[论文解读] Optimal Interdiction of Unreactive Markovian Evaders

Alexander Gutfraind, Aric Hagberg+1 more|ArXiv.org|Mar 1, 2009

Infrastructure Resilience and Vulnerability Analysis参考文献 5被引用 9

一句话总结

本文提出了一种新型网络拦截模型，其中逃逸者通过马尔可夫过程移动且不对拦截行为作出反应，从而将目标从增加路径成本转变为最大化捕获概率。该文证明该问题为 NP-难问题，但具有子模性，因此可采用具有 1−1/e 近似保证的贪心算法，并提出一种优先级评估策略，使计算速度最高提升 1,067 倍，从而实现在大规模网络上的可扩展求解。

ABSTRACT

The interdiction problem arises in a variety of areas including military logistics, infectious disease control, and counter-terrorism. In the typical formulation of network interdiction, the task of the interdictor is to find a set of edges in a weighted network such that the removal of those edges would maximally increase the cost to an evader of traveling on a path through the network. Our work is motivated by cases in which the evader has incomplete information about the network or lacks planning time or computational power, e.g. when authorities set up roadblocks to catch bank robbers, the criminals do not know all the roadblock locations or the best path to use for their escape. We introduce a model of network interdiction in which the motion of one or more evaders is described by Markov processes and the evaders are assumed not to react to interdiction decisions. The interdiction objective is to find an edge set of size B, that maximizes the probability of capturing the evaders. We prove that similar to the standard least-cost formulation for deterministic motion this interdiction problem is also NP-hard. But unlike that problem our interdiction problem is submodular and the optimal solution can be approximated within 1-1/e using a greedy algorithm. Additionally, we exploit submodularity through a priority evaluation strategy that eliminates the linear complexity scaling in the number of network edges and speeds up the solution by orders of magnitude. Taken together the results bring closer the goal of finding realistic solutions to the interdiction problem on global-scale networks.

研究动机与目标

• 解决现实中逃逸者缺乏完整知识或计算能力以优化其路径的拦截场景。
• 将逃逸者运动建模为马尔可夫过程，假设其不对拦截行为作出战略响应，从而更好地反映有限理性或被动过程。
• 开发一种高效算法，用于选择 B 条边进行拦截，以最大化捕获逃逸者（们）的概率。
• 通过利用子模性并设计基于优先级的评估策略，克服大规模拦截问题的计算不可行性。
• 在全局规模网络上展示相对于标准贪心方法的显著加速，同时保持解的质量。

提出的方法

• 使用转移矩阵 M 将逃逸者运动建模为马尔可夫过程，其中移动概率由边成本或风险导出。
• 将拦截目标定义为在逃逸者到达目标节点前最大化其被捕获的概率，而非最小化路径成本。
• 证明目标函数具有子模性，从而可采用具有 1−1/e 近似保证的贪心算法求解最优拦截边集。
• 提出一种优先级评估策略，缓存并重用过时的增益计算，将每轮迭代的边评估次数从 O(B|E|) 降低至接近常数。
• 在合成网络和网格状网络上，将优先级算法与标准贪心算法及混合整数规划（MIP）求解器进行实现与基准测试。
• 通过在包含最多 1,530 条边和 4 名逃逸者的网络上进行仿真，验证性能与可扩展性。

实验结果

研究问题

• RQ1 当逃逸者无反应且遵循马尔可夫动力学时，能否建立网络拦截的子模形式？
• RQ2 在此无反应的马尔可夫模型下，拦截问题是否仍为 NP-难问题？
• RQ3 能否将具有 1−1/e 近似保证的贪心算法应用于此新形式化模型？
• RQ4 能否通过优先级评估策略将贪心算法的计算复杂度从每轮 O(B|E|) 降低至接近常数？
• RQ5 在大规模网络上，优先级算法在速度、内存使用和解质量方面与精确 MIP 求解器相比表现如何？

主要发现

• 无反应马尔可夫逃逸者的最优拦截问题是 NP-难的，但目标函数具有子模性，因此可通过贪心选择实现 1−1/e 近似。
• 优先级评估策略将目标函数评估的平均次数从 31,885 次降低至 29.9 次（10 条边预算），实现 1,067 倍加速。
• 优先级算法的计算成本几乎与边数无关，在边数从 380 增加到 1,530 的过程中未观察到增长趋势。
• 在 100 个节点的网络上，含 4 名逃逸者和 10 条边预算时，优先级算法在 1–20 秒内完成求解，而 CPLEX 最多耗时 9.75 小时，且多数情况下解的最优性无差异。
• 在 CPLEX 最困难的案例（耗时 9.75 小时）中，优先级算法在 10 秒内找到接近最优解（75% 的最优值），内存使用低于 300 MiB，而 CPLEX 超过 1 GiB。
• 优先级算法的内存使用量受 O(|E|) 限制，而 CPLEX 的搜索树内存使用超过 1 GiB，凸显其显著的效率优势。