[论文解读] Distributed Approximation Algorithms for the Multiple Knapsack Problem

Ananth Murthy, Chandan Yeshwanth+1 more|arXiv (Cornell University)|Feb 2, 2017

Optimization and Search Problems参考文献 13被引用 4

一句话总结

本文提出了一种针对网络中 n 个处理器（每个处理器拥有一个背包）的多重背包问题（MKP）的分布式近似算法，目标是在容量约束下将 m 个物品分配以最大化总利润。该算法采用一种贪心策略，将利润最高的物品分配给剩余容量最大的背包，实现了 1/(n+1) 倍最优解的性能保证，消息复杂度为 O(mn)，时间复杂度为 O(m log n)。

ABSTRACT

We consider the distributed version of the Multiple Knapsack Problem (MKP), where $m$ items are to be distributed amongst $n$ processors, each with a knapsack. We propose different distributed approximation algorithms with a tradeoff between time and message complexities. The algorithms are based on the greedy approach of assigning the best item to the knapsack with the largest capacity. These algorithms obtain a solution with a bound of $\frac{1}{n+1}$ times the optimum solution, with either $\mathcal{O}\left(m\log n ight)$ time and $\mathcal{O}\left(m n ight)$ messages, or $\mathcal{O}\left(m ight)$ time and $\mathcal{O}\left(mn^{2} ight)$ messages.

研究动机与目标

• 为解决多重背包问题（MKP）缺乏高效分布式算法的问题，MKP 是一个经典的 NP-难优化问题。
• 设计在时间与消息复杂度之间取得平衡且具有可证明近似比的分布式算法。
• 在分布式系统（如数据中心）中实现实际的应用，例如作业调度与资源分配，其中物品（作业）需被分配给容量有限的机器（背包）。
• 克服集中式方法（如线性规划和动态规划）在分布式环境中不可行的问题，因其在消息或时间复杂度方面过高。
• 实现低消息复杂度——特别是 O(mn)——以在具有大量物品或处理器的大规模网络中实现高效扩展。

提出的方法

• 提出一种分布式贪心算法，将每个物品分配给剩余容量最大的背包，按利润与重量比对物品进行优先级排序。
• 使用一个集中式调度节点（源点 S）来维护物品分配状态，并协调处理器之间的消息传递。
• 采用基于优先级的消息传递机制，处理器向网络广播其当前背包容量和可用物品信息。
• 通过锦标赛式选择机制实现分布式选择协议，每轮使用 O(log n) 轮确定每个物品对应的最大剩余容量背包。
• 通过限制分布式环境中次优分配决策带来的损失，保持 1/(n+1) 倍最优解的性能保证。
• 分析两种变体：一种时间复杂度为 O(m log n)，消息复杂度为 O(mn)；另一种时间复杂度为 O(m)，消息复杂度为 O(mn²)，实现时间与消息复杂度的权衡。

实验结果

研究问题

• RQ1 能否设计一种分布式近似算法，使多重背包问题在低消息与时间复杂度下仍保持非平凡的近似比？
• RQ2 在分布式 MKP 算法中，时间复杂度与消息复杂度之间的权衡是什么？能否针对大规模系统进行优化？
• RQ3 是否可以通过一种贪心的、分布式的策略实现常数因子近似（例如 1/(n+1)），而无需依赖集中式线性规划或动态规划方法？
• RQ4 为何传统集中式近似技术（如整数线性规划、线性规划松弛或动态规划）在具有高消息开销的分布式系统中不可行？
• RQ5 1/(n+1) 的近似界对于分布式 MKP 是否紧致？通过更复杂的协调机制能否获得更优的界？

主要发现

• 所提出的分布式贪心算法实现了 1/(n+1) 倍最优解的性能保证，该结果为与物品数量 m 无关的常数因子近似。
• 该算法的一种变体在 O(m log n) 时间内完成，消息复杂度为 O(mn)，适用于具有大量物品或处理器的大规模网络。
• 第二种变体通过将消息复杂度提高到 O(mn²) 将时间复杂度降低至 O(m)，展示了时间与消息复杂度之间的权衡。
• 该算法避免了在分布式环境中因消息或时间复杂度呈指数级增长而不切实际的集中式技术（如线性规划或动态规划）。
• 1/(n+1) 的性能界源于分布式环境中因延迟或次优分配决策导致的最坏情况损失。
• 该方法适用于现实世界应用，如数据中心中的作业调度、无线网络中的频谱分配以及搜索结果的多样化。