[论文解读] A Randomized Algorithm Based on Threshold Accepting to Approximate the Star Discrepancy

Michael Gnewuch, Magnus Wahlström+1 more|arXiv (Cornell University)|Mar 10, 2011

Mathematical Approximation and Integration参考文献 29被引用 13

一句话总结

本文提出了一种改进的随机阈值接受算法，用于近似高维空间中点集的星偏差。通过引入非均匀采样和关键测试框的舍入，该方法在性能上显著优于以往的算法，经常在可行情况下计算出精确的偏差值，并在更高维度中优于现有方法。

ABSTRACT

We present a new algorithm for estimating the star discrepancy of arbitrary point sets. Similar to the algorithm for discrepancy approximation of Winker and Fang [SIAM J. Numer. Anal. 34 (1997), 2028--2042] it is based on the optimization algorithm threshold accepting. Our improvements include, amongst others, a non-uniform sampling strategy which is more suited for higher-dimensional inputs, and rounding steps which transform axis-parallel boxes, on which the discrepancy is to be tested, into \emph{critical test boxes}. These critical test boxes provably yield higher discrepancy values, and contain the box that exhibits the maximum value of the local discrepancy. We provide comprehensive experiments to test the new algorithm. Our randomized algorithm computes the exact discrepancy frequently in all cases where this can be checked (i.e., where the exact discrepancy of the point set can be computed in feasible time). Most importantly, in higher dimension the new method behaves clearly better than all previously known methods.

研究动机与目标

• 解决估计星偏差的计算挑战，该问题在维度 d 下为 NP-难且 W[1]-难。
• 改进现有的启发式偏差近似方法，特别是在以往算法失效或扩展性差的高维环境中。
• 开发一种实用且高效的算法，生成高质量的星偏差下界，从而实现对低偏差序列的更好评估。
• 通过将高效偏差估计作为核心组件，实现低偏差点集的更快半构造。
• 通过提升收敛性和解的质量，克服以往阈值接受法和基于整数规划方法的局限性。

提出的方法

• 将阈值接受元启发式方法适配至星偏差问题，采用受控接受更差解的迭代局部搜索。
• 在单位超立方体内引入对测试点的非均匀采样，以更有效地聚焦于局部偏差较高的区域，尤其是在高维情况下。
• 通过舍入步骤将任意轴对齐矩形框转换为可证明产生更高偏差值的关键测试框。
• 利用关键测试框集中计算于包含局部偏差全局最大值的区域，从而提高搜索效率。
• 采用每次试验100,000次迭代的“最佳10”策略，以稳定结果并提高可靠性。
• 利用偏差函数的结构以及已知事实：上确界在网格 Γ(X) 的点或其闭包中取得。

实验结果

研究问题

• RQ1 基于阈值接受的算法能否被显著改进，以更准确地近似高维点集的星偏差？
• RQ2 与均匀采样相比，对测试框进行非均匀采样是否能实现更快的收敛速度和更高质量的下界？
• RQ3 通过将任意框舍入为关键测试框，能否通过聚焦于最大化偏差的区域来提高偏差估计的准确性？
• RQ4 与Thiémard的基于整数规划的方法及其他现有启发式方法相比，所提算法在性能和准确性上表现如何？
• RQ5 在可行情况下，该算法在多大程度上能够计算出精确的星偏差？

主要发现

• 改进后的算法 TA_improved 在可行情况下经常能计算出精确的星偏差，表现出极高的可靠性。
• 在更高维度中，TA_improved 一致优于所有已知的先前方法，展现出明显的可扩展性和准确性优势。
• 对于12维的Sobol'序列（256个点），TA_improved 在35秒内得到偏差估计值0.1110，而Thiémard的方法仅在3秒内达到0.0872，且需超过1.6天才能进一步提升。
• 对于20维的Faure序列（1500个点），TA_improved 在4.7分钟内得到结果0.0740，而Thiémard的方法需7分钟才达到0.0732，即使在4天后仍未达到TA_improved的结果。
• 该算法性能稳健：即使在竞争方法耗时显著更长的情况下，其始终能产生更优的下界。
• 关键测试框与非均匀采样的结合显著加快了收敛速度并提升了解的质量，尤其在高维实例中表现突出。