[论文解读] An Absolute 2-Approximation Algorithm for Two-Dimensional Bin Packing

Rolf Harren, Rob van Stee|ArXiv.org|Mar 13, 2009

Optimization and Packing Problems参考文献 13被引用 3

一句话总结

本文提出了一种多项式时间的2-近似算法，用于无旋转的二维装箱问题，实现了绝对最坏情况比为2——若P ≠ NP，则该结果被证明为最优。该算法结合了Steinberg的条带装箱方法、细致的物品分类（宽、高、小、大），以及基于物品尺寸和面积边界的分情况装箱策略，确保对任意输入，所用的箱子数不超过最优值的两倍。

ABSTRACT

We consider the problem of packing rectangles into bins that are unit squares, where the goal is to minimize the number of bins used. All rectangles have to be packed non-overlapping and orthogonal, i.e., axis-parallel. We present an algorithm for this problem with an absolute worst-case ratio of 2, which is optimal provided P != NP.

研究动机与目标

• 开发一种多项式时间近似算法，用于二维装箱问题，具有绝对最坏情况比保证，而非依赖于渐近性能。
• 弥合渐近近似比（随输入增大而改善）与小规模或中等规模输入下实际性能之间的差距。
• 通过聚焦于绝对近似比而非渐近比，为所有输入（而不仅是大规模输入）提供性能保证。
• 证明在P ≠ NP的假设下，无旋转二维装箱问题的2-近似是最优的。
• 将已知的条带装箱和两阶段装箱结果推广至一般装箱问题，并提供绝对性能保证。

提出的方法

• 将矩形划分为宽（宽度 > 1/2）、高（高度 > 1/2）、小（两者 ≤ 1/2）和大（两者 > 1/2）的物品，以指导装箱策略。
• 将Steinberg的算法作为子程序，用于在面积约束下将物品子集装入箱子，通过几何边界确保可行性。
• 基于高物品总宽度和宽物品总高度进行情况分析，使用阈值 δ ∈ (ε, 1/2] 定义宽和高物品。
• 对于 OPT(I) ≥ k 的实例，使用 Bansal 等人 [2] 的渐近算法；对于较小的实例（1 < OPT(I) < k），枚举大件物品并应用基于情况的装箱策略。
• 在核心算法中，使用面积和尺寸约束，将物品装入箱子 B₁, Bᵢ 和 C₁, C₂, ..., Cₗ，通过在集合间迭代转移小件物品以保持可行性。
• 基于总装箱面积和面积边界，使用反证法证明正确性和终止性，确保所有物品均能在 2·OPT(I) 个箱子内完成装箱。

实验结果

研究问题

• RQ1 能否为无旋转的二维装箱问题设计一种2-近似算法，确保对所有输入（而不仅是渐近意义下）均具有性能保证？
• RQ2 能否在二维装箱问题中实现绝对近似比2，且在标准复杂度假设下该比值是否最优？
• RQ3 如何将Steinberg的条带装箱算法进行适配并结合物品分类，以在装箱问题中确保绝对性能保证？
• RQ4 哪些物品集合的结构性质（如高物品总宽度、宽物品总高度）可用于设计具有有界性能的分情况装箱策略？
• RQ5 能否构造一种多项式时间算法，使得对所有输入（即使最优箱子数较少）的最坏情况比均为2？

主要发现

• 所提出的算法实现了绝对最坏情况近似比2，若P ≠ NP，则该结果为最优。
• 该算法在多项式时间内运行，并保证对任意输入实例，所用箱子数不超过最优值的两倍。
• 通过反证法证明了算法的正确性，即假设需要超过 2·OPT(I) 个箱子将导致与总面积边界的矛盾。
• 对于 OPT(I) ≥ k 的实例，使用 Bansal 等人 [2] 的渐近算法；对于较小实例，通过基于情况的枚举和装箱策略确保2-近似。
• 通过物品分类和在宽度与面积有界的子集上应用Steinberg方法，该算法能处理所有类型的输入——小件、大件及混合输入。
• 与以往工作相比，本结果通过为所有输入提供保证的性能边界，实现了改进，而渐近算法的性能仅在输入规模增大时才趋于优化。