Questions tagged «linear-programming»

在给定数学模型中找到最佳结果的数学和计算方法,其中需求列表表示为线性关系。

1
如何不计算包含有限的一组圆的最小圆
假设我们有一个有限集LLL中的磁盘R2R2\mathbb{R}^2,我们希望计算最小磁盘DDD为其⋃L⊆D⋃L⊆D\bigcup L\subseteq D。做到这一点的标准方法是使用Matoušek,Sharir和Welzl [1]的算法找到了基础BBB的LLL,并让D=⟨B⟩D=⟨B⟩D=\langle B\rangle,最小的盘片容纳⋃B⋃B\bigcup B。磁盘⟨B⟩⟨B⟩\langle B\rangle可以使用代数的事实是,由于计算BBB为基础,在每个磁盘BBB相切⟨B⟩⟨B⟩\langle B\rangle。 (B⊆LB⊆LB\subseteq L为基础的LLL如果BBB是最小的,使得⟨B⟩=⟨L⟩⟨B⟩=⟨L⟩\langle B\rangle=\langle L\rangle甲基础具有至多三个元件;在一般用于在球RdRd\mathbb{R}^d的基础具有至多d+1d+1d+1。元素) 它是如下的随机递归算法。(但请参见下面的迭代版本,这可能更易于理解。) 过程:MSW(L,B)MSW(L,B)MSW(L, B) 输入:有限的磁盘LLL,BBB,其中BBB是(BBB)的基础。 如果L=∅L=∅L=\varnothing,返回BBB。 否则选择X∈LX∈LX\in L随意。 让B′←MSW(L−{X},B)B′←MSW(L−{X},B)B'\leftarrow MSW(L-\{X\}, B)。 如果X⊆⟨B′⟩X⊆⟨B′⟩X\subseteq\langle B'\rangle然后返回B′B′B'。 否则返回,其中乙”是的基乙' ∪ { X }。MSW(L,B′′)MSW(L,B″)MSW(L, B'')B′′B″B''B′∪{X}B′∪{X}B'\cup\{X\} 用作以计算L的基础。MSW(L,∅)MSW(L,∅)MSW(L, \varnothing)LLL 最近,我有理由实现此算法。在验证了数百万个随机生成的测试用例中的结果正确之后,我注意到我在实现中犯了一个错误。在最后的步骤我被返回,而不是中号小号w ^ (大号,乙”)。MSW(L−{X},B′′)MSW(L−{X},B″)MSW(L-\{X\}, B'')MSW(L,B′′)MSW(L,B″)MSW(L, B'') 尽管存在此错误,该算法仍给出正确的答案。 我的问题:为什么这种算法的错误版本在这里显然给出正确的答案?它总是(证明)有效吗?如果是这样,那么在更高维度上也是如此吗? 补充:一些误解 几个人提出了不正确的论据,以至于修改后的算法是完全正确的,因此在这里避免一些误解可能很有用。一个普遍的错误信念似乎是。这是该主张的反例。鉴于磁盘一个,b ,c ^ ,d ,È如下面(的边界⟨ 一个,b ,ê ⟩也以红色显示):B⊆⟨MSW(L,B)⟩B⊆⟨MSW(L,B)⟩B\subseteq\langle MSW(L, B)\ranglea,b,c,d,ea,b,c,d,ea,b,c,d,e⟨a,b,e⟩⟨a,b,e⟩\langle …

1
在多项式时间内求解半定程序
我们知道,可以使用椭圆形方法或像Karmarkar算法那样的内点方法,在多项式时间内精确地求解线性程序(LP)。某些具有超多项式(指数)变量/约束的LP也可以在多项式时间内求解,前提是我们可以为其设计一个多项式时间分离法。 半定程序(SDP)呢?几类SDP可以在多项式时间内准确求解?当无法完全解决SDP时,我们是否总可以设计一个FPTAS / PTAS来解决它?在什么条件下可以做到这一点?如果我们可以为其设计多项式时间分隔预言,是否可以求解具有多项式时间变量/约束的指数形式的SDP? 我们能否有效解决组合优化问题(MAX-CUT,图形着色)中出现的SDP?如果我们只能在因子内求解,那么它对常数因子近似算法(例如Goemans-Williamson MAX-CUT算法的0.878)不会产生影响吗?1+ϵ1+ϵ1+\epsilon 任何对此的良好参考将不胜感激。

1
单纯形算法的病理实例结构
据我了解,所有人都知道单纯形算法的确定性枢轴规则具有特定的输入,在该输入上算法需要指数时间(或至少不是多项式)才能找到最佳值。让我们称这些实例为“病态的”,因为通常(即在大多数输入上)单纯形算法会很快终止。我记得在我的数学编程课程中,针对特定规则的病理实例的标准示例是高度结构化的。我的一般问题是,这是否是特定示例的人工产物,还是一般而言是病理性实例的特征? 诸如平滑分析和扩展它的多项式时间算法之类的结果都依赖于扰动输入---这表明病理示例非常特殊。因此,病理实例高度结构化的直觉似乎并不遥不可及。 有人对此有任何具体见解吗?还是对现有作品的一些参考?我一直对“结构化”的含义含糊其词,以使其尽可能地具有包容性,但是有关如何更好地确定“结构化”的建议也很有用。任何建议或参考,不胜感激!

1
线性系统可行性检查和优化的等效项
一种证明不等式线性系统的可行性与线性规划一样困难的方法是通过椭圆法给出的简化。一种更简单的方法是猜测最佳解决方案,并将其作为约束通过二进制搜索引入。 这两种减少都是多项式,但不是强多项式(即,它们取决于不等式系数中的位数)。 从LP优化到LP可行性是否有很多项式的简化?

1
能否有效地对多边形图中的顶点邻居进行均匀采样?
我有一个多面体PPP由下式定义{ X :甲X ≤ b ,X ≥ 0 }{x:Ax≤b,x≥0}\{ x : Ax \leq b, x \geq 0\}。 问题:给定顶点vvv为PPP,是否存在多项式时间算法可从P的图中的vvv的邻居中均匀采样?(维度上的多项式,方程式的数量以及b的表示形式。我可以假设方程式的数量在维度上是多项式的。)PPPbbb 更新:我认为我能够证明这是NP难的,请参阅我的答案来解释该论点。(用ñPNPNP -hard表示,多项式时间算法将证明[R P= NPRP=NPRP = NP ...不确定此处使用的是正确的术语。) 更新2:有两行ñPNPNP硬度证明(给出了正确的组合多义位),我找到了Khachiyan的文章。请参阅答案以获取描述和链接。:-D 一个等效的问题: 彼得·索尔(Peter Shor)在评论中指出,这个问题等同于我们是否可以从一个给定的多边形的顶点均匀采样的问题。(我认为等价性是这样的:在一个方向上,我们可以从具有顶点v的多面体PPP转到v,P / v处的顶点图,对P / v的顶点进行采样就相当于对P / v的顶点进行采样v上P。在另一个方向上,我们可以从一个多面体去P到多面体Q一个更高维度的通过添加锥顶点v和基PvvvvvvP/ vP/vP/vP/ vP/vP/vvvvPPPPPPQQQvvvPPP。然后在Q中对vvv的邻居进行采样等效于对P的顶点进行采样。)QQQPPP 之前已经问过这个问题的提法:https : //mathoverflow.net/questions/319930/sampling-uniformly-from-the-vertices-of-a-polytope

2
检查两个多表位的等效性
考虑的变量的矢量,和一组线性通过指定的约束甲→ X ≤ b。x⃗ x→\vec{x}Ax⃗ ≤bAx→≤bA\vec{x}\leq b 此外,考虑两个多表位 P1P2={(f1(x⃗ ),⋯,fm(x⃗ ))∣Ax⃗ ≤b}={(g1(x⃗ ),⋯,gm(x⃗ ))∣Ax⃗ ≤b}P1={(f1(x→),⋯,fm(x→))∣Ax→≤b}P2={(g1(x→),⋯,gm(x→))∣Ax→≤b}\begin{align*} P_1&=\{(f_1(\vec{x}), \cdots, f_m(\vec{x}))\mid A\vec{x}\leq b\}\\ P_2&=\{(g_1(\vec{x}), \cdots, g_m(\vec{x}))\mid A\vec{x}\leq b\} \end{align*} 其中和g是仿射映射。即,它们的形式为→ Ç·&→ X + d。(我们注意到,P 1和P 2是多面体,因为他们是多面体的“仿射映射” 一→ X ≤ b)。fffgggc⃗ ⋅x⃗ +dc→⋅x→+d\vec{c}\cdot \vec{x} +dP1P1P_1P2P2P_2Ax⃗ ≤bAx→≤bA\vec{x}\leq b 问题是,如何确定和P 2是否等于集合?有什么复杂性?P1P1P_1P2P2P_2 该问题的动机来自传感器网络,但这似乎是一个可爱的(可能是基本的)几何问题。可以通过枚举和P 2的所有顶点来解决这个问题,但是有没有更好的方法?P1P1P_1P2P2P_2

1
线性程序约束满足期望是否足够?
在针对在线二分匹配的RANKING的随机原始对偶分析中,证明RANKING算法具有竞争性,同时证明对偶可行于期望值(请参阅第5页的引理3)。我的问题是:(1−1e)(1−1e)\left(1 - \frac{1}{e}\right) 线性程序约束满足期望是否足够? 证明目标函数的期望值是一回事。但是,如果在期望中满足了可行性约束条件,则不能保证一定会满足给定的运行条件。而且,存在许多这样的约束。那么,在给定的运行中保证所有这些参数都得到满足的保证是什么?

2
0-1线性规划:计算最佳配方
考虑维空间{ 0 ,1 } Ñ,并让Ç是以下形式的线性约束一个1 X 1 + 一个2 X 2 + 一个3 X 3 + 。。。+ 一个ñ - 1 X ñ - 1 + 一个Ñ X Ñ ≥ ķ,其中一个我 ∈ [R ,X 我 ∈nnn{0,1}n{0,1}n\{0,1\}^nccca1x1+a2x2+a3x3+ ... +an−1xn−1+anxn≥ka1x1+a2x2+a3x3+ ... +an−1xn−1+anxn≥ka_1x_1 + a_2x_2 + a_3x_3 +\ ...\ + a_{n-1}x_{n-1} + a_nx_n \geq …

1
零积分差距是否意味着某些问题的对偶差距为零?
我们知道,如果整数程序的值与其对偶之间的差(“对偶间隙”)为零,则整数程序的线性编程弛豫和弛豫的对偶均接受积分解(零“积分”间隙”)。我想知道,至少在某些情况下,这种情况是否成立。 P:max{1Tx:Ax≤1,x∈{0,1}n}P:max{1Tx:Ax≤1,x∈{0,1}n}P: \max\{1^Tx: Ax \leq 1, x\in \{0,1\}^n\}AAA0−10−10-1P′P′P'PPPP′P′P' 我将不胜感激任何反例或指针。


2
将匈牙利算法推广到一般无向图?
匈牙利算法是一种组合优化算法,它解决了多项式时间内的最大权重二部匹配问题,并预见了重要的原始对偶方法的后续发展。该算法是Harold Kuhn在1955年开发和发布的,他将其命名为“匈牙利算法”,因为该算法是基于两位匈牙利数学家DénesKőnig和JenőEgerváry的较早著作。蒙克雷斯(Munkres)在1957年对算法进行了审查,发现它确实是多时制。从那时起,该算法也称为Kuhn-Munkres算法。 尽管匈牙利语包含原始对偶方法的基本思想,但它无需使用任何线性编程(LP)机器即可直接解决最大权重二分匹配问题。因此,在回答以下问题时,Jukka Suomela评论 当然,您可以使用通用LP求解器来求解任何LP,但是专用算法通常具有更好的性能。[...]您通常还可以避免使用精确有理数与浮点数之类的问题;使用整数可以轻松完成所有操作。 换句话说,您不必担心如何从LP解算器中舍入有理数/浮点数来取回给定二部图的最大权重完美匹配。 我的问题如下: 是否有适用于一般无向图的匈牙利算法的概括,而无需像原始匈牙利算法的精神那样使用LP机制? 我更喜欢现代且易于阅读的展览,而不是一些原始的复杂论文。但是任何指针将不胜感激! 在此先感谢您和圣诞快乐!!! 更新:问题在下面的Arman中得到了很好的回答。我只想指出,研究Edmonds的Blossom算法(针对加权情况)的另一个不错的资料是Korte和Vygen的组合优化的第11章 。Google图书实际上显示了我了解该算法所需的几乎所有部分。

2
匈牙利方法的正当性(Kuhn-Munkres)
我根据在网上随处可见的讲义编写了Kuhn-Munkres算法的实现,以解决最小二分法完美匹配问题。即使在数千个顶点上,它也能很好地工作。我同意其背后的理论确实很美。但是我仍然想知道为什么我必须花这么长时间。我发现这些讲义并不能解释为什么我们不能简单地采用原始线性程序并将其传递给单纯形方法。当然,我怀疑这是可预测性能的问题,但是由于我没有看到它的明确说明,因此我不太确定。事实证明,多原点的原始极值位于0-1,因此似乎我们可以直接将其馈送到单纯形实现中,而无需制定对偶。还是我很简单?


4
独立集的LP松弛
我尝试了以下最大独立集的LP松弛 max∑iximax∑ixi\max \sum_i x_i s.t. xi+xj≤1 ∀(i,j)∈Es.t. xi+xj≤1 ∀(i,j)∈E\text{s.t.}\ x_i+x_j\le 1\ \forall (i,j)\in E xi≥0xi≥0x_i\ge 0 对于我尝试的每个三次非二部图,每个变量得到1/21/21/2。 对于所有连通的三次非二分图是否成立? 是否有LP松弛方法更适合此类图? 更新03/05: 这是内森(Nathan)提出的基于群体的LP放松的结果 我在这里总结了实验, 有趣的是,似乎有很多非二分图,其中最简单的LP松弛是不可或缺的。

3
哪些整数线性程序很简单?
在尝试解决问题时,我最终将其一部分表示为以下整数线性程序。这里是给定作为输入的一部分的所有正整数。变量x i j的指定子集设置为零,其余的可以取正整数值:ℓ ,m ,n1个,n2,… ,nℓ,c1个,c2,… ,c米,wℓ,m,n1,n2,…,nℓ,c1,c2,…,cm,w\ell,m,n_{1},n_{2},\ldots,n_{\ell},c_{1},c_{2},\ldots,c_{m},wX我Ĵxijx_{ij} 最小化 ∑米j = 1CĴ∑ℓ我= 1X我Ĵ∑j=1mcj∑i=1ℓxij\sum_{j=1}^{m}c_{j}\sum_{i=1}^{\ell}x_{ij} 受: ∑米j = 1X我Ĵ= n一世∀ 我∑j=1mxij=ni∀i\sum_{j=1}^{m}x_{ij}=n_{i}\,\,\forall i ∑ℓi=1xij≥w∀j∑i=1ℓxij≥w∀j\sum_{i=1}^{\ell}x_{ij}\ge w\,\,\forall j 我想知道这个整数程序在多项式时间内是否可求解;如果不是,我原来的问题就解决了,否则就不得不尝试其他方法。所以我的问题是: 我如何确定某个整数线性程序是否可以在多项式时间内求解?哪些整数线性程序容易实现?尤其是上述程序可以在多项式时间内求解吗?您能否指出一些对此的参考?

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.