[论文解读] 0-1 Knapsack in Nearly Quadratic Time

Ce Jin|arXiv (Cornell University)|Aug 8, 2023

Optimization and Packing ProblemsEngineering被引用 3

一句话总结

本文提出了一种确定性算法来解决 0-1 背包问题，时间复杂度为 $ O(n + w_{\text{max}}^2 \log^4 w_{\text{max}}) $，几乎达到 $ (n + w_{\text{max}})^{2 - \delta} $ 的条件下界。该算法结合了广义细粒度接近性与扩展的见证传播方法，采用两级颜色编码和 tall 矩阵上的 SMAWK 算法，实现了对 $ w_{\text{max}} $ 的近乎二次依赖。该结果在次多项式因子范围内弥合了已知上界与条件上界之间的差距。

ABSTRACT

We study pseudo-polynomial time algorithms for the fundamental \emph{0-1 Knapsack} problem. Recent research interest has focused on its fine-grained complexity with respect to the number of items $n$ and the \emph{maximum item weight} $w_{\max}$. Under $(\min,+)$-convolution hypothesis, 0-1 Knapsack does not have $O((n+w_{\max})^{2-δ})$ time algorithms (Cygan-Mucha-Węgrzycki-Włodarczyk 2017 and Künnemann-Paturi-Schneider 2017). On the upper bound side, currently the fastest algorithm runs in $ ilde O(n + w_{\max}^{12/5})$ time (Chen, Lian, Mao, and Zhang 2023), improving the earlier $O(n + w_{\max}^3)$-time algorithm by Polak, Rohwedder, and Węgrzycki (2021). In this paper, we close this gap between the upper bound and the conditional lower bound (up to subpolynomial factors): - The 0-1 Knapsack problem has a deterministic algorithm in $O(n + w_{\max}^{2}\log^4w_{\max})$ time. Our algorithm combines and extends several recent structural results and algorithmic techniques from the literature on knapsack-type problems: - We generalize the "fine-grained proximity" technique of Chen, Lian, Mao, and Zhang (2023) derived from the additive-combinatorial results of Bringmann and Wellnitz (2021) on dense subset sums. This allows us to bound the support size of the useful partial solutions in the dynamic program. - To exploit the small support size, our main technical component is a vast extension of the "witness propagation" method, originally designed by Deng, Mao, and Zhong (2023) for speeding up dynamic programming in the easier unbounded knapsack settings. To extend this approach to our 0-1 setting, we use a novel pruning method, as well as the two-level color-coding of Bringmann (2017) and the SMAWK algorithm on tall matrices.

研究动机与目标

• 为 0-1 背包问题在 $ n $ 和 $ w_{\text{max}} $ 方面，弥合最佳已知上界与条件上界之间的差距。
• 设计一种对 $ w_{\text{max}} $ 具有近乎二次依赖的确定性算法，优于先前的 $ \widetilde{O}(n + w_{\text{max}}^{12/5}) $ 上界。
• 通过新颖的剪枝策略与颜色编码方法，将此前仅用于无界背包问题的见证传播技术扩展至 0-1 背包设置。
• 利用加法组合学与动态规划接近性的结构结果，对有用部分解的支持大小进行界定。

提出的方法

• 利用 Bringmann 和 Wellnitz（2021）提出的加法组合学结果，将细粒度接近性技术推广，以界定动态规划中相关部分解的支持大小。
• 通过新颖的剪枝策略与两级颜色编码，将 Deng、Mao 和 Zhong（2023）提出的见证传播方法扩展至 0-1 背包问题设置。
• 在 tall 矩阵上使用 SMAWK 算法，高效计算支持大小有界的动态规划状态中的最大值。
• 通过悲观估计器实现确定性颜色编码，以去随机化基于生日悖论的集合隔离方法，确保所有相关子集均被覆盖。
• 通过提示动态规划分解问题，利用颜色类分解与单元素情况处理递归求解子问题。
• 对集合与颜色类之间的交集进行预处理，实现 $ O(\log m) $ 时间内的报告操作，避免在输入准备阶段产生性能瓶颈。

实验结果

研究问题

• RQ1 0-1 背包问题是否可在 $ \widetilde{O}(n + w_{\text{max}}^2) $ 时间内求解，几乎匹配在 $ (\min, +) $-卷积假设下的条件上界？
• RQ2 见证传播技术能否从无界背包问题扩展至 0-1 背包问题，并保证可证明的性能？
• RQ3 两级颜色编码与 SMAWK 优化能否结合使用，以加速具有小支持部分解的动态规划？
• RQ4 是否可能在保持近乎最优时间复杂度的前提下，对背包算法中的颜色编码步骤进行去随机化？

主要发现

• 本文实现了 0-1 背包问题的确定性算法，时间复杂度为 $ O(n + w_{\text{max}}^2 \log^4 w_{\text{max}}) $，优于先前的 $ \widetilde{O}(n + w_{\text{max}}^{12/5}) $ 上界。
• 该算法几乎弥合了最佳已知上界与 $ (n + w_{\text{max}})^{2 - \delta} $ 条件下界之间的差距，前提为 $ (\min, +) $-卷积假设。
• 广义细粒度接近性的使用将相关部分解的数量减少至可管理的规模，从而支持高效的动态规划。
• 通过两级颜色编码与剪枝策略，将见证传播技术扩展至 0-1 背包问题，实现了在不相交颜色类之间高效组合解。
• SMAWK 算法与确定性颜色编码的结合，确保了算法在保持高效与确定性的同时，无需依赖随机化。
• 对集合-颜色类交集的预处理使得报告操作可在 $ O(\log m) $ 时间内完成，使输入准备阶段不再成为整体复杂度的瓶颈。