参数算法

计算机的核心就是算法，甚至有人将程序解释为”数据结构+算法“。事实上，只要有些经验的程序员都会体会到，语言只是实现算法的工具，用C、java、Python等实现并没有什么实质性区别，只不过是将算法以语言的形式表达了出来而已。那么计算机实现算法的原理是什么呢？穷举。无论你是否认同，穷举是计算机解决问题的基本思路。也就是说，计算机与人相比优势在于其速度之快，可以将解空间可能的解在有限的时间内解决出来而已。然而，许多问题是计算机在有限时间内也无法解决的，如NP难问题。事实上，很多NP难问题至今并不存在多项式时间内的解法，甚至有许多问题只能在O(2^n)的复杂度内才能得到问题的最优解。随着大数据时代的到来，数据量已经达到了TB甚至PB的级别，当问题的规模n增长时，解决问题的时间是以指数趋势增长的。对PB级的数据在有限时间内执行指数级算法，恐怕即使世界上最先进的计算机也无能为力。

科学界有很多研究方向来解决此问题，其中之一是贪婪算法等近似算法。因为贪婪算法并不能保证得到最优解，只能在有限的时间内得到近似解，甚至有时我们无法判断这个近似解与最优解有多接近(除非能够证明最优解的大小，而这和求出最优解花费的时间并无太大差别)，事实上，大多数时间我们只能得到最优解的一个界，而最优解在这个界的多大范围内也难以确定。那么另一种解决该问题的方法就是参数算法。所谓参数算法，就是为原问题寻找一个较小的参数，设计的算法时间复杂度在参数较小时其时间开销较小。以排序为例，目前最好的排序算法时间复杂度为nlog(n)，这也是排序算法的下界。我们已经证明，不可能设计低于nlog(n)的算法来得到n个数据的排序。如果我们需要在n个数据中挑选出k个最大的元素，利用上述排序算法显然是不划算的。对于此问题可以设计出时间开销为O(nlog(k))的算法，当k很小时，这个问题的解决时间接近于线性的。这一点很有用，因为很多大的问题往往存在着一个较小的参数，如在研究学术论文形成的复杂网络时，论文数量n往往很大，而每篇论文的作者数量却通常很少；在设计电路板时需要将其划分为多个模块进行设计，电路点往往能达到成千上万个，然而划分成的模块一般只有4、5个；著名的TSP问题，图的规模是所有城市代表的点的集合，形成的边是城市数的平方级，而解集中边的个数为点的两三倍。如果我们对于一个规模较大的问题寻找到一个较小的参数，如O(n^3)->O(2^k)，那么当k很小的时候，后者会得到一个比前者快得多的算法。例如n代表学术网络中论文的多少，其大小达到数十万，而k至多几十，那么后者显然更具实用性。

并不是所有的问题都存在参数算法，正如一般问题中存在P与NP的区别，参数算法中将问题分为FPT、W[1]-hard、W[2]-hard等，W[1]-hard问题往往是找不到参数算法的。