近似算法

负载均衡问题

问题描述：有$m$个机器，$n$个任务，任务$j$的处理时间为$t_j$，每个任务只能在一台机器上连续工作，一台机器同一时间只能处理一个任务。
机器$i$的负载：$L[i]={\sum }_{j\in S[i]}{t}_j$，$S[i]$为分配给机器$i$的任务集合
工期：$L=ma{x}_{i}L[i]$
优化问题：寻找一个分配方案最小化工期
决策问题：是否存在一个分配方案使工期为$L$

负载均衡问题是NPH问题，让分割问题${\le }_p$负载均衡问题
构造思路：
任给分割问题的实例$v_1,v_2,\dots ,v_n$，我们构造3负载均衡的实例，即共有3台机器工作。任务$t_1=v_1,t_2=v_2,\dots ,t_n=v_n，t_{n+1}=\frac{1}{2}{\sum }_i{v}_i$。分割问题有解当且仅当3-负载均衡问题存在工期为$\frac{1}{2}{\sum }_i{v}_i$的分配方案。

①负载均衡的2倍近似算法
贪心思路：不用排序，将任务分配给当前工期最小的机器上
两个结论

• 最优工期$L^{\ast }\ge ma{x}_j{t}_j$（总有一个机器要处理这个最大时间的任务）
• 最优工期$L^{\ast }\ge \frac{1}{m}{\sum }_j{t}_j$（最优工期大于等于绝对平衡工期）

2倍近似度证明：

设机器$i$是瓶颈机器(则$L[i]$为贪心解)，任务$j$是最后一个在机器$i$上调度的任务（在调度前，机器$i$的工期是最小的）
$L[i]-t_j\le L[k]$，对任意$1\le k\le m$

$L[i]-t_j\le \frac{1}{m}{\sum }_{k}L[k]=\frac{1}{m}{\sum }_j{t}_j\le L^{\ast }$

$L=L[i]=(L[i]-t_j)+t_j\le 2L^{\ast }$

2倍界是紧的，我们可以构造一个例子，最大极限为2。
如：$m$个机器，m(m-1)个长度为1的任务，1个长度为$m$的任务


极限：$$li{m}_{m\to \infty }\frac{2m-1}{m}=2$$

②负载均衡的$\frac{4}{3}$倍近似算法
贪心思路：按照处理时长由大到小排序，将排序后的任务依次分配给当前工期最小的机器上。
我们只证明该算法是$\frac{3}{2}$倍近似的

• 如果瓶颈机器只有一个任务，那么我们的算法得到的分配方案是最优的
• 如果瓶颈机器有两个及以上个任务（说明每个机器都至少有一个任务，不然需把瓶颈机器最后一个任务安排到空机器上），则$L^{\ast }\ge 2t_{m+1}$（瓶颈机器至少要做两个任务，两个任务的时间总和$\ge 2t_{m+1}$）

于是我们只需证明在瓶颈机器有两个及以上个任务时，得到的解是$\frac{3}{2}$倍近似的即可
仍设任务$j$是瓶颈机器$i$最后处理的任务，在瓶颈机器有两个及以上个任务时，$t_j\le t_{m+1}$，$L^{\ast }\ge 2t_{m+1}\ge 2t_j$，$t_j\le \frac{1}{2}{L}^{\ast }$

因此：$L=L[i]=(L[i]-t_j)+t_j\le \frac{3}{2}{L}^{\ast }$

$\frac{3}{2}$倍近似不是紧的，$\frac{4}{3}$倍近似才是紧的，例子如下：
$m$个机器，$n=2m+1$个任务，长度为$m,m+1,\dots ,2m-1$的任务各两个，长度为$m$的任务1个。
$$\frac{L}{L^{\ast }}=\frac{4m-1}{3m},li{m}_{m\to \infty }\frac{4m-1}{3m}=\frac{4}{3}$$

中心选择问题

问题描述：给定$n$个站点，寻找$k$个中心，每个站点距自身最近中心的距离为$dist(s_i,C)$，问一种中心选择方案，使最大的$dist(s_i,C)$尽可能的小。

几个符号标注：
$dist(x,y)$：站点$x$和$y$之间的距离
$dist(s_i,C)=mi{n}_{c\in C}dist(s_i,c)$：$s_i$到其最邻近中心的距离
$r(C)=ma{x}_{i}dist(s_i,C)$：最小覆盖半径

贪心策略：选择与当前存在的一系列中心最远的站点作为下一个中心（一开始随机选一个站点作为中心集合的第一个点）
启发式思想：每个站点尽可能分离，覆盖范围尽可能的分离，有效利用覆盖半径。

证明该算法是一个二倍近似算法，即$r(C)\le 2r(C^{\ast })$

反证法，假设$r(C^{\ast })<\frac{1}{2}r(C)$

• 对于贪心选择的中心$c_i\in C$，考虑其半径为$\frac{1}{2}r(C)$的区域
• 在每个区域中有且仅有一个最优中心$c_i^{\ast }$（若区域中不存在最优中心，则找到一个站点与最优站点距离大于$\frac{1}{2}r(C)$，与假设矛盾；若存在两个以上，则一定有一个区域不存在最优中心），令贪心解$c_i$与$c_i^{\ast }$对应。
• 取任意站点$s$，$c_i^{\ast }$为站点$s$在最优解中的最近中心，$dist(s,C)\le dist(s,c_i)\le dist(s,c_i^{\ast })+dist(c_i,c_i^{\ast })\le 2r(C^{\ast })$

因此：$r(C)\le 2r(C^{\ast })$
除非$P=NP$，否则中心选择问题不存在2倍近似度以下的算法

带权顶点覆盖问题

问题描述：在顶点覆盖的条件下，满足所选顶点总权重之和最小

①竞价法
给每个边赋予一个价格$p_e\ge 0$，任意顶点的权重大于等于与其邻接的所有边价格总和：
$$\sum _{e=(i,j)}{p}_e\le w_i$$
公平引理：对于任意顶点覆盖集合$S$和任意公平价格$p_e$，有${\sum }_e{p}_e\le w(S)$

贪心策略：只要存在一条边$e(i,j)$其两个端点都未饱和，则增加该边的价格，直到其中一个端点饱和为止。重复上述操作，直到找不到满足上述的边为止。

证明竞价法是一个二倍近似算法：
令$S$为贪心算法终止时，所有饱和顶点的集合，易得$S$为一个顶点覆盖（反证，如果某条边没有被覆盖到，则其两个端点都未饱和，算法不会终止）
证明关键：${\sum }_{e\in E}{p}_e\le w(S^{\ast })$

②线性规划方法近似
带权顶点覆盖问题可以转化为整数线性规划问题

顶点覆盖问题$\iff$带权顶点覆盖（权重设为1）$\iff$整数线性规划（$w_i=1$）
如果我们能多项式时间解整数线性规划，则我们能多项式时间解带权顶点覆盖问题，但是整数线性规划是$NPH$的，而一般线性规划可以多项式时间求解，因此我们用一般线性规划去近似整数线性规划的解。
证明线性规划的解取整是2倍近似的

设$x$是线性规划的最优解，集合 S = { i ∈ V : x i ≥ 1 2 } S=\{i\in V:x_i\geq \frac{1}{2}\} S={i∈V:xi​≥21​}是一个顶点覆盖，且权重不超过最优顶点覆盖权重的2倍

• 证明集合$S$是一个顶点覆盖：对任意一条边$(i,j)$，由于$x_i+x_j\ge 1$，因此至少有一个值$\ge \frac{1}{2}$，即至少有一个端点在集合$S$中，因此集合$S$是一个顶点覆盖。
• 集合$S$权重不超过最优顶点覆盖权重的2倍：
  $$\sum _{i\in S^{\ast }}{w}_i{x}_i^{\ast }\ge \sum _{i\in S}{w}_i{x}_i\ge \frac{1}{2}\sum _{i\in S}{w}_i$$

中间项为没有整数限制的一般线性规划的解（没有近似的），最后一项表示近似后的权重和
除非$P=NP$，不然没有近似度<1.3606的算法，即使所有权重都设为1

一般化的负载均衡

问题描述：增加了任务只能在授权机器上进行处理，仍然是一个任务只能在一台机器上连续工作，求最小化工期的任务分配方案
一般化的负载均衡可以与整数线性规划等价，当用一般线性规划近似时，问题含义会发生变化，即一个任务可以分成多片在不同授权机器上运行
$x_{ij}$表示机器$i$处理任务$j$所用的时间

根据上述一般线性规划的解$x$，我们可以构造一个无环图$G$。如果$G$有环，我们也可以通过流转换的形式，将其转换成一个等价的无环图的形式。
构造思路：选任意一个机器作为根节点，若$x_{ij}>0$，则机器$i$和任务$j$之间存在一条边。
从上述无环图中，我们按照以下规则得到近似的分配方案（相当于线性规划的取整操作）：

• 如果任务$j$是叶子节点，则将其分配给父亲节点的机器$i$（相当于单授权节点）
• 如果任务$j$是非叶子节点，则将其分配给它随机的一个孩子节点机器（相当于可多授权节点）

两个事实：

• 任意一个任务的处理时长小于等于最优工期，即$t_j\le L^{\ast }$，因为$t_j\le ma{x}_j{t}_j\le L^{\ast }$
  因为最大时间的任务总要被某个机器处理，工期至少为最大时间的任务
• 叶子节点，表示能够处理该任务的机器只有一台，因此线性规划对应的解$x_{ij}=t_j$，因为需要满足${\sum }_i{x}_{ij}=t_j$，且只有一项参与求和。

对于叶子结点：

对于非叶子节点：

综上全局负载：$L_i\le 2L^{\ast }$

补充：通过流思想将有环图转化成无环图
将$x_{ij}$看成任务$j$流向机器$i$的流，任务指向机器的链路容量设置为$\infty$，机器节点到宿点的链路容量设置为$L$，即最大工期。每个任务节点$j$的出口流量之和为$t_j$，最终流入宿点的总流量为${\sum }_j{t}_j$

如果存在环，则删除环中的一条边，调整流量（二部图抵消原则）依然满足原线性规划的约束，知道图中不存在环为止。

运行时间：
对于线性规划而言，我们需要$x_{ij}$和$L$，因此一共$mn+1$个变量。
对于流网络而言，我们需要$m+n+1$个节点，然后运行流算法

01背包问题

两种思路：

• 枚举物品集合、重量上限下的最大价值，一直枚举到$n$个物品和最大重量，此时对应的最大价值为目标解
• 枚举物品集合、价值下限下的最小重量，一直枚举到$n$个物品和满足重量约束下的最小价值，此时对应的价值为目标解

①状态转移方程

最大能达到的重量为$W$，最优的时间复杂度为$O(nW)$

②状态转移方程

最大能达到的价值数为$n{v}_{max}$，因此计算复杂度为$O(n^2{v}_{max})$

针对目标②我们给出相应的近似算法：
近似原则：

• $0<ϵ<1$：定义为近似程度
• $v_{max}$是$n$个物品中最大的价值
• $\theta$是放缩因子，是跟近似程度正相关的参数，定义为$\theta =\frac{ϵv_{max}}{2n}$，形象理解为含$k$个0近似的大整数，$k$越大越粗糙，精度损失越大。
• 若原物品价值为$v_i$，则近似价值为$\overline{v_i}=\lceil \frac{v_i}{\theta }\rceil \theta$，缩小相同倍数得到等价价值$\lceil \frac{v_i}{\theta }\rceil$

我们的近似算法相当于对大价值数进行向上凑整，因此恰好等于重量约束时，会比最优解的价值总和大一些，当然比非最优解大更多。大的程度跟凑整时的近似程度有关。下式非常直观：表示近似物品价值向上凑整后大于任意可行解（最优解是可行解中最大的那个，可以直接替换成最优解）。其中的价值都是没有近似的价值，近似算法得到的只是一个物品集合，不修改原价值：
$$(1+ϵ)\sum _{i\in S}{v}_i\ge \sum _{i\in S^{\ast }}{v}_i$$

证明过程关键步骤在如何替换$\theta$（$\theta$的定义）以及如何替换$v_{max}$（任意解集合只放最大价值物品带入不等式）

近似算法时间复杂度
原先复杂度为$O(n^2{\hat{v}}_{max})$，又${\hat{v}}_{max}=\lceil \frac{v_{max}}{\theta }\rceil =\lceil \frac{2n}{ϵ}\rceil$，因此最优的时间复杂度为$O(\frac{n^3}{ϵ})$