算法分析与设计2009c讲算法分析与设计2009第c讲.docVIP

上次内容： (1)什么是绝对近似算法，存储最多程序问题的多项式时间绝对近似算法。 (2)背包问题和最大独立集问题都不存在绝对多项式近似算法。 (3)近似算法，近似性能比。近似度。RA(I)=。RA(I) = (4)背包问题和装箱问题的近似度为2的近似算法。RA ? 2。 绝对近似性能比： RA=inf{r?1|所有实例I?D?, RA(I)?r}，可以找到r。找一个数r，所有实例近似性能比都比r小，r最小能小到多少。 能够证明RA(I)?2.5， 问题是算法所能够证明的那个近似性能比界最小是多少？那就是绝对近似性能比。 渐进近似性能比： =inf{r?1|存在N?Z+，对于满足OPT(I)?N的所有实例I?D?, RA(I)?r} 前面装箱算法不是最好，应该先装体积大的，后装体积小的。这样使用箱子数会少一点。到底能改进多少呢？所以改进算法： FD算法： (1)将物体排序，体积从大到小排序。w(a1)?w(a2)?…?w(an)，形成非降次序主次表L={a1, a2, …, an}。 (2)按照表L的顺序，以次将物体装入箱子，直到装完为止。 定理7.6：对于装箱问题任意实例I，非降次序主次表L，FD算法的近似性能比为：FD(I)?+4 存在足够大的实例I，FD算法的性能估计：FD(I)? 由此可以说明：+?。基本锁定渐进近似性能比了。 这个定理不证了，只举个例子。说明渐进近似性能比为11/9。 例1：L={a1, a2, a3, a4, a5, a6, a7} w(a1)=，w(a2)=w(a3)=，w(a4)=，w(a5) = w(a6)=w(a7)= A11/2+?a21/4+2?A41/4+?最优解a31/4+2?最优解A71/4-2?a51/4-2?  a61/4-2? FD解 另外一个例子: ，30m个物体，体积如左。 1/4-2?1/4-2?1/4-2?1/4+?1/4-2?1/4+2?1/4+?1/4-2?1/2+e1/4+2e1/2+e1/4+e1/4-2e1/4+2e1/4+e1/4-2e6m3m6m2m3mRFD(I)=11/9, RFD?11/9, ，例子自己看吧。 §7.2：近似算法设计 满足三角不等式的货郎问题： 实例：城市集合C={c1,c2,…,cm}, 城市之间距离：d(ci,cj)?Z+, d(ci,cj)+d(cj,ck)?d(ci,ck), ?ci, cj, ck?C。相当于给定满足三角不等式边长的图G。将城市看成图G的点，G = (V, E)，V = {v1,v2,…,vm} 询问：求城市排列：c?(1)c?(2)…c?(m)，满足货郎旅游长度最短。 *什么是欧拉图：每个点的度数为偶数。 *任意图的性质：奇数度的点的个数为偶数个。 *欧拉回路多项式时间可解的。走遍所有边但边不重复的点序列。点允许重复。举个例子 欧拉回路:acbdegfha 抄近路：acbdegfha 算法：MST(minimum spanning tree algorithm) step1对G调用最小生成树算法得到树T=(V, ET)。 step2复制T的每条边得到欧拉图D=(V, ED) step3在D中求欧拉回路v?(1),v?(2),…,v?(k),…,v?(2m-2)v?(1)。 step4抄近路得到货郎旅游v?(1)=v?(1),v?(2),…,v?(k),…,v?(m)v?(1) 定理：RMST(I)2。 证明：w(?)表示权值。 (1)w(T)OPT(I) (2)w(D)2OPT(I) (3)MST(I)?w(D)2OPT(I)，所以2。 什么是欧拉图：每个点的度数为偶数。 任意图的性质：奇数度点的个数为偶数个。 一个算法A说明好和怀，要找到一个界C，使得RA?C，通常不能找到比C更小的数了。 就说算法A的近似度为C，C通常是一个常数，就叫常数近似算法。 C有时也不一定是常数，现在有各种类型的近似算法。 有时可以证明不存在RAC1，现在找到的算法近似度为C C1，则人们开始找比C更小的多项式时间近似算法。 下面改进近似度2。原来：2。主要改进第二步。 前面性质：T中度数为奇数的点的个数为偶数个。实际上不用复制每条边得到欧拉图，只需要加上一半条数的边就能形成欧拉图。求最小对集就行，能量最小的配对，权值最小， 给定带权的图，和图中偶数个点，求图中权最小的顶点对集是多项式时间可解的。将前面的第2步改为： 2.1：设树T的奇度数点为v1,v2,…,v2t，在G中求点集{v1,v2,…,v2t}的最小对集Ep={e1,e2,…,et