[论文解读] Facility Location in Evolving Metrics

David Eisenstat, Claire Mathieu+1 more|arXiv (Cornell University)|Mar 26, 2014

Complex Network Analysis Techniques参考文献 19被引用 6

一句话总结

本文提出了一种用于演化度量的动态设施选址模型，其中客户分配至设施的切换行为随时间受到惩罚，从而在距离、设施开启和切换成本之间实现平衡。该文提出了一种 O(log nT)-近似算法，并展示了相应的下界复杂度，表明对时间进行联合优化可显著提升解的稳定性和准确性，优于独立的时间快照优化方法。

ABSTRACT

Understanding the dynamics of evolving social or infrastructure networks is a challenge in applied areas such as epidemiology, viral marketing, or urban planning. During the past decade, data has been collected on such networks but has yet to be fully analyzed. We propose to use information on the dynamics of the data to find stable partitions of the network into groups. For that purpose, we introduce a time-dependent, dynamic version of the facility location problem, that includes a switching cost when a client's assignment changes from one facility to another. This might provide a better representation of an evolving network, emphasizing the abrupt change of relationships between subjects rather than the continuous evolution of the underlying network. We show that in realistic examples this model yields indeed better fitting solutions than optimizing every snapshot independently. We present an $O(\log nT)$-approximation algorithm and a matching hardness result, where $n$ is the number of clients and $T$ the number of time steps. We also give an other algorithms with approximation ratio $O(\log nT)$ for the variant where one pays at each time step (leasing) for each open facility.

研究动机与目标

• 建模并求解随时间演化的网络中的设施选址问题，其中客户与设施之间的距离随时间变化。
• 将切换成本纳入设施选址目标函数，以在时间维度上偏好稳定的客户-设施分配。
• 证明对时间进行联合优化可获得优于对每个时间快照独立优化的更优解。
• 为动态设施选址问题设计具有可证明性能保证的近似算法。
• 分析在演化网络结构中解的适应性与稳定性之间的权衡。

提出的方法

• 构建一个包含三类成本分量的时间相关设施选址问题：连接成本、设施开启成本以及客户重新分配的切换成本。
• 使用线性规划松弛（LP）在 T 个时间步和 n 个客户上建模该问题，引入设施开启、客户分配和切换的变量。
• 采用基于指数随机变量的随机化取样方法，根据 LP 解的值来确定设施的开启。
• 对于每个客户和时间区间，选择开启阈值与区间内最小分配值之比最小的设施。
• 通过概率分析控制期望成本，利用并集界和马尔可夫不等式确保高概率性能。
• 将算法扩展以处理非均匀的设施开启成本以及随时间变化的客户可用性。

实验结果

研究问题

• RQ1 是否能够通过一种惩罚客户随时间重新分配的动态设施选址模型，获得比独立优化每个时间快照更稳定且更准确的聚类结果？
• RQ2 在引入切换成本的动态设施选址问题中，可达到的最佳近似比是多少？
• RQ3 在现实的演化网络场景中，所提算法的性能与静态或在线方法相比如何？
• RQ4 O(log nT) 近似比是否紧致？其对应的近似下界复杂度是多少？
• RQ5 该模型能否扩展以处理非均匀的设施成本或随时间变化的客户存在情况？

主要发现

• 所提算法在具有切换成本的动态设施选址问题上实现了 O(log nT)-近似比，与已知的下界复杂度相匹配。
• 期望的设施开启成本被限制在最优 LP 值的 2 log(2nT) 倍以内，确保了期望性能的良好表现。
• 期望的切换成本至多为 LP 松弛中对应项值的两倍。
• 在高概率事件条件下，期望距离成本至多为 LP 值的 4 log(2nT) 倍。
• 即使距离不满足三角不等式，该算法仍表现良好，并可自然扩展至非均匀设施成本及客户到达/离开时间。
• 与独立时间快照优化相比，该模型显著提升了解的稳定性，尤其在现实的演化网络动态中表现突出。