[论文解读] An algorithmic framework for colouring locally sparse graphs

Ewan Davies, Ross J. Kang+2 more|arXiv (Cornell University)|Apr 15, 2020

Limits and Structures in Graph Theory参考文献 39被引用 6

一句话总结

本文提出了一种新颖的图着色算法框架，通过硬核模型利用独立集的局部概率性质，实现了对局部稀疏图的高效着色。对于任意固定的 $k \geq 3$ 和 $\varepsilon > 0$，该框架给出了一种随机多项式时间算法，能够在每个顶点至多属于 $t \leq \Delta^{2\varepsilon/(1+2\varepsilon)}/(\log\Delta)^2$ 个 $k$-环的图上实现 $\varepsilon$-改进的色数界，达到 $\lfloor(1+\varepsilon)\Delta/\log(\Delta/\sqrt{t})\rfloor$ 种颜色，与随机图的已知算法边界一致。

ABSTRACT

We develop an algorithmic framework for graph colouring that reduces the problem to verifying a local probabilistic property of the independent sets. With this we give, for any fixed $k\ge 3$ and $\varepsilon>0$, a randomised polynomial-time algorithm for colouring graphs of maximum degree $Δ$ in which each vertex is contained in at most $t$ copies of a cycle of length $k$, where $1/2\le t\le Δ^\frac{2\varepsilon}{1+2\varepsilon}/(\logΔ)^2$, with $\lfloor(1+\varepsilon)Δ/\log(Δ/\sqrt t) floor$ colours. This generalises and improves upon several notable results including those of Kim (1995) and Alon, Krivelevich and Sudakov (1999), and more recent ones of Molloy (2019) and Achlioptas, Iliopoulos and Sinclair (2019). This bound on the chromatic number is tight up to an asymptotic factor $2$ and it coincides with a famous algorithmic barrier to colouring random graphs.

研究动机与目标

• 开发一种图着色的通用算法框架，将全局着色问题转化为验证独立集的局部概率性质。
• 通过概率和局部分析，改进具有有限局部密度的图的色数界，特别是每顶点含少量 $k$-环的图。
• 实现与随机图已知算法边界一致的色数界，误差因子为2。
• 将现代随机局部搜索技术（如熵压缩）系统性地整合进统一框架，以高效着色稀疏图。

提出的方法

• 该框架在图上使用硬核模型，将独立集建模为配位数为 $\lambda$ 的吉布斯测度，以分析其局部概率性质。
• 将全局着色问题简化为验证硬核模型是否满足局部独立性条件，该条件随后用于引导随机局部搜索算法。
• 通过在连通分量子图的最长路径上进行动态规划，计算诱导子图的划分函数 $Z_H(\lambda)$，并利用剩余顶点集中的 $P_k$-无性特征。
• 对于图的每个连通分量 $F_i$，该方法先计算最长路径 $P_i$，然后遍历独立集 $J_i \subset \hat{L}(P_i)$，以计算条件概率并递归更新划分函数。
• 通过首先使用预计算的概率采样 $\mathbf{I} \cap \hat{L}(P_i)$，然后在条件模型下递归采样剩余图，实现对硬核模型的采样。
• 运行时间上界为 $y^{3k^2}(1+q)^{k^3/2}(ck)^{k^3}$，其中 $y$ 为顶点数，$q$ 为最大列表大小，因此当 $k$ 固定时，该算法为多项式时间。

实验结果

研究问题

• RQ1 能否开发一个统一的算法框架，通过分析独立集的局部性质，实现对局部稀疏图的着色？
• RQ2 在 $k$-环密度受控的图中，通过概率和局部分析，色数能被多大程度地改进？
• RQ3 该框架是否在稀疏且具有局部结构的图中，达到了随机图的已知算法边界？
• RQ4 能否系统性地将熵压缩与随机局部搜索整合进一个高效图着色的统一框架中？

主要发现

• 对于任意固定的 $k \geq 3$ 和 $\varepsilon > 0$，该算法在随机多项式时间内计算出使用 $\lfloor(1+\varepsilon)\Delta/\log(\Delta/\sqrt{t})\rfloor$ 种颜色的着色，其中 $t$ 为每个顶点最多所属的 $k$-环数量。
• 该界与随机图的渐近算法边界一致，误差因子为2，优于 Kim（1995）、Alon 等人（1999）、Molloy（2019）和 Achlioptas 等人（2019）的先前结果。
• 该框架推广了 Johansson 对无三角图的 $O(\Delta/\log\Delta)$ 界，并将其扩展至具有受控 $k$-环密度的图。
• 当 $k$ 固定时，运行时间为顶点数的多项式时间，上界为 $y^{3k^2}(1+q)^{k^3/2}(ck)^{k^3}$，其中 $y$ 为顶点数，$q$ 为最大列表大小。
• 该方法实现了对局部稀疏图上硬核模型的高效采样，这对算法构造着色至关重要。