NPC问题及其解决方法（回溯法、动态规划、贪心法、深度优先遍历）

NP问题(Non-deterministic Polynomial )：多项式复杂程度的非确定性问题，这些问题无法根据公式直接地计算出来。比如，找大质数的问题（有没有一个公式，你一套公式，就可以一步步推算出来，下一个质数应该是多少呢？这样的公式是没有的）；再比如，大的合数分解质因数的问题（有没有一个公式，把合数代进去，就直接可以算出，它的因子各自是多少？也没有这样的公式）。

NPC问题(Non-deterministic Polynomial complete)：NP完全问题，可以这么认为，这种问题只有把解域里面的所有可能都穷举了之后才能得出答案，这样的问题是NP里面最难，但是这样算法的复杂程度，是指数关系。一般说来，如果要证明一个问题是NPC问题的话，可以拿已经是NPC问题的一个问题经过多项式时间的变化变成所需要证明的问题，那么所要证明的问题就是一个NPC问题了。NPC问题是一个问题族，如果里面任意一个问题有了多项式的解，即找到一个算法，那么所有的问题都可以有多项式的解。

著名的NPC问题：

背包问题（Knapsack problem）：01背包是在M件物品取出若干件放在空间为W的背包里，每件物品的体积为W1，W2……Wn，与之相对应的价值为V1,V2……Vn。求出获得最大价值的方案。

旅行商问题（Traveling Saleman Problem，TSP），该问题是在寻求单一旅行者由起点出发，通过所有给定的需求点之后，最后再回到原点的最小路径成本。

哈密顿路径问题（Hamiltonian path problem）与哈密顿环路问题（Hamiltonian cycle problem）为旅行推销员问题的特殊案例。哈密顿图：由指定的起点前往指定的终点，途中经过所有其他节点且只经过一次。

欧拉回路（从图的某一个顶点出发，图中每条边走且仅走一次，最后回到出发点；如果这样的回路存在，则称之为欧拉回路。）与欧拉路径（从图的某一个顶点出发，图中每条边走且仅走一次，最后到达某一个点；如果这样的路径存在，则称之为欧拉路径。）

• 无向图欧拉回路存在条件：所有顶点的度数均为偶数。
• 无向图欧拉路径存在条件：至多有两个顶点的度数为奇数，其他顶点的度数均为偶数。
• 有向图欧拉回路存在条件：所有顶点的入度和出度相等。
• 有向图欧拉路径存在条件：至多有两个顶点的入度和出度绝对值差1（若有两个这样的顶点，则必须其中一个出度大于入度，另一个入度大于出度）,其他顶点的入度与出度相等。

01背包问题解决方法

法I：回溯法递归

public:
void Knapsack(int *w,int *v, int c，int n){//w：容量；v：value
    this->c = c;
    this->n = n;
    bestv = ;
    bool x[n] = {false}; //x: 是否选择这个物品
    backtracking(w,v,x,);
}

void backtracking(int depth, int *w, int *v, bool *x){
    if(depth >= n){
        if(tmpV > bestv){
            bestv = tmpV;
            for(int i = ; i < n; i++){
                bestx[i] = x[i];
            }
        }
        return;
    }
    if(tmpW + w[depth] <= c){ //加入当前元素
        x[i] = true;
        tmpW += w[depth];
        tmpV += v[depth];
        backtracking(depth+, w, v, x);
        tmpV -= v[depth]; //backtrack
        tmpW -= w[depth];
        x[i] = false;
    }

    backtracking(depth+, w, v, x);//不加入当前元素
}

private:
    int bestv; //最优方法的价值
    int* bestx; //最优方法选取的物品
    int tmpV; //已有价值
    int tmpW; //已使用的容量
    int c; //背包容量
    int n; //物品数量

法II：动态规划

1。定义阶段：v[i-1]表示第i个物品的价值
2。定义状态：V[n+1][C]前i个物品装入容量为j的背包中获得的最大价值
3。状态转移方程：V[i][j]=max(V[i-1][j],V[i-1][j-w[i-1]]+v[i-1]);
4。定义边界条件：V[i][0]=0;V[0][j]=0;

int KnapSack(int n,int w[],int v[],int x[],int C){
    int V[n+][C];//前i个物品装入容量为j的背包中获得的最大价值
    int i,j;
    for(i=;i<=n;i++)
        V[i][]=;
    for(j=;j<=C;j++)
        V[][j]=;
    for(i=;i<=n-;i++)
        for(j=;j<=C;j++)
            if(j < w[j]) V[i][j]=V[i-][j];
            else  V[i][j]=max(V[i-][j],V[i-][j-w[i-]]+v[i-]);

     //标示哪些物品被放入
     j=C;
     for(i=n;i>;i--)
         if(V[i][j]>V[i-][j]){
             x[i-]=;
             j=j-w[i-];
         }
         else x[i-]=;
     return V[n][C];
}

法III: 贪心法解决普通背包问题

普通背包问题：与0-1背包问题类似，所不同的是在选择物品i装入背包时，可以选择物品i的一部分，而不一定要全部装入背包，1≤i≤n。

贪心准则：每一项计算yi=vi/wi，再按比值的降序来排序，从第一项开始装背包，然后是第二项，依次类推，尽可能的多放，直到装满背包。适用于普通背包问题，但不适用于01背包问题。

旅行商问题解决方法

法I：回溯法递归

int bestd;
vector< int > bestv;//保存最优解路径上的节点
int tmpSum;
vector< int > tmpV; //暂时保存路径上的节点
unordered_set visited; 

void shortest( int **d,int n){
    bestd = INT_MAX;
    dfs(d,n,);
}

void dfs (int **d,int n, int depth){
    tmpV.push_back(depth);
    if(tmpV.size()==n){
        tmpSum += d[depth][];

        if(tmpSum < bestd){
            bestd = tmpSum;
            bestv = tmpV;
        }
        tmpSum -= d[depth][]; //backtrack
        tmpV.pop();
        return;
    }
    visited.insert(depth);
    for(int i = ; i < n; i ++){
        if(visited.find(i) != visited.end() && tmpSum + d[depth][i] < bestd){
            tmpSum += d[depth][i];
            dfs(d,n,i);
            tmpSum -= d[depth][i]; //backtrack
       }
    }
    visited.erase(depth); //backtrack
    tmpV.pop_back();
}

法II：动态规划

1。定义阶段：v[i-1]表示第i个物品的价值
2。定义状态：F[i][j]表示当前从i结点出发已访问j中节点的情况下的最短距离。其中，i表示当前访问的节点，i∈[0,n-1]；j=已访问的节点的bitmap，j∈[0,2^(n-1)-1]
3。状态转移方程：F[i][j] = min{ min，D[i][k] + F[k][j-(int)pow(2,k-1)]) }
4。定义边界条件：F[i][0] = D[i][0]即表示节点i到第一个节点的距离，D是原图的邻接矩阵

 void tsp(int** D, int n){
    int i,j,k,min,temp;
    int b=(int)pow(,n-); //已遍历的节点bitmap(除了最后一个节点，每个节点有选择及不选择两种情况）

    //申请二维数组F和M
    int ** F = new int* [n];//n行b列的二维数组，存放阶段最优值
    int ** M = new int* [n];//n行b列的二维数组，存放最优策略
    for(i=;i < n; i++）{
        F[i] = new int[b];
        M[i] = new int[b];
    }

    //初始化F[][]和M[][]
    for(i=;i < n; i++）
        for(j=;j < n; j++）{
            F[j][i] = -;
            M[j][i] = -;
        }
    for(i=;i < n; i++） F[i][] = D[i][];

    //状态转移
    for(i=;i < b; i++）
        for(j=;j < n; j++）{
            if( ((int)pow(,j-) & i) == ){//结点j不在i表示的集合中
                min=INT_MAX;
                for(k=;k < n; k++ ){ //从已访问过的节点中找出一个到节点j的距离最短
                    if( (int)pow(,k-) & i ){//非零表示结点k在集合中
                        temp = D[j][k] + F[k][i-(int)pow(,k-)];//去掉k结点即将k对应的二进制位置0
                        if(temp < min){
                            min = temp;
                            F[j][i] = min;//保存阶段最优值
                            M[j][i] = k;//保存最优决策
                        }
                    }
            }
        }
    //最后一列，即总最优值的计算
    min=INT_MAX;
    for(k=;k < n; k++ ){
        //b-1的二进制全1，表示全集
        temp = D[][k] + F[k][b- - (int)pow(,k-)]; //去掉k
        if(temp < min){
            min = temp;
            F[][b-] = min;
            M[][b-] = k;
        }
    }
    cout<<"最短路径长度："<<F[][b-]<<endl;//最短路径长度
    cout<<"最短路径(编号0—n-1)："<<""; //最短路径上的节点
    for(i=b-,j=; i>; ){//i的二进制是5个1，表示集合{1,2,3,4,5}
        j = M[j][i];//下一步去往哪个结点
        i = i - (int)pow(,j-);//从i中去掉j结点
        cout<<"->"<<j;
    }
    cout<<"->0"<<endl;
}

法III: 启发式贪心法

采用启发式贪心算法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。启发式算法得到的解只是近似最优解。步骤：

(1)从旅行商问题的n个城市中选择1个城市构成部分解序列T1={c1},共有n种初始组合。

(2)从部分解序列之外的城市中选择一个新的城市k,插到原有的部分解序列Tk-1={c1,c2,…,ck-1}中,得到新的部分解列Tk={c1,c2,…,ck,…,ck-1}。新的城市ck及插入位置由改进的贪心法确定。

用Tk-1={c1, c2,…,ck-1}表示已确定的部分解序列，则由min(d(ci,ck)+d(ck,ci+1) -d(ci,ci+1)),ci,ci+1∈Tk-1,ck∈NP完全问题确定插入的城市ck及插入位置(ci,ck,ci+1)

(3)用冒泡法对新的部分解序列Tk中的每个城市进行可能优化游路的换位、移位和倒位操作,直到不再能通过这些操作优化游路。

对于旅行商问题的一个解序列,可以通过换位、移位和倒位三种基本的次序变换操作,改变原来解序列的排列次序,得到新的解序列。其它游路改进的启发式操作,都可以由这三种基本操作组合而成。

换
位操作(exchange)：将解序列中第i个元素ci与第j个元素cj的位置交换。ΔD换位=(d(ci-
1,ci)+d(ci,ci+1)+d(cj-1,cj)+d(cj,cj+1))-(d(ci-1,cj)+d(cj,ci+1)+d(cj-1,ci)+d(ci,cj+1))

移
位操作move
：移位操作相当于选择(Or2opt)操作,它将解序列中第i个元素ci移动到第j个元素cj之后的位置上。ΔD移位=(d(ci-
1,ci)+d(ci,ci+1)+d(cj,cj+1))-(d(ci-1,ci+1)+d(cj,ci)+d(ci,cj+1))

倒位操作(inverse) ：倒位操作相当于选择操作取r=2的情况,它将解序列中从第i个元素ci到第j个元素cj之间的元素的顺序前后颠倒。倒位操作的性能指标为:

ΔD倒位=(d(ci-1,ci)+d(cj,cj+1))-(d(ci-1,cj)+d(ci,cj+1))

(4)如果部分解序列的长度k

欧拉路径求解方法

法I：Fleury算法（深度优先遍历）

数据结构：栈

int stk[];
int top;
int N, M, ss, tt;
int mp[][];

void dfs(int x) { //深度优先遍历
    stk[top++] = x;
    for (int i = ; i <= N; ++i) {
        if (mp[x][i]) {
            mp[x][i] = mp[i][x] = ; // 删除此边
            dfs(i);
            break;
        }
    }
}

void fleury(int start) {
    bool brige;
    top = ; //top永远指向下一个要入栈元素的存放位置
    stk[top++] = start; // 将起点放入Euler路径中
    while (top > ) {
        brige = true; //割边（桥，最后一条连通外界的边）也已经遍历了
        for (int i = ; i <= N; ++i) { // 遍历节点
            if (mp[stk[top-]][i]) { //如果与栈顶节点有边
                brige = false;
                break;
            }
        }
        if (brige) { // 如果没有点可以扩展，输出并出栈，下一个while循环的时候会搜索下一个栈顶元素的其他路径
            printf("%d ", stk[--top]);
        } else { // 否则继续搜索欧拉路径
            dfs(stk[--top]);
        } //从dfs返回，说明从节点stk[top-1]开始的深度遍历已结束，下面找与它连通的下一个节点（广度遍历）。
    }
}

int main() {
    int x, y, deg, num;
    while (scanf("%d %d", &N, &M) != EOF) {
        memset(mp, , sizeof (mp));
        for (int i = ; i < M; ++i) {
            scanf("%d %d", &x, &y);
            mp[x][y] = mp[y][x] = ;
        }
        for (int i = ; i <= N; ++i) { //计算节点度数，判断是否符合欧拉路径/欧拉回路的条件
            deg = num = ;
            for (int j = ; j <= N; ++j) {
                deg += mp[i][j];
            }
            if (deg %  == ) {
                start = i, ++num; //设置起始点
                printf("%d\n", i);
            }
        }
        if (num ==  || num == ) {
            fleury(start);
        } else {
            puts("No Euler path");
        }
    }
    return ;
}