Können gradientenbasierte Optimierungstechniken verwendet werden, um das Problem des reisenden Verkäufers zu lösen?
Das Problem des reisenden Verkäufers ist ein bekanntes Optimierungsproblem, bei dem ein Verkäufer herausfinden muss, in welcher Reihenfolge er durch „n“ Städte reisen muss – so dass die zurückgelegte Gesamtstrecke minimal ist und jede Stadt einmal besucht wird.
Die „Zielfunktion“ in diesem Problem ist eine Funktion, die „unterschiedliche Städteordnungen“ auf die „Gesamtentfernung entsprechend dieser Städteordnung“ abbildet. Als Beispiel könnte die Zielfunktion etwa so aussehen:
Meine Frage: Im Fall des Problems des reisenden Verkäufers - ist die Zielfunktion im gleichen Sinne "differenzierbar", wie die Gleichung einer Parabel (y = x ^ 2) differenzierbar ist?
Auf den ersten Blick scheint die Antwort offensichtlich „nein“ zu sein. Wie können wir schließlich die Ableitung der obigen Funktion bilden? Die obige Funktion ist nicht über einen kontinuierlichen Bereich definiert!
Können wir also sagen, dass im Fall des Problems des Handlungsreisenden (dh diskreter kombinatorischer Optimierungsprobleme) die Zielfunktionen „nicht differenzierbar“ sind? Wenn dies zutrifft – ist es dann „unmöglich, die verlaufsbasierte Optimierung für reisende Verkäufer zu verwenden“?
Oder können die Zielfunktionen auch in solchen Fällen noch als differenzierbar bezeichnet werden?
Kann sich bitte jemand dazu äußern?
Danke!
Sicherlich nicht.
Die objektive Funktion des TSP ist nichts anderes als ein Feld lokaler Minima, in denen jedes kontinuierliche Verfahren (z. B. durch Interpolation erhalten) gefangen wäre. Und es wäre dumm, Zwischenkoordinaten zu versuchen, wenn Sie wissen, dass die Lösung an den angegebenen Datenpunkten auftritt.
TSP ist ein kombinatorisches Problem, Punkt.
Betrachten Sie als Analogie die Minimierung von
Ein besonderer Fall der kontinuierlichen Optimierung ist die lineare Programmierung (LP), bei der wir eine lineare Zielfunktion und eine Reihe von linearen Einschränkungen für Variablen haben (auf Realwert beschränkt). LPs sind konvex und können effizient über gradientenbasierte Algorithmen wie den Simplex-Algorithmus gelöst werden.
Ein verwandtes Problem ist die gemischt-ganzzahlige lineare Programmierung (MILP), bei der wir auch eine lineare Zielfunktion und einen Satz linearer Einschränkungen haben, aber dieses Mal können die Variablen auf Ganzzahlen beschränkt werden. Das bietet viel mehr Ausdruckskraft, und das können wir jedem leicht zeigen
-Problem kann als (polynomiell kleines) MILP-Problem ausgedrückt werden. Es ist jedoch nicht mehr garantiert, dass die Gradientenverfahren zum Optimum konvergieren, da das Problem nun diskret ist. Aber wenn wir die Integritätsbedingungen für Variablen lockern, ergibt das Optimum oft eine starke duale Grenze für unser Problem. In Kombination mit der Baumsuche (über einen Zweig und eine Grenze) kann dies die Auflösung drastisch beschleunigen (obwohl die Komplexität exponentiell bleibt).
Es ist immer noch möglich, kombinatorische Probleme mit konvexen Funktionen auszudrücken. Unter Verwendung eines exponentiellen Satzes von Beschränkungen können wir das Problem des Handlungsreisenden als lineares Problem ausdrücken. Dies kann erreicht werden, indem das Problem als SAT-Instanz ausgedrückt wird. Die durch die entsprechenden binären Vektoren gebildete Menge von Punkten wird immer konvex sein, sodass wir alle Facetten der konvexen Hülle als Beschränkungen nehmen können. Leider ist bekannt, dass wir immer bei einer exponentiellen Anzahl von Facetten landen werden, egal wie wir das Problem des Handlungsreisenden modellieren. Tatsächlich kennen wir noch keinen polynomiellen Zeitalgorithmus für -schwere Probleme.
VSeH
stats_noob
caduk
Benutzer1015917
VSeH