精华内容
下载资源
问答
  • p和np问题

    2008-02-22 20:05:00
    其实很多问题想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解.  算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较...
    导读:
    

      当我们遇到一个问题时,我们总是很自然的开始恩考求解这个问题的算法.我们大多数人都没有注意到问题本身的可解性.其实很多问题很难想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解.

      算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较算法的好坏时,通常考虑它在大规模输入时的运行时间,占用空间等.P与NP问题正是源自算法执行的效率.

      我想绝大多数学计算机的人都听过P与NP问题,但我觉得,真正能说出它是怎么回事的,不在多数.至少在我仔细看资料之前,我是说不出P与NP问题到底是怎么回事,以及怎么证明一个问题是NP或NP完全的.所以,我想写一些自己对P与NP问题的理解.

      在介绍P与NP之前,我想先介绍两个概念.

      1.确定性算法

      设A是求解问题B的一个算法,如果在展示问题B的一个实例时,在整个执行过程中每一步都只有一个选择,则称A是确定性算法.因此如果对于同样的输入,实例一遍又一遍地执行,它的输出从不改变.

      通常我们在写程序时,用到的都是一些确定性算法,比如说排序算法,最优化算法等.

      2.不确定性算法

      一个不确定性算法由下列两个阶段组成.

      猜测阶段:在这个阶段产生一个任意字任串Y,它可能对应于输入实例的一个解,也可以不对应解.事实上,它甚至可能不是所求解的合适形式,它可能在不确定性算法的不同次运行中不同.它仅仅要求在多项式步数内产生这个串.

      验证阶段:在这个阶段,一个确定性算全证两件事.首先,它检查产生的解串Y是否有合适的形式,如果不是,则算法停下并回答NO;另一方面,如果Y是合适形式,那么算法继续检查它是否是问题实例X的解,如果它确实是实例X的解,那么它停下并且回答YES,否则它停下并回答NO.我们也要求这个阶段在多项式步数内完成.

      可能很多人会认为随机算法是一种不确定性算法.其实随机算法也是一种确定性算法,因为它的随机性也是通过在输入中加入一个用于产生随机值的串实现的,同样的串得到的随机值相同.

      下面给出P与NP的定义:

      P是一个判定问题类,这些问题可以用一个确定性算法在多项式时间内判定或解出;

      NP是一个判定问题类,这些问题可以用一个确定算法在多项式时间内检查或验证出它们的解;

      P事实上很直观,我们通常在编程中求解的问题大多都是P类问题.比如说排序,找最短路径等.NP这

      个类事实上也很有趣,它并不要求给出一个算法来求解问题本身,而只是要求给出一个确定性算法在多项式时间内验证它的解.

      NP完全问题

      NP完全事实上表求NP中判定问题的一个子类.这类问题也是很有趣的,即如果它们中的一个被证明

      是多项式时间内确定性算法可解,那么所有属于这一类的其它问题也是多项式时间内确定性算法可解.

      多项式时间归约:

      设A和B是两个判定问题.如果存在一个确定性算法C,它的行为如下:当给C展示问题A的一个实例时,算法A可以把这个实例变换成问题B的一个实例,使得A的实例跟B的实例有相同的YES/NO应答,并且这个变换在多项式时间内完成.那么我们说A多项式时间归约到B.

      事实上,我们可以将多项式时间归约看做是一个函数的映射,即F(A)=B.并且这个F是多项式时间内可计算的.也就是说问题A实现上可以通过它自身满足的条件,通过一些形式上的改变而变换到问题B.形象地讲,问题A事实上不比B难,而问题B也同样不比问题A难.

      NP困难与NP完全

      一个判定问题A称为是NP困难的,如果对于NP中的每个问题B,B多项式时间归约到A.

      一个判定问题A称为是NP完全的,如果对于NP中的每个问题B,B多项式时间归约到A,并且A在NP类中.

      NP完全问题的证明:

      要证明一个判定问题是NP完全的,只要在NP完全类中找到一个问题A,将这个问题归约到待证明问题即可.要证明问题是NP完全是很困难的,因为很多问题之间的转化过程是很难想到的.第一个被证明的NP完全问题是可满足性问题,它是判定一个合取范式的布尔公式F是否存在真值指派的问题.在很多NP完全问题的证明中,我们都可以用这个问题来归约,这里不再详述.

      Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=754255



    本文转自

    http://blog.csdn.net/dansin/archive/2006/05/25/754255.aspx
    展开全文
  • P与NP问题

    千次阅读 2006-05-25 11:11:00
    当我们遇到一个问题时,我们总是很自然的开始恩考求解这个问题的算法....算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较算法的好坏时,通常考虑它在大规模输入时的运行时间,占用空间等.P与NP问题正是源

     

    当我们遇到一个问题时,我们总是很自然的开始恩考求解这个问题的算法.我们大多数人都没有注意到问题本身的可解性.其实很多问题很难想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解.

    算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较算法的好坏时,通常考虑它在大规模输入时的运行时间,占用空间等.P与NP问题正是源自算法执行的效率.

    我想绝大多数学计算机的人都听过P与NP问题,但我觉得,真正能说出它是怎么回事的,不在多数.至少在我仔细看资料之前,我是说不出P与NP问题到底是怎么回事,以及怎么证明一个问题是NP或NP完全的.所以,我想写一些自己对P与NP问题的理解.

    在介绍P与NP之前,我想先介绍两个概念.

    1.确定性算法

    设A是求解问题B的一个算法,如果在展示问题B的一个实例时,在整个执行过程中每一步都只有一个选择,则称A是确定性算法.因此如果对于同样的输入,实例一遍又一遍地执行,它的输出从不改变.

    通常我们在写程序时,用到的都是一些确定性算法,比如说排序算法,最优化算法等.

    2.不确定性算法

    一个不确定性算法由下列两个阶段组成.

    猜测阶段:在这个阶段产生一个任意字任串Y,它可能对应于输入实例的一个解,也可以不对应解.事实上,它甚至可能不是所求解的合适形式,它可能在不确定性算法的不同次运行中不同.它仅仅要求在多项式步数内产生这个串.

    验证阶段:在这个阶段,一个确定性算全证两件事.首先,它检查产生的解串Y是否有合适的形式,如果不是,则算法停下并回答NO;另一方面,如果Y是合适形式,那么算法继续检查它是否是问题实例X的解,如果它确实是实例X的解,那么它停下并且回答YES,否则它停下并回答NO.我们也要求这个阶段在多项式步数内完成.

    可能很多人会认为随机算法是一种不确定性算法.其实随机算法也是一种确定性算法,因为它的随机性也是通过在输入中加入一个用于产生随机值的串实现的,同样的串得到的随机值相同.

    下面给出P与NP的定义:

    P是一个判定问题类,这些问题可以用一个确定性算法在多项式时间内判定或解出;
    NP是一个判定问题类,这些问题可以用一个确定算法在多项式时间内检查或验证出它们的解;

    P事实上很直观,我们通常在编程中求解的问题大多都是P类问题.比如说排序,找最短路径等.NP这
    个类事实上也很有趣,它并不要求给出一个算法来求解问题本身,而只是要求给出一个确定性算法在多项式时间内验证它的解.

    NP完全问题

    NP完全事实上表求NP中判定问题的一个子类.这类问题也是很有趣的,即如果它们中的一个被证明
    是多项式时间内确定性算法可解,那么所有属于这一类的其它问题也是多项式时间内确定性算法可解.

    多项式时间归约:

    设A和B是两个判定问题.如果存在一个确定性算法C,它的行为如下:当给C展示问题A的一个实例时,算法A可以把这个实例变换成问题B的一个实例,使得A的实例跟B的实例有相同的YES/NO应答,并且这个变换在多项式时间内完成.那么我们说A多项式时间归约到B.

    事实上,我们可以将多项式时间归约看做是一个函数的映射,即F(A)=B.并且这个F是多项式时间内可计算的.也就是说问题A实现上可以通过它自身满足的条件,通过一些形式上的改变而变换到问题B.形象地讲,问题A事实上不比B难,而问题B也同样不比问题A难.

    NP困难与NP完全

    一个判定问题A称为是NP困难的,如果对于NP中的每个问题B,B多项式时间归约到A.
    一个判定问题A称为是NP完全的,如果对于NP中的每个问题B,B多项式时间归约到A,并且A在NP类中.

    NP完全问题的证明:

    要证明一个判定问题是NP完全的,只要在NP完全类中找到一个问题A,将这个问题归约到待证明问题即可.要证明问题是NP完全是很困难的,因为很多问题之间的转化过程是很难想到的.第一个被证明的NP完全问题是可满足性问题,它是判定一个合取范式的布尔公式F是否存在真值指派的问题.在很多NP完全问题的证明中,我们都可以用这个问题来归约,这里不再详述.

    展开全文
  • 研究了运输阶段具有等待时间限制...批必须在同一台机器加工时, 证明其也是强NP 难问题. 将加工时间与等待时间限定值进行比较, 分别提出两个启发 式算法, 并证明其最坏情况性能比分别为2 − 1/m??和4 − 1/m??.</p>
  • 关于P和NP问题的概念

    千次阅读 2008-02-14 17:06:00
    我们大多数人都没有注意到问题本身...其实很多问题想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解. 算法的效率其实正是体现在问题
    http://blog.csdn.net/dansin/archive/2006/05/25/754255.aspx

    当我们遇到一个问题时,我们总是很自然的开始恩考求解这个问题的算法.我们大多数人都没有注意到问题本身的可解性.其实很多问题很难想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解.

    算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较算法的好坏时,通常考虑它在大规模输入时的运行时间,占用空间等.P与NP问题正是源自算法执行的效率.

    我想绝大多数学计算机的人都听过P与NP问题,但我觉得,真正能说出它是怎么回事的,不在多数.至少在我仔细看资料之前,我是说不出P与NP问题到底是怎么回事,以及怎么证明一个问题是NP或NP完全的.所以,我想写一些自己对P与NP问题的理解.

    在介绍P与NP之前,我想先介绍两个概念.

    1.确定性算法

    设A是求解问题B的一个算法,如果在展示问题B的一个实例时,在整个执行过程中每一步都只有一个选择,则称A是确定性算法.因此如果对于同样的输入,实例一遍又一遍地执行,它的输出从不改变.

    通常我们在写程序时,用到的都是一些确定性算法,比如说排序算法,最优化算法等.

    2.不确定性算法

    一个不确定性算法由下列两个阶段组成.

    猜测阶段:在这个阶段产生一个任意字任串Y,它可能对应于输入实例的一个解,也可以不对应解.事实上,它甚至可能不是所求解的合适形式,它可能在不确定性算法的不同次运行中不同.它仅仅要求在多项式步数内产生这个串.

    验证阶段:在这个阶段,一个确定性算全证两件事.首先,它检查产生的解串Y是否有合适的形式,如果不是,则算法停下并回答NO;另一方面,如果Y是合适形式,那么算法继续检查它是否是问题实例X的解,如果它确实是实例X的解,那么它停下并且回答YES,否则它停下并回答NO.我们也要求这个阶段在多项式步数内完成.

    可能很多人会认为随机算法是一种不确定性算法.其实随机算法也是一种确定性算法,因为它的随机性也是通过在输入中加入一个用于产生随机值的串实现的,同样的串得到的随机值相同.

    下面给出P与NP的定义:

    P是一个判定问题类,这些问题可以用一个确定性算法在多项式时间内判定或解出;
    NP是一个判定问题类,这些问题可以用一个确定算法在多项式时间内检查或验证出它们的解;

    P事实上很直观,我们通常在编程中求解的问题大多都是P类问题.比如说排序,找最短路径等.NP这
    个类事实上也很有趣,它并不要求给出一个算法来求解问题本身,而只是要求给出一个确定性算法在多项式时间内验证它的解.

    NP完全问题

    NP完全事实上表求NP中判定问题的一个子类.这类问题也是很有趣的,即如果它们中的一个被证明
    是多项式时间内确定性算法可解,那么所有属于这一类的其它问题也是多项式时间内确定性算法可解.

    多项式时间归约:

    设A和B是两个判定问题.如果存在一个确定性算法C,它的行为如下:当给C展示问题A的一个实例时,算法A可以把这个实例变换成问题B的一个实例,使得A的实例跟B的实例有相同的YES/NO应答,并且这个变换在多项式时间内完成.那么我们说A多项式时间归约到B.

    事实上,我们可以将多项式时间归约看做是一个函数的映射,即F(A)=B.并且这个F是多项式时间内可计算的.也就是说问题A实现上可以通过它自身满足的条件,通过一些形式上的改变而变换到问题B.形象地讲,问题A事实上不比B难,而问题B也同样不比问题A难.

    NP困难与NP完全

    一个判定问题A称为是NP困难的,如果对于NP中的每个问题B,B多项式时间归约到A.
    一个判定问题A称为是NP完全的,如果对于NP中的每个问题B,B多项式时间归约到A,并且A在NP类中.

    NP完全问题的证明:

    要证明一个判定问题是NP完全的,只要在NP完全类中找到一个问题A,将这个问题归约到待证明问题即可.要证明问题是NP完全是很困难的,因为很多问题之间的转化过程是很难想到的.第一个被证明的NP完全问题是可满足性问题,它是判定一个合取范式的布尔公式F是否存在真值指派的问题.在很多NP完全问题的证明中,我们都可以用这个问题来归约,这里不再详述.
     
    展开全文
  • P与NP问题[z]

    2007-12-13 21:09:59
    当我们遇到一个问题时,我们总是很自然...其实很多问题想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解. 算法的效率其实正是...
    http://blog.csdn.net/dansin/archive/2006/05/25/754255.aspx

    当我们遇到一个问题时,我们总是很自然的开始恩考求解这个问题的算法.我们大多数人都没有注意到问题本身的可解性.其实很多问题很难想出一种有效算法的,当然,遍历算法除外.如果我们有一台超强的计算机,那么一切算法都是没有意义的,因为一切问题都可以用遍历来解.

    算法的效率其实正是体现在问题的大规模输入上,所以,我们在比较算法的好坏时,通常考虑它在大规模输入时的运行时间,占用空间等.P与NP问题正是源自算法执行的效率.

    我想绝大多数学计算机的人都听过P与NP问题,但我觉得,真正能说出它是怎么回事的,不在多数.至少在我仔细看资料之前,我是说不出P与NP问题到底是怎么回事,以及怎么证明一个问题是NP或NP完全的.所以,我想写一些自己对P与NP问题的理解.

    在介绍P与NP之前,我想先介绍两个概念.

    1.确定性算法

    设A是求解问题B的一个算法,如果在展示问题B的一个实例时,在整个执行过程中每一步都只有一个选择,则称A是确定性算法.因此如果对于同样的输入,实例一遍又一遍地执行,它的输出从不改变.

    通常我们在写程序时,用到的都是一些确定性算法,比如说排序算法,最优化算法等.

    2.不确定性算法

    一个不确定性算法由下列两个阶段组成.

    猜测阶段:在这个阶段产生一个任意字任串Y,它可能对应于输入实例的一个解,也可以不对应解.事实上,它甚至可能不是所求解的合适形式,它可能在不确定性算法的不同次运行中不同.它仅仅要求在多项式步数内产生这个串.

    验证阶段:在这个阶段,一个确定性算全证两件事.首先,它检查产生的解串Y是否有合适的形式,如果不是,则算法停下并回答NO;另一方面,如果Y是合适形式,那么算法继续检查它是否是问题实例X的解,如果它确实是实例X的解,那么它停下并且回答YES,否则它停下并回答NO.我们也要求这个阶段在多项式步数内完成.

    可能很多人会认为随机算法是一种不确定性算法.其实随机算法也是一种确定性算法,因为它的随机性也是通过在输入中加入一个用于产生随机值的串实现的,同样的串得到的随机值相同.

    下面给出P与NP的定义:

    P是一个判定问题类,这些问题可以用一个确定性算法在多项式时间内判定或解出;
    NP是一个判定问题类,这些问题可以用一个确定算法在多项式时间内检查或验证出它们的解;

    P事实上很直观,我们通常在编程中求解的问题大多都是P类问题.比如说排序,找最短路径等.NP这
    个类事实上也很有趣,它并不要求给出一个算法来求解问题本身,而只是要求给出一个确定性算法在多项式时间内验证它的解.

    NP完全问题

    NP完全事实上表求NP中判定问题的一个子类.这类问题也是很有趣的,即如果它们中的一个被证明
    是多项式时间内确定性算法可解,那么所有属于这一类的其它问题也是多项式时间内确定性算法可解.

    多项式时间归约:

    设A和B是两个判定问题.如果存在一个确定性算法C,它的行为如下:当给C展示问题A的一个实例时,算法A可以把这个实例变换成问题B的一个实例,使得A的实例跟B的实例有相同的YES/NO应答,并且这个变换在多项式时间内完成.那么我们说A多项式时间归约到B.

    事实上,我们可以将多项式时间归约看做是一个函数的映射,即F(A)=B.并且这个F是多项式时间内可计算的.也就是说问题A实现上可以通过它自身满足的条件,通过一些形式上的改变而变换到问题B.形象地讲,问题A事实上不比B难,而问题B也同样不比问题A难.

    NP困难与NP完全

    一个判定问题A称为是NP困难的,如果对于NP中的每个问题B,B多项式时间归约到A.
    一个判定问题A称为是NP完全的,如果对于NP中的每个问题B,B多项式时间归约到A,并且A在NP类中.

    NP完全问题的证明:

    要证明一个判定问题是NP完全的,只要在NP完全类中找到一个问题A,将这个问题归约到待证明问题即可.要证明问题是NP完全是很困难的,因为很多问题之间的转化过程是很难想到的.第一个被证明的NP完全问题是可满足性问题,它是判定一个合取范式的布尔公式F是否存在真值指派的问题.在很多NP完全问题的证明中,我们都可以用这个问题来归约,这里不再详述.
    展开全文
  • 背包问题的多项式时间近似解一些概念背包问题的伪多项式时间算法强NP难问题和FPTAS 一些概念 ∏\prod∏ 是一个NP难问题的优化问题 f∏f_{\prod}f∏​ 是这个优化问题的目标函数,也就是我们要优化得到的近似解 I 是...
  • 相信搞物流运筹优化的都知道Matlab这门语言吧,Matlab语言简洁、容易上手,最主要的优势就是自带的矩阵运算,在求解大规模非线性NP难问题非常方便,小编自己也是使用Matlab出家,用Matlab编写过遗传算法、差分演化...
  • 通过复杂性分析,证明该问题强NP难问题.建立混合整数规划模型,基于动态规划提出两种特殊情况的最优算法,设计原问题的启发式算法并进行最坏情况下性能比分析.实验仿真结果验证了所提出启发式算法的有效性与稳定性.
  • 针对此调度问题,以最小化最大完工时间(makespan)为目标建立混合整数线性规划模型,并通过三划分问题的多项式归结证明问题强NP难特性,进而将问题划分为工件组排序和工件组内工件排序两个子问题,提出一种基于协同进化...
  • 2.1经验误差与过拟合 ...第三段:由于样本的大小和算法学习能力的大小导致的,过拟合是机器学习中的主要障碍,且机器学习中遇到的问题通常是NP难问题 第四段:在众多算法中选择泛化能力最强的方法是,即模型选择的方
  • 针对绝对值方程这一NP-难问题和其转换为无约束优化问题具有不可微的特点,一种交叉熵蝙蝠算法被构建。该算法将基于方差最小化、重要性抽样和Kullback-Leibler距离的交叉熵随机优化算法嵌入到基于仿生学的蝙蝠算法中...
  • 我们通过将最大连通分量替换为二部...我们证明了寻找最优图划分以最小化查询处理成本是一个NP难问题。因此,我们提出了一个基于采样的解决方案来寻找次优分区。此外,我们解决了索引维护问题,以回答LCR对动态图的查
  • 树模型总结

    2020-12-29 10:14:03
    树模型总结 1.树模型基础介绍。 什么是树模型? 一种基于特征空间划分的具有树形分支结构的模型。... 有的规则不具备可解释性、抗干扰能力弱、最优决策划分是NP难问题、对数据不均衡类别倾向数据多
  • 基于生理信号的二分类情感识别系统的特征选择问题其规模随着初始特征维数的增加呈指数增长,它是一个NP难问题。以系统的漏报率和虚报率为评价指标,建立性能良好的二分类情感识别系统的任务,是找到原始特征中使漏报率...
  • 车间作业调度问题(Job Shop Scheduling Problem)是一个著名的NP难题,具有很的条件约束,当问题规模较大时很找到全局最优解。因此作业车间调度是一类求解困难的组合优化问题。近几年各种智能计算方法逐渐被...
  • 经分析发现问题复杂度为 NP-, 为了弥补单一元启发式算法具有求解性能依赖于初始解的质量以及局部搜索不足等缺陷, 从初始解改进和加强局部搜索两个角度, 提出一种具有一般通用性的元启发式算法混合策略, 分别基于...
  • 11.1 动机:近似求解NP难的优化问题 193 11.2 用两种观点理解PCP定理 194 11.2.1 PCP定理与局部可验证明 194 11.2.2 PCP定理与近似难度 197 11.3 两种观点的等价性 197 11.3.1 定理11.5与定理11.9的等价性 198...
  • L0:计算非零个数,用于产生稀疏性,但是在实际研究中很少用,因为L0范数很优化求解,是一个NP-hard问题,因此更多情况下我们是使用L1范数L1:计算绝对值之和,用以产生稀疏性,因为它是L0范式的一个最优凸近似,...
  • 9.7.3 np-完全问题 总结 练习 参考文献 第10章 算法设计技巧 10.1 贪婪算法 10.1.1 一个简单的调度问题 10.1.2 huffman编码 10.1.3 近似装箱问题 10.2 分治算法 10.2.1 分治算法的运行时间 ...
  • 数据结构与算法分析—C语言描述 高清版

    千次下载 热门讨论 2008-04-05 21:01:56
    9.7.3 NP完全问题 总结 练习 参考文献 第10章 算法设计技巧 10.1 贪婪算法 10.1.1 一个简单的调度问题 10.1.2 Huffman编码 10.1.3 近似装箱问题 10.2 分治算法 10.2.1 分治算法的运行时间 10.2.2 最近点问题 ...
  • 数据结构与算法分析

    2014-01-15 02:05:59
    9.7.3 NP完全问题  小结  练习  参考文献  第10章 算法设计技巧  10.1 贪心算法  10.1.1 一个简单的调度问题  10.1.2 赫夫曼编码  10.1.3 近似装箱问题  10.2 分治算法  10.2.1 分治算法的运行...
  • 9.7.3 NP完全问题 小结 练习 参考文献 第10章 算法设计技巧 10.1 贪心算法 10.1.1 一个简单的调度问题 10.1.2 赫夫曼编码 10.1.3 近似装箱问题 10.2 分治算法 10.2.1 分治算法的运行时间 10.2.2 最近点...
  •  9.7.3 NP完全问题   小结   练习   参考文献  第10章 算法设计技巧   10.1 贪心算法   10.1.1 一个简单的调度问题   10.1.2 赫夫曼编码   10.1.3 近似装箱问题   10.2 分治算法   ...
  • 算法包罗万象,很在一本书中的篇幅覆盖很多内容的通知对每个知识 点进行细致讲解,因此本书更多的是作为一本导引、工具书、手册或者学习大纲,给 读者以宏观上的学习指导。和原书《算法艺术与信息学竞赛》相比,...
  • 9.7.3 NP完全问题 小结 练习 参考文献 第10章 算法设计技巧 10.1 贪婪算法 10.1.1 一个简单的调度问题 10.1.2 哈夫曼编码 10.1.3 近似装箱问题 10.2 分治算法 10.2.1 分治算法的运行时间 10.2.2 最近点...
  • 9.7.3NP—完全问题279 小结280 练习280 参考文献284 第10章算法设计技巧288 10.1贪婪算法288 10.1.1一个简单的调度问题288 10.1.2哈夫曼编码290 10.1.3近似装箱问题293 10.2分治算法298 10.2.1分治算法的...

空空如也

空空如也

1 2
收藏数 32
精华内容 12
关键字:

强np难问题