Graph Golfに挑戦
NII(国立情報学研究所)主催の競プロGraph Golfに参加して,うまくいかなかったので報告です.
問題概要
与えられた頂点数Nと次数dから,次で定義するスコアが小さいレギュラーグラフ(すべての頂点の次数が同じ)Gを求める問題です.
ここで,diamはグラフの直径(最長の距離), asplは平均経路長(全頂点間の距離の平均)のことです.
詳しくは,大会サイトまたは 問題の解説 (pdfをダウンロードします)をご覧ください.
目次
アルゴリズム概要
最良優先探索 (探索で,高評価の状態を優先的に展開)を使いました.
- 初期状態:平衡木
- 次の状態:次数d未満の頂点同士を結んでできたグラフ
- 評価関数:スコアの下限
- 終了条件:すべての頂点の次数がd
この中で,平衡木から作るのは, ムーアバウンド を参考にしたためです.これは,次数直径問題の用語で,直径diamと次数dが定められたときの,最大の頂点数を表します.その中身は,
- 根はd個の子を持つ
- 枝はd-1個の子を持つ
ような,深さdiamの平衡木のノードの総数を表します. また,何もない状態から作る考え方に比べて,木から作る方が実装が簡単で,なおかつ探索範囲を小さくできると考えました(根拠はありませんが).
例としてN=10,d=3の場合の初期状態の木を示します.また,そこから辺を一つ加えたグラフを示します.
枝刈り
このままでは組合せ爆発で現実的な時間内で解が得られません. 簡単な解決法のひとつに,次の方法があります.
頂点間を結ぶときに,どちらか片方の頂点を,次数がd未満で添字が最小の頂点とする.
こうすることで,結ぶ順番だけが異なる状態がなくなり,展開する状態の重複を削減できます. 加えて,次の2点に着目して枝刈りをしました.
1.ノードに目印
初期状態(木)で次数がd未満の頂点に対して,次のmarkリストをつけてグラフの同型判定に役立てました.
$$ \textrm{descendants}(v) = \left\{ \begin{array}{lr} \textrm{degree}(v) & (\textrm{degree}_0(v) < d) \\ 1 + \sum_{c\in\textrm{children}(v)}\textrm{mark}(c) & (\textrm{otherwise}) \end{array} \right. \\ \textrm{mark}(v) = \left\{ \begin{array}{lr} [\textrm{descendants}(v)] & (v\,\textrm{is root}) \\ \textrm{mark}(v) = \textrm{cons}(\textrm{descendants}(v),\,\textrm{mark}(\textrm{parent}(v)) & (\textrm{otherwise}) \end{array} \right. $$
ここで,consは,要素をリストの先頭に加える操作を言います.
例えば,N=10,d=3で,現在,(4,6)に辺がある場合,
で,辺を切り株として表す(辺を切って頂点のようにする)と,
となり,descendants関数の値は,
となります.結局,初期状態で次数がd未満の頂点(4,5,6,7,8,9)のmark関数の結果のリストを集めた集合は, {[2, 4, 12], [1, 4, 12], [1, 3, 12]}です.
同様にして,(4,7)に辺がある場合のdescendants関数の値は,
これのmark関数値の集合は, {[2, 4, 12], [1, 4, 12], [1, 3, 12]}で,(4,6)と同型と判定されます.
また,(4,5)に辺がある場合のdescendants関数の値は,
これのmark関数値の集合は, {[2, 5, 12], [1, 3, 12]}で,(4,6)と同型でないと判定されます.
しかし,次のふたつのグラフは,同型でないにもかかわらずmark関数リストの集合は同じです.
この問題は,次節の方法とこの方法を併用して解決します.
2.頂点間距離テーブル
初期状態で次数がd未満の頂点間の距離の表です.この表の総和を,同型判定に使います. 例えば,このグラフの距離テーブルは,
4 | 5 | 6 | 7 | 8 | 9 | |
4 | 0 | 2 | 1 | 3 | 4 | 4 |
5 | 2 | 0 | 3 | 1 | 4 | 4 |
6 | 1 | 3 | 0 | 2 | 4 | 4 |
7 | 3 | 1 | 2 | 0 | 4 | 4 |
8 | 4 | 4 | 4 | 4 | 0 | 2 |
9 | 4 | 4 | 4 | 4 | 2 | 0 |
で,総和は92です.
また,このグラフの距離テーブルは,
4 | 5 | 6 | 7 | 8 | 9 | |
4 | 0 | 1 | 4 | 4 | 4 | 4 |
5 | 1 | 0 | 4 | 4 | 4 | 4 |
6 | 4 | 4 | 0 | 1 | 4 | 4 |
7 | 4 | 4 | 1 | 0 | 4 | 4 |
8 | 4 | 4 | 4 | 4 | 0 | 2 |
9 | 4 | 4 | 4 | 4 | 2 | 0 |
で,総和は104となり,先のグラフと同型でないと判定できます.
これらの考え方を使って,適切に枝刈りし,探索範囲を絞ります.
補足アンドメモ:高速に更新する実装(Python,NumPy)
辺(u,v)を追加したときのノードxy間の距離は,
$$ \textrm{new_distance}_{xy} = \textrm{min}( \textrm{distance}_{xu} + 1 + \textrm{distance}_{vy},\, \textrm{distance}_{xv} + 1 + \textrm{distance}_{uy},\, \textrm{distance}_{xy}) $$
で表されます. これを,NumPyを使ってPythonでも速くなるように実装しました.
def _apply_edge_to_dist(edge, nodes, distance_table): u, v = edge i, j = u - nodes[0], v - nodes[0] # ノード番号->テーブルの添字 d_ij = distance_table[i, j] distance_table[i, j] = 1 _tmp_distance_table = distance_table +\ np.transpose(distance_table) dist_xi = _tmp_distance_table[:, i].reshape((-1, 1)) dist_jy = _tmp_distance_table[j, :] dist_xj = _tmp_distance_table[:, j].reshape((-1, 1)) dist_iy = _tmp_distance_table[i, :] dist_ij = np.ones((distance_table.shape), dtype=int) dist_ji = dist_ij new_distance_table = np.minimum( distance_table, np.minimum(dist_xi + dist_ij + dist_jy, dist_xj + dist_ji + dist_iy)) distance_table[i, j] = d_ij return new_distance_table
スコア予測
最良優先アルゴリズムには,状態を評価する評価関数が必要です. この問題に対しては,最終的なスコアを予測する,ただし,最適解の関数値が解の中で最適となるような関数を決めなければなりません.
そこで考えたのが,スコアの下限です.これは,次数がd未満の頂点間をすべて結んだときのスコアのことです. こうすることで,良い(スコアが小さそうな)状態から順に展開できます.また,最適解以外の解が先に来ることはありません(根拠はないけど).
N=10,d=3の条件で,(4,6),(4,8)に辺があるグラフのスコアの下限値は,
のグラフのスコアです.実線はもとのグラフの辺を,破線はスコアの下限値の計算のため追加した辺です.
結果
以上のことを踏まえて,アルゴリズムを実装しました. まず,N=10,d=3のときの結果です.
グラフの直径は2です. これは,ピーターセングラフで,ムーアグラフ(ムーアバウンドで定まる最大の頂点数をもつグラフ)の一例です.
続いてN=36,d=3の結果ですが,展開される状態数が多すぎて結果が得られませんでした. そこで,ビーム探索(展開待ちの状態数を制限した最良優先探索)を用いると結果が出ました.
このグラフの直径は5です.しかし,大会サイトでも分かるように,直径が4のグラフが存在し, 最適ではありません.うまくいかなかった理由は後述します.
問題点1(予測が悪い)
スコア予測(評価関数)が問題です. 頂点数が多くなると,次数がd未満の頂点が多くなります. すると,そのような頂点間の辺の数は二乗に比例して大きくなります. この仮想的な辺が増えると,新しく追加した辺の影響が薄くなります.
今後は,状態から最終的なスコアをできるだけ正確に予測する手法が必要となります. László et.al. あたりが参考になりそうです.
問題点2(初期状態が悪い)
N=36,d=3に対して,2-optアルゴリズム (最初に条件を満たすランダムなグラフを作った後,辺の接続先を入れ替える) の結果のグラフは次です.
このグラフのひとつの頂点を起点にし,木を作ると次のようになります.
対して,考えたアルゴリズムの初期状態の木は次です.
図から,初期状態から間違っていた可能性があることが分かります. どのようにして正しい初期状態を作るのかは今後の課題です.