最大团问题研究报告.docVIP

KOPPO,,MMMMMM64最大团问题研究报告 2009 摘要： 本文首先对最大团问题从一般性描述和数学描述两个方面进行了概述，其次对其研究发展进行了概括，之后对解决最大团问题的相关算法进行了逐一介绍，并对部分算法进行了比较分析，并对回溯法和分支限界法详细介绍，最后给出了最大团问题的应用领域。 关键字：最大团、蚁群、启发式、智能搜索 1 最大团问题概述 1.1 最大团问题一般描述 给定无向图G=(V，E)。如果U(V，且对任意u，v(U有(u，v)(E，则称U是G的完全子图。G的完全子图U是G的团当且仅当U不包含在G的更大的完全子图中。G的最大团是指G中所含顶点数最多的团。 如果U(V且对任意u，v(U有(u，v)(E，则称U是G的空子图。G的空子图U是G的独立集当且仅当U不包含在G的更大的空子图中。G的最大独立集是G中所含顶点数最多的独立集。 对于任一无向图G=(V，E)其补图G=(V1，E1)定义为：V1=V，且(u，v)(E1当且仅当(u，v)(E。 U是G的最大团当且仅当U是G的最大独立集。 1.2 最大团问题数学描述 MCP作为一个整数规划问题有许多等价的描述。整数规划问题的描述(二次0-1问题)： 设： 则： 其中, ，n为图的顶点数。 如果 是（1）的最优解，那么集合C= 是图G的最大团，且 由于 因此有： MCP等价于下面的全局二次0-1问题 其中： 如果 是（2）的最优解，那么集合 是图G的一个最大团，且 2 最大团问题研究发展 1957年，Hararv和Ross首次提出求解最大团问题的确定性算法 ，随后，研究者们提出各种各样的确定性算法来求解最大团问题。但随着研究的深入，遇到的问题复杂度越来越高(顶点增多和边密度变大)，确定性算法显得无能为力，不能有效解决这些NP完全问题，典型地体现是运行时间过长。 在20世纪80年代末开始采用启发式算法求解最大团问题，提出了各种各样的启发式算法，并且取得了令人满意的效果。在时间上，由于采用了启发式信息，启发式算法的运算时间与确定性算法的运算时间之间的比值会随着图的顶点、密度的增加而变得越来越小。唯一的缺点就是不一定能找到最优值，有时只能找到近优值。在1987年,神经网络被Ballard等人引进来解决最大团问题 。1989年，Aarts和Korst把模拟退火引进来求解最大团问题, Friden等人提出禁忌搜索用来求解该问题。在1990年由Pardal—OS等人提出一种基于连续的启发式算法来求解最大团问题。在1993年遗传算法被Carter和Park第一次引进来求解最大团问题 。 研究表明，单独使用一种启发式算法求解最大团问题，算法性能并不是很好，因此，需要算法之间互相取长补短，形成新的混合算法来求解最大团问题。当前求解该问题最好的启发式算法有反作用禁忌搜索算法(Reactive Tabu Search)、简单启发式算法(Simple Heuristic Based Genetic Algorithm，HGA)和DLS—MC等。 3 相关算法综述 在解组合优化类问题时，通常有两种类型的算法:精确算法(exact algorithm)和近似算法(approximate algorithm)。精确算法在求解NP-Hard的问题时;通常需要指数时间才能找到最优解。目前求解最大团问题的精确算法，对于部分问题实例计算复杂度最好的结果约为，对于像最大团问题的这种计算复杂度大的问题，精确算法的求解性能和结果都不理想。对MCP问题的研究一直是学术界一个非常活跃的领域，学术界已经提出了不少算法，并且大多对1993年DIMACS的数据做了实验，但是仅从发表的试验结果，并不能一概而论说那一种算法最好，每个算法都有自己的长处。从试验结果来看，有几个算法可以说当前最好，如下： Retrive Local Search(RLS),KLS，Dynamic Local Search(DLS)，Deep Adaptiv eGreedy Search(DAGS)，QUALEX-MS，Edge-AC+LS。群体算法中GLS、EDA/G以及ACO是当前最好的。此外，还有其它一些很有特色的算法，论文《A greedy randomized adaptive search procedure for maximum》提出了采用GRASP算法求解最大团问题；论文《DNA solution of the maximal clique problem》提出了采用DNA计算来求解最大团问题;论文《Variable neighborhood search for the maximum clique》提出了采用VNS算法求解最