[论文解读] A local search 2.917-approximation algorithm for duo-preservation string mapping

Xu, Yao, Chen, Yong+2 more|arXiv (Cornell University)|Jan 1, 2017

Algorithms and Data Compression参考文献 4被引用 1

一句话总结

本文提出了一种针对最大 duo 保留字符串映射（Max-Duo）问题的新颖局部搜索算法，将迄今为止最佳的近似比从 3.25 提高至 35/12 ≈ 2.917。该算法结合了边增强与单一边减少操作，并通过复杂的摊销分析证明了其性能保证，相较于先前方法实现了显著改进。

ABSTRACT

In the Maximum-Duo Preservation String Mapping (Max-Duo PSM) problem, the input consists of two related strings A and B of length n and a nonnegative integer k. The objective is to determine whether there exists a mapping m from the set of positions of A to the set of positions of B that maps only to positions with the same character and preserves at least k duos, which are pairs of adjacent positions. We develop a randomized algorithm that solves Max-Duo PSM in time 4^k * n^{O(1)}, and a deterministic algorithm that solves this problem in time 6.855^k * n^{O(1)}. The previous best known (deterministic) algorithm for this problem has running time (8e)^{2k+o(k)} * n^{O(1)} [Beretta et al., Theor. Comput. Sci. 2016]. We also show that Max-Duo PSM admits a problem kernel of size O(k^3), improving upon the previous best known problem kernel of size O(k^6).

研究动机与目标

• 为最大 duo 保留字符串映射（Max-Duo）问题改进近似比，该问题为 NP-难问题 MCSP 的补问题。
• 设计一种局部搜索算法，通过引入两种新颖操作——边增强与单一边减少——以超越现有启发式方法。
• 通过严谨的摊销分析，建立该算法性能比的紧致上界。
• 通过理论界与局部最优性差距（locality gap）的下界，证明该算法的有效性。
• 为后续改进奠定基础，包括在附录工作中实现对 2-Max-Duo 变体的 (1.4 + ϵ)-近似。

提出的方法

• 该算法采用局部搜索框架，通过迭代应用两种关键操作来逐步改进解：通过边增强增加解的大小，通过减少单一边来提升兼容性。
• 采用二分图表示法，其中顶点代表字符位置，边代表字符串 A 与 B 之间匹配的位置。
• 构建一个冲突图 H，其中顶点代表在任意完美匹配中相互冲突的保留 duo（平行边对），边表示 duo 之间的不相容性。
• 通过为匹配分配势能值，并在每次操作中追踪势能与解大小的变化，进行摊销分析。
• 分析依赖于将最优解 M* 中保留的边数与当前匹配 M 中被移除或修改的边数进行比较。
• 针对当前匹配中 1 到 5 条边的子集进行详细情形分析，为每种情形建立 M* 中兼容边数的上界。

实验结果

研究问题

• RQ1 能否设计一种 Max-Duo 的局部搜索算法，使其近似比低于 3，从而突破 3.25 的瓶颈？
• RQ2 所提出的局部搜索算法性能比的最紧致上界是多少？
• RQ3 摊销分析如何处理边增强与单一边减少操作之间复杂的相互作用？
• RQ4 该算法性能的理论极限是什么，以局部最优性差距（locality gap）衡量？
• RQ5 该分析能否扩展至推导出如 2-Max-Duo 这类受限变体的更优近似比？

主要发现

• 所提出的局部搜索算法的近似比至多为 35/12 ≈ 2.917，优于此前最佳的 3.25。
• 该算法的性能通过复杂的摊销分析得到严格界定，该分析追踪了多种操作类型下势能的变化。
• 为 Max-Duo 问题建立了 5/3 > 1.666 的局部最优性差距下界，表明算法在最坏情况下的固有局限性。
• 针对更一般的 MCBM 问题，推导出 13/6 > 2.166 的第二个下界，表明该算法在更广泛情境下的局限性。
• 该算法的时间复杂度为 O(n^13)，作者建议通过优化数据结构可降低该复杂度。
• 本工作为 Max-Duo 设定了新基准，并为后续在附录论文中实现对 2-Max-Duo 的 (1.4 + ϵ)-近似铺平了道路。