दिलचस्प दहनशील अनुकूलन समस्याओं का निर्माण


9

मैं मेटा-ह्यूरिस्टिक्स पर एक पाठ्यक्रम पढ़ा रहा हूं और शब्द परियोजना के लिए क्लासिक कॉम्बीनेटरियल समस्याओं के दिलचस्प उदाहरण उत्पन्न करने की आवश्यकता है । आइए टीएसपी पर ध्यान दें। हम और बड़े आयामों के ग्राफ से निपट रहे हैं । मैंने निश्चित रूप से एक यादृच्छिक से लिए गए मूल्यों के साथ एक लागत मैट्रिक्स के साथ एक ग्राफ बनाने की कोशिश की , और पता चला कि (अपेक्षित रूप से) पथ लागत के लिए हिस्टोग्राम (बहुत सारे यादृच्छिक रास्तों का नमूना लेकर तैयार किया गया है) एक बहुत ही सामान्य वितरण संकीर्ण ( है लेकिन के आसपास है )। इसका मतलब है, मेरी राय में, यह समस्या बहुत आसान है, क्योंकि अधिकांश यादृच्छिक पथ औसत से नीचे होंगे, और न्यूनतम लागत पथ एक यादृच्छिक पथ के बहुत करीब है।200यू(0,1)μ 100σ4

इसलिए मैंने निम्नलिखित दृष्टिकोण की कोशिश की: -मेट्रिक्स को उत्पन्न करने के बाद , ग्राफ़ के चारों ओर एक लंबा यादृच्छिक चलना और बेतरतीब ढंग से ( साथ बर्नौली ) किनारे के मूल्य को दोगुना या आधा कर दें। यह सभी मूल्यों को कम करता है, अंततः शून्य तक पहुंचता है, लेकिन अगर मैं सही संख्या में कदम उठाता हूं, तो मैं आसपास और आसपास साथ एक वितरण प्राप्त कर सकता हूं ।यू(0,1)पी=0.5μ2σ1

मेरा सवाल है, सबसे पहले, यह एक दिलचस्प समस्या के लिए एक अच्छी परिभाषा है? आदर्श रूप से मैं एक ऐसा उदाहरण चाहता हूं जो अत्यधिक बहु-मोडल (सबसे आम पड़ोस कार्यों के लिए) हो, और जिसमें न्यूनतम मूल्य के पास बहुत कम रास्ते हों, ताकि अधिकांश यादृच्छिक समाधान इष्टतम से बहुत दूर हों। दूसरा प्रश्न यह है कि इस विवरण को देखते हुए मैं इस तरह की विशेषताओं के साथ कैसे उदाहरण प्रस्तुत कर सकता हूं?


3
टीएसपी बेंचमार्क के पुस्तकालयों की तलाश करें, जैसा कि ओआर में अध्ययन किया गया है (उदाहरण के लिए टीएसपी पर काम करने के लिए ऐप्पलगेट एट अल। उदाहरण के लिए यहां खोजें)।
नील यंग

2
नहीं है TSPLIB कई उदाहरणों के साथ।
10

धन्यवाद, मैंने लिंक की जाँच की, और इसके सहायक, लेकिन मेरा प्रश्न उदाहरण उत्पन्न करने के बारे में है क्योंकि मैं एक विशिष्ट उदाहरण को हल नहीं करना चाहता हूं, बल्कि इसलिए कि मैं जो अच्छा दहनशील समस्याएँ बनाता है उसमें एक अंतर्दृष्टि चाहता हूं, एक अंतर्दृष्टि जिसे बाद में बढ़ाया जा सकता है। टीएसपी के अलावा अन्य समस्याएं।
एलेजांद्रो पीआद

संबंधित पोस्ट: cstheory.stackexchange.com/questions/739/…
नील यंग

1
@ एलेजैंड्रो, छिपी हुई गुत्थी समस्या एक उदाहरण हो सकती है जिसे आप ढूंढ रहे हैं। इसके अलावा, आप शोध के बारे में खोज कर सकते हैं कि संतुष्टि के यादृच्छिक उदाहरणों को क्या कठिन माना जाता है।
नील यंग

जवाबों:


6

कठिन उदाहरण उत्पन्न करने के लिए एक सामान्य दृष्टिकोण इस प्रकार है:

  • एक यादृच्छिक समस्या उदाहरण के साथ शुरू करें।
  • "छिपा हुआ बैकडोर" एम्बेड करें: बेतरतीब ढंग से एक अच्छा समाधान चुनें (एक यह कि किसी भी समाधान की तुलना में बहुत बेहतर होने की संभावना है जो पहले से मौजूद है) और समस्या के उदाहरण को जबरन इस समाधान को समस्या उदाहरण में एम्बेड करने के लिए संशोधित करें।

उदाहरण के लिए, टीएसपी के लिए, आप निम्नलिखित की तरह कुछ कर सकते हैं। एक यादृच्छिक उठाकर एक यादृच्छिक समस्या उदाहरण उत्पन्न करेंयू(0,1)लागत मैट्रिक्स। फिर, इसमें बेहतर समाधान को छिपाने के लिए समस्या के उदाहरण को समायोजित करें: बेतरतीब ढंग से एक दौरे का चयन करें जो प्रत्येक शीर्ष पर एक बार आता है, और उस दौरे पर बढ़त भार को कम करता है (उदाहरण के लिए, इसे यादृच्छिक रूप से उत्पन्न करें)यू(0,सी) कहाँ पे सी<1; मौजूदा वजन कम करें; या कुछ निश्चित संभाव्यता के साथ मौजूदा किनारे को संशोधित करें)। यह समायोजन प्रक्रिया सुनिश्चित करती है कि इष्टतम समाधान, उच्च संभावना के साथ, वह विशेष दौरा होगा जिसे आपने चुना था। यदि आप भाग्यशाली हैं और आप एक उचित एम्बेडिंग का चयन करते हैं, तो यह पहचानना भी आसान नहीं होगा कि आपने विशेष समाधान कहाँ छिपाया है।

यह दृष्टिकोण क्रिप्टोग्राफी में सामान्य विचारों से लिया गया है, जहां हम एक-तरफा समस्याओं का जाल बनाना चाहते हैं: जहां गुप्त जाल के ज्ञान के बिना समस्या को हल करना मुश्किल है, लेकिन गुप्त जाल के ज्ञान के साथ, समस्या बहुत आसान हो जाती है। सफलता की मिली-जुली डिग्री के साथ, गुप्त जाल को कई तरह की कठिन समस्याओं में फँसाने का प्रयास किया गया है (जबकि अभी भी इस समस्या की कठोरता का पता लगाने के बाद भी जाल को जोड़ा गया है)। लेकिन यह सामान्य दृष्टिकोण ऐसा लगता है कि यह आपके उद्देश्यों के लिए व्यावहारिक हो सकता है।

परिणामी समस्या उदाहरण कठिन हो सकता है , लेकिन क्या वे किसी भी व्यावहारिक दृष्टिकोण से दिलचस्प होंगे ? मुझे नहीं पता। मुझे पता नहीं। वे मेरे लिए काफी कृत्रिम दिखते हैं, लेकिन मुझे क्या पता है?

यदि आपका प्राथमिक लक्ष्य समस्या उदाहरणों का चयन करना है जो व्यावहारिक रूप से प्रासंगिक हैं और टीएसपी के वास्तविक दुनिया के अनुप्रयोगों के प्रतिनिधि हैं, तो मेरा सुझाव पूरी तरह से अलग दृष्टिकोण लेगा। इसके बजाय, टीएसपी के वास्तविक दुनिया के अनुप्रयोगों का सर्वेक्षण करके शुरू करें, फिर उन समस्याओं के प्रतिनिधि उदाहरणों की तलाश करें, और उन्हें अपने संबंधित टीएसपी समस्या उदाहरण में परिवर्तित करें - इसलिए आप वास्तविक दुनिया की समस्या से उत्पन्न समस्या उदाहरणों के साथ काम कर रहे हैं।


मुझे यह दृष्टिकोण बहुत पसंद है, वास्तव में जो मैं साथ आने की कोशिश कर रहा था, उसके बहुत करीब हूं, और विभिन्न समस्याओं के लिए बहुत अधिक अनुकूल लगता है। मेरी प्रारंभिक प्रेरणा छात्रों के लिए परीक्षा की समस्या बना रही थी, इसलिए भले ही मुझे वास्तविक-शब्द के मुद्दे मिलते हैं, लेकिन मुझे इसके बजाय कृत्रिम स्थिति के लिए अच्छी तरह से सर्वर करना है (छात्र एल्गोरिदम को ग्रेड करने की कोशिश करना)। किसी भी मामले में, मैं इसे अपनी शोध आवश्यकताओं के लिए भी अनुकूलित करने के लिए देखूंगा, लेकिन जैसा कि आप कहते हैं, यह निर्धारित करने के लिए कि क्या बनाए गए उदाहरण पर्याप्त प्रतिनिधि हैं, एक करीब से देखने की आवश्यकता होगी। बहुत बहुत धन्यवाद, आपको मेरी +1 और स्वीकृति मिली।
अलेजांद्रो पिआद

3

एक दृष्टिकोण जो अक्सर आपको समाधानों की प्रकृति पर उच्च नियंत्रण प्रदान करता है वह एक एनपी पूरी समस्या से दूसरे में रूपांतरण है। अब आप सांख्यिकीय तरीके से अपने प्रश्न में "दिलचस्प" को परिभाषित करते हैं, लेकिन क्षेत्र से क्लासिक समस्याओं का उपयोग करने के लिए एक और साफ दृष्टिकोण है। मेरा पसंदीदा फैक्टरिंग / सैट है। यह बहुत सारे कारकों के साथ या तो "चिकनी" संख्याओं को खोजने के लिए तुच्छ है, या केवल दो "कारकों" (एक और प्रमुख) के साथ प्रमुख संख्याएं। फैक्टरिंग को हल करने के लिए SAT उदाहरण बनाएं, और समाधान कारक हैं (वास्तव में कारकों के क्रमपरिवर्तन, लेकिन यह भी जो समय से पहले गिनना मुश्किल नहीं है)।

इस दृष्टिकोण के तहत, "रोचक" उदाहरणों की एक प्राकृतिक परिभाषा है - जिसे पी समय में हल नहीं किया जा सकता है। और इस दृष्टिकोण को गैर-चिकनी संख्याओं को फैक्टरिंग के लिए कठिन उदाहरण देने की गारंटी दी गई है अन्यथा यह जटिलता सिद्धांत में एक खुला प्रश्न हल करेगा यानी फैक्टरिंग की कठोरता

फिर, संभवतः अपनी समस्या में परिवर्तित करें, इस मामले में टीएसपी। इस उत्तर को भरने के लिए टीएसपी रूपांतरण के लिए एक सीधा सैट होना अच्छा होगा, उन्हें लगता है कि वे वहां से बाहर हैं, लेकिन उनसे परिचित नहीं हैं। हालाँकि, इस सवाल में फैक्टरिंग-टू-सैट पर कुछ रेफरी हैं: एनपी पूरी समस्या के लिए पूर्णांक फैक्टराइजेशन समस्या को कम करना

यदि आपको फैक्टरिंग पसंद नहीं है, तो यह अभी भी हो सकता है कि कई कारणों से पहले SAT में उदाहरणों का निर्माण किया जाए। आप रैंडम सैट के उदाहरणों से शुरू कर सकते हैं जो आसान-कठिन-आसान संक्रमण बिंदु वगैरह में केंद्र में हैं। या आप समुदाय द्वारा उत्पन्न DIMACS कठिन उदाहरणों से काम कर सकते हैं। या सैट में अन्य तार्किक "प्रोग्राम" बनाएं।


1
मुझे रूपांतरण दृष्टिकोण पसंद है, हालांकि आप विशेष रूप से टीएसपी से संबंधित अधिक लिंक प्रदान नहीं करते हैं, लेकिन वैसे भी इस विचार के लिए धन्यवाद, मैं इसे और अधिक गहराई से देखूंगा। आपने मेरी +1 की।
अलेजांद्रो पियद

1
@alejandro thx ओके उस पर एक कड़ी है। उदाहरण के लिए स्लाइड 28 पर यहां देखें [स्नातक स्तर!], CMSC 451: SAT, रंग, हैमिल्टनियन साइकिल, TSP स्लाइड्स द्वारा: कार्ल किंग्सफोर्ड । एसएटी → हैमिल्टनियन चक्र (टीएसपी) परिवर्तित करना। यदि वांछित है तो अधिक कुशल (कम ओवरहेड) रूपांतरण दृष्टिकोण या साहित्य में अन्य अनुरूप पहलुओं के साथ हो सकता है। अपने काम के बारे में आगे सुनने की उम्मीद है, शायद यहाँ या मेरे ब्लॉग पर उत्तर दें यदि आप चाहें
vzn

1
मैंने पीडीएफ की जांच की, बहुत उच्च स्तर लेकिन पर्याप्त रूप से समझने योग्य। हालाँकि कुछ समय के लिए मुझे @DW उत्तर के साथ जो चाहिए, वह आपका दृष्टिकोण मुझे बहुत दिलचस्प लगता है। मुझे इसे अपने दम पर आजमाना होगा। मैंने पहले की कमी (एक जटिलता स्नातक पाठ्यक्रम पर) देखी थी, लेकिन विशेष रूप से कठिन उदाहरण बनाने के लिए इसके वास्तविक कार्यान्वयन पर नहीं सोचा था। मुझे ऑप्टिमाइज़ेशन और मीटाह्यूरिस्ट्स में दीर्घकालिक रुचि है, और मेरे रुचि क्षेत्रों में से एक दिलचस्प बेंचमार्क समस्याएं पैदा करने के बारे में हैं। BTW, बस आप ब्लॉग की जाँच की, सुनिश्चित करने के लिए वापस आ जाएगा !!!
अलेजांद्रो पिअद
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.