-
Notifications
You must be signed in to change notification settings - Fork 1
/
03_lp-approximationen.tex
845 lines (685 loc) · 30.3 KB
/
03_lp-approximationen.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
\chapter{%
LP-basierte Approximationen für NP-schwere Probleme%
}
Im Folgenden werden Polynomialzeit-Algorithmen behandelt, die Approximationen für NP-schwere
Optimierungsprobleme liefern und eine beweisbare Fehlerabschätzung zulassen.
\section{%
Mengenüberdeckung (\emph{Set Cover})%
}
\subsection{%
Problem%
}
\textbf{Mengenüberdeckung}:\\
Seien $\U := \{u_1, \dotsc, u_n\}$ eine endliche Menge und
$\S := \{S_1, \dotsc, S_k\} \subset \P(\U)$ eine Familie von Teilmengen von $\U$
mit $\bigcup_{S_i \in \S} S_i = \U$.\\
Dann heißt $\S' \subset \S$ mit $\bigcup_{S_i \in \S'} S_i = \U$
\begriff{Mengenüberdeckung} von $\U$.
\textbf{Set-Cover-Problem}:
%Sei $c\colon \S \to \real^+$ eine \begriff{Kostenfunktion}.
Seien $c_i > 0$ die \begriff{Kosten} von $S_i$.
Dann ist das \begriff{Set-Cover-Problem (SC)},
eine Mengenüberdeckung $\S' \subset \S$ mit minimalen Kosten
$c(\S') := \sum_{S_i \in \S'} c_i$ zu finden.\\
Das SC-Problem ist NP-vollständig.
Für das allgemeine Set-Cover-Problem existiert wahrscheinlich kein Polynomialzeit-Algorith"-mus,
der eine Approximation $\S'$ mit $c(\S') < \log n \cdot c(\S_\opt)$ ausgibt.
Das bedeutet insbesonders, dass es für jede Konstante $a > 0$ wohl auch keinen
Polynomialzeit-Algorithmus gibt, der
eine Lösung ausgibt, die höchstens $a$-mal so groß ist als das Optimum
(\begriff{$a$-Approximation}).
Ein einfacherer Spezialfall ist $c_1 = \dotsb = c_k = 1$.
\linie
\textbf{SC als LP}:
Für jedes $S_i$ führe eine Variable $x_i$ ein, wobei $x_i = 1 \iff S_i$ wird für $\S'$ gewählt.
Dann lässt sich das SC-Problem durch das LP\\
$\min \sum_{S_i \in \S} x_i c_i$, $\forall_{u \in \U}\; \sum_{S_i \ni u} x_i \ge 1$,
$\forall_{S_i \in \S}\; x_i \in \{0, 1\}$ beschreiben.
\textbf{LP-Relaxation}:
Von \begriff{LP-Relaxation} spricht man, wenn man bei einem Ganzzahl-LP die Forderung
der Ganzzahligkeit aufgibt.
Beim SC-Problem ersetzt man z.\,B. $x_i \in \{0, 1\}$ durch $x_i \ge 0$.
\textbf{duales Problem}:
Das zur LP-Relaxation von SC duale Problem lautet\\
$\max \sum_{u \in \U} y_u$, $\forall_{S_i \in \S}\; \sum_{u \in S_i} y_u \le c_i$,
$\forall_{u \in \U}\; y_u \ge 0$ (\begriff{Packing-Problem}).
\subsection{%
Spezialfall \emph{Vertex Cover}%
}
\textbf{Knotenüberdeckung}:
Gegeben sei ein ungerichteter Graph $G = (V, E)$.\\
Dann heißt $C \subset V$ mit $\forall_{e \in E}\; e \cap C \not= \emptyset$
\begriff{Knotenüberdeckung}.
\textbf{Vertex-Cover-Problem}:
Das \begriff{Vertex-Cover-Problem (VC)} ist, zu $G$ eine Knotenüberdeckung $C$ mit $|C|$ minimal
zu finden.
Das VC-Problem ist NP-vollständig.
\textbf{VC als SC}:
VC ist ein Spezialfall von SC mit $\U := E$ und
$\S := \{\{e \in E \;|\; e \ni v\} \;|\; v \in V\}$.
\linie
\textbf{VC als Ganzzahl-LP}:
Für jedes $v \in V$ führe eine Variable $x_v$ ein, wobei $x_v = 1 \iff v$ wird für $C$
ausgewählt.
Dann lässt sich das VC-Problem durch das LP\\
$\min \sum_{v \in V} x_v$, $\forall_{e = \{v, w\} \in E}\; x_v + x_w \ge 1$,
$\forall_{v \in V}\; x_v \in \{0, 1\}$
beschreiben.
\textbf{duales Problem}:
Das duale Problem zur LP-Relaxation von VC lautet\\
$\max \sum_{e \in E} y_e$, $\forall_{v \in V}\; \sum_{e \ni v} y_e \le 1$,
$\forall_{e \in E}\; y_e \ge 0$ (\begriff{Matching-Problem},\\
wähle so viele paarweise nicht-adjazente Kanten wie möglich).
\pagebreak
\subsection{%
Gieriger Algorithmus (\emph{Greedy})%
}
\textbf{gieriger Algorithmus für SC}:
\begin{enumerate}
\item
Setze $C \leftarrow \emptyset$.
\item
Solange $C \not= \U$, wiederhole:
\begin{enumerate}
\item
Setze $\alpha_i \leftarrow \frac{c_i}{|S_i \setminus C|}$
für alle $S_i$ mit $x_i = 0$.
\item
Wähle $S_j$, sodass $\alpha_j = \min_i \alpha_i$.
\item
Setze $x_j \leftarrow 1$.
\item
Für alle $u \in S_j \setminus C$ setze $C \leftarrow C \cup \{u\}$ und
$y_u \leftarrow \alpha_j$.
\end{enumerate}
\item
Gebe die Mengen $S_i$ mit $x_i = 1$ aus.
\end{enumerate}
Wie das folgende Lemma sagt, erzeugt der gierige Algorithmus eine
Mengenüberdeckung, die höchstens um den Faktor $\O(\log n)$ teurer als
eine optimale Lösung ist.
Der Ansatz heißt dabei \begriff{Dual Fitting}:
Man findet zunächst eine primale Lösung,
modifiziert die zugehörige duale Lösung so, dass sie zulässig wird,
und schätzt dann das Verhältnis von primaler Lösung zu modifizierter dualer Lösung ab.
Es gibt Beispiele, bei denen der gierige Algorithmus tatsächlich um $\O(\log n)$
schlechter ist:
Wähle $S_i$ für $i = 1, \dotsc, k$ paarweise disjunkt (mit $k \ge 3$), sodass $|S_i| = 2^i$
und $\U = \bigcup_{i=1}^k S_i$.
Teile nun noch jedes $S_i$ in zwei Hälften $S_i', S_i''$ auf und setze
$S' := \bigcup_{i=1}^k S_i'$ und $S'' := \bigcup_{i=1}^k S_i''$.
Dann ist die optimale Mengenüberdeckung gegeben durch $\{S', S''\}$
(d.\,h. minimale Größe $2$),
der gierige Algorithmus gibt aber $\{S_1, \dotsc, S_k\}$ zurück
(mit $k = \O(\log n)$ wegen $n = 2^{k+1} - 2$).
\linie
\textbf{Lemma (Approximationsgüte des gierigen Algorithmus)}:
Der gierige Algorithmus gibt eine Mengenüberdeckung $\S' \subset \S$ aus mit
Kosten $c(\S') \le H_n \cdot c(\S_\opt')$,
wobei $\S_\opt' \subset \S$ eine optimale Mengenüberdeckung und
$H_n := \sum_{i=1}^n \frac{1}{i} \le 1 + \log n$
die \begriff{$n$-te harmonische Zahl} ist.
\begin{Beweis}
Der gierige Algorithmus erzeugt eine zulässige Ganzzahl-Lösung $x$ des primalen Problems
mit Kosten $c(\S') = \sum_{S \in \S'} x_S c_S$.
Außerdem konstruiert er gleichzeitig eine Lösung $y$ des dualen Problems mit
exakt denselben Kosten
(denn in jedem Durchlauf werden sowohl der primale als der duale Zielfunktionswert um
genau $c_j$ erhöht).
Im Allgemeinen ist die duale Lösung aber nicht zulässig!
Eine der dualen NBen $\forall_{S \in \S}\; \sum_{u \in S} y_u \le c_S$
ist also evtl. verletzt.
Im Folgenden wird gezeigt, dass immerhin $\sum_{u \in S} y_u \le H_n c_S$ gilt.
Dann kann man nämlich die zulässige duale Lösung $y' := \frac{y}{H_n}$ definieren,
die die Kosten $\sum_{u \in \U} y_u' = \frac{1}{H_n} \sum_{u \in \U} y_u =
\frac{1}{H_n} c(\S')$ besitzt.
Weil alle zulässigen Lösungen des dualen Problems Zielfunktionswerte besitzen,
die durch $c(\S_\opt')$ nach oben beschränkt sind
(das duale Problem ist ein Maximierungsproblem und
opt. primaler/dualer Zielfkt.wert fallen zusammen),
erhält man daher
$c(\S') = H_n \sum_{u \in \U} y_u' \le H_n \cdot c(\S_\opt')$.
Sei also $S \in \S$ fest.
Sortiere $S := \{u_1, \dotsc, u_\ell\}$ in der Reihenfolge $u_1, \dotsc, u_\ell$,
in der die Elemente vom Algorithmus zu $C$ hinzugefügt werden.
Für $i \in \{1, \dotsc, \ell\}$ fest betrachte man den Durchlauf des Algorithmus, bei dem
$u_i$ hinzugefügt wurde.
In diesem Durchlauf wurde eine Menge $S' \in \S$ ausgewählt, für die
$\alpha_{S'} := \frac{c_{S'}}{|S' \setminus C|}$ minimal war, und $y_{u_i} := \alpha_{S'}$
gesetzt.
Weil aber auch $S$ ein "`Kandidat"' war, gilt $\alpha_{S'} \le \alpha_S$,
wobei $\alpha_S := \frac{c_S}{|S \setminus C|} \le \frac{c_S}{\ell - i + 1}$ gilt
(weil $u_i, u_{i+1}, \dotsc, u_\ell \in S \setminus C$ zu diesem Zeitpunkt aufgrund der
Sortierung).
Damit erhält man $y_{u_i} \le \frac{c_S}{\ell - i + 1}$.
Durch Summation kommt man dann auf
$\sum_{u \in S} y_u \le
\sum_{i=1}^\ell \frac{c_S}{\ell - i + 1} = H_\ell c_S \le H_n c_S$.
\end{Beweis}
\pagebreak
\subsection{%
Einfache LP-Rundung%
}
\textbf{LP-Rundung}:
Bei der \begriff{LP-Rundung} erhält man eine Approximation eines Ganzzahl-LPs,
indem man die zugehörige LP-Relaxation löst, die zugehörige Lösung in eine Ganzzahl-Lösung
umwandelt und schließlich beweist, dass die Lösung nicht viel schlechter als das Ganzzahl-Optimum ist.
\linie
\textbf{einfache LP-Rundung für VC}:
Sei $x = (x_v)_{v \in V}$ die optimale Lösung der LP-Relaxation.
Dann wählt die \begriff{einfache LP-Rundung} für Vertex Cover $C := \{v \in V \;|\; x_v > 0\}$.
Dieser Algorithmus konstruiert auch für allgemeine SC-Probleme stets eine zulässige Lösung,
wobei allerdings nicht klar ist, wie gut diese eine optimale Lösung approximiert.
Für den VC-Spezialfall wird gezeigt, dass das Resultat eine
$2$-Approximation ist, d.\,h. $|C| \le 2 \cdot |C_\opt|$.
\linie
\textbf{Lemma (Halb-Ganzzahligkeit)}:
Jede Ecke $x$ des Zielbereichs der LP-Relaxation des VC-Problems, die durch die NBen
$\forall_{e = \{u, v\} \in E}\; x_u + x_v \ge 1$ definiert ist,
erfüllt $\forall_{v \in V}\; x_v \in \{0, \frac{1}{2}, 1\}$.
\begin{Beweis}
Sei $x$ eine Ecke mit $x_v \notin \{0, \frac{1}{2}, 1\}$ für ein $v \in V$.
Im Folgenden wird gezeigt, dass $x = \frac{1}{2} (y + z)$ mit
zwei zulässigen Punkten $y, z \not= x$ gilt.
Damit wäre $x$ wegen der Konvexität des Zielbereichs keine Ecke, ein Widerspruch.
Setze $V^+ := \{v \in V \;|\; x_v \in (1/2, 1)\}$ und
$V^- := \{v \in V \;|\; x_v \in (0, 1/2)\}$.
Wegen $x_v \notin \{0, \frac{1}{2}, 1\}$ für ein $v \in V$
ist $V^+ \cup V^- \not= \emptyset$.
Definiere nun für $\varepsilon > 0$ die Punkte
$y, z$ mit $y_v := x_v \pm \varepsilon$ für $v \in V^\pm$ und $y_v := x_v$ sonst sowie
$z_v := x_v \mp \varepsilon$ für $v \in V^\pm$ und $z_v := x_v$ sonst.
Wegen $V^+ \cup V^- \not= \emptyset$ gilt $y, z \not= x$ und man erhält
$x = \frac{1}{2} (y + z)$.
Zu zeigen ist jetzt noch, dass $y, z$ für $\varepsilon > 0$ klein genug
zulässige Lösungen sind.
Betrachte dazu alle NBen $x_v + x_w \ge 1$
(erfüllt, da $x$ zulässig ist).
\begin{itemize}
\item
\emph{Fall 1: $x_v + x_w > 1$}\\
Wähle $\varepsilon < \frac{1}{2} (x_v + x_w - 1)$.
Dann gilt nämlich $y_v + y_w \ge x_v + x_w - 2\varepsilon > 1$.
\item
\emph{Fall 2: $x_v + x_w = 1$}
\begin{itemize}
\item
$x_v = x_w = \frac{1}{2}$:
In diesem Fall gilt $y_v = y_w = \frac{1}{2}$, d.\,h. $y_v + y_w = 1$.
\item
$x_v = 0$, $x_w = 1$:
Dann gilt $y_v = 0$, $y_w = 1$, d.\,h. $y_v + y_w = 1$
(analog $x_v = 1$, $x_w = 0$).
\item
$v \in V^\pm$, $w \in V^\mp$:
In diesem Fall gilt
$y_v + y_w = (x_v \pm \varepsilon) + (x_w \mp \varepsilon) = x_v + x_w = 1$.
\end{itemize}
\end{itemize}
Analog sind auch die NBen $z_v + z_w \ge 1$ für $\varepsilon > 0$ klein genug erfüllt.
\end{Beweis}
\linie
\textbf{Lemma (2-Approximation von VC)}:
Für das Resultat $C$ der LP-Rundung für VC gilt $|C| \le 2 \cdot |C_\opt|$
mit $C_\opt$ einer optimalen Knotenüberdeckung.
\begin{Beweis}
Sei $(x_v)_{v \in V}$ die Lösung der LP-Relaxation des VC-Problems.
Es gilt $\sum_{v \in V} x_v \le |C_\opt|$,
weil $|C_\opt|$ der Zielfunktionswert des Ganzzahl-LPs ist, sowie\\
$C = \{v \in V \;|\; x_v' = 1\}$ mit
$x_v' := 1$ für $x_v > 0$ und
$x_v' := 0$ für $x_v = 0$.
Nach dem ersten Lemma ist $x_v' \le 2x_v$,
also $|C| = \sum_{v \in V} x_v' \le \sum_{v \in V} 2x_v \le 2 |C_\opt|$.
\end{Beweis}
\pagebreak
\subsection{%
Häufigkeitsbasierte LP-Rundung%
}
\textbf{häufigkeitsbasierte LP-Rundung für SC}:
\begin{enumerate}
\item
Sei $f := \max_{u \in \U} |\{S_i \in \S \;|\; S_i \ni u\}|$
(max. Mengenzahl, in der ein Element vorkommt).
\item
Löse die LP-Relaxation des SC-Problems.
\item
Wähle alle Mengen $S_i$ mit $x_i \ge \frac{1}{f}$.
\end{enumerate}
\linie
\textbf{Lemma ($f$-Approximation von SC)}:
Das Resultat $\S'$ der häufigkeitsbasierten LP-Rundung für SC ist eine Mengenüberdeckung mit
$c(\S') \le f \cdot c(\S'_\opt)$, wobei $\S'_\opt$ eine optimale Mengenüberdeckung ist.
\begin{Beweis}
$\S'$ ist eine zulässige Lösung des SC-Problems, weil
für $u \in \U$ beliebig
aus $\sum_{S_i \ni u} x_i \ge 1$ und $x_i \ge 0$ folgt, dass
$\exists_{S_j \ni u}\; x_j \ge \frac{1}{f}$
(andernfalls wäre
$\sum_{S_i \ni u} x_i < \frac{1}{f} \cdot |\{S_i \in \S \;|\; S_i \ni u\}| \le 1$),
d.\,h. $S_j$ wird für $\S'$ ausgewählt und $u$ wird abgedeckt.
Außerdem gilt $x_i' \le f \cdot x_i$ mit $x_i' := 1$ für $x_i \ge \frac{1}{f}$ und
$x_i' := 0$ sonst, d.\,h.\\
$c(\S') = \sum_{S_i \in \S} c_i x_i' \le f \cdot \sum_{S_i \in \S} c_i x_i \le
f \cdot c(\S'_\opt)$.
\end{Beweis}
\linie
Für den VC-Spezialfall ist $f = 2$ und man erhält die einfache LP-Rundung von oben.
\subsection{%
Randomisierte LP-Rundung%
}
\textbf{randomisierte LP-Rundung}:
Sei $x^\ast$ die optimale Lösung der LP-Relaxation für SC und
$\OPTLP$ der zugehörige Zielfunktionswert.
Interpretiere die $x_i^\ast \in [0, 1]$ nun als Wahrscheinlichkeiten
und wählen die Menge $S_i$ mit Wahrscheinlichkeit $x_i^\ast$.
\linie
\textbf{Kosten der rand. LP-Rundung}:
Sei $x'$ das Ergebnis der LP-Rundung.
Dann sind die erwarteten Kosten des Resultats gleich
$\EE[\sum_{S_i \in \S} c_i x_i'] = \sum_{S_i \in \S} c_i \EE[x_i'] =
\sum_{S_i \in \S} c_i \PP[x_i' = 1]$\\
$= \sum_{S_i \in \S} c_i x_i^\ast = \OPTLP$.
Weil $\OPTLP$ i.\,A. kleiner als $\OPTint = c(\S'_\opt)$ mit $\S'_\opt$
einer optimalen Mengenüberdeckung
ist, wird das Ergebnis der randomisierten LP-Rundung i.\,A. keine zulässige Mengenüberd. sein.
\textbf{Lemma}:
Sei $u \in \U$.
Dann ist die Wahrscheinlichkeit, dass $u$ nicht abgedeckt wird, $\le \frac{1}{e}$.
\begin{Beweis}
Sei $\ell$ die Anzahl der Mengen, die $u$ enthalten.
Wegen der NBen der LP-Relaxation gilt
$\sum_{S_i \ni u} x_i^\ast \ge 1$.
Daraus folgt
$\PP[\text{$u$ nicht abgedeckt}]
= \PP[\forall_{S_i \ni u}\; \text{$S_i$ nicht gewählt}]$\\
$= \prod_{S_i \ni u} \PP[\text{$S_i$ nicht gewählt}]
= \prod_{S_i \ni u} (1 - x_i^\ast)
\le \left(1 - \frac{1}{\ell}\right)^\ell
< \frac{1}{e}$\\
(da $e^x = \lim_{n \to \infty} \left(1 + \frac{x}{n}\right)^n$ streng monoton steigend).
\end{Beweis}
\linie
Weil jedes $u \in \U$ mit einer konstanten Wahrscheinlichkeit abgedeckt wird,
kann man $c \log n$ unabhängige randomisierte
LP-Rundungen durchführen und die Vereinigung $\S'$ der gewählten Mengen bilden.
Wählt man $c \in \natural$ mit
$\left(\frac{1}{e}\right)^{c \log n} = \frac{1}{n^c} \le \frac{1}{4n}$, dann gilt\\
$\PP[\text{$u$ durch $\S'$ nicht abgedeckt}] \le
\left(\frac{1}{e}\right)^{c \log n} \le \frac{1}{4n}$.
Somit erhält man\\
$\PP[\text{$\S'$ keine Mengenüberdeckung}] \le
n \cdot \frac{1}{4n} = \frac{1}{4}$.
Die erwarteten Kosten der so erhaltenen Lösung sind
$\EE[c(\S')] \le c \log n \cdot \OPTLP$.
Wegen der Markov-Ungleichung $\PP[X \ge t] \le \frac{\EE[X]}{t}$
(wobei $t := 4c \log n \cdot \OPTLP$) erhält man
$\PP[c(\S') \ge 4c\log n \cdot \OPTLP] \le \frac{1}{4}$.\\
Daher gilt
$\PP[\text{$\S'$ Mengenüberdeckung mit $c(\S') < 4c \log n \cdot \OPTLP$}] \ge \frac{1}{2}$.
Ist $\S'$ keine Mengenüberdeckung oder zu teuer (lässt sich leicht überprüfen),
dann startet man neu, bis man eine zulässige und "`günstige"' Mengenüberdeckung erhält
(erwartete Wiederholungszahl $\le 2$).
\pagebreak
\subsection{%
Primal-Dual-Schema%
}
\textbf{Idee}:
Starte mit einem Paar von Lösungen $x_0, y_0$ des primalen/dualen LPs,
wobei $x_0$ unzulässig und $y_0$ zulässig ist.
Vergrößere nun duale Variablen, während die Zulässigkeit der dualen Lösung erhalten bleibt.
Beim Vergrößern werden manche duale NBen \begriff{scharf} (erfüllen Gleichheit).
Welche NBen scharf werden, bestimmt dann, welche primalen Variablen vergrößert werden.
\textbf{Lemma (komplementäre Schlupfbedingung)}:\\
Seien $x^\ast, y^\ast$ optimale Lösungen des primalen/dualen LPs.
Dann gilt:
\begin{itemize}
\item
$x_i^\ast > 0 \iff$ entsprechende duale NB ist scharf
\item
$y_j^\ast > 0 \iff$ entsprechende primale NB ist scharf
\end{itemize}
\begin{Beweis}
Sei $y_j^\ast > 0$.
Dann ist die $j$-te primale NB $h_j$ an der V-Form beteiligt ($h_j \in B$),
die zur optimalen primalen Lösung $x^\ast$ gehört
(nach Konstruktion des dualen Simplex-Algorithmus).
Damit liegt $x^\ast$ auf der Hyperebene, die zu $h_j$ gehört, und
in der NB $h_j$ gilt Gleichheit.\\
Umgekehrt und für $x_i$ argumentiert man analog.
\end{Beweis}
\linie
\textbf{Primal-Dual-Schema für SC}:
\begin{enumerate}
\item
Starte mit primaler Lösung $x := 0$ (unzulässig) und
dualer Lösung $y := 0$ (zulässig).
\item
Solange es ein noch nicht abgedecktes Element $u \in \U$ gibt, wiederhole:
\begin{enumerate}
\item
Wähle ein $u \in \U$, das noch nicht abgedeckt ist.
\item
Vergrößere die duale Variable $y_u$ solange, bis duale NBen scharf werden.
\item
Wähle alle Mengen $S_i \in \S$ ($x_i := 1$), die zu scharf gewordenen NBen gehören.
\end{enumerate}
\end{enumerate}
\textbf{Lemma (Korrektheit)}:\\
Der Algorithmus terminiert mit zulässigen Lösungen $\widetilde{x}, \widetilde{y}$,
wobei $\widetilde{x}$ ganzzahlig ist.
\begin{Beweis}
$y$ ist immer eine zulässige duale Lösung während des Algorithmus.
$\widetilde{x}$ ist nach Konstruktion ebenfalls zulässig.
Es könnte allerdings sein, dass $y_u$ nicht vergrößert werden kann
(wobei $u \in \U$ noch nicht abgedeckt ist), weil alle NBen schon scharf sind.
Ist $S_i \in \S$ mit $u \in S_i$, dann wäre aber nach dem obigen Lemma
$S_i$ schon gewählt worden (da $x_i > 0$), ein Widerspruch dazu,
dass $u$ noch nicht abgedeckt ist.
\end{Beweis}
\linie
\textbf{Lemma ($f$-Approximation von SC)}:
Sei $f := \max_{u \in \U} |\{S_i \in \S \;|\; S_i \ni u\}|$.\\
Dann ist $c^T \widetilde{x} \le f \cdot 1^\tp \widetilde{y}$.
Insbesondere gilt
$c(\S') \le f \cdot c(\S'_\opt)$, wobei $\S'$ das Ergebnis des Primal-Dual-Schemas und
$\S'_\opt$ eine optimale Mengenüberdeckung ist.
\begin{Beweis}
Weil für $S_i \in \S'$ die NBen, die zu $S_i$ gehören, scharf sind,
gilt $\sum_{u \in S_i} \widetilde{y}_u = c_i$ und daher
$c^T \widetilde{x} = \sum_{S_i \in \S'} c_i =
\sum_{S_i \in \S'} \sum_{u \in S_i} \widetilde{y}_u
\le f \cdot \sum_{u \in \U} \widetilde{y}_u = f \cdot 1^\tp \widetilde{y}$
(ein $u \in \U$ kommt in höchstens $f$ Mengen $S_i \in \S'$ vor).
Daraus folgt
$c(\S') = c^\tp \widetilde{x} \le f \cdot 1^\tp \widetilde{y} \le f \cdot \OPTLP \le
f \cdot c(\S'_\opt)$.
\end{Beweis}
\linie
In dem SC-Beispiel, bei dem der Greedy-Algorithmus $\O(\log n)$-viele Mengen wählt,
obwohl die optimale Mengenüberdeckung nur zwei Mengen enthält,
schneidet das Primal-Dual-Schema wesentlich besser ab:
Es werden unabhängig von $n$ stets vier Mengen gewählt
($f = 2$).
\pagebreak
\section{%
\emph{Uncapacitated Facility Location}%
}
\subsection{%
Problem%
}
\textbf{Uncapacitated Facility Location}:
Beim \begriff{UFL-Problem} ist $(V, F, D, f, c)$ gegeben mit
\begin{itemize}
\item
einer endlichen Menge $V$ von \begriff{Standorten},
\item
einer Teilmenge $F \subset V$ von \begriff{möglichen Lagerstandorten},
\item
einer Teilmenge $D := V \setminus F$ von \begriff{Kundenstandorten},
\item
einer Abbildung $f\colon F \to \real$ (\begriff{Fixkosten}) und
\item
einer Metrik $c$ auf $V$ (\begriff{Verbindungskosten}).
\end{itemize}
Gesucht ist eine Teilmenge $F' \subset F$ von Lagerstandorten und eine Abbildung
$\pi\colon D \to F'$, sodass die \begriff{Gesamtkosten}
$c(F', \pi) := \sum_{i \in F'} (f_i + \sum_{j \in \pi^{-1}(i)} c_{i,j})$ minimiert werden,
wobei $f_i := f(i)$ und $c_{i,j} := c(i, j)$ für $i \in F$ und $j \in D$.\\
Das UFL-Problem ist NP-vollständig.
\linie
\textbf{UFL als LP}:
Führt man binäre Variablen $y_i$ und $x_{i,j}$ ein mit
$y_i = 1 \iff$ "`Lager $i$ wird eröffnet"' und
$x_{i,j} = 1 \iff$ "`Kunde $j$ wird Lager $i$ zugewiesen"',
so erhält man das Ganzzahl-LP
$\min \sum_{i \in F} (y_i f_i + \sum_{j \in D} x_{i,j} c_{i,j})$ mit
$\forall_{j \in D}\; \sum_{i \in F} x_{i,j} = 1$,
$\forall_{j \in D} \forall_{i \in F}\; x_{i,j} \le y_i$ und
$x_{i,j}, y_i \in \{0, 1\}$.
\textbf{LP-Relaxation}:
Die LP-Relaxation hat dieselbe Form, nur dass $x_{i,j}, y_i \ge 0$.
\textbf{duales LP}:
Das duale LP ist
$\max \sum_{j \in D} v_j$ mit
$\forall_{i \in F}\; \sum_{j \in D} w_{i,j} \le f_i$,
$\forall_{i \in F} \forall_{j \in D}\; v_j - w_{i,j} \le c_{i,j}$ und
$w_{i,j} \ge 0$ (aber $v_j \in \real$).
\linie
\textbf{Lemma (komplementäre Schlupfbedingung)}:\\
Seien $(x^\ast, y^\ast)$ und $(v^\ast, w^\ast)$ optimale Lösungen für das primale bzw. duale LP.\\
Dann gilt $x_{i,j}^\ast > 0 \implies c_{i,j} \le v_j^\ast$.
\begin{Beweis}
Wegen der komplementären Schlupfbedingung gilt\\
$x_{i,j}^\ast > 0 \iff v_j^\ast - w_{i,j}^\ast = c_{i,j} \implies v_j^\ast \ge c_{i,j}$,
da $w_{i,j}^\ast \ge 0$.
\end{Beweis}
\linie
\textbf{benachbart}:
Seien $x^\ast$ eine LP-Lösung, $i \in F$ und $j \in D$.\\
Dann sind $i$ und $j$ \begriff{benachbart}, falls $x_{i,j}^\ast > 0$.
\textbf{Nachbarschaften}:
Seien $x^\ast$ eine LP-Lösung und $j \in D$.\\
Dann sind
$N(j) := \{i \in F \;|\; \text{$i$ und $j$ benachbart}\}$ und\\
$N^2(j) := \{k \in D \;|\; N(j) \cap N(k) \not= \emptyset\}$ die \begriff{Nachbarschaften} von $j$.
\pagebreak
\subsection{%
Deterministische Rundung%
}
\textbf{deterministische Rundung für UFL}:
\begin{enumerate}
\item
Berechne optimale Lösungen $(x^\ast, y^\ast)$ und
$(v^\ast, w^\ast)$ des primalen bzw. dualen Problems.
\item
Setze $S \leftarrow D$.
\item
Solange $S \not= \emptyset$, wiederhole:
\begin{enumerate}
\item
Wähle $j \in S$ mit $v_j^\ast$ minimal.
\item
Wähle $i \in N(j)$ mit $f_i$ minimal und öffne das Lager $i$.
\item
Ordne $j$ und alle Kunden in $N^2(j)$, die bisher ohne Zuordnung sind, $i$ zu.
\item
Setze $S \leftarrow S \setminus N^2(j)$.
\end{enumerate}
\end{enumerate}
\linie
\textbf{Satz ($4$-Approximation)}:
Obiger Algorithmus erzeugt eine Lösung, deren Kosten höchstens
vier Mal so groß sind wie die optimal möglichen Kosten.
\begin{Beweis}
Betrachte einen Durchlauf des Algorithmus, in dem der Kunde $j \in S$ und
der Lagerstandort $i \in N(j)$ gewählt wurden.
Dann gilt
$f_i = \sum_{\ell \in N(j)} x_{\ell,j}^\ast f_i$ wegen
$\sum_{\ell \in N(j)} x_{\ell,j}^\ast = 1$ (primale NB).
Wegen $\forall_{\ell \in N(j)}\; f_i \le f_\ell$ nach Wahl von $i$ und
$\forall_{\ell \in N(j)}\; x_{\ell,j}^\ast \le y_\ell^\ast$ (primale NB) gilt
$f_i \le \sum_{\ell \in N(j)} y_\ell^\ast f_\ell$.
Anders gesagt ist die Eröffnung des Lagers $i$ nicht teurer als die
Summe der rationalen Eröffnungkosten der Nachbarschaft von $j$.
Wenn man diese Beziehung nun für alle Iterationen des Algorithmus summiert,
so erhält man $\sum_{i \in F'} f_i \le \sum_{i \in F} y_i^\ast f_i$,
weil die "`$N(j)$-Mengen"' von zwei verschiedenen Durchläufen disjunkt sind
(angenommen, es gibt $\ell \in N(j_1) \cap N(j_2)$,
wobei $j_1$ in einer Iteration 1 gewählt wurde und $j_2$ in einer späteren Iteration 2,
dann wäre $j_2 \in N^2(j_1)$, d.\,h. $j_2$ wäre in der Iteration 1 aus $S$ entfernt worden
und hätte nicht in Iteration 2 gewählt werden können, ein Widerspruch).\\
Damit gilt $\sum_{i \in F'} f_i \le \sum_{i \in F} y_i^\ast f_i \le \OPTprimal$.
Aufgrund des obigen Lemmas sind die Kosten, obiges $j$ mit obigem $i$ zu verbinden,
gleich $c_{i,j} \le v_j^\ast$, da $i \in N(j)$.
Die Kosten, die bisher nicht zugeordneten Kunden $k \in N^2(j)$ mit $i$ zu verbinden,
sind gleich $c_{i,k} \le c_{\ell,k} + c_{\ell,j} + c_{i,j} \le 3v_k^\ast$
mit $\ell \in N(j) \cap N(k)$, weil $c_{\ell,k} \le v_k^\ast$ und
$c_{\ell,j}, c_{i,j} \le v_j^\ast \le v_k^\ast$ nach Wahl von $j$.
Damit sind die Gesamtkosten beschränkt durch\\
$\sum_{i \in F'} f_i + \sum_{j \in D} 3v_j^\ast
\le \OPTprimal + 3\OPTdual = 4\OPTprimal \le 4\OPTint$.
\end{Beweis}
\pagebreak
\subsection{%
Randomisierte Rundung%
}
\textbf{randomisierte Rundung für UFL}:
Sei $C_j^\ast := \sum_{i \in F} x_{i,j}^\ast c_{i,j}$.
\begin{enumerate}
\item
Berechne optimale Lösungen $(x^\ast, y^\ast)$ und
$(v^\ast, w^\ast)$ des primalen bzw. dualen Problems.
\item
Setze $S \leftarrow D$.
\item
Solange $S \not= \emptyset$, wiederhole:
\begin{enumerate}
\item
Wähle $j \in S$ mit $v_j^\ast + C_j^\ast$ minimal.
\item
Wähle $i \in N(j)$ gemäß den Wahrscheinlichkeiten $x_{i,j}^\ast$ und öffne das Lager $i$.
\item
Ordne $j$ und alle Kunden in $N^2(j)$, die bisher ohne Zuordnung sind, $i$ zu.
\item
Setze $S \leftarrow S \setminus N^2(j)$.
\end{enumerate}
\end{enumerate}
\linie
\textbf{Satz ($3$-Approximation)}:
Obiger Algorithmus erzeugt eine Lösung, deren Kosten höchstens
drei Mal so groß sind wie die optimal möglichen Kosten.
\begin{Beweis}
Betrachte wieder einen Durchlauf des Algorithmus, in dem der Kunde $j \in S$
und der Lagerstandort $i \in N(j)$ gewählt wurden.
Bezeichnet die Zufallsvariable $\widetilde{F}$
die Eröffnungskosten für diesen Durchlauf, so gilt
$\EE[\widetilde{F}] = \sum_{i \in N(j)} x_{i,j}^\ast f_i \le \sum_{i \in N(j)} y_i^\ast f_i$
(primale NB).
Sei $A_k$ die Zufallsvariable der Verbindungskosten des Kunden $k \in N^2(j)$ zu $i$.
\begin{itemize}
\item
Dann gilt für die erwarteten Kosten für $j$, dass
$\EE[A_j] = \sum_{i \in N(j)} x_{i,j}^\ast c_{i,j} = C_j^\ast$.
\item
Für die erwarteten Kosten für $k \in N^2(j) \setminus \{j\}$
sei $\ell \in N(j) \cap N(k)$.
Dann erhält man
$\EE[A_k] \le c_{\ell,k} + c_{\ell,j} + C_j^\ast \le
v_k^\ast + (v_j^\ast + C_j^\ast) \le 2v_k^\ast + C_k^\ast$
nach Wahl von $j$ (und obiges Lemma).
\end{itemize}
Die Gesamtkosten sind damit beschränkt durch
$\sum_{i \in F} y_i^\ast f_i + \sum_{j \in D} (2v_j^\ast + C_j^\ast)$\\
$= (\sum_{i \in F} y_i^\ast f_i + \sum_{j \in D} C_j^\ast) + 2\sum_{j \in D} v_j^\ast
= \OPTprimal + 2\OPTdual = 3\OPTprimal \le 3\OPTint$.
\end{Beweis}
\linie
Eine Variante des natürlichen Rundungsalgorithmus
(bei dem man zufällig Lager anhand der Wahrscheinlichkeiten $y_i^\ast$ öffnet und dann
jeden Kunden mit dem nächstgelegenen Lager verbindet)
liefert eine $1.736$-Approximation.
Man kann zeigen, dass kein Polynomialzeit-Algorithmus eine $1.427$-Approximation liefert,
wenn $\text{P} \not= \text{NP}$.
\pagebreak
\subsection{%
Primal-Dual-Schema%
}
\textbf{benachbart}:
Seien $x^\ast, y^\ast$ Lösungen des primalen/dualen Problems, $i \in F$ und $j \in D$.\\
Dann sind $i$ und $j$ \begriff{benachbart}, falls $v_j^\ast > c_{i,j}$.
Diese Definition verstärkt die vorherige Definiton etwas, da
$x_{i,j}^\ast > 0 \iff v_j^\ast \ge c_{i,j}$.\\
Nachbarschaften sind analog wie vorher definiert.
\linie
\textbf{Primal-Dual-Schema für UFL}:
\begin{enumerate}
\item
Setze $v \leftarrow 0$,
$w \leftarrow 0$,
$A \leftarrow \emptyset$,
$\ell \leftarrow 0$ und
$S \leftarrow D$.
\item
Solange $S \not= \emptyset$, wiederhole:
\begin{enumerate}
\item
Setze $\ell \leftarrow \ell + 1$.
\item
Vergrößere $v_j$ und $w_{i,j}$ für alle $j \in S$ und $i \in N(j)$ glm.,
bis $\exists_{i_\ell \in F}\; \sum_{j \in D} w_{i_\ell,j} = f_{i_\ell}$.
\item
Setze $A \leftarrow A \cup \{i_\ell\}$
und $S \leftarrow S \setminus N(i_\ell)$.
\end{enumerate}
\end{enumerate}
Weil in jeder Runde die dualen Variablen $v_j$ aller Kunden $j$ ohne Zuordnung
und $w_{i,j}$ für $i \in N(j)$ gleichmäßig vergrößert werden,
bis eine duale NB für $i_\ell \in F$ scharf wird,
bleibt die duale Lösung immer zulässig.
Wenn man nun $i_\ell$ öffnen und alle $j \in N(i_\ell)$ mit $i_\ell$ verbinden würde,
würde man eine zulässige primale Lösung erhalten.
Leider kann es passieren, dass nach der Ausführung des Algorithmus
in der Nachbarschaft $N(j)$ eines Kunden $j \in D$ mehrere Lager geöffnet haben,
was die Analyse erschwert:
Für die Öffnungskosten gilt nämlich
$\sum_{i \in A} f_i
= \sum_{i \in A} \sum_{j \in D} w_{i,j}
= \sum_{i \in A} \sum_{j \in D} \max(v_j - c_{i,j}, 0)$\\
$= \sum_{j \in D} \sum_{i \in N(j) \cap A} (v_j - c_{i,j})$.
Würde nun $\forall_{j \in D}\; |N(j) \cap A| = 1$ gelten mit $N(j) \cap A =: \{i(j)\}$,
so wäre dies gleich
$\sum_{j \in D} (v_j - c_{i(j),j})
\le \sum_{j \in D} v_j \le \OPTdual$.
Leider gilt diese Eigenschaft nicht,
aber man kann $A$ so zu einer Menge $A'$ von Lagerstandorten verändern,
sodass $A'$ diese Eigenschaft erfüllt, ohne dass die Verbindungskosten zu hoch werden:
\begin{enumerate}[start=3]
\item
Setze $A' \leftarrow A$.
\item
Für $k = 1, \dotsc, \ell$ wiederhole:
\begin{enumerate}
\item
Wenn $i_k \in A'$ ist,
dann öffne das Lager $i_k$,
ordne alle Kunden in $N(i_k) \cup N^3(i_k)$, die bisher ohne Zuordnung sind, $i_k$ zu
und setze $A' \leftarrow A' \setminus N^2(i_k)$.
\end{enumerate}
\end{enumerate}
\linie
\textbf{Lemma}:
Sei $F'$ die Menge der geöffneten Lager.
Dann gilt $\forall_{j \in D}\; |F' \cap N(j)| \le 1$.
\begin{Beweis}
Angenommen, es gibt $j \in D$ und $i_a, i_b \in N(j)$ mit $a < b$.
Dann gilt $i_b \in N^2(i_a)$, d.\,h. in der Iteration $a$ ist $i_b$ aus $A'$
entfernt werden, ein Widerspruch.
\end{Beweis}
\textbf{Satz ($3$-Approximation)}:
Obiger Algorithmus erzeugt eine Lösung, deren Kosten höchstens drei Mal so groß sind
wie die optimal möglichen Kosten.
\begin{Beweis}
Für die Öffnungskosten gilt wie vorher
$\sum_{i \in F'} f_i
= \sum_{j \in D,\; |N(j) \cap F'| = 1} (v_j - c_{i(j),j})$.
Sei $j \in D$ mit $F' \cap N(j) = \emptyset$.
Zeige nun $c_{i(j),j} \le 3v_j$,
wobei $i(j)$ das Lager ist, mit dem $j$ verbunden wurde.
Jedes Lager $i \in A \cap N(j)$ hat einen höheren Index in $A$ als $i(j)$.
Daraus folgt $\forall_{k \in N(i(j))}\; v_j \ge v_k$.
Es gilt $j \in N(i(j)) \cap N^3(i(j))$.
Im Fall $j \in N(i(j))$ gilt $c_{i(j),j} \le v_j \le 3v_j$ und im Fall
$j \in N^3(i(j))$ erhält man
$c_{i(j),j} \le c_{i',j} + c_{i',k} + c_{i(j),k} \le v_j + v_k + v_k \le 3v_j$
mit $i' \in N(j) \cap N(k)$ und $i(j) \in N(k)$.
Damit gilt insgesamt
$\sum_{i \in F'} f_i + \sum_{j \in D,\; |N(j) \cap F'| \le 1} c_{i(j),j}$\\
$\le \sum_{j \in D,\; |N(j) \cap F'| = 1} v_j
+ \sum_{j \in D,\; |N(j) \cap F'| = 0} c_{i(j),j}
\le \sum_{j \in D,\; |N(j) \cap F'| = 1} v_j
+ \sum_{j \in D,\; |N(j) \cap F'| = 0} 3v_j$\\
$\le 3\sum_{j \in D} v_j
= 3\OPTdual \le 3\OPTprimal \le 3\OPTint$.
\end{Beweis}
\pagebreak