[논문 리뷰] Truly Asymptotic Lower Bounds for Online Vector Bin Packing

János Balogh, Leah Epstein외 1명|arXiv (Cornell University)|2020. 08. 03.

Optimization and Packing Problems참고 문헌 22인용 수 1

한 줄 요약

이 논문은 고차원에서 온라인 벡터 백팩킹에 대해 처음으로 진정으로 점 渐차적 하한을 확립하며, d ≥ 3에 대해 점 渐차적 경쟁률이 Ω(d / log²d)임을 증명한다. 저자들은 모든 차원에서 날카운 하한을 도출하기 위해 새로운 적응형 구성법과 조합론적 추론을 도입하여 이전 결과를 크게 향상시키며, 점 渐차적 의미에서 경쟁률의 증가 정도를 확정지었다.

ABSTRACT

In this work, we consider online vector bin packing. It is known that no algorithm can have a competitive ratio of $o(d/\log^2 d)$ in the absolute sense, though upper bounds for this problem were always shown in the asymptotic sense. Since variants of bin packing are traditionally studied with respect to the asymptotic measure and since the two measures are different, we focus on the asymptotic measure and prove new lower bounds on the asymptotic competitive ratio. The existing lower bounds prior to this work were much smaller than $3$ even for very large dimensions. We significantly improve the best known lower bounds on the asymptotic competitive ratio (and as a byproduct, on the absolute competitive ratio) for online vector packing of vectors with $d \geq 3$ dimensions, for every such dimension $d$. To obtain these results, we use several different constructions, one of which is an adaptive construction showing a lower bound of $Ω(\sqrt{d})$. Our main result is that the lower bound of $Ω(d/\log^2 d)$ on the competitive ratio holds also in the asymptotic sense. The last result requires a careful adaptation of constructions for online coloring rather than simple black-box reductions.

연구 동기 및 목표

• 고차원에서 온라인 벡터 백팩킹의 점 渐차적 경쟁률에 대한 알려진 상한과 하한 사이의 격차를 좁히기.
• 모든 d ≥ 3에 대해 날카운 비자명한 하한을 확립하여 이전 결과보다 훨씬 높은 수준으로 향상시키기.
• 특히 적응형 구성법을 포함한 새로운 구성법을 개발하여 더 강력한 하한을 도출하기, 특히 Ω(√d) 및 궁극적으로 Ω(d/log²d)까지.
• 기존 절대적 의미에서의 Ω(d/log²d) 하한이 점 渐차적 의미에서도 성립함을 보이며, 블랙박스 감소를 초월한 세밀한 적응이 필요하다.

제안 방법

• 온라인 알고리즘의 높은 경쟁률을 유도하기 위해 고안된 적응형 입력 구성의 설계 및 분석.
• 조합 최적화 및 백팩 허용 가능성의 추론을 사용하여 최적의 오프라인 비용을 상한화하고 온라인 알고리즘의 비용을 하한화.
• 세 번째 부분 항목을 수용할 수 없는 백팩을 추적하기 위해 보조 변수 (X′, Y′) 를 도입하여, 세 번째 부분에 대한 여러 적대적 선택에 대해 합산할 수 있도록 한다.
• 제어된 항목 크기와 구성 요소 분포를 가진 다중 부분 입력 시퀀스를 사용하여 온라인 알고리즘의 최악의 경우 시나리오를 시뮬레이션.
• 제약 조건(예: 3X + 2Y + Z = 6N, Q ≥ 2N)에서 유도된 부등식을 사용하고, 세 번째 부분의 10가지 구성에 대해 합산하여 R에 대한 전역 하한을 유도.
• 부등식의 대수적 변환을 통해 변수를 제거하고 점 渐차적 경쟁률 R에 대한 최종 하한을 도출.

실험 결과

연구 질문

• RQ1 고차원 벡터에 대한 온라인 벡터 백팩킹의 진정한 점 渐차적 경쟁률은 무엇인가?
• RQ2 절대적 의미에서 알려진 Ω(d/log²d) 하한이 점 渐차적 경쟁률으로까지 확장될 수 있는가?
• RQ3 특정한 작은 값과 큰 값의 d에 대해 가장 강력한 하한을 도출하는 구성은 무엇인가?
• RQ4 어떻게 하면 적응형 다중 부분 입력 시퀀스를 설계하여 온라인 비용은 높이고 오프라인 비용은 낮출 수 있는가?

주요 결과

• 온라인 벡터 백팩킹의 점 渐차적 경쟁률은 최소 Ω(d / log²d)이며, 이는 이 순서의 처음으로 진정으로 점 渐차적 하한을 확립한 것이다.
• d > 16일 경우, ASYM(d)에 대한 하한은 최소 d−1 / (8(log₂d)³)이며, 이는 이전의 하한보다 크게 향상된 것이다.
• 적당히 큰 d에 대해, 논문은 점 渐차적 경쟁률에 대해 d / (211·(log₂d)²)의 하한을 증명한다.
• 일부 구성은 모든 d ≥ 2에 대해 ⌊√d−1⌋+2 / 2의 하한을 제공하며, 이는 d = 14일 경우 3의 하한을 제공한다.
• d = 3일 경우, 논문은 점 渐차적 경쟁률에 대해 9/4 = 2.25의 하한을 확립한다.
• d = 8일 경우, 논문은 점 渐차적 경쟁률에 대해 76/29 ≈ 2.620689655의 하한을 증명하며, 이는 이 차원에 대해 알려진 가장 날카운 하한이다.