[论文解读] A Scaling Algorithm for Weighted $f$-Factors in General Graphs

Ran Duan, Haoqing He+1 more|arXiv (Cornell University)|Jan 1, 2020

Complexity and Algorithms in Graphs参考文献 14被引用 1

一句话总结

本文提出了一种确定性缩放算法，用于在一般图中计算最大权完美 f-因子，时间复杂度为 Õ(mn²/³ log W)，打破了针对大 f(V) 的长期存在的 Ω(mn) 时间复杂度障碍。该方法结合了原始-对偶技术与对边不相交的增广路径及花结构的新型分析，利用对偶变量缩放和对偶值簇的精细鸽巢论证，以控制亏量并确保在初始缩放后 O(n²/³) 个额外轮次内收敛。

ABSTRACT

We study the maximum weight perfect $f$-factor problem on any general simple graph $G=(V,E,w)$ with positive integral edge weights $w$, and $n=|V|$, $m=|E|$. When we have a function $f:V ightarrow \mathbb{N}_+$ on vertices, a perfect $f$-factor is a generalized matching so that every vertex $u$ is matched to $f(u)$ different edges. The previous best algorithms on this problem have running time $O(m f(V))$ [Gabow 2018] or $ ilde{O}(W(f(V))^{2.373}))$ [Gabow and Sankowski 2013], where $W$ is the maximum edge weight, and $f(V)=\sum_{u\in V}f(u)$. In this paper, we present a scaling algorithm for this problem with running time $ ilde{O}(mn^{2/3}\log W)$. Previously this bound is only known for bipartite graphs [Gabow and Tarjan 1989]. The running time of our algorithm is independent of $f(V)$, and consequently it first breaks the $Ω(mn)$ barrier for large $f(V)$ even for the unweighted $f$-factor problem in general graphs.

研究动机与目标

• 开发一种更快的算法，用于解决一般图中最大权完美 f-因子问题，其中 f(u) 指定每个顶点 u 所需的度数。
• 克服长期存在的 Ω(mn) 时间复杂度障碍，尤其在 f(V) 较大时。
• 将此前仅在二分图中已知的 Õ(mn²/³ log W) 时间界扩展至一般（非二分）图。
• 通过分析增广路径的结构和花干扰，实现运行时间与 f(V)（顶点度数之和）无关。

提出的方法

• 使用原始-对偶框架，包含对偶变量 y: V → ℤ 和 z: 2^V → ℕ，以及一个图的花的层叠族 Ω ⊆ 2^V。
• 采用基于对偶变量值的缩放方法，通过迭代细化近似解以满足互补松弛条件。
• 在近似互补松弛条件下，对 Edmonds 的增广路径搜索过程执行 Cn²/³ 次，其中 C 是一个较大的常数。
• 引入一种基于 [−Cn²/³, 0] 范围内整数 q 值的对偶值簇的新型分类，定义“受困”路径，即连接特定对偶值范围内的顶点的路径。
• 在对偶值簇 Y(q) 上应用鸽巢原理，以限制边不相交增广路径的数量，表明至少存在一个簇 Y(q) 的大小为 O(n¹/³)，因此最多可包含 O(n²/³) 条此类路径。
• 通过区分大（|B| ≥ n¹/³）和小（|B| < n¹/³）花结构，分析花的影响，限制小花覆盖的边数以及可能破坏分析的“坏边”数量。

实验结果

研究问题

• RQ1 能否将最大权完美 f-因子的 Õ(mn²/³ log W) 时间界从二分图扩展到一般图？
• RQ2 在一般图中，增广路径和对偶变量的哪些结构特性可被利用，以将亏量顶点数控制在 O(n²/³) 以下？
• RQ3 如何分析非二分图中的花结构，以防止其使对偶变量聚类论证失效？
• RQ4 是否可能设计一种运行时间与 f(V)（总度数之和）无关的缩放算法？
• RQ5 ‘坏边’——即破坏对偶值一致性的边——在分析中起什么作用，其数量如何被控制？

主要发现

• 该算法在 Õ(mn²/³ log W) 时间内计算出最大权完美 f-因子，这是首个在一般图中（甚至在无权情况下）打破 Ω(mn) 障碍的算法。
• 运行时间与 f(V)（所有顶点上 f(u) 的总和）无关，因此在 f(V) 较大时依然高效。
• 分析表明，在 Cn²/³ 轮 Edmonds 搜索后，总亏量 ∑_v (f(v) − deg_F(v)) 被限制在 O(n²/³) 以内，仅需 O(n²/³) 个额外轮次即可达到完美状态。
• 关键技术贡献在于证明：至少 0.01Cn²/³ 个不同的 q 值会困住至少 1/1000Cn²/³ 条不同的增广路径，从而在对偶簇上实现鸽巢论证。
• 关键对偶簇 Y(q) 的大小被证明至多为 13200/C · n¹/³，且由于边不相交路径每对顶点至多连接一次，此类路径的数量为 O(|Y(q)|²) = O(n²/³)，若路径过多则导致矛盾。
• 该算法通过区分大花和小花，并限制可能破坏对偶值一致性的坏边数量，有效处理了非二分图，确保分析的有效性。