[论文解读] Integer Point Sets Minimizing Average Pairwise L1-Distance: What is the Optimal Shape of a Town?

Erik D. Demaine, Sándor P. Fekete+4 more|arXiv (Cornell University)|Sep 28, 2010

Computational Geometry and Mesh Generation参考文献 21被引用 15

一句话总结

本文提出了一种 $ O(n^{7.5}) $ 的动态规划算法，用于计算最优 $ n $-town——即在整数网格上选择 $ n $ 个互异的点，使所有点对之间的曼哈顿距离之和最小。该方法使精确计算最优配置的规模达到 $ n = 80 $，解决了离散几何与网格优化领域长期存在的开放问题，并在网格计算和设施选址等领域具有实际应用价值。

ABSTRACT

An n-town, for a natural number n, is a group of n buildings, each occupying a distinct position on a 2-dimensional integer grid. If we measure the distance between two buildings along the axis-parallel street grid, then an n-town has optimal shape if the sum of all pairwise Manhattan distances is minimized. This problem has been studied for cities, i.e., the limiting case of very large n. For cities, it is known that the optimal shape can be described by a differential equation, for which no closed-form is known. We show that optimal n-towns can be computed in O(n^7.5) time. This is also practically useful, as it allows us to compute optimal solutions up to n=80.

研究动机与目标

• 确定在二维整数网格上布置 $ n $ 栋建筑的最优几何构型，以最小化所有点对之间的曼哈顿距离总和。
• 通过提供首个计算精确最优 $ n $-town 的多项式时间算法，填补离散优化领域长期存在的空白。
• 将离散的 $ n $-town 问题与连续极限情形（即“城市的最优形状”）相连接，后者仅由一个微分方程描述，而无闭式解。
• 实现基于网格的系统（如网格计算中的处理器分配）的最优布局的实际计算。

提出的方法

• 设计了一种动态规划方法，其中状态通过 $ \Delta^{\mathrm{UR}} $ 和 $ \Delta^{\mathrm{UL}} $ 等参数追踪已放置点与未来放置点之间的界面，总结累积的距离影响。
• 算法按列构建解，保持部分解的紧凑表示，以捕捉对未来放置点的所有相关距离贡献。
• 该方法利用曼哈顿距离的结构特性和目标函数的凸性，对相关状态数量进行有界控制，确保多项式时间复杂度。
• 通过对称性和单调性考虑对状态空间进行剪枝，算法实现为可精确计算 $ n = 80 $ 以内的最优解。
• 该方法基于递归公式，通过逐次扩展较小的最优配置来计算最小总距离。
• 该算法在 $ n $ 上为伪多项式时间，指数 $ 7.5 $ 来源于描述界面所需的参数数量以及距离累积的复杂性。

实验结果

研究问题

• RQ1 由 $ n $ 个互异的整数网格点组成的城镇，其最优形状是什么，能最小化所有点对之间曼哈顿距离之和？
• RQ2 能否高效地精确计算最优 $ n $-town？若能，该任务的计算复杂度是多少？
• RQ3 在平均距离方面，离散的 $ n $-town 与连续极限（即“最优城市形状”）相比如何？随着 $ n $ 增大，它们如何收敛？
• RQ4 尽管最优配置缺乏单调性，是否存在一种动态规划公式能高效计算最优 $ n $-town？
• RQ5 该离散问题能否在多项式时间内求解？哪些结构特性使得此类算法成为可能？

主要发现

• 本文首次提出一种在 $ O(n^{7.5}) $ 时间内计算最优 $ n $-town 的算法，使 $ n = 80 $ 以内的精确解成为可能。
• 最优 $ n $-town 不一定包含最优 $ (n-1) $-town，表明最优配置并非自然地逐次增长。
• 最小的反例出现在 $ n = 35 $，即最优 35- town 不包含最优 34-town，表明最优解存在非单调性。
• 当 $ n = 72 $ 时，最优 $ n $-block 城市与最优 $ n $-town 不同，表明当多个近似最优形状竞争时，离散化效应变得显著。
• 最优形状的连续极限由一个无已知闭式解的微分方程描述，但离散 $ n $-town 从下方逼近该极限。
• 该方法无法推广至更高维度或欧几里得距离，原因在于无法用少量参数总结未来距离影响。