美好的一天。
在空闲时间,我做了一些研究。
在图论中,贪婪的点击数算法是已知的。他并非总是提供正确的结果。切下是对贪心算法的结果的分析,该算法与来自DIMACS基准集的图上顶点集的部分枚举结合使用。
表1的“最佳已知”列显示了指示图的当前已知最大点击次数的大小。“贪婪”列显示了贪婪算法找到的最大点击量。贪婪算法仅在35种情况中的3种情况下给出正确答案。
注意-在已实现的程序代码中,贪心算法选择邻接值最大的顶点。如果找到多个相似的顶点,则选择找到的第一个顶点。我们将贪婪算法过程称为Greedy(A),其中A是应用该算法的数组(邻接矩阵)的编号。将初始数组索引为A0。
表1-在Pascal中实现的算法的结果。
**-由于图表较大,因此未进行分析。, : N , . m, m – . DelNotAdj(m).
Greedy(m). ( ) «1c-Greedy». , , 8 35.
. , DelNotAdj(m). 0, m. mx. Greedy(mx). ( ) «2-Greedy».
3- (3c-Greedy) C500.9 C1000.9 ω(C500.9)=57, ω(C1000.9)=66.
.
Pascal Greedy(A) O(n2), n – . n , 2- – .. , ω(G) – () . .
, , ? 1 , .
( 1). O(n), – ω 1 ω(G) – , ωGR – , .
1«Position» 1 . ꞷ(G) , . «» , .
«B» , 2- .
«*» , «», .. 2, 3 . ω. ωGRCFG.
, , , , . .. , , , 2- .
«» , :
- 0 «» . ωGR.
- «» m, m . m , . ωGR+1.
- «» mn, m- n- 0. mn , n- m- . ωGR+2.
- 3-, 4-,…, y- ωGR+3, ωGR+4,…, ωGR+y .
- 0 — ω(G).
. «» «B» :
, , ωGR. ωGR+1 ωGR,
, K – .
«*» :
«» ωGR, ωGR+1, ωGR+2,…, ω(G) . , , . , ωGR.
: ωGR, ωGR+1, ωGR+2,… , « » ( ωGRCDE 1).
:
1. «» ωGR+y,
ωGR+y-1,
, K – .
.
2. y- ωGR+y, , .. ωGR+y=ωGR+y-1, , ωGR+y ω(G) .
如果以上内容重复了其他人的工作,我仍然很乐意,很高兴看到该链接。如果有人从理论上可以证明或反对所提出的假设,我将更加高兴。