[논문 리뷰] Randomized Speedup of the Bellman-Ford Algorithm

Michael J. Bannister, David Eppstein|arXiv (Cornell University)|2011. 11. 23.

Complexity and Algorithms in Graphs참고 문헌 13인용 수 4

한 줄 요약

이 논문은 각 반복 전에 정점을 무작위로 재배열하여 성능을 향상시키는 Bellman-Ford 알고리즘의 무작위 변종을 제안한다. 이 방법은 Yen의 1970년 알고리즘 대비 평균적으로 2/3 감소된 리라이트 단계 수를 가지며, 높은 확률로 $ mn/3 + o(mn) $회의 리라이트를 수행한다. 또한 높은 확률 기반의 경계를 이용해 효율적인 음수 사이클 탐지가 가능하다.

ABSTRACT

We describe a variant of the Bellman-Ford algorithm for single-source shortest paths in graphs with negative edges but no negative cycles that randomly permutes the vertices and uses this randomized order to process the vertices within each pass of the algorithm. The modification reduces the worst-case expected number of relaxation steps of the algorithm, compared to the previously-best variant by Yen (1970), by a factor of 2/3 with high probability. We also use our high probability bound to add negative cycle detection to the randomized algorithm.

연구 동기 및 목표

• 음수 간선이 존재하지만 음수 사이클이 없는 그래프에서 Bellman-Ford 알고리즘의 최악의 경우 평균 리라이트 단계 수를 줄이기.
• 이미 리라이트 단계 수를 절반으로 줄인 Yen의 1970년 알고리즘을 초월하여, 무작위 정점 순서 재배열을 도입해 추가로 2/3의 성능 향상을 달성하기.
• 높은 확률 기반의 런타임 경계를 제공하여 알고리즘에서 효율적인 음수 사이클 탐지가 가능하도록 하기.
• 수십 년간의 기존 최적화에도 불구하고, 랜덤화가 기본 그래프 알고리즘에서 상수 요인의 성능 향상을 가져올 수 있음을 보여주기.

제안 방법

• 각 반복의 시작 시 정점 순서를 무작위로 재배열하여 간선 리라이트의 순서를 이끌기.
• Yen의 이중 DAG 분해 방법을 적용하지만, 각 반복 내에서 정점의 무작위 순서에 따라 간선을 처리하기.
• 높은 확률 기반의 농도 경계를 사용하여 리라이트 횟수의 평균을 분석하며, 최단 경로가 높은 확률로 경로 순서대로 리라이트된다는 사실을 활용한다.
• 음수 사이클 탐지를 위해 예측자 그래프 $ G_p $ 를 유지하며, $ n/3 + 1 + \sqrt{2cn\log n} $회의 반복 후 사이클 여부를 점검한다.
• 각 정점이 $ G_p $ 에서 최대 한 개의 출력 간선만 가지므로, 각 반복에서 $ O(n) $ 시간 내에 $ G_p $ 에서 사이클 탐지를 수행한다.
• 높은 확률 경계를 활용하여 밀도가 높은 그래프에 대한 알고리즘을 오차 확률이 작은 몬테카를로 알고리즘으로 전환한다.

실험 결과

연구 질문

• RQ1 무작위 정점 순서 재배열이 기존 최적화를 초월하여 Bellman-Ford 알고리즘의 평균 리라이트 단계 수를 줄일 수 있는가?
• RQ2 무작위 변종에서의 평균 리라이트 단계 수는 얼마이며, Yen의 알고리즘과 비교해 어떻게 다른가?
• RQ3 리라이트 횟수에 대한 높은 확률 기반 경계를 사용하여 음수 사이클을 효율적으로 탐지할 수 있는가?
• RQ4 무작위 접근 방식은 정확성을 높은 확률로 유지하면서도 실용적 성능을 유지를 또는 향상시킬 수 있는가?

주요 결과

• 무작위 Bellman-Ford 알고리즘은 평균 리라이트 단계 수를 $ mn/3 + o(mn) $로 줄여 Yen의 알고리즘 대비 2/3의 성능 향상을 달성한다.
• 밀도가 높은 그래프의 경우, 평균 리라이트 횟수는 $ n^3/6 + o(n^3) $ 이하이며, 최악의 경우 평균 런타임에서 상수 요인의 향상을 달성한다.
• 높은 확률로 모든 정점은 $ n/3 + 1 + \sqrt{2cn\log n} $회의 반복 후 정확한 거리를 확보하며, 이는 정확성 확률이 $ 1 - 1/n^{c-1} $ 이상임을 보장한다.
• 음수 사이클은 $ n/3 + 2 + \sqrt{2cn\log n} $회의 반복 후 예측자 그래프 $ G_p $ 에서 사이클 여부를 점검함으로써 높은 확률로 탐지할 수 있다.
• 오차 확률이 $ 1/n^{c-1} $ 이하로 제한되는 몬테카를로 알고리즘으로 변환함으로써, 밀도가 높은 그래프에서 음수 사이클 탐지가 가능하다.
• 이 성능 향상은 Yen의 1970년 작업 이래로 Bellman-Ford 알고리즘에서 처음으로 상수 요인의 속도 향상이며, 기본 그래프 알고리즘에서 랜덤화의 잠재력을 입증한다.