[论文解读] A Tight Combinatorial Algorithm for Submodular Maximization Subject to a Matroid Constraint

Yuval Filmus, Justin Ward|arXiv (Cornell University)|Apr 20, 2012

Complexity and Algorithms in Graphs参考文献 27被引用 19

一句话总结

本文提出了一种组合的、无需舍入的算法，用于在拟阵约束下最大化单调亚模函数，实现了最优的 $1 - 1/e$ 近似比。该算法基于一个精心构造的辅助势函数，采用非遗忘局部搜索，推广了以往针对覆盖函数的工作，并在不需舍入的情况下达到了与连续贪心算法相当的性能。

ABSTRACT

We present an optimal, combinatorial 1-1/e approximation algorithm for monotone submodular optimization over a matroid constraint. Compared to the continuous greedy algorithm (Calinescu, Chekuri, Pal and Vondrak, 2008), our algorithm is extremely simple and requires no rounding. It consists of the greedy algorithm followed by local search. Both phases are run not on the actual objective function, but on a related non-oblivious potential function, which is also monotone submodular. Our algorithm runs in randomized time O(n^8u), where n is the rank of the given matroid and u is the size of its ground set. We additionally obtain a 1-1/e-eps approximation algorithm running in randomized time O (eps^-3n^4u). For matroids in which n = o(u), this improves on the runtime of the continuous greedy algorithm. The improvement is due primarily to the time required by the pipage rounding phase, which we avoid altogether. Furthermore, the independence of our algorithm from pipage rounding techniques suggests that our general approach may be helpful in contexts such as monotone submodular maximization subject to multiple matroid constraints. Our approach generalizes to the case where the monotone submodular function has restricted curvature. For any curvature c, we adapt our algorithm to produce a (1-e^-c)/c approximation. This result complements results of Vondrak (2008), who has shown that the continuous greedy algorithm produces a (1-e^-c)/c approximation when the objective function has curvature c. He has also proved that achieving any better approximation ratio is impossible in the value oracle model.

研究动机与目标

• 开发一种组合算法，实现在拟阵约束下单调亚模函数最大化的最优 $1 - 1/e$ 近似比。
• 通过完全在整数解上操作，消除连续贪心算法中对舍入过程的依赖。
• 将非遗忘局部搜索框架从覆盖函数推广至任意单调亚模函数。
• 将算法扩展至处理具有受限曲率 $c$ 的函数，实现最优的 $(1 - e^{-c})/c$ 近似比。
• 提供一种组合替代方法，以保持在值预言机模型下的最优性和高效性。

提出的方法

• 该算法采用两阶段方法：首先在势函数上进行贪心选择，随后在相同函数上执行局部搜索。
• 势函数 $g$ 定义为 $f$-值在子集上的加权和，其系数由概率分布 $P$ 导出，以突出显示边际增益更高的元素。
• 势函数 $g$ 是单调亚模的，作为代理目标函数，引导局部搜索朝向更优解。
• 局部搜索通过在保持拟阵独立性的前提下迭代交换元素来改进解，使用 $g$ 评估移动操作。
• 对于具有曲率 $c$ 的函数，算法通过使用考虑曲率的修改后势函数进行自适应调整，实现最优的 $(1 - e^{-c})/c$ 比例。
• 当曲率未知时，算法枚举候选 $c$ 值，以高概率实现 $(1 - e^{-c})/c - \epsilon$ 近似。

实验结果

研究问题

• RQ1 能否设计一种完全组合的算法，在无需舍入的情况下实现单调亚模拟阵最大化的最优 $1 - 1/e$ 近似比？
• RQ2 如何将非遗忘局部搜索从覆盖函数推广至任意单调亚模函数？
• RQ3 势函数在提升局部搜索算法在亚模函数最大化问题中的局部最优比方面起到何种作用？
• RQ4 能否在保持最优性的同时，将算法适配以处理具有受限曲率 $c$ 的函数？
• RQ5 当曲率未知时，是否仍能通过组合方法实现最优近似比？

主要发现

• 该算法仅使用组合操作且无需舍入，即实现了单调亚模拟阵最大化的最优 $1 - 1/e$ 近似比。
• 该算法在随机时间 $\tilde{O}(r^7 n^2)$ 内实现精确的 $1 - 1/e$ 比例，在 $\tilde{O}(\epsilon^{-3} r^4 n)$ 时间内实现 $1 - 1/e - \epsilon$ 近似。
• 对于具有曲率 $c$ 的函数，该算法实现了最优的 $(1 - e^{-c})/c$ 近似比，与连续贪心算法性能相当。
• 当 $f$ 为覆盖函数时，势函数 $g$ 可在多项式时间内显式计算，从而支持高效的局部搜索步骤。
• 当曲率未知时，算法通过枚举候选 $c$ 值，以高概率实现 $\rho(c) - \epsilon$ 近似。
• 该方法推广了先前针对覆盖函数的工作，其势函数系数与早期用于最大覆盖问题的非遗忘局部搜索中的系数一致。