Algoritmi e Strutture Dati II: Parte B Anno Accademico Lezione 8

Transcript

1 Algoritmi e Strutture Dati II: Parte B Anno Accademico Docente: Ugo Vaccaro Lezione 8 Ricordiamo ancora una volta il nostro meta-algoritmo per il progetto di algoritmi di approssimazione: 1. Formula il problema in questione come un problema di PL a vincoli interi 2. Rilassa il problema, sostituendo i vincoli di interezza con semplici vincoli di non negatività 3. Usa la soluzione al problema rilassato per ottenere una soluzione al problema a vincoli interi, di valore prossimo all ottimo Nelle lezioni scorse abbiamo visto vari metodi per implementare il passo 3. In questa lezione ne vedremo un ulteriore, abbastanza simile all ultimo metodo visto ed applicato nella lezione scorsa. Intendiamo riferirci all uso diretto del duale e delle condizioni complementari di slackness, cosí come usate per progettare un algoritmo di approssimazione per Hitting Set. La differenza con il metodo che vedremo oggi consiste nel fatto che esso, invece di risolvere innanzitutto il sistema duale e poi usare la sua soluzione e le condizioni complementari di slackness per costruire una soluzione intera al primale, costruisce passo passo una soluzione al duale, imponendo che la condizione complementare di slackness duale sia sempre soddisfatta. Il metodo risulta essere maggiormente flessibile di quello visto nella lezione scorsa, in quanto nella costruzione della soluzione del duale (visto che la realizziamo noi) ci permette in linea teorica di poter conto di addizionali informazioni che potremmo eventualmente avere sulla struttura del problema di ottimizzazione sotto esame. Inotre risulta essere più veloce in pratica, in quanto non richiede la soluzione preliminare di un sistema di PL. Useremo la formulazione di PL del problema in questione solo come una guida per il progetto e l analisi dell algoritmo. Il metodo generale (che va sotto il nome di Primale-Duale) lo possiamo descrivere nella Figura 1 appresso presentata. Per illustrare l applicazione dello schema della Figura 1 ad algoritmi di approssimazione, applichiamo il metodo al primo problema di ottimizzazione visto in questo corso: Vertex Cover. Ricordiamo il problema VERTEX COVER Input: grafo G = (V, E), V = {v 1,..., v n }, E = {e 1,..., e m } Output: sottoinsieme S V di minima cardinalità S tale che (u, v) E valga {u, v} S. 1

2 y 0, x 0 Esiste x soluzione intera ammissibile per il primale e slack. complementare a y? SI Stop Output x NO Incrementa y mantenendo la sua ammissibilita Figure 1: Schema generale per Primale Duale La sua formulazione via PL è : x v (1) v V x u + x v 1 e = (u, v) E (2) x v {0, 1} u V. (3) Il corrispondente sistema rilassato è x v (4) v V x u + x v 1 e = (u, v) E (5) x v [0, 1] u V. (6) Per derivare il duale di (4) introduciamo una variabile duale y e per ogni vincolo (5), ottenendo il sistema massimizzare y e (7) e E e:v e y e 1 v V (8) y e [0, 1] e E. (9) 2

3 É istruttivo, per un momento, osservare una particolare classe di soluzioni al sistema (7). Sia M un matching del grafo G, ovvero una collezione di archi disgiunti di G. Definiamo il vettore z = (z e1,..., z em ) come { 1 se ei M, z ei = 0 se e i / M. É semplice verificare che z è una soluzione ammissibile al sistema (7), in particolare che soddisfa i vincoli (8), proprio perchè, corrispondendo z ad un matching in G, su ogni vertice v V incide uno ed un solo arco di M. Pertanto, dal Teorema debole della dualità abbiamo che M = e E z e OP T, dove OP T è il valore della soluzione ottima al sistema di PL (1), ovvero OP T è la cardinalità di un Vertex Cover per G di cardinalità minima. Ritroviamo quindi, come conseguenza del Teorema della dualità debole, la limitazione inferiore alla cardinalità del VC di cardinalità minima derivato nella Lezione 1. Vediamo ora come è possibile derivare un algoritmo di approssimazione per Vertex Cover usando lo schema generale Primale-Duale illustrato nella Figura 1. Lo schema ci suggerisce di partire con una soluzione y ammissibile per il duale (7), in cui tutte le componenti sono poste a 0, ed una soluzione non ammissibile x al primale intero (1) in cui tutte le componenti sono poste a 0. Se x non è ammissibile (e fin quando lo sarà ), vuol dire che e = (u, v) E tale che il relativo vincolo (2) non è soddisfatto, ovvero vale x u + x v = 0. (10) Allora, sempre in accordo allo schema generale Primale-Duale della Figura 1, incrementiamo la corrispondente variabile duale y e il più possibile, mantenendo il rispetto dei vincoli del duale, ed in modo tale che il vincolo (8) sia soddisfatto con l uguaglianza. In altri termini, nel nostro caso specifico del Vertex Cover, stiamo ponendo y e = 1. Poichè lo schema generale Primale-Duale ci impone che le condizioni di slackness primali debbano essere sempre soddisfatte, dobbiamo porre anche x u = x v = 1, in quanto adesso i vincoli duali e:v e y e 1 sono soddisfatti con l uguaglianza sia per il vertice u che per il vertice v. In altre parole, stiamo mettendo sia il vertice u che il vertice v nella costruenda soluzione S per il problema del Vertex Cover. Iteriamo il procedimento: ogni qualvolta troviamo un vincolo nel primale intero che il vettore x non soddisfa ancora (ovvero, troviamo un qualche e = (u, v) E per cui x u + x v = 0), poniamo y e = 1 nella soluzione del duale, imponendo poi che le condizioni di slackness primali siano soddisfatte per x, cioè incrementiamo le componenti x u e x v a 1. 3

4 Prima o poi otterremo una soluzione intera x che soddisfa tutti i vincoli del primale (1), con x che soddisfa anche x v = ( ) y e x v (11) v V v V e:v e = ( ) x v y e (12) e E v e 2 e E y e (13) 2OP T R 2OP T (14) dove la uguaglianza (11) vale in quanto e:v e y e = 1 per costruzione, per tutti i vertici v per cui x v = 1; la uguaglianza (12) la si ottiene riorganizzando la somma; la diseguaglianza (13) vale in quanto il vettore x è ammissibile per il primale e quindi soddisfa tutti i vincoli di (1). Abbiamo quindi (ri)ottenuto un algoritmo di approssimazione con fattore 2 per il problema del Vertex Cover. Una analisi attenta di esso ci informa che l algoritmo appena ottenuto, mediante il metodo Primale-Duale, è perfettamente analogo a quello presentato nella Lezione 1. Infatti, nell algoritmo appena derivato noi inseriamo nella soluzione S, ad ogni passo dell algoritmo, entrambi i vertici u e v corrispondenti ad un arco e = (u, v) per cui abbiamo posto y e = 1 nel duale. D altra parte, il vettore y è sempre costretto ad essere una soluzione ammissibile a (7), ovvero deve rispettare i vincoli y e 1 v V. e:v e Questo implica che v V uno solo degli y e nella somma di sopra può assumere valore 1, cioè uno solo degli y e corrispondenti ad archi e incidenti su v può essere posto ad 1. Di conseguenza, l insieme A = {e : y e = 1} è una collezione di archi disgiunti (un matching), per ogni iterazione dell algoritmo. Al completamento dell algoritmo l insieme A è ovviamente un matching massimale, mentre la soluzione S prodotta dall algoritmo corrisponde evidentemente all insieme dei vertici incidenti sugli archi del matching massimale A. Applichiamo ora la tecnica Primale-Duale al problema del Set Cover. Ricordiamo la sua formulazione SET COVER Input: insieme U = {e 1,..., e n }, famiglia S = {S 1,..., S k }, con S i U, per i = 1,..., k; funzione costo c : S S c(s) R + ; Output: sottofamiglia S S di costo c(s ) = S S c(s) minimo tale che S S S U. 4

5 La sua formulazione via PL è La versione rilassata del sistema di PL è x(s)c(s) (15) S S x(s) 1 e U (16) S:e S x(s) {0, 1} S S. (17) x(s)c(s) (18) S S S:e S x(s) 1 e U (19) x(s) 0 S S. (20) Introducendo una variabile y e per ogni vincolo del problema otteniamo il programma duale massimizzare y e (21) e U e:e S y e c(s) S S (22) y e 0 e U. (23) Il seguente algoritmo implementa la strategia Primale-Duale per il problema del Set Cover. Algoritmo Primale-Duale per SET COVER I y e 0 e U While e U tale che e / j I S j do Sia l l indice per il quale il min h:e Sh {c(s h ) a S h y a } è raggiunto ɛ l c(s l ) a S l y a y e y e + ɛ l I I {l} Return I 5

6 Lemma 1 L algoritmo Primale-Duale ritorna un set cover. Dim. Ovvio, in quanto la condizione di terminazione per il ciclo While è proprio che si sia raggiunto un set cover. Lemma 2 L algoritmo Primale-Duale costruisce una soluzione y ammissibile per il duale. Dim. Procediamo per induzione sui cicli dell algoritmo. Il caso base è ovvio in quanto all inizio vale ovviamente a S h y e = 0 c(s h ), h = 1,... m. Per il passo induttivo, assumiamo induttivamente che entrando in una iterazione del ciclo While avevamo a S h y e c(s h ), h = 1,... m. (24) La sola variabile duale il cui valore è incrementato dall esecuzione del ciclo While è la variabile y e (dove e è un elemento per cui e / j I S j), pertanto tutte le diseguaglianze (24) per gli insiemi S h tali che e / S h rimangono inalterate e quindi continuano a valere. Se invece e S h, allora per la nostra scelta dell indice l abbiamo che y a + ɛ l = y a + (c(s l ) y a ) a S h a S h a S l y a + (c(s h ) y a ) a S h a S h = c(s h ) Pertanto, i vincoli del duale sono soddisfatti anche dopo l esecuzione del ciclo While, e quindi, per il principio di induzione, anche alla terminazione dell algoritmo. Lemma 3 Se j I allora e S j y e = c(s j ). Dim. Se in un qualche passo abbiamo aggiunto j a I, allora per come opera l algoritmo, abbiamo anche aumentato y e, per qualche e S j, tale da rendere il vincolo e S j y e c(s j ) soddisfatto con l uguaglianza. Teorema 1 L algoritmo Primale-Duale per Set Cover è un algoritmo di approssimazione con fattore di approssimazione f, dove f = max e U f(e), e f(e) = numero di insiemi S S che contengono e. Dim. Abbiamo SOL = c(s j ) j I = j I e S j y e 6

7 = e U y e {j : e S j } f e U y e f OP T dove la prima uguaglianza è per definizione, la seconda a causa del Lemma 3, la terza in quanto la variabile y e compare nella somma tante volte quanti sono gli insiemi S j che contengono il corrispondente e, la quarta per definizione di f, e l ultima per il Teorema della dualità debole. Concludiamo la lezione affermando che la tecnica Primale-Duale sembra essere a tutt oggi la metodologia più efficace per il progetto di algoritmi di approssimazione. Si è visto in tempi recenti che vari algoritmi derivati negli anni scorsi mediante procedimenti ad hoc, sono in realtà interpretabili come esempi di algoritmi Primale-Duale. Inoltre, in molti casi, la tecnica Primale- Duale ha prodotto algoritmi di approssimazione che risultano essere, a tutt oggi, i migliori sia in termini di fattore di approssimazione, che in termini di complessità computazionale. 7