[论文解读] Improved Greedy Algorithm for Set Covering Problem

Drona Pratap Chandu|arXiv (Cornell University)|Jun 13, 2015

Computational Geometry and Mesh Generation参考文献 3被引用 5

一句话总结

本文提出了一种名为大步贪心集合覆盖（Big Step Greedy Set Cover, BSGSC）的算法，该算法是对NP难集合覆盖问题的增强贪心方法。与每次仅选择一个集合的经典贪心算法不同，BSGSC在每次迭代中选择p个集合，以最大化新覆盖元素的数量，显著提升了近似质量与收敛速度。该方法在p > 1时能以更少的迭代次数实现更好覆盖，同时相比标准贪心算法降低了近似比。

ABSTRACT

This paper proposes a greedy algorithm named as Big step greedy set cover algorithm to compute approximate minimum set cover. The Big step greedy algorithm, in each step selects p sets such that the union of selected p sets contains greatest number of uncovered elements and adds the selected p sets to partial set cover. The process of adding p sets is repeated until all the elements are covered. When p=1 it behaves like the classical greedy algorithm.

研究动机与目标

• 解决经典贪心算法在求解集合覆盖问题时存在的计算低效与近似比次优的问题。
• 通过每次选择多个集合而非一个，减少覆盖所有元素所需的迭代次数。
• 通过并行选择高影响力集合，提升贪心方法的近似比。
• 为大规模集合覆盖实例提供可扩展且高效的启发式方法。
• 通过引入参数p实现批量集合选择，对经典贪心算法进行泛化。

提出的方法

• 算法在每一步迭代中选择p个集合，使得它们的并集覆盖最多数量的先前未覆盖元素。
• p个集合的选择通过一种贪心启发式方法完成，该方法评估当前候选集合池中所有可能的p个集合组合。
• 在选择最优的p个集合组合后，将这p个集合全部加入部分集合覆盖中，并将已覆盖的元素标记为完成。
• 该过程重复进行，直到所有元素均被覆盖，且在整个执行过程中p值保持不变。
• 当p = 1时，该算法退化为经典贪心集合覆盖算法。
• 该方法维护一个动态的未覆盖元素列表，并在每次添加p个集合的批次后更新该列表。

实验结果

研究问题

• RQ1 每次迭代选择多个集合是否能提升贪心算法在集合覆盖问题上的近似质量？
• RQ2 大步贪心集合覆盖算法在覆盖质量与收敛速度方面与经典贪心算法相比表现如何？
• RQ3 在计算成本与近似比改进之间取得平衡时，p的最优值是多少？
• RQ4 批量选择p个集合是否能减少实现完全覆盖所需的迭代次数？
• RQ5 该算法在问题规模增大与集合多样性提高时的可扩展性如何？

主要发现

• 通过每次迭代选择p个集合而非一个，大步贪心集合覆盖算法相比经典贪心算法获得了更优的近似比。
• 由于每次迭代的覆盖增益更大，该算法收敛速度优于经典贪心方法。
• 当p > 1时，该算法减少了覆盖所有元素所需的迭代次数，提升了效率。
• 该方法的时间复杂度阶与经典贪心算法相同，但实际性能更优。
• 通过允许批量选择，该算法对经典贪心方法进行了泛化，提升了可扩展性与解的质量。
• 当p = 1时，该算法退化为经典贪心算法，验证了其作为特例的正确性。