We study vector bin packing and vector bin covering problems, multidimensional generalizations of the classical bin packing and bin covering problems, respectively. In Vector Bin Packing we are given a set of $d$-dimensional vectors from $(0,1]^d$, and the aim is to partition the set into the minimum number of bins such that for each bin $B$, we have $\left\|\sum_{v\in B}v\right\|_\infty\leq 1$. Woeginger [Woe97] claimed that the problem has no APTAS for dimensions greater than or equal to 2. We note that there was a slight oversight in the original proof. Hence, we give a revised proof using some additional ideas from [BCKS06, CC09]. In fact, we show that it is NP-hard to get an asymptotic approximation ratio better than $\frac{600}{599}$, for $d=2$. In the vector bin covering problem given a set of $d$-dimensional vectors from $(0,1]^d$, the aim is to obtain a family of disjoint subsets (called bins) with the maximum cardinality such that for each bin $B$, we have $\sum_{v\in B}v\geq \mathbf 1$. Using ideas similar to our vector bin packing result, we show that for vector bin covering there is no APTAS for dimensions greater than or equal to 2. In fact, we show that it is NP-hard to get an asymptotic approximation ratio better than $\frac{998}{997}$.


翻译:我们研究的矢量 bin 包装和 矢量 bin bin bin bin 分别包含问题、 经典 bin 包装和 bin 的多维通用 。 在 矢量 Bin 包装中, 我们得到了一套美元( 0. 1美元) 的 美元维度矢量矢量矢量, 目的是将集分成最小数的垃圾箱。 事实上, 我们显示, 对于每件 bin $B$, 我们得到了$\ sumv\ v\ in B} vright\ nbty\ leq 1美元 。 Woodginger [Woe97] 声称, 问题没有 APTAS 的维度大于或等于 2. 我们注意到原始证据中存在轻微监督。 因此, 我们用一些来自 [ BKKS06, CC09] 的更多想法给出了经过修改的证明。 事实上, 我们很难得到比 $\600, 600599 美元 更好的 。 在矢量 的矢量 中, 我们得到了比 $ 01\ binal= bin 最高的直值 。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
最新《自监督表示学习》报告,70页ppt
专知会员服务
85+阅读 · 2020年12月22日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
3+阅读 · 2017年10月27日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年6月29日
Arxiv
0+阅读 · 2021年6月27日
Arxiv
0+阅读 · 2021年6月25日
Arxiv
4+阅读 · 2019年1月14日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
最新《自监督表示学习》报告,70页ppt
专知会员服务
85+阅读 · 2020年12月22日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
3+阅读 · 2017年10月27日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员