算法分析与设计2009第e讲.doc

上次内容： (1)图着色不能多项式时间近似到小于，TSP问题不能多项式时间近似到任意常数。 (2)，时间复杂度O(mK+nlogn)，K越大求解优化程度越高，1+(，T = O()。M是常数时可以认为是多项式时间近似方案。，时间复杂度：O(nK)。 什么是多项式时间近似方案： 定义7.2：若问题(的近似算法A(()满足对任意实例I任意(0 (1)RA(()[I]1+(；(2)A(()的时间复杂度是I输入长度的多项式函数。 则A(()称为求解问题(的多项式时间近似方案。 解释： (1)1+(很容易说明，但后面的多项式需要解释,时间复杂度一定与(有关。近似性能比1+(，时间复杂度为：O()，O(n)，O(n2)，PTAS。特殊情况： O()等等，各种情况。一定是(越小，时间复杂度越大。最后一种情况又称为完全多项式时间近似方案。FPTAS )，P((,()是多项式函数。 (2)为什么叫多项式近似方案，而不叫多项式近似算法。因为(没有确定大小，只有程序运行时才能确定。下面讲完全多形式时间近似方案。 背包问题：算法描述，先考虑动态规划算法求背包问题最优解 算法要求x1,x2,…,xn的赋值，赋值为1的为装入背包的，赋值为0的为没有装入背包的。最后使装入背包的元素价值最大，重量不超过M。 先考虑前i个元素的装法，要考虑(x1,x2,…,xi)赋值的组合：每种组合对应一个价值和重量数对：Pil, Wil，Pil=，Wil=S(i)={Pi1,Wi1, …, Pim, Wim}表示所有这样的数对集合，按说共有如此数对2i个。但是可以去掉一些，实际上有些数对可以去掉。并不是所有数对均有前途成为最优解，有一些是没有前途的通过比较可以看出来。 两种情况：看些数对可以去掉，不考虑。 (1)若有数对Pil, Wil，WilM，则该数对没有必要存在，Pil, Wil(S(i) (2)若有两个数对Pil, Wil,Pik, Wik满足：Pil(Pik,Wil(Wik 一种装法重量大价值小，另一种装法重量小价值大，后一种更好，更有发展潜力，再往包里放时不再放前i个元素中的元素了。没有潜力发展的数对没有必要保存。看看数对有没有前途，没有前途就淘汰了。在所有有前途的数对中培养出最优解来。 前面Pil(Pik, Wil(Wik”称Pik, Wik支配Pil,Wil，若Pik,Wik支配Pil,Wil则，将被支配的数对从S(i)中去掉。 下面看若S(i)构造出来以后，怎样构造S(i+1) (1)若xi+1=0，则S(i)(S(i+1)//前i个元素可以，前i+1个元素也可以。 (2)若xi+1=1，则={Pi+1+Pt,Wi+1+Wt|Pt, Wt(S(i),Wi+1+Wt(M} S(i+1)=S(i)(\{的数对}, 1(in 怎样求出解//从S(n)往前求。 假设Pnk,Wnk为最后一个数对，若Pnk,Wnk(S(n-1)，则xn=1，否则xn=0。xn=1时考虑数对Pnk-Pn,Wnk-Wn(S(n-2)，以此反向追踪得到(xnxn-1, …, x2, x1)，得到背包问题最优解。 例子： P=(P1,P2,P3,P4,P5)=(W1,W2,W3,W4,W5)=W=(1,2,10,100,1000) M=1112, 因为每个元素价值与重量相等，所以就不用考虑数对了，只考虑一个数。 S(0)={0} S(1)={0,1} ={2,3} S(2)={0,1,2,3} ={10,11,12,13} S(3)={0,1,2,3,10,11,12,13} ={100,101,102,103,110,111,112,113} S(4)={0,1,2,3,10,11,12,13,100, 101,102,103,110,111,112,113} ={1000,1001,1002,1003,1010,1011,1012,1013,1100,1101,1102,1103,1110,1111,1112,1113(删除)} S(5)=S(4)(={0,1,2,3,10,11,12,13,100, 101,102,103,110,111,112,113，1000,1001,1002,1003,1010,1011,1012,1013,1100,1101,1102,1103,1110,1111,1112} 求出该实例的解数对为：1112,1112，反向追踪得到最优解 (x1,x2,x3,x4,x5)=(0,1,1,1,1)。 算法复杂度分析，算法很坏，但是可以化腐朽为神奇。 (1)O()=O(2n) (2)S(i)中数对Pil,Wil的价值量取某个整数值的数对只有一个，所以S(i)中最多有个数对。所以算法时间复杂度为：O(n)。//仅考虑数对个数。 (3)S(i)中重量参数等于一个数值