[论文解读] Solving Minimum Vertex Cover Problem Using Learning Automata

Aylin Mousavian, Alireza Rezvanian+1 more|arXiv (Cornell University)|Nov 28, 2013

Optimization and Search Problems参考文献 26被引用 15

一句话总结

本文提出了一种基于学习自动机的算法，通过为图中的每个顶点配备一个学习自动机，使其在顶点覆盖集合中的包含或排除之间进行概率选择，从而求解NP难的最小点覆盖问题。通过基于反馈的迭代概率更新，该算法收敛至近似最优解，在DIMACS基准测试中表现出显著优于传统方法的性能，点覆盖集合的大小显著减小。

ABSTRACT

Minimum vertex cover problem is an NP-Hard problem with the aim of finding minimum number of vertices to cover graph. In this paper, a learning automaton based algorithm is proposed to find minimum vertex cover in graph. In the proposed algorithm, each vertex of graph is equipped with a learning automaton that has two actions in the candidate or non-candidate of the corresponding vertex cover set. Due to characteristics of learning automata, this algorithm significantly reduces the number of covering vertices of graph. The proposed algorithm based on learning automata iteratively minimize the candidate vertex cover through the update its action probability. As the proposed algorithm proceeds, a candidate solution nears to optimal solution of the minimum vertex cover problem. In order to evaluate the proposed algorithm, several experiments conducted on DIMACS dataset which compared to conventional methods. Experimental results show the major superiority of the proposed algorithm over the other methods.

研究动机与目标

• 通过利用自适应学习机制来解决NP难的最小点覆盖问题。
• 通过顶点级别的自主学习，减少覆盖集合中的顶点数量。
• 设计一种分布式、概率性的算法，使其收敛至最优或近似最优解。
• 使用标准图基准测试，与传统方法进行性能对比。
• 证明学习自动机在求解组合优化问题方面的有效性。

提出的方法

• 图中的每个顶点都被分配一个具有两个动作的学习自动机：将该顶点包含或排除在点覆盖集合之外。
• 自动机根据环境反馈更新其动作概率，具体包括当前覆盖是否有效以及其与最优解的接近程度。
• 该算法采用强化学习机制，当覆盖的未覆盖边数减少时给予奖励。
• 该过程通过迭代优化动作的概率分布，倾向于选择能最小化点覆盖大小的配置。
• 学习自动机以去中心化方式运行，支持可扩展且分布式的计算。
• 当找到一个有效点覆盖且无法进一步改进时，算法终止。

实验结果

研究问题

• RQ1 学习自动机能否有效应用于求解最小点覆盖问题？
• RQ2 与传统启发式和精确方法相比，基于学习自动机的方法在解的质量和收敛速度方面表现如何？
• RQ3 学习机制在多大程度上能够减少点覆盖集合的大小？
• RQ4 该算法的去中心化特性是否在大规模图上保持性能？
• RQ5 该算法能否在各种图结构上持续找到近似最优解？

主要发现

• 在DIMACS基准图上，所提出的基于学习自动机的算法相较于传统方法实现了显著更小的点覆盖大小。
• 由于自适应学习和基于反馈的动作概率更新，该算法在高质量解上表现出更快的收敛速度。
• 实验结果证实，该算法能够针对各种图类型和规模找到近似最优解。
• 在多种测试实例中，该方法在解的质量和鲁棒性方面均优于标准启发式方法。
• 去中心化设计使得无需全局协调即可实现高效且可扩展的计算。
• 学习机制通过迭代优化动作概率，有效减少了覆盖集合中的顶点数量。