计算一对系统发育树的最大（非循环）一致森林（M（a）AF）是固定参数可处理的；两种主要技术是核化和深度边界搜索。理论上，基于核函数的算法在这个问题上没有竞争力，但它们在实践中表现得非常好。我们解释了为什么会这样。我们的结果表明，可能不出意料，内核在实践中通常比理论上最坏的情况小得多，但还不够小，无法充分解释这些算法的良好性能。性能的关键是集群分区，这是几乎所有快速M（a）AF算法中使用的一种技术。理论上，集群分区并没有帮助：有些实例是高度可集群的，而另一些则根本不可集群。然而，我们的实验表明，对于基于内核化的M（A）AF算法，集群划分可以带来显著的性能改进。相比之下，在使用指数搜索求解单个集群之前对其进行内核化，只会产生非常轻微的性能改进，甚至会影响性能；对于绝大多数输入，核化不会导致最大簇大小的减少。用于求解单个集群的算法的选择也会显著影响性能，尽管我们对其进行的有限实验并没有明确的胜利者；深度边界搜索、指数搜索与核化交织以及基于ILP的算法都取得了具有竞争力的性能。