Common greedy wiring and rewiring heuristics do not guarantee maximum assortative graphs of given degree
我们研究了两个贪婪算法-布线和重新布线-在所有简单连接的图与目标度序列的最大可拓图。反例表明,即使已知所有给定度的简单连通图的元图在重布线下是连通的,自然贪婪重布线算法也不一定返回最大连通图.反例表明,一个优雅的贪婪图布线启发式从文献中可能无法实现目标度序列或可能无法布线最大的示意图。
2018-06-04 cs.DS
Heuristics for Packing Semifluids
在填充问题中,很少研究材料的物理性质。在这项工作中,我们研究了半流体的行为:具有特定特性的材料,与固体和流体都具有相同的特性。我们描述了一些特定的半流体在工业环境中的重要性,并提出了解决包装问题的方法,考虑到一些实际的要求和物理约束。虽然本文的重点是实际解决方案的计算,它也揭示了有趣的数学性质,这个问题,这使它有别于其他包装问题。
2016-07-15 cs.DS
A More Reliable Greedy Heuristic for Maximum Matchings in Sparse Random Graphs
针对最大基数匹配问题提出了一种新的贪心算法。我们给出了实验证据,该算法是可能找到一个最大匹配的随机图与常数期望度c>0,独立的c值。这与通常使用的贪婪匹配算法的行为相反,贪婪匹配算法已知具有一定范围的c,其中它们可能无法计算最大匹配。
2012-03-19 cs.DS
Truthful Mechanisms via Greedy Iterative Packing
算法博弈论算法博弈论的一个重要研究方向是设计接近最优社会福利的有效诚实机制。一个基本问题是α-近似算法是否转化为α-近似真实机制。众所周知,将α-近似算法插入VCG技术中可能不会产生真实的机制。因此,研究近似算法的性质是很自然的,这些性质使它们能够在真实机制中使用。本文的主要贡献是识别近似算法的一个有用的和自然的属性,我们称之为loser独立性,这个属性适用于单一的思想和单参数设置。直觉上,当失败者的出价增加时,失败者独立算法不会改变其结果,除非该代理成为赢家。我们证明,失败者独立的算法可以采用贪婪的迭代包装方法的子程序,同时保持单调性。一个贪婪的迭代方法提供了一个很好的近似的上下文中最大化的非减子模函数的独立性约束。我们的框架产生了各种问题的真实近似机制。值得注意的是,在线机制设计中出现了一些问题。
2009-06-13 cs.DS cs.GT
Big Step Greedy Algorithm for Maximum Coverage Problem
本文提出了一种贪婪启发式算法--大步贪婪启发式算法,并研究了大步贪婪启发式算法在最大k-覆盖问题中的应用。贪心算法分多步求解,经典的贪心算法求解最大k-覆盖问题,在每一步中选择一个包含最多未覆盖元素的集合。大步骤贪婪启发式,在每一步中选择p(1 <= p <= k)个集合,使得所选p个集合的并集通过评估给定集合的所有可能的p-组合包含最大数量的未覆盖元素。当p=k时,大步贪心算法的行为类似于精确算法,通过评估给定集合的所有可能的k-组合来计算最优解。当p=1时,它的行为类似于经典的贪心算法。
2015-09-18 cs.DS
A Fast Scalable Heuristic for Bin Packing
在本文中,我们提出了一个快速可扩展的启发式装箱,分区给定的问题成相同的子问题的恒定大小,并解决这些恒定大小的子问题,只考虑一个常数数量的箱配置有界未使用的空间。我们提出了一些经验证据,以支持我们的启发式的可扩展性和更严格的实证分析,硬的情况下,由于改进的最佳解决方案的必要浪费的下限。
2019-04-29 cs.DS math.OC
Asymptotic Optimality of the Greedy Patching Heuristic for Max TSP in Doubling Metrics
最大旅行商问题(Max~TSP)是在给定的完全赋权图中寻找一个边的总权最大的Hamilton圈。我们证明了,在边的权重是由一个度量空间的有界倍维的情况下,渐近最优解的问题可以找到简单的贪婪修补启发式。以最大权重循环覆盖为起点,该启发式算法迭代地将其循环对修补为一个,以最小化每一步的权重损失。
2022-01-11 cs.CG cs.DM cs.DS
A Refined Analysis of Submodular Greedy
许多算法最大化单调子模函数的背包约束依赖于自然的贪婪启发式。我们提出了一种新的细化分析这种贪婪的启发式,使我们能够:$(1)$减少枚举在紧$(1-e^{-1})$近似[Sviridenko 04]从子集的大小为3到2; $(2)$提出了一个改进的上限$0.42945$的经典算法,返回更好的单个元素和贪婪的启发式的输出之间。
2021-03-14 cs.DS
A heuristic algorithm for the Bin Packing Problem with Conflicts on Interval Graphs
在本文中,我们处理区间图上的带冲突装箱问题:给定区间图、每个顶点的非负整数权重和非负整数B,找到将图的顶点集划分为k个子集,使得分配给同一子集的顶点的权重之和小于或等于B,由边连接的两个顶点不属于同一子集,k是最小值。我们设计了一个启发式算法,并提出了一个新的随机区间图生成器,建立具有所需的边缘密度的区间冲突图。我们在一个巨大的测试床上测试了算法,并与现有的算法的结果进行了比较。
2017-09-14 cs.DS math.CO
Matroid Base Packings: Improved Dynamic Matroid Density and Combinatorics of Tree Packings
Institute of Science and Technology Austria(奥地利科学技术研究所)
本文提出了一种基于贪心 matroid 基 packing 的算法,用于动态图密度和定向问题,改进了相关理论界并提供了新的解决方法。
2026-10-09 cs.DS
Several methods of analysis for cardinality constrained bin packing
我们考虑一种已知的bin包装变体,称为{ \it基数约束bin包装},也称为{ \it具有基数约束的bin包装}(BPCC)。在这个问题中,有一个参数k \geq 2,并且[0,1]中合理大小的项目将被打包到箱子中,使得没有箱子具有超过k个项目或总大小大于1。我们的目标是尽量减少垃圾箱的数量。最近引入的一个概念,称为集群的价格,处理的是以一种将它们分成集群的方式呈现的输入。因此,一个项目有两个属性,即其大小和其聚类。目标是衡量无法将不同集群的项组合到bin中的最佳解决方案与可以任意组合不同集群的项的最佳解决方案之间的关系。通常集群的数量可能很大,而集群相对较小,但不是微不足道的小。这些问题与贪婪装箱算法和批量装箱有关,批量装箱类似于聚类的代价,但存在恒定数量的大型聚类。我们分析了BPCC聚类的代价,包括项目大小有界的参数情况。我们讨论了这个问题的几个贪心算法,没有在过去的研究,并评论分批装箱。
2021-07-19 cs.DM cs.DS math.CO
A Greedy Heuristic for Crossing-Angle Maximization
图$G=(V, E)$的直线图$Γ$的交叉角是图$Γ$中两条交叉边之间的最小角。判断一个图$G$是否具有一个交叉角为$90^\circ$的直线图是$\mathcal NP$ -hard。我们提出了一个简单的启发式计算一个大的交叉角的绘图。启发式Greetron在一组随机点中为单个顶点选择最佳位置。该算法是伴随着一个加速技术来计算交叉角的直线绘图。我们的启发式的有效性,在广泛的实证评估。我们的启发式算法显然是2017年图形绘制挑战赛的获胜算法(CoffeeVM)。
2018-07-31 cs.CG cs.DS
Parametric packing of selfish items and the subset sum algorithm
子集和算法是经典装箱问题的自然启发式算法:在每次迭代中,算法在未打包的物品中找到适合新箱子的最大尺寸的物品集。超过35年后,在文献中首次提及,建立这种启发式的最坏情况下的性能仍然是一个悬而未决的问题。由于它们的简单性和直观的吸引力,贪心算法是许多从业者选择的算法。因此,更好地理解简单贪婪算法本身就是一个有趣的话题。最近,Epstein和Kleiman(Proc. ESA 2008)通过证明装箱问题的博弈论版本的强无政府无政府代价正是这种启发式的近似比,提供了另一种研究子集和算法的激励。本文建立了子集和算法的精确逼近比,从而解决了一个长期悬而未决的问题。我们将这个结果推广到装箱问题的参数变体,其中对于某些α \leq 1,项目大小位于区间(0,α]上,对于所有α \leq 1,得到无政府状态的强价格的紧界。最后,我们研究了参数装箱博弈的纯无政府代价,我们证明了所有α \leq 1的几乎紧的上界和下界。
2009-07-24 cs.DS cs.GT
Random greedy triangle-packing beyond the 7/4 barrier
构造大部分Steiner三元系的随机贪婪算法定义如下。从$n$顶点上的完全图开始,然后一次移除一个三角形的边,其中从所有剩余的三角形中随机均匀地选择移除的每个三角形。这个随机过程一旦到达一个无三角形图就终止了,一个长期存在的开放问题是估计最终的边数,或者等价地估计过程结束所需的时间。边缘分布在任何时候都是大致均匀的直觉导致了一个民间传说的猜想,即边缘的最终数量是$n^{3/2+o(1)}$,具有很高的概率,而最知名的上界是$n^{7/4+o(1)}$。各种方法在指数7/4处精确突破并不是巧合,因为它对应于固有的障碍,其中co度变得与过程中早期出现的值的变化相当。在这项工作中,我们显着改善了以前的界限,建立w. h. p.的边缘数在最终的图形是最多$ n^{5/3+o(1)} $。我们的方法依赖于用于控制关键图参数的鞅系统,其中关键的新思想是利用过程的自校正性质,以控制这些参数远远超出其早期变化与其预期顺序相匹配的点。
2012-10-25 cs.DS math.CO
Greedy Heuristics and Linear Relaxations for the Random Hitting Set Problem
本文研究随机击中集问题,分析了Lovász贪心算法在随机输入下的平均性能,并探讨了线性规划与整数规划解之间的完整性间隙。
2023-05-09 cs.DM cs.DS math.OC
An APTAS for Bin Packing with Clique-graph Conflicts
我们研究经典{ \em装箱}问题的以下变体。给定一组不同大小的物品,划分成组,找到最小数量的相同(单位大小)箱中的物品包装,使得同一组中没有两个物品被分配到同一个箱。这个问题被称为{具有图-图冲突的\em装箱},在存储文件副本、云计算中的安全性和信号分发中具有自然的应用。我们的主要结果是一个{ \em渐近多项式时间近似计划(APTAS)}的问题,改善了最好的已知比例的$2$。具体地,对于任何实例$I$和固定的$\eps \in (0,1)$,项目被包装在最多$(1+\eps)OPT(I) +1$箱中,其中$OPT(I)$是包装实例所需的箱的最小数量。作为一个关键的工具,我们采用了一种新的{ \em Shift \& Swap}技术,该技术将经典的线性移位技术推广到允许项目之间发生冲突的场景。通过枚举和基于贪婪的方法的复杂组合来解决仅使用少量额外箱包装{ \em small}项目的主要挑战,该方法利用{ \em线性规划}的舍入解。
2021-06-05 cs.DM cs.DS
A Tighter Analysis of Setcover Greedy Algorithm for Test Set
集覆盖贪心算法是求解测试集问题的一种自然近似算法。本文对该算法的性能保证进行了较为精确和严密的分析。作者应用势函数技术将由集合覆盖问题导出的性能保证$2\ln n$改进为$1.1354\ln n$。此外,还给出了该算法性能保证的一个非平凡下界$1.0004609\ln n$.该下界与信息量启发式算法的匹配界一起证实了信息量启发式算法在最坏情况下略优于集合覆盖贪心算法的事实。
2011-03-05 cs.DS
A better lower bound for Lower-Left Anchored Rectangle Packing
给定包含原点的单位正方形中的任意一组点$S$,是否存在一组轴对齐的矩形,$S$中的每个点对应一个矩形,使得每个矩形的左下角都有$S$中的一个点,它们两两内部不相交,并且它们覆盖的总面积至少为1/2?这个问题也被称为弗里德曼猜想(证明这样一组矩形确实存在),自1969年艾伦·弗里德曼提出以来一直是开放的。在本文中,我们提高了最好的已知下限的总面积,可以覆盖从0.09121到0.1039。虽然这一步很小,但我们引入了新的见解,推动了这种分析的极限。我们的下界使用了一个贪心算法,在$S$中的点有一个特定的顺序。因此,这也意味着该贪心算法实现了0.1039的近似比。我们补充的结果与一个自然类的贪心算法,其中包括一个达到下限的近似比的上限为3/4。
2021-02-10 cs.CG cs.DS
Improved approximation bounds for Vector Bin Packing
在本文中,我们提出了一种改进的近似方案的向量装箱问题(VBP),(近)最优解的线性规划(LP)松弛和贪婪(修改的首次拟合)启发式的组合的基础上。高维向量装箱问题(d \geq 2)不具有渐近多项式时间近似方案(除非P = NP)。我们的算法改进了Bansal等人先前已知的(ln d + 1 + n)保证。[1]对于更高的维度(d > 2)。对于任意维数d的输入,我们给出了一个θ(1)逼近方案.更准确地说,我们提供了一个2-OPT算法,这是一个结果,这是无关的维数d。
2010-07-08 cs.DM cs.DS math.OC
Bottom-Left Placement Theorem for Rectangle Packing
本文证明了矩形装箱问题的左下角放置定理,即如果可以将n个任意给定的矩形正交地放置到一个矩形容器中而不重叠,那么我们可以通过将一个矩形依次放置到容器的左下角来实现一个可行的装箱.这个定理表明,即使对于实参数矩形填充问题,我们也可以在有限次左下放置操作之后解决它。基于这个定理,我们可以发展出求解矩形排样问题的有效启发式算法。
2011-07-22 cs.CG cs.DM cs.DS
Packing-Based Approximation Algorithm for the k-Set Cover Problem
我们提出了一个基于包装的近似算法的$k$ -集覆盖问题。本文提出了一种新的基于局部搜索的$k$ -集合包装启发式算法,并称之为受限$k$ -集合包装。我们通过一个复杂的组合论证来分析它的紧逼近比。本文的$k$-Set Cover算法是在限制性$k$-Set Packing算法的基础上,由$k$-Set Packing启发式算法\cite{schrijver}($k\geq 7$)、限制性$k$ -Set Packing($k=6,5,4$)和半局部$(2,1)$ -改进的\cite{furer}(3-Set Cover)组成。我们表明,我们的算法得到了一个紧的逼近比$H_k-0.6402+Θ(\frac{1}{k})$,其中$H_k$是$k$ -次谐波数。对于小的$k$,我们的结果是$k=6$为1.8667,$k=5$为1.7333,$k=4$为1.5208。我们的算法提高了目前最好的逼近比的$k$ -集合覆盖问题的任何$k\geq 4$。
2011-09-15 cs.DS
Sample Complexity of Learning Heuristic Functions for Greedy-Best-First and A* Search
The University of Tokyo(东京大学)
贪婪最佳优先搜索(GBFS)和A* 搜索(A*)是在大型图上进行路径查找的流行算法。两者都使用所谓的启发式函数,该函数估计顶点与目标的距离。虽然启发式函数已经使用领域知识手工制作,但最近的研究表明,从数据中学习启发式函数在许多应用中是有效的。受这种新兴方法的启发,我们研究了GBFS和A* 学习启发式函数的样本复杂性。我们建立在最近的框架称为\textit{data-driven algorithm design}和评估的\textit{pseudo-dimension}的一类效用函数,衡量参数化算法的性能。假设一个顶点集的大小$n$是固定的,我们提出了$\mathrm{O}(n\lg n)$和$\mathrm{O}(n^2\lg n)$上界的伪尺寸GBFS和A*,分别由启发式函数值参数化。如果每个顶点的度至多为$d$,则A* 的上界可以改进为$\mathrm{O}(n^2\lg d)$,如果边权重是以$\mathrm{poly}(n)$为界的整数,则A* 的上界可以改进为$\mathrm{O}(n \lg n)$。我们还给出了GBFS和A* 的$Ω(n)$下界,这意味着在整数权条件下,我们的GBFS和A* 的界紧到一个$\lg n$因子。最后,我们讨论的情况下,A* 的性能是衡量的次优性,并表明,我们有时可以得到一个更好的保证,通过结合参数依赖的最坏情况下的样本复杂性界。
2022-05-24 cs.DS cs.LG
Sequential and Parallel Algorithms for Mixed Packing and Covering
混合填充和覆盖问题是可以用非负系数表示为线性规划的问题。例如多商品网络流、TSP的Held-Karp下界、集合覆盖的分数松弛、装箱、背包、调度问题、最小权三角剖分等。本文给出了一般问题的近似算法。顺序算法是一种简单的贪心算法,它可以在O(n ^-2 log m)线性时间迭代中找到ε近似解。并行算法做类似的工作,但在多对数时间内完成。这些结果推广了Michael Luby和Noam Nisan(1993)以及Naveen Garg和Jochen Konemann(1998)以前关于纯填充和覆盖(约束都是“小于”或“大于”的特殊情况)的工作。
2002-05-18 cs.DS
The Approximation Ratio of the Greedy Algorithm for the Metric Traveling Salesman Problem
证明了度量旅行商问题的贪心算法的逼近比为$Θ(\log n)$。此外,我们证明,同样的结果也适用于图形,欧几里德,和直线的旅行推销员问题的实例。最后,我们证明了度量旅行商问题的Clarke-Wright节约启发式的近似比为$Θ(\log n)$ .
2014-12-23 cs.DM cs.DS math.CO
Iteratively reweighted greedy set cover
我们经验分析一个简单的启发式大稀疏集覆盖问题。它使用加权贪心算法作为基本构建块。通过乘法更新附加到元素的权重,贪婪的解决方案是迭代改进。该算法的实现是微不足道的,并且该算法基本上不需要需要调整的参数。更多的迭代只能改进解决方案。这组功能使得该方法对实际问题具有吸引力。
2020-10-29 cs.DS
On the Approximation Performance of Degree Heuristics for Matching
在最大基数匹配问题的贪心算法设计中,在选择下一条边时利用度信息是一种行之有效的方法。我们定义了一类“度敏感”的贪婪匹配算法,这使我们能够分析许多著名的算法,并在最坏情况下提供紧近似保证。我们展示算法在这一类的最佳近似保证二分图。特别是Karp-Sipser算法,如果可能的话,它选择与度1节点关联的边,否则选择任意边,结果证明是最佳的,近似保证D/(2D-2),其中D是最大度。
2016-12-20 cs.DS
Open-end bin packing: new and old analysis approaches
我们分析了最近推出的概念,称为聚类的价格,装箱的变种称为开放式装箱问题(OEBP)。输入项具有大小,并且它们也属于一定数量的类型。新的概念涉及的情况下,不同类型的项目可以和不能打包在一起,分别比较的最佳解决方案。这个问题与贪婪装箱算法和批量装箱有关,我们也讨论了其中的一些概念。我们分析最大OEBP,其中一个包装箱是有效的,如果排除其最大的项目,项目的总大小小于1。对于这种变体,我们研究了一般项目大小的情况下,和参数的情况下,有界的项目大小,这表明小项目的效果。最后,我们简要地讨论min-OEBP,其中一个bin是有效的,如果它的项目的总大小不包括最小的项目小于1,这是一个完全不同的问题。
2021-05-12 cs.DM cs.DS math.CO
Pilot, Rollout and Monte Carlo Tree Search Methods for Job Shop Scheduling
贪婪的策略可以通过前瞻每一个可能的选择来调整,这种方法称为展示或试点方法。这些方法可以被视为元算法,可以通过重复修改主解决方案来增强(任何)启发式解决方案:类似于在博弈树搜索中所做的事情,基于通过重复使用贪婪启发式获得的解决方案,使用前瞻来识别更好的选择。本文首先说明了如何试点方法改进了一些简单的众所周知的调度算法的车间作业调度问题。试点方法,然后被证明是一个特殊的情况下,最近的蒙特卡罗树搜索(MCTS)方法:与试点方法,MCTS方法使用随机完成的部分解决方案,以确定有前途的分支树。试点的方法和MCTS的一个简单的版本,使用$\varepsilon$贪婪的探索范式,然后在同一个框架内进行比较,包括300调度问题的不同大小的固定预算的推出。结果表明,MCTS达到更好的或相同的结果,在这种情况下的试点方法。
2012-10-01 cs.DS
Tile Packing Tomography is NP-hard
离散层析成像处理从低维投影重建有限空间对象,并且例如在时间表设计中具有应用。在本文中,我们考虑的问题,重建瓷砖包装从其行和列的投影。它由固定瓷砖的不相交副本组成,所有副本都包含在一些矩形网格中。投影表示每行和每列中有多少单元格被平铺覆盖。构造一个满足给定投影的瓦片堆积有多难?已知它可以通过贪心算法求解条形图(宽度或高度为1的图块),并且已知某些特定图块的NP-硬度结果。本文证明了当瓷砖不是一个酒吧时,该问题是NP-难的。
2010-12-21 cs.CC cs.DS
Finding Maximum Weight 2-Packing Sets on Arbitrary Graphs
针对NP难的任意图最大权重2-packing集问题,提出13条新数据约简规则、基于独立集关系的预处理程序及迭代reduce-and-peel方法,实验验证其在速度、解质量等方面的优势。
2025-02-20 cs.DS
In Search of Dense Subgraphs: How Good is Greedy Peeling?
在给定的图中找到稠密子图的问题在图挖掘中有几个应用,特别是在社会网络分析、蛋白质和基因分析等领域。根据应用,找到稠密子图可以用于确定高重要性、相似特征或增强交互的区域。特征子图抽取问题本质上是一个非线性优化问题。然而,它可以解决在多项式时间的一系列最大流子问题的迭代求解的基础上的精确算法。尽管它的多项式时间的复杂性,精确算法所需的计算时间非常大的图可能是禁止的。因此,要接近具有数百万个顶点和边的图,必须求助于启发式算法。我们提供了一个有效的实现贪婪的启发式从文献中,是非常快的,有一些很好的理论性质。我们还介绍了一个新的贪婪和精确的方法,是建立在顶部的mathisitic算法。一个广泛的计算研究,提出了一个基准组成的86例取自文献的各种解决方案的方法来评估性能。该分析表明,所提出的启发式算法被证明是非常有效的大量的测试实例,往往提供最佳的解决方案或接近最佳的解决方案在很短的计算时间。
2019-11-06 cs.DS
An exact algorithm for higher-dimensional orthogonal packing
高维正交布局问题有着广泛的实际应用,包括布局、切割和调度。结合使用我们的数据结构的特点,我们的新类的下界,和其他算法,我们开发了一个两级树搜索算法解决高维包装问题的最优性。计算结果的报告,包括所有二维的测试问题的最佳解决方案,从最近的文献。这是描述高维堆积新方法的系列文章中的第三篇;参见cs.DS/0310032和cs.DS/0402044。
2006-04-11 cs.DS
Polynomial-Time Methods to Solve Unimodular Quadratic Programs With Performance Guarantees
我们发展了多项式时间的启发式方法来近似求解单模二次规划(UQP),这是已知的NP-难。在UQP框架中,我们最大化一个复变数向量的单位模的二次函数。主动传感和无线通信应用中的若干问题归结为UQP。基于这种动机,我们提出了三种新的启发式方法,具有多项式时间复杂度来近似求解UQP。第一种方法被称为主特征向量匹配;在这里,选择与UQP公式中的埃尔米特矩阵的主特征向量的复自变量相匹配的解。我们还为这种方法提供了性能保证。第二种方法,一个贪婪的策略,示出提供(1-1/e)的性能保证相对于最佳目标值的目标函数具有一个属性称为字符串子模块。第三种启发式方法被称为行交换贪婪策略,其是贪婪策略的扩展,并且利用UQP的某些属性以增加计算复杂性为代价提供比贪婪策略更好的性能。我们目前的数值结果来证明这些启发式方法的性能,并比较这些方法的性能对标准的启发式方法称为半定松弛。
2017-03-24 cs.DS math.OC
Approximation Algorithms for Covering and Packing Problems on Paths
路径与调度问题是组合优化中的基本问题,也是一个应用广泛的问题。这些问题的大多数变体都是NP难的,因此我们需要使用算法来解决大型实例上的这些问题,这些问题速度快,但接近最优值。在这篇论文中,我们研究了这类问题的近似算法的设计和分析。我们集中讨论两类重要问题。第一个是不可拆分流问题及其一些变体,第二个是作业调度问题的资源分配及其一些变体。第一个是包装问题,而第二个是覆盖问题。
2014-02-05 cs.DM cs.DS math.CO
Wave Function Collapse Coloring: A New Heuristic for Fast Vertex Coloring
本文在波函数折叠算法的基础上,提出了一种求解顶点着色问题的快速贪婪顺序算法,称为波函数折叠着色(WFC-C)。该算法的迭代经历三个不同的阶段:顶点选择,通过波函数折叠的颜色限制,和域传播。实际上,WFC-C将颜色选择或“域”限制传播到紧邻区域之外。这种启发式算法与一系列其他贪婪优化相结合,可以实现快速算法,防止某些颜色冲突。通过大量的实验,我们表明,WFC-C在最佳着色方面仍然具有竞争力(偶尔更好),并且在DIMACS基准测试的最困难的情况下,其平均速度差异从2000倍到16000倍,大大优于现有的高速VCP。
2021-08-20 cs.DS
Tree-Packing Revisited: Faster Fully Dynamic Min-Cut and Arboricity
TU Graz(格拉茨工业大学);University of Salzburg(萨尔茨堡大学);Technical University of Denmark(丹麦技术大学)
本文重新审视树打包与最小割的关系,证明只需维护Θ(λ³ log m)棵贪心树即可保证1-尊重割或平凡割,并基于此给出确定性全动态精确最小割算法,最坏情况更新时间为Õ(λ^{5.5}√n),同时首次给出全动态分数树密度的(1+ε)-近似算法。
2026-08-20 cs.DS
Sallow: a heuristic algorithm for treedepth decompositions
我们描述了一个启发式算法计算树深度分解,提交的PACE 2020年的挑战。它依赖于各种计算消除排序的贪心算法,以及使用Hamann & Strasser从头重新实现2016年FlowCutter算法[ACM JEA 2018]获得的平衡切割的分而治之方法。
2020-09-30 cs.DS
A family of greedy algorithms for finding maximum independent sets
贪心算法A在给定图G的大小均匀的独立集合的集合上迭代,并且针对每个集合S检查S的哪个非邻居(如果有的话)最适合被添加到S,直到对于任何集合都没有找到更多合适的非邻居。该算法接收图作为参数,用于评估独立集候选的启发式算法,以及独立集的初始基数,并返回独立集的最终集。
2015-05-04 cs.DS
A Hybrid Feasibility Constraints-Guided Search to the Two-Dimensional Bin Packing Problem with Due Dates
带交货期的二维的【形】无向装箱问题将一组可旋转90度的矩形物品装入相同的矩形箱中。仓具有相等的处理时间。一个项目的延迟是它的到期日和完成时间之间的差异。问题包装所有项目没有重叠,以最小化最大延迟Lmax。本文提出了一个严格的下限,提高了现有的界限Lmax的24.07%的基准实例和匹配它在30.87%的情况下。此外,它使用混合整数规划(MIP)模型的问题,并解决了小规模的实例,使用CPLEX。它使用两阶段启发式近似求解较大的实例。第一阶段通过首次拟合启发式算法构建初始解,该启发式算法应用基于迭代约束规划(CP)的邻域搜索。第二阶段也是迭代的,近似求解一系列由可行性约束指导的分配低级MIP。然后,它通过高级随机局部搜索来增强解决方案。该近似方法平均提高了27.45%的现有上限,并获得了33.93%的实例的最优。总体而言,精确和近似方法确定了39.07%的情况下的最佳。所提出的方法适用于复杂的问题。该算法在充分发挥CP和MIP各自优势的同时,将启发式搜索与MIP相结合。它嵌入了一个新的前瞻策略,防止不可行的搜索方向和约束的搜索,以改善方向,因此,不同于传统的前瞻束搜索。
2017-11-08 cs.DS
Heuristics with Performance Guarantees for the Minimum Number of Matches Problem in Heat Recovery Network Design
热交换器网络合成通过整合工艺热流和冷流来利用多余的热量,并通过减少公用事业使用来提高能源效率。确定最小匹配数的可证明好解是使用顺序方法设计热回收网络的瓶颈。这个子问题是一个NP-难的混合整数线性规划,在可能的冷热流配置中表现出组合爆炸。我们从图论的角度探讨了这一具有挑战性的优化问题,并将其与其他特殊的最优化问题,如成本流网络和包装问题。在一个单一的温度区间的情况下,我们开发了一个新的优化配方没有问题的大M参数。我们开发启发式方法的性能保证使用三种方法:(i)松弛舍入,(ii)水填充,和(iii)贪婪包装。从51个实例的集合的数值结果证实了该方法的强度。
2018-04-11 cs.DS math.OC
A note on 'Exact and approximate methods for a one-dimensional minimax bin-packing problem' [Annals of Operations Research (2013) 206:611-626]
在最近的一份文件中,Alberco,Köhn和Steinley [Ann. Oper. Res. 206:611 - 626(2013)]推测具有箱大小约束的一维极小极大装箱问题的2箱特殊情况可能在多项式时间内可解。在本文中,我们证明了这个问题的特殊情况下是NP-困难的,它是强NP-困难的一般问题。我们还提出了一个伪多项式算法的特殊情况和一般问题的建设性启发式。
2014-02-07 cs.DS math.OC
Parallelizing greedy for submodular set function maximization in matroids and beyond
我们认为并行,或低自适应,算法子模函数最大化。这条线的工作最近发起的Rehanski和辛格,并已导致了一些有趣的结果的基数约束和明确的包装约束。一个重要的开放问题是拟阵约束的经典设置,这有助于子模函数最大化的发展。在本文中,我们开发了一个通用的策略,并行化的贪心算法,并使用它来获得一个随机的$\left(\frac{1}{2} - ε\right)$ -近似$\operatorname{O}\left( \frac{\log^2 n}{ε^2} \right)$轮的自适应性。我们依赖于这个算法,以及一个优雅的放大方法,由于Badanidiyuru和Vondrák获得一个分数的解决方案,产生一个接近最佳的随机$\left( 1 - 1/e - ε\right)$ -近似$O\left( {\frac{\log^2 n}{ε^3}} \right) $轮的自适应。对于非负函数,我们得到一个$\left( {3-2\sqrt{2}}\right)$ -近似和一个分数的解决方案,产生一个$\left( {\frac{1}{e} - ε}\right)$ -近似。我们的方法并行贪婪产生近似拟阵和拟阵的交叉点,近似比是可比的顺序贪婪。
2018-11-30 cs.DS
Algorithms for the Bin Packing Problem with Scenarios
本文研究带场景的装箱问题,提出绝对近似算法、渐近多项式时间近似方案,并结合 branch-and-price 与启发式算法高效求解,在62%的实例中取得最优解。
2023-05-24 cs.DS math.OC
Time and Supply Fairness in Electricity Distribution using $k$-times bin packing
Ariel University(阿里埃尔大学);UPES(乌塔拉克汉德人民教育学会大学);Pidstryhach Institute for Applied Problems of Mechanics and Mathematics of National Academy of Sciences of Ukraine(乌克兰国家科学院皮德里斯特哈赫应用力学与数学问题研究所)
本文提出k次装箱问题,用于公平分配电力供应,证明了通过k次装箱可解决电力分配问题,并提出改进的装箱算法以提升公平性。
2026-05-12 cs.DS cs.MA
IMRank: Influence Maximization via Finding Self-Consistent Ranking
影响力最大化是口碑营销和病毒式营销的基础,其目标是寻找一组种子节点,使社交网络上的影响力传播最大化。早期的方法主要分为两种范式,有一定的优点和缺点:(1)贪心算法,一个接一个地选择种子节点,提供了一个有保证的精度依赖于影响传播的精确近似与高计算成本;(2)启发式算法,使用有效的启发式算法估计影响传播,具有较低的计算成本,但精度不稳定。我们首先指出,贪心算法本质上是找到一个自洽的排名,其中节点的排名是一致的,他们的排名为基础的边际影响传播。这种洞察力促使我们开发一个迭代排名框架,即,IMRank,有效解决独立级联模型下的影响力最大化问题。从初始排名开始,例如,一个从有效的启发式算法,IMRank找到一个自我一致的排名,通过重新排序节点迭代根据他们的排名为基础的边际影响传播计算根据当前的排名。我们还证明了IMRank绝对收敛到一个自洽的排名从任何初始排名开始。此外,在这个框架内,最后到第一分配策略和推广这种策略,提出了提高效率的估计基于排名的边际影响力传播给定的排名。通过这种方式,IMRank通过同时利用贪心算法和启发式算法的优点来实现显着的效率和高准确性。在大规模真实社交网络上的大量实验表明,IMRank总是达到与贪婪算法相当的高精度,计算成本大大降低,甚至比其他可扩展算法快$10-100$倍。
2014-02-17 cs.DS cs.SI
Approximation Algorithms for Drone Delivery Packing Problem
无人驾驶飞行器(也称为无人机)的最新进展促使物流部门使用无人机进行多种操作。无人机和卡车在最后一英里交付系统中的合作有许多好处,并减少了许多挑战。在本文中,我们介绍了\textit{drone-delivery packing problem}(DDP),其中我们有一组交付和各自的客户,他们的规定位置,交付时间间隔,相关的交付成本,以及一组具有相同电池预算的无人机。DDP的目标是通过使用受电池预算和每个无人机分配的兼容性影响的最小数量的无人机来为所有交付无人机找到分配。证明了DDP是NP-Hard问题,给出了DDP的整数线性规划(ILP)形式,并提出了DDP的两种贪婪近似算法。第一种算法最多使用$2OPT + (Δ+ 1)$无人机。第二种算法最多使用$2OPT + ω$无人机,其中OPT是DDP的最优解,$ω$是最大团大小,$Δ$是由交付时间间隔构造的间隔图$G$的最大度。
2022-08-30 cs.DS
On Greedy Approaches to Hierarchical Aggregation
我们分析了用于分层聚集(HAG)问题的贪心算法,这是在[Jia et al.,KDD 2020],用于加速图神经网络(GNN)的学习。HAG的思想是识别和删除在训练GNN时执行的计算中的冗余。相关的优化问题是识别和删除最多的冗余。以前的工作介绍了一个贪婪的方法HAG问题,并声称1-1/e的近似因子。我们通过示例表明,这是不正确的,并且不能希望比1/2近似因子更好。我们证明了这种贪心算法满足一些(较弱)的近似保证,通过显示一个新的连接HAG问题和超图中的最大匹配问题。我们还介绍了第二个贪心算法,它可以优于第一个,我们展示了如何有效地实现它在一些参数制度。最后,我们介绍了一些贪婪算法,比上述贪心算法快得多,我们证明了他们在现实世界的图上表现良好。
2021-02-05 cs.DS
Just-in-Time Batch Scheduling Problem with Two-dimensional Bin Packing Constraints
本文介绍并近似解决了一个多部件的问题,小的矩形项目生产的大型矩形箱通过断头台切割。一个项目的特征在于它的宽度、高度、到期日以及单位时间内的提前和迟到惩罚。每一个项目都会产生一个成本,这个成本与它的提前和延迟成正比。从同一个料箱中切割的物料形成一个批次,其处理和完成时间取决于其分配的物料。批次中的项目具有其仓位的完成时间。目标是找到一个最小化提前和拖期惩罚的加权和的切割计划。我们解决这个问题,通过约束规划为基础的启发式(CP)和基于代理的建模启发式(AB)。CP是一种基于影响的搜索策略,在通用求解程序IBM CP Optimizer中实现。AB是建设性的。它通过代表物品的代理集和代表箱子的代理集之间的反复协商来构建解决方案。代理合作,以尽量减少加权提前-拖期惩罚。计算结果表明,CP优于AB小尺寸的情况下,而相反的情况下,大的实例。
2017-07-27 cs.DS
Geometric Batch Optimization for the Packing Equal Circles in a Circle Problem on Large Scale
圆中相等圆的布局问题是一个经典而著名的布局问题,在学术界得到了广泛的研究,在工业上也有着广泛的应用。该问题在计算上具有挑战性,文献中研究人员主要关注圆形项目数n小于320的小规模实例。在这项工作中,我们的目标是大规模地解决这个问题。具体来说,我们提出了一种新的几何批优化方法,不仅可以显着加快连续优化的收敛过程,但也减少了程序运行时的内存需求。在此基础上,提出了一种称为解空间探索与下降的启发式搜索方法,该方法可以在大规模上有效地发现可行解。此外,我们提出了一个自适应的邻居对象维护方法,以保持在连续优化过程中应用的邻居结构。通过这种方式,我们可以在合理的计算时间内找到大规模实例的高质量解决方案。在n = 300到1,000的基准实例上进行的大量实验表明,该算法的性能优于现有算法,并且在大规模实例上表现出色。特别是,我们的算法发现了10个改进的解决方案,21个研究良好的中等规模的实例和95个改进的解决方案,101个采样的大规模的实例。此外,我们的几何批量优化,启发式搜索,和自适应维护方法是通用的,可以适应其他包装和连续优化问题。
2023-03-08 cs.CG cs.DS
Fast Approximation Algorithms for Near-optimal Large-scale Network Monitoring
我们研究了大规模网络中的最优流量预测和监控问题。我们的目标是确定K个链路的哪个子集进行监控,以便“最好”预测网络中剩余链路上的流量。我们考虑几个最优性准则。这可以用公式表示为属于子集选择问题族的组合优化问题。在统计学、机器学习和信号处理中也出现了类似的NP难题。一些包括回归的子集选择,变量选择和稀疏近似。精确解在计算上是不允许的。我们提出了新的算法,以及新的高效算法实现经典的贪婪启发式-通常用于解决这样的组合问题。我们的方法利用连接到主成分分析(PCA),并产生新类型的性能下限,不需要子模块的目标函数。我们表明,集成方法应用到我们的新的随机启发式算法,往往优于经典的贪婪启发式在实践中。我们在几个大规模的网络,包括现实生活中的网络,我们的算法进行评估。
2013-12-03 cs.DS
Maintaining Virtual Areas on FPGAs using Strip Packing with Delays
每年,可用于动态部分可重构设备的计算资源都在大幅增加。在不久的将来,我们希望许多应用程序运行在一个单一的可重构设备。在本文中,我们提出了一个概念,多任务的动态部分可重构系统称为虚拟区域管理。我们解释了它的优势,展示了它的挑战,并讨论了可能的解决方案。此外,我们更详细地研究一个问题:包装模块随时间变化的资源请求。这一问题来自于可重构计算领域,产生了一个全新的优化问题。基于ILP和启发式方法进行了比较,在实验研究和讨论的缺点和好处。
2010-01-25 cs.AR cs.DS
Beyond Adaptive Submodularity: Approximation Guarantees of Greedy Policy with Adaptive Submodularity Ratio
University of Tokyo(东京大学);NTT Communication Science Laboratories(NTT通信科学实验室)
本文提出了自适应子模块率的概念来研究序列决策中的贪婪策略。虽然贪婪策略在实践中对各种自适应随机优化问题都有很好的表现,但它的理论性质只针对有限的一类问题进行了分析。我们缩小了理论和实践之间的差距,通过使用自适应子模块比,这使我们能够证明近似保证的贪婪的政策,大大更广泛的一类问题。新分析的问题的例子包括重要的应用,如自适应影响力最大化和自适应特征选择。我们的自适应子模块比也提供了自适应差距的界限。实验证实,贪婪的政策执行良好的应用程序相比,标准的竞争力。
2019-04-24 cs.DS cs.LG stat.ML
Finding Good Itemsets by Packing Data
最近,选择能够很好地表示数据的小的项目集组的问题得到了很多关注。我们通过搜索有效压缩数据的项集来解决这个问题。作为一种压缩技术,我们使用决策树结合MDL的改进版本。更正式地说,假设项目是有序的,我们为每个项目创建一个决策树,它可能只依赖于前面的项目。我们的方法使我们能够找到属性之间的复杂相互作用,而不仅仅是1的共同出现。此外,我们提出了一个项目集和决策树之间的链接,并使用此链接导出的项目集从决策树。在本文中,我们提出了两个算法。第一种是一种简单的贪婪方法,直接从数据中构建一个项集家族。第二个,给定候选项集的集合,选择这些项集的一个小子集。我们的实验表明,这些方法导致紧凑和高质量的数据描述。
2019-02-06 cs.DB cs.DS
On Guillotine Separable Packings for the Two-dimensional Geometric Knapsack Problem
在二维的【形】几何背包问题中,我们给出了一组n个轴向对齐的矩形项和一个轴向对齐的正方形背包。每个项目都有积分宽度,积分高度和相关的积分利润。我们的目标是找到一个(非重叠轴对齐)包装的最大利润子集的矩形到背包。在实践中,一个被充分研究和经常使用的约束是只允许可截断分离的填料,即,可以通过递归地应用一系列边到边的轴平行切割来获得填充中的每个矩形,所述切割不与解的任何项相交。本文研究了截断约束下的几何背包问题的近似算法。假设所有输入数值数据在n中多项式有界,我们给出了允许旋转90度和不允许旋转90度两种情况下的多项式时间(1 + ε)-近似算法.相比之下,这种设置的最著名的近似因子是3 + ε [Jansen-Zhang,SODA 2004],即使在所有项目具有相同利润的基数情况下。我们的主要技术贡献是一个结构引理,它表明任何一种截断填料都可以转化为另一种结构化截断填料,而且几乎可以获得相同的利润。在这种包装中,每个物品都完全包含在一个恒定数量的盒子和L形区域中,物品通过简单的贪婪例程放置在其中。特别是,我们提供了一个干净的充分条件时,这样的包装遵守断头台切割约束,这可能是有用的其他设置,这些约束。
2021-03-17 cs.CG cs.DS