[논문 리뷰] Robust and MaxMin Optimization under Matroid and Knapsack Uncertainty Sets

Anupam Gupta, Viswanath Nagarajan외 1명|arXiv (Cornell University)|2010. 12. 22.

Complexity and Algorithms in Graphs참고 문헌 21인용 수 4

한 줄 요약

이 논문은 매트로이드와 배낭 제약 조건을 갖는 불확실성 집합에서 최대-최소 및 강건 최적화 문제에 대한 근사 알고리즘을 제시한다. 이는 커버링 문제에 대한 결정적 온라인 알고리즘을 활용한다. 만약 기저가 되는 커버링 문제에 좋은 온라인 알고리즘이 존재한다면, 최대-최소 및 강건 문제의 근사 비율은 온라인 비율 p(≤p-시스템에 대해) 및 q(≤배낭에 대해)에 따라 결정되며, 집합 커버나 멀티컷과 같은 비하위모듈러 함수에 대해서도 성립한다.

ABSTRACT

Consider the following problem: given a set system (U,I) and an edge-weighted graph G = (U, E) on the same universe U, find the set A in I such that the Steiner tree cost with terminals A is as large as possible: "which set in I is the most difficult to connect up?" This is an example of a max-min problem: find the set A in I such that the value of some minimization (covering) problem is as large as possible. In this paper, we show that for certain covering problems which admit good deterministic online algorithms, we can give good algorithms for max-min optimization when the set system I is given by a p-system or q-knapsacks or both. This result is similar to results for constrained maximization of submodular functions. Although many natural covering problems are not even approximately submodular, we show that one can use properties of the online algorithm as a surrogate for submodularity. Moreover, we give stronger connections between max-min optimization and two-stage robust optimization, and hence give improved algorithms for robust versions of various covering problems, for cases where the uncertainty sets are given by p-systems and q-knapsacks.

연구 동기 및 목표

• 집합 커버나 멀티컷과 같은 비하위모듈러 커버링 함수에 대한 제약 조건이 있는 최대-최소 최적화 문제에 도전한다.
• 결정적 온라인 알고리즘의 성질을 하위모듈러성의 대체 수단으로 활용하여, 하위모듈러 함수를 초월한 근사 기법을 확장한다.
• p-시스템과 q개의 배낭으로 정의된 불확실성 집합 하에서 강건 최적화에 대한 새로운 근사 보장을 제공한다.
• 최대-최소 최적화와 이단계 강건 최적화를 연결하여 공통의 알고리즘 기법을 보여준다.
• 좋은 온라인 알고리즘이 존재할 경우, 비하위모듈러 커버링 함수도 조합적 제약 조건 하에서 효율적으로 최적화될 수 있음을 보여준다.

제안 방법

• 커버링 문제에 대한 결정적 온라인 알고리즘의 경쟁 비율을 최대-최소 최적화에서 하위모듈러성의 대체 수단으로 사용한다.
• 최대-최소 문제를 이단계 의사결정과 인flation 매개변수를 갖는 강건 최적화 프레임워크로 환원한다.
• 첫 번째 단계에서 온라인 행동을 시뮬레이션하고 두 번째 단계에서 적응하는 프리마일-듀얼 또는 근사적 접근 방식을 통해 해를 구성한다.
• 기존의 온라인 알고리즘(예: 집합 커버, 스티너 트리, 최소 컷)을 적용하여 강건 및 최대-최소 변형에 대한 근사 비율을 유도한다.
• 일반적인 거리 공간을 트리 거리 공간으로 근사하기 위해 확률적 트리 임bedding을 사용하여 스티너 문제에 하위모듈러 근사 기법을 적용한다.
• p-시스템과 q-배낭 제약 조건을 계층적 또는 반복적 라운딩 기법을 통해 조합하여 타당성과 근사 보장을 유지한다.

실험 결과

연구 질문

• RQ1 집합 커버나 멀티컷과 같이 하위모듈러가 아닌 목적 함수에 대해 최대-최소 최적화에서 좋은 근사 비율을 달성할 수 있는가?
• RQ2 커버링 문제에 대한 결정적 온라인 알고리즘의 성능을 얼마나 잘 활용하여 강건 및 최대-최소 변형 문제를 해결할 수 있는가?
• RQ3 p-시스템과 q개의 배낭으로 정의된 불확실성 집합 하에서 강건 커버링 문제에 대해 어떤 근사 보장을 달성할 수 있는가?
• RQ4 온라인 알고리즘의 경쟁 비율이 최대-최소 및 강건 설정에서 근사 비율에 어떻게 영향을 미치는가?
• RQ5 p-시스템과 배낭 제약 조건 하에서 여전히 좋은 근사 알고리즘을 갖는 비하위모듈러 함수가 존재하는가?

주요 결과

• 최소 집합 커버 함수는 o(n)-근사 하위모듈러가 아니며, 이는 이 클래스 문제에 하위모듈러 기반 기법을 직접 적용할 수 없음을 시사한다.
• 최소 멀티컷 함수는 o(n^{1/3})-근사 하위모듈러가 아니며, 이는 커버링 문제에 하위모듈러 근사 기법이 갖는 한계를 더욱 부각시킨다.
• p-시스템과 q-배낭 불확실성 집합 하에서 집합 커버 문제에 대해 강건 문제는 O(pq·log²m·log n)-근사 비율을 갖는다. 이는 기존의 온라인 및 오프라인 비율에 기반한다.
• 스티너 트리/숲 문제에 대해 강건 문제는 O(pq·log n)-근사 비율을 달성한다. 이는 O(log n)-경쟁 비율을 갖는 온라인 알고리즘을 활용한다.
• 최소 컷 문제에 대해 강건 문제는 O(pq·log³n·log log n)-근사 비율을 갖는다. 이는 O(log³n·log log n)-경쟁 비율을 갖는 온라인 알고리즘에서 유도된다.
• 멀티컷 문제에 대해 강건 문제는 O(pq·log⁴n·log log n)-근사 비율을 달성한다. 이는 문제에 대해 고경쟁 비율의 온라인 알고리즘을 활용한다.