算法导论24-26、34-35章

单源最短路

问题描述:
给定带权重的有向图G=(V,E)和权重函数w，能够将每条边映射到实数值得权重上。
给定一个源点，希望求出它到所有节点的最小权重路径。

定义路径的权重：
该路径上所有边的权重之和

定义最短路径权重：

最短路径问题具有最优子结构：
即最短路径的子路径也是最短路径
本质上还是反证法的思想

负权重的边：
1.Bellman-Ford算法允许图中有负权环；并且能够检测负权回路的存在
2.Dijkstra算法要求边非负。

环路：
1、最短路径不能包含权重为负值的环——否则最短路径可能会导致－∞
2、最短路径不能包含权重为正值的环——如果包含这样的环，那么我们删掉这个环，可以得到一个更小的最短路径
因此，最短路径中没有环路，是简单路径。
因此，一条最短路径最多包含V个结点，|V|-1条边。

展示最短路：
需要为每个结点维持一个前驱结点Π，Π=NIL或为另一个结点。
由此，我们可以定义出$V_{\pi }和E_{\pi }$:

$G_{\pi }$是一棵最短路径树，包含了从源节点s到每个可以到的顶点的一条最短路径。
最短路径不一定是唯一的，最短路径树也不一定是唯一的。

松弛操作:
为每个结点维持另一个属性d，用来记录从s到该结点的最短路径权重的上界，称d为最短路径估计。
松弛：唯一导致最短路径估计d和前驱节点$\pi$发生变化的操作

Dijkstra：对每条边仅松弛一次
Bellman-Ford：每条边松弛|V|-1次

初始化：
为所有结点初始化d和$\pi$两个属性：

一些性质：

---

---

Bellman-Ford算法

允许权重为负值的边
通过对边进行松弛操作降低所有顶点的最短路径估计d，并更新$\pi$值，直到d=最短路径权重。
除此之外，算法会返回一个布尔值来表明图中是否存在负权环。

BELLMAN-FORD(G,w,s)
	INITIALIZE-SINGLE-SOURCE(G,s)
	for i = 1 to G.|V|-1	//因此最短路径的长度至多为|V|-1
		for each edge (u,v) ∈ G.E
			RELAX(u,v,w)
	for each edge(u,v) ∈ G.E	//检测负权环
		if v.d > u.d + w(u,v)
			return FALSE
	return TRUE

$T(n)=\Theta (V)+\Theta (E(V-1))+O(E)=O(V\cdot E)$

---

---

DAG算法

先对有向无环图进行拓扑排序，确定每个结点之间的一个线性次序。如果有u到v的一条边，那u的次序在v前面。
我们只需要按照拓扑排序对结点进行一遍处理，每次对一个节点进行处理时，对该结点发出的所有边进行松弛操作

DAG-SHORTEST-PATHS(G,w,s)
1	topologically sort the vertices of G
2	INITIALIZE-SINGLE-SOURCE(G,s)
3	for each vertex u,taken in topologically sorted order
4		for each vertex v that u adjacent to	//可以建立一个邻接数组，adj[u]
5			RELAX(u,v,w)

时间复杂度：

---

---

Dijkstra算法

要求所有边权重非负。
每次选择一个“最短”的路径——贪心算法

DIJKSTRA(G,w,s)
	INITIALIZE-SINGLE-SOURCE(G,s)	//初始化
	S = 空集
	Q = G.V		//始终满足Q=V-S
	While Q != 空集
		u = EXTRACT-MIN(Q)	//u是未加入结点中最小最短路估计
		S = S ∪ {u}
		//如果经过u的路径使s到v更短，则更新v的属性
		for each vertex v ∈ G.adj[u]
			RELAX(u,v,w)

Dijkstra算法的实现依赖于最小优先队列。
1.利用编号结点来维持最小优先队列：EXTRACT-MIN需要$O(V)$,搜索整个数组，$T(n)=O(V^2+E)=O(V^2)$
2.使用斐波那契堆实现最小优先队列：
EXTRACT-MIN需要$O(lgV)$，$T(n)=O(VlgV+E)$

---

---

所有结点最短路

不再给出源点，需要求所有结点对之间的最短路径，实际上就是|V|次单源最短路，但这样做效率很低。

为了求出问题，不仅需要计算最短路权重，还需要计算出前驱结点矩阵$\Pi =({\pi }_{ij})$，${\pi }_{ij}$在i=j或不存在i到j路径时为NIL，否则给出的是从i到j的最短路上j的前驱结点。

同样，我们可以定义一个最短路径树$G_{\pi ,i}$，只是这里多了一个参数–我们需要给出根节点i：

PRINT-ALL-PAIRS-SHORTEST-PATH(Π,i,j)
	if i == j
		print i
	elseif Π_ij == NIL
		print "no path from i to j exists"
	else PRINT-ALL-PAIRS-SHORTEST-PATH(Π,i,Π_ij)
	print j

下面给出三种解决方法
1、基于矩阵乘法的动态规划算法——$\Theta (V^{3}lgV)$
2、Floyd-Warshll算法(动态规划)——$\Theta (V^3)$
3、Johnson算法——$O(V^{2}lgV+VE)$

基于矩阵乘法的动态规划

定义$l_{ij}^{(m)}$表示从i到j至多包含m条边的任意路径的最小权重，
当$m=0$,
当$m\ge 1$，
我们考虑图中不含负权环，而最短路最多n-1条边，因此$最小路径权重=l_{ij}^{(n-1)}=l_{ij}^{(n)}=l_{ij}^{(n+1)}=...$

输入矩阵$W_{i,j}=(w_{ij})$,且$L^{(1)}=W$
通过对最短路径一条边一条边的扩展来计算最短路权重。

EXTENDED-SHORTEST-PATHS(L,W)
	n = L.rows
	let L' = (l_ij') be a new n*n matrix
	for i = 1 to n
		for j = 1 to no
			l_ij' = ∞
			for k =1 to n
				l_ij' = min(l_ij',l_k+w_kj)
	return L'

返回矩阵L’=(l_ij’)
$T(n)=\Theta (n^3)$

SLOW-ALL-PAIRS-SHORTEST-PATHS(W)
	n = W.rows
	L(1) = W
	for m = 2 to n-1
		Let L(m) be a new n*n  matrix
		L(m) =  EXTENDED-SHOERTEST-PATH(L(m-1),W)
	return L(n-1)

这样算$T(n)=\Theta (n^4)$
我们考虑改进算法：
由我们刚刚推导出的$最小路径权重=l_{ij}^{(n-1)}=l_{ij}^{(n)}=l_{ij}^{(n+1)}=...$，我们可以采用重复平方技术来减小时间复杂度：

FASTER-ALL-PAIRS-SHORTEST-PATHS(W)
	n = W.rows
	L(1) = W
	m = 1
	while m <= n
		Let L(2m) be a new n*n matrix
		L(2m) = EXTENDED-SHORTEST-PATHS(L(m),L(m))
	return L(m)

最后的结果$L^{(m)}=L^{(n-1)}$
一共计算了lg（n-1）取上整个矩阵，每个矩阵时间为$\Theta (n^3)$,因此$T(n)=\Theta (n^{3}lgn)$

---

Floyd-Warshall算法

允许负权重的边存在。
动态规划算法。

设$d_{ij}^{(k)}$为从结点i到j的所有中间结点全部取自{1，2，…，k}的一条最短路的权重。

FLOYD-WARSHALL(W)
	n = W.rows
	D(0) = W
	for k = 1 to n
		let D(k) = (d_ji^k)be a new n*n matrix
		for i = 1 to n
			for j = 1 to n
				d_ij^k = min(d_ij^(k-1),d_ik^(k-1)+d_kj^(k-1))
	return D(n)

三层循环$T(n)=\Theta (n^3)$

这里只返回了权重矩阵，仍需构建一条最短路，需要构建前驱矩阵：
1、先计算权重矩阵D，从D构造前驱矩阵$\Pi$,再用PRINT-ALL-PAIRS-SHORTEST-PATH打印最短路径，$T(n)=O(n^3)$
2、计算$D^{(k)}$的同时计算前驱矩阵$\Pi$,定义$\Pi ={\Pi }^{(n)}且{\Pi }_{ij}^{(k)}$为从i到j的一条所有中间结点取自{1，2，…，k}的最短路径上j的前驱节点

传递闭包
定义：传递闭包为图$G^{\ast }=(V,E^{\ast })$,其中$E^{\ast }=i，j：如果图G中有一条i到j的路径$。

我们定义$t_{ij}^{(k)}=1$代表图G中存在一条从i到j的路径，其中间结点均属于{1，2，…，k}中，否则$=0$.那么传递闭包$G^{\ast }=(V,E^{\ast })$:将边（i，j）置于$E^{\ast }中⟺t_{ij}^{(j)}=1$

TRANSITIVE-CLOSURE(G)
	n = |G.V|
	let T(0) = (t_ij^0) be a new n*n matrix
	for i = 1 to n
		for j = 1 to n
			if i==j or (i,j)∈E
				t_ij^0 = 1
			else t_ij^0 = 0
	for k = 1 to n
		let T(K) = (t_ij^k) be a new n*n matrix
		for i = 1 to n
			for j = 1 to n
				t_ij^k = t_ij^(k-1) ∨ （t_ik^(k-1) ∧ t_kj^(k-1)）
	return T(n)

$T(n)=\Theta (n^3)$
最后得到的结果实际上是个可达矩阵，因为得到的路径它中间能够包含所有结点。若第i行第j列为1，就代表着存在着从i至j的一条路径。

稀疏图Johnson算法

在这个算法中使用到了Dijkstra算法和Bellman-Ford算法：
1、它会返回包含所有结点对的最短路径权重的矩阵；
2、并报告输入图中是否存在负权环路

Johnson算法为边重新赋予权重：
如果图G中所有边权重非负，可以通过对每个结点运行一次Dijkstra算法解决问题；若使用斐波那契堆最小优先队列，$T(n)=O(V^{2}lgV+VE)$;
如果G中有负权重边，但没有负权环路，那么只要计算出一组新的非负权重值，然后使用Dijkstra算法。新赋予的权重$\hat{u}$必须满足两个性质：
1、不改变最短路径的性质
2、新权重非负

JOHNSON(G,w)

若使用斐波那契堆实现Dijkstra中的最小优先队列，算法$T(n)=O(V^{2}lgV+VE)$
若使用二叉最小堆，$T(n)=O(VElgV)$

---

---

最大流

流网络G=(V,E)是一个有向图，每条边有一个非负容量值$c(u,v)\ge 0$，并且若E中有边(u,v),则不含其反向边(v,u).
流网络中有一个源节点s，汇点t。若对于每个结点来说，都有一条从s经过v到t的路径，那我们说流网络是流通的。
除s外，每个结点都至少有一条进入边，因此$|E|\ge |V|-1$

流：满足性质：容量限制 & 流量守恒

容量限制：对所有结点v，要求流的大小不超过容量大小
流量守恒：对所有除s、t之外的结点，要求从结点流出的总流量=流入结点的总流量和

流的大小：
从源点流出的总流量-流入源点的总流量

Fold-Fulkerson算法

关键思想：残存网络、增广路径、切割

构建残存网络，寻找一条增广路径，修改流的值，在残存图中添加反向边；循环此过程直到找不到增广路径为止。

总的来看，每次迭代都会增加流的值，但对于G中的一条特定边来说，其流量可能增加也可能减少，这是因为对某些边缩减是有必要的，这可能会让更多的流从源点发送到汇点。

这种算法能够获得一个最大流。

一、残存网络

残存网络：
定义一条边可以允许额外流量=该边容量-该边上的流量，称之为残存容量

残存网络$G_f=(V,E_f),E^f=(u,v)\in V\ast V:c_f(u,v)>0$,也就是说残存网络中的每条边或残存边都必须允许大于0的流量通过；$E_f$中的边要么是E中所有边，要么是其反向边，因此有$|E_f|\le 2|E|$

需要厘清，残存网络并不是流网络，因为他不满足流网络的定义——他可能包含边(u,v)及其反向边(v,u)。
除此之外，它具有和流网络同样的性质。

二、增广路径

增广路径：
残存网络中一条从源点s到汇点t的简单路径。
每条这样的路径它的流量值决定于路径上所有边的最小残存容量。

三、切割

流网络中的一个切割（S,T）将V划分为S和T两个集合，T=V-S，且源点s∈S，汇点t∈T。

若f是一个流，则定义横跨切割(S,T)的净流量f为：从集合S中流出的总流量-流入集合S的总流量
切割(S,T)的容量是从集合S到集合T所有路径的总容量

我们只关注最小切割——整个网络中容量最小的切割

对于给定的流f，横跨任何切割的净流量都相同，都等于|f|

流网络中，任意流f的值都不能超过任意切割的容量

最大流最小割定理：

FOLD-FULKERSON-METHOD(G,s,t)
	for each edge(u,v)∈G.E
		(u,v).f = 0	//初始化流f=0
	while there exists a path p from s to t in the residual network Gf
		c_f(p) = min {c_f(u,v):(u,v) is in p}	//找到路径p的瓶颈值
		for each edge (u,v) in p
			//对流进行更新，若残存边是G中边，则加流量，否则减流量
			if (u,v) ∈ E
				(u,v).f = (u,v).f + c_f(p)
			else (v,u).f = (v,u).f - c_f(p)

运行时间取决于如何寻找增广路径：
如果使用深度优先/广度优先搜索，在残存网络中找到一条路径的时间应是$O(V+E^{\prime })=O(E)$，因此while每一遍执行所需O(E)，而while最多循环次数是$|f^{\ast }|$次，所以$T(n）=O(E|f^{\ast }|)$

---

---

Edmonds-Karp算法

改变FOLD-FULKERSON算法，使要找的增广路径为从s到t的最短路径，其中每条边的权重为单位距离。
这样，算法时间为$O(V{E}^2)$

最大二分匹配

使用FOLD-FULKERSON 算法能在$O(VE)$时间内解决图G=(V,E)的最大二分匹配问题。

二分图：
构建一个流网络，其中流对应匹配。
我们设源节点s和汇点t是不属于结点集V的新节点，并且V’=V ∪ {s，t}

|M|——二分图中能匹配的最多结点对个数
利用FOLD算法在G’中找到一条最大流f，那么G中就存在一个匹配M,满足|M| = |f|

---

---

P与NP

基础定义：P、NP、NPC

下面主要是一些常见的NPC问题。
电路可满足性问题——第一个证明的NPC问题。

团问题CLIQUE

寻找图中规模最大的团的最优化问题。
实际上就是找图G中最大的完全子图。

证明团问题是NPC问题：证明$3-CNF-SAT{\le }_{p}CLIQUE$

顶点覆盖问题VERTEX COVER

给出一个图G，找到一个最小的顶点集合，使其能够覆盖G中每条边

证明顶点覆盖问题是NPC问题：证明$CLIQUE{\le }_{p}VERTEX-COVER$

哈密顿回路问题HAM-CYCLE

给出一个图G，找出一条回路，使其能够恰经过所有顶点仅1次。

证明哈密顿回路是NPC问题：证明$VERTEX-COVERT{\le }_{p}HAM-CYCLE$

旅行商问题TSP

经过哈密顿回路，恰好访问每个城市一次，并回到出发城市。
除此之外，要求费用最小——每条路的权重之和

证明旅行商问题是NPC问题：证明$HAM-CYCLE{\le }_{p}TSP$

子集和问题SUBSET-SUM

给出一个有限正整数集合S和一个整数目标t>0,找到一个字集合，使其所有元素和恰好为t。

证明子集和问题是NPC问题：证明$3-CNF-SAT{\le }_{p}SUBSET-SUM$

所有证明过程在此处省略。

---

---

近似算法

近似算法：返回近似最优解的算法

近似比：

• 最大化问题：满足$0<C\le C^{\ast }$,比值$C^{\ast }/C$表示最优解代价大于近似解代价的倍数。
• 最小化问题：满足$0<C^{\ast }\le C$,比值$C/C^{\ast }$表示近似解代价大于最优解代价的倍数。
• 算法的近似比不会小于1
• 一个1近似算法产生的解就是最优解；而一个近似比较大的近似算法可能会返回和最优解差很多的解

一些NPC问题可以采用特定的多项式时间近似算法求解，通过消耗更多的计算时间来得到不断缩小的近似比；另一些问题，在已知的最佳多项式时间近似算法中，近似比是输入规模n的函数，随着n的变化而变化。

• 一个最优化问题的近似模式approximation scheme就是近似算法：

  • 输入除了问题的实例外，还有一个值$ϵ>0$,使得对于任何固定$ϵ$,该模式是一个$(1+ϵ)$近似算法。

  • 对一个近似模式来说，如果对任何固定的$ϵ>0$，该模式都以输入实例规模n的多项式时间运行，则称此模式为多项式时间近似模式

  • 随着$ϵ$的减小，多项式时间近似模式的运行时间可能会迅速增长

  • 完全多项式时间近似模式
    下面给出一些NPC问题的近似算法。

顶点覆盖问题

规模不超过 最优顶点覆盖规模2倍的顶点覆盖

例：

以邻接表来表示E，算法的运行时间为$O(V+E)$

旅行商问题

满足三角不等式：
两地之间直接到达的代价最小

我们考虑满足三角不等式的旅行商问题，近似算法代价不超过最优的2倍

例：

一般旅行商问题，即没有满足三角不等式的假设，那么问题就无法在多项式时间内找到一个好的近似算法，除非P=NP

集合覆盖问题set-cover

给出一个有穷集X，和它的一个子集族，每个元素至少在一个子集中，我们希望找到一个最小数量的子集集合，使其能覆盖X中所有元素。

贪心近似算法：


近似比是$ln|X|+1$

带权顶点覆盖问题

在顶点覆盖问题中，每个顶点都具有一个正权值，希望找出一个具有最小权的顶点覆盖

利用线性规划松弛，构造近似解

该算法是一个近似比为2的近似算法

子集和问题

指数时间的近似算法

完全多项式时间近似模式