我正尝试从以下论文中实现（未加权）反馈顶点集近似算法：documentation。该算法的步骤之一（在第4页上进行介绍）是计算输入图的最大2-3个子图。
准确地说，2-3图是只具有2或3级顶点的图形。
“最大”是指在不违反2-3个条件的情况下，不能将原始图的一组边或顶点添加到最大子图中。
该论文的作者声称，可以通过图形上的“简单深度优先搜索（DFS）”来执行计算。但是，这种算法似乎使我难以理解。最大子图如何计算？
答案 0 :(得分：1)
我认为我设法弄清楚了作者的意图。不过，我不会这么简单。
让G为图，H为G的最初为空的2-3子图。该算法与深度优先遍历具有相似的族，但是我不会这样称呼。从任意节点开始，我们在图中走动，将步骤推入堆栈。每当我们检测到堆栈包含将构成H的2-3个超图的路径/循环/ sigma形状时，就会将其从堆栈移至H并继续。当不再可能找到这样的形状时，H为最大值，我们就完成了。
更详细地讲，堆栈通常由一条路径组成，该路径没有H阶3的节点。光标位于该路径的一端。在每一步中，我们都会检查到达终点的下一条边。如果唯一的入射边是我们到达的那个边，则将其从G和堆栈中删除，并将末尾移回一个。否则，我们可能会将路径扩展一些边缘e。如果e的另一个端点的H度为3，我们从G中删除e并考虑到末端的下一个边沿。如果e的另一个端点的H度为2，但当前不在堆栈中，则我们已将此端点锚定。如果另一端也锚定，则将堆栈路径添加到H并继续前进。否则，将光标移到堆栈的另一端，以反转堆栈。最后一种情况是堆栈是否循环返回自身。然后，我们可以提取路径/循环/ sigma并继续前进。
在移动设备上输入此内容，非常抱歉。也许我会花时间实施它。