[논문 리뷰] Improved Approximation for Two-Dimensional Vector Multiple Knapsack

Tomer Cohen, Ariel Kulik외 1명|arXiv (Cornell University)|2023. 01. 01.

Optimization and Packing Problems인용 수 1

한 줄 요약

이 논문은 2차원 벡터 다중 knapsack(2VMK) 문제에 대해 랜덤화된 (1 − ln 2 / 2 − ε)-근사 알고리즘을 제안하며, 이는 이전의 (1 − 1/e − ε) ≈ 0.632 비율을 향상시킨다. 이 접근법은 구성-LP 해의 랜덤화된 반올림을 통해 약 0.693m개의 바구니에 수익을 극대화하기 위해 Round&Approx 프레임워크를 적응시켰으며, 잔여 항목들을 1차원 다중 knapsack 인스턴스로 해결한다.

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.

연구 동기 및 목표

• 2차원 벡터 다중 knapsack(2VMK) 문제에 대한 다항시간 근사 알고리즘을 개발하기 위해.
• 분리 가능한 할당 문제에서 유도된 기존의 (1 − 1/e − ε)-근사 비율을 향상시키기 위해.
• CPU 및 메모리 두 가지 자원 제약 조건이 존재하는 클라우드 컴퓨팅 환경에서 가상 머신 배치의 실용적 과제를 해결하기 위해.
• P ≠ NP 하에 존재하지 않을 가능성이 높은 PTAS의 한계를 규명하기 위해 2VMK에 대해 증명하기 위해.
• 이 접근법이 고차원 변형으로의 확장성에 대해 탐색하기 위해.

제안 방법

• 2VMK 문제에 대해 세트 커버링에서 최대화 문제로의 Round&Approx 프레임워크를 적응시킨다.
• 구성-LP 해의 랜덤화된 반올림을 사용하여 항목들을 약 m·ln2 ≈ 0.693m개의 바구니에 할당한다.
• 남은 항목들을 추가 할당을 위해 1차원 다중 knapsack(MK) 문제로 축소한다.
• (1+ε², ε²)-하위집합 무관 함수와 농도 경계를 사용하여 고확률 보장을 확보한다.
• 실패 확률을 반올림 및 선택 단계에서 유한하게 제한하기 위해 유니온 바운드와 Chernoff 유형 부등식을 적용한다.
• 이중 단계 전략을 사용한다: 초기 할당은 LP 반올림을 통해 수행하고, 잔여 1D MK 인스턴스는 최적 해법으로 해결한다.

실험 결과

연구 질문

• RQ1 새로운 알고리즘 프레임워크를 사용하여 2VMK 문제에 대해 (1 − 1/e − ε)보다 더 나은 근사 비율을 달성할 수 있는가?
• RQ2 구성-LP 반올림과 잔여 1D knapsack 해결을 활용하여 기존의 한계를 초월하는 근사 성능을 향상시킬 수 있는가?
• RQ3 제안된 방법이 d ≥ 3 차원으로 확장되지 않는 이유는 무엇이며, 현재 접근법에서 어떤 구조적 제약 조건이 존재하는가?
• RQ4 저자들이 제안한 바와 같이 반복적인 랜덤화된 반올림이 고차원에서의 병목 현상을 해결할 수 있는가?
• RQ5 2VMK 문제의 이론적 근사 한계는 무엇이며, PTAS가 존재하는가?

주요 결과

• 논문은 (1 − ln2/2 − ε)-근사 비율을 달성하여 약 0.653의 근사 비율을 확보하였으며, 이는 이전 연구에서의 (1 − 1/e − ε) ≈ 0.632 비율을 향상시킨다.
• 알고리즘은 다항 시간 내에 실행되며, 랜덤화되어 있어 일정 확률로 근사 비율을 보장한다.
• 이 방법은 근사 알고리즘 맥락에서 2VMK 문제에 대한 첫 번째 직접적인 연구이다.
• 저자들은 2D 벡터 박스 패킹 문제로의 감소를 통해 P = NP 가정 하에 2VMK에 대해 PTAS가 존재하지 않음을 증명한다.
• 잔여 1D MK 해법이 구성 반올림 단계보다 낮은 구성당 마진 수익을 제공하기 때문에, 방법이 d ≥ 3 차원으로 확장되지 않는다.
• 반올림 및 선택 단계의 고확률 성공을 보장하기 위해 농도 부등식과 유니온 바운드에 의존한다.