Technische Samenvatting: Polynomiale Analytische Relaxatie van het Travelling Salesman Problem

Probleemstelling

Het Travelling Salesman Problem (TSP) wordt geïdentificeerd als een canonieke NP-harde combinatorische optimalisatieuitdaging. Traditionele exacte oplossingen, zoals Integer Lineaire Programmering (ILP) en het Held-Karp dynamisch programmeringsalgoritme, vereisen het evalueren van de Hamiltoniaanse cyclusruimte van een gewogen graaf. Deze methoden zijn gebonden aan factoriële $O(N!)$ of exponentiële $O(N^2 2^N)$ computationele complexiteiten, wat ze onpraktisch maakt voor real-world toepassingen waarbij probleeminstanties groter zijn dan ongeveer $N \le 25$.

Methodologie

Het artikel stelt een nieuw continu-analytisch kader voor dat discrete permutatieruimtes afbeeldt op een continue waarschijnlijkheidsstroom-tensor-manifold. In plaats van discrete zoekbomen te doorzoeken, herformuleert de methode de optimalisatietaak als een algebraïsch tensor-propagatieprobleem. De aanpak wordt beheerst door drie kernpostulaten:

1. Continue Manifold Embedding: Discrete permutaties worden ingebed in een continue waarschijnlijkheidsstroom-tensorruimte $P \in \mathbb{R}^{N \times N}$. Transitiekansen worden gedefinieerd door inverse kosten machtswetten, waarbij de waarschijnlijkheid $P_{ij}$ omgekeerd evenredig is aan de gewichten van de randgradiënten tot een schaleringsparameter $\alpha$.
2. Geschiedenisafhankelijke Cumulatieve & Transcendente Normalisatie: Om Hamiltoniaanse restricties af te dwingen zonder exponentiële subset-maskering, worden padwaarschijnlijkheden dynamisch gewogen. Het artikel introduceert drie analytische formuleringen:
   • Benadering 1 (Standaard Prob-Flow): Scoort transities op basis van de ratio van waarschijnlijkheid tot randkosten.
   • Benadering 2 (Pi-Exponentiële Heuristiek): Past een transcendente schaling toe met behulp van $\pi$ op de waarschijnlijkheidswaarden.
   • Benadering 3 (Transcendente HK Relaxatie): Maakt gebruik van een statisch vooraf berekende array-factor $\gamma(N) = \pi^{(N^2 / 2^N)}$.
3. Spectrale Reeks Afkorting: De onhandelbare permanent van cyclusdekkingen wordt benaderd met behulp van afgekorte Maclaurin-reeksexpansies van de matrixexponentiële genererende functie $e^{tW}$. Dit reduceert de extractie van coëfficiënten tot polynomiale matrixvermenigvuldigingsgrenzen, specifiek $O(N)$.

De resulterende algoritme opereert in drie fasen: Tensor Initialisatie, Transitie Tensor Constructie en Sequentiële Toestands-propagatie. Het voert $N$ stappen uit om niet-bezochte knopen te evalueren, waarbij de minimale kosten-tot-waarschijnlijkheid score wordt geselecteerd, wat resulteert in een strikte deterministische executietijd van $O(N^3)$.

Belangrijkste Bijdragen

• Algoritmische Verschuiving: Een deterministisch algoritme dat exponentiële subset-enumeratie omzeilt door gebruik te maken van stochastische matrices, transcendente schaleringsfactoren en afgekorte Maclaurin-reeksen.
• Complexiteitsreductie: Theoretische reductie van TSP-tourgeneratie van exponentiële tijd naar strikte $O(N^3)$ polynomiale tijd.
• Implementatie: Voorziening van code-implementaties in zowel Python (NumPy) als Java, die de haalbaarheid van de tensor-propagatiebenadering demonstreren.
• Schaalbaarheid: Demonstratie van stabiele schaalbaarheid voor enterprise-schaal graaftopologieën, waarbij de executietijden laag blijven zelfs naarmate $N$ toeneemt.

Resultaten

Het artikel presenteert uitgebreide benchmarkresultaten voor probleemgroottes $N = 1$ tot $100$, waarbij de voorgestelde analytische benaderingen worden vergeleken met de exacte Held-Karp baselines.

• Executietijd: De voorgestelde $O(N^3)$ methode vertoont significant snellere executietijden vergeleken met Held-Karp. Voor $N=20$ duurt de voorgestelde methode 0,205 ms, terwijl Held-Karp 870.000 ms vereist. Voor $N=100$ voltooit de voorgestelde methode in 15,80 ms, terwijl wordt opgemerkt dat Held-Karp "Static-Array" lookups vereist (wat impliceert dat de exponentiële methode onhaalbaar is).
• Oplossingskwaliteit: De gegenereerde tour-kosten van de voorgestelde benaderingen worden gerapporteerd als empirisch in lijn met de bekende optimale baselines.
  • Benadering 1 en Benadering 3: Deze methoden leveren kosten die identiek zijn aan de exacte Held-Karp baseline over alle geteste instanties ($N=1$ tot $100$).
  • Benadering 2: Deze methode vertoont kleine afwijkingen (bijv. bij $N=6$, kost is 399,10 vs. 398,50 exact), maar blijft dicht bij de optimale baseline.
• Grootschalige Schaling: Het artikel bevat projecties voor ultra-grote grafen tot $N=10.000$. Het schat dat voor $N=10.000$ het algoritme ongeveer $1,00 \times 10^{12}$ FLOPs, 800 MB geheugen en een executietijd van ongeveer 15,80 minuten zal vereisen.

Betekenis en Claims

Het artikel claimt dat door combinatorische optimalisatie te herformuleren via continue algebraïsche tensors, transcendente schalingen en polynomiale reeksbenaderingen, TSP-tourgeneratie deterministisch in polynomiale tijd kan worden uitgevoerd. De auteur stelt dat dit raamwerk de mogelijkheid biedt om exponentiële subset-enumeratie te omzeilen terwijl de empirische uitlijning met optimale oplossingen behouden blijft.

De significantie van dit werk wordt gepresenteerd als een potentiële oplossing voor de schaalbaarheidsbeperkingen van huidige TSP-solvers, waardoor de afhandeling van enterprise-schaal graaftopologieën mogelijk wordt die voorheen beperkt waren tot kleine instanties. Het artikel concludeert door te vermelden dat toekomstig werk zich zal richten op hardware-acceleratie via GPU tensor cores om de prestaties voor massieve ijle graafinstanties ($N > 10.000$) verder te optimaliseren.