[论文解读] An Efficient Approximation Algorithm for the Steiner Tree Problem

Chi‐Yeh Chen|arXiv (Cornell University)|Sep 12, 2017

Complexity and Algorithms in Graphs参考文献 19被引用 3

一句话总结

本文提出了一种用于斯坦纳树问题的两阶段启发式算法（k-TPH），其近似比为1.4295，优于以往方法。该方法通过结合基础树构建与迭代全组件增强，实现了改进。该方法采用贪心策略和损失收缩技术，高效逼近最优解，同时避免重复求解线性规划问题。

ABSTRACT

The Steiner tree problem is one of the classic and most fundamental $\mathcal{NP}$-hard problems: given an arbitrary weighted graph, seek a minimum-cost tree spanning a given subset of the vertices (terminals). Byrka \emph{et al}. proposed a $1.3863+ε$-approximation algorithm in which the linear program is solved at every iteration after contracting a component. Goemans \emph{et al}. shown that it is possible to achieve the same approximation guarantee while only solving hypergraphic LP relaxation once. However, optimizing hypergraphic LP relaxation exactly is strongly NP-hard. This article presents an efficient two-phase heuristic in greedy strategy that achieves an approximation ratio of $1.4295$.

研究动机与目标

• 开发一种高效的斯坦纳树问题近似算法，其近似比可被严格证明为较小值。
• 通过一次松弛和启发式精炼，避免反复求解强NP难的超图LP松弛问题。
• 通过结合基础终端生成树与迭代全组件添加，改进现有近似比。
• 在保持多项式时间复杂度和实际效率的同时，实现具有竞争力的近似比。

提出的方法

• 算法从一个最小成本的终端生成树 $T_{base}^0$ 开始，该树无法通过任何 $k$-受限全组件进一步优化。
• 然后通过基于增益和负载度量的贪心选择，迭代添加具有正增益的全组件 $K_i$ 以降低树的成本。
• 该方法采用损失收缩：每个全组件 $K$ 使用 $Loss(K) = MST(K \cup E_0(K)) - E_0(K)$ 被收缩为一个超节点，从而降低复杂度。
• 该算法使用增益函数 $gain_T(K) = cost(T) - mst(T \cup E_0(K)) - cost(K)$ 来评估组件改进效果。
• 通过利用剩余成本与最优成本之比的对数项，对近似比进行界定，采用表达式 $\ln\left(\frac{2 - \alpha}{1 - \alpha} + 1\right)(1 - \alpha) + \alpha$。
• 最终的近似比通过在 $\alpha \in (0.5, 1)$ 上进行优化得出，其中 $\alpha$ 表示基础树成本相对于最优 $k$-受限树的成本比例。

实验结果

研究问题

• RQ1 能否通过一次超图LP松弛实现具有竞争力的近似比，而无需重复求解？
• RQ2 在避免完整LP重新优化的前提下，使用贪心两阶段启发式方法所能达到的最佳近似比是多少？
• RQ3 选择 $k$-受限全组件如何影响近似质量与计算效率？
• RQ4 能否利用成本比导出的对数与线性项来界定近似比？
• RQ5 在最小化最坏情况近似比的前提下，基础树成本与组件增益之间应如何权衡？

主要发现

• 所提出的 k-TPH 算法的近似比最多为 1.4295，这是本文的主要理论贡献。
• 该近似比通过在 $\alpha \in (0.5, 1)$ 上进行优化得出，其中 $\alpha$ 为基树成本与最优 $k$-受限斯坦纳树成本的比值。
• 函数 $A(\alpha) = \left(\ln\left(\frac{2 - \alpha}{1 - \alpha}\right) + 1\right)(1 - \alpha) + \alpha$ 在 $\alpha^* \approx 0.7147$ 处取得最小值，从而得出上界 1.4295。
• 该算法确保 $cost(S) \leq 2\alpha \cdot opt_k$，提供了支持主近似比的次级上界。
• 通过一次松弛和贪心组件增强，该方法避免了重复求解LP，提升了实际效率。
• 理论分析证实，在假设 $mst \leq 2 \cdot opt$（斯坦纳树文献中已知的界）的前提下，该算法能保持可证明的近似保证。