metis 多线程图划分论文笔记

多线程图划分

目的

利用多线程来完成图划分，从而达到提高效率的作用。

定义

balance：
balance 是用来衡量 k 划分有多么的平等的。
balance 定义为 k * max_i{η(V_i)/η(V)}，其中 η（A）是 A 集合中的点的权重之和。balance 接近一表明划分非常的平均，当值大于 1 的时候，说明有更好的划分方式。

给定用户提供的一个 ε，我们定义一个 k 划分问题为划分图为最小的 edgecut 且 balance 不超过 1 + ε

---

多层次图划分

依旧分为：
coarsening，initial partitioning，uncoarsening。

有算法 KMetis，ParMetis

KMetis

Kmetis 将图存储在类似于用于稀疏矩阵的压缩的稀疏的行格式的结构里面，以及用了额外的向量，包括一个存储顶点权重的向量，一个 partition 向量 P，一个 vertex mapping（点映射）向量 C。

coarsening

在 Kmetis 的粗化阶段中包含两个部分：匹配（matching）和收缩（contraction）。匹配就是 $C_i$ 产生于 $G_i$ 图的 vertex mapping 向量，而收缩就是产生了图 $G_{i+1}$（来源于 $C_i$ 和 $G_i$）。

matching 阶段：
我们用一个 matching 向量 M 开始，来生成 C。如果两个点 v 和 u，在 M 中有相应的项，则它们匹配，比如 $M^v=u$ 以及 $M^u=v$（就是 M[u] = v 以及 M[v] = u，则 u 和 v 匹配了）。他们也同样映射于相同的一个粗化节点 $c=C_i^v=C_i^u$ （i 表示第几个图的 vertex mapping 向量 C，即 $C_i$ 这一向量中的 $C_i$[v]=$C_i$[u]，表示 v 和 u 将在下一个图中合并为一个粗化节点）
根据点的权重的升序来遍历他们，相同权重的则以随机顺序遍历（来鼓励探索在多次运行中找到解决的空间？）。如果一个点 v 已经被 match 过了，那么他被跳过。如果他没被 match 那么找该点（v）的邻居中与 v 有权重最高的边的且没被 match 的邻接点 u，然后将 u 和 v 记录在 matching vector M 中，即 $M^v=u$ 以及 $M^u=$