[论文解读] Solving Parameterized Problems by Mixing Color Coding-Related Techniques.

Meirav Zehavi|arXiv (Cornell University)|Oct 19, 2014

Advanced Graph Theory Research参考文献 2被引用 4

一句话总结

本文提出了「混合策略」，将色彩编码技术——特别是窄筛法（narrow sieves）和代表性集合（representative sets）——与新颖的预处理及全域划分技术相结合，设计出更高效的参数化算法。该方法显著降低了 k-Internal Out-Branching、k-Path、k-Tree、r-Dimensional k-Matching、Graph Motif 以及 Weighted 3-Set k-Packing 等关键问题的最优已知运行时间，其中在 k-Internal Out-Branching 问题上实现了 O∗(3.617k) 的随机化时间突破，以及在 k-Path 及相关问题上达到 O∗(2.597k) 的时间复杂度。

ABSTRACT

Abstract. In the past two decades, several breakthrough techniques, known as “color coding-related techniques”, lead to the design of extremely fast parameterized algorithms. In this paper, we introduce a family of strategies, that we call “mixing strategies”, for applying these techniques, developing even faster, closer to optimal, parameterized algorithms. Our strategies combine the following novel ideas. • Mixing narrow sieves and representative sets, two independent color coding-related techniques. • For certain “disjointness conditions”, improving the best known computation of representative sets. • Mixing divide-and-color-based preprocessing with the computation mentioned in the previous item, speeding-up standard representative sets-based algorithms. • Cutting the universe into small pieces in two special manners, one used in the mix mentioned in the previous item, and the other mixed with a non-standard representative sets-based algorithm to improve its running time. Note that the first item implies that representative sets are relevant to the design of fast randomized parameterized algorithms, and not only deterministic ones. We demonstrate the usefulness of our strate-gies by obtaining the following results. We first solve the well-studied k-Internal Out-Branching problem in deterministic time O∗(5.139k) and randomized time O∗(3.617k), improving upon the pre-vious best deterministic time O∗(6.855k) and randomized time O∗(4k). To this end, we establish a relation between “problematic ” out-trees and maximum matching computations in graphs. We then present a unified approach to improve the O ∗ running times of the previous best deterministic algo-rithms for the classic k-Path, k-Tree, r-Dimensional k-Matching and Graph Motif problems, including their weighted versions, from O∗(2.619k), O∗(2.619k), O∗(2.619(r−1)k) and O∗(2.6192k) to O∗(2.597k), O∗(2.597k), O∗(2.597(r−1)k) and O∗(2.5972k), respectively. Finally, we solve the Weighted 3-Set k-Packing problem in deterministic time O∗(8.097k), significantly improving upon the previous best O∗(12.155k) deterministic time. ar X iv

研究动机与目标

• 开发一个统一框架，通过整合多种与色彩编码相关的技术，加速参数化算法。
• 改进 k-Internal Out-Branching、k-Path、k-Tree、r-Dimensional k-Matching、Graph Motif 和 Weighted 3-Set k-Packing 等基础问题的当前最优运行时间。
• 证明代表性集合不仅在确定性算法中有效，在随机化参数化算法中也同样有效。
• 通过新颖的预处理与全域划分策略，统一并增强现有基于色彩编码的方法。
• 通过利用最大匹配等结构性质以及不相交条件，实现更紧致的时间界。

提出的方法

• 将窄筛法与代表性集合——两种独立的色彩编码技术——整合进单一算法框架，以提升运行效率。
• 提出一种在特定不相交条件下计算代表性集合的新方法，实现比以往方法更快的计算速度。
• 将分治-染色预处理与优化后的代表性集合计算相结合，以加速基于标准代表性集合的算法。
• 应用两种专门的全域划分技术：一种用于与混合预处理方法结合，另一种与非标准的代表性集合算法结合，以进一步降低运行时间。
• 利用 k-Internal Out-Branching 问题中存在问题的出树与图中最大匹配之间的联系，指导算法设计。
• 采用框架的随机化与确定性变体，在多个问题（包括加权变体）上实现更优的时间界。

实验结果

研究问题

• RQ1 将窄筛法与代表性集合结合，是否能比单独使用它们得到更快的参数化算法？
• RQ2 如何利用不相交条件来提升参数化算法中代表性集合计算的效率？
• RQ3 分治-染色预处理在多大程度上能增强基于代表性集合算法的性能？
• RQ4 与代表性集合结合的新颖全域划分策略，能否显著降低参数化算法的运行时间？
• RQ5 将结构性图属性（如最大匹配）与算法设计关联，对 k-Internal Out-Branching 等问题有何影响？

主要发现

• k-Internal Out-Branching 问题在确定性时间 O∗(5.139k) 和随机化时间 O∗(3.617k) 内求解，优于先前最优的 O∗(6.855k) 和 O∗(4k)。
• k-Path、k-Tree、r-Dimensional k-Matching 和 Graph Motif 问题分别在确定性时间 O∗(2.597k)、O∗(2.597k)、O∗(2.597(r−1)k) 和 O∗(2.5972k) 内求解，优于先前最优的 O∗(2.619k)、O∗(2.619k)、O∗(2.619(r−1)k) 和 O∗(2.6192k)。
• Weighted 3-Set k-Packing 问题在确定性时间 O∗(8.097k) 内求解，显著优于先前最优的 O∗(12.155k)。
• 该框架表明，代表性集合在随机化参数化算法中同样有效，而不仅限于确定性场景，从而扩展了其适用范围。
• 利用最大匹配作为结构性洞察，使 k-Internal Out-Branching 的分析更紧致，并进一步提升了运行时间。
• 所提出的混合策略统一并增强了现有色彩编码技术，实现了对多个 NP-难参数化问题的系统性性能提升。