[论文解读] Duality Gap, Computational Complexity and NP Completeness: A Survey

Prabhu Manyem|arXiv (Cornell University)|Dec 27, 2010

Advanced Graph Theory Research参考文献 19被引用 3

一句话总结

本文建立了计算复杂性与优化对偶性之间的基础性联系，认为零对偶间隙（强对偶性）与多项式时间可解性相关，而正对偶间隙通常表明问题为 NP-难。文章综述了对偶性、NP-完全性与有限模型理论之间的历史与理论联系，提出对偶性结构可能作为优化问题复杂性的指示器。

ABSTRACT

We survey research that studies the connection between the computational complexity of optimization problems on the one hand, and the duality gap between the primal and dual optimization problems on the other. To our knowledge, this is the first survey that connects the two very important areas. We further look at a similar phenomenon in finite model theory relating to complexity and optimization.

研究动机与目标

• 探究优化中对偶间隙与求解此类问题的计算复杂性之间隐含但深刻的关联。
• 检验是否存在零对偶间隙（强对偶性）是否意味着多项式时间可解，反之，是否存在正对偶间隙是否意味着原始或对偶问题为 NP-难。
• 探讨在 NP ∩ CoNP 等复杂性类背景下，对偶性的作用，特别是在线性规划及相关问题中的表现。
• 研究有限模型理论中的固定点逻辑（LFP/GFP）与原始-对偶优化对可解性之间的联系。
• 推动进一步研究，探讨对偶性结构是否可作为优化问题计算困难性或可解性的预测指标。

提出的方法

• 使用原始与对偶优化问题的形式化定义，包括通过拉格朗日对偶函数 θ(u,v) 的拉格朗日对偶。
• 应用决策问题形式化（D₁(r)）将优化问题映射到 NP 和 CoNP 成员关系，尤其针对线性规划。
• 将对偶间隙分析为最优原始与对偶目标值之间的差值，将其与鞍点的存在性联系起来。
• 运用有限模型理论，特别是最小不动点（LFP）与最大不动点（GFP）逻辑，来建模多项式时间可计算的决策问题。
• 将 LFP 与 GFP 计算与原始问题（最小化）和对偶问题（最大化）进行比较，探讨其在何种条件下收敛至同一不动点。
• 使用历史与理论示例（如费马-托里拆利问题、线性规划）说明对偶性与复杂性之间的相互作用。

实验结果

研究问题

• RQ1 零对偶间隙是否意味着优化问题可在多项式时间内求解？
• RQ2 正对偶间隙的存在是否必然意味着原始问题或对偶问题为 NP-难？
• RQ3 是否可以利用原始-对偶对的结构，在无需穷举搜索的情况下判断鞍点是否存在？
• RQ4 LFP 与 GFP 计算的收敛性是否与优化中的强对偶性存在对应关系？
• RQ5 在 NP-完全优化问题中，对偶间隙在多大程度上可作为复杂性的指示器？

主要发现

• 在线性规划中，强对偶性（零对偶间隙）意味着其决策版本属于 NP ∩ CoNP，提示可能存在多项式时间可解性。
• 对偶间隙已被隐式用于设计 NP-难问题的近似算法，表明对偶性与复杂性之间存在实际关联。
• 费马-托里拆利问题是一个强对偶性的范例，其中外接正三角形的最大高度等于到托里拆利点距离之和的最小值。
• 在有限模型理论中，LFP 逻辑刻画了多项式时间可计算的决策问题，而 LFP 与 GFP 计算的收敛可能预示强对偶性与可解性。
• 零对偶间隙等价于拉格朗日对偶中鞍点的存在性，若变量有界，则该存在性可在有限时间内判定。
• 本文结论认为，尽管对偶间隙与计算复杂性密切相关，但目前尚无关于对偶间隙存在性的通用多项式时间刻画，凸显了一个关键开放问题。