VF2, VF3算法

1. VF2算法

1.1 基本定义和整体流程

1. 原文An Improved Algorithm for Matching Large Graphs。
2. VF算法能够解决有向/无向，有标签/无标签，图同构问题。原文中的符号和VF3算法不同，这里对某些符号采用了更为广泛地符号定义。
3. 给定两个图$G_1=(V_1,E_1)$, $G_2=(V_2,E_2)$和一个映射$M\subset V_1\times V_2$, 当且仅当$M$是一个双射且对应边也是双射时，$G_1$和$G_2$称为同构。
4. 作者采用了一种称为State Space Representation (SSR)的方法判断同构。假设当前状态为$s$，则$M(s)$表示$M$中与状态$s$相关的映射的集合。则$M_1(s)$表示$M(s)$中属于$V_1$中的点构成的集合，同理$M_2(s)$。$E_1(s)$表示$E_1$中连接$M_1(s)$中点的边，同理$E_2(s)$。
5. 通过$M_1(s)$和$E_1(s)$我们可以得到$G_1$的子图$G_1(s)$，同理$G_2(s)$。
6. 算法整体流程如下图所示
   
   其中$F(s,n,m)$是一个布尔函数，也称为feasibility function。该函数的返回值如果是true，则表明将边$(n,m)$加入到当前状态$s$（$s$状态表示当前的部分映射$M(s)$是满足同构的）后，新状态$s^{\ast }$的部分映射$M(s^{\ast })$仍然满足同构。因此最终的状态可能是$G_1$与$G_2$同构或者两个图的子图同构。返回值为false，则表明$(n,m)$不应该加入到当前状态，能够起到剪枝的作用。

1.2 $P(s)$的定义

1. 给定一个图$G$和图中的一个点$n$，我们定义$Pred(G,n)$为$G$中$n$的入度邻居节点构成的集合（$n$的前继集合），定义$Succ(G,n)$为$G$中$n$的出度邻居节点构成的集合（$n$的后继集合）。
2. 我们定义out-terminal集合$T_1^{out}(s)$为$G_1$中不属于$M_1(s)$但属于$M_1(s)$中节点的后继节点构成的集合。定义in-terminal集合$T_1^{in}(s)$为不属于$M_1(s)$但属于$M_1(s)$中节点的前继节点构成的集合。同理定义$T_2^{out}(s)$和$T_2^{in}(s)$。
3. $P(s)$采用如下的方式构造：
   （1）如果$T_1^{out}(s)$和$T_2^{out}(s)$都不为空，
   P(s)=T1out(s)×{ min T2out(s)}P(s)=T^{out}_1(s) \times \{min\ T^{out}_2(s)\}P(s)=T1out​(s)×{ min T2out​(s)}
   $min{T}_2^{out}(s)$表示$T_2^{out}(s)$中具有最小label的节点（任意一个排序方法均可）。
   （2）如果$T_1^{out}(s)$和$T_2^{out}(s)$都为空，且$T_1^{in}(s)$和$T_2^{in}(s)$均不为空，
   P(s)=T1in(s)×{ min T2in(s)}P(s)=T^{in}_1(s) \times \{min\ T^{in}_2(s)\}P(s)=T1in​(s)×{ min T2in​(s)}
   （3）如果四个terminal集合都是空的，
   P(s)=(V1−M1(s))×{ min (V2−M2(s))}P(s)=(V_1-M_1(s)) \times \{min\ (V_2-M_2(s))\}P(s)=(V1​−M1​(s))×{ min (V2​−M2​(s))}
4. 当出现只有一个in-terminal集合或者只有一个out-terminal集合为空的时候，可以证明状态$s$不可能构造出最终的同构，因此状态$s$不需要再继续分析。同时$P(s)$的定义可以保证同一个状态不会被访问两次。

1.3 $F(s,n,m)$的定义

为了判断$F(s,n,m)$，算法需要检查所有与$n,m$相连的点。

1. 对于在$M_1(s)$和$M_2(s)$中的节点，算法检查$M_1(s)$中这些节点和$n$的出边入边是否与$M^{}$