[论文解读] A Highly Efficient Parallel Algorithm for Computing the Fiedler Vector

Murat Manguoğlu|arXiv (Cornell University)|Mar 18, 2010

Parallel Computing and Optimization Techniques参考文献 15被引用 5

一句话总结

本文提出了一种高度高效的并行算法，用于计算图拉普拉斯矩阵的第二小特征值对应的Fiedler向量，采用新颖的域分解与基于多重网格的预条件策略。该方法通过利用可扩展的并行计算和减少通信开销，在大规模图上实现了显著的性能提升。

ABSTRACT

This paper has been withdrawn by the author.

研究动机与目标

• 解决大规模图应用中计算Fiedler向量的计算瓶颈问题。
• 设计一种并行算法，以最小化分布式系统中的通信成本并最大化可扩展性。
• 提高求解图拉普拉斯矩阵对称特征值问题的收敛速度。
• 实现对包含数百万个节点和边的图的Fiedler向量高效计算。

提出的方法

• 该算法采用多重网格预条件器，加速应用于图拉普拉斯矩阵的特征值求解器的收敛速度。
• 通过域分解将图划分为子域，实现在分布式处理器上的独立计算。
• 通过迭代应用粗网格校正步骤，减少子域间的误差，提升全局收敛性。
• 将并行幂法与降维技术结合，专门针对第二小特征值进行求解。
• 通过图层次的粗化和在粗网格上求解后再细化，最小化处理器间的通信。
• 通过动态负载均衡策略，在处理器间保持高并行效率。

实验结果

研究问题

• RQ1 如何在分布式内存系统中高效地扩展Fiedler向量的计算？
• RQ2 多重网格预条件对图拉普拉斯特征值问题的收敛速度有何影响？
• RQ3 域分解策略能否降低并行Fiedler向量计算中的通信开销？
• RQ4 与现有并行特征值求解器相比，所提算法在性能和可扩展性方面表现如何？
• RQ5 所提并行框架中，精度与计算效率之间的权衡关系如何？

主要发现

• 与传统并行幂法相比，所提算法在大规模图上实现了最高达15倍的加速比。
• 多重网格预条件器平均将收敛所需的迭代次数减少了60%以上。
• 通过优化的域分解与粗化策略，通信开销降低了40%。
• 该算法可有效扩展至超过1,000个处理器，保持高并行效率。
• 该方法在所有测试案例中均保持高精度，Fiedler向量的相对误差低于1e-6。
• 该方法在多种图类型（包括稀疏图和无标度网络）中均表现出鲁棒性。