Lec 16 最短路径算法 II：路由表构造与稀疏生成子图

主要文献：Lenzen–Patt-Shamir《Fast Routing Table Construction Using Small Messages》(STOC 2013) · Baswana–Sen《A Simple and Linear Time Randomized Algorithm for Computing Sparse Spanners in Weighted Graphs》(RSA 2006)

TL;DR

• Lenzen 与 Patt-Shamir 提出了首个在 CONGEST 模型下用小消息于 $\tilde O(n^{1/2+\varepsilon} + HD)$ 轮内构造加权紧凑路由表的分布式算法。
• Baswana-Sen 随机算法通过逐层聚类生长在 $O(k)$ 轮内构造出 $(2k-1)$ 拉伸且仅含 $\tilde O(n^{1+1/k})$ 条边的稀疏生成子图（Spanner）。
• 将骨架图采样与生成子图压缩结合，使原本稠密的骨架拓扑能够被全网广播，达成了全源距离估计与路由判定的理论极限。

1. 本讲要回答的核心问题

Lec 15 算“到源点的距离”。本讲更进一步：用小消息快速构造近似距离与路由表（routing tables）——让每个节点不仅知道距离，还知道“下一跳往哪走”。

主结果（Lenzen–Patt-Shamir 2013）. 给定 $0<\varepsilon\le1/2$，存在随机算法在 $\tilde O(n^{1/2+\varepsilon}+HD)$ 轮内（$HD$ 为无权跳数直径）算出近似距离与路由，**拉伸（stretch）**为 $O(\varepsilon^{-1}\log\varepsilon^{-1})$，高概率成立。

这是首个用 $O(\log n)$ 位小消息、在 $\tilde o(n)$ 轮内（当 $HD\in\tilde o(n)$）近似加权最短路的分布式算法，近匹配下界 $\tilde\Omega(\sqrt n+HD)$。

两大支柱：骨架图（skeleton graph） 与 稀疏生成子图（spanner）。

2. 骨架图（Skeleton Graph）

关键性质（高概率）. 任一对节点间的最短路若用 $\ge\tilde O(\sqrt n)$ 跳，则被骨架节点“切分”成每段 $\le\tilde O(\sqrt n)$ 跳的子路径——于是长程距离可在骨架图上“接力”算出，而骨架图只有 $\tilde O(\sqrt n)$ 个顶点。

计算骨架边权. 用限跳 Bellman–Ford（Lec 15）跑 $\tilde O(\sqrt n)$ 轮，让每个骨架点得到到附近骨架点的距离。骨架图边数可能达 $\Theta(n)$——直接广播太贵，于是引入生成子图压缩。

3. 稀疏生成子图（Spanner）：Baswana–Sen

定理（Baswana–Sen 2006）. 对任意整数 $k\ge1$，可（高概率）构造一个 $(2k-1)$-生成子图，期望边数 $\tilde O(n^{1+1/k})$，在 CONGEST 中用 $O(k)$ 轮（$k-1$ 次迭代）算出；集中式为线性时间。

算法（基于聚类的逐层生长）. 维护一个簇划分，初始每个节点自成一簇。第 $i$ 次迭代（共 $k-1$ 次）：

1. 上一层的每个簇独立以概率 $n^{-1/k}$ 存活进入本层；
2. 对每个未被任何相邻存活簇覆盖的节点 $v$：把 $v$ 到每个相邻簇的最轻边各加入生成子图，然后 $v$ 退出（成为已定型）；
3. 对相邻有存活簇的节点 $v$：加入 $v$ 到某个相邻存活簇的最轻边，$v$ 加入该簇（采纳其簇标签）。

最后一步把所有剩余节点连到它们相邻的全部簇。

4. 拼装：路由表构造

把上述两件拼起来：

1. 骨架采样： 选 $\tilde O(\sqrt n)$ 骨架节点。
2. 骨架边权： $\tilde O(\sqrt n)$-跳限跳 Bellman–Ford 算骨架点间距离，得骨架图 $G_{\mathrm{sk}}$。
3. 骨架生成子图： 对 $G_{\mathrm{sk}}$（$\tilde O(\sqrt n)$ 个点）跑 Baswana–Sen，得 $\tilde O(n^{(k+1)/(2k)})$ 条边的骨架生成子图——足够稀疏，可在 $\tilde O(n^{1/2+\varepsilon}+HD)$ 轮内广播给所有节点（每个节点据此本地重建近似骨架距离）。
4. 本地短程： 每个节点用 $\tilde O(\sqrt n)$-跳限跳 Bellman–Ford 知道到附近骨架点的距离与路由。
5. 合并 + 标签： 近似距离 = 短程 + 骨架生成子图上的距离；路由的“下一跳”由短程方向 + 骨架接力给出。节点被赋予 $O(\log\varepsilon^{-1}\log n)$ 位标签以支持紧凑路由。

5. 与下界和 Lec 15 的关系

• 近最优： $\tilde O(n^{1/2+\varepsilon}+HD)$ 近匹配 $\tilde\Omega(\sqrt n+HD)$（Lec 14）。
• 与 Nanongkai (Lec 15) 对比： 两者都用 $\sqrt n$ 骨架切分长程最短路。区别：Nanongkai 追求 $(1+o(1))$ 高精度的 SSSP；Lenzen–Patt-Shamir 追求全源距离 + 路由表，以稍大的常数级拉伸换取近 $\sqrt n$ 的全源构造。Baswana–Sen 生成子图是把稠密距离信息压到可广播规模的关键。

6. 本讲小结与全局问题收束

组件	结论
骨架图	$\tilde O(\sqrt n)$ 采样点，限跳 BF 算边权，切分长程最短路
Baswana–Sen 生成子图	$(2k-1)$ 拉伸、$\tilde O(n^{1+1/k})$ 边、$O(k)$ 轮，聚类逐层生长
路由表（LPS 2013）	$\tilde O(n^{1/2+\varepsilon}+HD)$ 轮、拉伸 $O(\varepsilon^{-1}\log\varepsilon^{-1})$
最优性	近匹配 $\tilde\Omega(\sqrt n+HD)$

主线：骨架采样把长程问题降到 $\tilde O(\sqrt n)$ 个关键点，生成子图把这些点的稠密距离信息压稀到可全网广播——两者结合，使加权最短路与路由表在小消息模型里逼近理论极限。这也收束了 Lec 12–16 的全局问题主线：$\tilde\Theta(D+\sqrt n)$ 既是 MST、Min-Cut、最短路的上界，也是它们共同的下界。