首页/论文/1908.02149

arXiv 1908.021492019-08-04cs.DCcs.AIcs.CYcs.NE

并行确定性多目标分形分解的多节点环境策略

Multi-node environment strategy for Parallel Deterministic Multi-Objective Fractal Decomposition

Université Paris-Est（巴黎东大学）

Leo Souquet, Amir Nakib

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文提出了一种新的实现确定性多目标（MO）优化称为多目标分形分解算法（Mo-FDA）。原算法是针对单目标大规模连续优化问题设计的。它是基于分而治之的战略和几何分形分解的搜索空间使用超球体。然后，为了处理MO问题的标量化方法。在这项工作中，已经开发了一种新的方法，在多节点环境中使用容器。在多目标优化的经典基准上，将Mo-FDA的性能与文献中的最新算法进行了比较

英文摘要：

This paper presents a new implementation of deterministic multiobjective (MO) optimization called Multiobjective Fractal Decomposition Algorithm (Mo-FDA). The original algorithm was designed for mono-objective large scale continuous optimization problems. It is based on a divide and conquer strategy and a geometric fractal decomposition of the search space using hyperspheres. Then, to deal with MO problems a scalarization approach is used. In this work, a new approach has been developed on a multi-node environment using containers. The performance of Mo-FDA was compared to state of the art algorithms from the literature on classical benchmark of multi-objective optimization

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

改进的确定性网络分解

Improved Deterministic Network Decomposition

网络分解是分布式图算法的核心工具。我们提出了两个改进的最先进的网络分解，从而导致改善（确定性和随机）的复杂性的几个研究良好的图形问题。- 我们提供了一个确定性的分布式网络分解算法与$O(\log^5 n)$轮复杂度，使用$O(\log n)$位消息。这改进了Rozhoregon和Ghaffari [STOC'20]的使用大消息的$O(\log^7 n)$轮算法，以及他们的使用$O(\log n)$位消息的$O(\log^8 n)$轮算法。这直接导致了广泛的确定性和随机分布式算法的类似改进，其解决方案依赖于网络分解，包括Ghaffari，Kuhn和Harris的一般分布式去随机化[FOCS'18]。- 在$\mathsf{CONGEST}$模型中，Rozhoregon和Ghaffari算法的一个缺点是它依赖于标识符的长度。因此，例如，该算法不能用于$\mathsf{CONGEST}$模型中的粉碎框架。因此，该模型中几个问题的最新随机化复杂性仍然具有加性$2^{O(\sqrt{\log\log n})}$项，这是旧网络分解复杂性的明显残余[Panconesi和Srinivasan STOC'92]。我们提出了一个修改后的版本，补救这一点，构建一个分解，其质量不依赖于标识符，从而提高了各种问题的随机轮的复杂性。

2020-07-16cs.DCcs.DS

面向区块链的超单纯形分形网络的数学理论：第一部分

A Mathematical Theory of Hyper-simplex Fractal Network for Blockchain: Part I

本文提出超单纯形分形网络拓扑的数学理论，通过将一维数据块折叠为N维单纯形几何结构，实现近无限可扩展性、分层共识与确定性快速路由，为下一代区块链架构奠定基础。

2024-10-01cs.DCcs.NI

使用小消息的改进网络分解及其在MIS、邻域覆盖等方面的应用

Improved Network Decompositions using Small Messages with Applications on MIS, Neighborhood Covers, and Beyond

由Awerbuch、Luby、Goldberg和Plotkin [FOCS'89]引入的网络分解是分布式图算法中的关键算法工具之一。我们提出了一种改进的确定性分布式算法，用于使用小消息构造功率图的网络分解，该算法改进了Ghaffari和Kuhn [DISC'18]的算法。此外，我们提供了一个随机分布的网络分解算法，基于我们的确定性算法，与故障概率指数小的输入大小，工作与小消息以及。与Elkin和Neiman [PODC'16]以前的算法相比，我们的算法以其轮复杂度为代价实现了更好的成功概率，同时给出了相同质量的网络分解。作为网络分解的随机算法的结果，我们得到了一个计算最大独立集的快速随机算法，改进了Ghaffari [SODA'19]的一个结果.我们改进的确定性网络分解算法的其他含义是：一个更快的确定性分布式算法，用于构建分布式集合覆盖的spectum和近似，改进Ghaffari和Kuhn [DISC'18]以及Deurer，Kuhn和Maus [PODC'19]的结果;以及更快的确定性分布式算法，用于构建邻域覆盖，解决Elkin [SODA'04]的一个公开问题。

2019-08-09cs.DCcs.DS

确定性分布式扩展器分解与路由及其在分布式去随机化中的应用

Deterministic Distributed Expander Decomposition and Routing with Applications in Distributed Derandomization

最近在利用扩展器的$\mathsf{CONGEST}$模型中的分布式图算法中有一个令人兴奋的工作。到目前为止，所有这些算法都是基于两个工具：扩展器分解和扩展器路由。$(ε,ϕ)$ -扩展器分解去除边缘的$ε$ -分数，使得剩余的连接分量具有至少$ϕ$的电导，即，它们是$ϕ$ -扩展器，并且扩展器路由允许$ϕ$ -扩展器中的每个顶点$v$非常快速地与任何其它顶点交换$\text{deg}(v)$消息，而不仅仅是其本地邻居。在本文中，我们给出了第一个有效的确定性分布式算法的工具。我们表明，$(ε,ϕ)$ -扩展器分解可以确定性地计算在$\text{poly}(ε^{-1}) n^{o(1)}$轮$ϕ= \text{poly}(ε) n^{-o(1)}$，并扩展器路由可以确定性地执行在$\text{poly}(ϕ^{-1})n^{o(1)}$轮。这两个结果都与[Chang和Saranurak，PODC 2019]和[Ghaffari，Kuhn和Su，PODC 2017]的随机算法的先前界限相匹配，直到子多项式因子。因此，我们去随机化现有的分布式算法，利用扩展器。我们证明了$n^{o(1)}$ -扩展器上的最小生成树可以在$n^{o(1)}$轮中确定性地构造，并且一般图上的三角形检测和枚举可以分别在$O(n^{0.58})$轮和$n^{2/3 + o(1)}$轮中确定性地解决。我们还给出了…

2020-07-29cs.DCcs.DS

多重时间确定性网络分解与分布式去随机化

Polylogarithmic-Time Deterministic Network Decomposition and Distributed Derandomization

提出了一种简单的多步时间确定性分布式网络分解算法。这改进了著名的$2^{O(\sqrt{\log n})}$时间算法的Panconesi和Srinivasan [STOC'92]，并解决了一个中心和长期存在的问题，在分布式图算法。它还导致了第一个多周期时间确定性分布式算法的许多其他问题，从而解决了几个著名的和几十年的开放问题，包括Linial的问题的确定性复杂性的最大独立集[FOCS'87; SICOMP'92]-这被称为最突出的问题在该地区。其主要含义是一个更一般的分布式去随机化定理：结合Ghaffari，Kuhn和Maus [STOC'17]和Ghaffari，Harris和Kuhn [FOCS'18]的结果，我们的网络分解意味着$$\mathsf{P}\textit{-}\mathsf{RLOCAL} = \mathsf{P}\textit{-}\mathsf{LOCAL}.$$也就是说，对于任何可以在多周期时间内确定性检查其解的问题，任何多周期时间随机算法都可以被去随机化为多周期时间确定性算法。非正式地，对于效率的标准一阶解释为多随机时间，分布式算法不需要随机性来提高效率。通过已知的连接，我们的结果也导致了更快的随机分布式算法的一些研究充分的问题，包括$(Δ+1)$ -着色，最大独立集，和Lovász局部引理，以及大规模并行算法$(Δ+1)$ -着色。

2020-05-10cs.DCcs.DMcs.DS

确定性分布式顶点着色：更简单，更快，无需网络分解

Deterministic Distributed Vertex Coloring: Simpler, Faster, and without Network Decomposition

我们提出了一个简单的确定性分布式算法，计算一个$(Δ+1)$ -顶点着色$O(\log^2 Δ\cdot \log n)$轮。该算法可以用$O(\log n)$位消息来实现。该算法也可以推广到更一般的$(degree+1)$ -列表着色问题。自20世纪80年代以来，获得$(Δ+1)$ -顶点着色的多项式时间确定性算法一直是分布式图算法领域的一个中心开放问题，直到最近Rozhoregon和Ghaffari的网络分解算法[STOC'20]。现有技术是基于其分解的改进变体，其导致用于$(Δ+1)$顶点着色的$O(\log^5 n)$轮算法。我们的着色算法是完全不同的，相当简单和快速。它解决了着色问题，在一个直接的方式，而不使用网络分解，通过逐步四舍五入某一分数的颜色分配，直到达到一个整体的颜色分配。此外，通过Chang，Li和Pettie [STOC'18]的方法，这种改进的确定性算法也导致了$(Δ+1)$着色的随机算法的复杂性的改善，现在达到了$O(\log^3\log n)$轮的界限。作为进一步的应用，我们还提供了更快的确定性分布式算法的顶点着色问题的以下变种。在荫度$a$图中，我们证明了$(2+ε)a$ -顶点着色可以在$O(\log^3 a\cdot\log n)$轮中计算。我们还证明了对于$Δ\geq 3$，$Δ$ -可着色图$G$的$Δ$ -着色可以在$O(\log^2 Δ\…

2021-09-04cs.DCcs.DS

更多相关论文收起更多论文

近最优确定性网络分解与支配集，以及改进的 MIS

Near-Optimal Deterministic Network Decomposition and Ruling Set, and Improved MIS

本文提出近最优确定性分布式网络分解与 O(log log n) 支配集算法，并将 MIS 确定性轮复杂度改进至约 O(log^(5/3) n)。

2024-10-25cs.DCcs.DS

快速确定性分布式MIS与近似匹配

Faster Deterministic Distributed MIS and Approximate Matching

$ \renewcommand{\tilde}{\widetilde} $针对最大独立集问题提出了一个$\tilde{O}(\log^2 n)$轮确定性分布式算法。通过已知的简化，该轮复杂性还扩展到最大匹配、$Δ+1$顶点着色和$2Δ-1$边着色。这四个问题是分布式图算法中最核心的问题之一，在过去的四十年里得到了广泛的研究。这种改进的轮复杂度更接近最大独立集和最大匹配的$\tildeΩ(\log n)$下限[Balliu et al. FOCS '19]。以前最著名的确定性复杂度为所有这些问题是$Θ(\log^3 n)$。通过粉碎技术，改进也渗透到相应的随机复杂性，例如，$Δ+1$顶点着色的新随机化复杂度现在是$\tilde{O}(\log^2\log n)$轮。我们的方法是先前已知的两种方法的新颖组合，用于开发针对这些问题的确定性算法，即通过网络分解的全局去随机化（例如，[Rozhon，Ghaffari STOC '20; Ghaffari，Grunau，Rozhon SODA' 21; Ghaffari等人SODA '23]）和分数解的局部舍入（参见例如，[Fischer DISC '17; Harris FOCS' 19; Fischer，Ghaffari，Kuhn FOCS '17; Ghaffari，Kuhn FOCS' 21; Faour等人SODA '23]）。我们考…

2023-03-28cs.DCcs.DS