该篇博客为肖鸣宇老师所开的 Design and Analysis of Algorithms 课程的笔记。

绪论

算法解决的三种问题

1. Desicion Problem（判断是否）
2. Optimal（最优化的结果/解）
3. Numeric Calculation（数字计算、解方程）

问题的分类（按复杂度）

• P: a solutuon can be solved in polynimoal time.
• NP: a solution can be checked in polynomial time.
• NPC: problems that may not have a polynomial-time algorithm.

• PTAS: Polynomial-time approximation scheme

和上面不同的是，上面的词描述的都是问题，而 PTAS 是解决问题的方法。也就是说，可以说某个 NP-Hard 问题有 PTAS 算法。

PTAS 要求对于给定的任意近似率 1+\varepsilon，都能给出一个多项式算法，虽然这个多项式在 \varepsilon 趋于 0 时会变为指数级或更高。一般来说 PTAS 算法的复杂度都可以写为 $O(n^{(1/\varepsilon)})$ 或 $O(n^{exp(1/\varepsilon)})$。如 TSP 问题和背包问题都存在 PTAS 算法。

NPC 问题的求解

1. 启发式算法（Heuristic algorithm）：我觉得怎么好，就怎么做。不知道对不对，但是跑的确实快。例如：人工智能方面。
2. 近似算法（Approximation Algorithm）：在多项式时间内得到一个近似解。（难点在于证明近似）
3. 快速算法：高效的指数运行时间的精确算法。
4. 参数算法：参数小的时候，能高效解决问题。近年来兴起。

稳定婚姻问题 Stable Match / Stable marriage problem

给定 n 男 n 女，以及每个人对异性对象的喜好程度（按 1 至 n 排列）。安排男女结婚，使得不出现以下不稳定情形：

在 n 男 n 女中的存在两对夫妇 (M, W) 和 (m, w)，M 男对 w 女喜好度大于现任妻子 W 女，并且 w 女对 M 男喜好度也大于现任丈夫 m 男。

找到解、证明其符合题意、证明是否存在最优解都不是很显然。

稳定室友问题 可能无解

若给 2n 个人，可以随意选择其他 2n-1 人。可能无解。如下图：

Gale-Shapley 算法

Gale-Shapley 算法，1962

Initialize each person to be free.
while (some man is free and hasn't proposed to every woman)
{
    Choose such a man m
    w = 1st woman on m's list to whom m has not yet proposed
    if (w is free)
        assign m and w to be engaged
    else if (w prefers m to her fiancé m')
        assign m and w to be engaged, and m' to be free
    else
        w rejects m
}

Demo

正确性证明：终止

注意到：

(1) 男生从高到低求婚，且对同一个女生只会求一次婚； (2) 女生一脱单，不会重返单身；

因此，由 (1)，最多进行 $n^2$ 次匹配后，程序会终止。

正确性证明：所有人都被匹配

数学三大证明方法：反证、归纳、构造。

反证（By Contradiction）：不妨设（Suppose, for sake of contradiction, that）结束时 Zeus 没有被匹配，由 (1)，他向所有女生求过婚。

• 则一定有女生没有被匹配，不妨设为 Amy；
• 由 (2)，Amy 从来没有被求过婚；
• 则 Amy 没有被 Zeus 求过婚；
• 由假设和上一条，推出矛盾。

正确性证明：稳定性

反证：假设 A-Z 是不稳定对。则分情况讨论：

• 情况 1：Z 没有向 A 求过婚。则 Z 更喜欢当前的对象，与假设矛盾；
• 证明 2：Z 向 A 求过婚，而 A-Z 没有在一起，则 A 更喜欢当前的对象，与假设矛盾；

综上，假设不成立。

思考

1. 如何用算法实现？时间复杂度？（用数组即可，时间复杂度 $O(n^2)$）
2. 如果有多种稳定匹配，GS 算法得到的是哪一种？

多种稳定匹配情况——GS 男生最优，女生最劣

定义：如果存在一组稳定匹配，其中男生 m 为女生 w 配对，则定义他们为彼此的合法伴侣。
结论：GS 算法得到的是男生的最优解，女生的最劣解（男生匹配到的伴侣是最优的合法伴侣，女生匹配到的伴侣是最劣的合法伴侣）。

证明 GS 算法得到的匹配 S* 是男生最优的（男生匹配到的伴侣是最优的合法伴侣）：（反证）

• 假设某男在 S* 中匹配到了不是最佳合法伴侣的伴侣。由于男生是以降序求婚，有男生被其最佳合法伴侣拒绝过。设第一个被最佳合法伴侣拒绝的男生为 Y，其最佳合法伴侣为 A。
• 设在另一个稳定匹配 S 中，女生 A 和男生 Y 在一起。
• 在 S* 中，女生 A 拒绝过男生 Y，则女生 A 一定和某男生（设为 Z）在一起了（女生拒绝男生的充要条件是女生和她更喜欢的男生在一起）。则可得女生 A 对男生的好感度中，Z > Y (3)。
• 设在 S 中，男生 Z 和某女生 B 在一起。
• 由于在 S* 中，男生 Y 是第一个被拒绝的，所以此时男生 Z 还没有被拒绝过。此时男生 Z 和女生 A 在一起了，所以男生 Z 还没有向女生 B 求过婚（否则 Z 需要先被 B 拒绝，才能和 A 在一起）。则男生 Z 的好感度中，A > B (4)。
• 在稳定匹配 S 中，A-Y 在一起，B-Z 在一起。而由 (3)(4)，A-Z 对彼此的好感度高于他们的当前伴侣 B(Y)，因此，推出匹配 S 是不稳定的，矛盾。

问题得证。

有意思的是，男生的最优是以女生的最劣为代价（在 GS 算法中，女生匹配到的伴侣是最劣的合法伴侣），这可以由男生最优这一结论简单的推出：

• 假设在稳定匹配 S* 中，女生 A 和 男生 Z 在一起。而女生 A 的最劣合法伴侣是某男生 Y。则女生 A 对男生的好感度中，Z > Y (5)。
• 设在稳定匹配 S 中，女生 A 和某男生 Y 在一起，男生 Z 和 女生 B 在一起。
• S* 中 A-Z 在一起。由 S* 中男生最优的结论，男生 Z 对女生的好感中，A > B (6)。
• 在稳定匹配 S 中，A-Y 在一起，B-Z 在一起。而由 (5)(6)，A-Z 对彼此的好感度高于他们的当前伴侣 B(Y)，因此，推出匹配 S 是不稳定的，矛盾。

问题得证。

问题拓展：将病人安排在医院

没有做过多研究，仅作摘抄。

Men ≈ hospitals, Women ≈ med school residents

Variant 1. Some participants declare others as unacceptable. (resident A unwilling towork in Cleveland) Variant 2. Unequal number of men and women. Variant 3. Limited polygamy. (hospital X wants to hire 3 residents)

Def. Matching S unstable if there is a hospital h and resident r such that:

• h and r are acceptable to each other; and
• either r is unmatched, or r prefers h to her assigned hospital; and
• either h does not have all its places filled, or h prefers r to at least one of its assigned residents.

算法复杂度分析

渐进复杂度分析。

渐近分析（asymptotic analysis、asymptotics），在数学分析中是一种描述函数在极限附近的行为的方法。 有多个科学领域应用此方法。 例子如下： 在计算机科学中，算法分析考虑给定算法在输入非常大的数据集时候的性能。——维基百科

$O(g(n)), \Omega(g(n)), \Theta(g(n))$ 这些都是函数的集合。为什么用 “$=$”而不用 "$\in$"，只能说是习惯。

主要是想说说另外两个非紧上界、下界。

$O(g(n)) = \{ f(n) |$ 对于任何正常数 $c>0$，存在正数 $n_0>0$ 使得对所有 $n \geq n_0$ 有：$0 \leq f(n) < cg(n) \}$

$\Omega (g(n)) = \{ f(n) |$ 对于任何正常数 $c>0$，存在正数 $n_0>0$ 使得对所有 $n \geq n_0$ 有：$0 \leq cg(n) < f(n) \}$

和上面的区别就是这是对于任何 $c$ 都满足，因此必须要在数量级上非紧，才能使得对于任何 $c$ 都满足。

这还很像极限的定义：

$f(n) = O(g(n)) \space \Leftarrow \space \lim_{n \to \infty} \frac{f(n)}{g(n)} = 0 \space \Rightarrow \space g(n) = \Omega (f(n))$

但是不完全一样。如果拿极限定义，$f(n)$ 就不满足 $O(f(n))$ 了。

传递性、对称性、反身性、互对称性、算术运算。

贪心算法

实例：线段覆盖。

证明贪心的正确性的几种方法：

1. 试图说明在每一步以后，贪心算法至少和别的算法一样好。
2. 如果每一个解都有值，找到一个界，并证明贪心能够达到这个界。
3. 交换论证。证明每一个解通过一步步的交换，在不变差的前提下，逐渐变为贪心的解。

分治算法

分治复杂度计算：

若 $T(n) = k \cdot O(\frac{n}{2}) + \Theta(n)$，且 则 $T(n) = O(n^{\log_2 k})\cdot T(1) + O(n\log n)$。（构造等比数列或列出递归树证明）

还有更通用的（但是好复杂）：

若 $T(n) = \begin{cases}1 & \text{n=1} \\kT(\frac{n}{m})+f(n) & \text{n>1} \end{cases}$ 则 $T(n)=n^{log_mk}+\sum_{j=0}^{log_mn-1}k^j f(\frac{n}{m^j})$

不如使用主方法。

注意分治递推表达式里面的常数 $k$ 推出来和 $n$ 的次数是有关系的。

递归表达式处理

可参考《算法导论》或其他书籍的递归理论。

• Substitution method（代换法，猜结论，然后用第二数学归纳法证明）
• Recursion-tree method（递归树法）
• Master method（主方法即套公式法）

主方法

主方法看起来复杂，其实也不复杂。

对于表达式 $T(n)=aT(\frac{n}{b})+f(n)$， 其中 $a≥1$ 和 $b>1$ 是常数，$T(1)=\Theta(1)$，$f(n)$ 是一个渐进正的函数（渐进函数，并且是增函数），其中 $\frac{n}{b}$ 指 $\lfloor \frac{n}{b} \rfloor$ 或 $\lceil \frac{n}{b} \rceil$：

• 若对于某常数 $\varepsilon>0$，有 $f((n)=O(n^{\log_b{a-\varepsilon}})$，则 $T(n)=\Theta(n^{\log_b a})$
• 若 $f(n)= \Theta(n^{\log_ba})$，则 $T(n)=\Theta(n^{\log_ba}\log n)$
• 若对于某常数 $\varepsilon>0$，有 $f(n)=\Omega(n^{\log_b{a+\varepsilon}})$，且对常数 $c<1$ 与所有足够大的 $n$，有 $a\cdot f(\frac{n}{b}) \leq c \cdot f(n)$，则 $T(n)=\Theta(f(n))$

主方法其实是在说这个事情：

对于 $T(n)=aT(\frac{n}{b})+f(n)$，其最终算出来的复杂度为某两项之和，并且前一项化出来肯定是 $\Theta(n^{\log_b a})$。

主方法做的事情，就是为了在某些条件下，就可以直接判断哪一项的复杂度更高（然后忽略掉另一项）。

而第一、三条的奇奇怪怪的形式是为了表示一句话：“如果后一项的复杂度低于/高于 $\Theta(n^{\log_b a})$”。
在渐进复杂度中没有“复杂度低于”的这种表示法，只能引入 $\varepsilon>0$ 来表示复杂度的高于、低于。于是看起来才这么复杂，为了严谨性不得不牺牲可读性。

剩下具体的内容就不再展开了，因为涉及到了主方法的证明了。

分治实例

用分治加速大数乘法：将大数分为前半段和后半段计算。注意要尽量在代数上减少乘法的次数，不能直接跑。

用分治加速矩阵乘法：对矩阵分块，再经过一波玄学操作，能把 8 次乘法（$O(n^{log_2 k}) = O(n^3)$）减少到 7 次，从而把复杂度降到 $O(n^{log_2 7}) = O(n^{2.81})$。

动态规划

DP 是为了解决递归算法中的重复计算。

DP 可以写为递归形式，也可以写为自底向上的循环形式。

0-1 背包问题

时间复杂度：$\Theta(nW)$，
不是对于输入量的多项式复杂度，而是输入数值的多项式复杂度（输入量是输入数值取 $log$）。可称为伪多项式时间复杂度，Pseudo-polynomial）。
是 NP 问题。

0-1 背包有多项式复杂度的近似算法，解的误差在 0.01% 以内。

序列比对

把两个长度为 m 和 n 的字符串通过 mismatch 和 gap 使得两个字符串匹配。每个 mismatch 和 gap 的代价已知。求总代价的最小值。

跑一个 $T(n,m) = S(n,m) = \Theta(mn)$ 的 DP 即可。

这是目前最快的算法，但是对于计算生物学来说，两个 10GB 的字符串会很难受。

网络流

见另一篇博客。

NP 和难以计算的问题

讲 NP 之前，我们得先来聊聊什么是归约。

归约，是把看起来不相关的两个问题的解决方法联系起来。这样，就能用一个已知为（公认为） NP 的问题，证明一堆问题是 NP 的。

多项式归约

问题 $X$ 被多项式归约（polynomial reduces to）问题 $Y$，定义为，对于问题 $X$ 的任意一种情形，都能通过进行以下操作完成：

1. 多项式次标准操作 和，
2. 多项式次解决问题 $Y$ 的方法。

记作：$X \leq _p Y$。

这么做的目的，是将问题按（在多项式时间内解决的）难度分类。以下是分类的技巧：

1. 如果 $X \leq _p Y$，而 $Y$ 能在多项式时间内解决，则 $X$ 也能在多项式时间内解决。
2. （1 的逆否命题）如果 $X \leq _p Y$，而 $X$ 不能在多项式时间内解决，则 $Y$ 也不能在多项式时间内解决。
3. $(X \leq _p Y) \wedge (Y \leq _p X) \Leftrightarrow X \equiv _p Y $。

归约的技巧

1. Reduction by simple equivalence.(简单恒等)
2. Reduction from special case to general case.(从特殊到一般)
3. Reduction by encoding with gadgets.(利用一些小技巧进行归约)

简单恒等：独立集 与 顶点覆盖

独立集：给定一个图，在图中找到一个点的集合，使得集合中任意两点之间都没有线段。 下图的最大独立集大小为 6。

点覆盖：给定一个图，在图中找到一个点的集合，使得图中的所有边的两个顶点至少有一个在集合里。
下图的最小点覆盖是 4。

看两个描述就觉得有互补的关系，而看这两张图，就更明显了。最大独立集问题和最小点覆盖问题是否是互补的呢？

是的！最大独立集问题 $\equiv _p$ 最小点覆盖问题。

证明：

只需要证明 $S$ 是独立集的充要条件是 $V-S$ 是点覆盖。

必要：设 $S$ 为独立集。
$\forall edge (u, v)$, $u \notin S$ or $v \notin S$
$\Rightarrow u \in V - S$ or $v \in V - S$
$\Rightarrow V - S$ 是点覆盖； 充分：设 $G-S$ 为点覆盖。对于 $S$ 中的任意两点 $v, u$，二点之间必没有边，否则至少有一点必须被加入点覆盖 $G-S$。所以 $S$ 是独立集。

从一般到特殊：集合覆盖 与 顶点覆盖

集合覆盖：给定全集 $U$、它的一些子集 $S_1, S_2, ..., S_m \subseteq U$ 和一个整数 $k$，问能否从所有子集 $S_i$中选取不多于 $k$ 个，使得它们的并集为 $U$。

可以证明，顶点覆盖问题 $\leq _p$ 集合覆盖问题。证明思路是，顶点覆盖问题和一类特殊的集合覆盖问题是可以互相等价的。

• 让顶点覆盖中的点是集合覆盖中的集合。
• 让顶点覆盖中的线段是集合覆盖中的元素。
• 让上述线段的两端的顶点是包含了对应元素所存在的集合。（特殊就出现在了这里，要求集合覆盖中的每个元素最多只能出现在两个集合 $S_i$ 中）

这样，我们构造出的特殊的最小集合覆盖即等价于最小顶点覆盖。如下图：

因此，顶点覆盖 $\leq _p$ 集合覆盖。

构造的小技巧：3-SAT 与 独立集

先介绍一下析取范式。

简单合取式（Clause）：$C_j = {x_1} \vee \overline \vee {x_3}$；
析取范式（CNF）：$\Phi = C_1 \wedge C_2 \wedge C_3 \wedge C_4$。

SAT 问题（Satisfiability）是给定一个析取范式（CNF），判定是否存在一种赋值，使得该范式值为真。

3-SAT 即是，每个 Clause 的变量数不超过 3（不是整个 CNF 涉及到的变量数不超过 3）。如上述的 CNF。

我们可以归约：3-SAT $\leq _p$ 独立集

构造：（假设问题的 CNF 有 $k$ 个 Clause）

• 对于每个 Clause 的三个变量，构造三个点，并连接起来构成 $k$ 个三角形；
• 将所有变量和它的所有否定形式一一连接。

此时，3-SAT 有解，当且仅当该图的最大独立集大小为 $k$。

证明：显然 $k$ 是图的独立集大小的上界。若该图的最大独立集大小为 $k$，则每个三角形必有一个顶点在该独立集中，且这些点不会同时出现 $x$ 和 $\overline{x}$ 的情况（否则这两点会被相连，与独立集定义矛盾），则可使取的点（$x$ 或 $\overline{y}$）的值为真，没有被赋值的变量任取真或假，即是 3-SAT 的解。

若 3-SAT 有解，则独立集可取解中所有值为真的点，以及值为假的点的取反（即若 $x$ 为假，取所有 $\overline{x}$），对于同一三角形中的点，可在取到的集合去掉任一，即可得到一个大小为 k 的独立集。

总结

我们已经证明了：

3-SAT $\leq _p$ 独立集 $\equiv _p$ 顶点覆盖 $\leq _p$ 集合覆盖

自身归约

每个问题两个研究方向：决定问题（Decision Problem）和优化问题（Search Problem）。

举个栗子，对于顶点覆盖问题：
决定问题是，是否存在一个小于等于 $k$ 的顶点覆盖。
优化问题是，找到最小的点覆盖的集合的大小。

显然，对于所有问题，决定问题能被归约到优化问题。
有趣的地方就在于，貌似优化问题也可以归约（指多项式归约）到决定问题，这样，决定问题和归约问题就互相归约了。这种归约叫做自身归约。

如果对于一个问题，如果它能自身归约，于是对于这种问题，我们要想证明 NP，只需要证明决定问题是 NP 的，这样就简化了问题。

而对于目前的所有问题，都可以证明有自身归约的性质（但不代表所有问题一定都有自身归约的性质）。

例子：最小点覆盖

下面证明最小点覆盖的优化问题可以归约到决定问题。

1. 二分搜索找到最小点覆盖的大小，并设为 k；
2. 在图中找到一个点 v 使得删掉 v （及其邻边）的图的有大小为 k-1 的点覆盖；
3. 在图中删去点 v，并返回 2 继续执行。

不同的问题证明自身归约有不同的方法，但其实也是有套路可循的。

P 与 NP

决定性问题

决定性问题的严格定义：

$X$ 是一个字符串（当然也可以是数字）的集合，$s$ 是一个字符串，决定问题是需要判断 $s$ 是否在 $X$ 中。

多项式时间复杂度：

指对于每个字符串 $s$，判断 $s$ 是否在 $X$ 中的算法所需时间是 $s$ 长度 $|s|$ 的多项式次数。

如判断数字 t 是不是质数的朴素算法，就不是多项式时间复杂度的（是 $10^{|t|}$ 的）。在 2002 年出现了多项式复杂度的 AKS 算法，$p(|s|)=|s|^8$。
它的 $X$ 集合是 $\{2,3,5,...\}$。

验证（Certification & Certifier）算法

验证算法同样是要判断 $s$ 是否在 $X$ 内。不同的是，它可以用到更多的信息 $t$，以加速判断。
如，判断合数的验证算法需要的 $t$ 是它的一个因数，这样就能很快判断了。

验证算法的严格定义：对于算法 $C(s,t)$，如果对于 $X$ 中的任意一个解 $s$，都存在一个 $t$，使得 $C(s,t) = yes$，则称 $C(s,t)$ 算法是问题 $X$ 的一个验证算法。

NP 的严格定义

先声明一下，NP 不是 P 的反义词！！！！这是新人（包括我）在第一次接触 P 和 NP 时，容易产生的一个很大的误区。

扯完验证算法，就可以说 NP 了，因为 NP 的严格定义是和验证算法有关的。

NP：存在多项式时间的验证算法的决定问题（即能在多项式时间内验证的问题）。

听完这个，可能你会有一万个黑人问号，NP 不就是不能在多项式解决的问题吗？？？？

其实不是，说不定一万年以后就有人证出了某个 NP 问题是多项式可解的呢？
所以呢，NP 的严格定义是存在多项式时间的验证算法，它并没有提及问题本身能否在多项式内是可解的。

不过呢，在平时，一般很多人说的 NP 指的就是目前多项式不可解的问题。这种说法是错误的。

那 NP 为什么叫 NP 啊？它定义里面就没有一个 N 开头的单词啊。
NP 是 nondetermistic (turing machine) polynomial-time，即非确定性图灵机能在多项式时间内解决的问题。啊看不懂看不懂。

好了，那我们如何证明一个问题是 NP 的呢？

。 。。 。。。 。。。。

只需证明能在多项式时间内验证就行了。（不是说要证明他多项式不可解喔别被坑了哈哈哈哈）

验证合数显然是多项式可解的，那验证质数是 NP 呢？只能调用 AKS 跑一遍了，甚至不需要验证算法可以额外提供的 $t$。

NP-Complete

NP-Complete（NPC、NP完全）：所有 NP 问题都能归约到这个问题，并且这个问题也是 NP 的。

顺便说一句，满足第一点的问题也被称为 NP-Hard。这里并不需要证明它不是 NP 的，因为你几乎不能证明一个问题不是 NP 的（毕竟证伪难）。
所以 NP-Hard 包含了 NP-Complete 问题。如上一点的图。

NPC 的意义是，他们是 NP 中最难的问题，因为如果证明其中一个在多项式内有解，则直接证明了 P=NP！
因此，我们不需要花太多精力来找是否存在多项式复杂度的问题。

问题是，第一个 NP-Complete 问题是如何产生的呢？

P、NP 和 EXP

在讲第一个 NP-Complete 问题之前，这几个概念再理一遍：

P： 使用图灵机能在多项式时间内解决的问题；
NP： 存在多项式时间的验证算法的决定问题；
EXP：使用图灵机能在 $O(2^{p(n)})$ 的时间内解决的问题（$p(n)$ 代表 $n$ 的多项式）。 NP-Complete：所有 NP 问题都能归约到这个问题，并且这个问题也是 NP 的。 NP-Hard：所有 NP 问题都能归约到这个问题。

有 P $\subseteq$ NP $\subseteq$ EXP，NP $\wedge$ NP-Hard = NP-Complete。

其中 NP $\subseteq$ EXP，可由 NP 的定义，解的集合 $X$ 肯定是有限的，因此能够在指数时间完成枚举即可。

第一个 NP-Complete 问题：Circuit Satisfiablity

证明的大概思路就是，对于任意 NP 问题，都可以把他的有限的解和验证算法的 t 构成一个逻辑电路，就把所有问题归约为了这个问题。

更多的 NP-Complete 问题

我们证明 NP-Complete 的，如果按定义，证明所有 NP 问题都能被归约到这个问题，这也太难了。但是——

有了第一个 NP-Complete 问题，我们就可以通过把已知的 NP-Complete 问题归约到其他问题，（根据归约的传递性）从而证明更多的问题也是 NP-Complete。

以下就是一个 NP-Complete 问题的拓扑图。

这些问题又分为六个基本大类：

1. Packing problems(装箱问题): SET-PACKING, INDEPENDENT SET.
2. Covering problems: SET-COVER, VERTEX-COVER.
3. Constraint satisfaction problems(约束满足问题): SAT, 3-SAT.
4. Sequencing problems: HAMILTONIAN-CYCLE, TSP(旅行商问题).
5. Partitioning problems: 3D-MATCHING 3-COLOR.
6. Numerical problems: SUBSET-SUM, KNAPSACK.

大多数 NP 问题，要么已知是 P 的，要么已经被证明是 NP-Complete 的了。（也有例外：质因数分解、判断图的同构、纳什均衡等）

看到这里，你大概已经明白了，我们一般说一个问题已被证明多项式不可解，其实不是说的 NP，而是 NP-Complete（准确的说，是 NP-Hard。

虽然 NP-Complete 的定义里面也没有直接提到"多项式不可解"，但是，可以注意到的是，NP-Complete 问题多项式可解的充要条件是：P=NP。

接下来，我们要分别阐述六个基本大类里的 NPC 问题。

39-49???????

NP 问题归约例子

近似算法