[论文解读] Improved Analysis of RANKING for Online Vertex-Weighted Bipartite Matching in the Random Order Model

Billy Jin, David P. Williamson|arXiv (Cornell University)|Jul 25, 2020

Optimization and Search Problems参考文献 9被引用 4

一句话总结

该论文通过放松黄等人分析中的假设，并在离散化的单位正方形上求解一个约束线性规划，以计算最优的分段仿射函数 g(x,y)，将随机顺序模型下在线顶点加权二分图匹配问题的竞争比从 0.6534 提高到 0.6629。该方法利用并行计算和误差有界的数值近似，实现了更紧的上界，此方法论框架的理论上限为 0.6688。

ABSTRACT

In this paper, we consider the online vertex-weighted bipartite matching problem in the random arrival model. We consider the generalization of the RANKING algorithm for this problem introduced by Huang, Tang, Wu, and Zhang (TALG 2019), who show that their algorithm has a competitive ratio of 0.6534. We show that assumptions in their analysis can be weakened, allowing us to replace their derivation of a crucial function $g$ on the unit square with a linear program that computes the values of a best possible $g$ under these assumptions on a discretized unit square. We show that the discretization does not incur much error, and show computationally that we can obtain a competitive ratio of 0.6629. To compute the bound over our discretized unit square we use parallelization, and still needed two days of computing on a 64-core machine. Furthermore, by modifying our linear program somewhat, we can show computationally an upper bound on our approach of 0.6688; any further progress beyond this bound will require either further weakening in the assumptions of $g$ or a stronger analysis than that of Huang et al.

研究动机与目标

• 在随机到达顺序下，提升 RANKING 算法在在线顶点加权二分图匹配问题中的竞争比。
• 放松黄等人对广义 RANKING 算法分析中的严格假设。
• 在较弱假设下，通过在离散化的单位正方形上求解线性规划，计算出最优的分段仿射函数 g(x,y)。
• 在当前分析约束条件下，建立可计算的竞争比可达上界的上界。

提出的方法

• 在较黄等人分析中更宽松的假设下，构建一个线性规划，以在离散化的 [0,1]² 网格上计算最优的分段仿射函数 g(x,y)。
• 用离散近似替代竞争比上界中的连续最小值和积分：将 minθ≤γ 替换为在 {0,γ} 上取最小值，积分则通过梯形和右黎曼和近似。
• 采用 2^10 的离散化（n=1024）以在精度与计算可行性之间取得平衡，并在 64 核机器上并行求解线性规划。
• 利用利普希茨连续性论证，限制梯形积分引入的误差，确保最终上界的有效性。
• 采用启发式简化策略——如仅将最小值限制在 γ 和 0 上，并使用粗粒度黎曼和——以减小线性规划规模，同时将目标值误差控制在可忽略范围内。
• 验证该方法的上界 0.6688 为紧致上界，表明进一步改进需更强的分析或更弱的假设。

实验结果

研究问题

• RQ1 通过放松对函数 g(x,y) 的假设，能否在随机顺序模型中将广义 RANKING 算法的竞争比提升至 0.6534 以上？
• RQ2 在与黄等人相同的分析框架下，但对 g 的假设更弱时，可实现的最佳竞争比是多少？
• RQ3 通过在离散化线性规划中结合数值积分与最小值近似启发式方法，竞争比上界能多精确地近似？
• RQ4 在当前方法论约束下，该方法的理论改进上限是多少？
• RQ5 能否从线性规划解中导出一个简单且可解释的函数 g(x,y)，使其优于黄等人使用的指数形式？

主要发现

• 作者在随机顺序模型下，将在线顶点加权二分图匹配问题的竞争比提升至 0.6629，优于先前的 0.6534。
• 通过放松对函数 g(x,y) 的假设，作者通过在离散化单位正方形上的约束线性规划，推导出更紧的竞争比上界。
• 该方法论框架的计算上界为 0.6688，表明进一步改进需采用更弱的假设或强于黄等人分析的更强分析。
• 数值近似策略——使用梯形和近似最小值——引入的误差可忽略不计，经由利普希茨连续性论证验证。
• 从线性规划中获得的最优函数 g(x,y) 在结构上与黄等人使用的指数形式有显著不同，提示可能存在更简单但有效的替代形式。
• 尽管线性规划解在视觉上暗示可能存在一个两段线性函数，但证明表明，此类函数无法在该类中改进黄等人提出竞争比。