¿Se pueden utilizar técnicas de optimización basadas en gradientes para resolver el problema del vendedor ambulante?
El problema del vendedor ambulante es un famoso problema de optimización en el que un vendedor tiene que averiguar en qué orden viajar a través de "n" ciudades, de modo que la distancia total recorrida sea mínima y cada ciudad se visite una vez.
La "función objetivo" en este problema es una función que asigna "diferentes órdenes de ciudades" a la "distancia total correspondiente a ese orden de ciudades". Como ejemplo, la función objetivo podría verse así:
Mi pregunta: En el caso del problema del viajante de comercio, ¿es la función objetiva "diferenciable" en el mismo sentido que la ecuación de una parábola (y = x^2) es diferenciable?
A primera vista, la respuesta obviamente parece ser "no". Después de todo, ¿cómo podemos tomar la derivada de la función anterior? ¡La función anterior no está definida sobre un dominio continuo!
Entonces, ¿podemos decir que en el caso del problema del viajante de comercio (es decir, problemas de optimización combinatoria discreta), las funciones objetivo son "no diferenciables"? Si esto es cierto, ¿es entonces "imposible usar la optimización basada en gradientes en el vendedor ambulante"?
¿O incluso en tales casos, se puede decir que las funciones objetivas son diferenciables?
¿Puede alguien comentar sobre esto?
¡Gracias!
Ciertamente no.
La función objetivo del TSP no es más que un campo de mínimos locales en el que quedaría atrapado cualquier método continuo (digamos obtenido por interpolación). Y sería una tontería probar coordenadas intermedias cuando sabes que la solución ocurre en los puntos de datos dados.
TSP es un problema combinatorio, punto final.
Para una analogía, considere la minimización de
Un caso particular de optimización continua es la programación lineal (LP), donde tenemos una función objetivo lineal y un conjunto de restricciones lineales sobre las variables (restringidas a ser reales). Los LP son convexos y se pueden resolver de manera eficiente a través de algoritmos basados en gradientes, como el algoritmo simplex.
Un problema relacionado es la programación lineal de enteros mixtos (MILP), donde también tenemos una función objetivo lineal y un conjunto de restricciones lineales, pero esta vez, las variables se pueden restringir para que sean enteras. Esto ofrece mucha más expresividad, y podemos mostrar fácilmente que cada
-El problema se puede expresar como un problema MILP (polinomialmente pequeño). Sin embargo, ya no se garantiza que los métodos de gradiente converjan a la optimización ya que el problema ahora es discreto. Pero si relajamos las restricciones de integralidad de las variables, el óptimo a menudo da un fuerte límite dual a nuestro problema. Combinado con la búsqueda en árbol (a través de una rama y un límite), esto puede acelerar drásticamente la resolución (aunque la complejidad sigue siendo exponencial).
Todavía es posible expresar problemas combinatorios con funciones convexas. Usando un conjunto exponencial de restricciones, podemos expresar el problema del viajante de comercio como un problema lineal. Esto se puede lograr expresando el problema como una instancia de SAT. El conjunto de puntos formado por los vectores binarios correspondientes siempre será convexo, por lo que podemos tomar como restricciones todas las facetas de la envolvente convexa. Desafortunadamente, se sabe que siempre terminaremos con un número exponencial de facetas, sin importar cómo modelemos el problema del viajante de comercio. De hecho, todavía no conocemos ningún algoritmo de tiempo polinomial para -problemas duros.
VSeH
estadísticas_noob
caduque
usuario1015917
VSeH