Neuer 2-facher Approximation-Algorithmus für k-Center-Clustering mit Constraints

Ein neuer Ansatz aus dem arXiv-Preprint Approximation Algorithm for Constrained k-Center Clustering: A Local Search Approach liefert die bestmögliche Annäherungslösung für das k-Center‑Clustering unter Must‑Link- und Cannot‑Link‑Constraints. Der klassische k-Center‑Algorithmus kann nicht besser als Faktor 2 approximieren – eine Verbesserung würde P = NP bedeuten. In der erweiterten Variante, bei der zusätzliche Hintergrundwissen‑Constraints berücksichtigt werden, ist die Problemstellung deutlich härter, doch bei disjunkten Cannot‑Link‑Sätzen lassen sich bereits konstante Faktoren erreichen.

Die Autoren stellen ein neues lokales Such‑Framework vor, das das Problem in ein sogenanntes „dominating matching set“ überführt. Durch diese Transformation gelingt es, die lokale Suche so zu gestalten, dass sie stets eine Lösung mit dem optimalen Approximation‑Verhältnis 2 liefert. Damit beantwortet das Papier die bislang offene Frage, ob lokale Suchmethoden in diesem Kontext ebenfalls konstante Faktoren erzielen können.

Experimentelle Tests auf realen und synthetischen Datensätzen zeigen, dass der vorgeschlagene Algorithmus die gängigen Baselines in der Lösungsqualität übertrifft. Die Ergebnisse unterstreichen die praktische Relevanz des Ansatzes für Anwendungen, bei denen Must‑Link‑ und Cannot‑Link‑Informationen eine zentrale Rolle spielen.