[论文解读] Optimal Algorithms for Submodular Maximization with Distributed Constraints

Alexander Robey, Arman Adibi+3 more|arXiv (Cornell University)|Sep 30, 2019

Complexity and Algorithms in Graphs参考文献 30被引用 6

一句话总结

该论文提出约束-分布式连续贪心（CDCG），一种消息传递算法，可在分布式划分拟阵约束下实现子模最大化问题的紧致$(1 - 1/e)$近似。通过将离散问题提升至连续域，并结合基于一致性优化的适当取整方法，CDCG使本地代理能够协作最大化子模目标函数，同时保证全局最优性，显著优于顺序贪心方法。

ABSTRACT

We consider a class of discrete optimization problems that aim to maximize a submodular objective function subject to a distributed partition matroid constraint. More precisely, we consider a networked scenario in which multiple agents choose actions from local strategy sets with the goal of maximizing a submodular objective function defined over the set of all possible actions. Given this distributed setting, we develop Constraint-Distributed Continuous Greedy (CDCG), a message passing algorithm that converges to the tight $(1-1/e)$ approximation factor of the optimum global solution using only local computation and communication. It is known that a sequential greedy algorithm can only achieve a $1/2$ multiplicative approximation of the optimal solution for this class of problems in the distributed setting. Our framework relies on lifting the discrete problem to a continuous domain and developing a consensus algorithm that achieves the tight $(1-1/e)$ approximation guarantee of the global discrete solution once a proper rounding scheme is applied. We also offer empirical results from a multi-agent area coverage problem to show that the proposed method significantly outperforms the state-of-the-art sequential greedy method.

研究动机与目标

• 为解决在代理具有本地策略集的分布式网络环境中最大化子模目标函数的挑战。
• 克服顺序贪心算法在分布式环境中仅能实现$1/2$近似的局限性。
• 开发一种可扩展的分布式算法，保证达到全局最优的紧致$(1 - 1/e)$近似。
• 实现在多智能体覆盖、分布式数据摘要和机器人传感等应用中的实际部署。

提出的方法

• 通过多线性扩展将离散子模最大化问题提升至连续域。
• 设计一种基于一致性的连续贪心算法，使代理能够协作优化连续松弛问题。
• 使用本地消息传递在保持分布式计算的同时同步各代理之间的变量。
• 应用随机取整方案，将连续解转换回离散可行解。
• 通过确保本地动作集满足基数约束和互斥性约束，实现分布式划分拟阵约束。
• 通过连续松弛和一致性动态的理论分析，证明算法收敛至$(1 - 1/e)$近似因子。

实验结果

研究问题

• RQ1 在划分拟阵约束下，分布式算法能否实现子模最大化问题的紧致$(1 - 1/e)$近似？
• RQ2 本地代理如何通过消息传递实现协调，以在无集中控制的情况下获得全局最优性保证？
• RQ3 在此设置下，顺序贪心方法与经过合理设计的分布式算法之间的性能差距如何？
• RQ4 连续松弛与一致性框架是否可用于在分布式网络中保持近似保证？
• RQ5 与现有方法相比，所提方法在真实世界多智能体覆盖任务中的可扩展性与性能表现如何？

主要发现

• CDCG 在分布式划分拟阵约束下实现了子模最大化问题的紧致$(1 - 1/e)$近似因子，与集中式环境下的最佳已知近似一致。
• 在多智能体区域覆盖问题的实证评估中，该算法优于最先进的顺序贪心方法。
• CDCG 的分布式特性使得仅通过本地通信即可实现跨多个代理的可扩展且鲁棒的优化。
• 理论分析证实，通过连续松弛与基于一致性的优化，算法可收敛至最优近似比。
• 实证结果表明，与顺序贪心方法相比，CDCG 显著提升了在高维和约束环境下解的质量。