[论文解读] Nearly Linear-Work Algorithms for Mixed Packing/Covering and Facility-Location Linear Programs

Neal E. Young|arXiv (Cornell University)|Jul 11, 2014

Optimization and Search Problems参考文献 24被引用 3

一句话总结

本文提出了针对混合打包/覆盖线性规划和分数设施位置问题的首个近乎线性时间与近乎线性工作量的并行算法，以 $\widetilde{O}(N/\epsilon^2)$ 的时间和工作量实现了 $(1+\epsilon)$-近似解，其中 $N$ 为约束矩阵中的非零元数量。该方法采用了一种新颖的拉格朗日松弛框架，结合自适应、非均匀的增量，由平滑惩罚函数引导。

ABSTRACT

We describe the first nearly linear-time approximation algorithms for explicitly given mixed packing/covering linear programs, and for (non-metric) fractional facility location. We also describe the first parallel algorithms requiring only near-linear total work and finishing in polylog time. The algorithms compute $(1+ε)$-approximate solutions in time (and work) $O^*(N/ε^2)$, where $N$ is the number of non-zeros in the constraint matrix. For facility location, $N$ is the number of eligible client/facility pairs.

研究动机与目标

• 为显式给出的混合打包/覆盖线性规划问题设计首个近乎线性时间的近似算法。
• 为这些问题设计首个并行算法，实现接近线性总工作量与对数时间复杂度。
• 将近乎线性工作量与时间效率扩展至非度量分数设施位置问题。
• 通过实现对 $\epsilon$ 和输入规模 $N$ 的近乎最优依赖关系，克服近似算法中求解线性规划的瓶颈。
• 在大规模数据与多处理器环境中，实现可扩展且高度可并行化的解决方案。

提出的方法

• 该算法使用拉格朗日松弛框架，通过保持一个平滑惩罚函数 $\phi(x)$，将打包与覆盖约束相结合。
• 通过沿 $\phi(x)$ 梯度方向更新变量，逐步改进解，并在信赖域内确保收敛。
• 惩罚函数设计为 $\phi(x) \approx \log\left(\sum_i (1+\epsilon)^{P_i x} \cdot \sum_i (1-\epsilon)^{C_i x}\right)$，适用于混合打包/覆盖问题。
• 对于设施位置问题，该算法将问题重述为覆盖型线性规划，并应用拉格朗日松弛的专用变体，结合自适应缩放。
• 该方法采用非均匀、自适应的增量，依赖于当前解与约束违反情况，从而提升收敛速度。
• 通过将更新操作分发到多个处理器上实现并行化，工作量与时间界限通过迭代次数与数据依赖关系的细致分析得出。

实验结果

研究问题

• RQ1 能否为混合打包/覆盖线性规划问题设计近乎线性时间的算法，实现 $(1+\epsilon)$-近似？
• RQ2 能否使此类算法高度并行化，实现接近线性总工作量与对数时间复杂度？
• RQ3 该方法能否扩展至非度量分数设施位置问题？
• RQ4 能否在实现近乎线性工作量与时间复杂度的同时，将对 $\epsilon$ 的依赖保持在 $1/\epsilon^2$？
• RQ5 能否避免标准重表述中导致问题规模超线性增长的缺陷？

主要发现

• 该论文在 $O(N \log m / \epsilon^2)$ 时间内实现了混合打包/覆盖线性规划的 $(1+\epsilon)$-近似解，其中 $N$ 为约束矩阵中的非零元数量。
• 混合打包/覆盖问题的并行算法总工作量为 $O(N \log m \cdot \log(n \log m / \epsilon) / \epsilon^2)$，运行时间为 $O(\log N \cdot \log^2 m \cdot \log(n \log m / \epsilon) / \epsilon^4)$。
• 对于分数设施位置问题，串行算法运行时间为 $O(N \log m / \epsilon^2)$，并行版本在对数时间内完成 $O(N \log N \cdot \log m / \epsilon^2)$ 的工作量。
• 该算法通过避免依赖标准集合覆盖重表述，避免了问题规模的超线性膨胀，后者通常会导致规模非线性增长。
• 由于拉格朗日松弛框架的特性，该方法确保了数值稳定性与稀疏性保持，与迭代求解器类似。
• 该算法实现了近乎最优的 $1/\epsilon^2$ 对 $\epsilon$ 的依赖关系，优于以往工作中的超线性依赖。