[论文解读] Online Buy-at-Bulk Network Design

Deeparnab Chakrabarty, Alina Ene+2 more|arXiv (Cornell University)|Sep 10, 2015

Optimization and Search Problems参考文献 32被引用 5

一句话总结

本文提出了首个非平凡的在线算法，用于无向图和有向图中的非均匀多商品按量购买基础（MC-BB）网络设计问题，实现了对数级的竞争比。关键创新在于提出了一类通用的在线归约定理，可将多商品实例转化为多个单汇子问题，从而能够复用现有或新的单汇问题在线算法，进而在在线竞争环境中达到与最优离线近似因子相匹配的效果。

ABSTRACT

We present the first non-trivial online algorithms for the non-uniform, multicommodity buy-at-bulk (MC-BB) network design problem in undirected and directed graphs. Our competitive ratios qualitatively match the best known approximation factors for the corresponding offline problems. The main engine for our results is an online reduction theorem of MC-BB problems to their single-sink (SS-BB) counterparts. We use the concept of junction-tree solutions (Chekuri et al., FOCS 2006) that play an important role in solving the offline versions of the problem via a greedy subroutine -- an inherently offline procedure. Our main technical contribution is in designing an online algorithm using only the existence of good junction-trees to reduce an MC-BB instance to multiple SS-BB sub-instances. Along the way, we also give the first non-trivial online node-weighted/directed single-sink buy-at-bulk algorithms. In addition to the new results, our generic reduction also yields new proofs of recent results for the online node-weighted Steiner forest and online group Steiner forest problems.

研究动机与目标

• 为解决在一般图结构（特别是点权图和有向图）中，非均匀多商品按量购买基础网络设计缺乏在线算法的问题。
• 弥合MC-BB问题中离线近似保证与在线竞争比之间的差距。
• 开发一种通用的在线归约框架，将多商品实例转化为多个单汇实例，从而实现对现有或新在线算法的复用。
• 将该框架扩展至具有相同竞争比的按奖惩机制变体MC-BB问题。
• 利用所提出的归约方法，为近期关于在线点权斯坦纳森林和在线广义连通性问题的结果提供新的证明。

提出的方法

• 提出一个通用的在线归约定理，将多商品按量购买基础（MC-BB）实例归约为多个单汇按量购买基础（SS-BB）子实例。
• 利用Chekuri等人提出的良好枝干树解（junction-tree solutions）作为结构基础，尽管贪心枝干树构造本质上是离线的。
• 设计一种在线算法，仅依赖于枝干树的存在性来引导归约过程，避免需要离线计算。
• 在归约框架中，将现有针对单汇问题的在线算法（如边权图和有向图情形）作为子程序使用。
• 调整线性规划（LP）公式以引入惩罚变量，使同一归约方法适用于按奖惩机制变体。
• 在归约后对主LP变量应用舍入技术，包括引入一个特殊根顶点以建模惩罚选项。

实验结果

研究问题

• RQ1 能否为无向边权图中的非均匀多商品按量购买基础问题设计出对数竞争比的在线算法？
• RQ2 能否将此类算法扩展至更复杂的点权图和有向图设置？
• RQ3 该在线归约框架能否推广以处理具有相同竞争比的MC-BB问题的按奖惩机制变体？
• RQ4 该框架能否用于重新推导或简化其他在线网络设计问题（如在线点权斯坦纳森林）的证明？
• RQ5 能否将点权图上的准多项式时间算法改进为多项式时间，同时保持对数竞争比？

主要发现

• 为无向边权图中的MC-E-BB问题提出了一种对数竞争比的在线算法，其竞争比与目前已知最优的离线近似因子一致。
• 为无向点权图中的MC-N-BB和SS-N-BB问题，设计了一种准多项式时间算法，其竞争比为对数级。
• 对于有向图中的MC-D-BB问题，实现了时间复杂度为多项式、竞争比为$\tilde{O}(k^{1/2 + \epsilon})$的算法，其中$\epsilon > 0$为任意固定常数，$k$为需求数量。
• 对于单汇有向图情形（SS-D-BB），竞争比进一步提升至$\tilde{O}(k^{\epsilon})$，在准多项式时间内实现了对数竞争比。
• 该框架可扩展至按奖惩机制变体，得到$O(\alpha\beta\gamma \cdot \mathrm{polylog}(n))$-竞争的算法，其竞争比与基础问题相同。
• 该归约定理还为近期关于在线点权斯坦纳森林和在线广义连通性问题的成果提供了新的、更简洁的证明。