Karp 21个规约问题 笔记 (1~13个规约问题)

0  证明格式

0.1 证明一个问题属于NP

0.2 多项式时间内将一个问题归约到另一个 

0.3 证明一个问题是NP完全的

0.4 要证明的规约

 1 SAT —> 0-1 整数规范

1.1 问题描述

 1.2 规约

 1.3 等价性证明

 2 SAT->CLIQUE

2.1 SAT->3SAT->independent set->clique

MAS 714 笔记20:规约和SAT_UQI-LIUWJ的博客-CSDN博客

MAS 714笔记: NP完全问题_UQI-LIUWJ的博客-CSDN博客

2.2 规约过程

 想象成3SAT->independent set 构造的图的补图

2.3 证明等价性

 3 clique -> Set packing

 3.1 clique->independent set->set packing

MAS 714 笔记20:规约和SAT_UQI-LIUWJ的博客-CSDN博客

MAS 714笔记: NP完全问题_UQI-LIUWJ的博客-CSDN博客

        每个集合对应一个点。如果两个集合有交集,那么这两个集合对应的点在图上有连边。找k个independent set等价于k个互不相交的集合

3.2 规约

3.3 等价性证明 

 4 Clique ->vertex cover(node cover)

4.1 clique->independent set->vertex cover

MAS 714 笔记20:规约和SAT_UQI-LIUWJ的博客-CSDN博客

MAS 714笔记: NP完全问题_UQI-LIUWJ的博客-CSDN博客

4.2 规约过程

这里一步到位,clique->independent set是图变成补图,点不变;independent set 到 node cover是点变成补的点,图不变

4.3 证明等价性

5 node cover->set cover

MAS 714笔记: NP完全问题_UQI-LIUWJ的博客-CSDN博客 4.3

6 node cover ->feedback node  set

6.1 问题描述

 6.2 规约过程

 将一条无向边转化成两个方向的有向边

6.3 等价性证明

 7 node cover->feedback  arc set

7.1 问题描述

7.2 规约过程

大致思路和6差不多,唯一不同的是,6中要求的是,我没构造出来的一个有向环,对应的是一个点。而这里要求的是对应一条有向边,那么怎么对应呢?我们就构建一个如下的内容:

 

 7.3 证明等价性

 8 node-cover—>directed Hamilton circuit

这个比较繁琐,略过,可以用3SAT->independent set->node-cover->->Hamiliton

MAS 714笔记: NP完全问题_UQI-LIUWJ的博客-CSDN博客

MAS 714总复习_UQI-LIUWJ的博客-CSDN博客

 

 

 9 有向哈密顿图-> 无向哈密顿图

9.1 规约方法

 

 9.2 等价性证明

 

 10 SAT->3SAT

MAS 714 笔记20:规约和SAT_UQI-LIUWJ的博客-CSDN博客

11 3SAT->Chromatic number

11.1 问题描述

后者即k-染色问题,相邻的两个点不能染同一种颜色。

11.2 规约过程

 以为例:

 

 11.3 等价性证明

11.3.1 3SAT->

 11.3.2 ->3SAT

 12 chromatic number -> clique cover

12.1 问题描述

12.2 规约问题 

 12.3 证明等价性

 13 chromatic number -> exact cover

13.1 问题描述

 13.2 问题规约

 13.3 证明等价性

13.3.1 ->

 13.3.2 <-

 

后续的可见

 0Reducibility among Combinatorial Problems问题之间的规约证明 - 百度文库 (baidu.com)

  • 4
    点赞
  • 50
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
旅行商问题(Traveling Salesman Problem, TSP)是一个经典的组合优化问题,通常用于模拟一个旅行者访问一系列城市并返回起点的最短路径问题Python是解决这类问题的理想语言,因为它有丰富的数学库和算法实现。 在Python中,我们可以使用以下方法来求解旅行商问题: 1. **贪心算法**:这是一种较为简单的策略,但结果可能不是最优的,比如 Kruskal 或 Prim 算法适用于找到图中的最小生成树,但不能直接应用到TSP。 2. **动态规划(Dynamic Programming, DP)**:适用于问题有重叠子问题且最优解由子问题构成的情况,但计算复杂度较高,如 Held-Karp 算法。 3. **遗传算法(Genetic Algorithm, GA)**:将旅行商问题看作一个搜索问题,通过模拟自然选择过程寻找解决方案,适合求解大规模问题。 4. **模拟退火算法(Simulated Annealing, SA)**:一种全局优化算法,通过一定的概率接受较差解,以避免陷入局部最优。 5. **蚁群算法(Ant Colony Optimization, ACO)**:受蚂蚁觅食行为启发,通过建立信息素浓度模型来搜索路径。 6. **精确算法**:如 Christofides 算法或 Lin-Kernighan-Helsgaun 改进算法,虽然它们不是完全精确,但对于较小规模问题仍有效。 7. **近似算法**:如 2-OPT、3-OPT、K-opt 等局部搜索方法,这些算法速度快但可能不是最优解。 为了在Python中实现,你可以使用 `networkx` 库来构建图,`scipy` 库进行计算,然后结合以上算法或使用专门的旅行商问题求解库,如 `ortools` 或 `concorde-tsp`。以下是基本的步骤: ```python import networkx as nx from ortools.constraint_solver import pywrapcp # 创建图 G = nx.Graph() # 添加节点和边 # ... # 转换为Google OR-Tools可处理的形式 problem = pywrapcp.LinearProgram() # 添加变量和约束 # ... # 设置目标函数求最小化总距离 # ... # 运行优化器求解 solver = pywrapcp.Solver('Traveling Salesman') solution = solver.OptimizeSolution() # 输出解 path = [node for node in solution.Value(sequence_var).Solution().Intervals()] ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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