[논문 리뷰] On the Factor Revealing LP Approach for Facility Location with Penalties

Xian Qiu, Walter Kern|arXiv (Cornell University)|2016. 01. 31.

Facility Location and Emergency Management참고 문헌 20인용 수 3

한 줄 요약

이 논문은 선형 보상이 있는 비용 제한이 없는 시설 위치 문제에 대해 수정된 JMS 알고리즘과 랜덤화된 LP 반올림을 조합하여 1.488의 근사 비율을 달성한다. 이는 이전의 1.5148 기준을 향상시킨 결과이다. 주요 기여는 JMS 알고리즘을 보상 설정에 적응시키고, 단조성 요인 규명 LP 기법을 사용한 것으로, 고전적 및 보상이 있는 시설 위치 문제 간의 격차를 해소한다.

ABSTRACT

We consider the uncapacitated facility location problem with (linear) penalty function and show that a modified JMS algorithm, combined with a randomized LP rounding technique due to Byrka-Aardal[1], Li[14] and Li et al.[16] yields 1.488 approximation, improving the factor 1.5148 due to Li et al.[16]. This closes the current gap between the classical facility location problem and this penalized variant. Main ingredient is a straightforward adaptation of the JMS algorithm to the penalty setting plus a consistent use of the upper bounding technique for factor revealing LPs due to Fernandes et al.[7]. In contrast to the bounds in [12], our factor revealing LP is monotone.

연구 동기 및 목표

• 선형 보상 함수가 있는 비용 제한이 없는 시설 위치 문제를 다루기 위해.
• 보상이 있는 변형에 대해 기존의 1.5148 근사 비율을 향상시키기 위해.
• 고전적 시설 위치 문제와 그 보상이 있는 대응체 간의 성능 격차를 해소하기 위해.
• 보상 설정에 적합한 단조성 요인 규명 LP 프레임워크를 개발하기 위해.

제안 방법

• JMS 알고리즘을 보상 기반 시설 위치 설정에 간단한 수정을 통해 적응시키기 위해.
• Byrka-Aardal, Li, 그리고 Li 등에 의해 제안된 랜덤화된 LP 반올림 기법을 수정된 알고리즘에 적용하기 위해.
• Fernandes 등이 제안한 요인 규명 LP에 대한 상한 기법을 사용하여 근사 보장을 분석하기 위해.
• 일致하고 날카로운 성능 한계를 보장하기 위해 단조성 요인 규명 LP를 구축하기 위해.
• 요인 규명 LP의 단조성을 활용하여 분석을 단순화하고 강화하기 위해.

실험 결과

연구 질문

• RQ1 JMS 알고리즘은 선형 보상이 있는 시설 위치 문제에 효과적으로 적응시킬 수 있는가?
• RQ2 수정된 JMS 알고리즘과 랜덤화된 LP 반올림을 조합하여 보상 설정에서 어떤 근사 비율을 달성할 수 있는가?
• RQ3 이 새로운 알고리즘의 성능은 Li 등이 제시한 이전의 1.5148 기준보다 어떻게 비교되는가?
• RQ4 보상이 있는 시설 위치 문제에 대해 단조성 요인 규명 LP를 구성할 수 있는가? 이를 통해 더 날카로운 분석을 보장할 수 있는가?

주요 결과

• 제안된 알고리즘은 선형 보상이 있는 비용 제한이 없는 시설 위치 문제에 대해 1.488의 근사 비율을 달성한다.
• 이것은 Li 등이 확립한 이전의 최고 기록인 1.5148의 근사 비율을 향상시킨 결과이다.
• 분석에서 사용된 요인 규명 LP는 단조성이 확보되어 있어 더 견고하고 일관된 성능 보장을 가능하게 한다.
• JMS 알고리즘의 보상 설정에 대한 적응은 단순하고 효과적이다.