[论文解读] Optimal Approximation Algorithms for Multi-agent Combinatorial Problems with Discounted Price Functions

Gagan Goel, Pushkar Tripathi+1 more|ArXiv.org|Nov 6, 2009

Complexity and Algorithms in Graphs参考文献 17被引用 5

一句话总结

本文引入了折扣价格函数——一种简洁的下位模函数子类，用于建模多智能体组合优化中的递减边际成本。它提出了新颖的自适应贪心算法，对边覆盖、生成树、完美匹配和最短路径问题实现了紧致的 O(log n)-近似解，该结果在标准复杂度假设下达到了已知的不可逼近阈值。

ABSTRACT

Submodular functions are an important class of functions in combinatorial optimization which satisfy the natural properties of decreasing marginal costs. The study of these functions has led to strong structural properties with applications in many areas. Recently, there has been significant interest in extending the theory of algorithms for optimizing combinatorial problems (such as network design problem of spanning tree) over submodular functions. Unfortunately, the lower bounds under the general class of submodular functions are known to be very high for many of the classical problems. In this paper, we introduce and study an important subclass of submodular functions, which we call discounted price functions. These functions are succinctly representable and generalize linear cost functions. In this paper we study the following fundamental combinatorial optimization problems: Edge Cover, Spanning Tree, Perfect Matching and Shortest Path, and obtain tight upper and lower bounds for these problems. The main technical contribution of this paper is designing novel adaptive greedy algorithms for the above problems. These algorithms greedily build the solution whist rectifying mistakes made in the previous steps.

研究动机与目标

• 通过引入一种更具结构性、可简洁表示的函数类，解决一般下位模函数在多智能体组合优化中面临的实际与理论局限性。
• 研究在具有折扣价格函数的多智能体设置下，基本组合问题——边覆盖、生成树、完美匹配和最短路径。
• 设计高效的近似算法，通过自适应修正早期决策，以最小化具有非线性、凹型成本函数的各智能体总成本。
• 在复杂度假设 NP ≠ DTIME(n^{O(log log n)}) 下，通过证明匹配的上下界，建立紧致的近似界。

提出的方法

• 将折扣价格函数定义为满足 d(0) = 0 的凹型、递增、非负函数，推广线性成本，捕捉规模经济效应。
• 将多智能体问题建模为将组合结构（如生成树、路径）在智能体之间进行划分，其中每个智能体的总成本为其个体元素成本的折扣和。
• 设计自适应贪心算法，通过迭代构建解，并根据各智能体间边际成本降低情况动态修正先前选择。
• 通过从完美匹配问题到最短路径问题的归约，证明任何 β-近似算法用于匹配问题，均可通过基于组件的图变换，转化为最短路径问题的 β-近似算法。
• 通过从集合覆盖问题的归约证明近似难度，表明除非 NP = DTIME(n^{O(log log n)})，否则任何算法都无法实现优于 (1−o(1))log n 的近似比。
• 利用凹函数可被分段线性函数良好逼近的性质，实现高效的预言机访问，从而在函数表示不完整的情况下仍保证算法可行性。

实验结果

研究问题

• RQ1 当智能体具有反映现实规模经济效应的非线性、凹型成本函数时，能否设计出高效的近似算法来求解多智能体组合问题？
• RQ2 在折扣价格函数下，对于边覆盖、生成树、完美匹配和最短路径等基本问题，可实现的最佳近似比是多少？
• RQ3 这些问题的近似界与下位模函数表示所施加的信息论极限相比如何？
• RQ4 在折扣价格函数设置下，问题间的归约（如从匹配到最短路径）是否能保持近似因子？
• RQ5 在标准复杂度假设下，近似这些问题的内在难度如何？能否建立紧致界？

主要发现

• 本文通过新颖的自适应贪心算法，为折扣边覆盖、生成树、完美匹配和最短路径问题建立了紧致的 O(log n)-近似解。
• 在复杂度假设 NP ≠ DTIME(n^{O(log log n)}) 下，O(log n) 的近似比是最优的，这通过从集合覆盖问题的归约得到证明，其不可逼近性为 (1−o(1))log n。
• 从完美匹配到最短路径的归约保持了近似因子，使得匹配算法可被用于在折扣设置下求解最短路径问题。
• 折扣价格函数因其凹性和简洁表示，为多智能体优化中的通用下位模函数提供了实用且理论可靠的替代方案。
• 自适应贪心方法通过基于各智能体间边际成本改进动态修正早期决策，优于标准贪心方法。
• 结果表明，尽管通用下位模函数会导致较弱的界，但折扣价格子类可实现强而紧致的近似保证，具有实际相关性。