Sintesi Tecnica: Rilassamento Analitico in Tempo Polinomiale del Problema del Commesso Viaggiatore

Definizione del Problema

Il Problema del Commesso Viaggiatore (TSP) è identificato come una sfida di ottimizzazione combinatoria canonica NP-difficile. Le soluzioni esatte tradizionali, come la Programmazione Lineare Intera (ILP) e l'algoritmo di programmazione dinamica Held-Karp, richiedono la valutazione dello spazio dei cicli hamiltoniani di un grafo pesato. Questi metodi sono vincolati da complessità computazionali fattoriali $O(N!)$ o esponenziali $O(N^2 2^N)$, rendendoli impraticabili per applicazioni del mondo reale che coinvolgono istanze del problema superiori a circa $N \le 25$.

Metodologia

Il documento propone un nuovo framework analitico-continuo che mappa gli spazi discreti delle permutazioni su un manifold di tensori di flusso di probabilità continuo. Invece di attraversare alberi di ricerca discreti, il metodo riformula il compito di ottimizzazione come un problema algebrico di propagazione tensoriale. L'approccio è governato da tre postulati centrali:

1. Embedding in Manifold Continuo: Le permutazioni discrete sono incorporate in uno spazio tensoriale di flusso di probabilità continuo $P \in \mathbb{R}^{N \times N}$. Le probabilità di transizione sono definite da leggi di potenza dell'inverso del costo, dove la probabilità $P_{ij}$ è inversamente proporzionale ai gradienti del peso degli archi elevati a un parametro di scala $\alpha$.
2. Normalizzazione Cumulativa e Trascendentale Dipendente dalla Storia: Per imporre i vincoli hamiltoniani senza il mascheramento esponenziale dei sottoinsiemi, le probabilità dei percorsi sono pesate dinamicamente. Il documento introduce tre formulazioni analitiche:
   • Approccio 1 (Standard Prob-Flow): Valuta le transizioni basandosi sul rapporto tra probabilità e costo dell'arco.
   • Approccio 2 (Euristica Pi-Esponenziale): Applica una scalatura trascendentale utilizzando $\pi$ ai valori di probabilità.
   • Approccio 3 (Rilassamento HK Trascendentale): Utilizza un fattore di array statico pre-calcolato $\gamma(N) = \pi^{(N^2 / 2^N)}$.
3. Troncamento della Serie Spettrale: Il permanente intratabile delle coperture di cicli è approssimato utilizzando espansioni di serie di Maclaurin troncate della funzione generatrice esponenziale della matrice $e^{tW}$. Ciò riduce l'estrazione dei coefficienti a limiti di moltiplicazione matriciale polinomiale, specificamente $O(N)$.

L'algoritente risultante opera in tre fasi: Inizializzazione del Tensore, Costruzione del Tensore di Transizione e Propagazione Sequenziale dello Stato. Esegue $N$ passi per valutare i nodi non visitati, selezionando il punteggio minimo tra costo e probabilità, raggiungendo un tempo di esecuzione deterministico rigoroso di $O(N^3)$.

Contributi Chiave

• Spostamento Algoritmico: Un algoritmo deterministico che evita l'enumerazione esponenziale dei sottoinsiemi utilizzando matrici stocastiche, fattori di scalatura trascendentale e serie di Maclaurin troncate.
• Riduzione della Complessità: Riduzione teorica della generazione del tour TSP da tempo esponenziale a un tempo polinomiale rigoroso di $O(N^3)$.
• Implementazione: Fornitura di implementazioni di codice sia in Python (NumPy) che in Java, dimostrando la fattibilità dell'approccio di propagazione tensoriale.
• Scalabilità: Dimostrazione di una scalabilità stabile per topologie di grafi di scala enterprise, con tempi di esecuzione che rimangono bassi anche al crescere di $N$.

Risultati

Il documento presenta risultati di benchmark completi per dimensioni del problema da $N = 1$ a $100$, confrontando gli approcci analitici proposti con le basi esatte di Held-Karp.

• Tempo di Esecuzione: Il metodo proposto $O(N^3)$ dimostra tempi di esecuzione significativamente più rapidi rispetto a Held-Karp. Per $N=20$, il metodo proposto impiega 0,205 ms, mentre Held-Karp richiede 870.000 ms. Per $N=100$, il metodo proposto si completa in 15,80 ms, mentre si nota che Held-Karp richiede lookup di "Static-Array" (implicando che il metodo esponenziale è impraticabile).
• Qualità della Soluzione: I costi dei tour generati dai processi proposti risultano essere empiricamente allineati con le basi ottimali note.
  • Approccio 1 e Approccio 3: Questi metodi producono costi identici alla base esatta di Held-Karp in tutte le istanze testate ($N=1$ a $100$).
  • Approccio 2: Questo metodo mostra deviazioni minori (ad esempio, per $N=6$, il costo è 399,10 rispetto a 398,50 dell'esatto), ma rimane vicino alla base ottimale.
• Scalabilità su Grande Scala: Il documento include proiezioni per grafi ultra-grandi fino a $N=10.000$. Stima che per $N=10.000$, l'algoritmo richiederebbe circa $1,00 \times 10^{12}$ FLOP, 800 MB di memoria e un tempo di esecuzione di circa 15,80 minuti.

Significato e Rivendicazioni

Il documento afferma che riformulando l'ottimizzazione combinatoria attraverso tensori algebrici continui, scalature trascendentali e approssimazioni di serie polinomiali, la generazione del tour TSP può essere eseguita deterministicamente in tempo polinomiale. L'autore sostiene che questo framework permette di bypassare l'enumerazione esponenziale dei sottoinsiemi mantenendo l'allineamento empirico con le soluzioni ottimali.

Il significato di questo lavoro è presentato come una potenziale soluzione alle limitazioni di scalabilità degli attuali solver TSP, consentendo la gestione di topologie di grafi di scala enterprise precedentemente ristrette a istanze piccole. Il documento conclude notando che il lavoro futuro esplorerà l'accelerazione hardware tramite core tensoriali GPU per ottimizzare ulteriormente le prestazioni per istanze di grafi sparsi massivi ($N > 10.000$).