ทำไมอัตราส่วนการประมาณค่าที่แตกต่างกันจึงไม่ได้รับการศึกษาที่ดีเมื่อเปรียบเทียบกับค่ามาตรฐานแม้ว่าจะได้รับสิทธิประโยชน์


16

supAOPTMINAAOPTinfΩAΩOPTΩ

  • มันให้อัตราส่วนการประมาณเดียวกันสำหรับปัญหาเช่นฝาครอบจุดยอดขั้นต่ำและชุดอิสระสูงสุดซึ่งเป็นที่ทราบกันว่าเป็นเพียงการรับรู้ที่แตกต่างกันของปัญหาเดียวกัน
  • มันให้อัตราส่วนเท่ากันสำหรับรุ่นสูงสุดและต่ำสุดของปัญหาเดียวกัน ในขณะเดียวกันเรารู้ในทฤษฎีมาตรฐาน MIN TSP และ MAX TSP มีอัตราส่วนที่แตกต่างกันมาก
  • มันมาตรการระยะไม่เพียง แต่จะเหมาะสม แต่ยัง pessimum \ดังนั้นในกรณีของ Vertex Cover ทฤษฎีการประมาณมาตรฐานบอกว่าเป็นขอบเขตบนที่ดีที่สุด แต่สิ่งจำเป็นคืออัตราส่วนสูงสุดระหว่างค่า pessimum และค่าที่เหมาะสม ดังนั้นอัลกอริทึมดังกล่าวรับประกันว่าจะส่งออกโซลูชั่นที่มีค่าที่เลวร้ายที่สุดΩ22

ข้อโต้แย้งของฉันคือ: ในการวิเคราะห์เชิงเส้นประสาทเราไม่คำนึงถึงค่าคงที่และเงื่อนไขต่ำ (ที่นี่ฉันจำคำพูดของ Avi Widgerson: "เราประสบความสำเร็จเพราะเราใช้ระดับที่เหมาะสมของนามธรรม") และนี่คือ ระดับของสิ่งที่เป็นนามธรรมสำหรับการเปรียบเทียบการใช้ทรัพยากรของอัลกอริทึม แต่เมื่อเราศึกษาการประมาณเราด้วยเหตุผลบางอย่างแนะนำความแตกต่างในสถานที่เหล่านั้นที่เราสามารถหลีกเลี่ยงได้

คำถามของฉันคือ

ทำไมทฤษฎีการประมาณค่าแตกต่างจึงศึกษาไม่ดี หรือข้อโต้แย้งที่เกี่ยวข้องไม่แข็งแรงพอ?


2
ฉันไม่เคยเห็นความคิดนี้มาก่อนและคิดว่ามันน่าสนใจอย่างน้อย อยากรู้อยากเห็นมากสำหรับคำตอบ! (ถึงแม้ว่าเหตุผลที่แท้จริงอาจเป็นเรื่องเล็กน้อยเหมือน "โดะไม่เคยคิดเกี่ยวกับเรื่องนี้" หรือ "หลักฐานที่พิสูจน์ได้ยากขึ้น" หรือ "ไม่สามารถเปรียบเทียบกับผลลัพธ์อื่น ๆ เมื่อฉันเริ่มต้น")
กราฟิลส์

คำตอบ:


3

มีการตีความสองครั้งของการอ้างสิทธิ์"อัลกอริทึมค้นหา -approximation ของปัญหา "α PAαP :

  1. ปัญหานั้นง่ายในการแก้ค่อนข้างดีเนื่องจากเรามีอัลกอริทึมที่พบการประมาณที่ดีP
  2. อัลกอริทึมเป็นสิ่งที่ดีเนื่องจากพบว่ามีการประมาณที่ดีA

ฉันคิดว่านิยามดั้งเดิมของปัจจัยการประมาณเน้นการตีความครั้งแรก เราจำแนกปัญหาตามความง่ายในการแก้ปัญหาที่ค่อนข้างดี

อัตราส่วนการประมาณค่าดิฟเฟอเรนเชียลดูเหมือนจะเพิ่มน้ำหนักอีกเล็กน้อยในการตีความครั้งที่สอง: เราไม่ต้องการที่จะ "ให้รางวัล" อัลกอริธึมเล็กน้อย (เช่นอัลกอริธึมที่เพิ่งส่งออกชุดว่างเปล่า

แน่นอนว่าทั้งคู่เป็นมุมมองที่ถูกต้อง แต่เป็นมุมมองที่ต่างกัน


นอกจากนี้เรายังสามารถศึกษาคำถามจากมุมมองที่เป็นประโยชน์ได้อีกเล็กน้อย น่าเสียดายที่จุดสุดยอดครอบคลุมเช่นนี้ไม่ได้มีการใช้งานโดยตรงหลายอย่าง แต่เพื่อประโยชน์ในการโต้แย้งขอให้เราพิจารณาแอปพลิเคชั่นทั้งสองนี้

  • จุดสุดยอดปก: โหนดคอมพิวเตอร์และขอบเป็นการเชื่อมโยงการสื่อสาร เราต้องการตรวจสอบการเชื่อมโยงการสื่อสารทั้งหมดและด้วยเหตุนี้อย่างน้อยหนึ่งจุดปลายของแต่ละขอบจึงต้องใช้กระบวนการพิเศษ

  • ชุดอิสระ: โหนดคือพนักงานและขอบโมเดลขัดแย้งกันระหว่างกิจกรรมของพวกเขา; เราต้องการค้นหาชุดกิจกรรมที่ปราศจากความขัดแย้งที่สามารถทำได้พร้อมกัน

ขณะนี้ปัญหาทั้งสองมีวิธีแก้ปัญหาเล็กน้อย: ชุดของโหนดทั้งหมดเป็นหน้าปกและชุดที่ว่างเปล่าเป็นชุดอิสระ

แตกต่างที่สำคัญคือว่าที่มีปัญหาจุดสุดยอดปกทางออกที่น่ารำคาญได้รับงานทำ แน่นอนว่าเรากำลังใช้ทรัพยากรมากกว่าที่จำเป็น แต่อย่างน้อยเราก็มีทางออกที่เราสามารถใช้ในทางปฏิบัติ แต่ด้วยปัญหาชุดที่เป็นอิสระ, การแก้ปัญหาเล็กน้อยก็คือไร้ประโยชน์อย่างสมบูรณ์ เราไม่มีความก้าวหน้าเลย ไม่มีใครทำอะไรเลย งานไม่เสร็จสมบูรณ์

ในทำนองเดียวกันเราสามารถเปรียบเทียบโซลูชั่นเกือบเล็กน้อย: จุดสุดยอดปกที่ประกอบด้วยจุดสิ้นสุดของการจับคู่สูงสุดและชุดอิสระที่เป็นส่วนประกอบของCอีกครั้งI C CCICCแน่นอนจะทำงานให้สำเร็จในแอปพลิเคชันของเราและในครั้งนี้เราไม่ต้องสูญเสียทรัพยากรมากกว่าสองปัจจัย อย่างไรก็ตามอาจจะว่างเปล่าอีกครั้งซึ่งไร้ประโยชน์อย่างสมบูรณ์I

ดังนั้นคำจำกัดความมาตรฐานของการรับประกันการประมาณโดยตรงบอกเราว่าวิธีแก้ปัญหานั้นมีประโยชน์หรือไม่ การประมาณจุดยอดปก 2 จุดทำให้งานเสร็จสมบูรณ์ ชุดอิสระที่ไม่มีการรับประกันใด ๆ อาจไร้ประโยชน์อย่างสมบูรณ์

เรียกอีกอย่างหนึ่งว่าอัตราส่วนประมาณต่างพยายามที่จะวัด "วิธีแก้ปัญหา" - ไม่ใช่เรื่องไร้สาระ แต่มันมีความสำคัญในการใช้งานอย่างใดอย่างหนึ่งหรือไม่? (มีความสำคัญในแอปพลิเคชันใด ๆ หรือไม่)


ฉันไม่เข้าใจในส่วนที่สอง การเลือกจุดยอดที่มากเกินไปใด ๆนั้นเป็นจุดสุดยอดที่เป็นไปได้เราไม่จำเป็นต้องรู้ว่าอัลกอริทึมนั้นเป็นการประมาณ 2 แบบสำหรับสิ่งนั้น ในทางกลับกันแม้การประมาณ 2 ครั้งสำหรับชุดอิสระอาจให้ผลลัพธ์ที่เป็นไปไม่ได้ ดังนั้นจึงปรากฏว่าอันตรายของความเป็นไปไม่ได้เชื่อมโยงกับปัญหาไม่ใช่ขอบเขตที่รู้จักกันโดยประมาณ
Raphael

@Raphael: การประมาณ 2 ชุดสูงสุดอิสระคือตามคำจำกัดความชุดอิสระ (และค่อนข้างใหญ่; ไม่ใช่ชุดที่ว่างเปล่า)
Jukka Suomela

ไม่เป็นไรอ่านเร็วเกินไป แต่ถึงกระนั้นฉันคิดว่าประเด็นของคุณควรจะเป็นคำพูดเช่น: อัลกอริทึมที่ไม่มีการรับประกันโดยประมาณจะทำให้งานสำเร็จในกรณีของ VC แต่ไม่ใช่ใน IS (คุณกำลังเปรียบเทียบแอปเปิ้ลและลูกแพร์ที่นั่นคุณไม่ได้?) แต่แล้วการศึกษาครั้งนี้เกี่ยวข้องกับทางเลือกของการรับประกันอย่างไร ไม่ว่าจะทำเพื่อเลือกวิธีแก้ปัญหาที่เป็นไปได้
Raphael

@Raphael: ไม่ฉันบอกว่าจิ๊บจ๊อย VC มีการรับประกันประมาณ จำกัด (บางอย่างเช่น ) และจะได้รับผลงานที่ทำได้ในขณะที่ไม่ได้เป็นเรื่องที่ไม่ได้มีการรับประกันประมาณแน่นอนและมันไม่ได้รับ งานที่ทำ ดังนั้นการประมาณการรับประกันจึงบอกอย่างน้อยสิ่งที่มีประโยชน์คือวิธีแก้ปัญหา O(Δ)
Jukka Suomela

1
+1 เพราะตัวอย่างเป็นเรื่องสนุก ฉันไม่คิดว่ามีความแตกต่างที่ชัดเจนระหว่าง“ ปัญหาง่าย” และ“ มีอัลกอริทึมที่ดี” แต่ฉันเข้าใจในระดับที่คลุมเครือ
Tsuyoshi Ito

3

ฉันไม่คุ้นเคยกับแนวคิดเรื่องการประมาณค่าแบบต่าง ๆ และฉันไม่มีทฤษฎีใด ๆ ว่าทำไมจึงไม่ได้รับการศึกษาอย่างดี อย่างไรก็ตามฉันอยากจะชี้ให้เห็นว่ามันไม่เป็นที่พึงปรารถนาที่จะอธิบายประสิทธิภาพของอัลกอริทึมการประมาณโดยการวัดเพียงครั้งเดียว ในแง่นี้ฉันคิดว่าเป็นการยากที่จะยอมรับว่ามาตรการบางอย่างดีกว่ามาตรการอื่น

ตัวอย่างเช่นตามที่คุณระบุฝาปิดจุดสุดยอดขั้นต่ำยอมรับอัลกอริทึมแบบโพลิโนเมียลเวลา 2 ประมาณขณะที่มันเป็น NP- ยากที่จะประมาณอิสระสูงสุดตั้งค่าอัตราส่วนคงที่ใด ๆ แม้ว่าฉันจะเข้าใจว่าสิ่งนี้น่าประหลาดใจตั้งแต่แรกเห็น แต่ก็มีความหมายที่ถูกต้องตามกฎหมาย: (1) จุดยอดขั้นต่ำสามารถประมาณได้ดีเมื่อมันมีขนาดเล็ก แต่ (2) มันไม่สามารถประมาณได้ดีเมื่อมันมีขนาดใหญ่ เมื่อเราระบุว่ามันยากที่จะประมาณยอดสุดยอดขั้นต่ำ (และชุดอิสระสูงสุด) โดยประมาณด้วยค่าคงที่ประมาณค่าต่าง ๆ คงที่เราจะเพิกเฉยต่อคุณสมบัติ (1) มันอาจจะดีพอสำหรับบางวัตถุประสงค์ที่จะไม่สนใจคุณสมบัติ (1) แต่แน่นอนว่ามันไม่ได้เป็นเช่นนั้นเสมอไป

โปรดทราบว่าเราไม่ได้ใช้อัตราส่วนโดยประมาณเสมอในการอธิบายประสิทธิภาพของอัลกอริทึมการประมาณ ตัวอย่างเช่นในการระบุผลลัพธ์ที่ไม่สามารถวัดได้ตามทฤษฎีบท PCP ในลักษณะทั่วไปเราจำเป็นต้องกำหนดสูตรตามปัญหาช่องว่าง ดูคำตอบของฉันสำหรับคำถามอื่นสำหรับรายละเอียด ในกรณีนี้การไม่ใช้อัตราส่วนการประมาณมาตรฐานหรือการใช้อัตราส่วนการประมาณแบบดิฟเฟอเรนเชียลทำให้เราสามารถระบุผลลัพธ์ในลักษณะทั่วไปได้ทั้งหมด


02OPTn/2

@Oleksandr:“ ในกรณีของ Vertex Cover แม้ว่าการประมาณจะเกิดขึ้นพร้อมกับทางออกที่เลวร้ายที่สุดเมื่อOPT⩾n / 2 เรามีอัตราส่วน 2” ไม่ว่าคุณจะมองว่ามันเป็นข้อเสียหรือไม่ก็เป็นมุมมอง เราอาจโต้แย้งว่าหากทุกวิธีการแก้ปัญหามีค่าวัตถุประสงค์ภายในปัจจัยที่ 2 แล้วมันก็ไม่สำคัญว่าจะให้วิธีแก้ปัญหาแบบใด อัตราส่วนการประมาณมาตรฐานจะจำลองสถานการณ์เช่นนี้
Tsuyoshi Ito

หากปัจจัยนี้เป็น 2 หรือปัจจัยขนาดเล็กอื่น ๆ เป็นทางออกที่เลวร้ายที่สุดผลดังกล่าวก็คือการใช้งานเพียงเล็กน้อย
Oleksandr Bondarenko

1
@Oleksandr: อย่างที่ฉันพูดนั่นคือมุมมอง
Tsuyoshi Ito

3

เมื่อ Tsuyoshi ชี้ให้เห็นปัญหาอาจเป็นเพราะการโต้เถียงที่คุณต้องการใช้ขอบเขตที่ได้รับ ในเรื่องต่อไปนี้ฉันจะพยายามพัฒนาแรงจูงใจที่แตกต่างกันสองแบบ

α=AOPT

α=Ω-AΩ-OPTα100%

ดังนั้นขึ้นอยู่กับชนิดของคำสั่งขอบเขตที่ได้รับคือการสำรองคุณควรเลือกทางเลือกที่เหมาะสม

[Ω,OPT]

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.