本文为论文《A Linear Programming Approach for the Weighted Graph Matching Problem》的学习笔记,讲解凹优化 QCC。在评论区与我交流👏
关键词:图匹配,匈牙利方法,线性规划,优化,识别,结构模式
一、摘要
方法
提出线性规划方法解决加权图匹配问题。
- 从 L 1 L_1 L1 范数中得到图匹配问题的线性规划,再将二次优化问题转换为线性
- 使用单纯形算法解决线性规划
- 在线性规划实解上使用匈牙利方法(一种求二分图最大匹配的方法)得到近似 0-1 的整数解
结果
- 算法时间复杂度为 O ( n 6 L ) O(n^6L) O(n6L), n n n 为匹配图的大小
- 与两种其它图匹配算法比较,分别为特征分解法和对称多项式变换,证明算法的性能比两者强
二、结论
文章缺陷
算法的时间复杂度相对较高,但可以使用线性规划的基于内点法的算法(如)优化。基于内点法的算法时间复杂度为线性的,而单纯形算法的时间复杂度为指数级。
课题构思(如何一步步得到结论)
- 将图匹配问题写为线性规划问题,使用 IMSL 的基于单纯形编码解决
- 特征分解法和对称多项式变换法在图增大或误差变大时无法找到最优解,而线性规划方法对图大小和噪声鲁棒
三、粗看图表
数据来源
手动生成。给 G G G 中的权重随机加 [ − e , e ] [-e,e] [−e,e] 的噪声并打乱顶点顺序,从而生成匹配图 H H H。
重要指标
-
算法性能:图大小,噪声等级,标准值 J ( P ) J(P) J(P) 的平均值和标准差,标准的期望 E a ( n , e ) , E b , c ( n , e ) E_a(n,e),E_{b,c}(n,e) Ea(n,e),Eb,c(n,e)
-
CPU 耗时:图大小,噪声等级,耗时的平均值和标准差
四、引言
课题阶段
模式识别中,对象的结构化数据可以划分为由点集和边集组成的加权图。匹配两个加权图的问题表示为找到最优置换矩阵,使得两张图之间的距离最小化。该问题称为 WGMP(加权图匹配问题),包含了图同构问题。
-
树搜索方法寻找含符号和数值标签的同构图。因为其组合性质,在图很大时无法使用
-
松弛方法可以在定性和定量上解决匹配问题
-
图邻接矩阵特征分解的方法,时间复杂度为多项式,通过最小化两张图的欧拉距离得到实最优解
-
基于 SPT(对称多项式变换)的近似方法,在置换下具有不变性
主要贡献
将 WGMP 表示为线性规划问题,使用单纯形算法求解,时间复杂度为多项式
五、实验过程
模型步骤,每个步骤的结论:
问题叙述
加权图 G G G 用序偶 ( v , x ) (v,x) (v,x) 表示, v v v 是图中 n n n 个点的集合, x ( v i . v j ) x(v_i.v_j) x(vi.vj) 表示 i i i 和 j j j 之间的权重函数。图的邻接矩阵 A G = { g i j } A_G=\{g_{ij}\} AG={
gij}:
g i j = x ( v i , v j ) , i ≠ j g_{ij}=x(v_i,v_j), \qquad i\not=j gij=x(vi,vj),i=j
g i j = 0 , i = j g_{ij}=0, \qquad i=j gij=0,i=j
对于相同顶点个数的图 H ( v , x ) , G ( w , y ) H(v,x),G(w,y) H(v,x),G(w,y),WGMP 则为图中顶点的一对一对应关系,使得图中顶点在某个范数下最小。使用 n × n n\times n n×n 置换矩阵 P = { P i j } P=\{P_{ij}\} P={
Pij} 表示图匹配问题, L 1 L_1 L1 范数为:
min P ∣ ∣ A G − P A H P T ∣ ∣ 1 \min\limits_P||A_G-PA_HP^T||_1 Pmin∣∣AG−PAHPT∣∣1
其中 ∣ ∣ . ∣ ∣ 1 ||.||_1 ∣∣.∣∣1 表示 L 1 L_1 L1 范数( A A A 是 n × n n\times n n×n 矩阵, ∣ ∣ A ∣ ∣ 1 = ∑ i ∑ j ∣ a i j ∣ ||A||_1=\sum_i\sum_j|a_{ij}| ∣∣A∣∣1=∑i∑