Advertisement

Approximation mit relativer Gütegarantie

Auszug

Die im vorhergehenden Kapitel untersuchte Approximation mit absoluter Gütegarantie kommt immer dann sehr nah an den Wert einer optimalen Lösung, wenn die Werte der Lösungen sehr groß sind. Eine konstante absolute Abweichung von z.B. 10 bei einem optimalen Wert von 1000000 fällt kaum noch „ins Gewicht“. Wie wir aber zum Ende des Kapitels gesehen hatten, kann man bei vielen Problemen durch einen vergleichsweise einfachen Multiplikationstrick die Lücke zwischen optimaler und zweitbester Lösung beinahe beliebig groß machen und damit zeigen, daß man das Problem nicht gut im Rahmen einer absoluten Gütegarantie approximieren kann. Deswegen wenden wir uns nun der „prozentualen“, bzw. korrekter, der relativen Güte zu, bei der man sich in Abhängigkeit von den Werten der Lösungen mit einer Abweichung von z.B. maximal 10% zufrieden gibt. Dies entspricht der alltäglichen Redewendung „Ein, zwei Prozent Abweichung sind tolerierbar“.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

3.4 Literatur zu Kapitel 3

  1. [Aza94]
    Y. Azar. Lower bounds for insertion methods for TSP. Combinatorics, Probability and Computing, 3:285–292, 1994.zbMATHMathSciNetGoogle Scholar
  2. [Bol98]
    B. Boliobás. Modern Graph Theory. Springer, New York, 1998.Google Scholar
  3. [Chr76]
    N. Christofides. Worst-case analysis of a new heuristic for the travelling salesman problem. Technical Report 388, Graduate School of Industrial Administration, Carnegie-Mellon University, Pittsburgh, 1976.Google Scholar
  4. [CLR90]
    T. H. Cormen, C. E. Leiserson, and R. L. Rivest. Introduction to Algorithms. MIT Press, Cambridge, 1990.zbMATHGoogle Scholar
  5. [CN78]
    G. Cornuejols and G. L. Nemhauser. Tight bounds for Christofides’ traveling salesman heuristic. Mathematical Programming, 14:116–121, 1978.zbMATHCrossRefMathSciNetGoogle Scholar
  6. [FNW79]
    M. L. Fisher, G. L. Nemhauser, and L. A. Wolsey. An analysis of approximations for finding a maximum weight hamiltonian circuit. Operations Research, 27:799–809, 1979.zbMATHMathSciNetCrossRefGoogle Scholar
  7. [GP99]
    M. Grötschel and M. Padberg. Die optimierte Odyssee. Spektrum der Wissenschaft, pages 76–85, April-Heft 1999.Google Scholar
  8. [Hal98]
    M. M. Halldórsson. Approximations of independent sets in graphs. In Proc. Int. W’shop on Approximation Algorithms for Combinatorial Optimization (APPROX)), pages 1–13, 1998.Google Scholar
  9. [Hoc96]
    D. S. Hochbaum, editor. Approximation Algorithms for NP-Hard Problems. PWS, Boston, 1996.Google Scholar
  10. [HR97]
    M. M. Halldórsson and J. Radhakrishnan. Greed is good: Approximating independent sets in sparse and bounded-degree graphs. Algorithmica, 18:145–163, 1997.zbMATHCrossRefMathSciNetGoogle Scholar
  11. [Hur92]
    C. A. J. Hurkens. Nasty TSP instances for farthest insertion. In Proc. 2nd Integer Programming and Combinatorial Optimization Conf. (1PCO), pages 346–352, 1992.Google Scholar
  12. [Joh74]
    D.S. Johnson. Approximation algorithms for combinatorial problems. Journal of Computer and System Sciences, 9:256–278, 1974.zbMATHMathSciNetCrossRefGoogle Scholar
  13. [LLRS85]
    E. L. Lawler, J. K. Lenstra, A. H. G. Rinooy Kan, and D. B. Shmoys. The Traveling Salesman Problem. John Wiley & Sons, 1985.Google Scholar
  14. [Rei94]
    G. Reinelt. The Traveling Salesman: Computational Solutions for TSP Applications. Springer, New York, 1994.Google Scholar
  15. [RSL77]
    D. J. Rosenkrantz, R. E. Stearns, and P. M. Lewis II. An analysis of several heuristics for the traveling salesman problem. SIAM Journal on Computing, 6:563–581, 1977.zbMATHCrossRefMathSciNetGoogle Scholar
  16. [Vai89]
    P. M. Vaidya. Geometry helps in matching. SIAM Journal on Computing, 18:1201–1225, 1989.zbMATHCrossRefMathSciNetGoogle Scholar

Copyright information

© B.G. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden 2006

Personalised recommendations