[论文解读] Approximation algorithms for node-weighted prize-collecting Steiner tree problems on planar graphs

Jarosław Byrka, Mateusz Lewandowski+1 more|arXiv (Cornell University)|Jan 11, 2016

Complexity and Algorithms in Graphs参考文献 2被引用 3

一句话总结

本文提出了一种新的拉格朗日乘子保持（LMP）原始对偶3-近似算法，用于平面图上的点权奖励收集斯坦纳树问题，随后通过阈值舍入技术实现了(2.88 + ε)-近似，并针对点权斯坦纳森林问题给出了2.4-近似解。该方法结合LMP分析与随机阈值舍入，在无需求解线性规划（LP）的前提下，改进了目前已知的最佳近似比。

ABSTRACT

We study the prize-collecting version of the Node-weighted Steiner Tree problem (NWPCST) restricted to planar graphs. We give a new primal-dual Lagrangian-multiplier-preserving (LMP) 3-approximation algorithm for planar NWPCST. We then show a ($2.88 + ε$)-approximation which establishes a new best approximation guarantee for planar NWPCST. This is done by combining our LMP algorithm with a threshold rounding technique and utilizing the 2.4-approximation of Berman and Yaroslavtsev for the version without penalties. We also give a primal-dual 4-approximation algorithm for the more general forest version using techniques introduced by Hajiaghay and Jain.

研究动机与目标

• 为平面图上的点权奖励收集斯坦纳树问题（NWPCST）设计一个常数因子近似算法。
• 在平面图上将NWPCST的最佳已知近似比进一步提升，超越先前的界限。
• 设计一种保持拉格朗日乘子的原始对偶算法，以支持更优的整数规划间隙分析。
• 将LMP算法与阈值舍入相结合，以获得更紧致的近似保证。
• 将该方法扩展至更一般的平面图上的点权奖励收集斯坦纳森林（NWPCSF）问题。

提出的方法

• 将Goemans与Williamson针对边权奖励收集斯坦纳树问题的原始对偶框架适配至点权情形，并引入修改后的剪枝阶段。
• 通过将惩罚费用分配至对偶解的某一部分，实现连接费用与惩罚费用的独立分析，从而确保拉格朗日乘子保持。
• 使用阈值舍入技术，通过随机阈值α ∈ [0, β]选择子问题中的终端节点，随后对所得的NWST实例应用2.4-近似算法。
• 通过在两种解之间进行随机选择，将LMP 3-近似算法与阈值舍入相结合，以平衡期望成本。
• 优化阈值β与混合概率p，以最小化期望近似比。
• 在阈值舍入阶段，将Berman与Yaroslavtsev针对平面图点权斯坦纳森林（NWSF）的2.4-近似解作为子程序使用。

实验结果

研究问题

• RQ1 能否为平面图上的点权奖励收集斯坦纳树问题设计一种保持拉格朗日乘子的原始对偶LMP算法，并获得更优的近似保证？
• RQ2 能否有效结合阈值舍入技术与LMP原始对偶算法，以获得优于现有方法的近似比？
• RQ3 通过LMP与阈值舍入的结合，平面图上NWPCST问题的最佳可实现近似比是多少？
• RQ4 该方法能否扩展至更一般的平面图上的点权奖励收集斯坦纳森林问题？
• RQ5 与以往基于线性规划（LP）的方法相比，新算法在近似比与计算需求方面表现如何？

主要发现

• 为平面图上的NWPCST问题提出了一种新的原始对偶3-近似算法，该算法具有LMP性质且无需求解线性规划（LP）。
• 通过将LMP算法与阈值舍入结合，并利用NWSF的2.4-近似解，实现了平面图上NWPCST的(2.88 + ε)-近似。
• 该近似比(2.88 + ε)优于此前最佳已知界限(2.93 + ε)，后者需要求解LP。
• 为平面图上的点权奖励收集斯坦纳森林问题直接设计了一种原始对偶4-近似算法。
• 分析过程采用随机舍入与基于随机阈值α ∈ [0, β]的期望成本界，通过优化参数获得最终近似比。
• 最终近似比被限定在约2.8797 + ε′，其表达式为4 / (4 - 3e^(-5/36)) × (1 + ε)²，优于先前结果。