[论文解读] Approximation-Friendly Discrepancy Rounding

Nikhil Bansal, Viswanath Nagarajan|arXiv (Cornell University)|Dec 7, 2015

Advanced Numerical Analysis Techniques被引用 3

一句话总结

该论文提出了一种增强的基于差异的舍入算法，统一了随机舍入与迭代舍入的优势，实现了乘法误差界，并可扩展至具有拟阵或层状约束的指数级大规模线性规划问题。该方法在路由和拟阵问题中实现了改进的拥塞界，例如度数受限的拟阵基和低拥塞路由，其加法违反项为 $ O(\text{polylog}(n) \times \sqrt{b_e}) $ 或 $ O(\sqrt{\text{deg}} \times \text{polylog}(n)) $。

ABSTRACT

Rounding linear programs using techniques from discrepancy is a recent approach that has been very successful in certain settings. However this method also has some limitations when compared to approaches such as randomized and iterative rounding. We provide an extension of the discrepancy-based rounding algorithm due to Lovett-Meka that (i) combines the advantages of both randomized and iterated rounding, (ii) makes it applicable to settings with more general combinatorial structure such as matroids. As applications of this approach, we obtain new results for various classical problems such as linear system rounding, degree-bounded matroid basis and low congestion routing.

研究动机与目标

• 为克服现有基于差异的舍入方法的局限性，例如弱的乘法误差保证以及在指数级大规模线性规划上的表现不佳。
• 将Lovett-Meka基于差异的舍入框架扩展至支持乘法误差界和组合结构（如拟阵和层状族）。
• 在一个统一的基于差异的框架内，整合随机舍入（乘法误差）和迭代舍入（处理复杂组合约束）的优势。
• 为经典问题（如度数受限的拟阵基、低拥塞路由和线性系统舍入）提供新的近似保证，允许存在违反项。

提出的方法

• 通过修改的势函数和迭代舍入步骤，将Lovett-Meka（LM）基于差异的舍入算法扩展，以引入类似Chernoff的乘法误差界。
• 引入一种部分舍入过程，保持拟阵和层状约束的可行性，同时通过依赖于 $ \lambda_j $ 的界控制每条约束的误差。
• 通过利用底层组合结构（如路由问题中的路径集合），使算法能够处理指数级变量数量的线性规划问题。
• 使用时间展开网络公式化方法，在尽管变量数量指数级增长的情况下，仍能多项式时间求解线性规划松弛。
• 通过将度数约束和层状要求建模为路径选择上的拟阵或层状约束，将舍入框架应用于具有度数约束和层状要求的问题。
• 利用在任意分数解中，紧致层状约束的数量至多为基集大小的一半这一事实，实现高效的局部舍入。

实验结果

研究问题

• RQ1 基于差异的舍入能否被扩展，以实现类似于随机舍入的乘法误差界，同时保留迭代舍入的结构优势？
• RQ2 如何将差异舍入方法适应于具有复杂组合约束（如拟阵或层状族）的指数级大规模线性规划问题？
• RQ3 能否设计一个统一的舍入框架，同时实现差异、随机舍入和迭代舍入在度数受限拟阵基和低拥塞路由等复杂问题上的优势？
• RQ4 在使用基于差异的方法处理具有拟阵或层状约束的路由问题时，边拥塞的最紧致加法违反项是多少？
• RQ5 是否能够通过统一的差异框架，为多预算约束或层状约束的路由问题同时获得存在性和算法性保证？

主要发现

• 所提出的算法在低拥塞路由中实现了形式为 $ O(\sqrt{b_e} \log n + \log^2 n) $ 的乘法误差界，与目前已知的最佳随机舍入保证相匹配。
• 对于度数受限的拟阵基问题，该算法得到的解满足每个元素的度数至多为 $ b_e + O(\sqrt{\Delta} \log n) $，其中 $ \Delta $ 为最大路径长度。
• 该方法为带有违反项的线性系统舍入提供了 $ O(\sqrt{\Delta} \log n) $-近似，优于以往基于差异的方法。
• 该框架可扩展至层状约束路由问题，确保所有层状要求均被满足，同时边容量违反项至多为 $ O(\sqrt{\Delta} \log n) $ 或 $ O(\sqrt{b_e} \log n + \log^2 n) $。
• 与理想的随机舍入相比，该算法在误差界上仅损失 $ O(\log n) $ 因子，同时实现了大规模线性规划问题的高效计算。
• 该方法首次为多预算拟阵基和层状约束路由问题提供了此类保证的算法结果，此前甚至在存在性层面也未被知晓。