[论文解读] Fast generation of random connected graphs with prescribed degrees

Fabien Viger, Matthieu Latapy|arXiv (Cornell University)|Feb 22, 2005

Limits and Structures in Graph Theory参考文献 26被引用 19

一句话总结

本文提出了一种高效的 $O(n\log n)$ 算法，用于生成具有指定度序列的随机简单连通图，显著优于先前的方法。通过优化边交换启发式方法并利用重尾度分布特性，该算法实现了接近最优的性能，能够快速生成大规模图（例如，$10^6$ 个顶点在 30 秒内完成），在速度和实现复杂度方面均优于现有方法。

ABSTRACT

We address here the problem of generating random graphs uniformly from the set of simple connected graphs having a prescribed degree sequence. Our goal is to provide an algorithm designed for practical use both because of its ability to generate very large graphs (efficiency) and because it is easy to implement (simplicity). We focus on a family of heuristics for which we prove optimality conditions, and show how this optimality can be reached in practice. We then propose a different approach, specifically designed for typical real-world degree distributions, which outperforms the first one. Assuming a conjecture which we state and argue rigorously, we finally obtain an log-linear algorithm, which, in spite of being very simple, improves the best known complexity.

研究动机与目标

• 解决在大规模模拟中生成均匀随机、简单且连通的图（给定度序列）的挑战。
• 通过优化边交换启发式方法，改进现有的马尔可夫链蒙特卡洛（MCMC）方法，以提升性能和收敛速度。
• 设计一种实用且易于实现的算法，可高效扩展至大规模图（例如，$>10^6$ 个顶点）。
• 探索通过利用重尾网络的特性，实现 $O(n\log\log n)$ 复杂度的理论改进。

提出的方法

• 采用基于边交换的马尔可夫链蒙特卡洛（MCMC）框架，以探索具有固定度序列的连通简单图空间。
• 采用三步流程：(1) 通过 Havel-Hakimi 算法实现度序列，(2) 通过边交换连接连通分量，(3) 混洗边以实现均匀随机性。
• 引入动态启发式方法，通过调整隔离测试宽度 $K$ 和窗口 $T$，在连通性检查成本与交换成功率之间取得平衡。
• 应用优化的广度优先或深度优先隔离测试，当遇到高阶顶点时提前终止，从而降低平均复杂度。
• 利用现实世界度分布的重尾特性，在一个假设下将隔离测试时间从 $O(\log n)$ 降低至 $O(\log\log n)$。
• 采用对数线性算法结构，其中隔离测试在指数增长的宽度上进行，将总成本降低至 $O(m\log n)$。

实验结果

研究问题

• RQ1 能否优化基于 MCMC 的图生成中的边交换启发式方法，以降低时间复杂度，同时保持均匀性？
• RQ2 在 MCMC 过程中，连通性检查成本与交换成功率之间的最优平衡是什么？
• RQ3 能否通过利用现实世界网络的结构特性来降低隔离测试的复杂度？
• RQ4 能否实现 $O(n\log n)$ 时间复杂度，用于生成具有指定度序列的连通图？
• RQ5 在关于重尾网络中不连通概率的合理假设下，能否实现 $O(n\log\log n)$ 复杂度？

主要发现

• 所提出的算法实现了 $O(n\log n)$ 时间复杂度，显著优于先前方法在大规模图生成中的表现。
• 对于具有重尾度分布的 $10^6$ 个顶点的图，该算法在约 25.9 秒内完成生成，而先前启发式方法需数周时间。
• 在 $10^6$ 个顶点的图上，该最终算法相比 Gkantsidis 等人的启发式方法性能提升超过 1000 倍。
• 实证结果表明，$O(m)$ 次边交换足以实现均匀随机性，支持了 $O(m)$ 次转移的假设。
• 在关于不连通概率指数衰减的假设下，该算法的复杂度可进一步降低至 $O(n\log\log n)$。
• 空间复杂度保持在 $O(m)$，因此对于超过 $10^7$ 个顶点的图，内存已成为当前瓶颈。