[论文解读] Maintaining Approximate Maximum Weighted Matching in Fully Dynamic Graphs

Abhash Anand, Surender Baswana+2 more|arXiv (Cornell University)|Jul 17, 2012

Complexity and Algorithms in Graphs参考文献 13被引用 4

一句话总结

本论文提出了首个用于在一般加权图中维护近似最大权匹配（MWM）的完全动态算法，实现了每次边插入或删除的期望摊还更新时间为 O(log n log C)。通过基于权重的分层和随机缩放技术，该算法维持了一个具有期望近似比 4.9108 的匹配，优于初始使用几何舍入的 8-近似比，并结合了动态最大匹配的子程序。

ABSTRACT

We present a fully dynamic algorithm for maintaining approximate maximum weight matching in general weighted graphs. The algorithm maintains a matching ${\cal M}$ whose weight is at least $1/8 M^{*}$ where $M^{*}$ is the weight of the maximum weight matching. The algorithm achieves an expected amortized $O(\log n \log \mathcal C)$ time per edge insertion or deletion, where $\mathcal C$ is the ratio of the weights of the highest weight edge to the smallest weight edge in the given graph. Using a simple randomized scaling technique, we are able to obtain a matching whith expected approximation ratio 4.9108.

研究动机与目标

• 设计一种完全动态算法，高效维护加权图中边插入和删除下的近似最大权匹配。
• 在保持良好最优最大权匹配（MWM）近似比的同时，实现每次操作的亚线性更新时间。
• 通过新颖的基于层级的划分与随机缩放技术，将现有动态最大匹配算法扩展至加权设置。
• 在保持高效更新时间的前提下，将近似比从 8 降低至 4.9108，使其成为首个此类完全动态近似 MWM 算法。
• 通过概率分析与几何舍入，提供关于期望摊还更新时间与近似比的理论保证。

提出的方法

• 根据权重将边划分为层级，其中第 i 层的边其权重位于 [α^i, α^{i+1}) 区间内，α > 1 为选定常数。
• 使用随机缩放技术：选择随机值 r ∈ (0,1]，并将每条边 e 的新权重设为 wr(e) = α^{i+r}，若 w(e) ∈ [α^{i+r}, α^{i+r+1})。
• 将 Baswana 等人 [1] 的动态最大匹配算法作为子程序，用于维护缩放权重下的匹配。
• 定义从最优匹配 M* 中的边到所维护匹配 Mr 中边的映射 φ，区分直接映射与间接映射。
• 利用期望的线性性质与概率分析，界定 Mr 的期望权重相对于 M* 的上界，推导出近似比关于 α 的函数表达式。
• 通过最小化表达式 2α² ln α / (α−1)² 来优化近似比，该表达式在 α ≈ 3.512 处取得最小值，对应近似比约为 4.9108。

实验结果

研究问题

• RQ1 能否设计一种完全动态算法，在一般加权图中以亚线性更新时间维护近似最大权匹配？
• RQ2 如何将动态最大匹配框架适配至加权情形，以实现良好的近似比？
• RQ3 在完全动态环境下，使用随机缩放与基于层级的边划分技术，所能达到的最佳近似比是多少？
• RQ4 能否在保持 O(log n log C) 期望摊还更新时间的前提下，将近似比提升至 8 以上？
• RQ5 在随机缩放方法中，使期望近似比最小化的最优 α 值是多少？

主要发现

• 该算法通过确定性的层级划分方案，维持了近似比为 8 的最大权匹配（8-MWM）的期望近似比。
• 通过引入在 (0,1] 上均匀随机选择的 r 的随机缩放技术，近似比被提升至约 4.9108。
• 每次边插入或删除的期望摊还更新时间为 O(log n log C)，其中 C 为最大与最小边权之比。
• 该算法是首个在保持亚线性更新时间与常数近似比的前提下，用于维护近似 MWM 的完全动态算法。
• 分析表明，所维护匹配 Mr 的期望权重至少为最优匹配 M* 的 (α−1)²/(2α² ln α) 倍，当 α ≈ 3.512 时最小化，对应近似比约为 4.9108。
• 该方法通过在边缩放中引入随机化，确保匹配在对抗性更新下仍具鲁棒性，防止自适应对手控制。