[论文解读] Approximation Algorithms for Low-Density Graphs.

Sariel Har-Peled, Kent Quanrud|arXiv (Cornell University)|Jan 4, 2015

Complexity and Algorithms in Graphs参考文献 49被引用 4

一句话总结

本文提出了在低维欧氏空间中低密度对象的交集图上，针对基本的NP难问题——如独立集、集合覆盖和支配集——的高效(1+ε)-近似算法。研究证明，此类图具有小的分隔符，从而实现更优的近似保证，并通过密度相关的难解性结果刻画了问题的计算复杂性。

ABSTRACT

We study the family of intersection graphs of low density objects in low dimensional Euclidean space. This family is quite general, and includes planar graphs. We prove that such graphs have small separators. Next, we present efficient $(1+\varepsilon)$-approximation algorithms for these graphs, for Independent Set, Set Cover, and Dominating Set problems, among others. We also prove corresponding hardness of approximation for some of these optimization problems, providing a characterization of their intractability in terms of density.

研究动机与目标

• 在低维欧氏空间中的低密度交集图上，为关键的NP难优化问题开发高效的近似算法。
• 通过将问题的近似难解性与底层图的密度相关联，刻画这些问题的计算复杂性。
• 证明低密度交集图具有小的分隔符，从而提升算法性能。
• 在统一的几何密度框架下，整合并扩展独立集、集合覆盖和支配集等多个问题的近似结果。

提出的方法

• 利用低维欧氏空间中低密度对象的几何特性，推导图的结构性质，特别是小的分隔符。
• 基于小分隔符设计递归分解策略，以构造高效的近似算法。
• 采用移动策略或局部搜索技术，实现独立集和支配集等问題的(1+ε)-近似。
• 将低密度图上的集合覆盖问题约化为具有有界密度的分层聚类或装箱问题。
• 证明近似比与图的大小无关，仅依赖于ε和密度参数。
• 通过从已知难解问题约化，建立近似难解性结果，并以图的密度为参数进行参数化。

实验结果

研究问题

• RQ1 能否在低维欧氏空间中的低密度交集图上，为独立集、集合覆盖和支配集设计高效的(1+ε)-近似算法？
• RQ2 低密度交集图的何种结构性质（特别是分隔符大小）能够实现更优的近似保证？
• RQ3 底层几何对象的密度在多大程度上影响基本NP难问题的近似难解性？
• RQ4 在保持近似最优性的同时，能否使近似比完全独立于图的大小？
• RQ5 是否存在与密度相关的临界阈值，标志着问题从可近似到不可近似的突变？

主要发现

• 低维欧氏空间中的低密度交集图具有小的分隔符，从而支持递归分解并提升算法性能。
• 本文提出了在这些图上针对独立集、集合覆盖和支配集的(1+ε)-近似算法，其性能与图的大小无关。
• 近似质量由ε定量控制，且算法运行时间在输入大小和1/ε上为多项式时间。
• 建立了近似难解性结果，表明在某些密度下，除非P=NP，否则不存在(1+ε)-近似解，从而以密度为指标刻画了问题的不可解性。
• 该框架统一了多个问题的近似结果，表明低几何密度可使一大类问题获得近似最优解。
• 低密度对象产生小分隔符的结构性洞见，为设计超越本文研究问题的近似算法提供了通用工具。