[논문 리뷰] Multitype Integer Monoid Optimization and Applications

Dušan Knop, Martin Koutecký외 3명|arXiv (Cornell University)|2019. 09. 16.

Optimization and Packing Problems참고 문헌 48인용 수 5

한 줄 요약

이 논문은 구성 요소를 모노이드의 원소로 모델링하고 다중 구성 유형으로의 분해를 최적화하는 방식으로 고다중도 스케줄링 및 박스 패킹 문제를 해결하기 위한 일반적 프레임워크인 다중형 정수 모노이드 최적화(MIMO)를 제안한다. 정수 및 연속적 완화 간의 새로운 유사도 정리(Proximity Theorem)를 수립하여 다양한 목표 함수를 가진 MIMO에 대해 더 빠른 정확한 알고리즘을 가능하게 하며, 표준 복잡도 가정 하에 이러한 결과가 날카로운 상한임을 보여준다.

ABSTRACT

Configuration integer programs (IP) have been key in the design of algorithms for NP-hard high-multiplicity problems since the pioneering work of Gilmore and Gomory [Oper. Res., 1961]. Configuration IPs have a variable for each possible configuration, which describes a placement of items into a location, and whose value corresponds to the number of locations with that placement. In high multiplicity problems items come in types, and are represented succinctly by a vector of multiplicities; solving the configuration IP then amounts to deciding whether the input vector of multiplicities of items of each type can be decomposed into a given number of configurations. We make this implicit notion explicit by observing that the set of all input vectors decomposable into configurations forms a monoid, and solving the configuration IP is the Monoid Decomposition problem. Motivated by applications, we enrich this problem in two ways. First, sometimes each configuration additionally has an objective value, yielding an optimization problem of finding a "best" decomposition under the given objective. Second, there are often different types of configurations for different types of locations. The resulting problem is to optimize over decompositions of the input multiplicity vector into configurations of several types, and we call it Multitype Integer Monoid Optimization, or MIMO. We develop fast exact algorithms for various MIMO with few or many location types and with various objectives. Our algorithms build on a novel proximity theorem connecting the solutions of a certain configuration IP to those of its continuous relaxation. We then cast several fundamental scheduling and bin packing problems as MIMOs, and thereby obtain new or substantially faster algorithms for them. We complement our positive algorithmic results by hardness results.

연구 동기 및 목표

• 구성 정수계획법(IP)을 일반화하고, 기초 개념으로서의 모노이드 분해 문제를 도입하여 체계화한다.
• 다중 구성 유형과 목표 함수를 처리할 수 있도록 구성 IP를 확장하여 새로운 MIMO 프레임워크를 도출한다.
• 소수 또는 다수의 위치 유형과 다양한 목표 함수를 가진 MIMO에 대해 빠른 정확한 알고리즘을 개발한다.
• 표준 가정 하에 NP-난해 문제로의 감소를 통해 복잡도 한계를 날카롭게 규명한다.
• MIMO를 통해 기존의 기본 문제들(예: 박스 패킹, 스케줄링, 분할)에 대한 알고리즘들을 통합하고 개선한다.

제안 방법

• 고다중도 문제의 암묵적 구조를 체계화하기 위해, 유효한 구성으로 분해 가능한 모든 입력 벡터의 집합으로서 구성의 모노이드를 도입한다.
• 다양한 유형의 구성과 관련된 목표 함수를 가진 다중 구성 분해에 대해 최적화하는 문제로 MIMO를 정의한다.
• 정수 구성 IP의 해와 그 연속적 완화 해 사이의 관계를 연결하는 새로운 유사도 정리를 개발하여 효율적인 해 탐색을 가능하게 한다.
• MIMO 인스턴스를 거대한 N-형태 정수계획법으로 변환하고, 기존의 N-형태 IP에 대한 FPT 알고리즘을 활용하여 빠른 정확한 알고리즘을 확보한다.
• 분리 가능한 오목 목적 함수를 사용하여 복잡한 조건(예: 박스 패킹, 분할)을 모델링하고, 이차 페널티를 통해 이진 결정을 강제한다.
• NP-난해 문제(예: 분할, 박스 패킹)를 MIMO로 감소시켜 복잡도 하한을 증명하고, 알고리즘 영역의 날카로움을 보여준다.

실험 결과

연구 질문

• RQ1 구성 IP 프레임워크는 다중 구성 유형과 목표 함수를 통합적으로 다룰 수 있는가?
• RQ2 정수 구성 IP와 그 연속적 완화 간의 구조적 관계는 무엇이며, 이를 알고리즘적으로 어떻게 활용할 수 있는가?
• RQ3 소수 또는 다수의 구성 유형과 다양한 목표 함수를 가진 MIMO에 대해 빠른 정확한 알고리즘이 존재하는가?
• RQ4 MIMO는 기존의 박스 패킹 및 스케줄링과 같은 고전적 문제에 대한 알고리즘들을 통합하고 개선하는 데 사용될 수 있는가?
• RQ5 MIMO의 날카로운 복잡도 한계는 무엇이며, 어떤 알고리즘 영역은 확장될 수 없을까?

주요 결과

• 정수 구성 IP의 해와 연속적 완화 해 사이의 관계를 연결하는 새로운 유사도 정리가 수립되었으며, 이는 최적 해 탐색을 효율적으로 가능하게 한다.
• 논문은 MIMO를 고다중도 스케줄링, 박스 패킹 및 관련 문제들을 포괄하고 통합하는 일반적 프레임워크로 도입한다.
• 소수 또는 다수의 위치 유형과 다양한 목표 함수(이차 오목 목적 함수 포함)를 가진 MIMO에 대해 빠른 정확한 알고리즘이 개발되었다.
• 이 프레임워크는 최대 마감 시간 최소화, 박스 패킹, 분할과 같은 기본 문제에 대해 새로운 또는 훨씬 더 빠른 알고리즘을 가능하게 한다.
• 복잡도 하한 결과는 알고리즘 영역이 날카로움을 보여주며, MIMO는 매개변수 r과 t에 대해 W[1]-난해하나, 작은 계수를 가진 경우에도 그렇고, 고정비용 목표 함수를 가진 경우에도 NP-난해임을 증명한다.
• MIMO를 거대한 N-형태 IP로 감소시킴으로써 기존의 FPT 알고리즘을 활용할 수 있으며, N-형태 IP의 난이도가 표준 가정 하에 날카로운 상한임을 입증한다.