Polynomial-Time Analytical Relaxation of the Travelling Salesman Problem via Probability-Flow Tensors and Maclaurin Series Expansions

तकनीकी सारांश: ट्रैवलिंग सेल्समैन प्रॉब्लम का बहुपद-समय विश्लेषणात्मक विश्राम (Polynomial-Time Analytical Relaxation)

समस्या विवरण

ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP) को एक मानक NP-hard कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन चुनौती के रूप में पहचाना गया है। पारंपरिक सटीक समाधान, जैसे कि इंटीजर लीनियर प्रोग्रामिंग (ILP) और हेल्ड-कार्प (Held-Karp) डायनेमिक प्रोग्रामिंग एल्गोरिदम, एक भारित ग्राफ (weighted graph) के हैमिल्टोनियन चक्र स्थान (Hamiltonian cycle space) का मूल्यांकन करने के लिए बाध्य हैं। ये विधियाँ $O(N!)$ या $O(N^2 2^N)$ की फैक्टोरियल या एक्सपोनेंशियल कम्प्यूटेशनल जटिलताओं से बंधी हुई हैं, जो लगभग $N \le 25$ से बड़े वास्तविक दुनिया के अनुप्रयोगों के लिए इन्हें अव्यवहारिक बनाती हैं।

कार्यप्रणाली

यह शोध पत्र एक नवीन निरंतर-विश्लेषणात्मक ढांचे (continuous-analytical framework) का प्रस्ताव करता है जो असतत क्रमपरिवर्तन स्थानों (discrete permutation spaces) को एक निरंतर संभाव्यता-प्रवाह टेंसर मैनिफोल्ड (continuous probability-flow tensor manifold) पर मैप करता है। असतत खोज वृक्षों (discrete search trees) को पार करने के बजाय, यह विधि अनुकूलन कार्य को एक बीजगणितीय टेंसर-प्रसार (algebraic tensor-propagation) समस्या के रूप में पुनर्गठित करती है। यह दृष्टिकोण तीन मुख्य सिद्धांतों द्वारा शासित है:

1. निरंतर मैनिफोल्ड एम्बेडिंग (Continuous Manifold Embedding): असतत क्रमपरिवर्तनों को एक निरंतर संभाव्यता-प्रवाह टेंसर स्थान $P \in \mathbb{R}^{N \times N}$ में एम्बेड किया जाता है। संक्रमण संभावनाओं (Transition likelihoods) को व्युत्क्रम लागत पावर-लॉज़ (inverse cost power-laws) द्वारा परिभाषित किया जाता है, जहाँ संभाव्यता $P_{ij}$, स्केलिंग पैरामीटर $\alpha$ तक घातांक के आधार पर एज वेट ग्रेडिएंट्स के व्युत्क्रमानुपाती होती है।
2. इतिहास-निर्भर संचयी और ट्रांसेंडेंटल सामान्यीकरण (History-Dependent Cumulative & Transcendental Normalization): हैमिल्टोनियन बाधाओं को लागू करने के लिए (बिना एक्सपोनेंशियल सबसेट मास्किंग के), पथ की संभाव्यता को गतिशील रूप से भारित किया जाता है। शोध पत्र तीन विश्लेषणात्मक सूत्रीकरण पेश करता है:
   • दृष्टिकोण 1 (मानक प्रोब-फ्लो): संभाव्यता और एज लागत के अनुपात के आधार पर संक्रमणों को स्कोर करता है।
   • दृष्टिकोण 2 (पाई-एक्सपोनेंशियल ह्यूरिस्टिक): संभाव्यता मानों पर $\pi$ का उपयोग करके एक ट्रांसेंडेंटल स्केलिंग लागू करता है।
   • दृष्टिकोण 3 (ट्रांसेंडेंटल HK रिलैक्सेशन): एक स्थिर पूर्व-गणना किए गए ऐरे फैक्टर $\gamma(N) = \pi^{(N^2 / 2^N)}$ का उपयोग करता है।
3. स्पेक्ट्रल सीरीज़ ट्रंकेशन (Spectral Series Truncation): चक्र कवरेज के अग्रहनीय परमानेंट (intractable permanent) को मैट्रिक्स एक्सपोनेंशियल जनरेटिंग फंक्शन $e^{tW}$ के ट्रंकेटेड मैकलॉरिन सीरीज़ विस्तारों का उपयोग करके अनुमानित किया जाता है। यह गुणांक निष्कर्षण (coefficient extraction) को बहुपद मैट्रिक्स गुणन सीमाओं, विशेष रूप से $O(N)$ तक कम करता है।

परिणामी एल्गोरिदम तीन चरणों में कार्य करता है: टेंसर इनिशियलाइज़ेशन, ट्रांजिशन टेंसर कंस्ट्रक्शन, और सीक्वेंशियल स्टेट प्रोपेगेशन। यह अनविज़िटेड नोड्स का मूल्यांकन करने के लिए $N$ चरणों को निष्पादित करता है, न्यूनतम लागत-से-संभाव्यता स्कोर का चयन करता है, और एक सख्त नियत $O(N^3)$ निष्पादन समय प्राप्त करता है।

प्रमुख योगदान

• एल्गोरिदमिक बदलाव: एक नियत (deterministic) एल्गोरिदम जो स्टोकेस्टिक मैट्रिसेस, ट्रांसेंडेंटल स्केलिंग फैक्टर्स और ट्रंकेटेड मैकलॉरिन सीरीज़ का उपयोग करके एक्सपोनेंशियल सबसेट एन्यूमरेशन को दरकिनार करता है।
• जटिलता में कमी: TSP टूर जनरेशन की जटिलता को एक्सपोनेंशियल समय से सख्त $O(N^3)$ बहुपद समय में कम करना।
• कार्यान्वयन: पायथन (NumPy) और जावा दोनों में कोड कार्यान्वयन प्रदान करना, जो टेंसर-प्रसार दृष्टिकोण की व्यवहार्यता को प्रदर्शित करता है।
• स्केलेबिलिटी: उद्यम-स्तरीय ग्राफ टोपोलॉजी के लिए स्थिर स्केलेबिलिटी का प्रदर्शन, जहाँ $N$ बढ़ने पर भी निष्पादन समय कम रहता है।

परिणाम

शोध पत्र $N = 1$ से $100$ तक की समस्या आकारों के लिए व्यापक बेंचमार्क परिणाम प्रस्तुत करता है, जिसमें प्रस्तावित विश्लेषणात्मक दृष्टिकोणों की सटीक हेल्ड-कार्प बेसलाइन के साथ तुलना की गई है।

• निष्पादन समय: प्रस्तावित $O(N^3)$ विधि हेल्ड-कार्प की तुलना में काफी तेज़ निष्पादन समय प्रदर्शित करती है। $N=20$ के लिए, प्रस्तावित विधि 0.205 ms लेती है, जबकि हेल्ड-कार्प को 870,000 ms की आवश्यकता होती है। $N=100$ के लिए, प्रस्तावित विधि 15.80 ms में पूर्ण होती है, जबकि हेल्ड-कार्प के लिए "Static-Array" लुकअप (जो संकेत देता है कि एक्सपोनेंशियल विधि अव्यवहारिक है) की आवश्यकता होती है।
• समाधान की गुणवत्ता: प्रस्तावित दृष्टिकोणों द्वारा उत्पन्न टूर लागत ज्ञात इष्टतम बेसलाइन के अनुरूप होने की रिपोर्ट की गई है।
  • दृष्टिकोण 1 और दृष्टिकोण 3: ये विधियाँ सभी परीक्षण किए गए उदाहरणों ($N=1$ से $100$) में सटीक हेल्ड-कार्प बेसलाइन के समान लागत प्रदान करती हैं।
  • दृष्टिकोण 2: यह विधि मामूली विचलन दिखाती है (उदाहरण के लिए, $N=6$ पर, लागत 399.10 बनाम 398.50 सटीक है), लेकिन इष्टतम बेसलाइन के करीब रहती है।
• बड़े पैमाने पर स्केलिंग: शोध पत्र $N=10,000$ तक के अत्यंत बड़े ग्राफ के लिए प्रोजेक्शन शामिल करता है। यह अनुमान लगाता है कि $N=10,000$ के लिए, एल्गोरिदम को लगभग $1.00 \times 10^{12}$ FLOPs, 800 MB मेमोरी और लगभग 15.80 मिनट का निष्पादन समय आवश्यक होगा।

महत्व और दावे

शोध पत्र का दावा है कि निरंतर बीजगणितीय टेंसर, ट्रांसेंडेंटल स्केलिंग, और बहुपद सीरीज़ सन्निकटन के माध्यम से कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन को पुनर्गठित करके, TSP टूर जनरेशन को नियत बहुपद समय में निष्पादित किया जा सकता है। लेखक का तर्क है कि यह ढांचा एक्सपोनेंशियल सबसेट एन्यूमरेशन को दरकिनार करने की अनुमति देता है जबकि इष्टतम समाधानों के साथ अनुभवजन्य संरेखण बनाए रखता है।

इस कार्य का महत्व वर्तमान TSP सॉल्वर की स्केलेबिलिटी सीमाओं के लिए एक संभावित समाधान के रूप में प्रस्तुत किया गया है, जो उन उद्यम-स्तरीय ग्राफ टोपोलॉजी को संभालने में सक्षम बनाता है जो पहले छोटे उदाहरणों तक ही सीमित थे। शोध पत्र यह उल्लेख करते हुए समाप्त होता है कि भविष्य के कार्य विशाल स्पार्स ग्राफ इंस्टेंस ($N > 10,000$) के प्रदर्शन को और अधिक अनुकूलित करने के लिए GPU टेंसर कोर के माध्यम से हार्डवेयर त्वरण (hardware acceleration) का पता लगाएंगे।