!第9章 近似算法.ppt

* 在算法greedySetCover中，集合U用于存放在每一阶段中尚未被覆盖的X中元素。集合C包含了当前已构造的覆盖。算法的循环体是整个算法的主体。在该循环体中。首先选择F中覆盖了尽可能多的未被覆盖元素的子集S。然后，将U中被S覆盖的元素删去，并将S加入C。算法结束时，C中包含了覆盖X的F的一个子集族。例如，对于图9-3 中的例子，算法greedySetCover依次选出自己S1,S4,S5和S3构成子集族。 算法greedySetCover的循环体最多执行min{|X|,|F|}次。而循环体内的计算显然可在O(|X||F|)时间内完成。因此，算法的计算时间为O(|X||F|min{|X|，|F|})。由此即知，greedySetCover 是一个多项式时间算法。 * 从图9-3所给的例子可以看出，算法greedySetCover得到的只是集合X的近似最优覆盖。下面进一步考虑算法greedySetCover的性能比。为方便起见，用H(d)记第d级调和数，即 。用这个记号，可以证明算法greedySetCover 的性能比为 。 证明过程如下。对于每一个由算法greedySetCover选出的集合赋予其一个费用，并将这个费用分布于初次被覆盖的X中的元素上。然后，再利用这些费用导出所需要的算法greedySetCover 的性能比。设Si表示由算法greedySetCover 的while 循环所选出的第i个子集。在算法将Si加入子集族C时，赋予Si一个费用1，并将这个费用平均地分摊给Si中刚被覆盖的X中的元素，即 中的元素。 * 对每个x∈X,用Cx表示元素x摊到的费用。注意，每个元素x 在它第一次被覆盖时得到费用Cx，且只得到一次，以后不再得到费用。若第一次被集合Si覆盖，则 算法终止时，得到子集族C，其总费用为|C|。这个费用分布于X中的各元素上，即 。由于X的最优覆盖C*也是X的一个覆盖，故 C*的子集族覆盖了X中的所有元素，而每个子集所覆盖的元素有可能交叉 * 稍后还将证明，对于子集族F中任一自己S，有 由此可得： 由此即知算法greedySetCover的性能比为： 适当放大 * 下面回来证明 对于任一F中的集合S∈F以及i=1,2,…,|C|，设 是算法选择了S1,S2,…,Si后，S中尚存的未被覆盖元素的个数。岂知能够，u0定义为初始时S中未被覆盖的元素的个数，即u0=|S|。进一步设k是数列u0,u1,,u2,…中第一个等于0的下标。那么，S中的元素被集合S1,S2,…,SK所覆盖，且ui-1≥ui，S中有ui-1-ui个元素被Si第一次覆盖，i=1,2,…,k。由此可得： * 由算法的贪心选择性质可知，S所覆盖的新元素不会比Si多，否则算法将选择集合S而不是Si。因此， |Si-(S1∪S2∪…∪Si-1)≥|S-(S1∪S2∪…∪Si-1)|=ui-1 由此可知， 对于任意正整数a和b, 且a<b, 容易证明： 利用这个不等式得到： 这里S表示任一集合 * 这就是要证明的不等式。 容易证明对于任一正整数n有H(n)≤ln n+1。由于 * 故 。因此，也可以说，算法greedySetCover的性能比为ln|X|+1 。 在许多实际应用中 是一个小常数，因此，在这种情况下，由算法greedySetCover计算出的近似最优集合覆盖的大小只不过是最优集合覆盖的大小的一个小常数倍。例如，当一个图的顶点度数最多为3时，用算法greedySetCover解关于这个图的顶点覆盖问题，可得到一个近似最优的顶点覆盖，其性能比为H(3)=11/6。这比算法approxVertexCover得到的结果稍好些。 9.5 子集合问题的近似算法 * 问题描述：设子集和问题的一个实例为〈S,t〉。其中，S={x1，x2，…，xn}是一个正整数的集合，t是一个正整数。子集和问题判定是否存在S的一个子集S1，使得 。 该问题是一个NP完全问题。在实际应用中，常遇到最优化形式的子集和问题。在这种情况下，要找出S的一个子集S1，使得其和不超过t， 又尽可能地接近t。 9.5.1 子集合问题的指数时间算法 设L是一个由正整数组成的表，x是另一个正整数。用L+x表示对表L中每个整数加上x后得到的新表。例如，若L=<1,2,3,5,9>,则L+2=<3,4,5,7,11>。 对于整数集合S，也用记号S+x表示集合S中每个元素都加上x，即S+x={s+x|