[논문 리뷰] Minimizing Makespan in Sublinear Time via Weighted Random Sampling

Bin Fu, Yumei Huo외 1명|arXiv (Cornell University)|2026. 02. 03.

Scheduling and Optimization Algorithms인용 수 0

한 줄 요약

논문은 가중 무작위 샘플링을 사용한 m개의 동일 기계에서의 makespan 최소화에 대한 두 가지 서브선형 시간 무작위 근사 스킴을 제시하며, 알려진 n과 알려지지 않은 n의 경우 (1+ε)-근사 makespans와 스케치 스케줄을 제공한다.

ABSTRACT

We consider the classical makespan minimization scheduling problem where $n$ jobs must be scheduled on $m$ identical machines. Using weighted random sampling, we developed two sublinear time approximation schemes: one for the case where $n$ is known and the other for the case where $n$ is unknown. Both algorithms not only give a $(1+3ε)$-approximation to the optimal makespan but also generate a sketch schedule. Our first algorithm, which targets the case where $n$ is known and draws samples in a single round under weighted random sampling, has a running time of $ ilde{O}( frac{m^5}{ε^4} \sqrt{n}+A(\ceiling{m\over ε}, ε ))$, where $A(\mathcal{N}, α)$ is the time complexity of any $(1+α)$-approximation scheme for the makespan minimization of $\mathcal{N}$ jobs. The second algorithm addresses the case where $n$ is unknown. It uses adaptive weighted random sampling, % extit{that is}, it draws samples in several rounds, adjusting the number of samples after each round, and runs in sublinear time $ ilde{O}\left( frac{m^5} {ε^4} \sqrt{n} + A(\ceiling{m\over ε}, ε ) ight)$. We also provide an implementation that generates a weighted random sample using $O(\log n)$ uniform random samples.

연구 동기 및 목표

• m 동일 기계에서의 고전적 makespan 최소화 문제에 대한 서브선형 시간 무작위 알고리즘 개발.
• 불균형한 작업 크기를 다루고 입력 의존성을 줄이기 위해 가중 무작위 샘플링 활용.
• 스케치 스케줄을 제공하고 거의 최적에 가까운 makespan을 가진 구체적인 스케줄의 사후 구성 가능하게 하기.

제안 방법

• 각 작업의 샘플링 확률이 처리 시간에 비례하도록 가중 무작위 샘플링을 사용한다.
• 추정된 처리 시간 구간으로 작업을 그룹화하고 핵심 OPT(I) 특성을 보존하는 서브선형 규모의 입력 스케치를 구성한다.
• 가장 큰 작업에 대해 (1+α) 근사 스킴을 블랙 박스처럼 사용하고 나머지 작업을 배치하여 (1+ε) 근사를 달성하는 메타 알고리즘을 적용한다.
• 스케치가 (α,β1,β2)-스케치가 되도록 보장하고, 구간별 개수 및 스케치의 OPT에 대한 보장을 제공하여 OPT(I)의 서브선형 시간 계산을 가능하게 한다.
• 알려진 n의 경우(단일 라운드 샘플링)와 알려지지 않은 n의 경우(적응적 가중 샘플링) 알고리즘을 구분한다.
• 스케치에서 스케치 스케줄을 도출하는 방법을 제공하고 모든 데이터가 사용 가능할 때 이를 전체 스케줄로 확장하는 방법을 제시한다.

실험 결과

연구 질문

• RQ1 가중 샘플링을 사용하여 서브선형 시간에 m개의 동일 기계에서의 makespan를 (1+ε) 근사로 계산할 수 있는가?
• RQ2 알려진 n과 알려지지 않은 n 모두에서 핵심 makespan 구조를 보존하는 입력의 컴팩트한 스케치를 어떻게 구성할 수 있는가?
• RQ3 일반적인 (1+α)-근사 알고리즘을 스케치와 결합하여 원래 인스턴스에 대해 (1+ε)-근사를 얻을 수 있는가?
• RQ4 알려진 vs 알려지지 않은 n 시나리오에 대한 실행 시간 보장 및 스케치 크기 한계는 무엇인가?

주요 결과

• 알려진 n의 경우, tilde-O(m^5/ε^4 * sqrt(n) + A(ceil(m/ε), ε)) 시간으로 작동하는 확률적 (1+ε)-근사 알고리즘이 존재한다.
• 알려지지 않은 n의 경우, tilde-O(m^5/ε^4 * sqrt(n) + A(ceil(m/ε), ε)) 시간으로 작동하는 확률적 (1+ε)-근사 알고리즘이 존재한다.
• 알고리즘은 스케치 스케줄을 공간 O(m^2/ε^2 * log(mn^2))(알려진 n) 또는 O(m^2/ε^2 * log(nm/ε))(알려지지 않은 n)로 표현하여 향후 구체적인 일정 수립이 가능하며 makespan은 최대 (1+3ε)OPT(I)이다.
• 가중 샘플링, 일반화된 생일 역설 인자, 그리고 makespan 최소화를 위한 블랙 박스 근사 스킴의 조합을 통해 서브선형 시간 해를 달성한다.
• 가중 샘플링을 사용하여 샘플을 O(log n) 균등 샘플로 생성하는 실용적 구현을 제공한다.
• 스케치를 기반으로 한 방법론은 전체 작업 정보가 이용 가능해지면 스케치 스케줄을 전체 스케줄로 변환할 수 있게 한다.