Approximate Monotone Local Search for Weighted Problems
该工作将近似单调局部搜索方法推广到加权设置,在仅访问子程序或成员资格预言机的模型下,获得与未加权情形相同的指数时间近似保证,并首次为多个加权问题提供优于暴力搜索的近似算法。
2023-08-29 cs.DS
Approximate Minimum Tree Cover in All Symmetric Monotone Norms Simultaneously
本文研究以最小生成树权值为簇代价的聚类问题,改造 Min-Max Tree Cover 算法,得到可同时近似所有单调对称范数的纯组合多项式时间算法,并扩展到含 depot 约束情形,同时证明单一 $\ell_p$ 目标下已为 APX-hard。
2025-01-09 cs.DS
Maximizing Submodular or Monotone Approximately Submodular Functions by Multi-objective Evolutionary Algorithms
Nanjing University(南京大学);Southern University of Science and Technology(南方科技大学)
进化算法是一种受自然启发的通用优化算法,在解决各种实际优化问题中表现出了良好的性能。在过去的二十年中,有希望的结果上的运行时间分析(一个重要的理论方面)的EA已经获得,而他们中的大多数集中在孤立的组合优化问题,这并不反映通用的性质EA。为了对进化算法的行为提供一个一般的理论解释,我们需要研究它们在一般组合优化问题上的性能。据我们所知,唯一的结果朝着这个方向是可证明的良好的近似保证EA的最大化单调次模函数与拟阵约束的问题类。这项工作的目的是促进这一研究路线。考虑到许多组合优化问题涉及非单调或非次模目标函数,本文研究了一般问题类:带/不带尺寸约束的最大化次模函数和带尺寸约束的最大化单调近似次模函数。我们证明了一个名为GSEMO-C的简单多目标EA通常可以在多项式预期运行时间内实现良好的逼近保证。
2022-11-28 cs.AI cs.CC cs.DS
Faster Exponential-Time Approximation Algorithms Using Approximate Monotone Local Search
CISPA Helmholtz Center for Information Security(CISPA 赫尔姆霍兹信息安全中心);Simon Fraser University(西蒙菲莎大学);Max Planck Institute for Informatics(马克斯·普朗克 informatics 研究所)
本文提出了一种基于近似单调局部搜索的方法,改进了多个NP难问题的指数时间近似算法,如顶点覆盖问题。
2026-01-11 cs.CC cs.DS
Scheduling Monotone Moldable Jobs in Linear Time
可模作业是指可以在任意数量的处理器上执行的作业,其处理时间取决于分配给它的处理器数量。如果分配给它的处理器数量增加,它的工作量不减少,则可模作业是单调的。研究单调可模塑工件的排序问题,目标是最小化完工时间。我们认为,对于某些紧凑的输入编码的多项式算法有一个运行时间多项式在n和log(m),其中n是作业的数量和m是机器的数量。我们描述了如何单调的工作可以用来抵消增加的问题的复杂性,所产生的紧凑编码,并给出紧边界上的问题与紧凑编码的近似性:这是NP-难以最佳解决,但承认PTAS。这项工作的主要重点是有效的近似算法。我们描述了不同的技术,利用单调的工作,以更好的运行时间,并提出了(3/2+ε)-近似算法,其运行时间是多项式的log(m)和1/ε,和只有线性的工作数量n。
2018-01-07 cs.DS
The Incremental Knapsack Problem with Monotone Submodular All-or-Nothing Profits
本文研究全有或全无单调次模利润下的增量背包问题,证明其近似难度不高于已知模增量背包问题,并指出更一般次模扩展存在 APX-hard 性。
2023-04-25 cs.DS math.OC
Efficient Discovery of Variable-length Time Series Motifs with Large Length Range in Million Scale Time Series
检测重复的变长模式,也称为变长模体,近年来受到了极大的关注。现有算法利用定长模体发现算法作为子程序来枚举变长模体。因此,当枚举范围很大时,执行可能需要数小时或数天。在这项工作中,我们引入了一个近似的算法,称为HierarchIcal基序枚举(HIME),以检测可变长度的基序,在百万级的时间序列的大枚举范围。我们在实验中表明,该算法的可扩展性是显着优于国家的最先进的算法。此外,HIME检测到的基序长度范围比之前基于序列匹配的近似变长基序发现方法要大得多。我们证明,HIME可以有效地检测有意义的可变长度的图案在长,真实世界的时间序列。
2018-02-13 cs.DS cs.IR
No-regret algorithms for online $k$-submodular maximization
我们提出了一个多项式时间算法在线最大化的$k$ -子模最大化。对于在线(非单调)$k$ -次模最大化,我们的算法实现了一个紧密的近似因子的近似遗憾。对于在线单调$k$ -次模最大化,我们的近似遗憾匹配最知名的近似比,这是紧渐近$k$趋于无穷大。我们的方法是基于Blackwell逼近定理和在线线性优化。
2018-07-13 cs.DS
Enumeration algorithms for combinatorial problems using Ising machines: When should we stop exploring energy landscapes?
Research Institute for Electronic Science, Hokkaido University(北海道大学电子科学研究所);Institute for Chemical Reaction Design and Discovery (WPI-ICReDD), Hokkaido University(北海道大学化学反应设计与发现研究所(WPI-ICReDD));Graduate School of Chemical Sciences and Engineering, Hokkaido University(北海道大学理工研究院);Statistics Discipline, Khulna University(库尔纳大学统计学系);SANKEN, The University of Osaka(大阪大学基础工学研究所)
本文提出基于伊辛机采样的组合问题枚举算法,利用概率论推导停止准则并给出失败概率上界保证,在最大团枚举实验中比传统分支定界法更快。
2025-11-07 cs.DS quant-ph
Online Risk-Averse Submodular Maximization
提出了一种多项式时间在线算法,用于最大化单调随机次模函数的条件风险价值(CVaR)。给予$T$ i.i.d.样本从一个潜在的分布到达在线,我们的算法产生一个序列的解决方案,收敛到($1-1/e$)-近似解决方案的收敛速度为$O(T^{-1/4})$单调连续DR-次模函数。与以往离线算法需要$Ω(T)$空间相比,我们的在线算法只需要$O(\sqrt{T})$空间.我们扩展我们的在线算法投资组合优化的单调子模集函数下拟阵约束。在真实数据集上进行的实验表明,我们的算法可以快速实现CVaR是由现有的离线算法所获得的。
2021-05-20 cs.DS
Enumerating models of DNF faster: breaking the dependency on the formula size
本文研究DNF公式模型枚举问题,提出延迟仅依赖模型规模而非公式规模的算法,为固定k-DNF和单调公式分别提供了常数和二次延迟算法,并进一步实现次线性平均延迟。
2024-08-26 cs.CC cs.DS
Approximate Voronoi cells for lattices, revisited
我们重新审视了近似Voronoi细胞方法,用于解决高维晶格上的预处理最接近向量问题(CVPP),并解决了Doulgerakis-Laarhoven-De Weger [PQCrypto,2019]在高斯启发式下确定这些Voronoi细胞体积的精确渐近性的开放问题。其结果是,我们得到改进的随机迭代切片器的时间复杂度的上限时,使用小于$2^{0.076d + o(d)}$内存,我们展示了如何获得时间-内存的权衡,即使使用小于$2^{0.048d + o(d)}$内存。我们还解决了公开的问题,获得一个连续的权衡之间的建议和查询时间复杂度的大小,作为时间复杂度与次指数的意见,在我们的方法规模为$d^{d/2 + o(d)}$,匹配最坏情况下的枚举界限,并实现相同的渐近缩放平均情况下枚举算法的最接近的向量问题。
2019-07-10 cs.CG cs.CR cs.DM
Locally Adaptive Optimization: Adaptive Seeding for Monotone Submodular Functions
自适应播种问题是社交网络中的影响力最大化所激发的算法挑战:人们试图在网络中的某些可访问节点中进行选择,然后在这些节点的邻居变得可访问时自适应地进行选择,以最大化全局目标函数。更一般地说,自适应播种是一个随机优化框架,其中第一阶段的选择影响第二阶段的实现,我们的目标是优化。我们的主要结果是一个$(1-1/e)^2$ -近似的自适应播种问题的任何单调子模函数。虽然自适应政策往往是通过非自适应政策近似,我们的算法是基于一种新的方法,我们称之为\emph{locally-adaptive}政策。这些策略结合了非自适应全局结构和局部自适应优化。该方法使一般单调子模函数的$(1-1/e)^2$ -近似,并规避了一些与非自适应策略相关的不可能性。我们还介绍了一个基本问题,在子模块优化,可能是独立的利益:给定一个地面设置的元素,每个元素出现一些小的概率,找到一组预期的大小最多$k$,具有最高的期望值超过实现的元素。我们得到了一个令人惊讶的结果:有一类单调子模函数(包括覆盖),当概率为零时,它们几乎可以最优地近似。对于一般单调次模函数,我们通过减少\textsc{Planted-Clique},这个问题的近似是不可能获得的。这个优化问题是通过非自适应策略进行自适应播种的重要工具,它的难度促使我们在主要结果中使用的\emph{locally-adaptive}策略的引入。
2015-07-09 cs.DS cs.SI
$\text{#NFA}$ admits an FPRAS: Efficient Enumeration, Counting, and Uniform Generation for Logspace Classes
在这项工作中,我们研究了两个简单而又通用的复杂性类,基于对数空间图灵机,它提供了一个统一的框架,有效的查询评估领域,如信息抽取和图形数据库等。我们调查这些类的三个基本算法问题的复杂性:枚举,计数和统一生成的解决方案,并表明,他们在这方面有几个理想的属性。这两个复杂性类别都是根据非确定性对数空间换能器(NL换能器)定义的。对于第一类,我们考虑的情况下,明确的NL传感器,我们证明了常数延迟枚举,计数和统一生成的解决方案在多项式时间。对于第二类,我们考虑不受限制的NL传感器,我们得到多项式延迟枚举,近似计数多项式时间,和多项式时间的随机算法均匀生成。更具体地说,我们表明,在这第二类中的每个问题承认一个完全多项式时间随机近似方案(FPRAS)和多项式时间拉斯维加斯算法的均匀生成。有趣的是,证明这些结果的关键思想是证明基本问题$\text{#NFA}$允许FPRAS,其中$\text{#NFA}$是计算长度为$n$(以一元形式给出)的字符串的数量的问题,该字符串被非确定性有限自动机(NFA)接受。虽然这个问题是已知的$\text{#P}$ -完全的,更准确地说,是$\text{SpanL}$ -完全的,但这个问题是否允许FPRAS是开放的。在这项工作中,我们解决了这个开放的问题,并获得了一个可喜的推论,在$\text{SpanL}$的每个功能承认FPRAS。
2021-06-23 cs.CC cs.DS
A Tight Approximation for Submodular Maximization with Mixed Packing and Covering Constraints
受机器学习中子集选择和数据汇总等应用的启发,我们考虑了混合填充和覆盖约束下的单调子模函数最大化问题。我们提出了一个紧密的近似算法,对于任何常数$ε>0$实现了$1-\frac{1}{\mathrm{e}}-ε$的保证,同时违反覆盖约束的乘法因子$1-ε$。我们的算法是基于一种新的枚举方法,它不同于以前已知的枚举技术,可以处理包装和覆盖约束。我们扩展了上述主要结果,另外处理拟阵的独立性约束,以及寻找(近似)帕累托集最优解时,多个子模块化的目标。最后,我们提出了一种新的和纯粹的组合动态规划方法,可以应用到几个特殊情况下的问题产生不仅{ \em确定性},但也相当快的算法。例如,对于仅填充约束的充分研究的特殊情况(Kulik { \em et. al.} [数学。Res. `13]和Chekuri { \em et. al.} [FOCS 10]),我们能够提出第一个确定性的非平凡的近似算法。我们相信我们的新组合方法可能是独立的利益。
2018-12-19 cs.DM cs.DS
Exact Algorithms via Monotone Local Search
我们给出了一个新的一般方法来设计子集问题的精确指数时间算法。在子集问题中,输入隐式地描述了一个集合族,该集合族在大小为n的论域上,任务是确定该集合族是否包含至少一个集合。我们的方法是基于“单调局部搜索”,其目标是通过添加尽可能少的元素来将部分解扩展到解。更正式地说,在扩展问题中,我们也给出了作为输入的论域的子集X和整数k。任务是确定是否可以将最多k个元素添加到X中以获得(隐式定义的)族中的集合。我们的主要结果是,一个O*(c^k)时间算法的扩展问题立即产生一个随机算法,找到一个解决方案的任何大小的运行时间O*((2-1/c)^n)。在许多情况下,扩展问题可以简化为简单地找到大小最多为k的解。此外,在参数化算法领域,寻找小解的有效算法已经得到了广泛的研究。直接应用这些算法,我们的定理产量在一个中风显着的改进,在最知名的指数时间算法的几个研究得很好的问题,包括d-命中集,反馈顶点集,节点唯一标签覆盖,加权d-SAT。我们的研究结果表明,参数化算法和精确指数时间算法之间的一个有趣的和非常具体的连接。我们还展示了如何去随机化我们的算法在运行时间的次指数乘法因子的成本。我们的去随机化是基于一个新的伪随机对象,可能是独立的利益的有效建设。最后,我们扩展我们的方法,建立新的组合上界和开发枚举算法。
2015-12-05 cs.DM cs.DS math.CO
Sketching Distances in Monotone Graph Classes
该文研究单调图类中距离判定的通信问题,刻画了不同距离概要存在性与图类结构参数的等价或蕴含关系,明确了有界膨胀等性质对常数大小距离概要的关键作用。
2023-12-15 cs.DM cs.DS math.CO
Maximizing a Nonnegative, Monotone, Submodular Function Constrained to Matchings
次模函数有许多应用。比赛有很多应用。双文本词对齐问题可以建模为最大化约束于完全二分图中的匹配的非负、单调、子模函数的问题,其中每个顶点对应于两个输入句子中的一个词,并且每个边表示潜在的词到词的翻译。我们提出了一个更一般的问题,最大化的非负,单调,子模函数定义在一个完整的图约束匹配的边缘集,我们称之为CSM匹配问题。CSM-匹配也推广了最大权匹配问题,它有一个多项式时间的算法,然而,我们表明,它是NP-困难的近似CSM-匹配的一个因素内e/(e-1)通过减少最大k-覆盖问题,我们的主要结果是一个简单的,贪婪的,3-近似算法的CSM-匹配。然后,我们减少CSM匹配最大化一个非负的,单调的,子模函数在两个拟阵,即,CSM-2-Matroids。CSM-2-拟阵有一个(2+ N)-近似算法-称为LSV 2。我们表明,我们可以找到一个(4+)-近似的解决方案,CSM匹配使用LSV 2。我们将这种方法扩展到类似的问题。
2013-01-10 cs.AI cs.CC cs.DS
Constrained Non-Monotone Submodular Maximization: Offline and Secretary Algorithms
约束次模极大化问题已经研究了很长时间,当次模函数单调时,在各种约束下都有接近最优的结果。非单调次模最大化的情况较少被理解:Feige等人(FOCS '07)给出了甚至对于无约束设置的第一近似算法。最近,Lee等人(STOC '09,APPROX '09)展示了当约束由p个拟阵约束的交集给出时,如何近似最大化非单调子模函数;他们的算法基于考虑p-交换的局部搜索过程,因此运行时间可能是n^Omega(p),这意味着他们的算法只对常数多个拟阵是多项式时间的。在本文中,我们给出的算法,工作的p-独立系统(推广的约束,由p拟阵的交集),其中的运行时间是poly(n,p)。我们的算法基本上减少了非单调最大化问题,以前在单调的情况下使用的贪心算法多次运行。我们的想法,使用现有的算法单调函数来解决非单调的情况下,也适用于最大化的次模函数的背包约束:我们得到一个简单的基于贪婪的常数因子近似这个问题。有了这些更简单的算法,我们能够适应我们的方法,约束非单调子模最大化的(在线)秘书设置,其中元素到达一个随机顺序的时间,算法必须作出不可撤销的决定是否选择每个元素,因为它到达。我们给常数近似在这个秘书设置时,该算法受到约束的一致拟阵或分区拟阵,并给出了O(log k)近似时,它是由一个一般的拟阵秩k的约束。
2010-10-06 cs.DS cs.GT
Monotone Submodular Diversity functions for Categorical Vectors with Application to Diversification of Seeds for Targeted Influence Maximization
将多样性嵌入到知识发现任务中对于增强挖掘模式的意义至关重要,这些模式具有与新颖性,偶然性和道德相关的高影响力方面。令人惊讶的是,在社交网络中影响力最大化的经典问题中,相对较少的研究致力于多样性及其融入影响力最大化方法的目标函数。在这项工作中,我们提出了一个边信息为基础的概念,种子多样性的目标函数的目标影响力最大化问题的集成。从假设边信息是在节点级别的分类属性值的一般形式,我们设计了一类单调子模块功能,专门构思用于确定一组分类配置文件内的多样性与种子被发现。这使我们能够开发一种有效的可扩展的近似方法,具有恒定的最优因子保证。更确切地说,我们制定了基于属性的多样性敏感的有针对性的影响力最大化问题下的国家的最先进的反向影响抽样框架,我们开发了一种方法,称为ADITUM,确保(1-1/e-ε)-近似解下的一般触发扩散模型。我们在五个真实世界的网络上对ADITUM进行了实验评估,包括与利用基于数值属性的多样性和拓扑驱动的多样性来实现影响力最大化的方法进行比较。
2019-12-08 cs.DS cs.SI physics.soc-ph
Testability and local certification of monotone properties in minor-closed classes
图属性测试领域中的主要问题是理解哪些图属性是\emph{testable},这意味着通过对任何输入图$G$的不断的许多查询,测试者可以以良好的概率决定$G$是否满足该属性,或者远不满足该属性。可测性在稠密模型和有界度模型中得到了很好的理解,但在稀疏图类中,当图被允许具有无界度时,可测性却知之甚少。这是\emph{sparse model}的设置。我们证明了对于任何真的小闭类$\mathcal{G}$,任何单调性质(即,在取子图下封闭的任何性质)对于来自稀疏模型中的$\mathcal{G}$的图是可测试的。这推广了Czumaj和Sohler(FOCS'19)的一个结果,他们证明了它的单调性与许多禁止子图。我们的结果意味着,例如,对于任何整数$k$和$t$,$k$ -着色的$K_t$ -小自由图是可测试的稀疏模型。Elek最近证明,来自不交并下闭合的次闭类的有界度图的单调性可以通过常数时间内的近似证明标记方案来验证。我们再次证明了在他的结果中有界度的假设可以省略。
2022-05-03 cs.DS math.CO
Approximating the Influence of a monotone Boolean function in O(\sqrt{n}) query complexity
离散函数的{\em总影响}({\em平均灵敏度)是其基本度量之一。本文研究了单调布尔函数\ifnum \plusminus = 1 $f: \{\pm1\}^n \longrightarrow \{\pm1\}$,\else $f: \bitset^n \to \bitset$,\fi(记为$I[f]$)的全影响的逼近问题.我们提出了一个随机算法,近似的影响,这样的功能,在一个乘法因子的$(1\pm \eps)$通过执行$O(\frac{\sqrt{n}\log n}{I[f]} \poly(1/\eps)) $查询。% \mnote{D: say something about technique?}我们还证明了一个下界%$Ω(\frac{\sqrt{n/\log n}}{I[f]})$ $Ω(\frac{\sqrt{n}}{\log n \cdot I[f]})$的查询复杂性的任何常数因子近似算法为这个问题(适用于$I[f] = Ω(1)$),%和$I[f] = O(\sqrt{n}/\log n)$),因此表明,我们的算法几乎是最佳的$n$的依赖。对于一般的功能,我们给了一个下界的$Ω(\frac{n}{I[f]})$,它匹配的复杂性,一个简单的采样算法。
2011-01-27 cs.DM cs.DS
On maximizing a monotone k-submodular function subject to a matroid constraint
$k$ -次模函数是次模函数的扩展,因为其输入由$k$不相交子集而不是单个子集给出。对于无约束的非负$k$ -次模极大化问题,Ward和Yakiivnikov提出了一个常数因子近似算法,Iwata,Tanigawa和Yoshida最近提出了一个$1/2$ -近似算法。Iwata等人也给出了单调$k$ -次模最大化的一个$k/(2k-1)$ -近似算法,并证明了它的近似比是渐近紧的.最近,Ohnik和Yoshida提出了单调$k$的常数因子算法-具有几个大小约束的子模最大化。然而,虽然子模最大化与各种约束已被广泛研究,没有近似算法已开发的约束$k$ -子模最大化,除了大小约束的情况下。在本文中,我们证明了一个贪心算法输出的$1/2$ -近似解单调$k$ -子模极大化与拟阵约束。该算法在$O(M|E|(\text{MO} + k\text{EO}))$时间内运行,其中$M$是极大最优解的大小,$|E|$是基集的大小,$\text{MO}, \text{EO}$分别表示拟阵的成员预言和$k$ -子模函数的求值预言的时间.
2016-08-22 cs.DM cs.DS math.OC
Robust Monotone Submodular Function Maximization
我们考虑了Krause等人(2008)提出的经典基数约束单调次模函数最大化问题的鲁棒公式,并给出了第一常数因子逼近结果.考虑的稳健性为w.r.t.对抗性地从所选集合中移除最多$τ$元素。对于$τ=1$的基本情况,我们给出了一个确定性的$(1-1/e)-1/Θ(m)$近似算法,其中$m$是一个输入参数和查询的数量规模为$O(n^{m+1})$。在这个过程中,我们开发了一个确定性的$(1-1/e)-1/Θ(m)$近似贪婪算法的双目标最大化的(两个)单调子模函数。推广这些想法并使用Chekuri等人(2010)的结果,我们展示了常数$τ$和$ε\leq \frac{1}{\tildeΩ(τ)}$的随机$(1-1/e)-ε$近似,进行$O(n^{1/ε^3})$查询。进一步,对于$τ\ll \sqrt{k}$,我们给出了一个快速实用的0.387算法.最后,我们还给出了一个黑盒结果的更一般的设置鲁棒最大化的独立系统。
2017-11-15 cs.DM cs.DS math.OC