[论文解读] Exponential lower bounds on the size of approximate formulations in the natural encoding for Capacitated Facility Location

Stavros G. Kolliopoulos, Yannis Moysoglou|arXiv (Cornell University)|Dec 6, 2013

Complexity and Algorithms in Graphs参考文献 5被引用 5

一句话总结

本文通过自然编码方式，为度量容量设施选址问题（CFL）建立了线性规划松弛的指数下界。通过构造一个包含指数级数量分数解的家族，这些解在特定代价函数下近乎最优，作者证明任何具有常数整数间隙的松弛都必须具有指数级数量的约束，从而在不假设结构或对称性的情况下，排除了基于此编码的多项式大小公式化。

ABSTRACT

The metric capacitated facility location is a well-studied problem for which, while constant factor approximations are known, no efficient relaxation with constant integrality gap is known. The question whether there is such a relaxation is among the most important open problems of approximation algorithms \cite{ShmoysWbook}. In this paper we show that, if one is restricted to linear programs that use the natural encoding for facility location, at least an exponential number of constraints is needed to achieve a constant gap. Our proof does not assume any special property of the relaxation such as locality or symmetry.

研究动机与目标

• 解决度量容量设施选址问题中是否存在具有常数整数间隙的多项式大小线性规划松弛这一长期悬而未决的开放问题。
• 证明当受限于设施开启与客户分配变量的自然编码时，此类松弛是不可能实现的。
• 在不假设对称性、局部性或层次结构的前提下，提供无条件的下界。
• 将基于计数的论证方法推广至具有给定间隙质量 g 的近似公式化。
• 通过一种新颖的概率框架，克服验证 CFL 整数解凸包成员资格的挑战。

提出的方法

• 构造一个以维度 n 参数化的实例族，定义一个在 [0,1]^n 中包含指数级数量分数解的核心集合。
• 定义代价函数，使得每个核心解 s_k,l 在其对应代价向量下代价为 o(OPT)，从而在尽管为分数解的情况下仍近乎最优。
• 使用概率舍入过程从分数解生成整数解，确保期望值与分数向量一致。
• 利用并集界论证证明，任何有效不等式至多会违反核心解的 2^{-Ω(n log n)} 比例。
• 利用两个不同分数解的对称凸组合构造一个新的凸包内解，确保变量间的一致性。
• 基于碰撞概率与违反概率的计数论证，证明必须存在指数级数量的约束，才能排除所有有问题的分数解。

实验结果

研究问题

• RQ1 能否使用自然编码为度量容量设施选址问题构造出具有常数整数间隙的多项式大小线性规划松弛？
• RQ2 在不假设对称性或局部性等结构特征的情况下，自然编码线性规划在 CFL 上的表达能力是否存在固有局限？
• RQ3 为实现 CFL 的常数整数间隙，近似公式化所需的最少约束数量是多少？
• RQ4 基于计数的论证方法能否推广至边界为 g 的近似公式化，而不仅限于精确松弛？
• RQ5 在 CFL 背景下，如何验证分数解是否属于整数解的凸包？

主要发现

• 任何使用自然编码且实现常数整数间隙的度量 CFL 线性规划松弛，其约束数量至少为 2^{Ω(n log n)}。
• 该下界无条件成立，无需依赖对称性、局部性或层次级别等假设。
• 该证明构造了一个在特定代价函数下近乎最优的分数解家族，表明此类点必须被松弛所排除。
• 采用概率舍入框架验证某些分数解属于整数解的凸包，从而支持计数论证。
• 该方法适用于具有给定间隙质量 g 的近似公式化，表明即使当 g = o(n) 时，仍需指数级规模。
• 该结果为 CFL 不存在高效线性规划松弛提供了强有力的负面证据，是近似算法领域一个重大开放问题。