The minimum linear arrangement problem (MLA) consists of finding a mapping $\pi$ from vertices of a graph to integers that minimizes $\sum_{uv\in E}|\pi(u) - \pi(v)|$. For trees, various algorithms are available to solve the problem in polynomial time; the best known runs in subquadratic time in $n=|V|$. There exist variants of the MLA in which the arrangements are constrained to certain classes of projectivity. Iordanskii, and later Hochberg and Stallmann (HS), put forward $O(n)$-time algorithms that solve the problem when arrangements are constrained to be planar. We also consider linear arrangements of rooted trees that are constrained to be projective. Gildea and Temperley (GT) sketched an algorithm for the projectivity constraint which, as they claimed, runs in $O(n)$ but did not provide any justification of its cost. In contrast, Park and Levy claimed that GT's algorithm runs in $O(n \log d_{max})$ where $d_{max}$ is the maximum degree but did not provide sufficient detail. Here we correct an error in HS's algorithm for the planar case, show its relationship with the projective case, and derive an algorithm for the projective case that runs undoubtlessly in $O(n)$-time.


翻译:最起码的线性安排问题(MLA) 包括从图的顶端到整数的映射 $\ pi$, 使E ⁇ pi(u) -\pi(v)\\\$) $ 。 对于树木来说, 各种算法都可以在多元时间里解决问题; 最著名的在亚赤道时间里以$ ⁇ V ⁇ $ 美元进行。 存在将安排限制于某些种类的投影性的司法协助变量。 Iordanskii, 以及后来的Hoghberg和Stallmann(HS), 提出了美元(n) 美元- 美元- 时间算法, 在安排受约束时, 将问题解决到最小的 $- squax 。 我们还考虑对根树的线性安排进行预测; Gildea 和 Temperley (GT) 绘制了投影限制的算法, 正如他们所说的, 美元(n) 美元, 但没有提供其成本的任何理由。 (Park 和 Levy (Hn) $(nlog) rudeal) rial- developmental) ex case.

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】直接未来预测:增强学习监督学习
机器学习研究会
6+阅读 · 2017年11月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【LeetCode 136】 关关的刷题日记32 Single Number
Arxiv
0+阅读 · 2021年4月9日
Arxiv
0+阅读 · 2021年4月8日
Exact Stochastic Second Order Deep Learning
Arxiv
0+阅读 · 2021年4月8日
Arxiv
0+阅读 · 2021年4月8日
Arxiv
7+阅读 · 2020年3月1日
Arxiv
4+阅读 · 2018年12月3日
VIP会员
相关VIP内容
专知会员服务
123+阅读 · 2020年9月8日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】直接未来预测:增强学习监督学习
机器学习研究会
6+阅读 · 2017年11月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【LeetCode 136】 关关的刷题日记32 Single Number
Top
微信扫码咨询专知VIP会员