Skript in PDF - Theoretische Informatik - Technische Universität ...
Skript in PDF - Theoretische Informatik - Technische Universität ...
Skript in PDF - Theoretische Informatik - Technische Universität ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
6.11. APPROXIMATION VON OPTIMIERUNGSPROBLEMEN 179<br />
Bemerkung 1. Für jedes M<strong>in</strong>imierungsproblem<br />
(Σ, E, A, L, c)<br />
def<strong>in</strong>ieren wir das zugrunde liegende Entscheidungsproblem: gegeben e<strong>in</strong> Paar<br />
(w, n) mit w ∈ E und n ∈ , gibt es e<strong>in</strong>e Lösung v ∈ A, so dass<br />
(∗) vLw und c(w, v) ≤ n?<br />
Für jedes M<strong>in</strong>imierungsproblem der Klasse PO gehört das zugrunde liegende Entscheidungsproblem<br />
zur Klasse P. In der Tat können wir für jede E<strong>in</strong>gabe (w, n)<br />
<strong>in</strong> polynomialer Zeit die entsprechende m<strong>in</strong>imale Lösung v f<strong>in</strong>den, berechnen wir<br />
<strong>in</strong> polynomialer Zeit den Wert c(w, v) und schließlich entscheiden wir <strong>in</strong> der Zeit<br />
O(log n), ob dieser Wert kle<strong>in</strong>er gleich n ist.<br />
Analog für Maximierungsprobleme: hier wird die Ungleichung von (∗) umgedreht.<br />
Umgekehrt gilt also: falls P = N P, enthält PO ke<strong>in</strong> Optimierungsproblem, dessen<br />
zugrunde liegendes Entscheidungsproblem N P-vollständig ist.<br />
Beispiel 7 (MINIMALES TSP). (siehe 6.6, Beispiel 2 Nr. 4)<br />
E<strong>in</strong>gabe: w = (di,j)i,j=1,...,n, wobei di,j ∈<br />
Stadt j s<strong>in</strong>d.<br />
Ausgabe: Permutation v = (i1, i2, . . . , <strong>in</strong>), die die Kosten<br />
m<strong>in</strong>imiert.<br />
die Kosten des Weges von Stadt i zu<br />
c(w, v) = di1,i2 + di2,i3 + · · · + d<strong>in</strong>−1,<strong>in</strong> + d<strong>in</strong>,i1<br />
Diese Aufgabe gehört nicht zu PO, falls P = N P, denn wir wissen, dass das zugrunde<br />
liegende Entscheidungsproblem N P-vollständig ist.<br />
6.11 Approximation von Optimierungsproblemen<br />
Falls es für e<strong>in</strong> Optimierungsproblem ke<strong>in</strong>en effizienten Algorithmus gibt, der die<br />
optimale Lösung f<strong>in</strong>det, können wir versuchen, e<strong>in</strong>e suboptimale Lösung effizient zu<br />
konstruieren.<br />
Beispiel 1. MINIMALE KNOTEN-ÜBERDECKUNG<br />
E<strong>in</strong>gabe: Ungerichteter Graph<br />
Ausgabe: M<strong>in</strong>imale Menge D an Knoten, so dass jede Kante e<strong>in</strong>en Knoten aus D<br />
enthält.<br />
Es ist bekannt, dass das zugrunde liegende Entscheidungsproblem (ob e<strong>in</strong>e Knotendeckung<br />
mit höchstens n Knoten existiert) N P-vollständig ist. E<strong>in</strong>e suboptimale<br />
Lösung kann wie folgt beschrieben werden:<br />
Algorithmus für KNOTEN-ÜBERDECKUNG<br />
E<strong>in</strong>gabe: Ungerichteter Graph G<br />
Ausgabe: E<strong>in</strong>e Knotenüberdeckung D<br />
1: D := ∅<br />
2: V := die Menge aller Knoten von G<br />
3: E := die Menge aller Kanten von G<br />
4: while E e<strong>in</strong>e Kante (x, y) enthält do<br />
5: D := D ∪ {x, y}