[论文解读] Solving the Maximum-Weight Connected Subgraph Problem to Optimality

Mohammed El-Kebir, Gunnar W. Klau|arXiv (Cornell University)|Sep 18, 2014

VLSI and FPGA Design Techniques参考文献 17被引用 21

一句话总结

本文提出了一种新颖的算法框架，通过结合预处理、基于双连通与三连通分量分解的分治策略，以及结合原始启发式算法的分支定界方法，以可证明的最优性求解最大权连通子图（MWCS）问题。该方法在第11届DIMACS挑战的基准实例上实现了最优解，通过有效的缩减规则和基于分量的分解显著减少了求解时间和间隙。

ABSTRACT

Given an undirected node-weighted graph, the Maximum-Weight Connected Subgraph problem (MWCS) is to identify a subset of nodes of maximalsum of weights that induce a connected subgraph. MWCS is closely related to the well-studied Prize Collecting Steiner Tree problem and has many applications in different areas, including computational biology, network design and computer vision. The problem is NP-hard and even hard to approximate within a constant factor. In this work we describe an algorithmic scheme for solving MWCS to provable optimality, which is based on preprocessing rules, new results on decomposing an instance into its biconnected and triconnected components and a branch-and-cut approach combined with a primal heuristic. We demonstrate the performance of our method on the benchmark instances of the 11th DIMACS implementation challenge consisting of MWCS as well as transformed PCST instances.

研究动机与目标

• 开发一种可证明最优的NP难最大权连通子图（MWCS）问题求解算法。
• 通过先进的预处理和分解技术，提升在真实世界和基准MWCS实例上的实际性能。
• 将树上的精确动态规划集成到原始启发式算法中，以加快分支定界算法的收敛速度。
• 在第11届DIMACS实现挑战的基准实例上展示该方法的有效性。
• 通过算法工程与理论洞察的结合，建立精确MWCS求解的新基线。

提出的方法

• 采用三阶段预处理，逐步应用更复杂的缩减规则：移除孤立的负权节点、合并负权分量、隔离正权分量。
• 利用SPQR树将图分解为双连通与三连通分量，以支持分治策略。
• 采用基于新原始启发式算法的分支定界框架，该启发式基于树上的精确动态规划，以加速收敛。
• 通过边分裂将MWCS实例转化为奖赏收集斯坦纳树（PCST）实例，以复用现有的PCST求解器。
• 通过超节点和分量追踪维护解的映射关系，以从简化后的子问题重构最优解。
• 在各阶段中彻底应用缩减规则，直至无法进一步简化，确保最优性得以保持。

实验结果

研究问题

• RQ1 结合预处理、分量分解与分支定界的方法是否能比以往方法更高效地求解MWCS以实现可证明最优？
• RQ2 所提出的缩减规则在不损失最优性的情况下，对缩小搜索空间的效率如何？
• RQ3 将图分解为双连通与三连通分量在大规模或复杂图上的可扩展性提升程度如何？
• RQ4 基于动态规划的原始启发式算法与分支定界算法的集成，对性能提升有多大贡献？
• RQ5 该算法在第11届DIMACS挑战标准基准实例上的实证性能表现如何？

主要发现

• 所提出的算法在所有第11届DIMACS基准实例上均求得最优解，其中性能最佳的配置（dc）在所有测试用例中均实现100%成功率。
• 预处理的使用使大多数实例的上下界间隙降低至1%以下，最佳结果出现在采用分解的'dc'（带分解）配置中。
• 无预处理的'no-pre'（无预处理）变体表现出显著更高的间隙——在P400.1上高达43.97%，凸显了预处理在缩小解空间中的关键作用。
• 通过双连通与三连通分量分解的分治方法显著减少了子问题中的节点数与边数，某些情况下减少幅度高达98%（例如cc3-4u中，352个节点减少至1个）。
• 基于树上动态规划的原始启发式算法能够快速识别高质量解，显著加快了分支定界过程的收敛速度。
• 在400个节点、边密度l=2.0的随机图上，'dc'配置在22秒内完成求解，间隙为177%；而'no-pre'版本耗时超过195秒，间隙达185%，凸显了分解与预处理的显著优势。