高级算法设计分析-- Max-SAT（随机算法>近似算法）

最新推荐文章于 2025-04-08 16:32:27 发布

执笔论英雄

最新推荐文章于 2025-04-08 16:32:27 发布

阅读量6.9k

点赞数 5

分类专栏：数学

本文链接：https://blog.csdn.net/qq_38662930/article/details/105143712

版权

数学专栏收录该内容

40 篇文章

订阅专栏

探讨了MAX-SAT问题的解决策略，包括利用条件期望的随机化算法和基于线性规划松弛与舍入的近似算法，展示了两种方法如何在理论上达到一定的近似比。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

笔记来源：高级算法设计（孙晓明老师部分）
https://en.wikipedia.org/wiki/Maximum_satisfiability_problem#Weighted_MAX-SAT
随机算法在近似算法中的应用
本节问题可能利用条件期望去随机化，将随机化算法转化为近似算法，也可以利用LP+rounding+ 条件期望去随机化

1. MAX-SAT定义

在这里插入图片描述

SAT，NP问题是否存在一系列变量的取值为真或假使得给定句子为真，SAT不身是不可判定的问题。

MAX-SAT，输入是一系列析取表达式，存在n个变量，m个子句，每一个子句合取表达式在这里插入图片描述
输出是最大化可以取真的子句的数量，n个变量可以为真，也可以为负。

2. MAX-SAT 求解

希望作一个近似算法，求出的值 $A$ 尽可能的接近最优的最大值 $O P T$ ,使其比值 $A / o p t$ 尽可能为1。

2.1 条件期望去随机化近似算法

先设计一个不太差的随机算法，然后再去随机化：设计0-1变量 $X_i$ ,将 $X_1,\dots,X_n$ 随机赋值。，求出期望能满足的子句个数 $E (Y ）$
在这里插入图片描述
$Y_i对应子句C_i,如果子句C_i为真，则Ｙ_i=1$

例如表达式

而每个子句期望或者说为真的概率与子句中变量有关，变量个数越多，则对应的概率越高。

因此对于3SATR,，则对应的E(Y)/opt可以达到一个7/8的近似。
在这里插入图片描述
对于混合的SAT通过不同的权重都可以获得一个比较高的E(Y)
接下来可以通过去随机化获得一个较好的近似算法

2.2 接下来考虑另外一种算法LP+rounding

思路转化：
在这里插入图片描述

2.2.1 MAX-SAT转化为ILP。

MAX-SAT 转化为ILP，两者是等价的，即整数线性规划的解 $y_{ILP}^{opt}$ 是精确解，这里没有采用近似，但是不易求解，因此松弛为线性规划，线性规划的解是近似的，且有 $y_{LP}^{opt}>y_{ILP}^{opt}$
在这里插入图片描述
将不同的变量用 $X_1\dots,X_n$ 表示，不同的子句对应一个变量 $y_i\{i=1,2,\dots,m\}$
如何将每一个子句用变量形式化表达？（1）代数化方法
ILP的目标
若将 $y_1$ 表示成这样的方式，约束条件不是线性规划了。
只要析取表达式中变量只要有一个是1 就是1，当所有变量为0 时，y为零，因此与以下等价
在这里插入图片描述

这就是如何将MAX-SAT 转化为等价的整数线性规划，

2.2.2 ILP转化为RLP。

将整数线性规划松弛为线性规划
在这里插入图片描述
椭球法和内敛法可以多项式时间复杂度内求解Relaxiation LP
由于松弛后可行域变大因此 $y_{LP}^{opt}>y_{ILP}^{opt}$ .我们希望 $y_{LP}^{opt}$ 能否大于 $\alpha y_{LP}^{opt}$ ,这样的话可以得到一个 $\alpha$ 近似（比值）

2.3 ·LP->LP+Rounding

用 $x_1^*,\dots,x_n^*,y_1^*,\dots,y_n^*,$ 表示松弛后的LP的解 $y_{LP}$ ，然后利用Rounding （随机舍入）方法由 $x_1^*,\dots,x_n^*,y_1^*,\dots,y_n^*,$ 出发得到一个最终的近似解 $x_1,\dots,x_n,y_1,\dots,y_n$ ,且有 $y\ge?y_{ILP}{opt}$

接下来求Rounding 后的解：设独立的随机变量 $X_i$ ,表示子句 $C_i$ 中的合取变量
目前已经求出了LP的解 $x_1^*,\dots,x_n^*$ 由于其属于0-1 之间，因此可以将其看作是 $X_i$ 取不同值的概率值，那么 $X_i$ 最终确定下来的值作为最后的解。具体来说，
在这里插入图片描述
将不同的子句用取值0-1 之间的随机变量表示，即每一个子句的取值都有0-1

在这里插入图片描述
那么 $Y=\sum Y_i$ 即为rounding 后的最终的近似解，以下这里求出它的期望的界。

2.3.1 求期望的界

怎样将其和 $y_1^*$ 联系起来呢，由均值不等式及约束条件在这里插入图片描述

一般的对于有k个变量的 $C_i$ 子句有下列式子成立

即我们将每一个 $y_i$ 与 $y_i^*$ 联系起来了

它是关于 $y_i^*$ 为变量的函数，其中这里的k是常数

可以令 $1-(1-\frac{y_i^*}{k})^k=f(y_i^*)$
$\frac{f(y_i^*)}{y_i*}$ 求导，当 $y_i^*=1$ 有极小值，并利用放缩求得
$f(y_i^*)\ge(1-(1-\frac{1}{k})^k)*y_i^*\ge(1-\frac{1}{e})*y_i^*$

之所以变成这样的形式，是为了求出先前提到的 $\alpha$
在这里插入图片描述
即做到0.63的近似，(LP是松弛后的结果，实际中比它大，因此这个界只会大于0.63)
在实际中当每个 $C_i$ 出现的变量不一致时，实际中，对于每个 $X_i$ 根据其出现次数作为权重进行概率赋值，而不是1/2，比如X_i 的补出现的次数比X_i出现的多，则 $P{X_i=1}<\frac{1}{2}$

上面近似算法利用LP+ rounding (随机舍入)求得一个不低于0.63的期望值，

因此可以通过条件期望去随机化，
求得一个 $Y=f(x_1,x_2,\dots,x_n)\ge E(Y)\ge0.63opt$
这里用到了条件期望去随机化算法的原理，可以参考之前的介绍

主要思路：还是逐个固定不同的变量，然后放缩

$\leq E(Y)=Pr(X_1=1)E(Y|X_1=1)+Pr(X_1=0)E(Y|X_1=0)=x_1^*\phi_{1,1}+(1-x_1^*)\phi_{1,0} \le \max(\phi_{1,1},\phi_{1,0})<\dots<\dots<E(Y|X_1=x_1,X_2=x_2,\dots,X_n=x_n)=f(x_1,x_2,\dots,x_n),$
其中的 $E(Y|X_1=x_1,X_2=x_2,\dots,X_i=x_i,X_{i+1},\dots,X_{n})的下界求法用上面的Rounding ,即类似于E(Y)下界的求解$