[论文解读] Linear Time Algorithm for Weak Parity Games

Krishnendu Chatterjee|ArXiv.org|May 9, 2008

Artificial Intelligence in Games参考文献 1被引用 12

一句话总结

本文提出了一种线性时间算法来求解弱公平游戏，通过优化吸引器计算和目标集提取，利用重命名技术和全局计数器，将经典 $O(nm)$ 时间复杂度改进。关键贡献是为弱公平游戏设计了一种 $O(m)$ 时间复杂度的获胜区域计算算法，其中 $m$ 为边数。

ABSTRACT

We consider games played on graphs with the winning conditions for the players specified as weak-parity conditions. In weak-parity conditions the winner of a play is decided by looking into the set of states appearing in the play, rather than the set of states appearing infinitely often in the play. A naive analysis of the classical algorithm for weak-parity games yields a quadratic time algorithm. We present a linear time algorithm for solving weak-parity games.

研究动机与目标

• 为解决经典 $O(nm)$ 算法在弱公平游戏中的低效问题，其中 $n$ 为状态数，$m$ 为边数。
• 将求解弱公平游戏的时间复杂度从关于边数的二次方降低至线性。
• 通过优化吸引器操作的目标集计算，设计一种高效方法来计算获胜区域。
• 通过维护全局计数器并使用原地重命名避免重复集合操作，确保算法在线性时间内运行。
• 证明改进后的算法达到 $O(m)$ 时间复杂度，与图遍历的最优界限一致。

提出的方法

• 引入重命名阶段，使用计数器和数组在 $O(n)$ 时间内按优先级重新排序状态，将状态按优先级分组。
• 使用全局计数器 $g$ 跟踪重命名数组中的当前位置，实现跨迭代的目标集高效访问。
• 修改吸引器计算方式，在重命名数组 $D$ 中将被移除的状态标记为 $-1$，实现常数时间查找，并使每个状态的摊销工作量为 $O(1)$。
• 使用过程 `ObtainTargets(i)` 在 $O(\text{优先级 } i \text{ 的状态数})$ 时间内提取 $p^{-1}(i) \bigcap S^i$，各优先级时间总和为 $O(n)$。
• 对每个优先级层级迭代应用吸引器构造，确保每条边和每个状态最多被处理常数次。
• 利用所有优先级层级的总状态数为 $n$，总边数为 $m$ 的事实，将整体复杂度控制在 $O(m)$。

实验结果

研究问题

• RQ1 能否将弱公平游戏的经典算法优化至实现线性时间复杂度？
• RQ2 弱公平游戏的何种结构特性使得尽管经典复杂度为 $O(nm)$，仍可实现线性时间解法？
• RQ3 能否优化吸引器操作的目标集计算，以避免每优先级层级重复进行 $O(n)$ 时间的操作？
• RQ4 是否可通过维护全局状态信息（如重命名数组中的位置）来减少吸引器计算期间的集合操作开销？
• RQ5 使用重命名和对已移除状态的原地标记，是否能实现弱公平游戏的线性时间算法？

主要发现

• 所提出的算法在弱公平游戏中以 $O(m)$ 时间复杂度计算出玩家1和玩家2的获胜区域，其中 $m$ 为边数。
• 通过使用重命名状态数组和全局计数器优化吸引器操作的目标集提取，将每优先级层级的代价降低至 $O(\text{该优先级状态数})$。
• 在所有优先级层级中获取所有目标集的总时间为 $O(n)$，与状态数呈线性关系。
• 吸引器计算被修改为在重命名数组中以 $O(1)$ 时间每状态标记被移除状态，确保总工作量保持在 $O(m)$。
• 通过保持每个吸引器步骤仅考虑活跃状态的不变性，且重命名支持常数时间访问状态位置，保证了算法的正确性。
• 最终的时间复杂度 $O(m)$ 是图算法的最优复杂度，因其与输入规模一致，且与优先级数 $d$ 无关。