It is well known that the treewidth of a graph $G$ corresponds to the node search number where a team of cops is pursuing a robber that is lazy, visible and has the ability to move at infinite speed via unguarded path. In recent papers, connected node search strategies have been considered. A search stratregy is connected if at each step the set of vertices that is or has been occupied by the team of cops, induced a connected subgraph of $G$. It has been shown that the connected search number of a graph $G$ can be expressed as the connected treewidth, denoted $\mathbf{ctw}(G),$ that is defined as the minimum width of a rooted tree-decomposition $({{\cal X},T,r})$ such that the union of the bags corresponding to the nodes of a path of $T$ containing the root $r$ is connected. Clearly we have that $\mathbf{tw}(G)\leqslant \mathbf{ctw}(G)$. It is paper, we initiate the algorithmic study of connected treewidth. We design a $O(n^2\cdot\log n)$-time dynamic programming algorithm to compute the connected treewidth of a biconnected series-parallel graphs. At the price of an extra $n$ factor in the running time, our algorithm genralizes to graphs of treewidth at most $2$.


翻译:众所周知, $G$ 图的树枝与一个节点搜索编号相对应, 即一组警察正在追捕一个懒惰、 可见的强盗, 并且有能力通过无保护路径以无限速度移动。 在最近的文件中, 已经考虑过连接的节点搜索策略。 如果每一步搜索串列串联, 由警察团队所占据的一组顶点导致一个连接的 $G$ 的子图。 已经显示, 一个图表的连接号$G$ 可以用连接的树枝搜索号表示, 上面写着 $\ mathbf{ctw} (G), 美元被定义为根树枝脱钩的最小宽度 $( Qcal X}, T, r} 。 这样, 包联成一个包含根美元路径的路径的节点, 连接了$grd 。 显然, 我们拥有 $\\ leqtleqral_ ligal $; 连接了我们Orentalal 的 exal exal exal a. caltiquestal $n.

0
下载
关闭预览

相关内容

【实用书】流数据处理,Streaming Data,219页pdf
专知会员服务
77+阅读 · 2020年4月24日
因果图,Causal Graphs,52页ppt
专知会员服务
249+阅读 · 2020年4月19日
专知会员服务
61+阅读 · 2020年3月19日
专知会员服务
110+阅读 · 2020年3月12日
开源书:PyTorch深度学习起步
专知会员服务
51+阅读 · 2019年10月11日
知识图谱本体结构构建论文合集
专知会员服务
107+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
53+阅读 · 2019年9月29日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【CNN】一文读懂卷积神经网络CNN
产业智能官
18+阅读 · 2018年1月2日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Arxiv
23+阅读 · 2018年10月1日
Arxiv
3+阅读 · 2017年12月14日
VIP会员
相关VIP内容
【实用书】流数据处理,Streaming Data,219页pdf
专知会员服务
77+阅读 · 2020年4月24日
因果图,Causal Graphs,52页ppt
专知会员服务
249+阅读 · 2020年4月19日
专知会员服务
61+阅读 · 2020年3月19日
专知会员服务
110+阅读 · 2020年3月12日
开源书:PyTorch深度学习起步
专知会员服务
51+阅读 · 2019年10月11日
知识图谱本体结构构建论文合集
专知会员服务
107+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
53+阅读 · 2019年9月29日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【CNN】一文读懂卷积神经网络CNN
产业智能官
18+阅读 · 2018年1月2日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Top
微信扫码咨询专知VIP会员