[论文解读] A Bit-Parallel Russian Dolls Search for a Maximum Cardinality Clique in a Graph

Ricardo C. Corrêa, Philippe Michelon+3 more|arXiv (Cornell University)|Jul 4, 2014

Advanced Graph Theory Research参考文献 27被引用 3

一句话总结

本文提出了一种增强型俄罗斯套娃搜索（RDMC）算法，用于在无向图中寻找最大团，该算法利用位并行操作、基于近似顶点着色的剪枝策略以及递归子问题求解机制。该方法在密集图上优于现有组合算法，在多个案例中相比最佳先前精确求解器实现了超过两倍的加速。

ABSTRACT

Finding the clique of maximum cardinality in an arbitrary graph is an NP-Hard problem that has many applications, which has motivated studies to solve it exactly despite its difficulty. The great majority of algorithms proposed in the literature are based on the Branch and Bound method. In this paper, we propose an exact algorithm for the maximum clique problem based on the Russian Dolls Search method. When compared to Branch and Bound, the main difference of the Russian Dolls method is that the nodes of its search tree correspond to decision subproblems, instead of the optimization subproblems of the Branch and Bound method. In comparison to a first implementation of this Russian Dolls method from the literature, several improvements are presented. Some of them are adaptations of techniques already employed successfully in Branch and Bound algorithms, like the use of approximate coloring for pruning purposes and bit-parallel operations. Two different coloring heuristics are tested: the standard greedy and the greedy with recoloring. Other improvements are directly related to the Russian Dolls scheme: the adoption of recursive calls where each subproblem (doll) is solved itself via the same principles than the Russian Dolls Search and the application of an elimination rule allowing not to generate a significant number of dolls. Results of computational experiments show that the algorithm outperforms the best exact combinatorial algorithms in the literature for the great majority of the dense graphs tested, being more than twice faster in several cases.

研究动机与目标

• 开发一种更高效的精确算法以解决最大团问题，该问题为NP难问题，且在众多应用中具有核心重要性。
• 通过集成先进的剪枝与并行化技术，改进现有俄罗斯套娃搜索（RDS）实现。
• 评估所提算法在密集图上的性能表现，因为在此类图上，先前方法由于计算复杂度高而表现不佳。
• 证明俄罗斯套娃方法在实际中可优于经典分支定界法，尤其针对困难的组合实例。

提出的方法

• 该算法采用俄罗斯套娃搜索框架，其中搜索树中的每个节点代表一个决策子问题而非优化子问题，从而实现问题的递归分解。
• 通过位并行操作高效表示和操作顶点集合，显著加速集合操作（如交集与并集）。
• 采用近似顶点着色（包括标准贪心与带重着色的贪心启发式算法）计算上界，并提前剪除次优分支。
• 引入一种增强型消除规则，以避免生成冗余子问题，在不损失最优性的情况下减少搜索空间。
• 递归地将相同原理应用于每个子问题，确保剪枝与搜索空间缩减的一致性与深度。
• 实现中融合了分支定界技术，例如基于颜色值的动态候选顶点排序，以提升剪枝效率。

实验结果

研究问题

• RQ1 俄罗斯套娃搜索框架能否被有效适配到最大团问题上，并在性能上超越现有精确算法？
• RQ2 位并行操作与近似着色在多大程度上提升了基于RDS的团求解器效率？
• RQ3 所提出的消除规则在不损害解质量的前提下，如何减少生成的子问题数量？
• RQ4 RDMC算法是否在密集图上实现了显著加速，而这类图正是该问题特别具有挑战性的场景？

主要发现

• RDMC算法在所测试的大多数密集图上优于现有最佳精确组合算法，在多个实例中实现超过2倍的加速。
• 对于密度高于0.8的图，该算法性能优于先前方法两倍以上，展现出在困难实例上的强可扩展性。
• 位并行操作的使用通过加速集合操作（尤其是子图诱导与邻域查询）显著减少了计算时间。
• 通过贪心与重着色启发式算法实现的近似着色集成，显著提升了剪枝效率，减少了探索的节点数。
• 增强型消除规则成功剪除了大量冗余子问题，促进了更快收敛。
• 在1000个顶点、50%边密度的1/3-all与2/3-all图族中，RDMC在100秒内解决了实例，优于PBBMC及其他最先进求解器。