[论文解读] An FPRAS for Two Terminal Reliability in Directed Acyclic Graphs

Weiming Feng, Heng Guo|arXiv (Cornell University)|Oct 2, 2023

Reliability and Maintenance Optimization被引用 2

一句话总结

该论文提出了有向无环图（DAG）中两点间可靠性问题的首个全多项式时间随机近似方案（FPRAS），采用一种新颖的动态规划方法，将Karp-Luby方法用于集合并集估计与自约简采样相结合。该算法在时间复杂度为 e^O(n⁶m⁴ max{m⁴, ε⁻⁴}) 内实现 (1±ε)-近似，解决了计数复杂性领域的一个开放问题，并证明了近似两点间不可靠性的互补问题为#BIS-难问题。

ABSTRACT

We give a fully polynomial-time randomized approximation scheme (FPRAS) for two terminal reliability in directed acyclic graphs (DAGs). In contrast, we also show the complementing problem of approximating two terminal unreliability in DAGs is #BIS-hard.

研究动机与目标

• 为DAG中的s-t可靠性问题设计一种高效的近似算法，该问题此前为#P-完全问题，且无已知的FPRAS。
• 解决标准马尔可夫链蒙特卡洛方法因解空间中混合缓慢而失效的挑战。
• 在s-t可靠性与全终端版本之间建立复杂性差异，后者可通过不同技术实现高效的FPRAS。
• 证明在DAG中近似s-t不可靠性为#BIS-难问题，揭示了根本性的复杂性鸿沟。

提出的方法

• 利用DAG的拓扑序，从t向s反向进行动态规划，对每个顶点估计其到t的可靠性。
• 对每个顶点u，维护一个样本集Su和一个用于估计u−t可靠性的估计器，采用Karp-Luby方法估计子图并集的大小。
• 采用Jerrum-Valiant-Vazirani启发的自约简方法，生成u可到达t的有效子图，确保正确性与效率。
• 通过在迭代间复用样本避免指数级膨胀，并通过细致的误差分析保持近似保证。
• 以递归、相互嵌套的方式集成随机采样与估计子程序，以在随机性受限条件下维持精度。
• 分别分析多种随机源的影响，以控制总体误差，从而为最终近似提供严谨的集中性论证。

实验结果

研究问题

• RQ1 尽管标准MCMC方法因混合缓慢而失效，是否仍可为DAG中的s-t可靠性设计FPRAS？
• RQ2 是否存在一种结构化方式，利用DAG的拓扑结构以实现高效的动态规划可靠性估计？
• RQ3 在DAG中近似s-t不可靠性的复杂性如何？它是否与#BIS等已知复杂性类相关？
• RQ4 Karp-Luby方法用于集合并集估计，能否与采样技术有效结合以解决#P-完全问题？
• RQ5 在动态规划框架中，能否在不降低近似误差的前提下复用样本？

主要发现

• 该论文首次为DAG中的s-t可靠性问题提出FPRAS，以高概率在时间复杂度 e^O(n⁶m⁴ max{m⁴, ε⁻⁴}) 内运行。
• 该算法保证对s-t可靠性实现(1±ε)-近似，且至少为(1±1/m)-近似，即使在ε较小时也具有鲁棒性。
• 该方法对边失效之间的相关性具有鲁棒性，因为误差界仅依赖于边缘的边际概率。
• 证明了在DAG中近似s-t不可靠性为#BIS-难问题，确立了强大的不可近似性结果。
• 当ε < 1/m时，算法仍保持高效，时间复杂度为 e^O(n⁶m⁴/ε⁴)，当ε > 1/m时，时间复杂度优化为 e^O(n⁶m⁸)。
• 该方法可扩展至顶点失效模型，通过保持可靠性不变的顶点到边转换，已通过归约证明。