Network Flows Theory, Algorithms, and Applications 3.3节

          本节内容来源于Network Flows Theory, Algorithms, and Applications3.3节，主要介绍获得解决网络流问题的多项式时间算法（developing polynomial-time algorithms）的四种方法。

1. 几何改进法（geometric improvement approach）

        如果一种算法在每次迭代中改进目标函数的值和当前目标函数值与最优值的差成比例，则此算法是多项式时间算法。

        定理：在一个最小化目标函数值的问题中，假设是第k次迭代后的目标函数值，z*是最小目标函数值（最优值），且此算法可保证在每次迭代中满足：

        其中0<α<1。那么这个算法是多项式时间算法，终止于O((log H)/a)次迭代。上述定理可以简要概括为：具有几何收敛速度的算法是多项式时间算法。

2. 缩放法（scaling approach）

        图1 位缩放法实例（bit-scaling technique）

        如图所示，（a）图为一个带有容量的网络，（b）图为该网络的二进制表示，（c）到（e）即演示了缩放法的过程。将一个问题P参数化地按照一系列问题P1，P2，...，Pk来解决：P1是最重要的一位（第一位，如图（c）），P2是最重要的前两位（如图（d）），以此类推。对于P2，P3，...，Pk来说，将前一个问题的最优解作为本问题的起始解。

        由于①第一个问题P1是易于解决的 ②Pk-1的最优解是解决Pk的良好开端 ③我们要解决的再优化问题数目是O(log C)或O(log U)，缩放法在应用中可以取得很好的效果。

        典型位缩放算法如下：

图2 位缩放法算法

3. 动态规划法（dynamic programming approach）

        动态规划问题由“状态”和“阶段”两部分构成。典型的动态规划问题是背包问题（knapsack problem）。关于此问题的详细论述，本处略去。

4. 二分搜索（binary search approach）

        搜索时从数组中间元素开始，如果中间元素正好是要查找的元素，则搜索过程结束；如果中间元素大于或者小于要查找的元素，则在数组中大于或者小于查找元素的一半中继续查找，重复这个过程直到找到这个元素，或者这一半的大小为空时则代表找不到。这样，每一次比较都使得搜索范围缩小一半。