Масъалаи Фурӯшандаи Сайёр яке аз маъруфтарин ва душвортарин масъалаҳо дар адабиёти оптимизатсия мебошад. Дар шакли классикӣ масъала сода менамояд: як фурӯшанда бояд ҳар яке аз шаҳрҳои муайянро дақиқ як маротиба боздид кунад, сипас ба нуқтаи оғоз баргардад ва масофаи умумиро ҳадди ақал намояд. Аммо бо зиёд шудани шумораи шаҳрҳо, шумораи масирҳои эҳтимолӣ хеле зуд меафзояд. Аз ҳамин сабаб TSP ҳамчун масъалаи NP-hard пазируфта мешавад.

Масъалае, ки ин таҳқиқот ба он тамаркуз мекунад, версияи душвортари TSP, яъне Asymmetric Traveling Salesman Problem ё ATSP мебошад. Дар TSP-и симметрии классикӣ масофаи байни ду шаҳр дар ҳар ду самт якхела аст. Аммо дар ATSP самт аҳамият дорад. Арзиши рафтан аз A ба B метавонад аз арзиши рафтан аз B ба A фарқ кунад. Ин фарқият дар ҷаҳони воқеӣ хеле маъмул аст. Роҳҳои яксамта, зичии ҳаракат, самти шамол, time windows, тартиби дастрасии телескопҳо ба ҳадафҳои осмонӣ, overlap-ҳои самт-вобастаи пораҳои DNA ё тартиби амалиёт дар хатҳои истеҳсолӣ метавонанд хароҷоти асимметрӣ ба вуҷуд оранд.

Аз ин рӯ ATSP танҳо як бозии математикӣ нест. Он як масъалаи асосии оптимизатсия аст, ки дар logistics тартиби delivery, дар astronomy ҷадвалҳои observation, дар genomics sequencing ва assembly processes, дар industry production flows ва large-scale network planning-ро таъсир медиҳад. Аммо direction-dependence дар ATSP фазои ҳалли масъаларо мураккабтар мекунад. Баъзе усулҳое, ки барои symmetric TSP таҳия шудаанд, наметавонанд мустақиман ба ATSP татбиқ шаванд ё ба тағйироти ҷиддӣ ниёз доранд.

Main problem-и таҳқиқот чунин аст: Оё large-scale ATSP instances дар standard computers ҳам зуд ва ҳам exact ҳал карда мешаванд? Калимаи “exact” дар ин ҷо муҳим аст. Бисёр heuristic methods ҳалли зуд медиҳанд, аммо global optimum будани он guaranteed нест. Exact MIP solvers аз ҷиҳати назариявӣ optimum-ро ёфта метавонанд, вале дар large ATSP instances runtime ва memory consumption зуд меафзоянд. Таҳқиқот ҳадаф дорад байни ин ду канор bridge эҷод кунад: heuristic speed ва exact-solver accuracy-ро дар як architecture муттаҳид намояд.

Усули пешниҳодкардаи муаллифон GTA ном дорад. GTA ихтисораи Gurobi Tabu Algorithm мебошад. Тавре аз номаш бармеояд, ин method Gurobi, ки як commercial ва widely used MIP solver аст, бо Tabu Search heuristic якҷо мекунад. Аммо таҳқиқот иддао мекунад, ки ин components танҳо паҳлуи ҳам гузошта нашудаанд, балки барои large-scale ATSP strategically reorganized шудаанд.

Дар маркази GTA сохтори сегона мавҷуд аст:

• Tabu Search warm start: Дар вақти хеле кӯтоҳ як initial tour-и хуб месозад. Дар таҳқиқот гуфта мешавад, ки ин initial solutions одатан дар 1%–5% optimality gap қарор доранд ва conservatively зери 10% мебошанд.
• Gurobi MIP solution: Initial tour-ро истифода бурда exact search анҷом медиҳад ва мекӯшад ба 0% optimality gap расад.
• MTZ-free subtour elimination: Ба ҷойи Miller–Tucker–Zemlin constraints, lazy constraint callback истифода мешавад ва subtour-ҳо dynamically eliminated мешаванд.

Ҳамкории ин се component муҳим аст. Tabu Search alone зуд аст, аммо approximate result медиҳад. Gurobi alone бо cold start дар large ATSP метавонад хеле дароз кор кунад. MTZ constraints бошад, гарчанде барои пешгирии subtour дар classical TSP formulations истифода мешаванд, дар large problems метавонанд model size ва solving burden-ро зиёд кунанд. GTA бо додани initial tour-и хуб search tree-и Gurobi-ро танг мекунад; бо хориҷ кардани MTZ constraints model structure-ро сабуктар мекунад; ва бо lazy constraints танҳо ҳангоми лозим шудан subtour cuts илова мекунад.

Барои шарҳи standard MIP logic-и ATSP, basic formulation-ро метавон чунин тасаввур кард. Ин formulation background description аст, ки барои фаҳмидани MTZ-free MIP approach-и истифодаи таҳқиқот кумак мекунад:

\[ \min \sum_{i=1}^{N}\sum_{j=1, j\neq i}^{N} c_{ij}x_{ij} \]

Дар ин ҷо N шумораи nodes аст. c_ij cost-и рафтан аз node i ба node j мебошад. Дар ATSP одатан c_ij ≠ c_ji шуда метавонад. x_ij binary variable аст, ки нишон медиҳад аз i ба j рафта шудааст ё не. Агар route аз i ба j гузарад, [ x_{ij}=1 ], вагарна [ x_{ij}=0 ] мебошад.

Basic degree constraint, ки аз ҳар node дақиқ як outgoing edge-ро таъмин мекунад:

\[ \sum_{j=1, j\neq i}^{N} x_{ij} = 1 \quad \forall i \]

Constraint, ки ба ҳар node дақиқ як incoming edge-ро таъмин мекунад:

\[ \sum_{i=1, i\neq j}^{N} x_{ij} = 1 \quad \forall j \]

Ин ду constraint ба ҳар node як entry ва як exit медиҳанд. Аммо танҳо инҳо кофӣ нестанд. Зеро solution метавонад ба ҷойи як tour-и ягона, ки ҳамаи nodes-ро фаро мегирад, ба якчанд small cycles ё subtour-ҳо ҷудо шавад. Масалан, ду closed route мисли 1-2-3-1 ва 4-5-6-4 метавонанд пайдо шаванд. Мушкилии асосии TSP/ATSP ин аст, ки ҳамаи nodes дар як Hamilton tour муттаҳид карда шаванд.

Classic MTZ approach бо additional ordering variables мекӯшад ин subtour-ҳоро пешгирӣ кунад. Аммо дар large scale, ин variables ва constraints метавонанд solution-ро вазнин кунанд. Дар approach-и пешниҳодшуда lazy constraint callback ба ҷойи MTZ constraints истифода мешавад. Бо ин logic solver аввал solution-ро танҳо бо degree constraints месозад; агар solution аз subtours иборат бошад, constraints-и нав танҳо барои буридани ҳамон subtours баъдан илова мешаванд. General subtour-elimination logic-ро метавон бо background formula-и зерин шарҳ дод:

\[ \sum_{i\in S}\sum_{j\in S, j\neq i} x_{ij} \leq |S|-1 \quad \forall S \subset \{1,\ldots,N\},\; 2\leq |S| < N \]

Дар ин ҷо S танҳо subset аз ҳамаи nodes мебошад. Ин constraint намегузорад nodes дар дохили S як closed small tour бисозанд. Аммо илова кардани чунин constraints барои ҳамаи S-и эҳтимолӣ аз оғоз practical нест. Lazy constraint approach маҳз барои ҳамин истифода мешавад: танҳо subtours-е бурида мешаванд, ки воқеан дар solution-и solver пайдо мешаванд.

Нуқтае, ки таҳқиқот онро сабаби қувваи GTA медонад, ҳамин аст. MIP solver дар very large solution space аз zero сар намекунад. Tabu Search аввал route-и хуб медиҳад. Ин route барои Gurobi incumbent ё initial solution мешавад. Агар incumbent ба optimum наздик бошад, branch-and-cut search метавонад дар domain-и тангтар кор кунад; bad branches зудтар pruned мешаванд; cut generation метавонад effectiveтар шавад. Аз ҳамин сабаб таҳқиқот таъкид мекунад, ки warm-start quality critical аст.

Муаллифон махсусан мегӯянд, ки weak warm-start solutions метавонанд бештар зарар расонанд, на фоида. Дар таҳқиқот гуфта мешавад, ки starts бо gap-и зиёда аз 10%–15% метавонанд MIP solver-ро mislead кунанд ва ҳатто аз cold start бадтар performance диҳанд. Сабаб дар он аст, ки bad incumbent search tree-ро нодуруст guide мекунад, пайдо шудани better solutions-ро дер мекунад ва internal heuristics-и solver-ро suppress мекунад. Аз ин рӯ, GTA танҳо “як initial solution” не, балки structurally consistent ва sufficiently close initial tour талаб мекунад.

Таҳқиқот иддао мекунад, ки Tabu Search warm start одатан дар сонияҳо gap дар 1%–9% медиҳад ва бисёр вақт зери 5% мемонад. Дар ҳамин матн гуфта мешавад, ки дигар heuristics мисли genetic algorithm ва simulated annealing дар large ATSP instances ҳатто баъд аз зиёда аз 30 дақиқа gap-и зиёда аз 50% медиҳанд. Аз ин рӯ муаллифон мегӯянд, ки интихоби Tabu Search дар GTA тасодуфӣ нест, балки аз balance байни warm-start quality ва speed бармеояд.

Performance claims-и таҳқиқот хеле қавӣ мебошанд. Дар Table 1 барои GTA дар ATSP-и 5.000-node empirical complexity дар диапазони N^2.01–N^2.03 ва ба даст овардани 0% optimality gap дар 350–850 seconds гузориш мешавад. Дар муқоиса, барои Gurobi lazy-constraint approach бе warm start N^2.1–N^2.2 ва 3.750–6.750 seconds дода мешавад. Ин comparison барои нишон додани он истифода мешавад, ки GTA танҳо “истифодаи Gurobi” нест; warm start ва model design runtime-ро ҷиддӣ тағйир медиҳанд.

Аммо дар ин ҷо scientific distinction-и эҳтиёткорона лозим аст. Behavior-и N^2.01–N^2.03, ки дар таҳқиқот дода шудааст, formal algorithmic complexity proof нест. Муаллифон ҳам инро рӯирост мегӯянд: near-quadratic behavior аз log-log regression-и empirical runtime data дар node counts-и гуногун ба даст омадааст. Барои NP-hard ATSP чунин empirical scaling reports дар literature маъмуланд, аммо онҳо бояд ҳамчун experimental benchmark хонда шаванд, на mathematical worst-case complexity guarantee.

Аввалин important visual comparison-и таҳқиқот runtime graph аст, ки GTA-ро нисбат ба exact ва heuristic solvers ҷойгир мекунад. Дар ин graph exact-solver category сабз, heuristics кабуд ва GTA барои ATSP бо вақти хеле пасттар нишон дода шудааст. Тибқи матн, GTA дар 5.000-node ATSP дар атрофи average runtime-и 600 seconds ҷойгир мешавад ва exact solvers ва heuristics trade-off-ҳои гуногун доранд. Ин visual claim-и асосиро сода мекунад: GTA мекӯшад ба heuristic speed наздик шавад, аммо exact optimality, яъне 0% gap-ро нигоҳ дорад.

Log-log ва lin-log performance graphs нишон медиҳанд, ки бо зиёд шудани node count runtime data-и GTA нисбат ба traditional exact methods scaling-и slope-и пасттар доранд. Дар log-log graph GTA data бо red points ва heuristic 50% gap curve ва best-case exact 0% gap curve муқоиса мешавад. Ин visual барои дастгирии иддао истифода мешавад, ки GTA empirically ба curve-и [ y = 10^{-5}x^{2.0368} ] наздик behavior мекунад. Бо вуҷуди ин, ин experimental data fit аст; theoretical guarantee барои ҳамаи ATSP instances нест.

Муқоисаи дохилии Gurobi низ муҳим аст. Дар як graph GTA бо Gurobi using lazy constraints ва MTZ-based solution муқоиса мешавад. GTA curve ҳам аз lazy-only ва ҳам аз MTZ approach поёнтар мемонад. Матн мегӯяд, ки бе warm start, Gurobi ҳатто бо lazy constraints метавонад дар баъзе cases аз 24 hours зиёд шавад ва MTZ formulation дар large scale боз ҳам вазнинтар мешавад. Ин барои дастгирии claim-и synergy байни components-и GTA истифода мешавад.

Дар таҳқиқот network-visualization section ҳам вуҷуд дорад. Ҳангоми node counts-и 10, 100, 1.000 ва 2.000 optimal-route maps нишон дода мешаванд. Дар 10 nodes route осон пайгирӣ мешавад; дар 100 nodes connections зич мешаванд; дар 1.000 ва 2.000 nodes route ба dense network монанд мешавад. Large green ва blue points start ва mid-route nodes-ро нишон медиҳанд. Ин visuals нишон медиҳанд, ки TSP/ATSP бо node count аз ҷиҳати visual ва structural чӣ гуна мураккаб мешавад.

Ин visualization танҳо aesthetic addition нест. Таҳқиқот мегӯяд, ки route maps ба user барои фаҳмидани spatial structure, clustering behavior, start-midpoint relationship ва ҷойгиршавии nodes дар optimal order кумак мекунанд. Дар logistics planning, observation scheduling ва biological-data ordering user метавонад на танҳо total cost, балки тарзи ташкил шудани route-ро низ бинад. Аз ҳамин сабаб гуфта мешавад, ки GTA interface real-time iteration tracking ва route-density visualization медиҳад.

Гурӯҳи дигар аз tests ба seed variation дахл дорад. ATSP cost matrix randomly generated аст ва ҳангоми иваз шудани seed, cost coefficients ва бинобар ин global optimum ва search space тағйир меёбанд. Агар algorithm танҳо бо seed-и муайян зуд бошад ва дар дигар seeds breakdown кунад, reliable ҳисоб намешавад. Дар таҳқиқот аввал S = 42 ва S = 65, сипас 133, 29 ва 7 seeds бо node counts-и гуногун аз рӯи runtime муқоиса мешаванд.

Seed-change results claim мекунанд, ки GTA runtime дар random cost matrices-и гуногун similar scaling нишон медиҳад. Graphs дар small node counts fluctuations-и хурд нишон медиҳанд, дар large node counts runtime curves ба ҳам наздик мешаванд. Ин finding ҳамчун runtime seed-invariance interpretation шудааст. Яъне algorithm performance ба як шакли махсуси random cost matrix вобаста ба назар намерасад.

Аммо ин ҷо ҳам caution лозим аст. Таҳқиқот мегӯяд, ки дар randomly generated ATSP instances бо seeds гуногун stable performance дида мешавад; ин маънои онро надорад, ки ҳамаи real-world ATSP instances бо ҳамон осонӣ ҳал мешаванд. Cost matrices-и воқеӣ метавонанд random ва independently distributed набошанд; онҳо geographic, temporal, operational ё biological dependencies дошта бошанд. Аз ин рӯ seed robustness engineering indicator-и муҳим аст, вале real-data benchmarks-ро пурра иваз намекунад.

Cost-coefficient scale низ тест шудааст. Аввал costs дар [1,10], сипас дар [10,100] тавлид шудаанд. Муаллифон қабул мекунанд, ки scale change аз ҷиҳати назариявӣ normalize мешавад, аммо larger coefficient ranges метавонанд solver behavior-ро дар practice таъсир диҳанд. Figure 6 runtime curves дар ду range-ро дар log-log, log-lin ва lin-lin views муқоиса мекунад. Interpretation-и таҳқиқот ин аст, ки GTA ба cost-coefficient scale largely stable аст.

Ин result барои application муҳим аст. Дар ҷаҳони воқеӣ costs метавонанд units-и гуногун дошта бошанд: kilometer, minute, fuel, risk score, astronomical visibility coefficient, genetic overlap score ё priority weight. Агар algorithm ба numerical range муайян sensitive бошад, ҳар application custom normalization ва parameter tuning талаб мекунад. Таҳқиқот бо нишон додани similar behavior дар [1,10] ва [10,100] мегӯяд, ки эҳтиёҷ ба ин preprocessing метавонад камтар бошад.

Яке аз striking claims-и таҳқиқот ин аст, ки bottleneck аз algorithmic complexity ба RAM мегузарад. Discussion section мегӯяд, ки experiments дар standard computers бо 16 GB RAM, бе GPU ё parallelization иҷро шудаанд. Яке аз systems Intel бо 4 cores ва 8 logical processors аст; барои validation 12 насли i5 бо 8 cores ва 16 processors истифода шудааст. Муаллифон иддао мекунанд, ки дар large instances runtime ба flattening наздик мешавад ва main limiting factor дигар RAM/system memory мешавад.

Ин claim scientific аҳамият дорад, аммо бояд бо эҳтиёт баён шавад. Барои NP-hard problem мисли ATSP гуфтан, ки “algorithmic complexity аз байн рафт” дуруст нест. Claim-и таҳқиқотро бояд маҳдудтар хонем: engineering design-и GTA дар examined random ATSP instances search space-и Gurobi-ро он қадар танг мекунад, ки practical bottleneck барои certain large N values аз compute time ба memory management shift мекунад. Ин worst-case theoretical complexity claim нест, балки experimental performance observation аст.

Дар continuous-improvement section гуфта мешавад, ки хориҷ кардани graphical UI layer ва diagonal variables аз GTA code runtime-ро ҷиддӣ кам кардааст. GUI тақрибан 30%–35% аз code-ро ташкил медиҳад, барои usability муҳим аст, аммо RAM requirement-ро зиёд мекунад. Ҳамчунин тавсия мешавад, ки ба diagonal entries big M додан не, балки ин variables умуман сохта нашаванд.

Ин нуқта engineering-wise хеле concrete аст. Барои N = 2.000 full-matrix approach метавонад 2.000 × 2.000 = 4.000.000 variables созад. Бо хориҷ кардани diagonal variables шумора 3.998.000 мешавад. Numerical difference танҳо 2.000 менамояд, вале барои solver variable creation, matrix storage, presolve ва memory management effect метавонад калонтар бошад. Дар таҳқиқот бо хориҷ кардани GUI ва diagonal variables average тақрибан 50% runtime improvement report шудааст.

Figure 7 ин improvement-ро нишон медиҳад. Upper panel initial GTA times ва version-и GUI/diagonal removed-ро барои node counts-и гуногун муқоиса мекунад. Lower panel runtime curves-и initial GTA ва optimized version-ро нишон медиҳад. Матн таъкид мекунад, ки core algorithm iterations unchanged мондаанд; difference асосан аз code simplification ва problem-formulation optimization меояд. Ин низ claim-и “bottleneck RAM ва problem representation аст”-ро дастгирӣ мекунад.

Application areas васеъ баррасӣ шудаанд. Дар logistics ATSP барои direction-dependent delivery ва routing муҳим аст. Дар astronomy telescope observation order метавонад бо visibility windows, position constraints ва scientific-priority weights ба TSP/ATSP variants табдил шавад. Дар genomics DNA sequencing ё assembly problems ба сабаби direction-dependent overlap ва ordering structures ба ATSP-like optimization пайваст мешаванд. Таҳқиқот мегӯяд, GTA метавонад ба variants бо time windows, visibility ва position constraints васеъ карда шавад.

Аммо ин application claims ҳам бояд эҳтиёткорона ҷудо шаванд. Таҳқиқот ҳамаи real-data problems-и ин fields-ро ҳал накардааст. Баъзе variants designed ё available гуфта мешаванд; баъзеи дигар future adaptation мебошанд. Махсусан multi-agent TSP ва gene overlap sequencing дар матн ҳамчун fully tested GTA results пешниҳод намешаванд. Аз ин рӯ инҳо бояд potential application areas хонда шаванд, на proven results.

Яке аз strengths-и таҳқиқот таваҷҷӯҳ ба practical engineering details мебошад. Ба ҷойи танҳо “new theoretical algorithm” пешниҳод кардан, solver parameters, warm-start quality, GUI, diagonal variables, seed changes, cost scaling, runtime logs ва visualization баррасӣ мешаванд. Ин approach ба details диққат медиҳад, ки дар optimization software баъзан сарфи назар мешаванд, вале дар practice determining мебошанд.

Strength-и дигар он аст, ки ATSP пайваста аз symmetric TSP ҷудо карда мешавад. Literature мегӯяд, Concorde ва TSPLIB benchmarks асосан барои symmetric TSP қавӣ мебошанд; аммо дар ATSP 5.000-node standard benchmarks каманд. Таҳқиқот GTA-ро ҳамчун candidate framework барои пур кардани ин gap пешниҳод мекунад. Аз ҷиҳати методологӣ дуруст аст, ки large symmetric TSPLIB instances ва ATSP results як чиз нестанд.

Limitations ҳам равшананд. Якум, peer-review status аз матн тасдиқ намешавад. Дуюм, барои near-quadratic runtime formal theoretical proof нест; result empirical-regression based аст. Сеюм, барои 5.000-node ATSP direct standardized external benchmark кам аст, бинобар ин comparisons бо symmetric TSP benchmarks ё authors’ own Gurobi variants анҷом шудаанд. Чорум, randomly generated cost matrices метавонад real industrial, biological ё astronomical data structures-ро пурра намояндагӣ накунад.

Панҷум, dependence ба commercial solver Gurobi limitation аст. Таҳқиқот мегӯяд Gurobi барои open-access philosophy ва ATSP suitability интихоб шудааст; аммо Gurobi licensing, user access ва solver-version differences метавонанд reproduction-ро таъсир диҳанд. Шашум, матн мегӯяд “source code and variants are or will be made open-access”; accessibility-и code барои independent replication critical аст. Вақте code, parameters ва logs воқеан open мешаванд, verification-и claims қавитар мешавад.

Он чизе, ки таҳқиқот мегӯяд ва намегӯяд, бояд равшан ҷудо шавад. Таҳқиқот report мекунад, ки GTA дар large random ATSP instances дар standard hardware ба 0% gap зуд мерасад. It argues, ки combination-и Tabu Search warm start, Gurobi MIP ва lazy subtour elimination engineering synergy-и қавӣ месозад. Аммо theoretically proof намекунад, ки worst-case NP-hard difficulty-и ATSP аз байн рафтааст. Ҳама real-world ATSP instances-ро бо ҳамон runtime guarantee намекунад. Solver-agnostic algorithm-и мустақил аз Gurobi ҳам пешниҳод намекунад. Most accurate reading чунин аст: GTA hybrid solution framework-и practical, deterministic ва engineering-oriented барои large-scale ATSP мебошад, ки strong performance claims дорад; value-и ин claims бо independent reproducibility ва real-data benchmarks боз ҳам равшан мешавад.

Усул ва Натиҷаҳои Таҳқиқот

Усули таҳқиқот аз тавлиди random asymmetric cost matrices, сохтани high-quality warm start бо Tabu Search, сохтани MTZ-free Gurobi MIP model, татбиқи subtour elimination бо lazy constraint callback, сабти runtime/optimality gap/iteration/node metadata ва муқоисаи performance дар шароити different seed, cost scale, problem size ва code simplification иборат аст.

1. Навъи масъала ва тавлиди додаҳо

2. Basic MIP logic-и ATSP

Барои фаҳмидани MTZ-free Gurobi approach-и таҳқиқот standard ATSP objective-ро бо relationship-и асосии зерин фаҳмидан мумкин аст:

\[ \min \sum_{i=1}^{N}\sum_{j=1, j\neq i}^{N} c_{ij}x_{ij} \]

Outgoing constraint:

\[ \sum_{j=1, j\neq i}^{N} x_{ij}=1 \quad \forall i \]

Incoming constraint:

\[ \sum_{i=1, i\neq j}^{N} x_{ij}=1 \quad \forall j \]

Subtour-elimination logic:

\[ \sum_{i\in S}\sum_{j\in S, j\neq i}x_{ij} \leq |S|-1 \]

3. Ҷузъҳои алгоритмии GTA

4. Warm-start quality

5. Table 1 performance comparison

6. Маънои техникии шаклҳо

• Table 1 ва first performance graph: Нишон медиҳад, ки GTA байни exact solver ва heuristic methods ҷойгир карда мешавад. Таҳқиқот claim мекунад, ки GTA дар ATSP бо 0% gap runtime-и наздик ба heuristic speed медиҳад.
• Log-log ва lin-log performance graphs: Claim-ро дастгирӣ мекунанд, ки GTA runtime data нисбат ба node count empirically near-quadratic scaling нишон медиҳанд. Ин result formal proof не, regression-based experimental observation мебошад.
• GTA-LAZY-MTZ comparison: Нишон медиҳад, ки combination-и warm start ва MTZ-free lazy subtour elimination нисбат ба warm-start-free lazy ва MTZ approaches runtime-и пасттар медиҳад.
• Optimal route maps: Барои 10, 100, 1.000 ва 2.000 nodes visual growth-и route complexity нишон дода мешавад. Large green ва blue points start ва midpoint nodes-ро ифода мекунанд.
• Seed invariance graph: Runtime curves дар S = 42, 65, 7, 29 ва 133 seeds similar behavior нишон медиҳанд.
• Cost range graph: Claim мекунад, ки runtime дар [1,10] ва [10,100] cost ranges similar scaling дорад.
• GUI ва diagonal-variable removal graph: Бо code simplification ва removal-и diagonal variables average тақрибан 50% runtime improvement гузориш мешавад.

7. Seed ва cost-scale tests

8. Таъсири RAM ва code simplification

9. Application areas

10. Main findings

• GTA Tabu Search warm start-ро бо Gurobi MIP exact solution муттаҳид мекунад.
• Subtour elimination бо lazy constraint callback ба ҷойи MTZ constraints анҷом мешавад.
• Дар таҳқиқот 0% optimality gap то 5.000-node ATSP instances report шудааст.
• Table 1 барои 5.000-node ATSP бо GTA диапазони 350–850 seconds медиҳад.
• Барои Gurobi lazy constraints бе warm start 3.750–6.750 seconds гузориш мешавад.
• Near-quadratic N^2.01–N^2.03 behavior бо empirical log-log regression claim мешавад.
• Дар seeds гуногун similar runtime scaling report шудааст.
• Runtime stability дар [1,10] ва [10,100] cost ranges нишон дода мешавад.
• Removal-и GUI ва diagonal variables тақрибан 50% runtime improvement медиҳад.
• Муаллифон claim мекунанд, ки дар large scale main bottleneck аз compute time ба RAM/system memory shift мекунад.

11. Ҷиҳатҳои қавӣ

• Равшан таъкид мекунад, ки ATSP аз symmetric TSP фарқ ва душвортар аст.
• Heuristic speed ва exact MIP optimality target-ро дар як architecture муттаҳид мекунад.
• Warm-start quality-ро аз ҷиҳати practical effect ба MIP performance баррасӣ мекунад.
• Бо MTZ-free lazy subtour elimination ҳадаф дорад model size ва solving load-ро кам кунад.
• Бо seed, cost-range ва code-simplification tests engineering robustness нишон додан мехоҳад.
• Бо route visualization ва user interface method-ро на танҳо theoretical, балки usable tool нишон медиҳад.

12. Маҳдудиятҳо

• Таҳқиқот research draft / technical preprint мебошад ва peer review аз рӯи матн тасдиқ намешавад.
• Near-quadratic complexity бо formal theoretical proof не, empirical runtime regression дастгирӣ мешавад.
• Барои 5.000-node ATSP direct standardized external benchmark кам аст.
• Қисме аз comparisons бо symmetric TSP benchmarks анҷом мешаванд; онҳо бо ATSP айнан як problem class нестанд.
• Randomly generated cost matrices шояд dependency structure-и real logistics, genomics ё astronomy data-ро пурра инъикос накунанд.
• Success-и GTA ба Gurobi solver, solver parameters, RAM capacity ва warm-start implementation вобаста аст.
• Open access-и code ва solver logs барои independent replication critical аст; матн intention-и open access-ро зикр мекунад.
• Multi-agent TSP, gene overlap sequencing ва баъзе advanced variants ҳамчун fully tested results пешниҳод намешаванд.

Ёддошт оид ба Манбаъ ва Усул

Ин мақола дар асоси таҳқиқоти Wissam Nakhle, Gaby Abou Haidar, Elie Al Ahmar ва Roger Achkar бо унвони “GTA - An ATSP Method: Shifting the Bottleneck from Algorithm to RAM” таҳия шудааст. Affiliations-и муаллифон Concordia University, American University of Science and Technology, Université La Sagesse ва Antonine University мебошанд.

Аз рӯи сохтор ва presentation, source ҳамчун academic research article draft / preprint-type technical study арзёбӣ мешавад. Азбаски дар матн journal acceptance, DOI, conference acceptance ё explicit peer-review information тасдиқ намешавад, бояд онро коре, ки peer review-и он аз рӯи матн тасдиқ намешавад номид.

Дар омода кардани ин мундариҷа GTA architecture, Tabu Search warm-start approach, Gurobi MIP use, MTZ-free lazy subtour elimination strategy, distinction байни ATSP ва symmetric TSP, Table 1 performance comparison, interpretation-и log-log ва lin-log runtime graphs, seed variation, cost-range scaling, network visualization, GUI/diagonal-variable simplification experiments ва claims/limitations-и conclusion section истифода шудаанд.

Иддаоҳои дар матн набуда, чун independent validation, peer-reviewed acceptance, guarantee барои ҳамаи real-world ATSP instances, worst-case theoretical complexity proof, success independent of Gurobi, automatic operation дар ҳамаи TSP variants ё definite commercial/operational success илова нашудаанд. Findings claim мекунанд, ки GTA метавонад дар large random ATSP instances strong ва reproducible performance нишон диҳад; scientific reliability-и ин claims бо open code, full solver logs, independent replications ва real-data benchmarks боз ҳам қавитар мешавад.