[论文解读] Algorithms for Büchi Games

Krishnendu Chatterjee, Thomas A. Henzinger+1 more|ArXiv.org|May 16, 2008

Logic, Reasoning, and Knowledge参考文献 1被引用 8

一句话总结

本论文提出了两种求解Büchi游戏的新算法，其渐近时间复杂度优于经典的$O(n\cdot m)$方法。第一种算法在某些定出度图上实现$O(n)$时间复杂度，而经典方法需$O(n^2)$时间；第二种算法将先前针对定出度图的亚二次结果推广至任意出度图，实现$O(n\cdot m\cdot\log\delta(n)/\log n)$时间复杂度，当$\delta(n) = O(\log n)$时，该复杂度优于经典方法。关键贡献在于一种优化的逆向-正向搜索策略，有效减少了迭代求解器中的冗余计算。

ABSTRACT

The classical algorithm for solving Büchi games requires time $O(n\cdot m)$ for game graphs with $n$ states and $m$ edges. For game graphs with constant outdegree, the best known algorithm has running time $O(n^2/\log n)$. We present two new algorithms for Büchi games. First, we give an algorithm that performs at most $O(m)$ more work than the classical algorithm, but runs in time O(n) on infinitely many graphs of constant outdegree on which the classical algorithm requires time $O(n^2)$. Second, we give an algorithm with running time $O(n\cdot m\cdot\logδ(n)/\log n)$, where $1\leδ(n)\le n$ is the outdegree of the game graph. Note that this algorithm performs asymptotically better than the classical algorithm if $δ(n)=O(\log n)$.

研究动机与目标

• 解决长期存在的开放问题：在经典$O(n\cdot m)$界限之外，进一步改进求解Büchi游戏的渐近时间复杂度。
• 开发在特定图族（尤其是低出度或对数出度图）上显著优于经典方法的算法。
• 将先前针对定出度图的亚二次结果推广至具有任意出度$\delta(n)$的一般游戏图。
• 通过优化逆向与正向搜索过程，减少迭代求解器中的冗余工作。

提出的方法

• 第一种算法不从Büchi集$B$执行逆向搜索，而是从可能属于$S\setminus W_1$的候选状态集合出发，从而在有利图结构上减少不必要的计算。
• 第二种算法结合了逆向搜索与优化的正向搜索，通过限制BFS深度并迭代剪枝状态，避免冗余工作。
• 从状态$\widehat{s}$出发进行深度受限的BFS，以识别可能需移除的候选状态，确保仅处理不属于获胜集$W_1$的状态。
• 算法根据$\log(n)/\log(\delta(n))$动态调整搜索深度，平衡逆向与正向阶段的工作量。
• 维护集合$A_{\widehat{s}}$以追踪不可能属于获胜集的状态，利用归纳不变性保证正确性。
• 通过跨迭代的边与状态处理的摊还分析，总工作量被限制在$O(n\cdot m\cdot\log\delta(n)/\log n)$以内。

实验结果

研究问题

• RQ1 我们能否设计一种Büchi游戏算法，在特定图族（如定出度或对数出度图）上显著优于$O(n\cdot m)$？
• RQ2 能否通过聚焦于$S\setminus W_1$中的候选状态而非从$B$出发，减少经典算法中冗余的逆向搜索工作？
• RQ3 能否将针对定出度图的亚二次$O(n^2/\log n)$算法推广至具有任意出度$\delta(n)$的一般图？
• RQ4 是否一种避免重复工作的优化正向搜索策略，能带来比经典算法更优的渐近时间复杂度？
• RQ5 当$\delta(n) = O(\log n)$时，Büchi游戏可达到的最紧渐近时间复杂度是什么？

主要发现

• 第一种算法在无穷多个定出度图上运行时间为$O(n)$，而经典算法需$\Omega(n^2)$时间，表明在特定实例上存在显著改进。
• 第二种算法实现$O(n\cdot m\cdot\log\delta(n)/\log n)$时间复杂度，当$\delta(n) = O(\log n)$时，渐近复杂度优于经典方法$O(n\cdot m)$。
• 对于满足$m = O(n\cdot\log n)$且$\delta(n) = O(\log n)$的图，该算法运行时间为$O(n^2\cdot\log\log n)$，优于经典方法及先前的亚二次算法。
• 该算法的总工作量被限制在$O(n\cdot m\cdot\log\delta(n)/\log n)$，且该界在紧致意义上成立，与定出度图的最佳已知界一致。
• 通过确保每条边在正向阶段最多被处理一次，该算法避免了冗余的边处理，从而贡献于更优的复杂度界。
• 分析证明，步骤4.2.8（经典算法阶段）的执行次数至多为$O(n/\ell)$，其中$\ell = \Omega(\log n / \log \delta(n))$，这使得摊还复杂度界得以成立。