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。