[논문 리뷰] Improved Bounds for Online Preemptive Matching

Leah Epstein, Asaf Levin외 2명|arXiv (Cornell University)|2012. 07. 07.

Optimization and Search Problems참고 문헌 12인용 수 12

한 줄 요약

이 논문은 최대 무게 매칭을 위한 랜덤화된 선점 가능한 온라인 알고리즘을 제안하며, 경쟁 비율 약 5.356을 달성하여 결정론적 상한선 3 + 2√2 ≈ 5.828을 향상시킨다. 이 방법은 간선 무게의 기하학적 반올림과 선점 트리를 사용하여 기각되거나 선점된 간선으로 인한 손실을 제한하며, 온라인 매칭 환경에서 결정론적 한계를 뛰어넘기 위해 랜덤화를 활용한다.

ABSTRACT

When designing a preemptive online algorithm for the maximum matching problem, we wish to maintain a valid matching M while edges of the underlying graph are presented one after the other. When presented with an edge e, the algorithm should decide whether to augment the matching M by adding e (in which case e may be removed later on) or to keep M in its current form without adding e (in which case e is lost for good). The objective is to eventually hold a matching M with maximum weight. The main contribution of this paper is to establish new lower and upper bounds on the competitive ratio achievable by preemptive online algorithms: 1. We provide a lower bound of 1+ln 2~1.693 on the competitive ratio of any randomized algorithm for the maximum cardinality matching problem, thus improving on the currently best known bound of e/(e-1)~1.581 due to Karp, Vazirani, and Vazirani [STOC'90]. 2. We devise a randomized algorithm that achieves an expected competitive ratio of 5.356 for maximum weight matching. This finding demonstrates the power of randomization in this context, showing how to beat the tight bound of 3 +2\sqrt{2}~5.828 for deterministic algorithms, obtained by combining the 5.828 upper bound of McGregor [APPROX'05] and the recent 5.828 lower bound of Varadaraja [ICALP'11].

연구 동기 및 목표

• 랜덤화된 온라인 선점 매칭 알고리즘에 대한 알려진 상한선과 하한선 사이의 격차를 좁히기 위해.
• 무게 없음 최대 카디널리티 매칭 문제에서 랜덤화 알고리즘에 대한 더 강력한 하한선을 확립하기 위해.
• 랜덤화가 가중치가 있는 경우에 결정론적 경쟁 비율 3 + 2√2 ≈ 5.828을 초월하여 성능을 엄격히 향상시킬 수 있음을 보여주기 위해.
• 기하학적 반올림과 선점 트리를 사용하여, 랜덤화 하에 경쟁 비율을 분석하는 새로운 알고리즘 프레임워크를 개발하기 위해.

제안 방법

• 알고리즘은 θ > 2 인 요소를 사용하여 간선 무게를 기하학적으로 반올림하여 무게를 이산 수준으로 그룹화함으로써, 선점된 간선의 체계적 분석을 가능하게 한다.
• 최종 매칭에 포함된 각 간선에 대해 선점 트리가 구성되며, 각 노드는 간선을 나타내고 자식 노드는 삽입 중에 선점된 간선을 나타낸다.
• 매칭에 포함된 각 간선은 매칭 기반 할당을 통해 최적 해의 간선과 연결되며, 이로 인해 트리의 루트당 총 무게 기여도가 유한하게 유지된다.
• 트리의 각 수준에 대한 기하급수 급수를 기반으로, 트리의 루트당 관련 간선의 총 반올림 무게가 루트의 무게의 (2θ−2)/(θ−2) 배 이하임을 분석으로 유도한다.
• θ에 관한 핵심 부등식이 유도되며, 이는 2(ln θ + 1) = θ 이며, 이 식의 유일한 해 θ* ≈ 5.356은 경쟁 비율 2θ ln θ / (θ−2) 를 최소화한다.
• 최종 경쟁 비율은 반올림된 무게에서의 기대 수익 한계와 원래 무게와 반올림된 무게 간의 관계를 조합하여 유도된다.

실험 결과

연구 질문

• RQ1 랜덤화는 온라인 가중치 매칭에서 결정론적 상한선 3 + 2√2 ≈ 5.828을 초월하여 경쟁 비율을 향상시킬 수 있는가?
• RQ2 선점 가능한 온라인 모델에서 최대 무게 매칭에 대해 어떤 랜덤화 알고리즘도 달성할 수 있는 최고의 경쟁 비율은 무엇인가?
• RQ3 기하학적 반올림과 선점 트리는 어떻게 랜덤화된 온라인 매칭 알고리즘의 성능을 분석하는 데 사용될 수 있는가?
• RQ4 무게 없는 경우에 대해 랜덤화 알고리즘의 하한선 e/(e−1) ≈ 1.581은 여전히 날카로운가, 아니면 향상될 수 있는가?

주요 결과

• 무게 없는 최대 카디널리티 매칭 문제에서 어떤 랜덤화 알고리즘의 경쟁 비율에 대해서도 1 + ln 2 ≈ 1.693의 새로운 하한선이 확립되었으며, 이는 이전의 하한선 e/(e−1) ≈ 1.581을 향상시킨다.
• 가중치가 있는 경우에 제안된 랜덤화 알고리즘은 기대 경쟁 비율 약 5.356을 달성하며, 이는 결정론적 상한선 3 + 2√2 ≈ 5.828보다 엄격히 우수하다.
• 최적의 경쟁 비율은 θ* ≈ 5.356일 때 도달되며, 이는 (2, ∞) 구간 내에서 방정식 2(ln θ + 1) = θ 의 유일한 해이다.
• 분석 결과, 매칭 간선과 관련된 간선의 총 반올림 무게는 루트 간선의 무게의 (2θ−2)/(θ−2) 배 이하임을 보여주며, 이는 경쟁 비율을 제한하는 데 핵심적이다.
• 경쟁 비율 2θ ln θ / (θ−2) 는 θ* ≈ 5.356 에서 최소화되며, 이로 인해 최종 경쟁 비율이 θ* 가 된다.
• 이 방법은 결정론적 알고리즘에 적용되는 날카로운 경계 5.828을 뛰어넘기 위해 랜덤화가 효과적일 수 있음을 증명한다.