[论文解读] Improved Approximation for Two-Dimensional Vector Multiple Knapsack

Tomer Cohen, Ariel Kulik+1 more|arXiv (Cornell University)|Jan 1, 2023

Optimization and Packing Problems被引用 1

一句话总结

本文提出了一种针对二维向量多重背包问题（2VMK）的随机化 (1 − ln 2 / 2 − ε)-近似算法，优于先前的 (1 − 1/e − ε) ≈ 0.632 比例。该方法将 Round&Approx 框架从集合覆盖问题适配至最大化问题，通过随机化舍入配置-LP 解决方案，将约 0.693m 个箱子用于利润最大化，随后将剩余物品作为一维多重背包问题求解。

ABSTRACT

We study the uniform $2$-dimensional vector multiple knapsack (2VMK) problem, a natural variant of multiple knapsack arising in real-world applications such as virtual machine placement. The input for 2VMK is a set of items, each associated with a $2$-dimensional weight vector and a positive profit, along with $m$ $2$-dimensional bins of uniform (unit) capacity in each dimension. The goal is to find an assignment of a subset of the items to the bins, such that the total weight of items assigned to a single bin is at most one in each dimension, and the total profit is maximized. Our main result is a $(1- \frac{\ln 2}{2} - \varepsilon)$-approximation algorithm for 2VMK, for every fixed $\varepsilon > 0$, thus improving the best known ratio of $(1 - \frac{1}{e}-\varepsilon)$ which follows as a special case from a result of [Fleischer at al., MOR 2011]. Our algorithm relies on an adaptation of the Round$\&$Approx framework of [Bansal et al., SICOMP 2010], originally designed for set covering problems, to maximization problems. The algorithm uses randomized rounding of a configuration-LP solution to assign items to $\approx m\cdot \ln 2 \approx 0.693\cdot m$ of the bins, followed by a reduction to the ($1$-dimensional) Multiple Knapsack problem for assigning items to the remaining bins.

研究动机与目标

• 开发二维向量多重背包问题（2VMK）的多项式时间近似算法。
• 在源自可分离分配问题的 (1 − 1/e − ε) ≈ 0.632 比例基础上实现进一步改进。
• 解决云计算中虚拟机部署的实际挑战，该挑战包含两个资源约束（CPU 与内存）。
• 通过从二维向量装箱问题的归约，证明在 P ≠ NP 的假设下，2VMK 不可能存在 PTAS，从而确立其理论极限。
• 探索该方法在更高维度变体中的可扩展性。

提出的方法

• 将 Round&Approx 框架从集合覆盖问题适配至 2VMK 的最大化问题。
• 通过随机化舍入配置-LP 解决方案，将物品分配至约 m·ln2 ≈ 0.693m 个箱子。
• 将剩余物品简化为一维多重背包（MK）问题以进一步分配。
• 采用 (1+ε², ε²)-子集无偏函数与集中不等式，确保高概率保证。
• 应用并集界与切尔诺夫型不等式，控制舍入与选择步骤中的失败概率。
• 采用两阶段策略：首先通过 LP 舍入进行初始分配，随后对剩余一维 MK 问题求解最优解。

实验结果

研究问题

• RQ1 能否通过新颖的算法框架在 2VMK 上实现优于 (1 − 1/e − ε) 的近似比？
• RQ2 是否能够利用配置-LP 舍入与剩余一维背包求解，使近似比超越现有界限？
• RQ3 为何所提方法无法扩展至 d ≥ 3 维？当前方法存在何种结构性限制？
• RQ4 如作者所建议，迭代随机化舍入是否可解决高维中的瓶颈问题？
• RQ5 2VMK 的近似理论极限是什么？是否存在 PTAS？

主要发现

• 本文实现了 (1 − ln2/2 − ε)-近似比，约为 0.653，优于先前工作中的 (1 − 1/e − ε) ≈ 0.632。
• 该算法在多项式时间内运行，且为随机化算法，以常数概率保证近似比。
• 该方法是首次在近似算法背景下对 2VMK 的直接研究。
• 作者通过从二维向量装箱问题的归约，证明除非 P = NP，否则 2VMK 不可能存在 PTAS。
• 该方法无法扩展至 d ≥ 3 维，因为剩余一维 MK 求解产生的每配置边际利润低于随机化舍入阶段。
• 分析依赖于集中不等式与并集界，以确保舍入与选择阶段的高概率成功。