[论文解读] An Adaptive Amoeba Algorithm for Shortest Path Tree Computation in Dynamic Graphs

Xiaoge Zhang, Qi Liu+5 more|arXiv (Cornell University)|Nov 3, 2013

Slime Mold and Myxomycetes Research被引用 6

一句话总结

本文提出了一种自适应阿米巴算法，能够根据大规模动态图中边权重的变化动态重新计算最短路径树（SPT）。该算法受解脲滴虫（*Physarum polycephalum*）的原 protoplasm 行为启发，自主识别并仅更新受影响的顶点，通过避免完整重计算，相比 Dijkstra 和 Bellman-Ford 等传统方法实现了更快的计算速度。

ABSTRACT

This paper presents an adaptive amoeba algorithm to address the shortest path tree (SPT) problem in dynamic graphs. In dynamic graphs, the edge weight updates consists of three categories: edge weight increases, edge weight decreases, the mixture of them. Existing work on this problem solve this issue through analyzing the nodes influenced by the edge weight updates and recompute these affected vertices. However, when the network becomes big, the process will become complex. The proposed method can overcome the disadvantages of the existing approaches. The most important feature of this algorithm is its adaptivity. When the edge weight changes, the proposed algorithm can recognize the affected vertices and reconstruct them spontaneously. To evaluate the proposed adaptive amoeba algorithm, we compare it with the Label Setting algorithm and Bellman-Ford algorithm. The comparison results demonstrate the effectiveness of the proposed method.

研究动机与目标

• 解决现有动态最短路径树（SPT）算法在大规模网络中计算效率低下的问题。
• 克服在多个边权重同时增加或减少时识别受影响顶点的高复杂度问题。
• 开发一种自适应方法，动态重构边权重更新后 SPT 的必要部分。
• 在实时网络应用（如路由和网络设计）中降低延迟和计算开销。

提出的方法

• 该算法受 *Physarum polycephalum* 原 protoplasm 启发，其天然收敛于网络中的最短路径。
• 将边上的流量建模为动态变量，其演化基于边权重，长边或新增加的边上的流量会减少。
• 系统检测边权重的变化，并通过监测边上的流量重新分配，自动识别受影响的顶点。
• 仅对流量发生变化的顶点进行重新计算；未受影响的节点保持不变，从而最小化冗余计算。
• 该算法采用基于流量的更新机制，可在任意边权重变化后自发重构 SPT。
• 该方法可处理三种类型的边权重更新：增加、减少和混合变化，在所有情况下均保持一致的自适应性。

实验结果

研究问题

• RQ1 基于 *Physarum* 原 protoplasm 行为的生物启发算法能否高效处理大规模图中的动态最短路径树更新？
• RQ2 自适应阿米巴算法如何在不进行完整重计算的情况下，识别并仅更新边权重变化后的受影响顶点？
• RQ3 在混合边权重更新（同时发生增加和减少）的情况下，该算法是否能保持准确性和效率？
• RQ4 在动态图场景下，自适应阿米巴算法与经典算法（如标签设置法和 Bellman-Ford）相比性能如何？

主要发现

• 自适应阿米巴算法在边权重变化后能成功识别并仅重构受影响的顶点，显著降低计算开销。
• 对于边权重增加的情况，该算法检测到长边（如 (g,j)）上流量减少，并将流量重新定向至更短的替代路径（如 (f,j)），从而形成新的 SPT。
• 对于边权重减少的情况，该算法能自发识别出改进的路径，并相应地更新流量，无需预先知晓受影响的节点。
• 在混合更新场景中，该算法能正确识别出新 SPT 中包含的边（如 (f,i)、(i,n)）和不再包含的边（如 (h,k)），展现出强大的自适应能力。
• 该算法在包含 100 至 500 个节点的随机有向图上进行了验证，结果表明其在所有更新类型下均能保持一致且准确的 SPT 重构。
• 结果证实，自适应阿米巴算法通过避免完整重计算和最小化延迟，在动态环境中优于传统方法。