ウェブ上のどこでクリークを見つけるためのブロン・ケルボッシュアルゴリズムの説明を見つけることができるか、またはここでそれがどのように機能するかを説明できますか?
「アルゴリズム 457: 無向グラフのすべてのクリークを見つける」という本に掲載されていることは知っていますが、アルゴリズムを説明する無料のソースが見つかりません。
アルゴリズムのソース コードは必要ありません。アルゴリズムの仕組みの説明が必要です。
ウェブ上のどこでクリークを見つけるためのブロン・ケルボッシュアルゴリズムの説明を見つけることができるか、またはここでそれがどのように機能するかを説明できますか?
「アルゴリズム 457: 無向グラフのすべてのクリークを見つける」という本に掲載されていることは知っていますが、アルゴリズムを説明する無料のソースが見つかりません。
アルゴリズムのソース コードは必要ありません。アルゴリズムの仕組みの説明が必要です。
アルゴリズムの説明はここにあります:http ://www.dfki.de/~neumann/ie-seminar/presentations/finding_cliques.pdf それは良い説明です...しかし、C#でのライブラリまたは実装が必要です-.- '
ペーパーのコピーを提供できる ACM 学生アカウントを持っている人を探してみてください。
ダウンロードしたばかりで、長さはわずか 2 ページで、実装は Algol 60 です。
また、Bron-Kerbosch アルゴリズムに頭を悩ませようとしていたので、Python で独自の実装を作成しました。これには、テスト ケースといくつかのコメントが含まれます。お役に立てれば。
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)
ここにアルゴリズムがあり、セット R、P、X として Java リンクリストを使用して書き直しました。
アルゴリズムを書き直すときの最適化の問題のため、実装について少し考えることをお勧めします
価値のあるものとして、Java 実装を見つけました: http://joelib.cvs.sourceforge.net/joelib/joelib2/src/joelib2/algo/clique/BronKerbosch.java?view=markup
HTH。
Boost::Graph には、Bron-Kerbosh アルゴリズムの優れた実装があります。チェックしてみてください。
この論文で指定されている両方のバージョンを実装しました。最適化されていないバージョンを再帰的に解決すると、アルゴリズムを理解するのに大いに役立つことがわかりました。バージョン 1 (最適化されていない) の Python 実装は次のとおりです。
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)
そして、次の関数を呼び出します。
graph = # 2x2 boolean matrix
cliques = []
bron([], [], graph, cliques)
変数cliques
には、見つかったクリークが含まれます。
これを理解すれば、最適化されたものを実装するのは簡単です。