[論文レビュー] Improved Approximation for Two-Dimensional Vector Multiple Knapsack

Tomer Cohen, Ariel Kulik+1 more|arXiv (Cornell University)|Jan 1, 2023

Optimization and Packing Problems被引用数 1

ひとこと要約

本稿では、2次元ベクターマルチナップサック問題（2VMK）に対して、(1 − ln 2 / 2 − ε) ≈ 0.653 の近似比を達成する確率的アルゴリズムを提示している。これは、従来の (1 − 1/e − ε) ≈ 0.632 の比を改善している。本手法は、Round&Approxフレームワークを2VMKに適応し、約0.693m個のビンに、配置のための構成-LP解を確率的丸めることで利益を最大化する。その後、残りのアイテムを1次元マルチナップサック問題として解く。

ABSTRACT

We study the uniform $2$-dimensional vector multiple knapsack (2VMK) problem, a natural variant of multiple knapsack arising in real-world applications such as virtual machine placement. The input for 2VMK is a set of items, each associated with a $2$-dimensional weight vector and a positive profit, along with $m$ $2$-dimensional bins of uniform (unit) capacity in each dimension. The goal is to find an assignment of a subset of the items to the bins, such that the total weight of items assigned to a single bin is at most one in each dimension, and the total profit is maximized. Our main result is a $(1- \frac{\ln 2}{2} - \varepsilon)$-approximation algorithm for 2VMK, for every fixed $\varepsilon > 0$, thus improving the best known ratio of $(1 - \frac{1}{e}-\varepsilon)$ which follows as a special case from a result of [Fleischer at al., MOR 2011]. Our algorithm relies on an adaptation of the Round$\&$Approx framework of [Bansal et al., SICOMP 2010], originally designed for set covering problems, to maximization problems. The algorithm uses randomized rounding of a configuration-LP solution to assign items to $\approx m\cdot \ln 2 \approx 0.693\cdot m$ of the bins, followed by a reduction to the ($1$-dimensional) Multiple Knapsack problem for assigning items to the remaining bins.

研究の動機と目的

• 2次元ベクターマルチナップサック（2VMK）問題に対する多項式時間近似アルゴリズムの開発。
• 分離可能な割り当て問題に基づく、既存の (1 − 1/e − ε) ≈ 0.632 の近似比を改善すること。
• CPUとメモリの2つのリソース制約を伴うクラウドコンピューティングにおける仮想マシン配置という実用的課題に対処すること。
• P ≠ NP のもとでPTASが存在しないことを示すことで、2VMKのPTASの限界を特定すること。
• 高次元バージョンへのスケーラビリティの検討。

提案手法

• 2VMKの最大化問題に、集合被覆から派生するRound&Approxフレームワークを適応する。
• 構成-LP解の確率的丸めを用い、約 m·ln2 ≈ 0.693m 個のビンにアイテムを割り当てる。
• 残りのアイテムを、さらなる割り当てのための1次元マルチナップサック（MK）問題に還元する。
• 高確率保証を得るために、(1+ε², ε²)-部分集合オーバーサイト関数と集中不等式を用いる。
• 失敗確率を丸めと選択段階で制御するために、和集合不等式とChernoff型不等式を適用する。
• 2段階戦略を採用：最初にLP丸めによる初期割当を行い、その後に残差1次元MK問題の最適解を求める。

実験結果

リサーチクエスチョン

• RQ1 新規なアルゴリズムフレームワークを用いて、2VMKの近似比を (1 − 1/e − ε) よりも向上させることは可能か？
• RQ2 構成-LP丸めと残差1次元ナップサック問題の解法を活用することで、既存の境界を超える近似が達成可能か？
• RQ3 提案手法がd ≥ 3次元にスケーリングできない理由は何か？現在のアプローチにどのような構造的制限があるか？
• RQ4 著者らが示唆するように、反復的確率的丸めが高次元におけるボトルネックを解消できるか？
• RQ5 2VMKの理論的近似限界は何か？PTASは存在するか？

主な発見

• 本稿では、(1 − ln2/2 − ε) ≈ 0.653 の近似比を達成しており、従来の (1 − 1/e − ε) ≈ 0.632 の比を改善している。
• アルゴリズムは多項式時間で動作し、確率的であるが、定数の確率で近似比を保証する。
• 本手法は、近似アルゴリズムの文脈において2VMKに対する最初の直接的な研究である。
• 著者らは、2次元ベクターバインパッキング問題への還元を用いて、P ≠ NP のもとで2VMKにPTASが存在しないことを証明している。
• 残差1次元MK問題の解法が、確率的丸め段階よりも低い限界利益をもたらすため、d ≥ 3次元へのスケーリングに失敗する。
• 丸めと選択フェーズの高確率成功を保証するために、集中不等式と和集合不等式に依存している。