[论文解读] Stochastic Combinatorial Optimization under Probabilistic Constraints

Shipra Agrawal, Amin Saberi+1 more|ArXiv.org|Sep 2, 2008

Facility Location and Emergency Management参考文献 15被引用 4

一句话总结

本文提出了一类用于在概率约束下进行随机组合优化的近似算法，重点关注元素集合具有不确定性的k中心问题与集合覆盖问题。通过引入对数惩罚项对概率约束进行重构，将问题转化为部分集合覆盖框架，实现了非自适应问题的$(\frac{4}{3}+\epsilon)\log n$-近似，并为自适应设置建立了不可近似性结果。

ABSTRACT

In this paper, we present approximation algorithms for combinatorial optimization problems under probabilistic constraints. Specifically, we focus on stochastic variants of two important combinatorial optimization problems: the k-center problem and the set cover problem, with uncertainty characterized by a probability distribution over set of points or elements to be covered. We consider these problems under adaptive and non-adaptive settings, and present efficient approximation algorithms for the case when underlying distribution is a product distribution. In contrast to the expected cost model prevalent in stochastic optimization literature, our problem definitions support restrictions on the probability distributions of the total costs, via incorporating constraints that bound the probability with which the incurred costs may exceed a given threshold.

研究动机与目标

• 通过引入限制不可行性或高成本概率的概率约束，弥补期望成本模型在随机优化中的局限性。
• 制定k中心与集合覆盖问题的随机变体，其中需覆盖的元素或点以已知的边际概率随机实现。
• 在产品分布下，为非自适应与自适应设置开发高效的近似算法，重点关注风险价值（VaR）与机会约束。
• 为近似质量提供理论保证，特别是针对非自适应情形，并为自适应情形建立不可近似性结果。
• 通过失败概率的对数变换，将概率约束重构为结构化的部分集合覆盖形式，以支持算法处理。

提出的方法

• 将概率约束$P(\max_{v\in\tilde{V}}d(v,C)\leq r)\geq 1-\rho$转化为涉及$l_j = \log\frac{1}{1-p_j}$之和的约束，从而实现向部分集合覆盖问题的重构。
• 引入辅助二值变量$z_j$以建模未覆盖元素，并以权重$l_j$对它们施加惩罚，从而形成总惩罚上限为$l = \log\frac{1}{1-\rho}$的整数规划。
• 利用现有针对部分集合覆盖问题的$(\frac{4}{3}+\epsilon)\log n$-近似算法，求解非自适应的随机集合覆盖与k中心问题。
• 建立从自适应随机集合覆盖问题到图中最大独立集计数问题的归约。
• 利用Luby（1993）的不可近似性结果，表明除非RP = NP，否则在自适应情形下近似失败概率是困难的。
• 推导出边界结果，表明对边覆盖成本$>m$的失败概率$f(m)$进行近似，可获得对最大独立集数量$I(G)$的常数因子近似。

实验结果

研究问题

• RQ1 我们能否为在概率约束下、限制超过成本阈值概率的随机k中心与集合覆盖问题设计高效的近似算法？
• RQ2 与自适应设置相比，非自适应设置（即决策在观察随机子集前做出）在近似复杂度方面有何差异？
• RQ3 在随机优化中，概率约束在多大程度上可被重构为适合近似求解的结构化整数规划？
• RQ4 在自适应随机集合覆盖问题中，近似风险价值（VaR）的内在计算限制是什么？
• RQ5 在自适应随机集合覆盖中近似失败概率，与计数复杂性中的难题（如计数最大独立集）之间是否存在联系？

主要发现

• 非自适应随机k中心与集合覆盖问题可被重构为带有对数惩罚的局部集合覆盖问题，从而实现$(\frac{4}{3}+\epsilon)\log n$-近似算法。
• 概率约束$P(\max_{v\in\tilde{V}}d(v,C)\leq r)\geq 1-\rho$等价于约束$\sum I_j(x) \log \frac{1}{1-p_j} \leq \log \frac{1}{1-\rho}$，从而支持高效优化。
• 对于自适应随机集合覆盖问题，近似风险价值$B$的难度至少与近似图中最大独立集数量相当。
• 从独立集计数问题到自适应失败概率计算的归约表明，若$f(m)$存在多项式时间近似，则可获得$I(G)$的常数因子近似，这意味着除非RP = NP，否则该问题不可近似。
• 失败概率$f(m)$满足$\frac{1}{3} \cdot \frac{f(m)}{p^m(1-p)^{n-m}} \leq I(G) \leq \frac{f(m)}{p^m(1-p)^{n-m}}$，将两个问题紧密关联。
• 当$p \leq 1/2^n$时，失败概率$f(m)$与$I(G) \cdot p^m(1-p)^{n-m}$处于常数因子范围内，表明$f(m)$的良好近似可导出对$I(G)$的良好近似。