[論文レビュー] Online Multidimensional Packing Problems in the Random-Order Model

David Naori, Danny Raz|arXiv (Cornell University)|Jul 1, 2019

Optimization and Search Problems参考文献 19被引用数 4

ひとこと要約

本稿では、ランダム順序モデルにおける $d$ 次元ベクトル一般割当問題（VGAP）のオンラインアルゴリズムを提示する。3段階のアプローチ（サンプリング、重いアイテムの最大重み二部マッチング、軽いアイテムの線形計画 relaxation と確率的丸め）を組み合わせ、$O(d)$ の競合比を達成する。これは漸近的に最適であり、1次元 GAP やナップサック問題の既存の競合比を改善する。

ABSTRACT

We study online multidimensional variants of the generalized assignment problem which are used to model prominent real-world applications, such as the assignment of virtual machines with multiple resource requirements to physical infrastructure in cloud computing. These problems can be seen as an extension of the well known secretary problem and thus the standard online worst-case model cannot provide any performance guarantee. The prevailing model in this case is the random-order model, which provides a useful realistic and robust alternative. Using this model, we study the $d$-dimensional generalized assignment problem, where we introduce a novel technique that achieves an $O(d)$-competitive algorithms and prove a matching lower bound of $Ω(d)$. Furthermore, our algorithm improves upon the best-known competitive-ratio for the online (one-dimensional) generalized assignment problem and the online knapsack problem.

研究の動機と目的

• クラウドコンピューティングやネットワーク機能仮想化におけるオンライン多次元パッケージング問題に取り組むこと。従来の最悪ケースモデルでは、競合比が著しく低いため、現実の到着パターンを反映するランダム順序モデルがより適切である。
• ランダム順序モデル下での $d$ 次元ベクトル一般割当問題（VGAP）に対する耐障害性の高いオンラインアルゴリズムを設計すること。
• 重いアイテムまたは軽いアイテムの一方を除外する既存のアルゴリズムの制限を克服し、両方のアイテムタイプを統合的な枠組みで同時に処理すること。
• 理論的上限を厳密に確立するため、$\Omega(d)$ の下界を証明し、$O(d)$ の上界と一致させることで、漸近的最適性を示すこと。
• ${0,1\}$-VGAP やベクトル多重ナップサック問題（VMKP）といった特殊ケースへもフレームワークを拡張し、広範な適用可能性を示すこと。

提案手法

• アルゴリズムは3段階で構成される：初期のアイテムをパッケージングせずに観測するサンプリング段階、その後に重いアイテム用の専用段階、軽いアイテム用の専用段階。
• 重いアイテム（任意の次元で1つのビンの容量の半分以上を消費するもの）に対しては、最大重み二部マッチングを用いて一時的な割当を計算する。
• 軽いアイテム（任意の次元で1つのビンの容量の半分以下を消費するもの）に対しては、局所的なパッケージング問題の線形計画（LP）緩和の最適な分数解を計算し、確率的丸めを適用する。
• アルゴリズムは、局所解に基づき、ビンの残り容量に収まる場合にのみアイテムをパッケージングすることで、実行可能性を保証する。
• ${0,1\}$-VGAP への拡張では、消費ベクトルの非ゼロ成分の数に基づく分割が行われ、VMKP への拡張ではビンの容量によるソーティングが用いられる。
• 理論的分析では、確率的議論と行列構築を用いて下界を導出し、次元間の独立性と容量制約を活用する。

実験結果

リサーチクエスチョン

• RQ1 ランダム順序モデル下での $d$ 次元一般割当問題において、アイテム数に依存しない競合比を達成できるオンラインアルゴリズムは存在するか？
• RQ2 重いアイテムと軽いアイテムの両方を効果的にパッケージングできるアルゴリズムは設計可能か？ これにより、先行研究が一方のクラスを除外する問題を回避できるか？
• RQ3 オンライン多次元パッケージング問題の最適な競合比は何か？ そして、下界によってその値が達成可能かどうか？
• RQ4 競合比は次元 $d$ と共にどのように変化するか？ $O(d)$ はタイトな上限であるか？
• RQ5 ${0,1\}$-VGAP や VMKP といった特殊ケースへもフレームワークを適応可能か？ その際、最適性は保たれるか？

主な発見

• 提案されたアルゴリズムは、ランダム順序モデル下での $d$ 次元ベクトル一般割当問題（VGAP）に対して $O(d)$ の競合比を達成する。
• ベクトルナップサック問題に対して $\Omega(d)$ の下界が証明され、$O(d)$ の競合比が漸近的に最適であることが示された。
• 1次元オンライン一般割当問題およびオンラインナップサック問題の、これまでに知られていた最良の競合比を上回る。
• ${0,1\}$-VGAP の特殊ケースでは、消費ベクトルの非ゼロ成分の数に基づく分割基準を用いてパッケージング意思決定を管理する。
• 少なくとも2つの同一のビンを有する VMKP に対してもフレームワークを拡張可能であり、この設定でも $O(d)$ の境界はタイトのまま保たれる。
• 分析により、計算能力が無制限であっても、アルゴリズムの性能が堅牢かつ最適であることが確認された。計算複雑性に関する仮定は一切不要である。