第一章（PPT-清华大学.pptVIP

OR/MS建模的一般步骤 1.3 图与网络的数据结构 1.3.5 星形（Star）表示法 前向星形(Forward Star)表示法 节点对应的出弧的起始地址编号数组（记为point）为 记录弧信息的数组为 弧编号 1 2 3 4 5 6 7 8 起点 1 1 2 3 4 4 5 5 终点 2 3 4 2 3 5 3 4 权 8 9 6 4 0 3 6 7 节点号i 1 2 3 4 5 6 起始地址point(i) 1 3 4 5 7 9 1 2 3 4 5 1 2 3 7 8 6 5 4 1.3 图与网络的数据结构 1.3.5 星形（Star）表示法 反向星形(Reverse Star)表示法 节点对应的入弧的起始地址编号数组（记为rpoint）为 记录弧信息的数组为 1 2 3 4 5 2 3 7 5 6 8 4 1 节点号i 1 2 3 4 5 6 起始地址rpoint(i) 1 1 3 6 8 9 弧编号 1 2 3 4 5 6 7 8 终点 起点 2 2 3 3 3 4 4 5 3 1 1 4 5 5 2 4 权 4 8 9 0 6 7 6 3 1.3 图与网络的数据结构 几点说明 （1）星形表示法和邻接表方法常用. 星形表示法的优点是占用的存贮空间较少;邻接表方法增加或删除一条弧所需的计算工作量很少 （2）当网络不是简单图，而是具有平行弧(即多重弧)时，邻接矩阵法是不能采用的. 其他方法则可以推广到可以处理平行弧的情形. （3）无向图处理类似. 如无向图的关联矩阵只含有元素0和+1. 在邻接表和星形表示中，每条弧会被存贮两次;反向星形表示显然是没有必要的，等等. 1.4 计算复杂性的概念 定义1.3 所谓组合(最)优化(Combinatorial Optimization)又称离散优化（Discrete Optimization），它是通过数学方法去寻找离散事件的最优编排、分组、次序或筛选等. 这类问题可用数学模型描述为： 优化问题三要素: (Min,f,F)或(Max,f,F) 其中D表示有限个点组成的集合(定义域) , f为目标函数,F={x|x?D, g(x)?0}为可行域 1.4.1 组合优化 – 定义 1.4 计算复杂性的概念 1.4.1 组合优化 – 例 例1.7 0-1背包问题(knapsack problem) 给定n个容积分别为ai，价值分别为ci的物品.设有一个容积为b的背包，如何以最大的价值装包？用数学规划模型表示为： D= {0,1}n 例1.10 装箱问题(Bin Packing) 以尺寸为1的箱子装进给定的n个尺寸不超过1的物品，如何使所用的箱子个数最少? 1.4 计算复杂性的概念 1.4.1 组合优化 – 例 例1.9 整数线性规划(Integer Linear Programming) (IP) . 我们假设线性整数规划的参数（约束矩阵和右端项系数）都是整数(或有理数). 许多组合优化问题可以用整数规划模型表示,但有时不如直接用自然语言描述简洁 1.4 计算复杂性的概念 1.4.2 多项式时间算法 对于组合优化问题，我们关心的一般不是最优解的存在性和唯一性，而是如何找到有效的算法求得一个最优解. 那么如何衡量算法的优劣、有效与无效呢？ 完全枚举法可以求得最优解,但枚举时间有时不可能接受 ATSP: (n-1)!枚举(TOUR,周游或环游) 设计算机每秒进行100亿次枚举,需 30! / 10e+10 2.65e+22 (秒) 即 2.65e+22 / (365*24*60*60) 8.4e+13 (年) 1.4 计算复杂性的概念 1.4.2 多项式时间算法 构造算法的目的是能够解决问题（或至少是问题某个子类）的所有实例而不单单是某一个实例 问题（Problem）是需要回答的一般性提问，通常含有若干个满足一定条件的参数. 问题通过下面的描述给定：（1）描述所有参数的特性，（2）描述答案所满足的条件. 问题中的参数赋予了具体值的例子称为实例(instance). 衡量一个算法的好坏通常是用算法中的加、减、乘、除和比较等基本运算的总次数（计算时间）C（I）同实例I在计算机计算时的二进制输入数据(输入规模/长度d（I）)的大小关系来度量. ?计算模型 C(I) = f(d(