关于离散模型.docVIP

PAGE  PAGE 6 关于建立离散模型的一些考虑 离散问题是图论、网络流、整数规划、组合数学等许多学科讨论和研究的对象，这类问题在生产调度、交通控制、物流、管理科学和社会科学等有着广泛的用途。在我们历年的数模的竞赛中，离散问题是很重要的一个方面。如“锁具装箱”，“天车作业调度”，“灾情巡视路线”等等，本身就是个典型的离散问题；也有的问题里包含着离散的子问题。去年的“车辆安排问题”，是个优化问题，由于受到整数的约束，增加了许多困难，能不能对此提出一个合理的，即使是近似的算法，往往成了关键的一步。 因此，在准备数模竞赛的过程中，有必要认真的研究如何提高建立离散模型的质量。下面就离散优化问题，如何设计算法的考虑；如何进行算法分析；如何作计算机模拟几个方面谈一些粗浅体会。 一 算法设计 离散问题的难点往往在于它的算法设计,许多问题的计算量是非常大的，甚至是指数型的。诚然，我们已经有了大量的经典的算法，在解决离散问题时，我们经常使用分支定界法，割平面法，动态规划法等一些有效的办法，有时我们也会运用一些随机搜索的办法，如模拟退火法，遗传算法等。应该知道，这些通用的方法，都会有它的局限性，有的时候表现并不好。作为建模比赛，我们必须通过研究具体问题中的特殊关系，提出适合特殊一类问题的好的算法，在这里，我们要兼顾计算精度和计算量两个方面。 用一个简单的背包问题为例。设第 j 类的物品单重为 ，价值为 ，挑选 件；背包的承重为 b . 这个问题的数学描述为： （1） 用动态规划法求解这个问题时，要引入一个函数, 是当总承重为y时，只选择前几项物品装包（子问题）所能达到的最大价值。观察这个函数，可以直接从定义得出递推公式： 第一个式子很明显；第二个式子是说，在求得最佳结果时，有两种可能，选和不选第k 类的物品。如果是后者，那么; 否则少装一件第k 类物品与总承重减少w 的选择效果是一样的，即。 其实这个动态规划的计算量也是不小的。如果我们仔细分析对背包问题（1），会发现这样一个问题，若去掉xi整数的约束，影响如何呢？显然，问题变得十分容易求解的了。我们按物品的单价重新编号，使 ρ1≥ρ2≥…≥ρn。凭直观，我们知道要尽量装第一类物品，剩下多余的空间装第二类物品，依次类推。这种直观方法经常会得到很好的结果。但由于整数的约束，不能总是得到最优解。假若最优解中x1 = 0，那么最优的总价值肯定不会超过ρ2b，然而只用第一类物品装入背包，则价值有 如果时，最优解中必定x1≥1，或者有 我们定义，表示目标函数的最优值在有无整数约束条件下的差额。在b足够大时，我们有 函数θ(b)呈现周期性，周期为w1。显然，当w1整除b时，θ(b)=0，而在b(modw1 )≠0的情况下，就不得不另选其它物品，由于，我们选取xj (j≠1)要使得由于整数约束而引起的损失最小，损失，重量限制减至b-wj。于是，可在所有关于j的损失中取其最小的来决定j 对于较小的b值，我们可以用这个递归公式计算θ(b)。其实在许多问题中，θ(b)的周期开始的位置比我们的估计要小得多。 例如，v={18，14，8，4，0}，w={15，12，7，4，1}，当b=1000时，最优解是什么？ 若背包限重超过，最优解中肯定有x1 ≠0，而且x1为满足b- x1w1≥540的整数，若b=1000，那么x1≥30。要得到背包问题精确的周期解，需要从b=0，1，…开始计算所有b值的θ(b)： b01234567891011121314θ01.22.41.60.82.01.20.41.60.82.01.20.41.60.8b151617181920212223242526272829θ1.2b303132333435363738394041424344θ2.01.2b454647484950515253545556575859θ2.01.2计算表明当b≥26时θ(b)=θ(b+15)，这比刚才估计的540小得多了。 二 算法分析 对于离散问题，经常这些问题是NP的，我们也就常常会提出新的算法，有时还是近似算法，特别是启发式算法。因为启发式算法是凭经验得出的，没有严格的数学证明，所以我们必须仔细的考察算法的效率和精度。这里只讨论离散优化中启发式算法的误差。 我们说误差，指计算结果与最优解的误差。当然，误差估计有最理想的，平均的和最坏的情况三种。平均误差