Algoritmo Bron-Kerbosch per la ricerca della cricca
-
02-07-2019 - |
Domanda
Qualcuno può dirmi, dove sul web posso trovare una spiegazione per l'algoritmo Bron-Kerbosch per la ricerca della cricca o spiegare qui come funziona?
So che è stato pubblicato in "Algorithm 457: trovare tutte le cricche di un grafico non indirizzato" libro, ma non riesco a trovare la fonte gratuita che descriverà l'algoritmo.
Non ho bisogno di un codice sorgente per l'algoritmo, ho bisogno di una spiegazione di come funziona.
Soluzione
Prova a trovare qualcuno con un account studente ACM in grado di darti una copia del documento, che è qui: http://portal.acm.org/citation.cfm?doid=362342.362367
L'ho appena scaricato ed è lungo solo due pagine, con un'implementazione in Algol 60!
Altri suggerimenti
Trovo la spiegazione dell'algoritmo qui: http: // www.dfki.de/~neumann/ie-seminar/presentations/finding_cliques.pdf è una buona spiegazione ... ma ho bisogno di una libreria o implementazione in C # -.- '
Esiste l'algoritmo giusto qui Ho riscritto usando le liste dei collegamenti Java come i set R, P, X e funziona come un incantesimo (o buona cosa è usare la funzione "keepAll" quando si eseguono operazioni impostate secondo l'algoritmo).
Ti suggerisco di pensare un po 'all'implementazione a causa dei problemi di ottimizzazione durante la riscrittura dell'algoritmo
Stavo anche cercando di avvolgere la testa attorno all'algoritmo Bron-Kerbosch, quindi ho scritto la mia implementazione in Python. Include un caso di test e alcuni commenti. Spero che questo aiuti.
class Node(object):
def __init__(self, name):
self.name = name
self.neighbors = []
def __repr__(self):
return self.name
A = Node('A')
B = Node('B')
C = Node('C')
D = Node('D')
E = Node('E')
A.neighbors = [B, C]
B.neighbors = [A, C]
C.neighbors = [A, B, D]
D.neighbors = [C, E]
E.neighbors = [D]
all_nodes = [A, B, C, D, E]
def find_cliques(potential_clique=[], remaining_nodes=[], skip_nodes=[], depth=0):
# To understand the flow better, uncomment this:
# print (' ' * depth), 'potential_clique:', potential_clique, 'remaining_nodes:', remaining_nodes, 'skip_nodes:', skip_nodes
if len(remaining_nodes) == 0 and len(skip_nodes) == 0:
print 'This is a clique:', potential_clique
return
for node in remaining_nodes:
# Try adding the node to the current potential_clique to see if we can make it work.
new_potential_clique = potential_clique + [node]
new_remaining_nodes = [n for n in remaining_nodes if n in node.neighbors]
new_skip_list = [n for n in skip_nodes if n in node.neighbors]
find_cliques(new_potential_clique, new_remaining_nodes, new_skip_list, depth + 1)
# We're done considering this node. If there was a way to form a clique with it, we
# already discovered its maximal clique in the recursive call above. So, go ahead
# and remove it from the list of remaining nodes and add it to the skip list.
remaining_nodes.remove(node)
skip_nodes.append(node)
find_cliques(remaining_nodes=all_nodes)
Per quello che vale, ho trovato un'implementazione Java: http://joelib.cvs.sourceforge.net/joelib/joelib2/src/joelib2/algo/clique/BronKerbosch.java?view=markup
HTH.
Ho implementato entrambe le versioni specificate nel documento. Ho imparato che, la versione non ottimizzata, se risolta in modo ricorsivo aiuta molto a comprendere l'algoritmo. Ecco l'implementazione di Python per la versione 1 (non ottimizzata):
def bron(compsub, _not, candidates, graph, cliques):
if len(candidates) == 0 and len(_not) == 0:
cliques.append(tuple(compsub))
return
if len(candidates) == 0: return
sel = candidates[0]
candidates.remove(sel)
newCandidates = removeDisconnected(candidates, sel, graph)
newNot = removeDisconnected(_not, sel, graph)
compsub.append(sel)
bron(compsub, newNot, newCandidates, graph, cliques)
compsub.remove(sel)
_not.append(sel)
bron(compsub, _not, candidates, graph, cliques)
E invochi questa funzione:
graph = # 2x2 boolean matrix
cliques = []
bron([], [], graph, cliques)
La variabile cricche
conterrà le cricche trovate.
Una volta capito questo, è facile implementarne uno ottimizzato.
Boost :: Graph ha un'eccellente implementazione dell'algoritmo Bron-Kerbosh, provalo.