Фиксированный параметр и аппроксимация - это совершенно разные подходы для решения сложных задач. У них разная мотивация. Приближение ищет более быстрый результат с приближенным решением. Фиксированный параметр ищет точное решение с временной сложностью в терминах экспоненциальной или некоторой функции k и полиномиальной функции n, где n - размер ввода, а k - параметр. Пример .
Теперь мой вопрос, есть ли какой-либо результат верхней или нижней границы, основанный на связи между подходами с фиксированным параметром и приближением, или они полностью не имеют никакой связи. Например, для задачи говорят, что W [ i ] трудно для некоторых i > 0 не имеет ничего общего с алгоритмом c-приближения или PTAS. пожалуйста, предоставьте некоторые ссылки
Ответы:
Существует несколько связей между параметризованной сложностью и алгоритмами аппроксимации.
Сначала рассмотрим так называемую стандартную параметризацию задачи. Здесь параметр - это то, что вы оптимизируете в оптимизационной версии задачи (размер покрытия вершин для задачи покрытия вершин, ширина декомпозиции дерева для задачи Treewidth и т. Д.). Давайте конкретно посмотрим на Vertex Cover. Любое ядро с линейным числом вершин для покрытия вершин подразумевает алгоритм приближения с постоянным множителем за полиномиальное время: в приближенное решение помещают все вершины, которые были принудительно введены в решение алгоритмом ядра, и все вершины экземпляра с ядром. , С другой стороны, нижние оценки для коэффициента аппроксимации подразумевают более низкие оценки для размера ядра. Например, в предположении об уникальных играх, Хот и Регев (JCSS 2008)исключить алгоритмы аппроксимации для покрытия вершин с отношением любого , что исключает ядро для покрытия вершин с максимум c k вершинами, c < 2 также.c<2 ck c<2
РЕДАКТИРОВАТЬ: Аргументация для нижней границы ядра в предыдущем параграфе является очень неформальной, и, насколько мне известно, открыто, могут ли быть доказаны такие нижние границы для размера ядра, даже для Vertex Cover. Как указывает @Falk в комментариях, аргумент верен для большинства (всех?) Известных ядер. Тем не менее, я не вижу, как можно исключить существование алгоритмов ядра, где допустимое решение ядра с экземпляром имеет коэффициент аппроксимации, отличный от соответствующего решения в исходном случае.
Затем возникает проблема PTAS против FPTAS. Если мы хотим найти решение в пределах от оптимального, мы можем параметризовать как 1 / ϵ . Затем PTAS соответствует алгоритму XP в параметризованной настройке, тогда как FPTAS соответствует алгоритму FPT. Для приблизительной нижней границы мы не можем ожидать EPTAS для любой задачи, стандартная параметризация которой W [1] -hard: запуск EPTAS с ϵ = 1 / ( k + 1 ) решит проблему точно во время FPT.(1+ϵ) 1/ϵ ϵ=1/(k+1)
Наконец, алгоритм аппроксимации FPT - это алгоритм с временем выполнения FPT и коэффициентом аппроксимации, который может зависеть от параметра. Например, стандартная параметризация задачи Cliquewidth имеет алгоритм аппроксимации FPT с отношением аппроксимации (Oum, WG 2005) , тогда как стандартная параметризация Независимого доминирующего множества не имеет алгоритма аппроксимации FPT с коэффициент производительности g ( k ) для любой вычислимой функции g , если только FPT = W [2] (Downey et al., IWPEC 2006) . См. (Маркс, The Computer Journal 2008)(23k+2−1)/k g(k) g для обследования по приближению FPT.
источник
Другие характеристики для двух приближенных классов предложены в [2, теорема 6.5].
источник