Faster and simpler approximation of stable matchings
我们给出了一个3/2近似算法的稳定匹配,运行在$O(m)$时间。McDermid以前最著名的算法具有相同的近似比,但在$O(n^{3/2}m)$时间内运行,其中$n$表示人数,$m$是给定实例中偏好列表的总长度。算法和分析也简单得多。我们还给出了多对多设置的算法的扩展。(This是2011年3月的版本)
2014-04-04 cs.DM cs.DS
Fast computation of von Neumann entropy for large-scale graphs via quadratic approximations
冯·诺依曼图熵(VNGE)可以作为图的复杂性的度量,它可以是图之间的信息发散度和距离的度量。然而,计算VNGE对于大规模图有着广泛的要求。我们提出了新的二次近似快速计算VNGE。我们发现了二次近似与精确VNGE之间的各种误差不等式,并将VNGE的立方复杂度降为线性复杂度。在随机图模型和各种真实网络数据集上的计算模拟表明了卓越的性能。
2019-07-20 cs.DS cs.IT cs.SI
Fast Approximation Algorithms for Bounded Degree and Crossing Spanning Tree Problems
我们开发快速近似算法的最小成本版本的有界度MST问题(BD-MST)和其推广的交叉生成树问题(Crossing-ST)。我们解决了潜在的LP内的$(1+ε)$近似因子在近线性时间通过乘法权重更新(MWU)技术。特别地,这产生了一种近线性时间算法,该算法输出估计$B$,使得$B \le B^* \le \lceil (1+ε)B \rceil +1$,其中$B^*$是给定图的生成树的最小度。为了圆的分数的解决方案,在我们的主要技术贡献,我们描述了一个快速的近线性时间实现交换舍入的生成树多面体的图。分数解也可以用来稀疏化输入图,这反过来又可以用来加速现有的组合算法。总之,这些想法导致显着更快的近似算法比以前已知的两个问题的兴趣。此外,一个快速算法交换舍入的图形拟阵是一个通用的工具,有其他的应用,包括TSP和次模函数最大化。
2021-05-17 cs.DS
Fast Approximation Schemes for Bin Packing
基于以下两种方法,我们提出了新的装箱问题的近似格式:(1)将给定问题分解为多个大小相同的子问题,然后将这些大小相同的子问题的解通过PTAS或精确方法组合起来构造一个解;(2)使用不规则尺寸的箱子解决装箱问题,这是装箱问题的一种推广,这有助于设计简单有效的递归算法,该算法根据较小的子问题来解决问题,使得由较早解决的子问题使用的箱中的未使用空间,问题可用于随后解决的子问题。
2019-02-09 cs.DS
Faster Approximation Algorithms for Parameterized Graph Clustering and Edge Labeling
Texas A&M University(德克萨斯农工大学)
针对 NP 难的 LambdaCC 参数化图聚类框架,提出基于新型参数化边标注问题的快速纯组合近似算法,显著提升可扩展性,并为既有启发式方法提供事后近似保证。
2023-06-08 cs.DM cs.DS cs.LG
Faster Approximation Algorithms for Geometric Set Cover
我们改进了$O(1)$ -近似算法的运行时间,用于几何设置中的集合覆盖问题,具体地说,在平面上覆盖点的圆盘,或覆盖点的三维空间中的半空间。在未加权的情况下,Agarwal和Pan [SoCG 2014]通过使用乘法权重更新(MWU)方法的变体结合几何数据结构,给出了随机$O(n\log^4 n)$ -时间、$O(1)$ -近似算法。我们简化了其中一种方法的数据结构要求,得到了一个确定性的$O(n\log^3 n\log\log n)$ -时间算法。进一步的新思想,我们得到了一个更快的随机$O(n\log n(\log\log n)^{O(1)})$时间算法。对于加权问题,通过对MWU方法和准均匀采样技术的简单修改,我们也给出了一个随机的$O(n\log^4n\log\log n)$ -时间,$O(1)$ -近似算法.
2020-03-26 cs.CG cs.DS
Fast Approximation of Centrality
社会研究的研究人员使用图形来模拟社交网络中的群体活动。在这种情况下,一个重要的属性是顶点的中心性:到每个其他顶点的平均距离的倒数。我们描述了一个加权图中心度的随机近似算法。对于表现出小世界现象的图,我们的方法估计在近线性时间内所有顶点的中心性具有高概率在(1+ 1)因子内。
2000-09-13 cond-mat.dis-nn cs.DS cs.SI
Fast Approximation Algorithms for Cut-based Problems in Undirected Graphs
针对无向图中基于割的极小化问题,提出了一种快速近似算法的一般设计方法。特别是,我们开发了一种技术,任何这样的问题,可以快速近似的树,允许近似它几乎一样快,一般的图形,而只失去了一个多对数因子的近似保证。为了说明我们的范例的适用性,我们把我们的注意力集中在无向稀疏割问题的一般要求和平衡分离器问题。通过一个简单的使用我们的框架,我们得到了这些问题的多项式对数近似算法,运行时间接近线性。我们的结果背后的主要工具是一个有效的过程,分解成更简单的一般图,同时近似保持割流结构。这种分解的灵感来自于Räcke在不经意路由方案的背景下开发的基于割的图分解,以及Spielman和Teng用于预处理对称对角占优矩阵的超解析器的构造。
2010-11-06 cs.DS
Faster exact and approximation algorithms for packing and covering matroids via push-relabel
拟阵是组合优化的一个基本研究对象。涉及拟阵的三个密切相关的重要问题是最大化$k$独立集的并(即$k$ -fold拟阵并),计算$k$不相交基(又称不相交基),以及如何计算不相交基。拟阵基包装),以及用$k$基覆盖元素(a.k.a.拟阵基覆盖)。这些问题自然地推广到元素上的积分和实值容量。这项工作开发更快的精确和/或近似问题,这些和其他一些密切相关的问题,如最佳加固和拟阵成员。我们得到改进的运行时间一般拟阵的独立预言模型和图形拟阵。我们改进的主要动力来自于为这些问题的整数容量版本开发一个更快和统一的push-relabel算法,建立在Frank和Miklós以前的工作基础上[FM 12]。然后,我们在两个方向上建立这个算法。首先,我们开发了一个更快的增广路径子程序$k$折叠拟阵联盟,当附加到一个近似版本的推重新标记算法,给出了一个更快的精确算法的一些参数的$k$。特别是,我们得到了一个子二次查询运行时间在无容量限制的设置为上面列出的三个基本问题。我们还获得了更快的近似算法,这些问题的实值容量减少到小的整数容量,通过随机舍入。为此,我们开发了一个新的随机舍入技术的基础覆盖问题拟阵,也可能是独立的利益。
2023-03-02 cs.DS
A New Regularity Lemma and Faster Approximation Algorithms for Low Threshold Rank Graphs
Kolla和Tulsiani [KT 07,Kolla 11}以及Arora,Barak和Steurer [ABS 10]引入了子空间枚举技术,给出了求解图问题(如唯一对策和小集合扩张)的近似算法,这些算法的运行时间在图的阈值秩内是指数的. Guruswami和Sinop [GS11,GS12],Barak,Raghavendra和Steurer [BRS 11]开发了一种替代方法来设计有界阈值秩图的近似算法,基于Lassere层次中的半定规划松弛和新的舍入技术。这些算法比基于子空间枚举的算法更快,并且可以处理广泛的一类问题。在本文中,我们开发了第三种方法来设计这样的算法。我们建设性地证明了有界阈值秩的图满足一个弱Szemeredi正则性引理,类似于Frieze和Kannan [FK 99]对稠密图证明的引理。有效的近似算法的存在是正则引理的结果,如Frieze和Kannan所示。应用我们的方法的最大切割问题,我们设计了一个算法,比以前所有的算法更快,更容易描述和分析。
2012-12-08 cs.DS math.SP
Fast Distributed Approximation for TAP and 2-Edge-Connectivity
树扩充问题(TAP)是一个基本的网络设计问题,其输入是一个图$G$及其生成树$T$,目标是用$G$的最小边集$Aug$扩充$T$,使得$T \cup Aug$是2-边连通的. TAP已在序贯设置中被广泛研究。加权情况下最著名的近似比2可以追溯到Frederickson和JáJá的工作,SICOMP 1981。最近,Kortsarz和Nutov在TALG 2016中给出了未加权TAP的3/2近似值。最近的突破给出了未加权TAP的近似值1.458 [Grandoni等人,STOC 2018],以及有界权重的近似值优于2 [Adjiashvili,SODA 2017; Fiorini等人,SODA 2018]。在本文中,我们提供了第一个快速分布近似TAP。我们提出了一个分布式的$2$近似加权TAP完成$O(h)$轮,其中$h$是高度的$T$。当$h$是大的,我们展示了一个更快的4-近似算法的未加权的情况下,完成在$O(D+\sqrt{n}\log^*{n})$轮,其中$n$是顶点数和$D$是直径的$G$。我们的结果的直接后果是一个$O(D)$ -轮2-近似算法的最小尺寸的2-边连通生成子图,这显着提高了以前的近似算法的运行时间,和$O(h_{MST}+\sqrt{n}\log^{*}{n})$ -轮3-近似算法的加权情况下,其中$h_{MST}$是高度的MST的图。其他的应用是验证2-边…
2019-05-10 cs.DC cs.DS
Fast Approximation Algorithm for Non-Monotone DR-submodular Maximization under Size Constraint
ORLab, Phenikaa School of Computing, Phenikaa University, Hanoi, 12116, Vietnam(OR实验室、费尼卡亚计算学院、费尼卡亚大学、河内、12116)
针对规模约束下的非单调DR-次模最大化问题,提出两种查询复杂度为$O(n \log(k))$的常数比近似算法FastDrSub和FastDrSub++,在理论和实验上均显著优于现有方法。
2025-11-04 cs.AI cs.CC cs.DS
Faster quantum and classical SDP approximations for quadratic binary optimization
本文给出了求解二次优化正则半定规划松弛问题的量子加速算法。这类用于组合优化的松弛到目前为止还没有实现量子加速。我们的方法结合量子吉布斯采样和矩阵指数更新的想法。该算法的去量化也导致更快的经典求解器。对于一般的情况下,我们的量子求解器提供了一个接近二次的速度比国家的最先进的算法。这样的例子包括近似自旋玻璃的基态和埃尔德什-雷尼图上的MaxCut。我们还提供了一个有效的随机舍入过程,近似最优的SDP解决方案转化为近似的原始二次优化问题。
2022-01-10 cs.DS quant-ph
A Fast Greedy Algorithm with a 0.45 Approximation Guarantee for the Airplane Refueling Problem
Goodsforecast
针对飞机加油问题,提出一种基于知名优先级规则的快速贪心算法,其近似保证达9/20,可高效实现,能作为轻量原初例程用于复杂算法,缩小了近似方案与轻量算法的差距。
2026-10-14 cs.DM cs.DS
Faster Least Squares Approximation
最小二乘近似是一种技术,用于找到没有精确解的线性方程组的近似解。在典型的设置中,让$n$为约束的数量,$d$为变量的数量,其中$n \gg d$。然后,现有的精确方法在$O(nd^2)$时间内找到解向量。我们提出了两个随机算法,提供非常准确的相对误差近似的最佳值和最小二乘近似问题的解向量更快地比现有的精确算法。我们的两个算法预处理的数据与随机阿达玛变换。然后,一个均匀随机采样约束,并解决这些约束上的较小问题,另一个执行稀疏随机投影,并解决这些投影坐标上的较小问题。在这两种情况下,解决较小的问题提供了相对误差近似,并且如果$n$充分大于$d$,则近似解可以在$O(nd \log d)$时间内计算。
2010-09-26 cs.DS
Faster Distributed Shortest Path Approximations via Shortcuts
最近的一系列成果和突破导致了更快和更好的分布式近似算法的单源最短路径(SSSP)和CONGEST模型中的相关问题。然而,所有这些算法的运行时间都是$\tildeΩ(\sqrt{n})$,与网络拓扑无关,即使是在具有(多)对数网络直径$D$的良好网络上。虽然这对于某些病态网络是必要的,但大多数感兴趣的拓扑结构都不是这种类型。我们给出了第一个分布式的最短路径问题的近似算法,调整到拓扑结构上运行,从而实现显着更快的运行时间在许多感兴趣的拓扑结构。我们的算法的运行时间依赖于并接近于$Q$,其中$Q$是给定拓扑结构的最佳捷径的质量。虽然$Q = \tildeΘ(\sqrt{n} + D)$用于病理最坏情况的拓扑,但许多感兴趣的拓扑具有$Q = \tildeΘ(D)$,这导致我们的算法在给定平凡$Ω(D)$下限的情况下接近实例最优运行时间。我们考虑的问题如下:(1)近似的最短路径树和SSSP距离,(2)每个节点的多对数大小距离标签,使得仅从任何两个节点的标签可以确定它们的距离(近似),以及(3)转运问题的(近似)最优流。我们的算法有一个可调的运行时间和近似比之间的权衡。我们最快的算法有一个任意好的多项式近似保证和一个基本上最佳的$\tilde{O}(Q)$运行时间。另一方面,我们在$\tilde{O}(Q \cdot n^ε)$轮中实现了对任何$ε> 0$的多对数近似。
2018-08-07 cs.DC cs.DS
Fast Approximation Algorithms for Euclidean Minimum Weight Perfect Matching
Research Institute for Discrete Mathematics and Hausdorff Center for Mathematics, University of Bonn(波恩大学离散数学研究所与豪斯多夫数学中心);Hamburg University of Technology, Institute for Algorithms and Complexity(汉堡工业大学算法与复杂性研究所)
本文提出了一种在$O(n \log n)$时间内求解欧几里得最小权重完美匹配问题的算法,其近似比为$O(n^{0.206})$,并扩展到高维空间,近似比为$O(n^{0.412})$。
2026-01-08 cs.CG cs.DS math.CO
A Faster Deterministic Approximation Algorithm for TTP-2
针对 TTP-2 中 $n\equiv2$(mod 4)的情形,本文提出一种 $O(n^3)$ 时间的确定性 $(1+9/n)$-近似算法,在相同时间复杂度下改进了既有确定性算法的近似比。
2024-02-29 cs.DS math.CO
Fast approximate $\ell$-center clustering in high dimensional spaces
University of Warsaw(华沙大学);Lund University(隆德大学)
本文提出了一种在高维空间中快速近似ℓ-中心聚类的算法,通过随机降维技术提升了效率,并改进了处理异常值的近似方法。
2025-12-02 cs.DS
Sampling with a Black Box: Faster Parameterized Approximation Algorithms for Vertex Deletion Problems
本文提出黑盒采样技术,结合随机采样与黑盒算法,为顶点删除问题设计更快的参数化近似算法,在反馈顶点集等问题上优于现有方法。
2024-07-17 cs.DS
Regularized Laplacian Estimation and Fast Eigenvector Approximation
最近,Mahoney和Orecchia证明了流行的基于扩散的程序来计算数据图Laplacian \emph{exactly}的第一个非平凡特征向量的快速\emph{approximation}可以解决某些正则化的半定规划(SDP)。在本文中,我们通过提供一个统计解释他们的近似程序,扩展了这一结果。我们的解释将类似于其中$\ell_2$ -正则化或$\ell_1$ -正则化$\ell_2$ -回归(通常分别称为岭回归和拉索回归)可以分别根据回归问题的系数向量的高斯先验或拉普拉斯先验来解释的方式。我们的框架意味着Mahoney-Orecchia正则化SDP的解可以被解释为图拉普拉斯算子的伪逆的正则化估计。相反,这将意味着可以通过运行例如,快速扩散为基础的PageRank程序计算近似的第一个非平凡的特征向量的图形拉普拉斯。还提供了经验结果来说明近似特征向量计算\emph{implicitly}执行统计正则化的方式,相对于运行相应的精确算法。
2011-10-11 cs.DS stat.ML
Fast approximation algorithms for $p$-centres in large $δ$-hyperbolic graphs
我们提供了一个准线性时间算法的$p$中心问题的附加误差小于或等于3倍的输入图的双曲常数。具体地说,对于图$G=(V,E)$与$n$顶点,$m$边和双曲常数$δ$,我们构造了一个算法的$p$ -中心的时间$O(p(δ+1)(n+m)\log(n))$的半径不超过$r_p + δ$时,$p \leq 2$和$r_p + 3δ$时,$p \geq 3$,其中$r_p$是最佳半径。以前的工作确定$p$ -中心与准确度$r_p+δ$,但与时间复杂度$O((n^3\log n + n^2m)\log(diam(G)))$,这是不切实际的大型图。
2016-04-25 cs.DS math.MG
Fast Distributed Approximation for Max-Cut
在许多计算环境中,寻找最大切割是一项基本任务。令人惊讶的是,在经典的分布式环境中,它没有得到充分的研究,其中顶点根据底层图(称为$\mathcal{LOCAL}$或$\mathcal{CONGEST}$模型)通过向其邻居同步发送消息进行通信。我们修正这一点,在这些模型中获得几乎最佳的算法,最大切割的广泛的一类图。特别是,对于任何$ε> 0$,我们开发的随机近似算法实现的比例$(1-ε)$的最大切割的二分图中的$\mathcal{CONGEST}$模型,并在一般的图形中的$\mathcal{LOCAL}$模型。我们进一步提出了有效的确定性算法,包括$1/3$ -近似的最大-Dicut在我们的模型,从而提高了最好的已知(随机)比$1/4$。我们的算法利用Buchbinder等人的贪婪方法(SIAM Journal on Computing,2015)来最大化无约束(非单调)子模函数,这可能是独立的兴趣。
2017-07-26 cs.DC cs.DS
Fast Approximate Shortest Paths in the Congested Clique
我们设计快速确定性算法的距离计算在拥挤的集团模型。我们的主要贡献包括:--一个$(2+ε)$ -近似所有对最短路径的$O(\log^2{n} / ε)$轮上的无向图。通过一个小的附加因子,这也适用于加权图。这是该模型中APSP的第一个子多项式常数因子近似。--加权无向图上$O(\log^2{n} / ε)$轮中$O(\sqrt{n})$源的多源最短路径的$(1+ε)$近似。这是第一个子多项式算法获得多项式大小的一组源的这种近似。我们的主要技术是新的距离工具,通过稀疏矩阵乘法的改进算法,我们利用它来构建有效的跳集和最短路径。此外,我们的技术扩展到额外的距离问题,我们改进后的最先进的,包括直径近似,和一个精确的单源最短路径算法加权无向图在$\tilde{O}(n^{1/6})$轮。
2019-10-31 cs.DC cs.DS