[论文解读] Faster Worst Case Deterministic Dynamic Connectivity

Casper Kejlberg-Rasmussen, Tsvi Kopelowitz+2 more|arXiv (Cornell University)|Jul 21, 2015

Complexity and Algorithms in Graphs参考文献 23被引用 8

一句话总结

本文提出了一种用于无向图的确定性动态连通性数据结构，其最坏情况更新时间为 $ O\big(\sqrt{\frac{n(\log\log n)^2}{\log n}}\big) $，查询时间为常数，优于 Frederickson（1983）和 Eppstein 等人（1997）长期保持的 $ O(\sqrt{n}) $ 边界。该方法采用一种新颖的分层分解结构，结合压缩邻接矩阵与高效的字级操作，实现了无需摊销或随机化机制的更快最坏情况性能。

ABSTRACT

We present a deterministic dynamic connectivity data structure for undirected graphs with worst case update time $O\left(\sqrt{\frac{n(\log\log n)^2}{\log n}} ight)$ and constant query time. This improves on the previous best deterministic worst case algorithm of Frederickson (STOC 1983) and Eppstein Galil, Italiano, and Nissenzweig (J. ACM 1997), which had update time $O(\sqrt{n})$. All other algorithms for dynamic connectivity are either randomized (Monte Carlo) or have only amortized performance guarantees.

研究动机与目标

• 通过改进 1983 年和 1997 年确立的 $ O(\sqrt{n}) $ 更新时间边界，弥合长期存在的最坏情况确定性动态连通性性能差距。
• 提供一种具有最坏情况性能保证的确定性解决方案，避免随机化算法带来的问题，如误报或高空间占用。
• 在保持常数查询时间与确定性操作的前提下，实现动态连通性的子 $ \sqrt{n} $ 更新时间。
• 设计一种适用于在线应用的数据结构，确保每次操作的延迟有界，而无需依赖摊销结构。
• 通过稀疏化与字级压缩技术，将动态连通性的适用范围扩展至稠密图。

提出的方法

• 该数据结构使用图的分层分解，将其划分为超块（superchunks），每个超块通过压缩邻接矩阵管理部分边集。
• 簇之间的邻接矩阵采用行主序编码，字段中存储行索引与列索引，并通过每字 $ O(\log h) $ 位字段高效打包。
• 对压缩矩阵的操作（如检查边是否存在、将行置零或递增行索引）通过在打包字上进行二分查找与位操作，在 $ O(\log h) $ 时间内完成。
• 邻接矩阵的转置通过在每个字段中交换行与列索引，并使用 Batcher 的比特位双调排序对字段进行排序实现，时间复杂度为 $ O(x(\log^2(w/\log h) + \log x \log(w/\log h))) $，其中 $ x $ 为字数。
• 超块的拆分与合并通过将矩阵转换为行主序后执行操作实现，时间复杂度为 $ O(K\log h + J + (Kh/w)\log h) $，其中 $ K $ 为块数，$ J $ 为簇数。
• 通过权衡分析确定最优参数：$ h = \log n $，$ K = \sqrt{\hat{m}/(\log n (\log\log n)^2)} $，从而得到 $ O\big(\sqrt{\hat{m}(\log\log n)^2 / \log n}\big) $ 的更新时间。

实验结果

研究问题

• RQ1 能否在 1983 年与 1997 年的 $ O(\sqrt{n}) $ 边界之外，进一步改进动态连通性确定性算法的最坏情况更新时间？
• RQ2 是否可能仅通过确定性操作与标准字操作，实现动态连通性的子 $ \sqrt{n} $ 最坏情况更新时间？
• RQ3 能否设计一种确定性动态连通性结构，在实现比以往确定性算法更快更新时间的同时，仍保持常数查询时间？
• RQ4 如何在字级别高效压缩与操作邻接矩阵，以减少动态连通性中的更新时间？
• RQ5 能否在保持改进的最坏情况更新时间的同时，将空间使用控制在 $ O(m) $ 以内，避免先前随机化算法中 $ \Omega(n\log^2 n) $ 的超线性空间开销？

主要发现

• 本文实现了 $ O\big(\sqrt{\frac{n(\log\log n)^2}{\log n}}\big) $ 的最坏情况更新时间，其渐近性能优于此前最优的确定性边界 $ O(\sqrt{n}) $。
• 查询时间为常数，与以往最佳结果一致，同时在不使用摊销或随机化的情况下维持了最坏情况保证。
• 通过 Eppstein 等人（1997）的稀疏化技术，该改进对所有图密度（包括稠密图）均成立。
• 该数据结构仅使用标准的 $ AC^0 $ 操作（左移、按位操作、加法），且不假设乘法操作为单位时间。
• 该算法避免了先前随机化算法（如 Kapron 等人，2013 年）所存在的误报与见证泄露问题。
• 空间复杂度为边数的线性函数，即 $ O(m) $，避免了先前随机化算法中 $ \Omega(n\log^2 n) $ 的超线性空间开销。