[論文レビュー] Online Bounded Analysis

Joan Boyar, Leah Epstein+3 more|arXiv (Cornell University)|Feb 22, 2016

Optimization and Search Problems参考文献 33被引用数 8

ひとこと要約

この論文は、オンラインアルゴリズムの性能を評価する新しい測度であるオンラインバウンド分析を導入している。これは、従来の競合分析の限界を補うもので、オフライン最適アルゴリズムが入力列の任意の接頭辞においてオンラインアルゴリズムと同等以上に動作することを制限する。主な貢献は、座席予約、ビンパッキング、マシンスケジューリングといった問題において、このアプローチがより意味のあるバウンドをもたらすことを示したことである。特にユニット価格座席予約問題では、適合する入力列において最適なオンラインバウンド比が 1/2 であり、一般には 11/(k+7) 以下であることが示された。

ABSTRACT

Though competitive analysis is often a very good tool for the analysis of online algorithms, sometimes it does not give any insight and sometimes it gives counter-intuitive results. Much work has gone into exploring other performance measures, in particular targeted at what seems to be the core problem with competitive analysis: the comparison of the performance of an online algorithm is made to a too powerful adversary. We consider a new approach to restricting the power of the adversary, by requiring that when judging a given online algorithm, the optimal offline algorithm must perform as well as the online algorithm, not just on the entire final request sequence, but also on any prefix of that sequence. This is limiting the adversary's usual advantage of being able to exploit that it knows the sequence is continuing beyond the current request. Through a collection of online problems, including machine scheduling, bin packing, dual bin packing, and seat reservation, we investigate the significance of this particular offline advantage.

研究の動機と目的

• 競合分析の限界を是正するため、過剰に強力なオフライン敵対者によって生じる誤解を招くか、直感に反する結果を生むことがあるため。
• 入力列の任意の接頭辞においてオンラインアルゴリズムと同等以上に動作するよう制限されたオフライン最適アルゴリズムを前提とする、新しい性能測度「オンラインバウンド分析」を提案すること。
• マシンスケジューリング、ビンパッキング、デュアルビンパッキング、座席予約を含む複数のオンライン問題において、この新しい測度の意義と実用的関連性を評価すること。
• オンラインバウンド分析が、特定の問題領域において従来の競合分析よりも現実的で洞察に富んだ性能バウンドを提供できることを示すこと。

提案手法

• 論文は、オフライン最適アルゴリズムが入力列の全列ではなく、任意の接頭辞においてオンラインアルゴリズムと同等以上に動作することを要件とするオンラインバウンド分析を定義する。
• オフラインアルゴリズムが入力列の各接頭辞でオンラインアルゴリズムの性能を常に追従または上回ることを要求する「同伴列（accompanying sequences）」の概念を導入し、オフラインの優位性を制限する。
• 各問題について、この新しい測度における競合比を分析し、従来の競合分析と比較して、より良いまたはより直感的な結果が得られるケースを同定する。
• 標準的な競合分析とオンラインバウンド分析の差を露呈する悪意ある入力列を構築する。特に、オフラインアルゴリズムがリクエストを早期に拒否できる能力が性能に与える影響に焦点を当てる。
• 入力列の重要な段階におけるオンラインアルゴリズムが同時に受け入れる重複する区間またはリクエストの数に基づくケース解析を用いて、理論的バウンドを導出する。
• 決定的および確率的設定の両方を含み、ユニット価格座席予約やビンパッキングといった問題に対して、タイトな上限および下限バウンドを導出するための具体的な構成を提示する。

実験結果

リサーチクエスチョン

• RQ1 オンラインバウンド分析は、従来の競合分析に比べて、オンラインアルゴリズムの評価をどのように改善するか？
• RQ2 入力列の任意の接頭辞においてオフライン最適アルゴリズムがオンラインアルゴリズムと同等以上に動作するよう制限することの影響は何か？
• RQ3 ユニット価格座席予約問題において、一般および適合する入力列における最適オンラインバウンド比は何か？
• RQ4 オンラインバウンド分析は、ビンパッキングやマシンスケジューリングといった古典的オンライン問題において、競合分析よりも顕著に良いか、より直感的な性能バウンドを提供できるか？
• RQ5 オンラインバウンド分析下での悪意ある入力列の構造は、標準的な競合分析とどのように異なるか？

主な発見

• ユニット価格座席予約問題において、適合する入力列における最適オンラインバウンド比は 1/2 であり、これは競合比 Θ(1/k) よりも著しく優れている。
• 一般の入力列では、ユニット価格座席予約問題の最適オンラインバウンド比は 11/(k+7) 以下であり、標準的な競合比 8/(k+5) よりもタイトである。
• ユニット価格座席予約問題におけるFirst-FitおよびBest-Fitのオンラインバウンド比は 5/(k+1) 以下であり、新しい測度下で性能バウンドが改善されていることを示している。
• 比例価格座席予約問題では、オンラインバウンド分析下でも競合比は Θ(1/k のままであり、すべてのケースでバウンドが向上するわけではないことを示している。
• 分析により、座席予約問題における標準的な競合比の証明は、オフラインアルゴリズムがオンラインアルゴリズムよりも早くリクエストを拒否するという行動に依存しており、この行動はオンラインバウンド分析下では制限されていることが明らかになった。
• 本論文は、オンラインバウンド分析が競合分析が生じる直感に反する結果を排除し、主要なオンライン問題におけるより現実的で信頼性の高い性能評価を可能にすることを示している。