k-中心问题

首先，我们通过给出一个实例来讲述一下什么是k-中心问题？

       给定一个城市集合以及城市间的距离，从中选取k个城市来设置仓库，使得各城市与离它最近的仓库的距离中的最大者达到最小。（此类问题就称为k-中心问题）

如下图所示：

仓库：C   F    城市：A  B  D  E

A   距离C仓库最近  距离为5

B   距离C仓库最近  距离为15

D   距离F仓库最近  距离为4

E    距离F仓库最近  距离为9

各城市最近仓库距离中的最大值为15

 

本章研究的是k-中心问题以及它在边费用满足三角不等式限制下的加权形式。（重要前提：P≠NP）

问题：

以之前的城市-仓库为例，S为城市，V为仓库，connect(v,S)为最近距离，max{connect(v,S)}为各城市最近仓库距离中的最大值15。现在想要的是最小化该最大值15.

一、参数模型剪枝（Parametric pruning）应用于度量k-中心

首先，我们来介绍一下关于剪枝的概念（参考https://www.cnblogs.com/fusiwei/p/11759489.html）：

          以深度优先遍历为例，从起始节点开始深搜，若要完全遍历，则需要搜索所有的节点。但是在解决实际问题的过程中，我们往往可以发现，有一些点和它们的子节点显然不符合题意，压根就没必要进行搜索。那么我们就在算法中加入一个判断条件，使得这棵子树在搜索的时候不会被进入，以此优化时空复杂度。因为这个优化的技巧非常像在树上砍冗余的枝条，所以起了一个名字叫做：剪枝。

支配集（dominating set）：

          对于图G = (V, E) 来说,支配集指的是从顶点集 V 中取一些点组成一个集合,使得 V 中剩余的点都与取出来的点中的某个点有边相连.也就是说,设 D 是图的一个支配集,则对于图中的任意一个顶点 u ,要么属于集合 D, 要么与 D 中的顶点相邻.

最小支配集（minimum dominating set ）：

          称G 的所有支配集中顶点个数最少的支配集为最小支配集,最小支配集中的顶点个数称为支配数.如下图：

（C，D）（C，D，E）等等都是支配集，也是最小支配集

 

图的平方（ square of graph）：

        若无向图H中u，v之间（u≠v）存在长度不超过2的路，则H的平方包含边（u，v）.如下图所示：

 

下面介绍k-中心算法：

算法思想：将图G中的边按cost大小从小到大进行排序，然后从中找到一个最小的i，使得Gi有一个大小至多为k的支配集（这里的k个支配集可以理解为一开始的城市问题中的设置了仓库的城市集合，其余城市和支配集中的城市有路连接）。

 

                M1={B，C，D}（不唯一）                                  M2={A，B}                                                  M3={A}或{B}或{C}或{D}                                 M4={A}或{B}或{C}或{D}

所以，取M3即可，即最优解为{A}或{B}或{C}或{D}（假设k=1）

具体证明详见《近似算法》第44-45页。

二、加权形式

除了边集上的费用函数外，还给定顶点集上的权函数和界限

得到了下面的改进算法：

区别在于多了第三步和第四步（s(u)表示顶点u在图H中的权重最轻的邻接点）

 

具体证明参见《近似算法》第46-47页