[논문 리뷰] New heuristics for burning graphs

Zahra Rezai Farokh, Maryam Tahmasbi외 2명|arXiv (Cornell University)|2020. 03. 20.

Advanced Graph Theory Research참고 문헌 17인용 수 5

한 줄 요약

이 논문은 네트워크 내 전염병 확산을 모델링하는 최근에 정의된 NP-난이도 문제인 그래프 번짐 문제를 위한 여섯 가지 새로운 휴리스틱을 제안한다. 이 휴리스틱들은 활성화자 선택 전략에서 상이하며, 거리-클러스터 값이 알려진 DIMACS, BHOSLIB, θ-그래프 및 무작위 그래프에서 평가되었으며, 98퍼센트 이상의 경우 최적 또는 근접 최적의 결과를 도출했고, 거리-클러스터 기반으로 한 번째 번짐 수치의 상한을 ⌈√d⌉ + 2로 향상시켰다.

ABSTRACT

The concept of graph burning and burning number ($bn(G)$) of a graph G was introduced recently [1]. Graph burning models the spread of contagion (fire) in a graph in discrete time steps. $bn(G)$ is the minimum time needed to burn a graph $G$.The problem is NP-complete. In this paper, we develop first heuristics to solve the problem in general (connected) graphs. In order to test the performance of our algorithms, we applied them on some graph classes with known burning number such as theta graphs, we tested our algorithms on DIMACS and BHOSLIB that are known benchmarks for NP-hard problems in graph theory. We also improved the upper bound for burning number on general graphs in terms of their distance to cluster. Then we generated a data set of 2000 random graphs with known distance to cluster and tested our heuristics on them.

연구 동기 및 목표

• 일반적인 연결 그래프에서 그래프 번짐 문제를 해결하기 위한 첫 번째 일반 목적의 휴리스틱을 개발하는 것.
• 표준 NP-난이도 기준 데이터셋(DIMACS 및 BHOSLIB)과 번짐 수치가 알려진 그래프에서 휴리스틱 성능을 평가하는 것.
• 거리-클러스터 기반으로 한 번째 번짐 수치의 이론적 상한을 향상시키는 것.
• 거리-클러스터가 제어된 2000개의 무작위 그래프로 구성된 새로운 데이터셋을 생성하고, 이에 대해 휴리스틱을 생성 및 테스트하는 것.

제안 방법

• 거리 척도(예: 가장 먼 거리, 중심성 등)에 기반해 첫 번째 활성화자 및 이후 활성화자의 순서를 달리하는 여섯 가지 서로 다른 휴리스틱을 제안한다.
• 거리-클러스터가 알려진 그래프를 모델링하기 위해 중심 경로와 부착된 완전 그래프로 구성된 경로 기반 그래프 구조를 사용한다.
• 표준 NP-난이도 문제 기준 데이터셋인 DIMACS 및 BHOSLIB 데이터셋에 휴리스틱을 적용하여 성능을 평가한다.
• 제어된 거리-클러스터(d)를 가진 2000개의 무작위 그래프를 생성하고, 이론적 상한 ⌈√d⌉ + 2와의 비교를 통해 휴리스틱 성능을 평가한다.
• 새로운 상한을 증명한다: G의 정점 집합 A에 대해 G[V∖A]가 클러스터 그래프일 경우, bn(G) ≤ bn(G[A]) + 2.
• 기존 연구에서의 정확한 값과 이론적 상한과의 비교를 통해 휴리스틱 성능을 검증한다.

실험 결과

연구 질문

• RQ1 그래프 번짐 문제의 NP-완전성과 이전 알고리즘적 해법의 부재에도 불구하고, 일반 연결 그래프에서 효과적인 휴리스틱을 개발할 수 있는가?
• RQ2 제안된 휴리스틱은 DIMACS 및 BHOSLIB와 같은 표준 NP-난이도 그래프 기준 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ3 거리-클러스터 기반으로 한 번째 번째 수치의 상한을 향상시킬 수 있으며, 이 상한에 비해 휴리스틱은 어떻게 성능을 발휘하는가?
• RQ4 거리-클러스터가 제어된 무작위 그래프에서 휴리스틱은 알려진 이론적 상한에 얼마나 가까이 도달하거나 이를 초월하는가?

주요 결과

• DIMACS 데이터셋의 78개 그래프 중 71개와 BHOSLIB 데이터셋의 36개 그래프 전부에서 휴리스틱이 최적의 번짐 수치를 도출했다.
• 생성된 2000개의 무작위 θ-그래프 중 1208개에서 휴리스틱이 알려진 상한 이내의 번짐 수열 길이를 계산했다.
• 거리-클러스터가 d인 그래프에 대해 향상된 이론적 상한은 ⌈√d⌉ + 2이며, 이는 이전의 3d + 3보다 더 날카롭게 좁혀진 상한이다.
• 거리-클러스터가 알려진 2000개의 무작위 그래프 중 1961개에서 휴리스틱이 새로운 이론적 상한 ⌈√d⌉ + 2 이내의 번짐 수치를 달성했다.
• Ctr-Half dist, Rnd-Half dist, Rnd-Far dist 휴리스틱이 다른 휴리스틱들보다 일관되게 뛰어난 성능을 보였으며, 1708건의 경우에서 최소 해를 찾았다.
• 결과는 가장 먼 거리 기반 및 무작위 선택 전략을 활용한 활성화자 선택 휴리스틱이 다양한 그래프 유형에서 뛰어난 성능을 발휘함을 시사한다.