1. Μεθευρετικές μέθοδοι και τεχνικές
εμπνευσμένες από τον κβαντικό υπολογισμό
για αλγόριθμους βελτιστοποίησης
Υποστήριξη Διδακτορικής Διατριβής
Εκπόνηση: Χρήστος Παπαλίτσας
Επιβλέπων:
Θοδωρής Ανδρόνικος,Αναπληρωτής Καθηγητής,Ιόνιο Πανεπιστήμιο
Μέλος: Παναγιώτης Βλάμος, Καθηγητής, Ιόνιο Πανεπιστήμιο
Μέλος: Μάρκος Αυλωνίτης, Αναπληρωτής Καθηγητής,Ιόνιο Πανεπιστήμιο
Τμήμα Πληροφορικής, Ιόνιο Πανεπιστήμιο
2. Περιεχόμενα
1. Η Μεθοδολογία
2. Το Πρόβλημα
3. Η συνεισφορά μας
4. QUBO / D-Wave κβαντικός υπολογιστής
5. Παραγόμενο Ερευνητικό Έργο
6. Επίλογος
1
3. Μια ανασκόπηση(1/2)
• Αλγόριθμοι Συνδιαστικής Βελτιστοποίησης:
• Μεθευρετικές Διαδικασίες
• Αναζήτηση Μεταβαλλόμενης Γειτονιας -> Η Κβαντικα εμπνευσμένη
Αναζήτηση Μεταβαλλόμενης Γειτονιάς
• Προβλήματα που μπορούν να επιλυθούν από αλγόριθμους
βελτιστοποίησης:
• Προβλήματα Δρομολόγησης
• Το Πρόβλημα του Πλανόδιου Πωλητή
• Το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά Παράθυρα
2
4. Μια ανασκόπηση(2/2)
• Η Κβαντικά Εμπνευσμένη Μεθευρετική Μέθοδος
• Αναζήτηση Μεταβαλλόμενης Γειτονίας -> Η Κβαντικά εμπνευσμένη
Αναζήτηση Μεταβαλλόμενης Γειτονιάς
• Υπολογιστική και Στατιστική Μελέτη
• Στατιστική Ανάλυσή των διαφορετικών μεθόδων
• Σύγκριση της μεθόδου μας με άλλες υλοποιήσεις από την
πρόσφατη βιβλιογραφία
• Προβλήματα από τον πραγματικό κόσμο που εκφράζονται σαν
προβλήματα συνδυαστικής βελτιστοποίησης
• Το πρόβλημα της περισυλλογής απορριμάτων
• Ο κβαντικός υπολογιστής D-Wave
• Το QUBO μοντέλο
• Το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά Παράθυρα
εκφρασμένο ως QUBO για να εκτελεστεί στον D-Wave.
3
6. VNS Αναζήτηση Μεταβαλλόμενης Γειτονιάς(1/2)
• Η Αναζήτηση Μεταβαλλόμενης Γειτονιάς (VNS) είναι μια
μεθευρετική μέθοδος για την επίλυση ενός συνόλου
προβλημάτων συνδυαστικής και ολικής βελτιστοποίησης.
• Αυτή η στρατηγική-διαδικασία διέπεται από τρεις αρχές:
1. Ένα τοπικό ελάχιστο για μια δομή γειτνίασης δεν μπορεί να είναι
ένα τοπικό ελάχιστο για μια διαφορετική δομή γειτνίασης
2. Ένα ολικό ελάχιστο είναι ένα τοπικό ελάχιστο για όλες τις πιθανές
δομές γειτνίασης, και
3. Ένα τοπικό ελάχιστο σχετίζεται στενά με το ολικό ελάχιστο για
πολλές κλάσεις προβλημάτων.
4
7. VNS Αναζήτηση Μεταβαλλόμενης Γειτονιάς(2/2)
• Η συστηματική αλλαγή γειτονιάς προσπαθεί να βρει μια βέλτιστη
(ή σχεδόν βέλτιστη) λύση.
• Η ευρετική της Αναζήτησης Μεταβαλλόμενης Γειτονιάς
αποτελείται από τρία μέρη:
1. Μια διαδικασία διαταραχής της λύσης -> χρησιμοποιείται για να
διαφύγουμε από τα τοπικά βέλτιστα.
2. Φάση βελτίωσης: εξερεύνηση δομών γειτνίασης μέσω
διαφορετικών τοπικών κινήσεων αναζήτησης. συστηματική αλλαγή
γειτονιάς για την επίτευξη μιας βέλτιστης (ή κοντά στην βέλτιστη)
λύση.
3. Η αναζήτηση της επόμενης γειτονιάς αλλάζει, όταν καθορίζεται η
ακόλουθη δομή γειτνίασης.
• (ένα κριτήριο έγκρισης ή απόρριψης εφαρμόζεται στην τελευταία
λύση που βρέθηκε)
5
9. TSP Ιστορικά Στοιχεία
• Πρώτα διατυπώθηκε μαθηματικά το 1800 από τον Ιρλανδό
μαθηματικό W. R. Hamilton και τον Άγγλο μαθηματικό Thomas
Kirkman.
• Η γενική μορφή του TSP μελετήθηκε πρώτη φορά από
μαθηματικούς τη δεκαετία του 1930 στη Βιέννη και στο
Χάρβαρντ από τον Karl Menger, ο οποίος όρισε το πρόβλημα.
6
10. TSP Το Πρόβλημα του Πλανόδιου Πωλητή
• Το TSP είναι το πρόβλημα της εύρεσης του συντομότερου
Χαμιλτονιανού κύκλου.
• Το TSP είναι NP-hard πολυπλοκότητας
• Συμμετρικό TSP, Μη συμμετρικό TSP, Πολλαπλό TSP.
• Πολλές εφαρμογές σε πολλούς διαφορετικούς τομείς
(Εφοδιαστική Αλυσίδα, Τεχνητή Νοημοσύνη, Μηχανική Μάθηση,
Τεχνολογία Λογισμικού κλπ.).
7
11. TSP Διατύπωση
• Ένας μη κατευθυνόμενος γράφος G = (V, E), αν είναι συμμετρικό.
• Ένας κατευθυνόμενος γράφος G = (V, A), αν είναι μη συμμετρικό.
• Το σύνολο V = {1,2,3, ..., n} είναι το σύνολο κορυφών.
• A = {(i, j): i, j ∈V, i < j} είναι το σύνολο των ακμών.
• Με το n δηλώνουμε έναν αριθμό πόλεων (κόμβοι).
• Ένας πίνακας κόστους C = (ci,j) ορίζεται στο E.
• Οι κορυφές μπορούν να είναι σημεία Pi = (Xi, Yi) σε εναν
δισδιάστατο χώρο, και ci,j =
√
((Xi − Xi)2 + (Yi − Yj)2) είναι η
Ευκλείδεια απόσταση μεταξύ τους.
• Ο συνολικός αριθμός πιθανών διαδρομών είναι ίσος με (n-1)!/2.
• Το πρόβλημα του Πλανόδιου Πωλητή με Χρονικά Παράθυρα
(TSP-TW) είναι μια παραλλαγή του κλασσικού TSP
• Οι πόλεις (ή οι πελάτες) θα πρέπει να επισκεφθούν σε μια
συγκεκριμένη περίοδο (ή ”χρονικό παράθυρο”).
8
13. Σύνοψη της συνεισφοράς
• Ανάπτυξη πρωτότυπου κβαντικά εμπνευσμένου αλγόριθμου για
την επίλυση του προβλήματος του πλανόδιου πωλητή και της
παραλλαγής του προβλήματος του πλανόδιου πωλητή με
χρονικά παράθυρα.
• Ανάπτυξη και άλλων συμβατικών μεθευρετικών μεθόδων και
σύγκριση αυτών με την δική μας υλοποίηση
• Σύγκριση και άλλων γνωστών από την πρόσφατη βιβλιογραφία
υλοποιήσεων με τον δικό μας αλγόριθμο -> υπολογιστική
υπεροχή
• Εφαρμογή του αλγόριθμου μας στο πρόβλημα της περισυλλογής
απορριμμάτων
• Μελέτη Περίπτωσης για την πόλη της Κέρκυρας μέσω ενός απλού
παραδείγματος
9
14. Επιμέρους στοιχεία του GVNS σχήματος που κατασκευάσαμε
(1/2)
• Δομές Γειτνίασης
• 1-0 Relocate. Αυτή η κίνηση αφαιρεί τον κόμβο i από την τρέχουσα
θέση του στη διαδρομή και την εισάγει ξανά μετά από έναν
επιλεγμένο κόμβο b.
• 2-Opt. Η 2-Opt κίνηση σπάει δύο τόξα στην τρέχουσα λύση και τα
επανασυνδέει με διαφορετικό τρόπο.
• 1-1 Exchange. Αυτή η κίνηση ανταλλάσσει δύο κόμβους στην
τρέχουσα διαδρομή(λύση).
10
16. Εντατικοποιημένη διαταραχή
Algorithm 1 Shake_1
procedure Shake_1(S, kmax)
l = random_integer(1, lmax)
for k ← 1, kmax do
select case(l)
case(1)
S′
← 1-0 Relocate(S)
case(2)
S′
← 2-Opt(S)
case(3)
S′
← 1-1 Exchange(S)
end select
end for
return S′
12
17. Κβαντικά εμπνευσμένη διαταραχή(1/3)
Algorithm 2 Shake_2
procedure Shake_2(S, n)
NQubits ← QuantumRegister(n)
Υπολογίσε τα επιμέρους στοιχεία που βασίζονται στο qubits.
Αποθήκευσε τα n στοιχεία στο διάνυσμα QCompVector.
Αντιστοίχισε κάθε στοιχεί στο QCompVector με έναν κόμβο στο S.
Με φθίνουσα ταξινόμηση στο QCompVector δημιουργείτε ο S′
.
Υπολογίστε ξανά το κόστος του νέου S′
.
return S′
13
18. Κβαντικά εμπνευσμένη διαταραχή(2/3)
• Το qubit είναι το κβαντικό ανάλογο του κλασσικού bit.
• Ο κβαντικός καταχωρητής, μια συλλογή από qubits, είναι το
κβαντικό ανάλογο του κλασσικού καταχωρητή.
• Σε κάθε κλήση αυτής της μεθόδου διαταραχής, ένας
προσομοιωμένος n-qubit κβαντικός καταχωρητής δημιουργεί
ένα κανονικοποιημένο μιγαδικό n-διαστάσεων μοναδιαίο
διάνυσμα.
• Το μιγαδικό n-διαστάσεων διάνυσμα μετατρέπεται σε ένα
πραγματικό n-διαστάσεων διάνυσμα, τα στοιχεία του οποίου
είναι πραγματικοί αριθμοί μεταξύ [0, 1].
• Αν zi και ri είναι τα i-ιοστά στοιχεία του μιγαδικού και
πραγματικού διανύσματος αντίστοιχα, τότε ri = |zi|2
, για
παράδειγμα ri είναι ίσο με το συντελεστή του τετραγώνου του zi.
14
19. Κβαντικά εμπνευσμένη διαταραχή(3/3)
• Καθένα από τα επιλεγμένα στοιχεία του πραγματικού
διανύσματος αντιστοιχούν σε έναν κόμβο από τους συνολικούς
κόμβους της τρέχουσας λύσης.
• Για κάθε κόμβο της τρέχουσας λύσης τα παραπάνω στοιχεία του
διανύσματος, χρησιμοποιούνται για να ’μαρκάρουν’ τον κόμβο.
• Η ταξινόμηση του πρώτου διανύσματος επηρεάζει τη σειρά του
διανύσματος λύσης λόγω της αντιστοιχίας μεταξύ στοιχείων και
κόμβων σε μια διαδρομή και έτσι οδηγεί την προσπάθεια
εξερεύνησης του αλγορίθμου σε άλλο σημείο του χώρου
αναζήτησης.
15
20. Διαταραχή τυχαίας επανεκκίνησης
Algorithm 3 Shake_3
procedure Shake_3(S, n)
for i ← 1, n do
S′
← Suffle (S)
if Η τυχαία επιλεγμένη θέση δεν έχει ήδη εκχωρηθεί then
Τοποθέτησε τον κόμβο i στην επιλεγμένη θέση
Επισήμανε την επιλεγμένη θέση ως εκχωρημένη
end if
end for
return S′
16
21. Το GVNS σχήμα μας | pipe VND (1/2)
Algorithm 4 pipe-VND
procedure pVND(N, lmax)
l = 1
while l <= lmax do
select case(l)
case(1) : S′
← 1-0 Relocate(S)
case(2) : S′
← 2-Opt(S)
case(3) : S′
← 1-1 Exchange(S)
end select
if f(S′
) < f(S) then
S ← S′
else
l = l + 1
end if
end while
return S
end procedure=0
17
22. Το GVNS σχήμα μας (2/2)
Algorithm 5 GVNS_1
procedure GVNS_1(S, kmax, max_time)
while time ≤ max_time do
S∗
= Shake_1(S, kmax)
S′
= pVND(S∗
)
if f(S′
) < f(S) then
S ← S′
end if
end while
return S
18
27. Στατιστική Ανάλυση των υπολογιστικών αποτελεσμάτων(1/3)
• Τεστ κανονικότητας -> δεν ακολουθούν την κανονική κατανομή.
• Kruskal-Wallis τεστ για τον έλεγχο ύπαρξης στατιστικά σημαντικής
διαφοράς μεταξύ των μεθόδων.
• p-value μικρότερη από 0,05 σημαίνει ότι υπάρχει στατιστικά σημαντική
διαφορά.
Table 5: Kruskal–Wallis τεστ κατηγοριοποίησης αθροίσματος
X2
df p-Value
FI_1min 6.8689 2 0.0322
FI_2mins 9.0314 2 0.0109
BI_1min 9.2739 2 0.0097
BI_2mins 9.6658 2 0.008
• Συγκρίσεις κατά ζεύγη -> Πίνακας 6
• GVNS_1 αποδίδει καλύτερα από την GVNS_2 GVNS_3
• GVNS_2 GVNS_3 αποδίδουν ισοδύναμα κατά πρώτη βελτίωση ενω,
• GVNS_2 πολύ καλύτερη από GVNS_3 στη στρατηγική καλύτερης
βελτίωσης
23
29. Στατιστική Ανάλυση των παραπάνω υπολογιστικών
αποτελεσμάτων(3/3)
Σε σχέση με αυτήν τη στατιστική ανάλυση Kruskal – Wallis, έχουμε τέσσερα γραφήματα που απεικονίζονται στα παρακάτω σχήματα. Κάθε
ένα απεικονίζει είτε κατά Πρώτη Βελτίωση είτε κατά Καλύτερη Βελτίωση για ένα λεπτό, καθώς και για δύο λεπτά.
Figure 1: box plots με τα στατιστικά τεστ για τα ασύμμετρα TSP 1 λεπτό
Figure 2: box plots με τα στατιστικά τεστ για τα ασύμμετρα TSP 2 λεπτά 25
30. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(1/9)
• Τα κλασσικά λογισμικά υπολογισμού δρομολόγησης
χρησιμοποιούν τον αλγόριθμο του πλησιέστερου γείτονα (NN) ή
τις παραλλαγές του.
• Πραγματοποιήσαμε δοκιμές και συγκρίσεις της υλοποίησης μας
με τον αλγόριθμο του πλησιέστερου γείτονα και τις παραλλαγές
του και διαπιστώσαμε ότι ο αλγόριθμος μας υπερέχει (όπως
φαίνεται και στα παρακάτω σχήματα).
• Κάθε πρόβλημα αναφοράς αντιπροσωπεύεται με 4 διαφορετικές
γραμμές, μία για κάθε μέθοδο:
1. τον αλγόριθμο Πλησιέστερου Γείτονα,
2. τη βέλτιστη τιμή
3. την μέθοδο μας κατά καλύτερη βελτίωση
4. την μέθοδο μας κατά πρώτη βελτίωση
26
31. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(2/9)
Table 7: Τα υπολογιστικά αποτελέσματα δείχνουν ότι η νέα GVNS ξεπερνά τον
αλγόριθμο του πλησιέστερου γείτονα σε όλα τα στιγμιότυπα του TSP.
Στιγμιότυπο NN Gap
NN vs OV
GVNS BI Gap GVNS
BI vs. OV
GVNS FI Gap GVNS
FI vs. OV
OV
a280 3157 -0.2241 2779 -0.0775 2766 -0.0725 2579
bier127 135737 -0.1475 121393 -0.0263 121551 -0.0276 118282
kroA100 27807 -0.3065 21664 -0.0179 21774 -0.0231 21282
burma14 4501 -0.3544 3454 -0.0394 3454 -0.0394 3323
ch130 7579 -0.2404 6342 -0.0380 6373 -0.0430 6110
ch150 8191 -0.2547 6849 -0.0492 6871 -0.0525 6528
d493 41666 -0.1903 37715 -0.0775 37882 -0.0823 35002
kroB100 29158 -0.3169 22514 -0.0168 22786 -0.0291 22141
kroC100 26227 -0.2640 21148 -0.0192 21245 -0.0239 20749
kroA200 35859 -0.2210 30900 -0.0522 31179 -0.0617 29368
kroB200 36980 -0.2562 31119 -0.0571 31387 -0.0662 29437
d198 18240 -0.1558 16196 -0.0264 16260 -0.0304 15780
brg180 69550 -34.6666 2026 -0.0390 2038 -0.0451 1950
berlin52 8980 -0.1906 7547 -0.0007 7590 -0.0064 7542
dantzig42 956 -0.3676 701 -0.0029 701 -0.0029 699
eil101 803 -0.2766 647 -0.0286 649 -0.0318 629
eil51 511 -0.1939 428 0.0000 429 -0.0023 428
eil76 642 -0.1933 548 -0.0186 549 -0.0204 538
27
33. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(4/9)
0
1000
2000
3000
4000
5000
6000
7000
8000
eil51
eil76
eil101
dantzig42fri26
gr24
bayg29
bays29
gr17
gil262
a280
gr21
burm
a14gr48
ch130
Objectivevalue
Benchmark name
qGVNS vs. NN and Optimal(1/3)
NN
Best Improvement
First Improvement
Optimal
Figure 4: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
29
34. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(5/9)
5000
10000
15000
20000
25000
30000
35000
40000
ch150
gr120
berlin52att48
hk48
lin105
d198
kroC
100kroA100kroD
100kroE100kroB100kroB150kroA150kroA200kroB200
Objectivevalue
Benchmark name
qGVNS vs. NN and Optimal(2/3)
NN
Best Improvement
First Improvement
Optimal
Figure 5: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
30
35. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(6/9)
20000
40000
60000
80000
100000
120000
140000
160000
180000
200000
220000
240000
d493
gr202
lin318
pr107
pcb442
gr96
pr144
pr124
gr137
pr152
pr226
pr136
pr76
bier127
gr229
gr431
Objectivevalue
Benchmark name
qGVNS vs. NN and Optimal(3/3)
NN
Best Improvement
First Improvement
Optimal
Figure 6: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
31
36. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(7/9)
0
1000
2000
3000
4000
5000
6000
7000
8000
eil51
eil76
eil101
dantzig42fri26
gr24
bayg29
bays29
gr17
gil262
a280
gr21
burm
a14gr48
ch130
Objectivevalue
Benchmark name
qGVNS vs. I-NN, R-NN, and Optimal(1/3)
Improved NN
Repeated NN
Best Improvement
First Improvement
Optimal
Figure 7: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
32
37. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(8/9)
5000
10000
15000
20000
25000
30000
35000
40000
ch150
gr120
berlin52att48
hk48
lin105
d198
kroC
100kroA100kroD
100kroE100kroB100kroB150kroA150kroA200kroB200
Objectivevalue
Benchmark name
qGVNS vs. I-NN, R-NN, and Optimal(2/3)
Improved NN
Repeated NN
Best Improvement
First Improvement
Optimal
Figure 8: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
33
38. Συγκριτική μελέτη μεταξύ του πλησιέστερου γείτονα και της
κβαντικά εμπνευσμένης μεθόδου(9/9)
20000
40000
60000
80000
100000
120000
140000
160000
180000
200000
220000
d493
gr202
lin318
pr107
pcb442gr96
pr144
pr124
gr137
pr152
pr226
pr136
pr76
bier127gr229
gr431
Objectivevalue
Benchmark name
qGVNS vs. I-NN, R-NN, and Optimal(3/3)
Improved NN
Repeated NN
Best Improvement
First Improvement
Optimal
Figure 9: Σύγκριση μεταξύ των GVNS του πλησιέστερου γείτονα και της
βέλτιστης τιμής.
34
39. Σύγκριση της μεθόδου μας με άλλες υλοποιήσεις(1/3)
Table 9: Συγκρίσεις μεταξύ των GVNS_1 και GVNS_2 με καλύτερη βελτίωση και
δυο λεπτά με την πρόσφατη εργασία των Halim et al.
Στιγμιότυπο OV GVNS_1 GVNS_2 GA SA TS ACO TPO
eil51.tsp 426 426 426 454.1 439.13 439.1 467.46 437.26
berlin52.tsp 7542 7542 7542 7946.4 7960.67 7740.1 7922.32 7705.8
st70.tsp 675 676 675 700.72 696.33 690.27 756.55 697.12
kroA100.tsp 21282 21282 21312 22726.2 22277.5 22521.64 22941.68 22463.6
ch130.tsp 6110 6137 6208 6610.8 6558.7 6717.06 6913.99 6515.28
rat195.tsp 2323 2349 2448 2414.52 2537.99 2373.94 2465.11 2573.47
a280.tsp 2579 2630 2725 2789.83 2830.18 2800.79 2867.85 2790.54
rd400.tsp 15281 15684 16272 16567.29 16816.65 20723.56 19259.06 18190.84
pcb442.tsp 50778 52381 54108 55718.9 57421.04 83123.01 63436.7 60750.43
35
40. Σύγκριση της μεθόδου μας με άλλες υλοποιήσεις(2/3)
Ο Πίνακας 10 δείχνει τις συντομογραφίες σχετικά με τους παραπάνω
μεθευρετικούς αλγόριθμους.
Table 10: Συντομογραφίες.
GA Γενετικός Αλγόριθμος
SA Προσομοιωμένη Ανόπτηση
TS Αναζήτηση Ταμπού
ACO Βελτιστοποίηση Αποικιών
TPO Βελτιστοποίηση Φυσιολογίας Δέντρων
36
41. Σύγκριση της μεθόδου μας με άλλες υλοποιήσεις(3/3)
Table 11: Συγκρίσεις μεταξύ των GVNS_1 και GVNS_2 με καλύτερη βελτίωση
και δυο λεπτά με την πρόσφατη δουλεία με βάση την VNS των Hore et al.
Στιγμιότυπο OV GVNS_1 GVNS_2 Μέση Τιμή Μέση Τιμή Χρόνου
eil51.tsp 426 426 426 428.98 454.1
berlin52.tsp 7542 7542 7542 7544.36 7946.4
st70.tsp 675 676 675 677.11 700.72
kroA100.tsp 21282 21282 21312 21695.79 22726.2
ch130.tsp 6110 6137 6208 6153.72 6610.8
rat195.tsp 2323 2349 2448 2453.81 1382.34
rd400.tsp 15281 15684 16272 16250.21 1953.49
pcb1173.tsp 56892 61479 63387 63435.95 9531.54
pcb442.tsp 50778 52381 54108 50800.24 2183.27
37
42. Το πρόβλημα της περισυλλογής απορριμάτων σαν TSP
• Μια διαδικασία με ουσιαστική σημασία για τον χειρισμό του
καθημερινού προγραμματισμού της κυκλοφορίας μιας πόλης
είναι η δρομολόγηση των απορριμματοφόρων
• Οι βέλτιστες διαδρομές αντιστοιχούν στον ελάχιστο απαιτούμενο
χρόνο μεταφοράς και στην ελάχιστη απόσταση
• Η εύρεση βέλτιστων διαδρομών αποδεικνύεται συνήθως
χρονοβόρα, ειδικά στην περίπτωση μητροπολιτικών πόλεων με
πολύ πυκνά οδικά δίκτυα.
38
43. Το πρόβλημα της περισυλλογής απορριμάτων σαν TSP
• Η GVNS που αναπτύξαμε προσφέρει βελτιωμένες λύσεις για
προβλήματα από τον πραγματικό κόσμο.
• Η ενσωμάτωση της βελτιωμένης VNS στο σύστημα
γεωπληροφόρησης GIS θα μειώσει το χρόνο απόκρισης του
συστήματος και θα παρέχει σχεδόν βέλτιστες λύσεις.
• Ένα σύστημα που προσφέρει λύση στο πρόβλημα της
διαχείρισης των δρομολογίων των απορριμματοφόρων.
• Βασίζεται σε μία κβαντικά εμπνευσμένη μεθευρετική που στην
ουσία επιλύει το Πρόβλημα του Πλανόδιου Πωλητή (TSP) και
ενσωματώνεται στις τεχνολογίες των συστημάτων
γεωπληροφορικής και γεωπληροφόρησης (GIS / GPS).
39
44. Μελέτη Περίπτωσης: Το παράδειγμα της Κέρκυρας(1/3)
• Εφαρμόσαμε τον παραπάνω κβαντικά εμπνευσμένο αλγόριθμο
βελτιστοποιησης στο προβλημα της περισυλλογής απορριμάτων
• Ο αλγόριθμος παρείχε άμεσα διαδρομές κοντά στο βέλτιστο για
τα απορριματοφόρα
• Ελαχιστοποίηση του κόστους της διαδρομής -> Λιγότερα Καυσιμα
-> Λύση φιλική προς το περιβάλλον -> ”Αειφόρος ανάπτυξη”
• Μελέτη Περίπτωσης: Η περισυλλογή των απορριμάτων στο νησί
της Κέρκυρας -> Ένα παράδειγμα από τον πραγματικό κόσμο ->
Ενθαρυντικά αποτελέσματα
40
45. Μελέτη Περίπτωσης: Το παράδειγμα της Κέρκυρας(2/3)
Table 12: Οι συντεταγμένες του κάθε κάδου-κόμβου
Κόμβος Γεωγραφικό μήκος Γεωγραφικό πλάτος Σχόλιο
1 39.6422466 19.8223686 η αφετηρία
2 39.6404733 19.8229525 ένας κόμβος/κάδος
3 39.6413691 19.8306238 ένας κόμβος/κάδος
4 39.6407922 19.8370158 ένας κόμβος/κάδος
5 39.6374761 19.8386927 ένας κόμβος/κάδος
6 39.6329728 19.8526526 ένας κόμβος/κάδος
7 39.6308208 19.8660169 ένας κόμβος/κάδος
8 39.6246663 19.8778979 ένας κόμβος/κάδος
9 39.6234445 19.8863486 ένας κόμβος/κάδος
10 39.6247393 19.8899176 ένας κόμβος/κάδος
11 39.6284544 19.8880917 ένας κόμβος/κάδος
12 39.6297152 19.8887043 ένας κόμβος/κάδος
13 39.6257976 19.9083606 ένας κόμβος/κάδος
14 39.625156 19.9085661 ένας κόμβος/κάδος
15 39.6243003 19.9219708 ένας κόμβος/κάδος
16 39.6256647 19.9108012 ένας κόμβος/κάδος
17 39.6262482 19.9179632 ένας κόμβος/κάδος
18 39.6251191 19.9187309 ένας κόμβος/κάδος
19 39.6254352 19.9195927 ένας κόμβος/κάδος
20 39.6246342 19.9219791 ένας κόμβος/κάδος
21 39.6243003 19.9219708 ένας κόμβος/κάδος
• Η σειρά των κόμβων-κάδων μετά την εκτέλεση του αλγόριθμου
δίνεται από το παρακάτω διάνυσμα:
[0,6,2,11,19,3,4,8,5,14,15,10,9,7,20,13,18,16,12,17,1]
41
46. Μελέτη Περίπτωσης: Το παράδειγμα της Κέρκυρας(3/3)
Figure 10: Η μελέτη περίπτωσης ανακύκλωσης απορριμμάτων της Κέρκυρας.
42
48. D-wave - QUBO
• Μια μεθευρετική διαδικασία για την εύρεση ολικού ελάχιστου
όρου μιας αντικειμενικής συνάρτησης σε ένα σύνολο λύσεων που
χρησιμοποιεί κβαντικές διακυμάνσεις (fluctuations).
• Η κβαντική ανόπτηση (QA) μπορεί να συγκριθεί με την
προσομοιωμένη ανόπτηση (SA), της οποίας η παράμετρος
”θερμοκρασία” παίζει αντίστοιχο ρόλο με την ισχύ του πεδίου
σήραγγας της κβαντικής ανόπτησης.
• Η κβαντική ανόπτηση χρησιμοποιείται από τον ευρέως γνωστό
κβαντικό υπολογιστή D-WAVE.
• Αυτό επιτυγχάνεται μέσω της QUBO (Quadratic Unconstrained
Binary Optimization) τεχνικής
43
49. Quadratic Unconstrained Binary Optimization (QUBO)
• Eίναι μια τεχνική αντιστοίχησης προτύπων (pattern matching),
γνωστή από εφαρμογές μηχανικής μάθησης (machine learning).
• Το QUBO πρόβλημα είναι NP-hard.
• Τα προβλήματα QUBO ταιριάζουν σε αλγόριθμους που
επιλύονται από την κβαντική ανόπτηση (Quantum Annealling).
• Συνεπώς αν εκφράσουμε οποιοδήποτε πρόβλημα στην μορφή
του QUBO μπορεί να επιλυθεί από τον κβαντικό υπολογιστή
D-WAVE.
44
50. QUBO για το Προβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (1/7)
• Το πρόβλημα του Πλανόδιου Πωλητή -> QUBO (2014) -> έχει
επιλυθεί στον D-WAVE.
• Papalitsas, C., Andronikos, T., Giannakis, K., Theocharopoulou, G.,
Fanarioti, S. (2019). A qubo model for the traveling salesman
problem with time windows. Algorithms, 12(11), 224.
• Στην παραπάνω εργασία μας του 2019 παρουσιάσαμε τον QUBO
φορμαλισμό για το πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα. Είναι η πρώτη φορά που παρουσιάζεται στην
βιβλιογραφία QUBO φορμαλισμός για ένα τόσο δύσκολο
πρόβλημα.
• Το συγκεκριμένο πρόβλημα είναι από τα ”δυσκολότερα”
προβλήματα βελτιστοποίησης αφού ακόμα και η εύρεση μιας
εφικτής λύσης (και όχι βέλτιστης) είναι ένα πρόβλημα NP-HARD
πολυπλοκότητας.
45
51. QUBO για το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (2/7)
Στην περίπτωση του TSPTW, ανακαλύψαμε ότι είναι πιο συμφέρουσα
η χρήση δυαδικών μεταβλητών που παραμετροποιούνται από τρεις
ακέραιους αριθμούς: u, v και i.
στο υπόλοιπο της ανάλυσής μας, θα χρησιμοποιήσουμε τις δυαδικές
μεταβλητές xi
u,v
xi
u,v =
{
1, πελάτες u και vείναι στις θέσεις i − 1 και i
0, αλλιώς
(1)
46
52. QUBO για το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (3/7)
Οι περιορισμοί κωδικοποιούνται στην Χάμιλτονιανή Hc ως εξής:
Hc = B
n+1∑
i=1
1 −
n∑
u=0
n∑
v=0
v̸=u
xi
u,v
2
+ B
(
1 −
n∑
v=1
x1
0,v
)2
+ B
(
1 −
n∑
v=1
xn+1
v,0
)2
+ B
n∑
u=1
(
1 −
n∑
i=2
n∑
v=1
xi
u,v
)2
(2)
+ B
n∑
v=1
(
1 −
n∑
i=2
n∑
u=1
xi
u,v
)2
47
53. QUBO για το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (4/7)
Χρησιμοποιώντας τις xi
u,v δυαδικές μεταβλητές, η απαίτηση ότι η
διαδρομή είναι ελάχιστη μπορεί να κωδικοποιηθεί από την ακόλουθη
Χαμιλτονιανή Hm.
Hm = C
n+1∑
i=1
n∑
u=0
n∑
v=0
v̸=u
xi
u,vcu,v . (3)
48
54. QUBO για το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (5/7)
Api
+
K∑
k=1
ktk,i =
n∑
u=1
n∑
v=1
v̸=u
xi
u,vlv (2 ≤ i ≤ n) , (4)
Στην παραπάνω ισοτητα, το K είναι μια θετική σταθερά που επιλέγεται
κατάλληλα λαμβάνοντας υπόψη τα συγκεκριμένα χρονικά παράθυρα.
Wi =
i∑
d=1
n∑
u=1
n∑
v=1
v̸=u
xd
u,vcu,v +
K∑
k=1
ktk,i −
n∑
u=1
n∑
v=1
v̸=u
xi
u,vlv
2
(2 ≤ i ≤ n) .
(5)
49
55. QUBO για το Πρόβλημα του Πλανόδιου Πωλητή με Χρονικά
Παράθυρα (6/7)
Ο συνδυασμός όλων των χρονικών περιορισμών οδηγεί στο
παρακάτω Χαμιλτονιανό Ht:
Ht = T(W1) + T
n∑
i=2
TWCi + T
n∑
i=1
Mi . (6)
Επομένως, για να λύσουμε το TSPTW στο πλαίσιο QUBO πρέπει να
χρησιμοποιήσουμε το Χαμιλτονιανό H που δίνεται παρακάτω:
H = Hc + Hm + Ht . (7)
Μετά από πράξεις φαίνεται ότι ο φορμαλισμός που δημιουργήσαμε
για το TSPTW μπορεί να υλοποιηθεί στον D-WAVE, αφού κάθε όρος
δεν έχει περισσότερες από 2 δυαδικές μεταβλητές (με πράσινο
ακριβώς μια δυαδική μεταβλητή και με μπλε ακριβώς δύο). 50
58. Δημοσιεύσεις σε επιστημονικά περιοδικά
• Papalitsas, C., Andronikos, T. (2019). Unconventional GVNS for
Solving the Garbage Collection Problem with Time Windows.
Technologies, 7(3), 61.
• Papalitsas, C., Karakostas, P., Andronikos, T. (2019). A
Performance Study of the Impact of Different Perturbation
Methods on the Efficiency of GVNS for Solving TSP. Applied
System Innovation, 2(4), 31.
• Papalitsas, C., Karakostas, P., Andronikos, T., Sioutas, S.,
Giannakis, K. (2018). Combinatorial GVNS (general variable
neighborhood search) optimization for dynamic garbage
collection. Algorithms, 11(4), 38.
52
59. Δημοσιεύσεις και ανακοινώσεις σε διεθνή επιστημονικά συνέδρια
με κριτές
• Papalitsas, C., Andronikos, T., Karakostas, P. (2018, October).
Studying the Impact of Perturbation Methods on the Efficiency of
GVNS for the ATSP. In International Conference on Variable
Neighborhood Search (pp. 287-302). Springer, Cham.
• Papalitsas, C., Karakostas, P., Kastampolidou, K. (2017). A
quantum inspired GVNS: Some preliminary results. In GeNeDis
2016 (pp. 281-289). Springer, Cham.
• Papalitsas, C., Giannakis, K., Andronikos, T., Theotokis, D.,
Sifaleras, A. (2015, July). Initialization methods for the TSP with
time windows using variable neighborhood search. In 2015 6th
International Conference on Information, Intelligence, Systems
and Applications (IISA) (pp. 1-6). IEEE
53
60. Aνακοινώσεις σε διεθνή επιστημονικά συνέδρια με κριτές
• Papalitsas, C., Karakostas, P., Giannakis, K., Sifaleras, A.,
Andronikos, T. (2017, June). Initialization methods for the TSP
with Time Windows using qGVNS. In Proceedings of the 6th
International Symposium on Operational Research, OR in the
Digital Era—ICT Challenges, Thessaloniki, Greece (pp. 8-10).
54
62. Συμπεράσματα
• Οι μεθευρετικές μπορούν να παρέχουν μια ’καλή’ ποιοτικά και
ποσοτικά λύση
• Διαφορετικά σχήματα μεθευρετικών εμπνευσμένα από
διαφορετικές διαδικασίες διαφέρουν στην ποιότητα των λύσεων
• Εξ’ αιτίας της ικανότητας αυτών των μεθόδων να βρίσκουν σε
σύντομο χρονικό διάστημα ποιοτικές λύσεις, μπορούν αυτές να
χρησιμοποιηθούν για την επίλυση περίπλοκων προβλημάτων
από τον πραγματικό κόσμο
• Η κβαντικά εμπνευσμένη αναζήτηση μεταβλητής γειτονιάς,
ξεπερνά σε απόδοση υλοποιήσεις από την πρόσφατη
βιβλιογραφία που έδιναν τις μέχρι τώρα καλύτερες λύσεις
55
63. Μελλοντική Έρευνα
• Ένα πεδίο για μελλοντική έρευνα θα μπορούσε να είναι ο
συνδυασμός συμβατικών και μη συμβατικών διαδικασιών για
την επίλυση τέτοιων προβλημάτων
• Η γνώση και η εξονυχιστική ανάλυση τέτοιων συμβατικών και μη
μεθευρετικών που θα εκτελεστούν όμως σε συμβατικό
(κλασσικό) υπολογιστή δίνουν κάποια απαραίτητα εφόδια και
γνώσεις στον ερευνητή για να προχωρήσει σε έρευνα και
υλοποίηση των αμιγώς μη συμβατικών μεθόδων
βελτιστοποίησης, όπως για παράδειγμα της κβαντικού
υπολογιστή D-WAVE μέσω του QUBO φορμαλισμού.
56