[论文解读] Linear Phase Transition in Random Linear Constraint Satisfaction Problem

David Gamarnik|ArXiv.org|Oct 31, 2002

Constraint Satisfaction and Optimization参考文献 21被引用 4

一句话总结

该论文通过分析随机 K-SAT 问题的广义线性规划松弛，建立了随机线性约束满足问题中的线性相变。利用局部弱收敛和鞅技术，证明了可行性在临界约束密度 c* 处发生急剧转变，且松弛问题的目标值在 n→∞ 时收敛到一个极限，从而为稀疏随机图 G(n,cn) 中的最大权 b-匹配问题提供了紧致的渐近界。

ABSTRACT

Our model is a generalized linear programming relaxation of a much studied random K-SAT problem. Specifically, a set of linear constraints C on K variables is fixed. From a pool of n variables, K variables are chosen uniformly at random and a constraint is chosen from C also uniformly at random. This procedure is repeated m times independently. We ask the following question: is the resulting linear programming problem feasible? We show that the feasibility property experiences a linear phase transition, when n diverges to infinity and m=cn for some constant c. Namely, there exists a critical value c* such that, when cc*, the "distance" from feasibility is at least a positive constant independent of n. Our results are obtained using powerful local weak convergence methods developed by Aldous and Steele. By exploiting a linear programming duality, our theorem implies the following result in the context of sparse random graphs G(n, cn) on n nodes with cn edges, where edges are equipped with randomly generated weights. Let M(n,c) denote maximum weight matching in G(n, cn). We prove that when c is a constant and n o\infty, the limit \lim_n M(n,c)/n exists, with high probability. We further extend this result to maximum weight b-matchings also in G(n,cn).

研究动机与目标

• 分析随机 K-SAT 问题的广义随机线性规划松弛中的可行性阈值。
• 建立当约束数量随变量数量线性增长时，随机线性约束系统可行性的尖锐线性相变的存在性。
• 将结果扩展到加权随机图，证明最大权 b-匹配收敛到每节点的常数极限。
• 证明在 n→∞ 时，稀疏随机图 G(n,cn) 中 b-匹配问题的 LP 松弛在渐近意义上是紧致的。
• 探讨局部弱收敛和鞅方法在组合优化中相变问题中的适用性。

提出的方法

• 通过从固定集合 C 中均匀随机抽取 K 个变量和一个约束，重复 m = cn 次，构建一个随机线性规划问题。
• 应用由 Aldous 提出的局部弱收敛方法，分析当 n→∞ 时目标值的极限行为。
• 采用鞅技术，控制在随机约束模型下期望目标值的集中性和收敛性。
• 利用线性规划对偶性，将原始问题的可行性阈值与对偶问题联系起来，后者对应于 G(n,cn) 中的最大权 b-匹配。
• 分析每个变量的期望目标值的极限行为，证明当 c < c* 时，其收敛到一个常数极限。
• 通过假设边权独立且非负，将框架扩展到加权图，并证明归一化后最大权 b-匹配的收敛性。

实验结果

研究问题

• RQ1 当约束数量随变量数量线性增长时，随机线性约束满足问题的可行性是否表现出尖锐的线性相变？
• RQ2 在 n→∞ 时，LP 松弛的归一化目标函数的极限值是什么？它是否以高概率收敛？
• RQ3 局部弱收敛方法能否成功应用于建立随机组合优化问题中的相变？
• RQ4 在 n→∞ 时，G(n,cn) 中最大权 b-匹配问题的 LP 松弛是否渐近紧致？
• RQ5 临界阈值 c* 如何与约束集 C 的结构相关？函数 f(c) = lim E[GLP(n)]/n 在 c* 处是否可微或凸？

主要发现

• 存在一个临界阈值 c*，使得当 c < c* 时，随机线性规划在 n→∞ 时是可行的或渐近几乎可行的。
• 当 c > c* 时，到可行性的距离以一个与 n 无关的正数为下界，从而确立了尖锐的线性相变。
• 对于任意固定的 c，LP 松弛的归一化目标值 E[GLP(n)]/n 在 n→∞ 时收敛到一个极限，且当 c < c* 时该极限为零。
• 在具有独立非负边权的 G(n,cn) 中，最大权 b-匹配满足 lim_{n→∞} M(n,c)/n = L(c) 以高概率成立，其中 L(c) 是一个有限极限。
• b-匹配问题的 LP 松弛是渐近紧致的，即最优 LP 值收敛到真实整数最优值除以 n。
• 函数 f(c) = lim_{n→∞} E[GLP(n)]/n 是连续且非递减的，本文提出了关于其在 c* 处可微性和凸性的开放问题。