近似、随机与局部搜索【信息技术】.pptVIP

近似、随机与局部搜索 近似算法 许多NP难的问题不能用回溯法有效地解决 求一个与精确解相差不算太多的近似解 效率比较高 近似度 绝对近似度：近似解与最优解不超过某个常数。 相对近似度：近似解与最优解不超过某个比例。 极少NP难的问题具有绝对近似度 装箱问题 最先适配法（FF）：把物品放入第一个能装下的箱子里 最优适配法（BF）：把物品放入最空的一个箱子里 递减最先适配（FFD）：先将物品从大到小排序，然后用FF 递减最佳适配（BFD）：先将物品从大到小排序，然后用BF FF的近似度 可以把问题转化为每个物品体积在[0, 1]区间内，箱子容积为1。 半空的箱子（装的物品体积和 =0.5）不会超过两个 FF(I) =2∑Vi OPT(I) =∑Vi FF(I)/OPT(I) =2 四种算法的近似度 FF：17/10 BF：17/10 FFD：11/9 BFD：11/9 欧几里得哈密尔顿回路 对于平面上的点集求最短哈密尔顿回路。 贪心法：每次寻找一个最近的点。 近似度无界 近似度为2的算法 构造一个最小生成树 复制每条边 构造欧拉回路 用跳过已经访问过的节点的办法转换成哈密尔顿回路 近似度证明 T=最小生成树边长和 T OPT(I) 2T 2OPT(I) 最后得到的回路长 2T 2OPT(I) 最小顶点覆盖 贪心法：每次取一个顶点，然后删除与它相邻的边 近似度无界 近似度为2的算法 每次取一条边，把它的两个端点都同时加入结果中，然后删除所有相连的边。 证明：这样将得到一个极大匹配M，所取顶点数=2|M|。同时OPT(I) =|M|。 多机任务调度 给定一个任务集合以及它们的执行所需时间。要在m台机器上执行这些任务，使得完成时间最短。 贪心法：每次选择第一台可用的机器 近似度为2-1/m 将任务按照执行时间从大到小排序 近似度为4/3-1/3m 平面图的k中心 给定一个平面点集，选择其中k个点使得其他点到这k个点的最小距离尽可能地小。 贪心法，每次选择一个离已经选中的点最远的一个点 近似度为2 背包问题 思路：把所有物品的体积都增加为某个整数k的倍数，从而可以把体积统一转换为较小的整数。用动态规划求解。 随机算法 Las Vegas：总是给出正确的解，或者找不到解。 Monte Carlo：总是有解，但不一定正确。 随机快速排序 在每次递归时随机选择一个元素和第一个元素进行交换，然后执行通用的快速排序算法。 素数测试 费马小定理：如果n是素数，那么对于所有不是n的倍数的整数a，有an-1≡1(mod n) 思路：随机选择多个整数进行检验。 求am(mod n) result := 0; b := 1; while m 0 do begin b := (b * a) mod n; if Odd(m) then result := (result + b) mod n; m := m div 2; end; return result; 素数测试算法 随机选择多个整数进行测试，对于通过测试的数再用完整的素数验证算法进行验算。 事实上存在出错概率更小的素数测试算法。 字符串匹配 为简化问题，只考虑01串。 基本思想：可以把字符串看成一个整数。一个01串其实就是一个整数的2进制 表示。随机选择一个质数p。那么两个01串A、B相等的必要条件是A≡B(mod p)。 算法 读入01串A、B 假设A长度 B 随机选择素数p 计算X=B mod p、Y=substr(A, 0, len(B)) mod p以及Z=2len(B) mod p for 每个起始位置i do if X=Y then return 当前位置 Y = Y * 2 - Ai * Z + Ai+len(B) return 找不到任何匹配 改进 通过选择多个素数同时求模可以减少出错的概率 每次出现模相等时都进行一次完整的比较来验算。 通过选择适当的素数可以把出错概率控制在1/n之内 算法复杂度=O(n + m) 表达式 给定两个只包含+-*运算符的表达式，问它们是否等价。 例如(X+Y)*(X-Y)和X*X-Y*Y是完全等价的。 一种思路：可以给变量随机赋值，检查两个表达式得到的结果是否相等。 随机化贪心 在使用贪心算法时，往往可以加入随机化因子，从而在一定程度上避免过分贪心的缺陷。 for A←局部最优解to 局部最差解 以概率p返回A return 局部最差解 并行计算 输入一个由+，-，，，(，)，变量(大写字母)组成的四则运算表达式，输出一段指令，控制有两个运算器的并行计算机在尽量短的时间内正确计算表达式的值。 贪心方案 每次选取耗时长的运算符 每次选取最早空闲的运算器 加入随机因子，并非完全贪心 局部搜索