近似算法理论分析.pdf

6.854 高级算法 第 12 讲：2003 年 10 月 20 日 教师：Erik Demaine, David Karger 记录员： Jason Eisenberg 近似算法 12.1 简介 到目前为止，我们已经学习了很多可以在多项式时间内高效解决的问题，我们可以很快 速的解决这些问题。然而，在下面几讲，我们将考虑一些不知道如何高效解决的问题。 12.1.1 NP-完全性问题 在学习这些问题的时候，我们会遇到这个概念 NP-完全性。NP-完全性问题是由很多组 合和最优化问题组成，这些问题都有两个共同点： 没有很高效的算法；然而，我们可以在指数时间内解决这些问题。 有高效的缩影存在于所有其他的 NP-完全性问题中；因此，如果我们有一个黑盒， 它能解决其中的一个问题，那么我们就能够高效的解决所有的问题。 下面就列举了一些 NP-完全性问题的例子。除了 SAT 的每一个问题都可以被阐明为最 优化问题，尽管严格来说，它取决于每一个问题的 NP-完全性。另一方面讲，存在一个与 SAT 相关的最优化问题，称为 MAXSAT 。在这个问题中，我们给出一个布尔公式，我们必 须找到一些变量的赋值来最大化的满足子句。 可满足性问题(SAT) ：给定一个布尔公式，是否存在一个变量的赋值使得它满足此公式 (即使公式的值为真) ？ 装箱问题：给定一些箱子和物品，这些物品有着特定的大小，这些箱子有着一定的容积， 求出能容纳这些物品的所需的最小箱子数。 最大独立子集问题：给定一个图，找出节点的最大子集，使得在这个子集中没有两个节 点是相互连接的。 背包问题：给定一个能容纳一定大小的背包和一些物品，这些物品有着特定的大小和价 值，求出此背包能容纳的最大价值量。 并行机器调度问题：给定一组相同的机器和一组任务，这些任务都有特定的所需时间， 求如何分配任务给这些机器，使得所有的机器完成分配给它们的任务所需的时间最小。 旅行商问题：找出一个最短路径使得旅行商从一个城市出发，最后又回到该城市，并且 要求每一个城市只能经过一次。 所有的这些问题不能依赖于这个假定 P≠NP 高效的解决。尽管这个推测还没有被证明， 但是我们可以相信它是正确的，所以我们可以简单的假定 P≠NP。 12.1.2 解决 NP-完全性问题 如果我们不知道如何高效的解决 NP-完全性问题，那我们应该怎么做呢？ 启发式：一种可能性就是放弃寻求多项式算法，取而代之的是集中开发启发式的算法， 它在实践中接近于多项式的时间复杂度。但是一般来说，很难找到低于指数级的算法，达到 这样的目标是有分歧的(关于 P 和 NP 问题是否相同) 。 一般情况分析：与其分析这些算法的最坏情况下的性能，我们不如分析某一类特定输入 下的算法行为。这取决于某些特定输入实例的分布情况。但是，使用不同的分布又会有很大 的差别。 近似算法：我们试图找到多项式时间的近似算法，它们被证明是近似正确的。 12.2 最优化问题 在我们讨论近似算法之前，我们必须为最优化问题定义一些术语。 定义 1 一个最优化问题有一组问题实例(problem instances) 。 定义 2 每一个实例I 都有一个解集S (I ) 。 定义 3 最大/最小化问题就是找到一个解s ∈S (I ) ，能达到最大/最小化的目标值f (s) 。我 们假定f 的输入和输出都是整数( 由多项式级的位数组成) 。 定义 4 实例I 得到的最优解值f (s) ，用OPT (I ) 表示。 12.1.1 给出的每一个最优化问题的例子都符合这个最优化的结构。例如，最大独立子集 问题。每一个问题实例都是一个图；图的解集都是由节点的所有子集组成，在每个子集中， 没有两个顶点是互相连接的。解的值就是在这个子集中的节点的个数。 尽管我们喜欢把这些最优化问题归于 NP-完全性问题，但是这个术语经常为决策(判定 问题) 问题所保留。所以，我们用NP-难这个概念来代替。 定义 5 如果一些其他的 NP-难问题能够在多项式的时间内解决，那这样的最优化问题称为 NP-hard 。 一般情况下，NP-hard 问题对应于决策问题，它的最优解 OP