图分割算法 ——概述

先说下写这篇文章的初衷，首先是为了记录我科研的一些笔记，其次呢是我在网上查阅图分割问题的时候，发现很难找到合适的讲解，基本都被图像处理的知识所占据。但并不是每个人都会有时间去查阅论文，所以就写下这篇博客来填补这方面的空白，谢谢诸位看官

一，图分割

定义：指将网络顶点分割为指定规模，指定数量的非重叠群组，并使得群组之间的边数最小

算法背景：实际上在图挖掘领域最早出现的问题就是图分割，当社团发现问题出现以后科学家首先使用图分割算法来发现社团，但后来渐渐放弃了。原因就是图分割算法有以下的局限：

1，需要事先指定分割的子图规模以及个数

2，一般的图分割算法，只会将图分割成两个子图，如果想获得多个子图那么需要不断的进行二分

二，问题定义

 简单的说就是，在一个无向有权图中，将图划分成若干个子图，并且使得子图之间的割边的权值和最大。对于这样一个NP难的问题，科学家很自然的想到了使用启发式算法来解决。

三，算法说明

1，数学描述

问题的解决思路很简单，就是先随机产生两个划分，计算他们的cost，然后通过一些操作是这个cost不断下降，达到最优解，注意这里的最优解明显是局部的，但是论文作者说这个局部解很有可能也是全局，这个问题我们咱不讨论；因为很多情况，局部最优解也是很优秀的解，而且启发式算法很容易避免局部最优解的问题。

那么如何进行所谓的“操作”呢？

在两路图分割问题中：A,B是初始的两个划分，通过交换内部的点或者集合，形成新的划分，并在算法的指导下，使划分的cost下降，逐渐逼近最优解；现在问题的解决思路基本明晰了，问题转化为在A,B中挑选X,Y

我简单翻译一下，作者定义了三个变量E，I，D分别代表着某点的外部cost，内部cost，和内外部cost之差，并证明了一个定理，如果交换两个点，会对总的cost产生什么样的影响，就是这个gain，显然接下来我们要控制这个gain向下降的方向变化。

2，算法简述

我们先用自然语言描述这个过程，第一步计算出全集里所有元素的D值，第二步在划分A,B中选择a1,b1进行交换并计算gain值，第三步对于A,B中的其他元素进行计算D值；接下来重复第二步，用{A-a1}和{B-b1}替换A,B，再计算gain'值，直到所有节点都被使用。每做一步就将gain值保存起来，并使得 ，我们通过选择算法执行的步数K，来优化参数G，当G>0的时候，说明通过内部交换可以降低G值，算法继续执行；当G=0，我们便到达了局部最优点。以下就是算法的执行过程

 

算法过程中有几个判断需要着重讲一下，一是p=n？二是G>0？

在第一个判断中，集合的总数是2n，n是等大图划分中一半的节点数，也是我们程序的迭代最大次数；在第二个判断中，我们求得k值使得G值最大，接下来交换1至k的节点，然后继续迭代，直到G<=0才终止。

此部分的代码移步https://github.com/mcavus/Kernighan-Lin

对于不等大图的划分，目前来解决这个问题的一种主流方法，就是添加哑元素，来使两个集合的数量相同。