对于0-1分数规划的Dinkelbach算法…

对于0 - 1分数规划的Dinkelbach算法的分析



武钢三中 吴豪[译]

摘要:
0 - 1分数规划问题是指求出解集{xi | xi = 0或1}使目标(c1x1 + c2x2 + + cnxn) / (d1x1 + d2x2 + … + dnxn) = cx / dx达到最大。对于分数规划问题，Dinkelbach提出了一个算法，它通过解决一个子问题Q(L)来得到原文题的解。这里Q是一个线性的最小化目标函数cx - Ldx，且满足x等于0或1。在本文中，我们证明了Dinkelbach算法在最坏情况下可以在O(log(nM))的时间内解决子问题，这里M = max{max | ci | ,max | di | , 1 }。
1 ． 0 - 1分数规划问题



要使两个线性函数的比值最大或最小的问题，我们称作分数规划问题或双曲线问题。分数规划问题在许多领域都可以找到[ 22 ]。它在经济学中的应用有些常见的例子，如寻找最优收入比率或者在效益约束下的最佳物资调配问题。另外，系统效率也常常用比率来衡量，如收益 / 时间、利润 / 风险和消费 / 时间。有大量的文章对这类问题做了分析[ 3 ， 5 ， 12 ， 20 ， 24 ]。


有几类分数规划问题已被广泛地研究。如0 - 1分数规划问题[ 1 ],它包含最优比率生成树问题[ 4 ]，最优比率环问题[ 8 ， 6 ， 19 ]，分数背包问题[ 15 ]，以及分数剪枝问题[ 10 ]。在本文中，我们研究0 - 1分数规划问题，它的描述如下：


令c = (c1,c2,…,cn)和d = (d1,d2,…,dn)为n维整数向量，那么一个0 - 1分数规划问题用公式描述如下:

FP: 最小化
(c1x1 + …cnxn) / (d1x1…dnxn) = cx / dx
xi∈{ 0 , 1 }
这里x表示列向量(x1,x2,…,xn)T . 0 - 1值向量的子集Ω称作可行域，而x则是Ω的一个元素，我们称x为可行解。贯穿全文，我们假定对于任意可行解x,dx都是正数。这里我们记C = max{max | ci | , 1 },D = max{max | di | , 1 }。那么，显然问题的最优解在区间[ - nC,nC]内。
对于分数规划问题，有许多算法都能利用下面的线性目标函数解决问题。

Q(L): 最小化 cx - Ldx

xi∈{ 0 , 1 }
记z(L)为Q(L)的最值。令x * 为分数规划的最优解，并且令L *= (cx * ) / (dx * )(注：分数规划的最值)。那么下面就容易知道了：

z(L) > 0
当且仅当
L < L *

z(L) = 0
当且仅当
L = L *

z(L) < 0
当且仅当
L > L *
此外，Q(L * )的最优解也能使分数规划最优化[ 7 , 16 , 17 ]。因此，解决分数规划问题在本质上等同于寻找L = L * 使z(L) = 0 。出于这个目的，关于L的函数z(L)具有很多不错的性质：分段线性，凹函数，严格递减，z(