[论文解读] Approximation Algorithms for Steiner Tree Problems Based on Universal Solution Frameworks

Krzysztof Ciebiera, Piotr Godlewski+2 more|arXiv (Cornell University)|Oct 28, 2014

Complexity and Algorithms in Graphs参考文献 22被引用 6

一句话总结

本文提出了使用通用框架进行迭代取整和局部搜索的C++11高效实现，针对Steiner树问题的高层近似算法。评估了Byrka等人提出的1.39-近似算法和Zelikovsky的11/6-近似算法，与贪心算法、精确算法及最先进的局部搜索启发式算法进行对比，发现尽管理论保证较强，但实际性能落后于先进启发式算法，主要由于运行时间较高，尤其是在迭代取整中k值较大时。

ABSTRACT

This paper summarizes the work on implementing few solutions for the Steiner Tree problem which we undertook in the PAAL project. The main focus of the project is the development of generic implementations of approximation algorithms together with universal solution frameworks. In particular, we have implemented Zelikovsky 11/6-approximation using local search framework, and 1.39-approximation by Byrka et al. using iterative rounding framework. These two algorithms are experimentally compared with greedy 2-approximation, with exact but exponential time Dreyfus-Wagner algorithm, as well as with results given by a state-of-the-art local search techniques by Uchoa and Werneck. The results of this paper are twofold. On one hand, we demonstrate that high level algorithmic concepts can be designed and efficiently used in C++. On the other hand, we show that the above algorithms with good theoretical guarantees, give decent results in practice, but are inferior to state-of-the-art heuristical approaches.

研究动机与目标

• 使用可重用的C++11框架，实现适用于Steiner树问题的通用、高层近似算法。
• 评估理论上性能强劲的算法（特别是通过迭代取整实现的1.39-近似和通过局部搜索实现的11/6-近似）在实际中的性能表现，与现有启发式算法进行对比。
• 评估高近似比、理论保证强的算法是否能在实际中实现具有竞争力的结果。
• 展示在C++中以极少样板代码和高性能实现复杂算法框架（如迭代取整、局部搜索）的可行性与高效性。

提出的方法

• 使用专为C++11设计、采用静态多态的自定义迭代取整框架，实现了Byrka等人提出的1.39-近似算法。
• 使用仅需极少类定义且支持函数式编程风格的局部搜索框架，实现了Zelikovsky的11/6-近似算法。
• 设计框架时遵循极简主义、高性能、松耦合和可扩展性原则，以实现高效、模块化和可重用的代码。
• 在迭代取整过程中，将所有k-终端组件（k ≤ 5）的生成作为核心步骤，该步骤被识别为性能瓶颈。
• 与2-近似贪心算法、精确的Dreyfus-Wagner算法以及Uchoa和Werneck的最先进的局部搜索启发式算法进行结果对比。
• 使用SteinLib基准实例，评估不同难度类别和k值下的近似比与运行时间。

实验结果

研究问题

• RQ1 像迭代取整和局部搜索这样的高层算法概念，能否在C++11中以极少样板代码实现高效且模块化？
• RQ2 1.39-近似和11/6-近似算法的理论近似保证在真实世界实例中如何转化为实际性能？
• RQ3 包含k-终端组件生成的迭代取整算法，其解的质量是否能与最先进的局部搜索启发式算法相媲美？
• RQ4 在不同k值下，迭代取整算法在解质量与运行时间之间存在何种权衡？
• RQ5 该框架是否能够支持结合理论保证与启发式速度的混合方法？

主要发现

• 在SteinLib实例上，k=5的迭代取整算法平均近似比达到1.028，显著优于11/6-近似和2-近似贪心算法。
• 尽管理论保证强劲，迭代取整算法的运行时间仍比最佳局部搜索启发式算法慢3至5倍，对于k=4，仅在10分钟内解决60%的实例。
• Uchoa和Werneck的最先进的局部搜索启发式算法平均近似比为1.01，优于迭代取整算法的平均1.029。
• 对于k≥4，迭代取整算法生成的解优于贪心算法和Zelikovsky算法，但计算成本高得多。
• 所有k-终端组件的生成是主要性能瓶颈，尤其在k值较大时，是导致高运行时间的主要原因。
• 该框架成功证明了复杂近似算法可在C++11中以高性能和高模块化方式高效实现，为未来混合算法的开发提供了支持。