Consider a team of $k \leq n$ autonomous mobile robots initially placed at a node of an arbitrary graph $G$ with $n$ nodes. The dispersion problem asks for a distributed algorithm that allows the robots to reach a configuration in which each robot is at a distinct node of the graph. If the robots are anonymous, i.e., they do not have any unique identifiers, then the problem is not solvable by any deterministic algorithm. However, the problem can be solved even by anonymous robots if each robot is given access to a fair coin which they can use to generate random bits. In this setting, it is known that the robots require $\Omega(\log{\Delta})$ bits of memory to achieve dispersion, where $\Delta$ is the maximum degree of $G$. On the other hand, the best known memory upper bound is $min \{\Delta, max\{\log{\Delta}, \log{D}\}\}$ ($D$ = diameter of $G$), which can be $\omega(\log{\Delta})$, depending on the values of $\Delta$ and $D$. In this paper, we close this gap by presenting an optimal algorithm requiring $O(\log{\Delta})$ bits of memory.


翻译:考虑一个由 $k\leq n n$ 自动自动移动机器人组成的团队, 最初被放置在任意图形节点上 $G$ 美元和美元节点。 分散问题要求使用分布式算法, 使机器人能够达到每个机器人在图形不同节点上的配置。 如果机器人是匿名的, 也就是说, 他们没有任何独特的识别符号, 那么问题就不会被任何确定性算法所解脱。 但是, 问题也可以通过匿名机器人来解决, 即使让每个机器人获得一个可以用来生成随机位数的公平硬币 。 在此设置中, 已知机器人需要 $\ omega (\ log\ Delta} 的记忆元来实现分散。 如果机器人是匿名的, 也就是说, $\ Delta$\ g$。 另一方面, 最知名的记忆上限是 $ ⁇ Delta, max max $G$ G$$@ data} 。

0
下载
关闭预览

相关内容

TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Adaptive Bin Packing with Overflow
Arxiv
0+阅读 · 2021年2月5日
Arxiv
0+阅读 · 2021年2月4日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
VIP会员
相关VIP内容
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员