[论文解读] Euclidean TSP, Motorcycle Graphs, and Other New Applications of Nearest-Neighbor Chains

Nil Mamano, Alon Efrat+6 more|arXiv (Cornell University)|Jan 1, 2019

Computational Geometry and Mesh Generation参考文献 42被引用 1

一句话总结

本文将最近邻链（NNC）算法的新应用拓展至层次聚类之外，高效求解了欧几里得TSP、斯坦纳TSP、摩托车图、自恋型k属性稳定匹配以及一维几何集合覆盖问题。通过引入‘全局-局部等价性’的新概念，作者证明了反复合并相互最近邻（MNNs）可获得与寻找全局最近点对相同的结果，从而利用NNC的O(n log n)或O(n^{4/3+ε})时间复杂度（结合动态最近邻数据结构），实现近似最优或更优的时间复杂度。

ABSTRACT

We show new applications of the nearest-neighbor chain algorithm, a technique that originated in agglomerative hierarchical clustering. We apply it to a diverse class of geometric problems: we construct the greedy multi-fragment tour for Euclidean TSP in $O(n\log n)$ time in any fixed dimension and for Steiner TSP in planar graphs in $O(n\sqrt{n}\log n)$ time; we compute motorcycle graphs (which are a central part in straight skeleton algorithms) in $O(n^{4/3+\varepsilon})$ time for any $\varepsilon>0$; we introduce a narcissistic variant of the $k$-attribute stable matching model, and solve it in $O(n^{2-4/(k(1+\varepsilon)+2)})$ time; we give a linear-time $2$-approximation for a 1D geometric set cover problem with applications to radio station placement.

研究动机与目标

• 将最近邻链（NNC）算法的应用范围从层次聚类拓展至多种几何与组合问题。
• 识别并形式化‘全局-局部等价性’概念，即合并相互最近邻（MNNs）可产生与全局最近点对选择相同的结果。
• 利用NNC开发针对欧几里得TSP、斯坦纳TSP、摩托车图、自恋型k属性稳定匹配及一维几何集合覆盖等问題的高效算法。
• 证明NNC即使在MNNs无法产生最优解的场景（如近似算法）中亦可适用。
• 为在距离不对称、无传统最近邻结构或非稳定匹配情境下使用NNC建立理论基础。

提出的方法

• 利用NNC算法，通过维护一个聚类链并反复合并相互最近邻（MNNs），利用聚类距离度量的可约简性。
• 引入软最近邻（SNN）结构，以处理传统最近邻查询不直接适用的问题（如多片段TSP）。
• 通过证明MNN链在非对称距离问题（如摩托车图）中仍收敛至正确解，将NNC框架适配至非对称距离问题。
• 使用支持插入与删除操作的动态数据结构，以在链传播过程中维持最近邻关系。
• 应用冲突解决规则与结构不变量，确保链的无环性与正确性，防止无限循环。
• 证明在合并MNNs后，剩余链仍保持有效，这是由于全局-局部等价性，从而实现线性数量的迭代，主导代价集中于最近邻查询。

实验结果

研究问题

• RQ1 最近邻链（NNC）算法能否应用于层次聚类之外的问题，如几何优化与组合匹配？
• RQ2 何种结构性质——全局-局部等价性——使得基于MNN的合并能与全局最优点对选择产生相同结果？
• RQ3 NNC能否用于缺乏对称距离的问题（如摩托车图），其中最近邻链的适用性不直观？
• RQ4 NNC能否适配至MNNs无法产生最优解的问题（如几何集合覆盖的近似算法）？
• RQ5 是否存在新的稳定匹配模型（如自恋型k属性匹配），使得NNC可应用于非基于距离的偏好场景？

主要发现

• NNC算法在任意固定维度下以O(n log n)时间求解欧几里得TSP的多片段TSP，显著优于先前方法。
• 对于平面图中的斯坦纳TSP，基于NNC的算法实现O(n√n log n)时间复杂度，提供近似最优解，且最近邻查询高效。
• 本文提出首个O(n^{4/3+ε})时间复杂度的摩托车图计算算法（对任意ε > 0），利用NNC结合动态最近邻数据结构。
• 提出一种新型自恋型k属性稳定匹配模型，NNC算法以O(n^{2−4/(k(1+ε)+2)})时间求解，证明其在非距离偏好场景下的适用性。
• 针对一维几何集合覆盖问题（如无线电基站选址），基于NNC的方法提供线性时间2-近似解，优于贪心算法的最坏情况性能。
• 本文证明，全局-局部等价性（即MNNs与全局最近点对产生相同结果）在多种几何与组合问题中成立，为在这些场景中使用NNC提供了理论依据。