 Branch-and-Bound (분기한정) 알고리즘(Algorithm)  Branch-and-Bound (분기한정) 강원대학교 컴퓨터과학전공 문양세

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

되추적 기법과 유사하게 상태공간트리를 구축하여 문제를 해결한다. Branch-and-Bound? – 특징 Branch-and-Bound 되추적 기법과 유사하게 상태공간트리를 구축하여 문제를 해결한다. 최적의 해를 구하는 문제(optimization problem)에 적용할 수 있다. 최적의 해를 구하기 위해서는 궁극적으로 모든 해를 다 고려해 보아야 한다.  해를 찾거나 찾지 못하는 여부가 트리를 순회(traverse)하는 방법에 구애 받지는 않는다.

각 노드를 검색할 때 마다, 그 노드가 유망한지의 여부를 결정하기 위해서 한계치(bound)를 계산한다. Branch-and-Bound? – 원리 Branch-and-Bound 각 노드를 검색할 때 마다, 그 노드가 유망한지의 여부를 결정하기 위해서 한계치(bound)를 계산한다. 그 한계치는 그 노드로부터 가지를 뻗어나가서(branch) 얻을 수 있는 해답치의 한계를 나타낸다. 따라서 만약 그 한계치가 지금까지 찾은 최적의 해답치 보다 좋지 않은 경우는 더 이상 가지를 뻗어서 검색을 계속할 필요가 없으므로, 그 노드는 유망하지 않다고 할 수 있다. (이 경우, 해당 서브트리를 전지(pruning)한다.)

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

0-1 Knapsack – Depth-First-Search 개념 Branch-and-Bound 분기한정 가지치기로 깊이우선검색 (= 되추적) 상태공간트리를 구축하여 되추적 기법으로 문제를 푼다. 루트 노드에서 왼쪽으로 가면 첫번째 아이템을 배낭에 넣는 경우이고, 오른쪽으로 가면 첫번째 아이템을 배낭에 넣지 않는 경우이다. 동일한 방법으로 트리의 수준 1에서 왼쪽으로 가면 두 번째 아이템을 배낭에 넣는 경우이고, 오른쪽으로 가면 그렇지 않는 경우이다. 이런 식으로 계속하여 상태공간트리를 구축하면, 루트 노드로부터 리프 노드까지의 모든 경로는 해답후보가 된다. 이 문제는 최적의 해를 찾는 문제(optimization problem)이므로 검색이 완전히 끝나기 전에는 해답을 알 수가 없다. 따라서 검색을 하는 과정 동안 항상 그 때까지 찾은 최적의 해를 기억해 두어야(메모리에 저장해 두어야) 한다.

0-1 Knapsack – DFS 기반 Generic Algorithm Branch-and-Bound void checknode(node v) { node u; if(value(v) is better than best) best = value(v); if(promising(v)) for(each child u of v) checknode(u); } best: 지금까지 찾은 제일 좋은 해답치 value(v): 노드 v에서의 해답치

0-1 Knapsack – DFS 기반 Algorithm Sketch (1/2) Branch-and-Bound wi와 pi를 각각 i번째 아이템의 무게와 값어치라고 하면, pi/wi 의 값이 큰 것부터 내림차순으로 아이템을 정렬한다. (일종의 탐욕적인 방법이 되는 셈이지만, 알고리즘 자체는 탐욕적인 알고리즘은 아니다.) 다음 값들을 각 노드에 대해서 계산한다. profit: 그 노드에 오기까지 넣었던 아이템의 값어치의 합. weight: 그 노드에 오기까지 넣었던 아이템의 무게의 합. bound(최대 이익): 노드가 수준 i에 있다고 하고, 수준 k에 있는 노드에서 총무게가 W를 넘는다고 하자. 그러면, 다음과 같이 bound를 구할 수 있다. maxprofit : 지금까지 찾은 최선의 해답이 주는 값어치 아이템 k-1까지의 이익 아이템 k을 부분적으로나마 넣을 수 있다고 했을 때의 이익

0-1 Knapsack – DFS 기반 Algorithm Sketch (2/2) Branch-and-Bound 초기값(루트 노드): maxprofit := $0; profit := $0; weight := 0 깊이우선순위로 각 노드를 방문하여 다음을 수행한다: 1. 그 노드의 profit과 weight를 계산한다. 2. 그 노드의 bound를 계산한다. 3. weight < W and bound > maxprofit이면, 검색을 계속한다; 그렇지 않으면, 되추적한다. 상기 과정을 모든 노드를 방문(실제로는 전지(가지치기)가 이뤄지므로, 모든 노드를 방문하지는 않음)할 때까지 수행한다. 고찰: 최선이라고 여겼던 노드를 선택했다고 해서 실제로 그 노드로부터 최적해가 항상 나온다는 보장은 없다.

0-1 Knapsack – DFS 기반 Algorithm 적용 예제 (1/2) Branch-and-Bound 보기: n = 4, W = 16이고, 다음과 같은 아이템 내역을 가진다. 이때, 되추적을 사용하여 구축되는 전지가 이루어진 상태공간트리를 그려 보시오. (교재 p. 214의 예제 5.6  다음 페이지 그림 참조)

0-1 Knapsack – DFS 기반 Algorithm 적용 예제 (2/2) Branch-and-Bound profit weight bound maxprofit = 40 maxprofit = 90 maxprofit = 70 maxprofit = 80 maxprofit = 70 maxprofit = 90 maxprofit = 70 maxprofit = 90 maxprofit = 80 maxprofit = 90 maxprofit = 80

0-1 Knapsack – DFS 기반 Algorithm 분석 (2/2) Branch-and-Bound 이 알고리즘이 점검하는 노드의 수는 (2n)이다. 예제의 경우: 점검한 노드는 13개이다. 이 알고리즘이 DP 기반으로 설계한 알고리즘(강의노트 07) 보다 좋은가? 확실하게 대답하기 불가능 하다. Horowitz와 Sahni(1978)는 Monte Carlo 기법을 사용하여 되추적 알고리즘이 DP 기반 알고리즘 보다 일반적으로 더 빠르다는 것을 입증하였다. Horowitz와 Sahni(1974)가 분할정복과 DP 기법을 적절히 조화하여 개발한 알고리즘은 (2n/2)의 시간복잡도를 가지는데, 이 알고리즘은 되추적 알고리즘 보다 일반적으로 빠르다고 한다.

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

Breadth-First-Search (1/2) Branch-and-Bound 너비우선검색(Breadth-first Search)순서: (1) 루트 노드를 먼저 검색한다. (2) 다음에 수준 1에 있는 모든 노드를 검색한다. (왼쪽에서 오른쪽으로) (3) 다음에 수준 2에 있는 모든 노드를 검색한다 (4) ...

Breadth-First-Search (2/2) Branch-and-Bound A Generic Algorithm for Breadth-First-Search 재귀(recursive) 알고리즘을 작성하기는 상당히 복잡하다. 따라서 대기열(queue)을 사용한다. void breadth_first_search(tree T) { queue_of_node Q; node u, v; initialize(Q); v = root of T; visit v; enqueue(Q,v); while(!empty(Q)) { dequeue(Q,v); for(each child u of v) { visit u; enqueue(Q,u); }

BFS based Branch-and-Bound Algorithm void breadth_first_branch_and_bound (state_space_tree T, number& best) { queue_of_node Q; node u, v; initialize(Q); // Q는 빈 대기열로 초기화 v = root of T; // 루트 노드를 방문 enqueue(Q,v); best = value(v); while(!empty(Q)) { dequeue(Q,v); for(each child u of v) { // 각 자식 노드를 방문 if(value(u) is better than best) best = value(u); if(bound(u) is better than best) enqueue(Q,u); }

0-1 Knapsack – BFS 기반 상태트리 Branch-and-Bound profit weight bound mp = 40 mp = 40 mp = 70 mp = 70 mp = 70 mp = 70 mp = 90 mp = 70 mp = 70 mp = 90 mp = 90 mp = 90 분기한정 가지치기로 BFS를 하여 상태공간트리를 그려보면, 검색하는 노드의 개수는 17이다.  되추적 알고리즘(DFS 기반 해결책)보다 좋지 않다! mp = 90 mp = 90 mp = 90 mp = 90

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

Best-First-Search – Concept Branch-and-Bound 최적의 해답에 더 빨리 도달하기 위한 전략: 1. 주어진 노드의 모든 자식노드를 검색한 후, 2. 유망하면서 확장되지 않은(unexpanded) 노드를 살펴보고, 3. 그 중에서 가장 좋은(최고의) 한계치(bound)를 가진 노드를 확장한다. (일반적으로) 최고우선검색(Best-First Search)을 사용하면, 너비우선검색에 비해서 검색 성능이 좋아짐

Best-First-Search – Strategy Branch-and-Bound 최고의 한계를 가진 노드를 우선적으로 선택하기 위해서 우선순위 대기열(Priority Queue)을 사용한다. 우선순위 대기열은 힙(heap)을 사용하여 효과적으로 구현할 수 있다.

Best-FS based Branch-and-Bound Algorithm void best_first_branch_and_bound (state_space_tree T, number best) { priority_queue_of_node PQ; node u,v; initialize(PQ); // PQ를 빈 대기열로 초기화 v = root of T; best = value(v); insert(PQ,v); while(!empty(PQ)) { // 최고 한계 값을 가진 노드를 제거 remove(PQ,v); if(bound(v) is better than best) // 노드가 아직 유망한 지 점검 for(each child u of v) { if(value(u) is better than best) best = value(u); if(bound(u) is better than best) insert(PQ,u); }

0-1 Knapsack – Best-FS 기반 상태트리 Branch-and-Bound profit weight bound mp = 40 mp = 90 mp = 70 mp = 70 mp = 90 mp = 90 mp = 90 mp = 90 mp = 90 mp = 90 분기한정 가지치기로 최고우선검색을 하여 상태공간트리를 그려보면, 검색하는 노드의 개수는 11로서, 앞서의 BFS보다 우수함을 알 수 있다.

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

Traveling Salesman Problem – 개요 (1/2) Branch-and-Bound 외판원이 자신의 집이 위치하고 있는 도시에서 출발하여 다른 도시들을 각각 한번씩만 방문하고, 다시 자기 도시로 돌아오는 가장 짧은 일주여행경로(tour)를 결정하는 문제이다. 일반적으로, 이 문제는 음이 아닌 가중치가 있는, 방향성 그래프를 대상으로 한다. 그래프 상에서 일주여행경로는 한 정점을 출발하여 다른 모든 정점을 한번씩 만 거쳐서 다시 그 정점으로 돌아오는 경로이다. 여러 개의 일주여행경로 중에서 길이가 최소가 되는 경로가 최적일주여행경로(optimal tour)가 된다.

Traveling Salesman Problem – 개요 (2/2) Branch-and-Bound 무작정 알고리즘: 가능한 모든 일주여행경로를 다 고려한 후, 그 중에서 가장 짧은 일주여행경로를 선택한다.  가능한 일주여행경로의 총 개수는 (n – 1)!이다. Why? (다음 예제를 보고 생각해 보세요.)

TSP – DP 기반 접근법 개념 (1/2) V는 모든 정점의 집합이고, A는 V의 부분집합이라고 하자. Branch-and-Bound V는 모든 정점의 집합이고, A는 V의 부분집합이라고 하자. D[vi][A]는 A에 속한 각 정점을 정확히 한번씩 만 거쳐서 vi에서 v1로 가는 최단경로의 길이라고 하자. 그러면 우리 예제에서 D[v2][A={v3, v4}]의 값은? (=20) D[v2][A] = min(len[v2, v3, v4, v1], len[v2, v4, v3, v1]) min(20, ) = 20

TSP – DP 기반 접근법 개념 (2/2) 최적 일주여행경로의 길이: Branch-and-Bound 최적 일주여행경로의 길이: 일반적으로 표현하면 i  1이고, vi가 A에 속하지 않을 때, 다음과 같이 나타난다. 예제  다음 슬라이드 v1에서 vj로의 거리와 vj를 뺏을 때 거리 합

TSP – DP 기반 접근법 예제 (1/2) 최적 일주여행경로의 길이 = D[v1][{v2, v3, v4}] 공집합인 경우 Branch-and-Bound 최적 일주여행경로의 길이 = D[v1][{v2, v3, v4}] 공집합인 경우 하나의 구성요소만 포함하는 경우

TSP – DP 기반 접근법 예제 (2/2) Branch-and-Bound 두 개의 구성요소를 포함하는 경우 최적 일주여행경로

TSP – DP 기반 접근법 알고리즘 (1/2) Branch-and-Bound 문제: 가중치(음수가 아닌 정수)가 있는 방향성 그래프에서 최적일주여행경로를 결정하시오. 입력: 가중치가 있는 방향성 그래프 그래프에 있는 정점의 개수 n 그래프는 행렬 W로 표시가 되는데, 여기서 W[i][j]는 vi에서 vj를 잇는 이음선 상에 있는 가중치를 나타낸다. V는 그래프 상의 모든 정점의 집합을 나타낸다. 출력: 최적일주여행경로의 길이 값을 가지는 변수 minlength 배열 P (이 배열로부터 최적일주여행경로를 구축할 수 있다). P[i][A]는 A에 속한 각 정점을 정확히 한번씩만 거쳐 vi에서 v1로 가는 최단경로 상에서, vi 다음의 도달하는 첫 번째 노드의 인덱스이다.

TSP – DP 기반 접근법 알고리즘 (2/2) 알고리즘 Branch-and-Bound 알고리즘 void travel(int n, const number W[][], index P[][], number& minlength) { index i, j, k; number D[1..n][subset of V-{v1}]; for(i=2; i<=n; i++) D[i][emptyset] := W[i][1]; for(k=1; k<=n-2; k++) for(all subsets A  V-{v1} containing k vertices) for(i such that i1 and vi  A){ D[i][A] = minimumvjA(W[i][j] + D[vj][A-{vj}]); P[i][A] = value of j that gave the minimum; } D[1][V-{v1}] = minimum2jn(W[1][j] + D[vj][A-{v1}]); P[1][V-{v1}] = value of j that gave the minimum; minilength = D[1][V-{v1}];

TSP – DP 기반 접근법 분석 (1/3) 정리: n  1를 만족하는 모든 n에 대해서 다음이 성립한다. 증명은 생략 Branch-and-Bound 정리: n  1를 만족하는 모든 n에 대해서 다음이 성립한다. 증명은 생략

TSP – DP 기반 접근법 분석 (2/3) 단위연산: 중간에 위치한 루프가 수행시간을 지배한다. Branch-and-Bound 단위연산: 중간에 위치한 루프가 수행시간을 지배한다. 왜냐하면 이 루프는 여러 겹으로 쌓여 있기 때문이다. 따라서, 단위연산은 vj의 각 값에 대해서 수행되는 명령문이다. (덧셈하는 명령문 포함) 입력 크기: 그래프에서 정점의 개수 n 시간 복잡도 분석 for(k=1; k<=n-2; k++) (1) for(V-{v1}의 부분집합 중에서 k개의 정점을 가진 모든 부분집합 A) (2) for(i=1이 아니고 vi가 A에 속하지 않는 모든 i) (3) D[i][A] = minimumvjA(W[i][j] + D[vj][A-{vj}]); P[i][A] = value of j that gave the minimum;

TSP – DP 기반 접근법 분석 (3/3) Branch-and-Bound (1)번 루프는 번 반복하고 (n-1개의 정점에서 k개를 뽑는 경우의 수), (2)번은 n - k - 1번 반복하고 (v1을 제외하고 A에 속하지 않는 정점 개수), (3)번 루프는 A의 크기가 k이므로 k번 반복한다(A에 속한 정점의 개수). 따라서 시간복잡도는 다음과 같다. 공간복잡도: 배열 D[vi][A]와 P[vi][A]가 얼마나 커야 하는지를 결정하면 된다. V - {v1}는 n - 1개의 정점을 가지고 있기 때문에, 이 배열은 2n-1개의 부분집합 A를 가지고 있다. (n개의 아이템이 포함되어 있는 어떤 집합의 부분집합의 개수는 2n이다.) 따라서 공간복잡도는 M(n) = 2  n  2n-1 = n2n  (n2n)이 된다.

Dynamic Programming 방법 또한 실용적인 해결책인 아니다. TSP – 무작정 vs. DP Branch-and-Bound n = 20일 때, 무작정 알고리즘: 각 일주여행경로의 길이를 계산하는데 걸리는 시간은 1sec이라고 할 때, (20 - 1)! = 19!sec = 3857년이 걸린다. DP 기반 알고리즘: 기본동작을 수행하는데 걸리는 시간을 1sec이라고 할 때, T(20) = (20 - 1)(20 - 2)220-3sec = 45초가 걸리나, M(20) = 20  220 = 20,971,520의 배열의 슬롯이 필요하다. n = 40이라면? DP 또한 6년 이상 걸린다. Dynamic Programming 방법 또한 실용적인 해결책인 아니다.

따라서 최적 일주여행경로는 [v1, v3, v4, v2, v1]이다. TSP – DP 기반 알고리즘 – 최적경로 출력 Branch-and-Bound 따라서 최적 일주여행경로는 [v1, v3, v4, v2, v1]이다.

Traveling Salesman Problem 강의 순서 Branch-and-Bound Branch-and-Bound 개념 0-1 Knapsack Problem Depth-First Search (Backtracking) Breadth-First Search Best-First Search Traveling Salesman Problem Dynamic Programming Approach Branch-and-Bound Approach

TSP – BnB 기반 접근법 – Running Example Branch-and-Bound n = 40일 때, 동적계획법 알고리즘은 6년 이상이 걸린다. 그러므로 분기한정법을 시도해 본다. 보기: 다음 인접행렬로 표현된 그래프를 살펴보시오. 완전 연결그래프의 인접행렬 표현 최적 일주여행경로

TSP – BnB 기반 상태공간트리 구축 (1/3) Branch-and-Bound 각 노드는 출발노드로부터의 일주여행경로를 나타내게 되는데, 몇 개 만 예를 들어 보면, 다음과 같다. 루트노드의 여행경로는 [1]이 되고, 루트노드에서 뻗어 나가는 수준 1에 있는 여행경로는 각각 [1,2], [1,3], …, [1,5]가 된다. 노드 [1,2]에서 뻗어 나가는 수준 2에 있는 노드들의 여행경로는 각각 [1,2,3], …, [1,2,5]가 된다. 이런 식으로 뻗어 나가서 단말노드에 도달하게 되면 완전한 일주여행경로를 가지게 된다.

TSP – BnB 기반 상태공간트리 구축 (2/3) Branch-and-Bound 구축된 상태공간 트리의 일부 예

TSP – BnB 기반 상태공간트리 구축 (3/3) Branch-and-Bound 최적일주여행경로를 구하는 방법: 단말노드에 있는 일주여행경로를 모두 검사하여 그 중에서 가장 길이가 짧은 일주여행경로를 찾으면 된다. 참고: 위 예에서 각 노드에 저장되어 있는 노드가 4개가 되면 더 이상 뻗어 나갈 필요가 없다. 왜냐하면, 남은 경로는 더 이상 뻗어 나가지 않고도 알 수 있기 때문이다.

TSP – Best First Search 기반 접근법 개요 (1/5) Branch-and-Bound 분기한정 가지치기로 최고우선 검색을 사용하기 위해서 각 노드의 한계치(bound)를 구할 수 있어야 한다. 이 문제에서는 주어진 노드에서 뻗어 나가서 얻을 수 있는 여행경로의 길이의 하한(최소치, lower bound)을 구하여 한계치로 한다. 각 노드를 검색할 때 최소여행경로의 길이 보다 한계치가 작은 경우 그 노드는 유망하다고 한다. 반대로, 최소 여행경로의 길이가 한계치보다 큰 경우는 가지치기를 수행하여 검색 공간을 줄인다. 한계치(lower bound)의 변화 최소여행경로의 초기값은 로 놓는다. 완전한 여행경로를 처음 얻을 때 까지는 한계치가 무조건 최소여행경로의 길이 보다 작게 되므로 모든 노드는 유망하다. 완전한 여행경로를 얻은 후에는 한계치가 갈수록 증가하여 가지치기의 효과가 커진다.

TSP – BFS 기반 접근법 개요 (2/5) 각 노드의 한계치는 어떻게 구하나? Branch-and-Bound 각 노드의 한계치는 어떻게 구하나? [1, …, k]의 여행경로를 가진 노드의 한계치는 다음과 같이 구한다. Let A = V - ([1,…,k] 경로에 속한 모든 노드의 집합) bound = [1, …, k] 경로 상의 총 거리 + vk에서 A에 속한 정점으로 가는 이음선의 길이들 중에서 최소치 + iA(vi에서 A{v1}-{vi}에 속한 정점으로 가는 이음선의 길이들 중 최소치)  다음 페이지의 예제를 참조할 것

TSP – BFS 기반 접근법 개요 (3/5) 루트노드의 하한 구하기 Branch-and-Bound 루트노드의 하한 구하기 근거: 어떤 일주여행경로라도, 각 정점을 최소한 한번은 떠나야 하므로, 각 정점을 떠나는 이음선의 최소값의 합이 하한이 된다. v1  min(14, 4, 10, 20) = 4 v2  min(14, 7, 8, 7) = 7 v3  min(4, 5, 7, 16) = 4 v4  min(11, 7, 9, 2) = 2 v5  min(18, 7, 17, 4) = 4 따라서, 일주여행경로 길이의 하한은 21(= 4+7+4+2+4)이 된다. 주의할 점은 “이 길이의 일주여행경로가 있다는 말이 아니라, 이보다 더 짧은 일주여행경로가 있을 수 없다”는 것이다. 그래서 하한(lower bound)이라는 말을 사용한다.

TSP – BFS 기반 접근법 개요 (4/5) 노드 [1, 2]를 선택한 경우의 하한 구하기 Branch-and-Bound 노드 [1, 2]를 선택한 경우의 하한 구하기 근거: 이미 v2를 선택하였음을 의미하므로, v1  v2의 비용은 이음선의 가중치인 14가 된다. 나머지는 앞서와 동일한 방법으로 구한다. v1  = 14 v2  min(7, 8, 7) = 7 v3  min(4, 7, 16) = 4 v4  min(11, 9, 2) = 2 v5  min(18, 17, 4) = 4 따라서, [1, 2]를 포함하는 노드에서 확장하여 구한 일주여행경로 길이의 하한은 31(= 14+7+4+2+4)가 된다.

TSP – BFS 기반 접근법 개요 (5/5) 노드 [1, 2, 3]를 선택한 경우의 하한 구하기 Branch-and-Bound 노드 [1, 2, 3]를 선택한 경우의 하한 구하기 근거: 이미 v2와 v3를 선택하였음을 의미하므로, v1  v2  v3의 비용은 21(=14+7)이 된다. 나머지는 앞서와 동일한 방법으로 구한다. v1  = 14 v2  = 7 v3  min(7, 16) = 4 v4  min(11, 2) = 2 v5  min(18, 4) = 4 따라서, [1, 2, 3]을 포함하는 노드에서 확장하여 구한 일주여행경로 길이의 하한은 34(= 14+7+7+2+4)이 된다.

TSP – BFS 기반 상태공간트리 구축 (1/5) Branch-and-Bound 최종 결과 트리

TSP – BFS 기반 상태공간트리 구축 (2/5) Branch-and-Bound 루트노드 구성 (LB = 21, minLen = ) 노드 [1, 2] (LB = 31) 노드 [1, 3] (LB = 22) 노드 [1, 4] (LB = 30) 노드 [1, 5] (LB = 42) BFS에 따라 한계 값이 가장 작은 [1, 3]을 방문한다.

TSP – BFS 기반 상태공간트리 구축 (3/5) Branch-and-Bound 노드 [1, 3, 2] (LB = 22) 노드 [1, 3, 4] (LB = 27) 노드 [1, 3, 5] (LB = 39) BFS에 따라 한계 값이 가장 작은 [1, 3, 2]를 방문한다.

TSP – BFS 기반 상태공간트리 구축 (4/5) Branch-and-Bound 노드 [1, 3, 2, 4] 단말노드 이므로 일주여행경로의 길이를 계산한다. 이 길이가 37이고, 37 < 이므로, minLen = 37이 된다. [1, 5]와 [1, 3, 5]는 한계값(각각 42, 39)이 minLen보다 크므로 가지치기 할 수 있다. 노드 [1, 3, 2, 5] 방문 결과 minLen = 31이 된다. [1, 2]를 가지치기 할 수 있다. 다음으로, [1, 3, 4]를 선택한다. 상기 과정을 계속 반복하면, 왼편 그림의 Length = 30을 최소 길이로 구할 수 있다.

TSP – BFS 기반 상태공간트리 구축 (5/5) Branch-and-Bound 상태공간 트리의 전체 노드 개수는 41개이다. 왜냐면, 1 + 4 + 4 x 3 + 4 x 3 x 2 = 41이기 때문이다. 반면에, 왼편 그림을 보면 노드 개수가 17개이다. 결국, 효과적인 가지치기가 이뤄짐을 알 수 있다.

TSP – BFS 기반 알고리즘 자세한 알고리즘은 생략 (관심 있는 학생은 교재 p. 247 참조) Branch-and-Bound 자세한 알고리즘은 생략 (관심 있는 학생은 교재 p. 247 참조) 아직도 알고리즘의 시간복잡도는 지수적이거나 그보다 못하다! 다시 말해서 n = 40이 되면 문제를 풀 수 없는 것과 다름없다고 할 수 있다. 다른 방법이 있을까? 근사(approximation) 알고리즘: 최적의 해답을 준다는 보장은 없지만, 무리 없이 최적에 가까운 해답을 주는 알고리즘이다.  교재 제6.3절의 확률적 추론(진단) 방법

Homework #4 Branch-and-Bound