Supongamos que tiene un problema que es NP-hard, es decir, no existe un algoritmo de tiempo polinómico para resolver el problema exactamente. En aras de la discusión, supongamos que el problema requiere minimizar alguna función. Por ejemplo, en el problema del árbol Steiner, desea encontrar un árbol con una suma mínima de longitudes de borde.
Ahora supongamos que tiene un algoritmo A que brinda una solución aproximada al problema. En el ejemplo anterior, el algoritmo generará un árbol que está lo suficientemente cerca del árbol verdadero.
Ahora querrá obtener algunas garantías para este algoritmo A, que generalmente tienen la siguiente forma: dado cualquier gráfico, el algoritmo A genera un árbol que ha costado como máximo 2 veces el costo del árbol Steiner óptimo. Para obtener tales garantías, debe presentar una prueba que muestre que para cualquier gráfico, la afirmación anterior es cierta.
Sin embargo, incluso después de tener una prueba de este tipo, es posible que el mismo algoritmo siempre genere árboles con un costo no superior a 1,5 veces el costo óptimo, pero su prueba solo puede mostrar el factor de aproximación como 2. Se dice que dicho límite No ser apretado.
- ¿Qué matemáticas debo saber para formar relaciones de recurrencia en la programación dinámica y otras cosas similares en los algoritmos?
- Dados dos (o n) puntos d-dimensionales, ¿hay alguna manera de obtener una función convexa que pase por estos puntos?
- ¿Cómo procesan n qubits 2 ^ n BITS cuando solo se pueden leer n BITS a la vez?
- ¿Es cierto que digo que O ((log n)!) Y O (n!) Son iguales?
- Cómo resolver este problema cuántico
Usando esto, podemos definir qué es un límite ajustado: un límite para un algoritmo es ajustado si no existe un límite menor que exista. Dicho de otra manera, un límite es ajustado si hay al menos una instancia del problema, de modo que el límite se satisfaga con igualdad. En nuestro ejemplo anterior, si tenemos al menos un gráfico donde el costo del árbol devuelto por este algoritmo es exactamente 2 veces el costo óptimo, entonces sabemos que no existe ninguna prueba que pueda reducir el factor de aproximación a menos de 2.