[论文解读] PT-ISABB: A Hybrid Tree-based Complete Algorithm to Solve Asymmetric Distributed Constraint Optimization Problems

Yanchen Deng, Ziyu Chen+3 more|arXiv (Cornell University)|Feb 16, 2019

Constraint Satisfaction and Optimization参考文献 28被引用 6

一句话总结

该论文提出PT-ISABB，一种用于非对称分布式约束优化问题（ADCOPs）的混合树状完全算法，结合了基于ADPOP的定制化推理阶段以生成紧致的下界，以及树状搜索阶段（SABB的变体）以确保最优性。该方法在消息数量和NCLOs方面优于当前最先进算法，且在复杂问题上隐私泄露更少，得益于有效的剪枝和部分约束消除。

ABSTRACT

Asymmetric Distributed Constraint Optimization Problems (ADCOPs) have emerged as an important formalism in multi-agent community due to their ability to capture personal preferences. However, the existing search-based complete algorithms for ADCOPs can only use local knowledge to compute lower bounds, which leads to inefficient pruning and prohibits them from solving large scale problems. On the other hand, inference-based complete algorithms (e.g., DPOP) for Distributed Constraint Optimization Problems (DCOPs) require only a linear number of messages, but they cannot be directly applied into ADCOPs due to a privacy concern. Therefore, in the paper, we consider the possibility of combining inference and search to effectively solve ADCOPs at an acceptable loss of privacy. Specifically, we propose a hybrid complete algorithm called PT-ISABB which uses a tailored inference algorithm to provide tight lower bounds and a tree-based complete search algorithm to exhaust the search space. We prove the correctness of our algorithm and the experimental results demonstrate its superiority over other state-of-the-art complete algorithms.

研究动机与目标

• 解决现有基于搜索的ADCOP完全算法效率低下的问题，这些算法依赖于较弱的局部下界，且剪枝效果差。
• 克服基于推理的算法（如DPOP/ADPOP）的隐私限制，这些算法需要完整披露约束，且不适用于非对称场景。
• 设计一种混合方法，利用推理获得紧致的下界，同时通过树状搜索保持隐私并确保完备性。
• 评估将推理与搜索结合是否能在ADCOPs中实现优于纯搜索或纯推理方法的性能与隐私权衡。

提出的方法

• 在推理阶段使用ADPOP的非局部消除变体，以求解部分约束并预先计算紧致的下界所用的效用表。
• 这些预计算的表格作为查找表存储在各代理中，以指导搜索阶段并实现强大的剪枝能力。
• 在伪树结构上应用SABB的树状变体，系统性地探索搜索空间并保证完备性。
• 该算法支持一种局部消除变体，即在发送效用前先消除变量，从而减少父代理的隐私泄露。
• 证明了推理阶段生成的下界在 $k = \infty$ 时至少与AsymPT-FB中的下界一样紧致。
• 通过在推理阶段（通过部分消除）和搜索阶段（通过剪枝非有希望分支）限制信息披露，实现隐私与效率的平衡。

实验结果

研究问题

• RQ1 将推理与搜索结合是否能在保持隐私的前提下提升ADCOP完全算法的效率？
• RQ2 定制化ADPOP推理阶段生成的下界与现有基于搜索的算法（如AsymPT-FB）相比如何？
• RQ3 与当前最先进的完全算法相比，该混合方法在减少通信开销和计算成本（NCLOs）方面有多大程度的改善？
• RQ4 在高紧致性和低紧致性问题实例中，PT-ISABB的隐私泄露情况与其它算法相比如何？
• RQ5 PT-ISABB的局部消除变体是否能在不牺牲性能的前提下进一步提升隐私保护？

主要发现

• 当 $k \geq 4$ 时，PT-ISABB在各类基准测试中显著减少了消息数量和NCLOs，优于AsymPT-FB及其他基于搜索的完全算法。
• 由于推理阶段生成了更紧致的下界，该算法在高紧致性问题上表现优于AsymPT-FB。
• 在复杂（高紧致性）问题上，PT-ISABB的隐私泄露少于AsymPT-FB，因为更紧致的下界带来了更有效的剪枝和更少的信息披露。
• 在低紧致性问题上，PT-ISABB的局部消除变体在隐私保护方面表现更优，因为它可防止父代理从子代理效用中的零值推断出可行的赋值对。
• 当 $k = \infty$ 时，PT-ISABB的下界在理论上至少与AsymPT-FB一样紧致，确保剪枝能力不退化。
• 尽管在低紧致性问题上由于推理成本较高导致NCLOs偏高，但凭借更优的剪枝能力和消息效率，该算法整体仍优于竞争算法。