[논문 리뷰] Improving upon Maximum Independent Set by five orders of magnitude

Marcel Wild|arXiv (Cornell University)|2009. 01. 28.

Image and Object Detection Techniques인용 수 1

한 줄 요약

이 논문은 그래프에서 최대 독립 집합을 찾는 데 최적화된 알고리즘을 제시한다. 기존 Mathematica의 내장 함수인 MaximumIndependentSet에 비해 100,000배 빠른 성능을 달성한다. 맞춤형 클리크(anticlique) 열거 방식을 활용하여, 무작위 (45, 92)-그래프에서 크기 21인 최대 반클리크를 1.344초 만에 계산하는 데 성공했으며, 표준 명령어를 사용할 경우 이와 같은 작업에 155,838초가 소요된다.

ABSTRACT

Several algorithms are presented. The standard algorithm generates all N anticliques of a graph with v vertices in time O(Nv 2). It can be adapted to e.g. generate all maximum cardinality anticliques, or just one maximum anticlique. The latter is our main achievement and was programmed using the Mathematica 6.0 code. For a random (45, 92)-graph G a maximum anticlique of size 21 was found in 1.344 sec, whereas the “hardwired” command MaximumIndependentSet[G] clocked in at 155838 sec, which is five orders of magnitude slower.

연구 동기 및 목표

• 그래프에서 최대 독립 집합을 계산하는 데 더 빠른 알고리즘을 개발하는 것.
• Mathematica의 MaximumIndependentSet와 같은 일반적인 솔버의 비효율성을 극복하는 것.
• 중간 크기의 랜덤 그래프 인스턴스에서 뚜렷한 성능 향상을 보여주는 것.

제안 방법

• 알고리즘은 최적화된 열거 전략을 사용하여 그래프 내 모든 반클리크(독립 집합)를 생성한다.
• 불필요한 계산을 줄이기 위해 최대 카디널리티 반클리크에만 초점을 맞춘다.
• 수식 계산 능력을 활용하기 위해 Mathematica 6.0에서 구현된다.
• 열거 과정에서 유망하지 않은 분지들을 잘라내어 전수 탐색을 피한다.
• 최대 집합을 위한 조기 종료 기능이 있는 재귀적 백트래킹 메커니즘을 사용한다.
• 입력 그래프의 구조적 특성을 활용하도록 구현이 최적화되어 있다.

실험 결과

연구 질문

• RQ1 맞춤형 알고리즘이 내장 솔버보다 최대 독립 집합을 찾는 데 더 빠를 수 있는가?
• RQ2 반클리크 열거의 대상 최적화를 통해 어떤 성능 향상이 달성될 수 있는가?
• RQ3 중간 크기의 랜덤 그래프에서 알고리즘의 확장성은 어떻게 되는가?

주요 결과

• 제안된 알고리즘은 (45, 92)-그래프에서 크기 21인 최대 반클리크를 1.344초 만에 발견했다.
• Mathematica의 내장 MaximumIndependentSet 명령은 동일한 작업에 155,838초가 소요되었다.
• 신규 방법은 표준 구현보다 약 115,800배 빠르다.
• 성능 향상은 5계단의 개선을 나타낸다.
• 일반적인 솔버에 비해 맞춤형 최적화의 효과를 입증한다.
• 알고리즘은 45개 정점과 92개 간선을 가진 그래프까지 성공적으로 확장된다.