Core Concepts
여행 영업원 문제에 대한 mlrose 라이브러리의 유전 알고리즘과 힐 클라이밍 알고리즘을 개선하여 더 짧은 투어 길이를 달성하였다.
Abstract
이 논문은 인공지능을 산업 현장의 예시인 고층 창고 내 주문 처리 문제에 적용하는 것을 다룹니다. 이 문제는 본질적으로 여행 영업원 문제(TSP)의 한 인스턴스로 표현될 수 있습니다.
저자들은 mlrose 라이브러리를 조사했는데, 이 라이브러리는 다양한 启发式 최적화 기술을 기반으로 TSP 최적화기를 제공합니다. 저자들은 특히 유전 알고리즘(GA)과 힐 클라이밍(HC) 방법에 초점을 맞추었습니다.
저자들은 두 방법 모두에 대해 개선을 제안했습니다. GA의 경우, 부모 해의 방향성을 고려하는 교차 연산자를 도입하여 더 짧은 투어 길이를 달성했습니다. HC의 경우, 국소 최적점에서 벗어나기 위해 제한적인 하향 이동을 허용하는 방식으로 개선했습니다.
실험 결과, 제안된 개선 방법은 원래 mlrose 구현 대비 GA의 경우 46%/39%, HC의 경우 2.1%/4.6% 투어 길이 감소를 보였습니다. 이러한 개선은 TSP에만 국한되지 않고 일반적인 특성을 가지고 있습니다.
저자들은 이 연구가 AI 라이브러리를 산업 문제에 적용할 때 문제 구조에 대한 이해가 필요하다는 점을 보여준다고 강조합니다. 자동화된 메타러닝 기술이 발전하더라도 근본 알고리즘에 대한 이해는 여전히 중요합니다.
Stats
최적 투어 길이: 33523
GA 원본 구현 평균 투어 길이: 125019 ± 4438
GA 수정 구현 평균 투어 길이: 67961 ± 3602
HC 원본 구현(0 restart) 평균 투어 길이: 50263 ± 4498
HC 수정 구현(0 restart) 평균 투어 길이: 47944 ± 4348
Quotes
"GA의 경우, 부모 해의 방향성을 고려하는 교차 연산자를 도입하여 더 짧은 투어 길이를 달성했습니다."
"HC의 경우, 국소 최적점에서 벗어나기 위해 제한적인 하향 이동을 허용하는 방식으로 개선했습니다."