Symmetrisk Traveling Salesman Problemet

Transkript

1 Symmetrisk Traveling Salesman Problemet Videregående Algoritmik, Blok /2009, Projektopgave 2 Bjørn Petersen 9. december 2008 Dette er den anden af to projektopgaver på kurset Videregående Algoritmik, blok 2, 2008/2009. Opgaven skal løses i grupper på 2 eller 3 personer. Hvis en studerende ønsker at arbejde alene, forudsætter dette en forhåndsgodkendelse fra en instruktor. Opgaven stilles tirsdag den 9. december 2008 og skal afleveres i Informationen (brevbakke på skranken) i 1 eksemplar inden onsdag den 6. januar 2009 kl Husk at angive unik ID (CPR-nr. eller eksamensnr.). Besvarelsen skal godkendes, for at gruppens medlemmer kan indstille sig til den skriftlige eksamen eller senere reeksaminationer. Der er ikke mulighed for genaflevering af en ikke godkendt besvarelse. Formål Formålet med opgaven er, at den studerende skal opnå praktisk erfaring med implementation af grafalgoritmer, et indblik i teknikker til løsning af NP-hårde problemer, erfaring med eksperimentel afprøvning. Opgaven går ud på at analysere og implementere en række løsningsmetoder til det Symmetriske Traveling Salesman Problem (se næste afsnit), samt eksperimentelt at sammenligne deres fordele og ulemper. Målet skulle være en algoritme, som kan finde en optimal løsning af probleminstanser med få knuder (byer) samt en heuristisk løsning af større problemerinstanser. Der skal altså konstrueres to generelle algoritmer, som kan løse problemet. Algoritmerne skal implementeres i C++ og gerne ved anvendelse af (extended) STL C++ og/eller LEDA funktioner. Besvarelsen skal bestå af et tekstafsnit, hvor nedenstående opgaver besvares. Ved 1

2 bedømmelse af opgaven vil der blive lagt vægt på, at alle spørgsmål (hver for sig) er besvaret tilfredstillende. Symmetrisk Traveling Salesman Problemet Den handelsrejsendes problem, eller Traveling Salesman Problemet (TSP), har altid fascineret forskere: Problemet er simpelt at formulere og alligevel meget svært at løse i praksis. Der er skrevet utallige forskningsartikler om emnet, og flere lærebøger betragter TSP som hovedemne. TSP er ikke blot fascinerende i matematisk forstand, men det er et særdeles vigtigt problem i praksis. En lang række problemer i transportsektoren, produktionsplanlægning og endda arkæologi kan formuleres ved brug af TSP. Mange års forskning har flyttet grænserne for, hvor store TSP problemer vi kan løse. Selv om der altid vil eksistere probleminstanser, som højst sandsynligt kræver eksponentiel løsningstid (jf. kommende forelæsnigner om NP-fuldstændighed), udnytter moderne algoritmer strukturen i problemet til konstruktion af stramme grænseværdier. Problemer med flere hundrede knuder (byer) kan nu løses rimelig let. Formelt kan det symmetriske TSP defineres som følgende optimeringsproblem (se også afsnit i CLRS [1]): Lad G = (V, E) være en vægtet (komplet) graf med n = V knuder, hvor c(i,j) for (i,j) E angiver afstanden mellem knuderne i og j. Afstanden antages at være symmetrisk, således at c(i,j) = c(j,i) for alle par af knuder i og j. Problemet er da at finde en kreds, der besøger alle knuder i grafen, en såkaldt Hamilton-kreds, som har en minimal total længde med hensyn til c. I det følgende antages, at alle afstande c(i,j) er heltal. Herunder er et eksempel, som angiver afstandene mellem 8 byer på Bornholm: i\ j Den optimale rækkefølge at besøge knuderne (byerne) i er: 1,2,3,4,5,6,7,8,1. Dette giver en samlet længde af Hamilton-kredsen på

3 Branch-and-Bound Vi vil i denne opgave betragte en nedre grænseværdi for TSP: 1-Tree: Et mindste udspændende træ (MST) konstrueres på grafen, hvor knude 1 midlertidigt er fjernet. Herefter tilføjes de to billigste kanter incidente med knude 1 til det udspændende træ. I ovenstående eksempel finder vi et MST blandt knuderne 2... n som kanterne (2,3), (3,4), (4,8), (5,6), (6,7) og (7,8). De to billigste kanter fra knude 1 er (1,2) og (1,7). Samlet fås en nedre grænseværdi på 97. Itereret 1-Tree: Princippet er her at omformulere problemet, så en strammere 1- tree grænseværdi opnås. Lad d i være antallet af valgte kanter incidente med knude i. Vi ønsker at straffe knuder med grad større end 2, mens knuder med grad mindre end 2 belønnes. Derfor modificeres afstandsmatricen c på følgende vis: c (i,j) = c(i,j) + (d i 2) + (d j 2) Processen kan gentages et antal gange. I praksis er iterationer passende. Eksempelvis kan man benytte 100 iterationer i rod-knuden af branch-and-bound søgetræet, og gradvist mindske antallet af iterationer i forhold til knudens dybde i søgetræet. Knuder, som har en dybde over 10 i søgetræet, kan passende nøjes med 10 iterationer. Bemærk, at en knude i søgetræet ikke bør starte med at iterere afstandsmatricen c fra grunden af, men i stedet bør tage udgangspunkt i den bedste modificerede afstandsmatrix c fra forældre-knuden. I ovenstående eksempel får vi følgende modificerede afstandsmatrix c : i\ j Ved løsning af 1-tree for det modificerede problem findes kanterne (2, 3), (3, 4), (4,8), (5,6), (5,8), (7,8), (1,2), og (1,8), hvor de første seks kanter angiver MST et blandt knuderne 2,...,n. Samlet fås en nedre grænseværdi på 97. De efterfølgende iterationer giver grænseværdierne 98, 99, 99 og

4 Opgave 1: Implementer itereret 1-Tree algoritme til udregning af grænseværdien. Benyt gerne det udleverede rammeprogram (se kursets hjemmeside). Algoritmen Ved konstruktion af en branch-and-bound algoritme skal man overveje, om der skal bruges dybde-først eller bedste-først-søgning, samt hvilken forgreningsstrategi der skal benyttes. I det følgende angiver z længden af den hidtil bedste løsning. Dybde-først-søgning er nemmest at implementere, idet algoritmen da blot bliver en rekursiv procedure som skitseret nedenfor: TSP_BRANCH(n, c) 1 find en nedre grænseværdi l for problemet 2 if l z 3 then return 4 if løsningen i grænseværdiberegningen er en Hamilton kreds 5 then gem løsningen 6 opdater z 7 else vælg en knude i som spolerer Hamilton kredsen 8 for hver kant (i,j) incident med knude i 9 do forbyd kanten (i,j) 10 kald TSP_BRANCH(n, c) Håndteringen af levende knuder i branch-and-bound-træet foretages automatisk af rekursionen, idet tidligere problemer gemmes på stakken. I ovenstående skitse er forgreningstrategien fra kursusbog 1, del 1, side 18, blevet benyttet: En knude udvælges, som har flere end to kanter, og branch-and-bound algoritmen forbyder på skift hver af kanterne ud fra knuden. Opgave 2: Implementer branch-and-bound algoritmen. Benyt gerne det udleverede rammeprogram. Beskriv fordele og ulemper ved den valgte forgreningsstrategi og dybde-først søgningen. Hvis tiden tillader det, kan der eksperimenteres med andre søge-strategier og forgrenings-strategier, omend dette ikke er et krav. (Vær opmærksom på, at hele løsningsrummet skal dækkes; knude 1 indgår ikke nødvendigvis i en optimal løsning med de to mindste incidente kanter.) 4

5 Simuleret udglødning Vi vil i denne opgave løse TSP heuristisk ved hjælp af simuleret udglødning, som er beskrevet i kursusbogen side Første skridt i en simuleret udglødnings-heuristik er en initiel løsning. En løsning til TSP består af alle knuderne i instansen angivet i en rækkefølge. Givet et MST med alle knuderne er en rækkefølge den, som knuderne mødes i en dybdeførst-gennemgang af træet. Opgave 3: Benyt MST til at lave en approksimativ initiel løsning. Antaget, at trekantsuligheden gælder, hvad er da approximationsfaktoren? 2-opt-nabolaget 2-opt-nabolaget til en given løsning z består af alle lovlige løsninger, der kan opnås fra z ved at fjerne to kanter og tilføje to andre. Dette indebærer, at en del af turen bliver vendt : z ={v 1,...,v i 1,v i,...,v j,v j+1...v 1 } {v 1,...,v i 1,v j,...,v i,v j+1...v 1 } Opgave 4: nabolaget. Implementer en heuristik baseret på simuleret udglødning vha. 2-opt Eksperimenter Afprøv de konstruerede algoritmer på følgende probleminstanser, som findes på kursets hjemmeside. n Instans Beskrivelse 8 bornholm Afstande mellem otte byer på Bornholm 10 rand10 Tilfældigt genererede kantvægte 15 rand15 Tilfældigt genererede kantvægte 20 rand20 Tilfældigt genererede kantvægte 25 rand25 Tilfældigt genererede kantvægte 30 rand30 Tilfældigt genererede kantvægte 17 gr17 17 byer i Tyskland 21 gr21 21 byer i Tyskland 24 gr24 24 byer i Tyskland 5

6 Opgave 5: Rapporter: øvre og nedre grænseværdier i rodknuden, antal knuder i branch-and-bound træet, beregningstid pr. knude i branch-and-bound træet, samt total beregningstid. Kommenter resultaterne. Opgave 6: Sammenlign løsningsværdier og køretider for Branch-and-Bound algoritmen i opgave 2 med forskellige parametre for heuristikken i opgave 4. Stræberi Den flittige studerende kan deltage i en konkurrence om hurtigste køretider for optimal løsning af udvalgte instanser. Opgave 7: Med udgangspunkt i Branch-and-Bound algoritmen: find bedre nedre grænser, finjuster, snyd, osv. for at finde den optimale løsningsværdi hurtigere. Litteratur [1] T.H. Cormen, C.E. Leiserson, R.L. Rivest and C. Stein: Introduction to Algorithms (2nd ed.), MIT Press, [2] Per S. Laursen: Generelle Optimeringsheuristikker en introduktion, Datalogisk Institut Københavns Universitet, 1994 (kan findes på nettet). [3] David Pisinger: Branch-and-Bound, Datalogisk Institut Københavns Universitet, 2008 (kan findes på nettet). 6