[논문 리뷰] An Optimal Algorithm for Online Multiple Knapsack

Marcin Bieńkowski, Maciej Pacut외 1명|arXiv (Cornell University)|2020. 01. 01.

Optimization and Search Problems참고 문헌 17인용 수 1

한 줄 요약

이 논문은 다중 분할 문제에 대한 결정적 온라인 알고리즘을 제시하며, 경쟁 비율 $1/(1 + \ln 2) - O(1/n) \approx 0.5906 - O(1/n)$을 달성한다. 이는 오랫동안 유지되어 온 FirstFit의 0.5 경쟁 비율을 뛰어넘는 결과이다. 알고리즘은 큰 물건에 대해 임계값 기반 전략을 사용하고, 수용과 기각을 균형 있게 조절하기 위해 새로운 잠재함수 분석 기법을 도입하여, 하위항 수준에서 최적임을 증명한다.

ABSTRACT

In the online multiple knapsack problem, an algorithm faces a stream of items, and each item has to be either rejected or stored irrevocably in one of $n$ bins (knapsacks) of equal size. The gain of an~algorithm is equal to the sum of sizes of accepted items and the goal is to maximize the total gain. So far, for this natural problem, the best solution was the $0.5$-competitive algorithm First Fit (the result holds for any $n \geq 2$). We present the first algorithm that beats this ratio, achieving the competitive ratio of $1/(1+\ln(2))-O(1/n) \approx 0.5906 - O(1/n)$. Our algorithm is deterministic and optimal up to lower-order terms, as the upper bound of $1/(1+\ln(2))$ for randomized solutions was given previously by Cygan et al. [TOCS 2016]. Furthermore, we show that the lower-order term is inevitable for deterministic algorithms, by improving their upper bound to $1/(1+\ln(2))-O(1/n)$.

연구 동기 및 목표

• 기존에 결정적 알고리즘으로는 0.5에 그친 온라인 다중 분할 문제의 경쟁 비율 격차를 해소하기 위해.
• 결정적 온라인 알고리즘으로 0.5 경쟁 비율을 뛰어넘는 알고리즘을 설계하기 위해.
• 랜덤 알고리즘의 알려진 상한값인 $1/(1 + \ln 2) \approx 0.5906$과 일치하는 결과를 도출함으로써, 새로운 알고리즘이 하위항 수준에서 최적임을 증명하기 위해.
• 보다 정교한 적대자 구성 기반으로, 결정적 알고리즘에서 $O(1/n)$ 항이 피할 수 없음을 증명하기 위해.
• 항목 크기, 박스 활용도, 전략적 임계값을 고려한 복잡한 잠재함수를 사용하여 정밀한 분석을 제공하기 위해.

제안 방법

• 항목을 큰 항목(크기 > 1/2), 중간 항목(크기 ∈ [φ, 1/2]), 작은 항목(크기 < φ)으로 분류하며, φ는 임계 임계값으로 정의된다.
• i번째로 수용된 큰 항목에 대해 비감소 함수 $f(i/n)$를 사용하는 상승 임계값 알고리즘(RTA)을 도입하여 과잉 수용과 과소 수용을 균형 잡는다.
• -packed 항목의 수익, 박스 활용도, 그리고 부분적으로 채워진 박스에 대한 벌점 항 $\xi(x)$를 포함하는 잠재함수 $\Phi$를 사용하여 결정을 이끌어낸다.
• 조각별 정의된 함수 $\xi(x)$는 [φ, 1/3] 및 [1/3, 1/2]에서 선형이며, 최적 값 $R = 1/(1 + \ln 2)$에서 유도된 계수를 가진다.
• 다양한 보조정리들을 활용한 새로운 잠재함수 분석 기법을 적용하여, 알고리즘이 모든 입력 유형에서 경쟁 비율 $R - O(1/n)$을 유지함을 증명한다.
• 잠재함수에 대한 방향 도함수 분석을 통해 특정 경로를 따라 함수 값이 감소함을 보여주어, 알고리즘이 목표 경쟁 비율 이하로 떨어지지 않음을 증명한다.

실험 결과

연구 질문

• RQ1 다중 분할 문제에 대한 결정적 온라인 알고리즘이 0.5를 초월하는 경쟁 비율을 달성할 수 있는가?
• RQ2 랜덤 알고리즘의 상한값인 $1/(1 + \ln 2) \approx 0.5906$이 결정적 알고리즘에게도 날카로운 상한값인가?
• RQ3 경쟁 비율이 $1/(1 + \ln 2)$에 수렴하도록 하기 위해 필요한 잠재함수의 구조적 성질는 무엇인가?
• RQ4 결정적 알고리즘에서 경쟁 비율의 $O(1/n)$ 항이 피할 수 없는가를 증명할 수 있는가?
• RQ5 큰 항목에 대한 임계값 기반 전략과 정교한 잠재함수를 어떻게 조합하여 FirstFit를 능가할 수 있는가?

주요 결과

• 제안된 알고리즘은 $1/(1 + \ln 2) - O(1/n) \approx 0.5906 - O(1/n)$의 경쟁 비율을 달성하며, 이는 0.5의 경쟁 비율을 뛰어넘는 첫 번째 결정적 온라인 알고리즘이다.
• 알고리즘은 하위항 수준에서 최적이며, 랜덤 알고리즘의 알려진 상한값인 $1/(1 + \ln 2)$와 일치한다.
• 보다 정교한 적대자 구성 기반으로, 결정적 알고리즘에서 $O(1/n)$ 항이 피할 수 없음을 증명하였다.
• ξ(x), P(y), Q(y)를 포함하는 잠재함수 분석은 모든 입력 구성에서 경쟁 비율을 증명하는 데 핵심적인 역할을 한다.
• 잠재함수에 대한 방향 도함수 분석은 특정 경로를 따라 함수 값이 감소함을 보여주며, 이는 알고리즘이 경쟁력을 유지함을 보장한다.
• 알고리즘의 성능은 모든 항목 크기 유형에서 뛰어나며, 조각별 선형 함수와 부등식을 사용하여 중간 및 큰 항목에 대해 엄밀한 경계가 증명되었다.