非单调子模极大化的改进并行算法及其背包约束
发表于: 。本研究针对在背包约束下非单调子模极大化问题,提出了一种高效的并行算法,有效将现有并行算法的最佳近似因子从$8+\epsilon$提高到$7+\epsilon$,且具备$O(\log n)$的自适应复杂度。通过构建新的交替阈值算法框架,该算法在保证自适应复杂度的同时显著提升了解的质量,在收入最大化、图像摘要和最大加权切割等多个应用上进行了广泛的实验研究,展现出优越的性能。
本研究针对在背包约束下非单调子模极大化问题,提出了一种高效的并行算法,有效将现有并行算法的最佳近似因子从$8+\epsilon$提高到$7+\epsilon$,且具备$O(\log n)$的自适应复杂度。通过构建新的交替阈值算法框架,该算法在保证自适应复杂度的同时显著提升了解的质量,在收入最大化、图像摘要和最大加权切割等多个应用上进行了广泛的实验研究,展现出优越的性能。