[论文解读] Counting magic squares in quasi-polynomial time

Alexander Barvinok, Alex Samorodnitsky+1 more|ArXiv.org|Mar 8, 2007

Markov Chains and Monte Carlo Methods参考文献 25被引用 5

一句话总结

本文提出了一种随机化准多项式时间算法，可在相对误差 $\epsilon$ 范围内近似计算 $n \times n$ 幻方的数量，其行和为 $t$，该方法利用对数凹函数和矩阵缩放进行体积估计。关键贡献在于时间复杂度为 $(1/\epsilon)^{O(1)} N^{O(\log N)}$，其中 $N = nt$，相较于以往针对边缘平衡的列联表计数方法有显著改进。

ABSTRACT

We present a randomized algorithm, which, given positive integers n and t and a real number 0< epsilon <1, computes the number Sigma(n, t) of n x n non-negative integer matrices (magic squares) with the row and column sums equal to t within relative error epsilon. The computational complexity of the algorithm is polynomial in 1/epsilon and quasi-polynomial in N=nt, that is, of the order N^{log N}. A simplified version of the algorithm works in time polynomial in 1/epsilon and N and estimates Sigma(n,t) within a factor of N^{log N}. This simplified version has been implemented. We present results of the implementation, state some conjectures, and discuss possible generalizations.

研究动机与目标

• 开发一种高效算法，用于近似计算所有行和列之和均为 $t$ 的 $n \times n$ 非负整数矩阵（幻方）的数量。
• 提供一种随机化算法，其时间复杂度在 $N = nt$ 上为准多项式时间，对任意 $\epsilon > 0$ 实现相对误差 $\epsilon$。
• 将该方法推广至具有给定行和与列和的通用列联表，特别是当边缘平衡时。
• 建立幻方数量与涉及对数凹密度函数的积分之间比值的理论边界。
• 实现并评估该算法的简化多项式时间版本，以支持实际计算。

提出的方法

• 该算法采用基于在单纯形 $\Delta$ 上定义的对数凹密度函数 $\phi$ 来估计运输多面体体积的随机方法。
• 应用矩阵缩放技术，将问题转化为矩阵永久值近似多面体中整数点数量的问题。
• 该方法依赖于函数 $f(X) = \text{per}(X)$ 的齐次性与单调性，以及其分解为对数凹部分 $\phi$ 和变化缓慢部分 $p$ 的结构。
• 关键组成部分是在积分域中使用阈值 $T$ 控制误差，利用对数凹函数和对称平均的性质推导出边界。
• 该算法采用重要性采样和体积估计技术，以近似积分 $\int_Q f \, d\mu$，其中 $Q$ 是行和为 1 的非负矩阵集合。
• 对于简化版本，该算法通过多项式时间采样与缩放，将幻方数量的近似误差控制在 $N^{O(\log N)}$ 因子内。

实验结果

研究问题

• RQ1 能否在准多项式时间内，以相对误差 $\epsilon$ 近似 $n \times n$ 幻方（行和为 $t$）的数量？
• RQ2 当边缘平衡时，近似具有给定行和与列和的列联表数量的计算复杂度是多少？
• RQ3 比值 $c(n,t) = |\Sigma(n,t)| / \int_\Delta \phi \, d\mu$ 如何随 $N = nt$ 变化？能否将其边界控制在 $N^{O(1)}$ 以内？
• RQ4 能否通过体积估计与对数凹函数积分，高效近似矩阵的永久值？
• RQ5 对于列联表计数的启发式公式（如 Diaconis-Efron 近似），其理论与实际精度边界是什么？

主要发现

• 本文提出了一种随机化算法，可在时间 $(1/\epsilon)^{O(1)} N^{O(\log N)}$ 内，以相对误差 $\epsilon$ 近似 $|\Sigma(n,t)|$，其中 $N = nt$。
• 该算法的简化版本运行于多项式时间，且在 $N^{O(\log N)}$ 因子内近似 $|\Sigma(n,t)|$。
• 该算法在小规模实例上实现并验证，结果见第 1.4 节，支持理论边界。
• 理论分析表明，比值 $c(n,t) = |\Sigma(n,t)| / \int_\Delta \phi \, d\mu$ 的上界为 $N^{O(\log N)}$，并推测在更强的永久值不等式下可能为 $N^{O(1)}$。
• 该方法可推广至行和相等或列和相等的列联表，获得相似的时间复杂度边界。
• 该方法依赖于永久值的齐次性与单调性，以及被积函数分解为对数凹部分与变化缓慢部分的结构。