30、算法优化与图参数计算研究

算法优化与图参数计算研究

在算法领域，优化算法运行时间和准确计算图的相关参数是重要的研究方向。本文将介绍轨迹分组结构的评估、算法运行时间优化实例以及图的树宽和路径宽参数计算的相关内容。

轨迹分组结构评估

为了验证分组结构模型的实用性以及其是否能准确捕捉实体的分组行为，研究人员实施并评估了相关算法。
- 数据集 ：
- 合成数据集 ：使用修改后的NetLogo Flocking模型生成，实体不再环绕世界边界，接近边界时会转向，并允许小的随机方向变化。该数据集包含400条轨迹，每条轨迹有818条边。
- 真实数据集 ：采用Starkey项目的跟踪数据，选取30天内多数动物的位置数据，得到包含126条轨迹，每条轨迹有1264个顶点的数据集。
- 评估方式 ：生成短视频来直观检查算法识别的最大组，并与人类对组的直觉进行比较。因为对于大量轨迹，生成的图形过于杂乱，难以分析。
- 参数影响 ：参数值的选择很重要。例如，若ε过大，实体之间的耦合会变松散，会找到过多的组；m值过大时，几乎找不到组。而合理的参数设置（如ε = 5.25，m = 4，δ = 100）能使算法识别出几乎所有一起移动的实体集。
- 运行时间 ：在配备AMD Phenom II X2 CPU（3.2Ghz）的桌面系统上，用Haskell实现的算法能在几秒内计算出数据集的分组结构。即使对于160条每条约有20000个顶点的轨迹，也能在三分钟内计算并报告所有最大组