[论文解读] Incremental Cycle Detection, Topological Ordering, and Strong Component Maintenance

Bernhard Haeupler, Telikepalli Kavitha+3 more|NOT FOUND REPOSITORY (Indian Institute of Science Bangalore)|May 12, 2011

Computational Geometry and Mesh Generation参考文献 35被引用 6

一句话总结

本文提出了两种增量算法，用于在弧逐步添加的过程中维护有向图的拓扑序并检测环。第一种算法在 m 条弧添加中耗时 O(m^{3/2})，对于稀疏图，相比以往的界限提升了对数因子；第二种算法在稠密图中耗时 O(n^{5/2})，相比以往的界限提升了多项式因子。两种算法还以相同的渐近时间复杂度维护强连通分量。

ABSTRACT

We present two on-line algorithms for maintaining a topological order of a directed $n$-vertex acyclic graph as arcs are added, and detecting a cycle when one is created. Our first algorithm handles $m$ arc additions in $O(m^{3/2})$ time. For sparse graphs ($m/n = O(1)$), this bound improves the best previous bound by a logarithmic factor, and is tight to within a constant factor among algorithms satisfying a natural {\em locality} property. Our second algorithm handles an arbitrary sequence of arc additions in $O(n^{5/2})$ time. For sufficiently dense graphs, this bound improves the best previous bound by a polynomial factor. Our bound may be far from tight: we show that the algorithm can take $Ω(n^2 2^{\sqrt{2\lg n}})$ time by relating its performance to a generalization of the $k$-levels problem of combinatorial geometry. A completely different algorithm running in $Θ(n^2 \log n)$ time was given recently by Bender, Fineman, and Gilbert. We extend both of our algorithms to the maintenance of strong components, without affecting the asymptotic time bounds.

研究动机与目标

• 开发高效的在线算法，用于在弧逐步添加的过程中维护有向无环图的拓扑序。
• 在弧插入过程中，一旦形成环即刻检测到。
• 将算法扩展至在不增加渐近时间复杂度的前提下维护强连通分量。
• 改进现有增量拓扑排序与环检测的时间界限，特别是针对稀疏图和稠密图。

提出的方法

• 引入软阈值搜索技术，通过使用动态阈值 s 来引导顶点引导搜索中的前向与后向顶点遍历，避免使用堆结构。
• 维护活跃与非活跃顶点集合（F_A, F_P, B_A, B_P），以限制搜索空间并减少昂贵的堆操作。
• 使用阈值 s 对顶点进行划分：属于 F_P 的顶点大于 s，属于 B_P 的顶点小于 s，而活跃顶点可位于任意一侧。
• 当活跃集合 F_A 或 B_A 变为空时，算法从 F_P 中选择新阈值 s，并重新激活所有 ≤ s 的顶点。
• 采用两阶段搜索：从前驱顶点 w 开始前向搜索，从后继顶点 v 开始后向搜索，通过顶点比较与阈值更新来引导边遍历。
• 完全避免堆操作，通过动态划分与阈值化，将 O(log n) 的删除操作替换为 O(1) 的更新操作。

实验结果

研究问题

• RQ1 能否在稀疏图中实现 O(m^{3/2}) 时间复杂度的增量拓扑排序与环检测？
• RQ2 能否通过一种新型数据结构，将稠密图的时间复杂度改进至 O(n^{5/2})？
• RQ3 能否将相同的渐近时间界限扩展至强连通分量的维护？
• RQ4 是否可能在顶点引导搜索中完全消除堆操作，同时保持正确性与效率？

主要发现

• 第一种算法在 m 次弧添加中总耗时为 O(m^{3/2})，相比以往最优界限，对稀疏图提升了对数因子。
• 第二种算法耗时 O(n^{5/2})，对足够稠密的图，相比以往界限提升了多项式因子。
• 算法的性能下界为 Ω(n²2^{√(2 lg n)}），表明在最坏情况下可能远未达到紧致界限。
• 两种算法均以相同的渐近时间复杂度维护强连通分量，扩展了其在需要分量追踪问题中的适用性。
• 软阈值搜索技术消除了对堆的需求，将 O(log n) 操作替换为 O(1) 更新，从而实现了更优的时间界限。