[论文解读] A Fast Max Flow Algorithm

James B. Orlin, X Gong+1 more|arXiv (Cornell University)|Oct 10, 2019

Complexity and Algorithms in Graphs参考文献 17被引用 2

一句话总结

本文提出一种新型最大流算法——增强型大中等超额缩放（Enhanced Large-Medium Excess-Scaling, LMES）算法，通过消除栈结构并引入流返回森林来处理负超额值，实现 O(nm log n / log log n) 的时间复杂度。该算法在所有 n 和 m 下严格优于 King、Rao 和 Tarjan 的算法，且在稀疏图（m ≤ n log n）中实现 log log n 的加速。

ABSTRACT

Diversity is an important principle in data selection and summarization, facility location, and recommendation systems. Our work focuses on maximizing diversity in data selection, while offering fairness guarantees. In particular, we offer the first study that augments the Max-Min diversification objective with fairness constraints. More specifically, given a universe 𝒰 of n elements that can be partitioned into m disjoint groups, we aim to retrieve a k-sized subset that maximizes the pairwise minimum distance within the set (diversity) and contains a pre-specified k_i number of elements from each group i (fairness). We show that this problem is NP-complete even in metric spaces, and we propose three novel algorithms, linear in n, that provide strong theoretical approximation guarantees for different values of m and k. Finally, we extend our algorithms and analysis to the case where groups can be overlapping.

研究动机与目标

• 设计一种更快的强多项式最大流算法，使其在所有图密度下均优于现有方法。
• 消除超额缩放算法中对栈数据结构的依赖，简化实现并提高效率。
• 引入一种流返回森林数据结构，高效处理具有轻微负超额值的节点，使其在 O(logk n) 缩放阶段内恢复非负性。
• 在不依赖动态树的前提下实现更优的渐近时间复杂度，为优化开辟新途径。
• 提供 Orlin 收缩引理的更简明证明，强化最大流算法中的基础分析。

提出的方法

• 提出一种无栈的堆栈缩放算法变体，命名为大中等超额缩放（Large-Medium Excess-Scaling, LMES），简化原始框架。
• 引入流返回森林——一种新型数据结构，用于存储具有负超额值的节点，并通过有针对性的流推送恢复非负性。
• 采用参数化缩放方法，用户可选择参数 k，最优取值为 k = ⌈log n / (log log n + m/n)⌉，以最小化渐近时间复杂度。
• 采用改进的超额缩放策略，允许存在小量负超额值，并使用基于桶的弧分类（小、中、大）实现高效更新。
• 为每个节点维护 IMB(v, x, ∆) 和 ˆe(v, ∆) 值，实现 O(1) 时间内评估超额值与不平衡值，仅通过指针和桶更新，避免使用除法或对数运算。
• 通过依赖高效的弧分类与流恢复机制，避免使用动态树，降低数据结构开销。

实验结果

研究问题

• RQ1 能否设计一种无需栈结构的最大流算法，同时保持或提升性能？
• RQ2 引入用于处理负超额值的流返回森林是否能导致一个可证明更快的算法？
• RQ3 能否在所有图密度下严格优于 King、Rao 和 Tarjan 的算法？
• RQ4 能否在不使用动态树的前提下实现 O(nm log n / log log n) 的时间复杂度？
• RQ5 能否构建一个更简洁的 Orlin 收缩引理证明，以支持更快的最大流算法？

主要发现

• 所提出的增强型 LMES 算法的时间复杂度为 O(nm log n / log log n)，在所有 n 和 m 的取值下严格优于 King、Rao 和 Tarjan 算法的 O(nm logβ n) 时间复杂度。
• 对于满足 m ≤ n log n 的图，新算法的性能提升因子达 O(log log n)，显著改善了稀疏图的运行效率。
• 该算法未使用动态树即实现加速，表明未来结合此类结构可能进一步优化性能。
• 本文提供了 Orlin 收缩引理的更简洁证明，强化了 O(nm) 最大流算法的理论基础。
• 流返回森林可在 O(logk n) 缩放阶段内高效恢复具有负超额值的节点，对提升渐近时间复杂度有重要贡献。
• 通过指针与桶更新机制，算法支持 O(1) 时间内评估超额值与不平衡值（ˆe(v, ∆) 与 IMB(v, x, ∆)），避免了除法或对数等高成本运算。