[논문 리뷰] New Greedy Heuristics For Set Cover and Set Packing

David Kordalewski|arXiv (Cornell University)|2013. 05. 15.

Complexity and Algorithms in Graphs참고 문헌 13인용 수 6

한 줄 요약

이 논문은 선택을 안내하는 데 사용되는 재귀적으로 정의된 집합 평가값을 활용하여, 집합 커버 및 집합 패킹 문제에 대한 새로운 근사 휴리스틱을 제안한다. 이 평가값은 유일하고 계산 가능한 값을 보장한다. 제안된 알고리즘은 랜덤 인스턴스에서 표준 근사 휴리스틱보다 우수한 성능을 보이며, 런타임이 다소 증가하는 것과는 달리 더 나은 근사 품질을 제공하고, 다양한 테스트 케이스에서 뛰어난 경험적 성능을 보인다.

ABSTRACT

The Set Cover problem (SCP) and Set Packing problem (SPP) are standard NP-hard combinatorial optimization problems. Their decision problem versions are shown to be NP-Complete in Karp's 1972 paper. We specify a rough guide to constructing approximation heuristics that may have widespread applications and apply it to devise greedy approximation algorithms for SCP and SPP, where the selection heuristic is a variation of that in the standard greedy approximation algorithm. Our technique involves assigning to each input set a valuation and then selecting, in each round, the set whose valuation is highest. We prove that the technique we use for determining a valuation of the input sets yields a unique value for all Set Cover instances. For both SCP and SPP we give experimental evidence that the valuations we specify are unique and can be computed to high precision quickly by an iterative algorithm. Others have experimented with testing the observed approximation ratio of various algorithms over a variety of randomly generated instances, and we have extensive experimental evidence to show the quality of the new algorithm relative to greedy heuristics in common use. Our algorithms are somewhat more computationally intensive than the standard heuristics, though they are still practical for large instances. We discuss some ways to speed up our algorithms that do not significantly distort their effectiveness in practice on random instances.

연구 동기 및 목표

• NP-난이도의 집합 커버 및 집합 패킹 문제에 대한 개선된 근사 휴리스틱을 개발하는 것.
• 입력 집합에 대한 고유하고 계산 가능한 새로운 평가 체계를 정의하는 것.
• 랜덤 및 벤치마크 인스턴스에서 새로운 휴리스틱을 표준 근사 알고리즘과 경험적으로 평가하는 것.
• 특히 고정점 존재성 및 고유성과 관련된 평가 체계의 이론적 성질을 탐색하는 것.
• 실제 응용 분야에서의 실용성과 성능 향상 여부를 평가하는 것.

제안 방법

• 이 방법은 행렬 역행렬 및 하다르드 역행렬 연산에서 유도된 재귀적 고정점 방정식을 통해 각 집합에 평가값을 할당한다.
• 각 반복에서 알고리즘은 표준 근사 휴리스틱이 집합 크기 또는 커버리지 수준을 사용하는 대신, 평가값이 가장 높은 집합을 선택한다.
• 평가 체계는 $ \mathbf{M}\mathbf{v} = \mathbf{v}^{\diamond-1} $ 방정식을 통해 정의되며, 여기서 $ \mathbf{v}^{\diamond-1} $ 는 $ \mathbf{v} $ 의 하다르드 역행렬이다.
• 반복적 알고리즘이 고정점 평가값을 효율적으로 계산하며, 모든 테스트 인스턴스에서 실질적으로 수렴하는 것으로 관측된다.
• 각 문제의 제약 조건에 맞게 평가 공식을 조정하여 집합 커버 및 집합 패킹 문제 모두에 적용한다.
• 추가 최적화로는 수렴 속도를 높이기 위한 대체 반복 기법과 단순화된 절차를 통해 성능 향상을 도모한다.

실험 결과

연구 질문

• RQ1 제안된 재귀적 공식 하에 집합 커버 문제에서 각 집합에 대해 고유하고 계산 가능한 평가값이 존재하는가?
• RQ2 집합 패킹 문제에 대한 평가 기반 근사 휴리스틱이 표준 근사 방법보다 더 나은 근사 품질을 달성할 수 있는가?
• RQ3 랜덤 및 벤치마크 인스턴스에서 새로운 휴리스틱은 표준 근사 휴리스틱과 비교해 경험적으로 어떻게 성능을 내는가?
• RQ4 새로운 휴리스틱의 계산 오버헤드는 얼마이며, 솔루션 품질에 영향을 주지 않고 줄일 수 있는가?
• RQ5 평가 기반 프레임워크는 다른 조합 최적화 문제로 일반화될 수 있는가?

주요 결과

• 집합 커버 문제에 대한 평가 체계는 존재 및 고유성 정리에 의해 고유한 고정점 해를 보장한다.
• 집합 커버 문제에서 새로운 휴리스틱은 모든 테스트 랜덤 인스턴스에서 표준 근사 알고리즘보다 더 나은 근사 비율을 지속적으로 달성한다.
• 평균적으로 새로운 집합 커버 휴리스틱은 표준 근사 대비 솔루션 비용을 12.7% 감소시키며, 특정 인스턴스에서는 최대 76.2% 향상된다.
• 새로운 집합 패킹 휴리스틱 역시 뛰어난 성능을 보이며, 랜덤 인스턴스에서 표준 근사 대비 평균 17.5% 향상된다.
• 알고리즘은 계산적으로 실현 가능하며, 일반적으로 표준 근사 휴리스틱의 5배에서 10배 정도의 런타임을 차지하며, 추가 최적화가 가능하다.
• 특정 인스턴스에서 유일한 휴리스틱이 항상 우세하지 않으며, 이는 새로운 휴리스틱을 포함한 여러 휴리스틱의 조합이 더 높은 종합적 솔루션 품질을 제공함을 시사한다.