解的接近度。
• 展示该方法在关键组合问题（如0-1背包、分配和生成树问题）中的适用性。
• 为未来在多准则、不确定或动态重构模型方面的系统重构研究奠定基础。

提出的方法

• 将重构问题形式化为双目标优化模型：在满足预算约束 $ H(S^1 \rightarrow S^*) \leq \widehat{h} $ 的前提下，最小化 $ H(S^1 \rightarrow S^*) $（修改成本）和 $ \rho(S^*, S^2) $（与目标解的接近度）。
• 将接近度 $ \rho(S^*, S^2) $ 定义为解相似性的度量，例如目标函数值的差异或集合间的距离。
• 将该方法应用于具体问题：0-1背包问题（元素的增删）、多选问题（项目选择）、分配问题（用户-接入点重新分配）和生成树问题（边替换）。
• 通过数值示例说明转换过程，包括被删除元素 $ S^{1*-} $ 和新增元素 $ S^{1*+} $ 的显式集合。
• 采用基于专家的代价估算方法对重新分配操作进行评估，例如在分配问题中用户重新连接的代价。
• 提出一种简化的“变化区域”方法，仅关注解边界附近的元素，以降低计算复杂度。

实验结果

研究问题

• RQ1 如何将现有解 $ S^1 $ 重构为新解 $ S^* $，在最小化成本的同时确保与未来目标解 $ S^2 $ 的高度相似性？
• RQ2 修改解的成本与接近期望未来配置的接近度之间存在何种权衡？
• RQ3 如何将重构模型适配于不同组合问题，如0-1背包、分配和生成树问题？
• RQ4 将接近度与修改成本作为双目标用于解重构，其含义是什么？
• RQ5 该方法如何扩展以处理不确定性、多准则或底层元素集的动态变化？

主要发现

• 在0-1背包问题示例中，$ S^1 = \{1,3,4,5\} $ 通过删除 \{1,5\} 和添加 \{2,6\} 重构为 $ S^* = \{2,3,4,6\} $，在与 $ S^2 = \{2,3,5,7\} $ 的接近度和成本之间实现了平衡。
• 在分配问题中，对用户3、13和21重新分配至不同接入点，总成本约束 $ \widehat{h} = 5 $，得到了一个可行且改进的配置 $ S^* $。
• 重构模型通过聚焦于靠近区域边界的局部化“变化区域”，成功减少了所需更改的数量，提升了计算效率。
• 该方法通过最小化破坏性更改，为模块化系统（如通信网络或软件系统）提供了实用的升级路径，同时与新需求保持一致。
• 该方法可扩展至其他问题，如斯坦纳树和图着色问题，并支持单目标与多目标公式。
• 本文为未来在随机性、模糊性或可满足性基础上的不确定性重构建模研究奠定了基础。