[论文解读] Optimal Analysis of an Online Algorithm for the Bipartite Matching Problem on a Line

Sharath Raghvendra|arXiv (Cornell University)|Mar 20, 2018

Optimization and Search Problems参考文献 1被引用 8

一句话总结

本文针对线性度量空间上的在线二分图匹配问题，对鲁棒匹配（RM）算法进行了最优分析，证明其竞争比为 Θ(log n)，优于先前的 O(log²n) 上界。该分析利用分层区间分解与良好对齐匹配，精确界定了在线边相对于最优匹配的成本。

ABSTRACT

In the online metric bipartite matching problem, we are given a set $S$ of server locations in a metric space. Requests arrive one at a time, and on its arrival, we need to immediately and irrevocably match it to a server at a cost which is equal to the distance between these locations. A $α$-competitive algorithm will assign requests to servers so that the total cost is at most $α$ times the cost of $M_{OPT}$ where $M_{OPT}$ is the minimum cost matching between $S$ and $R$. We consider this problem in the adversarial model for the case where $S$ and $R$ are points on a line and $|S|=|R|=n$. We improve the analysis of the deterministic Robust Matching Algorithm (RM-Algorithm, Nayyar and Raghvendra FOCS'17) from $O(\log^2 n)$ to an optimal $Θ(\log n)$. Previously, only a randomized algorithm under a weaker oblivious adversary achieved a competitive ratio of $O(\log n)$ (Gupta and Lewi, ICALP'12). The well-known Work Function Algorithm (WFA) has a competitive ratio of $O(n)$ and $Ω(\log n)$ for this problem. Therefore, WFA cannot achieve an asymptotically better competitive ratio than the RM-Algorithm.

研究动机与目标

• 解决在对抗模型下线性度量空间中，RM-算法已知的 O(log²n) 上界与 Ω(log n) 下界之间的差距。
• 提供对鲁棒匹配（RM）算法的紧致分析，证明其在直线上的在线二分图匹配问题中可实现最优的 Θ(log n) 竞争比。
• 证明在直线度量空间中，工作函数算法（WFA）无法获得优于 RM-算法的渐近竞争比，因为 WFA 具有 Ω(log n) 的下界。
• 通过分层区间划分和边分类（近、中、远）对在线匹配的结构进行细化，以实现精确的成本核算。
• 证明 RM-算法在一般度量空间中接近最优，并在 μ(S) = 2 的直线上达到最优性能。

提出的方法

• 基于距离尺度将直线划分为分层的区间，将请求与服务器分组为最大层级-k 区间。
• 根据边长相对于区间大小的关系，将在线匹配中的边分类为三类：近、中、远。
• 为每个最大区间引入 ε-良好对齐匹配的概念，利用该区间上最优匹配的成本来界定向短边和中边的成本。
• 采用递归分解方法，利用三角不等式和区间不相交性，界定向每个区间上最优匹配的成本。
• 使用参数 ε = 1/(32t)，其中 t = 3，以在边分类与成本贡献之间取得平衡，确保界紧致。
• 将所有层级 k > 0 的界进行合并，并利用所有在线边恰好属于一个最大区间的事实，对总成本进行求和，并与 w(M_Opt) 建立关系。

实验结果

研究问题

• RQ1 RM-算法在直线度量空间中的竞争比能否优于 O(log²n)？
• RQ2 在已知 Ω(log n) 下界的前提下，RM-算法是否为直线上的在线二分图匹配问题的最优解？
• RQ3 工作函数算法（WFA）在直线度量空间中能否获得优于 O(log n) 的竞争比？
• RQ4 直线度量空间的哪些结构特性使得在线匹配算法的分析更加紧密？
• RQ5 如何利用分层区间分解与边分类来界定向在线匹配成本相对于最优匹配的成本？

主要发现

• RM-算法在对抗模型下对直线上的在线二分图匹配实现了 Θ(log n) 的竞争比，与已知下界一致。
• 该分析将先前的 O(log²n) 上界改进为最优的 Θ(log n)，填补了上下界之间的差距。
• 工作函数算法（WFA）在直线上无法获得优于 O(log n) 的竞争比，因为其具有 Ω(log n) 的下界。
• 通过在分层区间上的递归分解，在线匹配的总成本被界为 O(log n) 倍于最优匹配成本。
• 所有层级上近边与中边成本之和被界为 O(log n) 倍最优成本，外加一小部分长边成本。
• 最终的竞争比通过结合边分类、区间不相交性，以及短边对总成本的贡献不超过 w(M)/6 的事实推导得出。