ความสัมพันธ์ระหว่างพารามิเตอร์คงที่และอัลกอริทึมการประมาณ


13

พารามิเตอร์คงที่และการประมาณเป็นวิธีการที่แตกต่างกันโดยสิ้นเชิงในการแก้ปัญหาอย่างหนัก พวกเขามีแรงจูงใจที่แตกต่างกัน การประมาณจะค้นหาผลลัพธ์ที่รวดเร็วขึ้นด้วยวิธีแก้ปัญหาโดยประมาณ พารามิเตอร์คงที่มองหาวิธีการแก้ปัญหาที่แน่นอนที่มีความซับซ้อนของเวลาในแง่ของการชี้แจงหรือฟังก์ชั่นบางอย่างของ k และฟังก์ชั่นพหุนามของ n ที่ n คือขนาดอินพุตและ k เป็นพารามิเตอร์ ตัวอย่าง 32kn3

ตอนนี้คำถามของฉันมีผลลัพธ์ขอบเขตบนหรือล่างตามความสัมพันธ์ระหว่างพารามิเตอร์คงที่และวิธีการประมาณหรือพวกเขาทั้งหมดไม่มีความสัมพันธ์ใด ๆ ตัวอย่างเช่นสำหรับปัญหาถูกกล่าวว่าเป็นยากสำหรับบางคนไม่มีอะไรเกี่ยวข้องกับการมีอัลกอริทึม c-approximation หรือ PTAS โปรดระบุข้อมูลอ้างอิงบางอย่างPi > 0W[i]i>0


1
ที่เกี่ยวข้องอาจซ้ำซ้อนได้หรือไม่: cstheory.stackexchange.com/questions/4906/…
Suresh Venkat

1
@suresh venkat คำถามนั้นเกี่ยวกับความแตกต่างในการทำความเข้าใจ NP-complete และพารามิเตอร์คงที่ เมื่อเราพูดในแง่ของความแข็งของ NP เท่านั้นชุดที่เป็นอิสระและฝาครอบจุดสุดยอดจะเหมือนกันอย่างแท้จริง แต่เมื่อเราพูดในแง่ของพารามิเตอร์คงที่พวกเขามีความแตกต่างกันมาก ฝาครอบจุดสุดยอดมีเอฟพีทีดีในขณะที่ชุดอิสระ W [1] ยาก
Prabu

แต่ที่นี่ฉันกำลังมองหาความสัมพันธ์ระหว่างการประมาณและพารามิเตอร์คงที่
Prabu

ฉันคิดว่าไม่มีความสัมพันธ์ที่แท้จริงระหว่างพวกเขา แต่โดยการใช้พารามิเตอร์คงที่เราอาจมีการประมาณที่ดีตัวอย่างเช่นใน bin packing (การจัดกำหนดการแบบ makepan) คุณสามารถเห็นความสัมพันธ์นี้หรือตัวอย่างในกราฟ Treewidth ที่ล้อมรอบเรามีปัญหาบางประการ .
Saeed

คำตอบ:


16

มีการเชื่อมต่อหลายอย่างระหว่างความซับซ้อนของพารามิเตอร์และอัลกอริทึมการประมาณ

ก่อนอื่นให้พิจารณาการกำหนดพารามิเตอร์มาตรฐานที่เรียกว่าปัญหา ที่นี่พารามิเตอร์คือสิ่งที่คุณจะเพิ่มประสิทธิภาพในรุ่นการเพิ่มประสิทธิภาพของปัญหา (ขนาดของฝาครอบจุดสุดยอดสำหรับปัญหาปกจุดยอดความกว้างของการสลายตัวของต้นไม้สำหรับปัญหา Treewidth ฯลฯ ) ให้เราดูที่ Vertex Cover อย่างเป็นรูปธรรม เคอร์เนลใด ๆ ที่มีจำนวนจุดยอดเยี่ยมสำหรับ Vertex Cover หมายถึงอัลกอริทึมการประมาณเวลาแบบพหุนามแบบคงที่: ในโซลูชันโดยประมาณวางจุดยอดทั้งหมดที่ถูกบังคับให้เข้าสู่การแก้ปัญหาโดยอัลกอริทึมการสร้างเคอร์เนลและจุดยอดทั้งหมดของอินสแตนซ์เคอร์เนล . ในทางกลับกันขอบเขตที่ต่ำกว่าของปัจจัยการประมาณจะหมายถึงขอบเขตที่ต่ำกว่าในขนาดของเคอร์เนล ตัวอย่างเช่นภายใต้การคาดเดาเกมที่ไม่ซ้ำKhot และ Regev (JCSS 2008)ออกกฎการประมาณอัลกอริธึมสำหรับ Vertex Cover ด้วยอัตราส่วนของใด ๆซึ่งจะออกกฎเคอร์เนลสำหรับ Vertex Cover ด้วยที่จุดส่วนใหญ่เช่นกันc k c < 2c<2ckc<2

แก้ไข: การโต้เถียงสำหรับเคอร์เนลลดลงในย่อหน้าก่อนหน้านี้เป็นทางการมากและที่ดีที่สุดของความรู้ของฉันมันเปิดว่าขอบเขตที่ต่ำกว่าขนาดเคอร์เนลสามารถพิสูจน์ได้แม้สำหรับ Vertex Cover เนื่องจาก @Falk ชี้ให้เห็นในความคิดเห็นการโต้แย้งจึงเป็นที่รู้จักมากที่สุด (ทั้งหมด?) อย่างไรก็ตามฉันไม่เห็นวิธีที่สามารถแยกการมีอยู่ของอัลกอริทึม kernelization ที่เป็นไปได้วิธีการแก้ปัญหาของอินสแตนซ์เคอร์เนลมีอัตราส่วนประมาณที่แตกต่างกว่าโซลูชั่นที่สอดคล้องกันในอินสแตนซ์เริ่มต้น

จากนั้นมีปัญหาของ PTAS เทียบกับ FPTAS ถ้าเราต้องการที่จะหาวิธีการแก้ปัญหาภายในจากที่ดีที่สุดที่เราสามารถ parameterize โดย1จากนั้น PTAS จะสอดคล้องกับ XP-algorithm ในการตั้งค่าที่กำหนดพารามิเตอร์ในขณะที่ FPTAS นั้นสอดคล้องกับ FPT-algorithm สำหรับขอบเขตที่ต่ำกว่าโดยประมาณเราอาจไม่คาดว่า EPTAS สำหรับปัญหาใด ๆ ที่การกำหนดพารามิเตอร์มาตรฐานคือ W [1] - ยาก: การเรียกใช้ EPTAS ด้วยจะแก้ปัญหาได้อย่างแน่นอนในเวลา FPT1 / ϵ ϵ = 1 / ( k + 1 )(1+ϵ)1/ϵϵ=1/(k+1)

ในที่สุดอัลกอริทึมการประมาณค่า FPT เป็นอัลกอริทึมที่ใช้เวลารัน FPT และอัตราส่วนการประมาณซึ่งอาจขึ้นอยู่กับพารามิเตอร์ ตัวอย่างเช่นการกำหนดพารามิเตอร์มาตรฐานของปัญหา Cliquewidth มีอัลกอริธึมการประมาณ FPT พร้อมอัตราส่วนการประมาณ (Oum, WG 2005)ในขณะที่การกำหนดพารามิเตอร์มาตรฐานของชุดการปกครองอิสระไม่มีการประมาณ FPT อัลกอริทึมที่มีอัตราส่วนประสิทธิภาพสำหรับการใด ๆ ฟังก์ชันคำนวณเว้นแต่ FPT = W [2] (ดาวนีย์ et al., IWPEC 2006) ดู(Marx, The Computer Journal 2008)สำหรับการสำรวจ FPT โดยประมาณg ( k ) g(23k+21)/k g(k)g


@Gasper คุณช่วยโปรดดูคำถาม "การหาการแข่งขันย่อยแบบ acyclic สูงสุดได้สองการแข่งขันแบบย่อย acyclic" ฉันยังคงสงสัยในคำตอบของฉัน ในขณะที่คุณทำงานกับปัญหาที่เกี่ยวข้องคุณสามารถช่วยฉันได้
Prabu

วรรคแรกของคำตอบของ Serge นั้นถูกต้องหรือไม่? ขอบเขตล่างของการประมาณจะให้ขอบเขตของเคอร์เนลน้อยลงหรือไม่? ข้อความที่คล้ายกันนี้อยู่ในหนังสือของ Niedermeier แต่ข้อความนี้ถูกต้องหรือไม่?
XXYYXX

1
@XXYYXX: ในคำตอบของ Serge เขาเขียนว่า "เคอร์เนลใด ๆ ที่มีจำนวนจุดยอดเส้นตรงสำหรับ Vertex Cover หมายถึงอัลกอริธึมประมาณเวลาพหุนามประมาณคงที่" พร้อมหลักฐานสั้น ๆ อาร์กิวเมนต์ของเขาแสดงให้เห็นอย่างชัดเจนว่ามีเคอร์เนลที่มีจุดยอด ck สำหรับค่าคงที่ c หรือไม่จากนั้นก็มีอัลกอริทึมการประมาณปัจจัย -c contrapositive คือ: หากไม่มีอัลกอริทึมการประมาณแฟคเตอร์ -c อยู่จึงไม่มีเคอร์เนลที่มีจุดยอด ck
โยชิโอะโอกาโมโตะ

@Prabu: ฉันแสดงความคิดเห็นในคำตอบของคุณสำหรับคำถามอื่น ๆ @Yoshio: ขอบคุณที่ตอบคำถามของ @ XXYYXX
Serge Gaspers

1
ในความเป็นจริงสำหรับการเคอร์เนลที่รู้จักกันทั้งหมดอาจโต้แย้งอาร์กิวเมนต์ถือ อย่างไรก็ตามฉันไม่เห็นเหตุผลว่าทำไมจึงไม่ควรมีสิ่งใดสิ่งหนึ่งเช่นลดปัญหาอื่นไปเป็นอันดับแรกเคอร์เนลที่นั่นแล้วลดกลับไปที่ Vertex Cover ดังนั้นอินสแตนซ์ที่เกิดขึ้นจะไม่มีการโต้ตอบจุดสุดยอดกับจุดเริ่มต้น สำหรับฉันแล้วสิ่งเดียวที่เราสามารถแสดงได้ก็คือเมล็ดที่เป็นกราฟย่อยอาจจะไม่เล็กกว่า 2k
Falk Hüffner

7

มีทฤษฎีบทที่เป็นที่รู้จัก [1, ทฤษฎีบท 3.1], การจำแนกลักษณะของคลาสโดยประมาณผ่านคลาสที่กำหนดพารามิเตอร์ :P F P TFPTASPFPT

ให้เป็นการเพิ่มประสิทธิภาพปรับขนาดได้ จากนั้นมีและถ้าหากอยู่ในPFPTQ=(IQ,SQ,fQ,optQ)NPQFPTASQPFPT

ในทางกลับกันหมายถึง:PFPT

ปัญหาการเพิ่มประสิทธิภาพเป็นพหุนามคงพารามิเตอร์ซูฮก ( ) หากรุ่นแปรของมันคือการแก้ปัญหาได้ในเวลาที่- ขนาดของตัวอย่างเช่นการป้อนข้อมูลxNPQPFPTO(|x|O(1)kO(1))|x|x

การอธิบายลักษณะอื่นสำหรับคลาสการประมาณสองคลาสนั้นเสนอไว้ใน [2, ทฤษฎีบท 6.5]

ปัญหาคือ

  • ในและถ้าหากจะมีและ parameterization มาตรฐานที่อยู่ใน Wพีทีs X P WPTASptasXPw

  • ในและถ้าหากมันมีกับฟังก์ชั่นเกณฑ์ polynomially- จำกัด และ parameterization มาตรฐานที่อยู่ใน Wพีทีs P F P T WFPTASfptasPFPTw

ที่นี่หมายถึง asymptotic (เต็ม) แบบประมาณพหุนาม, parametrization มาตรฐาน - รุ่นการตัดสินใจของปัญหาการเพิ่มประสิทธิภาพ, - คลาสที่สอดคล้องกันของปัญหาการตัดสินใจที่อัลกอริทึมที่ตัดสินใจพวกเขากลับมา เป็นสักขีพยานถ้าคำตอบคือใช่ฟังก์ชันขีด จำกัด - ฟังก์ชั่นขึ้นอยู่กับข้อผิดพลาดและขอบเขตจากด้านล่างเป็นค่าที่เหมาะสม ( X P ) P F P T w 1(f)ptas(XP)PFPTw1ϵ

  1. พหุนามแผนการเวลาประมาณและความซับซ้อนแปร เจเฉินและคณะ คณิตศาสตร์ประยุกต์แบบไม่ต่อเนื่อง 155 (2007) 180 - 193
  2. โครงสร้างของพหุนามเวลาประมาณ EJ van Leeuwen และคณะ รายงานทางเทคนิค UU-CS-2009-034, ธันวาคม 2009
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.