[论文解读] Squeaky Wheel Optimization

David P. Clements, David Joslin|arXiv (Cornell University)|May 27, 2011

VLSI and FPGA Design Techniques参考文献 14被引用 218

一句话总结

Squeaky Wheel Optimization (SWO) 是一种元启发式框架，通过迭代的构建/分析/优先化循环来逐步改进解决方案：贪婪算法基于元素的优先级序列构建解，分析器为导致性能不佳的组件分配‘责备’分数，优先化器则将这些高责备分的元素提升到构造序列的靠前位置。该方法通过动态聚焦于高影响组件，在复杂组合优化领域中有效求解调度和图着色问题，实现了最优或近似最优的结果。

ABSTRACT

We describe a general approach to optimization which we term `Squeaky Wheel' Optimization (SWO). In SWO, a greedy algorithm is used to construct a solution which is then analyzed to find the trouble spots, i.e., those elements, that, if improved, are likely to improve the objective function score. The results of the analysis are used to generate new priorities that determine the order in which the greedy algorithm constructs the next solution. This Construct/Analyze/Prioritize cycle continues until some limit is reached, or an acceptable solution is found. SWO can be viewed as operating on two search spaces: solutions and prioritizations. Successive solutions are only indirectly related, via the re-prioritization that results from analyzing the prior solution. Similarly, successive prioritizations are generated by constructing and analyzing solutions. This `coupled search' has some interesting properties, which we discuss. We report encouraging experimental results on two domains, scheduling problems that arise in fiber-optic cable manufacturing, and graph coloring problems. The fact that these domains are very different supports our claim that SWO is a general technique for optimization.

研究动机与目标

• 开发一种适用于多种问题领域的通用优化框架。
• 解决在组合优化中高效导航复杂搜索空间的挑战。
• 通过自动、自适应地聚焦于关键问题组件，减少对人工调参的依赖。
• 通过根据其对次优性能的贡献动态重新优先化元素，提升解的质量。
• 提供一种统一、模块化的框架（构建/分析/优先化），可适配于不同类型的问题。

提出的方法

• 该方法以循环过程运行：首先，贪婪构造器根据问题元素的优先级序列构建解。
• 随后，分析器评估解，并为导致目标函数性能不佳的元素分配一个数值化的‘责备’因子。
• 优先化器根据责备因子重新排序问题元素，将高责备分的元素移至序列前端。
• 该循环重复进行，每次迭代通过更早地聚焦于最成问题的组件来逐步优化解。
• 该方法在两个耦合的搜索空间上运行：解空间和优先级序列空间，从而实现间接但有效的探索。
• 该框架支持与局部搜索或进化算法结合，以增强精细调整并跳出局部最优。

实验结果

研究问题

• RQ1 基于责备的重新优先化策略是否能有效引导贪婪构造过程，在多样化优化领域中获得高质量解？
• RQ2 基于解分析动态重排问题元素如何影响收敛速度与解的质量？
• RQ3 与标准局部搜索或贪婪方法相比，构建/分析/优先化循环在多大程度上能避免陷入局部最优？
• RQ4 该方法在根本上不同的问题类型（如调度与图着色）中表现出多强的鲁棒性？
• RQ5 为确保有效发现问题结构，分析器与优先化器模块的关键设计考量是什么？

主要发现

• SWO 在光纤电缆调度和图着色问题中均实现了最优或近似最优解，展现出在不同领域间的强大泛化能力。
• 在调度领域，SWO 在三轮迭代内将延迟任务数从两个减少到一个，收敛至最优解。
• 该方法成功识别并优先处理了对解质量至关重要的瓶颈任务（例如 'Job 24' 和 'Job 26'）。
• 那些始终易于调度的任务（如 'Job 39'）优先级持续下降，而被责备的任务则迅速提升优先级。
• 耦合的搜索机制使 SWO 能够通过持续基于解反馈重新评估和重新优先化问题组件，从而跳出局部最优。
• SWO 的朴素实现表现尚可，表明该框架即使在缺乏复杂模块调优的情况下也具有可访问性和有效性。