[论文解读] Reducing a Target Interval to a Few Exact Queries

Jesper Nederlof, Erik Jan van Leeuwen+1 more|arXiv (Cornell University)|Aug 21, 2012

Numerical Methods and Algorithms被引用 14

一句话总结

本文提出了一种通用方法，将需在目标区间内满足权重和的范围问题（ranged problems）转化为少量精确问题（exact problems），即要求权重和精确匹配某一特定值。通过利用随机化权重缩放和哈希技术，该方法能够高效地将诸如0-1背包问题（Knapsack）、子集和问题（Subset Sum）和顶点覆盖问题（Vertex Cover）等NP难问题转化为等价的精确查询，且计算复杂度仅增加多项式因子。

ABSTRACT

Many combinatorial problems involving weights can be formulated as a so-called ranged problem. That is, their input consists of a universe $U$, a (succinctly-represented) set family $\mathcal{F} \subseteq 2^{U}$, a weight function $ω:U ightarrow \{1,...,N\}$, and integers $0 \leq l \leq u \leq \infty$. Then the problem is to decide whether there is an $X \in \mathcal{F}$ such that $l \leq \sum_{e \in X}ω(e) \leq u$. Well-known examples of such problems include Knapsack, Subset Sum, Maximum Matching, and Traveling Salesman. In this paper, we develop a generic method to transform a ranged problem into an exact problem (i.e. a ranged problem for which $l=u$). We show that our method has several intriguing applications in exact exponential algorithms and parameterized complexity, namely: - In exact exponential algorithms, we present new insight into whether Subset Sum and Knapsack have efficient algorithms in both time and space. In particular, we show that the time and space complexity of Subset Sum and Knapsack are equivalent up to a small polynomial factor in the input size. We also give an algorithm that solves sparse instances of Knapsack efficiently in terms of space and time. - In parameterized complexity, we present the first kernelization results on weighted variants of several well-known problems. In particular, we show that weighted variants of Vertex Cover, Dominating Set, Traveling Salesman and Knapsack all admit polynomial randomized Turing kernels when parameterized by $|U|$. Curiously, our method relies on a technique more commonly found in approximation algorithms.

研究动机与目标

• 为解决NP完全问题中指数级大权重带来的计算挑战，特别是在动态规划与参数化算法中的应用。
• 探究范围问题（如0-1背包问题）的复杂度是否与对应精确问题（如子集和问题）在时间与空间效率上等价，特别是考虑多项式因子的影响。
• 开发一种通用的转换方法，将任意范围问题转化为少量精确问题，且不显著增加输入规模。
• 使强大的精确算法技术（如哈希与插值）能够应用于此前难以处理的范围问题。
• 首次为以全集大小|U|为参数的若干基础NP难问题的加权变种（如顶点覆盖、支配集与0-1背包问题）建立多项式随机图灵核（polynomial randomized Turing kernels）。

提出的方法

• 提出一种随机化权重缩放技术，将目标区间[l, u]映射为一组精确和查询，使用O(n log(nN))对缩放后的权重与目标值。
• 采用近似算法中多项式方法的变体，确保原区间内的解在至少一个精确查询中也存在，且概率很高。
• 利用引理2的随机化归约，将每个缩放后的权重函数与目标值转换为新的权重函数与多个目标值，使得原问题中的解可对应到至少一个新精确问题的解中。
• 使用Karp归约将转换后的精确问题映射回原问题类别，确保原问题的Yes实例至少在其中一个转换查询中仍为Yes实例。
• 基于假设log N ≤ 2^{|U|}，确保权重表示保持多项式规模，并利用该假设来限制转换后实例的大小。
• 将该转换方法与现有精确算法技术（如哈希与插值）结合，推导出在精确指数级与参数化设置下，对0-1背包问题与旅行商问题等的改进算法。

实验结果

研究问题

• RQ1 范围问题（如0-1背包问题）的计算复杂度是否与对应精确问题（如子集和问题）在时间与空间上至多相差一个多项式因子？
• RQ2 能否通过通用转换，将精确问题的高效多项式空间算法扩展至范围问题？
• RQ3 当以|U|为参数时，加权NP难问题（如加权顶点覆盖、支配集、0-1背包问题）是否能拥有多项式随机图灵核？
• RQ4 是否可能在伪多项式时间内减小问题实例中的权重大小，同时保持解的等价性？
• RQ5 该转换能否保持计数性，使得原问题中的每个解最多映射到转换后精确查询中的一个解？

主要发现

• 子集和问题与0-1背包问题的时间与空间复杂度在输入规模上至多相差一个多项式因子，表明两者之间可相互转化改进。
• 通过将所提转换方法与动态规划技术结合，可在稀疏实例上实现0-1背包问题的多项式空间算法。
• 当以|U|为参数时，顶点覆盖、支配集与0-1背包问题的加权变种均具有多项式随机图灵核，这是此类问题的首次此类结果。
• 该转换将任意范围问题减少为O(n² log(nN))个精确查询，每个查询的权重均多项式有界，确保总大小在输入规模上仍为多项式。
• 该方法使精确算法技术（如哈希与插值）可应用于范围问题，从而改进了如旅行商问题等的算法，时间复杂度达到O*(2^n W)，其中W为不同哈密顿回路权重的数量。
• 该归约以高概率保持正确性：原问题的Yes实例至少会映射到一个转换后查询的Yes实例，而No实例映射到Yes实例的概率至多为O(ε')，可被任意缩小。