[论文解读] A 1.371 Approximation Algorithm for the Steiner Tree Problem

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

Complexity and Algorithms in Graphs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贪心启发式算法，实现了1.4295的近似比，优于以往方法，通过仅优化一次超图线性规划松弛来实现。该方法结合了组件收缩与迭代优化，以在解的质量与计算效率之间取得平衡。

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 $1.3863+\epsilon$-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

• 开发一种更高效的斯坦纳树问题近似算法。
• 在保持强近似保证的同时，降低求解超图线性规划松弛的计算成本。
• 通过一种实用的启发式方法，超越Byrka等人提出的1.3863+ε近似比。
• 在近似比上优于依赖重复求解线性规划的先前方法。

提出的方法

• 该算法使用两阶段贪心策略，迭代构建斯坦纳树。
• 仅求解一次超图线性规划松弛，避免重复优化。
• 在每个阶段对组件进行收缩，以减小问题规模并指导最终树的构建。
• 启发式方法基于对偶变量和边权，优先选择低成本组件和终端。
• 通过平衡原始解与对偶解，维持近似质量。
• 该方法设计为计算高效，同时实现具有竞争力的近似比。

实验结果

研究问题

• RQ1 单次超图线性规划松弛能否在近似比上优于重复求解？
• RQ2 结合贪心启发式，单次LP求解可达到的最佳近似比是多少？
• RQ3 与迭代求解LP相比，两阶段贪心方法在近似质量与运行时间方面表现如何？
• RQ4 启发式方法能否在降低计算开销的同时，实现优于以往LP基算法的近似比？

主要发现

• 所提算法实现了1.4295的近似比，优于Byrka等人提出的1.3863+ε界限。
• 该方法仅求解一次超图线性规划松弛，显著降低了计算成本。
• 两阶段贪心启发式在无需重复求解LP的情况下，仍保持了强近似质量。
• 研究结果表明，当与有效启发式结合时，单次LP求解足以获得高质量解。
• 该算法在近似比上优于先前方法，同时保持计算效率。
• 结果表明，在斯坦纳树近似中，近似比与计算效率可被有效平衡。