[论文解读] Efficient and adaptive parameterized algorithms on modular decompositions

Stefan Kratsch, Florian Nelles|arXiv (Cornell University)|Apr 26, 2018

Advanced Graph Theory Research被引用 8

一句话总结

本文提出了一类高效且自适应的参数化算法，用于解决基本图问题（如最大匹配、三角形计数和顶点容量流），以模块宽度（modular-width）作为结构参数。通过利用图的模块分解树，作者实现了形式为 $\mathcal{O}(f(\mathsf{mw})n + m)$ 的时间复杂度，其中 $f(\mathsf{mw})$ 增长缓慢，当模块宽度为常数时达到线性时间，并在 $\mathsf{mw} = o(n)$ 时优于无参数化算法。

ABSTRACT

We study the influence of a graph parameter called modular-width on the time complexity for optimally solving well-known polynomial problems such as Maximum Matching, Triangle Counting, and Maximum $s$-$t$ Vertex-Capacitated Flow. The modular-width of a graph depends on its (unique) modular decomposition tree, and can be computed in linear time $O(n+m)$ for graphs with $n$ vertices and $m$ edges. Modular decompositions are an important tool for graph algorithms, e.g., for linear-time recognition of certain graph classes. Throughout, we obtain efficient parameterized algorithms of running times $O(f(mw)n+m)$, $O(n+f(mw)m)$ , or $O(f(mw)+n+m)$ for graphs of modular-width $mw$. Our algorithm for Maximum Matching, running in time $O(mw^2\\log mw \\cdot n+m)$, is both faster and simpler than the recent $O(mw^4n+m)$ time algorithm of Coudert et al. (SODA 2018). For several other problems, e.g., Triangle Counting and Maximum $b$-Matching, we give adaptive algorithms, meaning that their running times match the best unparameterized algorithms for worst-case modular-width of $mw=\\Theta(n)$ and they outperform them already for $mw=o(n)$, until reaching linear time for $mw=O(1)$.

研究动机与目标

• 开发基于模块宽度作为参数的多项式可解图问题的高效参数化算法。
• 实现运行时间在 $\mathsf{mw} = \mathcal{O}(1)$ 时接近线性时间，而在 $\mathsf{mw} = \Theta(n)$ 时达到目前已知的无参数化最优界限之间的平滑插值。
• 证明模块宽度可支持自适应算法，在参数为次线性时优于无参数化算法。
• 建立模块宽度在最大匹配、三角形计数和流问题等任务中的有效性，即使在边权或容量存在的情况下，也能保持结构假设的成立。

提出的方法

• 利用可在线性时间 $\mathcal{O}(n + m)$ 内计算的模块分解树，递归地将图分解为模块。
• 通过商图和模块上的容量函数，将复杂问题简化为在分解树上更小的子问题。
• 在素数节点的商图上应用已知的流与割算法，其中模块数量受 $\mathsf{mw}$ 限制，以高效计算全局最小割。
• 设计一种递归算法，通过将问题约化为有向图上的边容量全局最小割问题，计算每个模块 $M$ 的 $\hat{\Pi}(G[M])$。
• 通过在模块分解树的所有节点上仔细求和，优化总运行时间，利用 $\mathsf{mw}$ 限制素数节点的子节点数量。
• 通过确保依赖于参数的函数 $f(\mathsf{mw})$ 增长缓慢，实现自适应性能，使小的 $\mathsf{mw}$ 值下达到接近线性时间。

实验结果

研究问题

• RQ1 模块宽度能否用于设计多项式时间可解图问题的高效参数化算法？
• RQ2 此类算法的性能如何随模块宽度的变化而自适应，特别是在 $\mathsf{mw} = o(n)$ 时？
• RQ3 对于常数模块宽度的图，算法能否实现接近线性时间，同时在 $\mathsf{mw}$ 较大时仍能匹配或超越无参数化界限？
• RQ4 为何带权边或容量的问题无法从模块宽度中获益，以及在这些情况下哪些结构假设被破坏？

主要发现

• 最大匹配算法的运行时间为 $\mathcal{O}(\mathsf{mw}^2 \log \mathsf{mw} \cdot n + m)$，优于 Coudert 等人提出的 $\mathcal{O}(\mathsf{mw}^4 n + m)$ 的先前界。
• 对于三角形计数和最大 $b$-匹配问题，算法具有自适应性，在 $\mathsf{mw} = \mathcal{O}(1)$ 时达到线性时间，并在 $\mathsf{mw} = o(n)$ 时优于无参数化算法。
• 全局最小顶点容量割问题的求解时间为 $\mathcal{O}(\min\{m \cdot \mathsf{mw} \log \mathsf{mw} + n,\ n \cdot \mathsf{mw}^2 \log \mathsf{mw} + m\})$，展示了在不同输入场景下的自适应性能。
• 模块分解树通过商图支持高效计算全局最小割，总时间复杂度被限制在 $\mathcal{O}(n \cdot \mathsf{mw}^2 \log \mathsf{mw} + m)$。
• 该框架支持多种问题，包括路径和流问题，其运行时间形式为 $\mathcal{O}(f(\mathsf{mw})n + m)$、$\mathcal{O}(n + f(\mathsf{mw})m)$ 或 $\mathcal{O}(f(\mathsf{mw}) + n + m)$。
• 结果表明，模块宽度是构建自适应算法的强大参数，其性能在接近线性时间与目前已知最优无参数化运行时间之间实现平滑过渡。