जैसा कि आपने कहा, बनाने का कोई निर्णय नहीं है, इसलिए अनुकूलन-समस्याओं के लिए एनपी-कठोरता की उपयुक्त परिभाषा पर पहुंचने के लिए नई जटिलता वर्गों और नए प्रकार की कटौती की आवश्यकता है ।
ऐसा करने का एक तरीका दो नई कक्षाएं एनपीओ और पीओ हैं जिनमें अनुकूलन संबंधी समस्याएं हैं और वे निर्णय की समस्याओं के लिए एनपी और पी की कक्षाओं की नकल करते हैं । नए कटौती की भी जरूरत है। फिर हम लाइनों की अनुकूलन समस्याओं के लिए एनपी-कठोरता का एक संस्करण फिर से बना सकते हैं जो निर्णय समस्याओं के लिए सफल था। लेकिन पहले हमें यह स्वीकार करना होगा कि अनुकूलन-समस्या क्या है।
परिभाषा: एक अनुकूलन-समस्या हो । एक्स इनपुट्स या इंस्टेंस का सेट है जिसे स्ट्रिंग्स के रूप में उपयुक्त एन्कोड किया गया है। एल एक समारोह है कि प्रत्येक उदाहरण के नक्शे है एक्स ∈ एक्स तार का एक सेट, पर संभव समाधान के कहने एक्स । यह एक सेट है क्योंकि अनुकूलन-समस्या के कई समाधान हैं। इस प्रकार हम हेवन एक उद्देश्य समारोह च है कि हर जोड़ी के लिए हमें बताता है (O=(X,L,f,opt)XLx∈Xx fy ∈ एल ( x ) उदाहरण और समाधान अपने कीलागतयामूल्य। o p t हमें बताता है कि क्या हम अधिकतम या न्यूनतम कर रहे हैं।(x,y) y∈L(x)opt
यह परिभाषित करने के लिए क्या एक की अनुमति देता है इष्टतम समाधान है: चलो हो इष्टतम समाधान एक उदाहरण के एक्स ∈ एक्स एक अनुकूलन-समस्या का हे = ( एक्स , एल , एफ , ओ पी टी ) के साथ f ( x , y o p t ) = o p t { f ( x , y)yopt∈L(x)x∈XO=(X,L,f,opt)इष्टतम समाधान अक्सर से दर्शाया जाता है y * ।
f(x,yopt)=opt{f(x,y′)∣y′∈L(x)}.
y∗
अब हम वर्ग NPO को परिभाषित कर सकते हैं : को सभी अनुकूलन-समस्याओं O = ( X , L , f , o p t ) के साथ सेट करें:NPOO=(X,L,f,opt)
- X∈P
- के साथ एक बहुपद है | y | ≤ पी ( | x | ) सभी उदाहरणों के लिए एक्स ∈ एक्स और सभी संभव समाधान y ∈ एल ( x ) । इसके अलावा वहाँ एक नियतात्मक एल्गोरिथ्म कि बहुपद समय है कि क्या में फैसला करता है y ∈ एल ( x ) ।p|y|≤p(|x|)x∈Xy∈L(x)y∈L(x)
- बहुपद काल में f का मूल्यांकन किया जा सकता है।f
इसके पीछे अंतर्ज्ञान है:
- हम कुशलता से सत्यापित कर सकते हैं कि क्या वास्तव में हमारी अनुकूलन समस्या का एक वैध उदाहरण है।x
- संभव समाधान के आकार आदानों के आकार में polynomially घिरा है, और हम कुशलतापूर्वक सत्यापित कर सकते हैं, तो का उदाहरण एक fesible समाधान है एक्स ।y∈L(x)x
- एक समाधान के मान कुशलता से निर्धारित किया जा सकता है।y∈L(x)
इस दर्पण कैसे के लिए परिभाषित किया गया है, अब पीओ : Let पी ओ से सभी समस्याओं का सेट हो एन पी ओ कि बहुपद समय में एक नियतात्मक एल्गोरिथ्म द्वारा हल किया जा सकता है।NPPONPO
अब हम परिभाषित करने में सक्षम हैं कि हम एक अनुमान-एल्गोरिथ्म को क्या कहते हैं : एक अनुकूलन-समस्या O = ( X , L , f , o p t ) का एक अनुमान-एल्गोरिथ्म एक एल्गोरिथ्म है जो एक व्यवहार्य समाधान y ∈ L (1 ) की गणना करता है एक्स ) एक उदाहरण के लिए एक्स ∈ एक्स ।O=(X,L,f,opt)y∈L(x)x∈X
नोट: कि हम एक इष्टतम समाधान के लिए नहीं पूछते हैं हम केवल एक व्यवहार्य है।
अब हम दो प्रकार की त्रुटियां हैं: निरपेक्ष त्रुटि एक व्यवहार्य समाधान के एक उदाहरण के एक्स ∈ एक्स अनुकूलन-समस्या का हे = ( एक्स , एल , एफ , ओ पी टी ) है | च ( एक्स , वाई ) - च ( एक्स , वाई * ) | ।y∈L(x)x∈XO=(X,L,f,opt)|f(x,y)−f(x,y∗)|
हम एक सन्निकटन-एल्गोरिथ्म के निरपेक्ष त्रुटि फोन अनुकूलन-समस्या के लिए हे से घिरा कश्मीर अगर एल्गोरिथ्म एक हर उदाहरण के लिए computes एक्स ∈ एक्स एक से घिरा एक निरपेक्ष त्रुटि के साथ संभव समाधान कश्मीर ।AOkAx∈Xk
उदाहरण: ग्राफ के रंगीन सूचकांक के आकार के सिद्धांत के अनुसार (प्रयुक्त रंगों की सबसे कम संख्या के साथ किनारे के रंग में रंगों की संख्या) या तो या Δ + 1 है , जहां Δ अधिकतम नोड डिग्री है। प्रमेय के प्रमाण से एक अनुमान-एल्गोरिथ्म को तैयार किया जा सकता है जो Δ + 1 रंगों के साथ किनारे के रंग की गणना करता है । तदनुसार हम के लिए एक सन्निकटन-एल्गोरिथ्म है एम मैं n मैं हूँ यू m - ई डी जी ई सी ओ एल ओ आर मैं nΔΔ+1ΔΔ+1 -Problem जहां पूर्ण त्रुटि 1 से बंधी है।Minimum−EdgeColoring1
यह उदाहरण एक अपवाद है, छोटे निरपेक्ष त्रुटियों कर रहे हैं दुर्लभ, इस प्रकार हम परिभाषित रिश्तेदार त्रुटि सन्निकटन-एल्गोरिथ्म के एक पर उदाहरण एक्स अनुकूलन-समस्या का हे = ( एक्स , एल , एफ , ओ पी टी ) साथ च ( एक्स , वाई ) > 0 सभी के लिए एक्स ∈ एक्स और वाई ∈ एल ( x ) होने के लिएϵA(x)AxO=(X,L,f,opt)f(x,y)>0x∈Xy∈L(x)
ϵA(x):={0|f(x,A(x))−f(x,y∗)|max{f(x,A(x)),f(x,y∗)}f(x,A(x))=f(x,y∗)f(x,A(x))≠f(x,y∗)
जहां संभव समाधान सन्निकटन-कलन विधि द्वारा गणना है एक ।A(x)=y∈L(x)A
अब हम सन्निकटन-एल्गोरिथ्म परिभाषित कर सकते हैं अनुकूलन-समस्या के लिए हे = ( एक्स , एल , एफ , ओ पी टी ) एक होने के लिए δ -approximation-कलन विधि के लिए हे अगर रिश्तेदार त्रुटि ε एक ( एक्स ) से घिरा है δ ≥ 0 हर उदाहरण के लिए एक्स ∈ एक्स , इस प्रकार
ε एक ( एक्स ) ≤ δAO=(X,L,f,opt)δOϵA(x)δ≥0x∈X
ϵA(x)≤δ∀x∈X.
के चुनाव रिश्तेदार त्रुटि की परिभाषा के हर में अधिकतम और न्यूनतम करने के लिए परिभाषा सममित बनाने के लिए चुना गया था। रिश्तेदार त्रुटि के मूल्य ε एक ( एक्स ) ∈ [ 0 , 1 ] । एक अधिकतम समस्या के मामले में समाधान के मूल्य कभी नहीं की तुलना में कम है ( 1 - ε एक ( एक्स )max{f(x,A(x)),f(x,y∗)}ϵA(x)∈[0,1] और कभी नहीं से बड़ा 1 / ( 1 - ε एक ( एक्स ) ) ⋅ च ( एक्स , वाई * ) एक न्यूनतम करने के लिए समस्या।(1−ϵA(x))⋅f(x,y∗)1/(1−ϵA(x))⋅f(x,y∗)
अब हम एक अनुकूलन-समस्या कॉल कर सकते हैं अगर वहाँ एक है -approximable δ -approximation-एल्गोरिथ्म एक के लिए हे कि बहुपद समय में चलाता है।δδAO
हम हर उदाहरण लिए त्रुटि नहीं देखना चाहते हैं , हम केवल सबसे खराब स्थिति में देखते हैं। इस प्रकार हम परिभाषित ε एक ( एन ) , अधिक से अधिक relativ त्रुटि सन्निकटन-एल्गोरिथ्म के एक अनुकूलन-समस्या के लिए हे होने की
ε एक ( एन ) = sup { ε एक ( एक्स ) | | x | ≤ एन } ।xϵA(n)AO
ϵA(n)=sup{ϵA(x)∣|x|≤n}.
कहाँ उदाहरण का आकार होना चाहिए ।|x|
उदाहरण: एक ग्राफ़ में अधिकतम मिलान मिलान से शीर्ष कवर तक सभी घटना नोड्स को जोड़कर एक न्यूनतम नोड कवर में परिवर्तित किया जा सकता है । इस प्रकार 1 / 2 ⋅ | सी | किनारों को कवर किया जाता है। इष्टतम एक-एक कवर बढ़त के नोड्स के एक होना चाहिए सहित प्रत्येक शीर्ष कवर, अन्यथा यह सुधार किया जा सकता के रूप में, हमारे पास 1 / 2 ⋅ | सी | ⋅ च ( एक्स , वाई * ) । यह इस प्रकार है | सी | - च ( एक्स , वाई *C1/2⋅|C|1/2⋅|C|⋅f(x,y∗)
इस प्रकार एक अधिक से अधिक मिलान के लिए लालची एल्गोरिथ्म एक है1/2के लिए -approximatio-एल्गोरिथ्मएममैंnमैंहूँएकएल-वीईआरटीईएक्ससीओवीईआर। इसलिएएममैंnमैंहूँएकएल-वीईआरटीईएक्ससीओवीईआरहै1/2-approximable।
|C|−f(x,y∗)|C|≤12
1/2Minimal−VertexCoverMinimal−VertexCover1/2
दुर्भाग्य से सापेक्ष त्रुटि हमेशा सन्निकटन के लिए गुणवत्ता की सबसे अच्छी धारणा नहीं होती है क्योंकि निम्न उदाहरण प्रदर्शित करता है:
उदाहरण: एक सरल लालची-एल्गोरिथ्म । एक विश्लेषण से पता चलता है कि | सी |Minimum−SetCoverऔर इस प्रकारएममैंnमैंहूँयूm-एसईटीसीओवीईआरहोगाln(एन)
|C||C∗|≤Hn≤1+ln(n)
Minimum−SetCover -approximable।
ln(n)1+ln(n)
यदि सापेक्ष त्रुटि के करीब है तो निम्नलिखित परिभाषा लाभप्रद है।1
चलो के साथ एक अनुकूलन-समस्या हो च ( एक्स , वाई ) > 0 सभी के लिए एक्स ∈ एक्स और वाई ∈ एल ( x ) और एक के लिए एक सन्निकटन-एल्गोरिथ्म हे । सन्निकटन-अनुपात आर ए ( एक्स ) संभव समाधान की एक ( एक्स ) = yO=(X,L,f,opt)f(x,y)>0x∈Xy∈L(x)AO rA(x) उदाहरण के एक्स ∈ एक्स है
आर ए ( एक्स ) = { 1 च ( एक्स , एक ( एक्स ) ) = च ( एक्स , वाई * ) अधिकतम { च ( एक्स , एक ( एक्स ) )A(x)=y∈L(x)x∈X
rA(x)={1max{f(x,A(x))f(x,y∗),f(x,y∗)f(x,A(x))}f(x,A(x))=f(x,y∗)f(x,A(x))≠f(x,y∗)
जैसा कि पहले हम एक सन्निकटन-एल्गोरिथ्म फोन एक आर अनुकूलन-समस्या के लिए -approximation-एल्गोरिथ्म हे अगर सन्निकटन-अनुपात आर ए ( एक्स ) से घिरा है r ≥ 1 हर इनपुट के लिए एक्स ∈ एक्स ।
आर ए ( एक्स ) ≤ आर
और एक बार फिर अगर हम एक है आर -approximation-एल्गोरिथ्म एक अनुकूलन-समस्या के लिए हे तो हे कहा जाता है आर -approximableArOrA(x)r≥1x∈X
rA(x)≤r
rAOOr। फिर से हम केवल सबसे खराब स्थिति की परवाह करते हैं और
अधिकतम अनुमानित अनुपात-अनुपात को परिभाषित करते हैं
r A ( n ) = sup { r A ( x ) about | x | ≤ एन } ।
तदनुसार उप-समकालिक समाधानों के लिए सन्निकटन-अनुपात
1 से बड़ा है । इस प्रकार बेहतर समाधानों में छोटे अनुपात होते हैं। के लिए
एम मैं n मैं हूँ यू m - एस ई टी सी ओrA(n)rA(n)=sup{rA(x)∣|x|≤n}.
1 अब हम लिख सकते हैं कि यह
( 1 + ln ( n ) ) -approximable है। और
M i n i m u u m - V e r t e x C o v e r के बारे में हम पिछले उदाहरण से जानते हैं कि यह
2 -approximable है। सापेक्ष त्रुटि और सन्निकटन-अनुपात के बीच हमारे सरल संबंध हैं:
आर ए ( एक्स ) = 1Minimum−SetCover(1+ln(n))Minimum−VertexCover2rA(x)=11−ϵA(x)ϵA(x)=1−1rA(x).
ϵ<1/2r<2ϵ≥1/2r≥2
αα≤1α≥1α=1
ONPOrr≥1
हम लगभग हैं। हम जटिलता के सिद्धांत से कटौती और पूर्णता के सफल विचारों की नकल करना चाहते हैं । अवलोकन यह है कि अनुकूलन-समस्याओं के कई एनपी-कठोर निर्णय वेरिएंट एक-दूसरे के लिए reducible हैं, जबकि उनके अनुकूलन वेरिएंट में उनकी अनुमानितता के बारे में अलग-अलग गुण हैं। यह एनपी-पूर्णता की कटौती में उपयोग किए जाने वाले बहुपद-काल-कटौती के कारण है, जो उद्देश्य फ़ंक्शन को संरक्षित नहीं करता है। और भले ही वस्तुनिष्ठ कार्यों को बहुपद के रूप में संरक्षित किया गया हो, कार्प-कमी समाधान की गुणवत्ता को बदल सकती है।
O1O2O2O1
O1=(X1,L1,f1,opt1)O2=(X2,L2,f2,opt2)NPOO1 APO2O1≤APO2ghc
- g(x1,r)∈X2x1∈X1r>1
- L2(g(x,r1))≠∅L1(x1)≠∅x1∈X1r>1
- h(x1,y2,r)∈L1(x1)x1∈X1r>1y2∈L2(g(x1,r))
- rgh
f2(g(x1,r),y2)≤r⇒f1(x1,h(x1,y2,r))≤1+c⋅(r−1)
x1∈X1r>1y2∈L2(g(x1,r))
ghrg(x1)h(x1,y2)
O2∈APXO1≤APO2O1∈APX
CC
ONPOCNPOOC≤APO′∈C O′≤APO
CC≤APC
NPOAPXNPOSATWeighted−SatisfiabilityNPOMaximum−3SATAPX