کران‌یابی مسئلهٔ Freeze-Tag | سروش صحرائی

مسئله چیست؟

فرض کنید ازدحامی از ربات‌ها در یک فضا خفته‌اند و تنها یکی از آن‌ها بیدار است. ربات بیدار با سرعت واحد حرکت می‌کند و هر رباتی را که به آن برسد بیدار می‌کند — و آن ربات هم بلافاصله به تیمِ در حال گسترش می‌پیوندد. سؤال این است: چه برنامهٔ حرکتی، همهٔ ربات‌ها را در کمترین زمان ممکن بیدار می‌کند؟

این مسئله، معروف به Freeze-Tag (FTP)، را نخستین‌بار در سال ۲۰۰۶ آرکین و همکاران با عنوان «چگونه یک ازدحام ربات را بیدار کنیم» مطرح کردند. معیار بهینه‌سازی آن Makespan نام دارد: زمانی که آخرین ربات بیدار می‌شود. برنامهٔ بیدارسازی را می‌توان با یک درخت ریشه‌دار نمایش داد که وزن هر یال، فاصلهٔ متریک دو سر آن است؛ Makespan برابر بیشینهٔ طول مسیر از ریشه تا برگ‌هاست.

چرا سخت است؟

FTP در فضای اقلیدسی سه‌بعدی $(\mathbb{R}^3,\ell_p)$ برای $p\ge1$ و حتی در صفحهٔ اقلیدسی $(\mathbb{R}^2,\ell_2)$ NP-hard است. یعنی الگوریتم دقیق و سریعی برای حل آن روی هر ورودی وجود ندارد (مگر $P=NP$). به همین دلیل، این پروژه به‌جای حل دقیق، به دنبال کران‌های صریح و اثبات‌پذیر روی بدترین حالت ممکن (نسبت بیدارسازی گوی واحد) است — کرانی که تضمین می‌کند، مستقل از پیکربندی دقیق ربات‌ها، بیدارسازی کامل در چند برابر مشخصی از شعاع فضا تمام می‌شود.

این انگیزهٔ اصلی مسئله را نشان می‌دهد: فعال‌سازی هرچه‌سریع‌تر گروهی از عامل‌های خودمختار که در ابتدا غیرفعال‌اند. کران‌های این پروژه، تضمینی ریاضی و اثبات‌شده روی بدترین‌حالتِ زمان لازم برای این فعال‌سازی، در هندسه‌های مختلف، به دست می‌دهند.

سه جبهه، سه هندسه

این پروژه نسبت بیدارسازی را در سه هندسهٔ متفاوت کران می‌زند — هرکدام با ابزار ریاضی خودش.

فضای منهتنی سه‌بعدی

$(\mathbb{R}^3, \ell_1)$

ایده در یک خط: گوی واحد $\ell_1$ یک هشت‌وجهی است — آن را با گوی‌های کوچک‌تر بپوشانید و بازگشتی حل کنید.

کران بالا: ۱۰ (از ۱۳) کران پایین: ۵٫۶۷

فضای اقلیدسی سه‌بعدی

$(\mathbb{R}^3, \ell_2)$

ایده در یک خط: طول هر مسیر را به حرکت عمودی + تصویر روی صفحه تجزیه کنید، سپس تصویر را با تقسیم‌بندی مثلثی کران بزنید.

کران کلی: ۱۲٫۷۶۰۱ مرزی: < ۹٫۴ سطحی: ≤ ۹٫۹۲

ابعاد بالا

$(\mathbb{R}^d, \ell_1)$ و $(\mathbb{R}^k, \ell_2)$

ایده در یک خط: به‌جای پوشش شبکه‌ای، از هندسهٔ رأس‌های cross-polytope استفاده کنید — و بعد پوشش را دقیق‌تر کنید.

گام اول: O(d log d) گام دوم: O(d) کران پایین: 1 + 2√k

همهٔ نتایج، یک نگاه

هشت کران صریح، در پنج هندسه. این کار خط پژوهشی جدیدی گشود: نخستین کران بالا برای مسئله Freeze-Tag در فضای منهتنی سه‌بعدی.

۱

AAMAS 2025

۱۳ — نخستین کران صریح برای $(\mathbb{R}^3, \ell_1)$

۲

بهبود میانی

۱۲ — بهبود میانی

۳

این گزارش

۱۰ — کران با پوشش ۱۸ ناحیه‌ای

۱۰

کران بالا — منهتنی سه‌بعدی، پوشش ۱۸ ناحیه‌ای

۵٫۶۷

کران پایین — منهتنی سه‌بعدی، پیکربندی ۸ نقطه‌ای

۱۲٫۷۶۰۱

کران بالا — اقلیدسی سه‌بعدی، تقسیم مثلثی

۹٫۴

نمونه‌های مرزی روی کرهٔ واحد (<)

۹٫۹۲

surface-FTP، ژئودزیک (≤)

1+2√k

کران پایین اقلیدسی — ابعاد بالا

O(d log d)

ابعاد بالا — پوشش ۲d‌تایی

O(d)

ابعاد بالا — پوشش حجمی تیزتر

فضا / حالت	کران بالا	کران پایین
$(\mathbb{R}^3,\ell_1)$ — کلی	۱۰	۵٫۶۷
$(\mathbb{R}^3,\ell_1)$ — $n\le127$	۱۳	—
$(\mathbb{R}^3,\ell_2)$ — کلی	۱۲٫۷۶۰۱	—
نمونه‌های مرزی $\ell_2$	< ۹٫۴	—
surface-FTP (ژئودزیک)	≤ ۹٫۹۲	—
$(\mathbb{R}^d,\ell_1)$ — پوششی	$\mathcal{O}(d \log d)$	—
$(\mathbb{R}^d,\ell_1)$ — حجمی	$\mathcal{O}(d)$	—
$(\mathbb{R}^k,\ell_2)$ — کران پایین	—	$1 + 2\sqrt{k}$

«در $(\mathbb{R}^3,\ell_1)$، هر مجموعهٔ متناهی از ربات‌ها در گوی واحد را می‌توان در زمان حداکثر ۱۰ فعال کرد.»

این کران‌ها را چطور اعتبارسنجی کردیم؟

هر کران، جدا از اثبات ریاضی، با یک روش مستقل نیز بررسی شد — چه با شبیه‌سازی، چه با پویش جامع محاسباتی.

شبیه‌سازی Freeze-Tag — گام ۱ با ۳۱ ربات فعال

گام ۱ از ۱۰

۳۱ ربات فعال‌شده

برای ربات‌های کمتر از آستانهٔ پوششی $n\le157$، صف اولویت با زنجیره‌های یکنواخت $P_4, P_3$ شبیه‌سازی شد. بر پایهٔ تعمیم سه‌بعدی قضیهٔ Erdős–Szekeres، استخراج یک زنجیرهٔ یکنواخت به طول ۴ از ۸۲ نقطه، و به طول ۳ از ۱۷ نقطه، تضمین‌شده است. تعداد این زنجیره‌ها در هر مرحله با $P_4=\max(0,\lfloor(N-78)/4\rfloor)$ و $P_3=\max(0,\lfloor(N-4P_4-14)/3\rfloor)$ محاسبه می‌شود. گام‌های نشان‌داده‌شده از ۳۱ تا ۱۵۷ ربات را پوشش می‌دهند و در همهٔ گام‌ها Makespan از ۱۰ فراتر نمی‌رود. راهبری: پیکان‌ها یا کلید فاصله برای پخش. کلیک روی تصویر گام بعدی.

شبیه‌سازی صف اولویت
زنجیره‌های $P_4/P_3$ تا ۱۵۷ ربات

نامساوی ژئودزیک
شبکهٔ $(\delta_1,\delta_2,\theta)$ با $\epsilon=0.001$

پویش جامع
بررسی تمام درخت‌های بیدارسازی ۹رأسی برای کران پایین

مسیر انتشار

25

AAMAS 2025 — منتشرشده

Geometric Freeze-Tag Problem

نخستین کران بالا برای مسئله Freeze-Tag در فضای منهتنی سه‌بعدی (۱۳)؛ مجموعه‌مقالات کنفرانس بین‌المللی AAMAS، ص ۸۷–۹۵.

26

JAAMAS 2026 — منتشرشده

Geometric Freeze-Tag Problem

نسخهٔ گسترش‌یافتهٔ مجلهٔ Autonomous Agents and Multi-Agent Systems، جلد ۴۰.

26

CCCG 2026 — در دست آماده‌سازی

بهبود کران به ۱۰

با پوشش ۱۸ ناحیه‌ای (بهبود از نخستین کران ۱۳). شکل‌ها و شبیه‌سازی‌های این بخش از همین مقالهٔ در حال آماده‌سازی گرفته شده‌اند.

۱۴۰۵

گزارش پایانی پروژهٔ کارشناسی

تجمیع همهٔ نتایج + کران‌های اقلیدسی، مرزی، سطحی و ابعاد بالا

References

E. M. Arkin et al. The Freeze-Tag Problem: How to Wake Up a Swarm of Robots. Algorithmica, 46:193–221, 2006. DOI: 10.1007/s00453-006-1206-1
S. Alipour, K. Baghestani, M. Mirzaei, S. Sahraei. Geometric Freeze-Tag Problem. AAMAS 2025, pp. 87–95.
S. Alipour et al. Geometric Freeze-Tag Problem. Autonomous Agents and Multi-Agent Systems, 40(1):11, 2026. DOI: 10.1007/s10458-026-09738-8
N. Bonichon et al. Freeze-Tag in $L_1$ Has Wake-Up Time Five with Linear Complexity. DISC 2024. DOI: 10.4230/LIPIcs.DISC.2024.9
L. L. C. Pedrosa, L. de Oliveira Silva. Freeze-Tag is NP-hard in 3D with $L_1$ distance. Procedia Computer Science, 223:360–366, 2023.
Z. Abel, H. A. Akitaya, J. Yu. Freeze Tag Awakening in 2D is NP-hard. 27th Fall Workshop on Computational Geometry, 2017.

مرجع Bonichon و همکاران (۲۰۲۴) نشان می‌دهد در فضای دوبعدی با نرم $\ell_1$، زمان بیدارسازی دقیقاً ۵ است.

دربارهٔ پروژه

سروش صحرائی

دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه تهران.

دکتر هشام فیلی

دانشکدهٔ مهندسی برق و کامپیوتر، دانشگاه تهران.

سهم شخصی در این پروژه

در این پروژه، نخستین کران بالا برای مسئله Freeze-Tag در فضای $(\mathbb{R}^3,\ell_1)$ (کران ۱۳ و سپس بهبود به ۱۰)، بخش اصلی تحلیل‌های اقلیدسی و نگاشت مرزی، اعتبارسنجی شبیه‌سازی ژئودزیک، تولیدکننده و بررسی‌کنندهٔ کران پایین ۵٫۶۷، ایدهٔ پوشش ۱۸ ناحیه‌ای، شبیه‌سازی حالت پایه، و اثبات اولیهٔ $\mathcal{O}(d \log d)$ در ابعاد بالا توسعه داده شده است.

این پروژه بر پایهٔ همکاری پژوهشی با دکتر شراره علی‌پور در مقالات AAMAS 2025 و JAAMAS 2026 (و مقالهٔ در دست آماده‌سازی برای CCCG 2026) شکل گرفته است.

پرسش‌های متداول

چون FTP در فضای اقلیدسی سه‌بعدی و حتی در صفحه NP-hard است؛ الگوریتم دقیق و کارا (مگر $P=NP$) وجود ندارد. کران‌های صریح، تضمین کارایی بدترین‌حالت را بدون نیاز به حل دقیق فراهم می‌کنند.

کار AAMAS 2025 (و این پروژه) نخستین کران بالا را برای مسئله در فضای منهتنی سه‌بعدی معرفی کرد (۱۳). این گزارش با پوششی دقیق‌تر (۱۸ ناحیه به‌جای ۶) آن را به ۱۰ می‌رساند، و علاوه‌بر آن فضای اقلیدسی، حالات مرزی/سطحی، و ابعاد بالا را نیز کران می‌زند — که در مقالهٔ AAMAS پوشش داده نشده بودند.

با سه روش مستقل: شبیه‌سازی صف اولویت روی داده‌های تولیدشده، بررسی عددی نامساوی ژئودزیک روی شبکه‌ای ریز، و پویش جامع رایانه‌ای تمام ساختارهای درختی کوچک برای کران پایین. جزئیات در بخش «شبیه‌سازی و اعتبارسنجی».

مسئلهٔ Freeze-Tag از انگیزهٔ «فعال‌سازی هرچه‌سریع‌تر یک ازدحام ربات» می‌آید (عنوان مقالهٔ بنیان‌گذار آرکین و همکاران، ۲۰۰۶). کران‌های این پروژه، تضمین ریاضی روی بدترین‌حالتِ زمان چنین فعال‌سازی‌ای، در هندسه‌های مختلف، ارائه می‌دهند.

مرجع Bonichon و همکاران (۲۰۲۴) نشان می‌دهد در فضای دوبعدی با نرم $\ell_1$، زمان بیدارسازی دقیقاً ۵ است (با الگوریتم خطی). رفتن به بعد سوم، مسئله را به‌طرز محسوسی سخت‌تر می‌کند؛ کران پایین این گزارش ۵٫۶۷ از قبل بالاتر از نتیجهٔ دقیق دوبعدی است، و کران بالای ۱۰ هنوز فاصلهٔ قابل‌توجهی با آن دارد — این شکاف، مسیر باز اصلی این خط پژوهشی است.

گزارش صریحاً سه مسیر باز را مشخص می‌کند: (۱) کاهش فاصلهٔ میان کران پایین ۵٫۶۷ و کران بالای ۱۰ در فضای منهتنی سه‌بعدی، (۲) اثبات تحلیلی کامل‌تر برای نامساوی ژئودزیک در نسخهٔ سطحی مسئله (فراتر از اعتبارسنجی عددی فعلی)، و (۳) تعمیم نگاشت‌های سطحی به ابعاد بالاتر.