[论文解读] Approximation Strategies for Generalized Binary Search in Weighted Trees

Dariusz Dereniowski, Adrian Kosowski+2 more|arXiv (Cornell University)|Feb 27, 2017

Optimization and Search Problems被引用 10

一句话总结

本文提出了一种加权树搜索问题的准多项式时间近似方案（QPTAS），其中查询代价非均匀，目标是最小化最坏情况下的总查询代价。该方法在 $n^{O(\log n / \varepsilon^2)}$ 时间内实现了 $(1+\varepsilon)$-近似，通过通用归约，进一步得到一个多项式时间的 $O(\sqrt{\log n})$-近似算法，优于以往的 $\hat{O}(\log n)$-近似方法。

ABSTRACT

We consider the following generalization of the binary search problem. A search strategy is required to locate an unknown target node $t$ in a given tree $T$. Upon querying a node $v$ of the tree, the strategy receives as a reply an indication of the connected component of $T\setminus\{v\}$ containing the target $t$. The cost of querying each node is given by a known non-negative weight function, and the considered objective is to minimize the total query cost for a worst-case choice of the target. Designing an optimal strategy for a weighted tree search instance is known to be strongly NP-hard, in contrast to the unweighted variant of the problem which can be solved optimally in linear time. Here, we show that weighted tree search admits a quasi-polynomial time approximation scheme: for any $0 extless{} \varepsilon extless{} 1$, there exists a $(1+\varepsilon)$-approximation strategy with a computation time of $n^{O(\log n / \varepsilon^2)}$. Thus, the problem is not APX-hard, unless $NP \subseteq DTIME(n^{O(\log n)})$. By applying a generic reduction, we obtain as a corollary that the studied problem admits a polynomial-time $O(\sqrt{\log n})$-approximation. This improves previous $\hat O(\log n)$-approximation approaches, where the $\hat O$-notation disregards $O(\mathrm{poly}\log\log n)$-factors.

研究动机与目标

• 通过设计高效的近似策略，应对最优加权树搜索问题的强NP难性。
• 弥合无权情形（可在线性时间内求解）与加权情形（强NP难）之间的差距。
• 为节点权值树中的最坏情况查询代价最小化问题，设计一种准多项式时间近似方案（QPTAS）。
• 改进现有多项式时间近似比，特别是超越 $\hat{O}(\log n)$-近似界。

提出的方法

• 使用最小 $\alpha$-分离树进行递归分解，将输入树划分为更小的子树。
• 在从分离树 $T^*$ 导出的简化树 $\xi(T^*)$ 上构建核心近似策略，利用结构特性控制其规模。
• 对小规模子树（大小 $\leq 2^{\sqrt{\log n}}$）使用常数因子近似算法作为递归基例。
• 递归组合策略：先查询分离树，再对 $T \setminus V^*$ 的每个连通分量递归处理。
• 将递归深度控制在 $\sqrt{\log n}$ 以内，确保总代价保持在最优解的 $O(\sqrt{\log n})$ 范围内。
• 应用从QPTAS到多项式时间近似算法的通用归约，推导出 $O(\sqrt{\log n})$-近似算法。

实验结果

研究问题

• RQ1 对于任意 $\varepsilon > 0$，能否在准多项式时间内计算加权树搜索的 $(1+\varepsilon)$-近似解？
• RQ2 加权树搜索问题是否为APX难？或者是否存在优于 $\hat{O}(\log n)$ 的多项式时间近似？
• RQ3 使用 $\alpha$-分离树的递归分解能否导致具有有界近似比的多项式时间算法？
• RQ4 在非均匀查询代价的加权树搜索背景下，近似质量与运行时间之间存在何种权衡？
• RQ5 QPTAS的存在是否意味着可通过通用归约获得更优的多项式时间近似保证？

主要发现

• 本文提出一种准多项式时间 $(1+\varepsilon)$-近似算法，用于加权树搜索，运行时间为 $n^{O(\log n / \varepsilon^2)}$。
• 除非 $NP \subseteq DTIME(n^{O(\log n)})$，否则该问题并非APX难，这为APX难性提供了强有力反证。
• 通过从QPTAS的通用归约，推导出一个多项式时间的 $O(\sqrt{\log n})$-近似算法。
• 简化树 $\xi(T^*)$ 的大小被限制在 $4\lceil n/\alpha \rceil$ 以内，确保递归步骤的高效计算。
• 递归深度被控制在 $\sqrt{\log n}$ 以内，从而控制了乘法近似因子。
• 近似比 $O(\sqrt{\log n})$ 优于先前的 $\hat{O}(\log n)$-近似，忽略 $O(\mathrm{poly}\log\log n)$ 因子。