文章目录
慢慢填坑
1 运筹学知识
P问题,NP问题,NPC问题,NP-hard问题等相关概念:
- P问题(polynomial):求解一个问题的时间复杂度是多项式级别;
- NP问题(nondeterministic polynomial):可以在多项式时间里验证解是否正确的问题。定义NP问题的意义在于,如果一个问题不能在多项式时间验证,则这个问题一定没有多项式时间的算法。
图中某条路是否是Hamilton回路,可以在多项式时间验证,是NP问题图中
是否不存在Hamilton回路,不可以在多项式时间验证。 - NPC问题(nondeterministic polynomial complete):
定义:
一个问题1)它是NP问题;2)所有的问题都可以约化到它,这样的问题称为NPC问题。
证明:
1)先证明它是NP问题;
2)再证明其中一个已知的NPC问题能约化到它(由约化的传递性,如果A能约化到B,则B的时间复杂度不低于A)。
特点:NPC问题目前没有多项式的有效解法,只能有指数级或阶乘级复杂度的算法搜索 - NP-hard问题(nondeterministic polynomial - hard):满足NPC问题的第2条但是不一定满足第1条。即使NPC问题获得了多项式级别的求解算法,NP-hard问题可能仍然找不到多项式级的算法。
2 线性规划
2.1 大M法
- 定义
在线性规划问题的约束条件中加人工变量构造初始可行基,要求在目标函数中相应地添加认为的M或-M为系数的项。在极大化问题中,对人工变量赋于-M作为其系数;在极小化问题中,对人工变量赋于M作为其系数,M为一任意大(而非无穷大)的正数。把M看作一个代数符号参与运算,用单纯形法求解,故称此方法为大M法。 - 求解步骤
应用单纯形法在改进目标函数的过程中,如果原问题存在最优解,必然使人工变量逐步变为非基变量,或使其值为零。否则,目标函数值将不可能达到最小或最大。在迭代过程中,若全部人工变量变成非基变量,则可把人工变量所在的列从单纯形表中删去,此时便找到原问题的一个初始基可行解。若此基可行解不是原问题的最优解,则继续迭代,直至所有的检验数都小于等于0,求得最优解为止。
2.2 对偶问题
3 整数规划
整数规划求解方法:
3.1 分支定界
分支定界是求解整数规划的主要方法,整数规划问题对应线性规划问题,以单形法解得最佳解后,将非整数值之决策变量分割成为最接近的两个整数,分列条件,加入原问题中,形成两个子问题(或分枝)分别求解,如此便可求得目标函数值的上限(上界)或下限(下界),从其中寻得最佳解。
3.2 0-1整数规划
采用隐枚举法:
0-1规划是一种特殊的纯整数规划。求解0-1规划的隐枚举法不需要用单纯形方法求解线性规划问题。它的基本思路时从所有变量等于零出发,依次指定一些变量为1,直至得到一个可行解,并将它作为最好的可行解。此后,依次检查变量等于0或1的某些组合,以便使最好的可行解不断加以改进,最终获得最优解。隐枚举法不同于穷举法,它不需要将所有可行的变量一一列举。它通过分析、判断派出了许多变量组合作为最优解的可能性。
3.2 指派问题
匈牙利法求解:
(1)若从效率矩阵(cij)的行(或列)的各元素中分别减去该行(或列)的最小元素后得到一个新矩阵(bij),则以(bij)为效率矩阵的指派问题与原问题有相同的最优解。
经过上述变换后,(bij)中的每行和每列都至少含有一个0元素,称位于不同行不同列的0元素为独立的0元素。
(2)若(bij)有n个独立的0元素,由此可得一个解矩阵,方法为在X中令对应于(bij)的0元素位置的元素为1,其它位置的元素为0,则X为指派问题的最优解。
(3)矩阵中独立0元素的最多个数等于能覆盖所有0元素的最少直线数。
动态规划
动态规划解背包问题:
- 一维背包问题
- 二维背包问题
2、求解器
SCIP
CPLEX
GUROBI
3、笔试题
题目1
问题描述
沐哲是一个菜鸟仓库的一个拣货员,但他有非常个怪异的习惯。每次拣货的重量都要比之前拣的一个轻,每次拣到货后都可以得到1块钱,沐哲想知道这样最多能赚多少钱
32 34 7 33 21 2
13 12 3 11 26 36
16 30 22 1 24 14
20 23 25 5 19 29
27 15 9 17 31 4
6 18 8 10 35 28
沐哲可以从仓库的某个货架开始拣货,下一步可以往上走,也可以往下走,当然,向左向右也可以,但必须使得下一个货物重量减小,才会去拣。在上面的仓库中,一条可拣货的路径为 25-22-3。当然30-23-20-16-13-12-3可以拣的货更多。这也是赚钱最多的一条路径。
示例:
输入行数、列数和数据矩阵,输出所赚的最大钱数。
例子:
输入:
6 6
32 34 7 33 21 2
13 12 3 11 26 36
16 30 22 1 24 14
20 23 25 5 19 29
27 15 9 17 31 4
6 18 8 10 35 28
输出:
7
解题思路
此题应该属于树搜索的题目,拿到题目后一直在想怎么用动态规划。结果测试时间都过了,还是没做出来,真是搓的一笔。
最暴力的解法就是对每个点遍历,以每个点为起点进行深度优先搜索,找它相邻点的可行路径。搜索后将最大结果保存到当前位置,等遍历完后,找到矩阵元素的最大值,然后输出该值。
解法1
# check the (i,j) is in the matrix index
def isInside(row,col,i,j):
return (i in range(row)) and (j in range(col))
# get the max step from the current point
def currentMaxStep(data,row,col,i,j):
max_step=0
directs = [(-1,0),(1,0),(0,-1),(0,1)]
for (dx,dy) in directs:
x,y = i+dx,j+dy
if(isInside(row,col,x,y) and data[x][y] < data[i][j]):
max_step = max([currentMaxStep(data,row,col,x,y),max_step])
return max_step + 1
# traverse the whole data and generate the max step map
def getMaxMap(data,row,col):
Map = [[0 for j in range(col)] for i in range(row)]
for i in range(row):
for j in range(col):
Map[i][j] = currentMaxStep(data,row,col,i,j)
print('the max step map is:')
for i in range(row):
print(Map[i])
return Map
# find the max from the max step map
def maxStep(data,row,col):
Map = getMaxMap(data,row,col)
return max([max(i) for i in Map])
测试结果:
if __name__=='__main__':
row,col = 6,6
data = [[32, 34, 7, 33, 21, 2],
[13, 12, 3, 11, 26, 36],
[16, 30, 22, 1, 24, 14],
[20, 23, 25, 5, 19, 29],
[27, 15, 9, 17, 31, 4],
[ 6, 18, 8, 10, 35, 28]]
print(maxStep(data,row,col))
输出结果:
the max step map is:
[4, 5, 2, 3, 2, 1]
[3, 2, 1, 2, 5, 6]
[4, 7, 2, 1, 4, 1]
[5, 6, 7, 2, 3, 4]
[6, 3, 2, 3, 4, 1]
[1, 4, 1, 2, 5, 2]
7
我们发现,每个点在进行深度优先搜索时,会遇到和其他点相同的路径,所以优化的空间。如果当前节点在之前已经搜索过了,这时候就需要判断需不需要继续搜索。两种情况
1、当前计算最大步数值大于之前遍历到该点的最大步数值,说明当前路径要比之前的路径更优,需要更新。
2、反之,不在搜索当前路径。
举个例子: 如data的第一个元素的最大路径为:32-13-12-3,最大步数为4; 当对第二个元素遍历时,假设按照上下左右的顺序,向下34-12-3为一条路径,此时第二元素的最大步数为3,向左34-32-13-12-3是个可行路径,而32-13-12-3之前已经搜索过,可以利用之前的32的最大步数值,直接比较4+1 和 3,更新第二元素的最大步数为5.
注意: 要实现这一操作,需要在遍历的过程中使用一个map来存储已遍历节点的最大步数值。
解法2
# check the (i,j) is in the matrix index
def isInside(row,col,i,j):
return (i in range(row)) and (j in range(col))
# update the local-max-step map
def updateMap(data,Map,row,col,i,j):
directs = [(-1,0),(1,0),(0,-1),(0,1)]
for (dx,dy) in directs:
x,y = i+dx,j+dy
if(isInside(row,col,x,y) and data[x][y] > data[i][j] and Map[x][y] < Map[i][j]+1):
Map[x][y] = Map[i][j]+1
updateMap(data, Map,row,col,x,y)
# find the max from the max step map
def maxStep(data,row,col):
Map = [[1 for j in range(col)] for i in range(row)]
[updateMap(data,Map,row,col,i,j) for i in range(row) for j in range(col)]
print('the max step map is:')
[print(Map[i]) for i in range(row)]
return max([max(i) for i in Map])
测试结果:
if __name__=='__main__':
row,col = 6,6
data = [[32, 34, 7, 33, 21, 2],
[13, 12, 3, 11, 26, 36],
[16, 30, 22, 1, 24, 14],
[20, 23, 25, 5, 19, 29],
[27, 15, 9, 17, 31, 4],
[ 6, 18, 8, 10, 35, 28]]
print(maxStep(data,row,col))
输出:
the max step map is:
[4, 5, 2, 3, 2, 1]
[3, 2, 1, 2, 5, 6]
[4, 7, 2, 1, 4, 1]
[5, 6, 7, 2, 3, 4]
[6, 3, 2, 3, 4, 1]
[1, 4, 1, 2, 5, 2]
7
使用一个map记录已经遍历的元素的最大步长数可以避免一些重复的遍历。
还能不能优化呢?是否每个元素都有必要遍历一遍?
重最优化的角度来讲,此题实质上是解决从极大值到极小值的最长路径的问题。即最长路径一定是从极大值到极小值的一条路径(从山顶走到山底)。那么我们可以先找出所有最小值或者最大值,然后使用深度优先搜索遍历这些点,这些路径中,最大的一条路径一定是整个图中最大的路径。这就衍生了第三个版本(从极小值往上搜,是个上山的过程)。
https://blog.csdn.net/u014606206/article/details/77596819
题目2
问题描述
解题思路
解法1
题目3
问题描述
解题思路
解法1
题目4
问题描述
解题思路
解法1
4、建模能力
- TSP
- VRP
- 背包
- 板材切割
5、其它
1.以下哪个模型的系数矩阵不是全幺模矩阵(totally unimodular matrix)?(d)
a.最短路问题
b.指派问题
c.最大流问题
d.最小生成树问题
2.互为对偶的两个线性规划问题的解存在关系(b)
a.原问题无可行解,对偶问题也无可行解
b.对偶问题有可行解,原问题可能无可行解
c.若最优解存在,则最优解相同
d.一个问题无可行解,则另一个问题具有无界解
引用资料:
1、https://www.cnblogs.com/liuxiang2020/p/11370768.html
2、https://blog.csdn.net/shawpan/article/details/76145200
3、