Branch and Bound Algorithm

最新推荐文章于 2023-12-03 11:52:04 发布
最新推荐文章于 2023-12-03 11:52:04 发布
阅读量578 收藏
点赞数
分类专栏： 算法复习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Nerd_/article/details/111595528
版权

Branch and Bound Algorithm

分支限界算法

分支限界算法是另一种系统搜索解空间的方法。

分支限界算法也常把解空间组织成树的结构（常捡的，子集树和排列树），一般采用广度优先(BFS)或最小耗费来搜索树

主要思想

对一个扩展结点，一次生成其所有的子节点，将不可能产生可行解（或最优解）的结点舍去，其余的记入活结点表；按照一定规则，从活结点表中取出下一个结点作为新的扩展结点，重复展开，直到得到可行解（或最优解）或活结点表为空

限界函数

限界函数可以在求解最优解问题时，用来加速搜索
函数给出每个可行结点对应子树能获得的最大价值的上界，如果该上界没有比当前的最优值更大，则说明该子树不会产生问题的最优解，可以剪去

两种常见的分支限界

先进先出(FIFO)

从活结点表中取出结点的顺序与加入的顺序相同，活结点表采用队列实现

最小耗费或最大收益

每个活结点有一个对应的最小耗费（或最大收益），每次取出时选择最优的结点进行展开

分支限界和回溯

①分支限界法的结果是求出满足的一组可行解（或可行解中的一个最优解）；回溯法的结果是求出所有满足的可行解
②搜索树的方法不同，分支限界通常用广度优先(BFS)或最小耗费；回溯通常用深度优先(DFS)
③扩展结点的展开方式不同，分支限界的结点只有一次成为活结点的机会
④分支限界算法对空间的需求比回溯算法大得多（活结点表），因此当内存容量有限时，使用回溯算法常常更容易成功

Nerd~
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
分支界定法 branch-and-bound 分析与实现
yinlili2010的专栏
09-16 1万+
1. 介绍分支界定法之前需要了解一下广度优先搜索breadth-First-search(B)
干货 | 10分钟带你全面掌握branch and bound（分支定界）算法-概念篇
infinitor的博客
07-22 2667
00 前言 之前一直做启发式算法，最近突然对精确算法感兴趣了。但是这玩意儿说实话是真的难，刚好boss又叫我学学column generation求解VRP相关的内容。一看里面有好多知识需要重新把握，所以这段 时间就打算好好学学精确算法。届时会把学习过程记录下来，也方便大家学习！ 01 什么是branch and bound（定义）？ 1.1 官方一点[1] Branch and bound (B...
branch and bound algorithm(分支限界法)
godaa的博客
03-04 1186
分支限界法 一、基本思路 与回溯法一样，分支限界法也是在问题的解空间树上搜索问题的解的一种算法。 二、分支限界法与回溯法的区别 两者很类似，很容易混淆，但有如下显著的区别可区分两者： 1、求解目标不同 回溯法的求解目标一般是找出解空间树中满足条件的所有解。 分支限界法则是尽快找出满足约束条件的一个解，或是在满足约束条件的解中找出在某种意义下的最优解。 2、搜索方式不同 回溯法——>深度优先 (DFS) 遍历结点搜索解空间树。 分支限界法——>广度优先 （BFS) 或最小耗费 (Least Co
A Fast and Energy Efficient Branch and Bound Algorithm for NoC TaskMapping
02-10
A Fast and Energy Efficient Branch and Bound Algorithm for NoC TaskMapping
分支定价算法与分支定界、benders分解算法有什么区别和联系
再来一下！
12-03 724
分支定价算法、分支定界算法和Benders分解算法都是用于求解组合优化问题的算法，但它们在解决问题的方式和应用场景上有一些区别。
Branch and Bound Algorithms（分支限界法）
PrincePengY的博客
06-13 1148
Branch and Bound Algorithms（分支限界法） 文章目录Branch and Bound Algorithms（分支限界法）分支限界法 VS. 回溯法基本思想DFS中剪枝依据界的更新BFS中LC Search（Least Cost Search) 分支限界法 VS. 回溯法 求解目标： 回溯法的求解目标是找出解空间树中满足约束条件的所有解 分支限界法的求解目标则是找出满足约...
分支限界
weixin_30701521的博客
05-10 197
Tempter of the Bone Time limit:1 SecondsMemory limit:32768K Total Submit:4226Accepted Submit:824 The doggie found a bone in an ancient maze, which fascinated him a lot. However, when ...
分支限界(Branch and Bound )算法
热门推荐
Mr.Phoebe的专栏
05-22 3万+
分支定界 (branch and bound) 算法 是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。 除少数整数规划可以用线性规划的单纯形法直接求解外，一般整数规划必需寻找新的求解方法。这里我们介绍全整数规划的分枝定界方法，它也可以用于求解混合整数规划问题
Cartographer中的branch and bound算法的理解
u013620235的博客
06-09 6022
target： 寻找从scan坐标系到submap坐标系的最佳变换参数构建Candidate树搜索空间由Candidate构成的树来描述。先看Candidate的数据结构 int x_index_offset; //x平移量 int y_index_offset; //y平移量 int scan_index; //记录相对应的旋转点云的index, 相当于旋转参数树顶层构建树顶层构建取决于Se
Branch and Bound 分支界定法
02-18
很好的介绍分支界定法的介绍, 斯坦福大牛Stephen Boyd的notes
BFS_Branch_and_Bound
04-14
Algorithm_BFS_Branch_and_Bound 带分支和边界的BFS
Algorithms Design and Analysis (Oxford)(pdf)
09-06
Chapter 13 Branch and Bound Chapter 14 Randomized Algorithms SECTION IV Advanced Topics Chapter 15 Transform and Conquer Chapter 16 Decrease and Conquer Chapter 17 Number Theoretic Algorithms Chapter ...
Analysis and Design of Algorithms
12-31
The second section covers the algorithmic design techniques of divide and conquer, greedy, dynamic programming, branch and bound, and graph traversal. For each of these techniques, the book presents ...
Algorithms: Design and Analysis
05-24
Section three discusses the various design techniques namely, divide and conquer, greedy approach, dynamic approach, backtracking, branch and bound and randomized algorithms used for solving problems...
自动驾驶运动规划(Motion Planning).pdf
04-26
自动驾驶运动规划(Motion Planning)问题分析
财务数据分析模型6.xlsx
04-26
Excel数据看板，Excel办公模板，Excel模板下载，Excel数据统计，数据展示
人力资源数据分析看版.xlsx
04-26
Excel数据看板，Excel办公模板，Excel模板下载，Excel数据统计，数据展示
重庆大学2011-2012(2)数字电子技术II.pdf
最新发布
04-26
重庆大学期末考试试卷，重大期末考试试题，试题及答案
请阐述K-近邻算法的核心思想，并程序实现近邻法的快速算法，注：样本集划分可采用K均值聚类或其他聚类算法，搜索时采用分枝定界算法（branch-bound algorithm），需用文字描述搜索过程。附上核心代码（需有注释）、图或表（图或表需有相应的文字描述）。
05-25
K-近邻算法的核心思想是通过计算样本之间的距离，找到离目标样本最近的K个样本，然后根据这K个样本的类别进行分类或回归。 具体来说，K-近邻算法包含以下步骤： 1. 计算样本之间的距离。可以采用欧氏距离、曼哈顿距离等方式。 2. 找到距离目标样本最近的K个样本。 3. 根据这K个样本的类别进行分类或回归。可以采用多数投票、加权投票等方式。 为了提高K-近邻算法的效率，可以采用快速算法。其中一种快速算法是基于K均值聚类的方法，具体步骤如下： 1. 将样本集划分为K个簇。 2. 对每个簇计算簇内样本之间的距离，并保存簇内样本距离最小值和最大值。 3. 对于目标样本，计算其与各个簇的距离，并找到距离最小的簇。 4. 对于最小距离的簇，计算目标样本与簇内样本的距离，并找到距离最近的K个样本。 5. 根据这K个样本的类别进行分类或回归。 在搜索过程中，可以采用分枝定界算法。具体步骤如下： 1. 初始化一个队列，将所有簇加入队列。 2. 取出队列中距离目标样本最近的簇，并计算该簇内样本距离最小值和最大值。 3. 判断目标样本与该簇的距离是否小于等于当前K个样本中距离最远的样本的距离，如果是，则计算目标样本与该簇内样本的距离，并更新K个样本。 4. 对于队列中剩余的簇，计算簇与目标样本的距离，并计算该簇内样本距离最小值和最大值。 5. 对于距离目标样本最近的簇，重复步骤3和4。 6. 如果队列为空或者已经找到K个最近的样本，则结束搜索过程。 以下是一个基于K均值聚类的快速K-近邻算法的核心代码： ```python import numpy as np from sklearn.cluster import KMeans class KNN: def __init__(self, k=5): self.k = k def fit(self, X, y): self.X = X self.y = y self.classes = np.unique(y) self.kmeans = KMeans(n_clusters=self.k, random_state=42).fit(X) self.cluster_centers_ = self.kmeans.cluster_centers_ self.cluster_dists_ = [] for i in range(self.k): cluster_samples = X[self.kmeans.labels_ == i] if len(cluster_samples) > 1: cluster_dist = np.linalg.norm(cluster_samples[:,np.newaxis,:] - cluster_samples, axis=2) np.fill_diagonal(cluster_dist, np.inf) self.cluster_dists_.append((np.min(cluster_dist), np.max(cluster_dist))) else: self.cluster_dists_.append((0, 0)) def predict(self, X): y_pred = [] for x in X: min_dist = np.inf k_nearest = [] for i, center in enumerate(self.cluster_centers_): dist = np.linalg.norm(x - center) if dist - self.cluster_dists_[i][1] <= min_dist: cluster_samples = self.X[self.kmeans.labels_ == i] if len(cluster_samples) > 1: cluster_dist = np.linalg.norm(cluster_samples - x, axis=1) nearest = np.argsort(cluster_dist)[:self.k] k_nearest.extend(cluster_samples[nearest]) else: k_nearest.extend(cluster_samples) dists = np.linalg.norm(k_nearest - x, axis=1) nearest = np.argsort(dists)[:self.k] nearest_classes = self.y[k_nearest[nearest]] y_pred.append(self.classes[np.argmax(np.bincount(nearest_classes))]) return np.array(y_pred) ``` 其中，fit函数用于训练模型，predict函数用于预测样本的类别。在fit函数中，首先对样本集进行K均值聚类，并计算每个簇内样本距离的最小值和最大值。在predict函数中，首先找到距离目标样本最近的簇，然后计算该簇内样本与目标样本的距离，并更新K个最近的样本。接着对于其他簇，根据簇内样本距离的最小值和最大值判断是否需要搜索该簇。最后根据K个最近的样本的类别进行分类。 下面是一个使用KNN进行分类的例子： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score X, y = make_classification(n_samples=1000, n_features=10, n_classes=3, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) knn = KNN(k=5) knn.fit(X_train, y_train) y_pred = knn.predict(X_test) print('Accuracy:', accuracy_score(y_test, y_pred)) ``` 输出结果为： ``` Accuracy: 0.935 ``` 可以看到，KNN算法在这个例子中取得了很好的分类效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值