Một số phương pháp thiết kế thuật giải

1

11thanhkhoeo

[TẶNG BẠN] TRỌN BỘ Bí kíp học tốt 08 môn
Chắc suất Đại học top - Giữ chỗ ngay!!

ĐĂNG BÀI NGAY để cùng trao đổi với các thành viên siêu nhiệt tình & dễ thương trên diễn đàn.

[FONT=&quot]Nội dung của chương này là một số chiến lược thiết kế thuật giải như chia để trị, vét cạn, tham lam, quy hoạch động... Mặc dù đó là các chiến lược tổng quát, tuy nhiên mỗi phương pháp chỉ áp dụng cho những lớp bài toán phù hợp. Nội dung của chương, ngoài phần trình bày về các phương pháp còn có những ví dụ cụ thể, cả thuật giải và cài đặt, để người đọc có một cái nhìn chi tiết về việc từ thuật toán đến chương trình.[/FONT]

mỗi ngày Thành sẽ post 1 bài.

Chúc các bạn học tốt

 
Last edited by a moderator:
1

11thanhkhoeo

Chia để trị (Divide and Conquer)​
Chia để trị là một tư tưởng rất phổ biến trong cuộc sống và được áp dụng rất hiệu quả trong Tin học. Tư tưởng cơ bản của phương pháp chia để trị là chia một bài toán lớn, khó giải thành các bài toán tương tự, có kích thước nhỏ hơn và dễ giải hơn sao cho ta có thể phối hợp kết quả của các bài toán con đó để có kết quả của bài toán lớn.
Rất nhiều thuật toán ta gặp ở chương trước đều mang tư tưởng "chia để trị": thuật toán sắp xếp nhanh Quick sort, thuật toán sắp xếp trộn Merge sort, thuật toán tìm kiếm nhị phân,… Chúng ta sẽ nghiên cứu bài toán Tháp Hà nội, là một bài toán điển hình được giải bằng phương pháp chia để trị.
 
1

11thanhkhoeo

Bài toán Tháp Hà Nội
Có N đĩa có đường kính khác nhau được đặt chồng lên nhau theo thứ tự giảm dần của đường kính tính từ dưới lên. Có ba vị trí có thể đặt các đĩa đánh số 1, 2, 3. Chồng đĩa ban đầu được đặt ở vị trí 1:
images

Cần chuyển cả chồng đĩa từ vị trí 1 sang vị trí 2, theo những quy tắc sau:
• Khi di chuyển một đĩa, phải đặt nó vào một trong ba vị trí đã cho.
• Mỗi lần chỉ có thể chuyển một đĩa và phải là đĩa ở trên cùng.
• Tại một vị trí, đĩa nào mới chuyển đến sẽ phải đặt lên trên cùng. Đĩa lớn hơn không bao giờ được phép đặt lên trên đĩa nhỏ hơn (hay nói cách khác: một đĩa chỉ được đặt trên mặt đất hoặc đặt trên một đĩa lớn hơn)
Bài toán này có nguồn gốc là một truyền thuyết của Ấn độ rằng có một nhóm cao tăng Ấn độ giáo được giao trọng trách chuyển dần 64 đĩa vàng giữa 3 cọc kim cương theo các điều kiện đã nói ở phần trên. Khi nào hoàn tất công việc, tức là khi chuyển xong toàn bộ 64 đĩa từ vị trí ban đầu sang vị trí kết thúc thì cũng là thời điểm tận thế.
Chúng ta giải bài toán bằng cách chia bài toán chuyển N đĩa, từ vị trí 1 sang vị trí 2 thành ba bài toán đơn giản hơn như sau:
1. Chuyển N-1 đĩa trên cùng từ vị trí 1 sang vị trí 3, dùng vị trí 2 làm trung gian.
2. Chuyển đĩa thứ N từ vị trí 1 sang vị trí 2.
3. Chuyển N-1 đĩa từ vị trí 3 sang vị trí 2, dùng vị trí 1 làm trung gian.
Chú ý rằng bài toán 1 và 3 tương tự như bài toán ban đầu, chỉ khác là kích thước nhỏ hơn. Chúng cũng sẽ được giải bằng phương pháp “chia để trị” giống như bài toán ban đầu. Dễ dàng kiểm tra là khi giải như vậy chúng vẫn thoả mãn các điều kiện. Bài toán 2 thì được giải rất đơn giản.
Thuật toán được viết dưới dạng giả mã như sau:
Procedure Hanoi;
begin
Move(n,1,2,3);
end;
Procedure Move(n,a,b,c);
{chuyển n đĩa, từ vị trí a sang vị trí b, dùng vị trí c làm trung gian }
begin
if n=0 then exit;
Move(n-1,a,c,b);
writeln('Chuyển đĩa ',n, ' từ vị trí ',a, 'sang vi tri ',b);
Move(n-1,c,b,a);
end;
Chúng ta hãy dừng lại một chút để phân tích độ phức tạp tính toán. Gọi T(n) là số thao tác chuyển đĩa cần thiết để chuyển xong n đĩa. Theo thuật toán trên ta có:
T(n) = T(n-1) + 1 + T(n-1).
Bằng các phương pháp giải công thức truy hồi ta có được T(n) = 2n-1. Áp dụng kết quả này với giả thiết rằng mỗi cao tăng phải mất 1 giây để chuyển xong một đĩa từ cọc này sang cọc kia, ta thấy thời gian để chuyển toàn bộ 64 đĩa vàng là T(64)=216-1=18446744073709551615 giây. Như vậy ngày tận thế (nếu có) theo truyền thuyết phải 600 tỉ năm nữa mới đến.
Chúng ta sẽ phân tích một thuật toán nữa để thấy được sự hiệu quả của phương pháp chia để trị. Bài toán được chọn để phân tích tiếp theo là bài toán nhân 2 số lớn.
 
1

11thanhkhoeo

8.1.2. Bài toán nhân hai số lớn
Rất nhiều ứng dụng trong thực tế đòi hỏi phải xử lí các số rất lớn, nằm ngoài khoảng biểu diễn của các kiểu cơ sở của ngôn ngữ lập trình (chẳng hạn việc tìm các số nguyên tố rất lớn trong mã hoá RSA). Để giải quyết các yêu cầu đó, chúng ta phải xây dựng các kiểu số rất lớn và xây dựng các phép toán tương ứng. Trong phần này ta chỉ xét phép toán nhân đối với hai số rất lớn. Giả thiết cả hai đều có n chữ số và được biểu diễn bằng mảng. Bài toán nhân 2 số lớn phát biểu như sau:
Input. A,B là 2 số nguyên có n chữ số: A=A1A2….An và B=B1B2….Bn.
Output. C=A.B
Thuật toán tự nhiên (brute-force) của bài toán nhân 2 số lớn là giải thuật nhân tay ta vẫn thực hiện: lần lượt nhân từng chữ số của số thứ hai với số thứ nhất, dịch kết quả theo vị trí và cộng các kết quả trung gian lại.
Chẳng hạn để nhân A=1981 và B=1234 ta tiến hành như sau:
1981
 1234
-------
7924
+ 5943
3962
1981
-------
2444554
Thuật toán nhân 2 số lớn kiểu nhân tay được mô tả bằng giả mã:
PHP:
function Mul(A,B,n)
begin 
	T := 0;
	for i := 1 to n do begin 
		D := A* Bi;
		D := D shl (i-1); {dịch D sang trái i-1 chữ số, tức là nhân D với 10i-1}
		T := T + D; 
	end;
	return T;
end;
Dễ dàng tính được độ phức tạp tính toán của thuật toán này là O(n2). Chúng ta cố gắng giảm bậc của thuật toán với tư tưởng chia để trị. Để đơn giản, ta giả thiết n=2k và tách A,B dưới dạng XY và UV trong đó X,Y,U,V là các số có k chữ số. Như vậy phép nhân 2 số A,B được tính như sau:
A.B = (X.10k + Y).(U.10k+V) = XU.102k + (XV+YU).10k+UV.
Kết quả là bài toán nhân 2 số A.B có 2k chữ số được chia thành 4 bài toán con nhân các số k chữ số và một số phép cộng, trừ. Nhưng như vậy vẫn còn nhiều. Ta tiếp tục cải tiến bằng nhận xét:
XV+YU = (X+U).(Y+V) - (XY + UV).
Đặt P = XY; Q = UV; R = (X+U).(Y+V). Từ 2 đẳng thức trên ta có:
A.B = P.102k + (R-P-Q).10k+Q.
Như vậy bài toán nhân 2 số A.B có n chữ số được chia thành 3 bài toán con nhân các số n/2 chữ số và một số phép cộng, trừ. Thuật toán được viết dạng giả mã như sau:
PHP:
function Mul(A,B,n)
begin
	if n=1 then return A1*B1;
	k = n / 2; 
	X :=A(1..k); Y := A(k+1..n);
	U :=B(1..k); V := B(k+1..n);
	P := Mul(X,Y,k);
	Q := Mul(X,Y,k);
	R := Mul(X+U,Y+V,k);
	T := P shl n + (R-P-Q) shl k + Q;
	return T
end;
Để xác định độ phức tạp của thuật toán, ta coi là thao tác cơ bản là phép nhân, cộng và dịch trái từng chữ số. Gọi T(n) là số thao tác cơ bản để thực hiện nhân 2 số có n chữ số. Ta có:
T(n) = 3T(n/2) + C.n
Giải ra ta có T(n) = n log23 = n1.59, tức là có một số cải thiện so với thuật toán nhân tay. (Tuy nhiên khác biệt cũng không rõ rệt và chỉ thể hiện khi n khá lớn nên thông thường trong các bài toán không lớn lắm người ta thường dùng thuật toán đầu tiên).
Qua các phần trên chúng ta đã thấy được phần nào hiệu quả của phương pháp chia để trị. Cuối chương này chúng ta sẽ gặp lại tư tưởng chia để trị trong phần nói về phương pháp quy hoạch động. Quy hoạch động là tư tưởng chia để trị triệt để và là một phương pháp cực kì hiệu qủa trong việc giải các bài toán tối ưu.
 
Last edited by a moderator:
1

11thanhkhoeo

8.2. Vét cạn (Exhausted search)
Vét cạn, duyệt, quay lui… là một số tên gọi tuy không đồng nghĩa nhưng cùng chỉ một phương pháp rất đơn giản trong tin học: tìm nghiệm của một bài toán bằng cách xem xét tất cả các phương án có thể. Đối với con người phương pháp này thường là không khả thi vì số phương án cần kiểm tra quá lớn. Tuy nhiên đối với máy tính, nhờ tốc độ xử lí nhanh, máy tính có thể giải rất nhiều bài toán bằng phương pháp vét cạn.
Ưu điểm lớn nhất của phương pháp vét cạn là luôn đảm bảo tìm ra nghiệm chính xác. Ngoài ra phương pháp vét cạn còn có một số ưu điểm so với các phương pháp khác là đòi hỏi rất ít bộ nhớ và cài đặt đơn giản. Hạn chế duy nhất của phương pháp này là thời gian thực thi rất lớn, độ phức tạp thường ở bậc mũ. Do đó vét cạn thường chỉ áp dụng tốt với các bài toán có kích thước nhỏ.
Mặc dù vậy, không nên coi thường phương pháp này. Rất nhiều bài toán chỉ có thuật toán duy nhất là vét cạn: từ bài toán đơn giản như tìm số lớn nhất trong một dãy số đến các bài toán NPC. Trong một số tình huống khác, chẳng hạn như thời gian lập trình hạn chế thì vét cạn có thể coi như một giải pháp tình thế. Rất nhiều trường hợp ta có thể sử dụng vét cạn theo phương châm: thà mất 1h để viết một chương trình vét cạn chạy trong trong 4 tiếng, còn hơn mất 4 ngày tìm thuật toán hiệu qủa để chương trình chạy trong 1 phút.
Chúng ta không đề cập kĩ về việc áp dụng phương pháp vét cạn đối với các bài toán đơn giản như tìm giá trị nhỏ nhất, lớn nhất hay tìm tất cả các số nguyên tố của một tập hợp. Chúng ta sẽ xem xét thuật toán vét cạn đối với các bài toán tìm cấu hình tổ hợp và bài toán tối ưu tổ hợp, là lớp các bài toán rất tổng quát và phổ biến trong tin học.
 
Last edited by a moderator:
1

11thanhkhoeo

8.2.1. Bài toán tìm cấu hình tổ hợp
Có rất nhiều bài toán trong Tin học có yêu cầu dạng: tìm các đối tượng x thoả mãn những điều kiện nhất định trong một tập S các đối tượng cho trước. Bài toán tìm cấu hình tổ hợp là bài toán yêu cầu tìm các đối tượng x có dạng là một vector thoả mãn các điều kiện sau:
1. Đối tượng x gồm n phần tử: x = (x1,x2,…xn).
2. Mỗi phần tử xi có thể nhận một trong các giá trị rời rạc a1, a2, … am.
3. x thoả mãn các ràng buộc có thể cho bởi hàm logic G(x).
Tuỳ từng trường hợp mà bài toán có thể yêu cầu: tìm một nghiệm, tìm tất cả nghiệm hoặc đếm số nghiệm.
Trước hết chúng ta nhắc lại một số cấu hình tổ hợp cơ bản.
a) Tổ hợp
Một tổ hợp chập k của n là một tập con k phần tử của tập n phần tử.
Chẳng hạn tập {1,2,3,4} có các tổ hợp chập 2 là: {1,2}, {1,3, {1,4, {2,3}, {2,4}, {3,4}. Vì trong tập hợp các phần tử không phân biệt thứ tự nên tập {1,2} cũng là tập {2,1} và do đó, ta coi chúng chỉ là một tổ hợp.
Bài toán đặt ra cho chúng ta là hãy xác định tất cả các tổ hợp châp k của tập n phần tử. Để đơn giản ta chỉ xét bài toán tìm các tổ hợp của tập các số nguyên từ 1 đến n. Đối với một tập hữu hạn bất kì, bằng cách đánh số thứ tự của các phần tử, ta cũng đưa được về bài toán đối với tập các số nguyên từ 1 đến n.
Nghiệm cần tìm của bài toán tìm các tổ hợp chập k của n phần tử phải thoả mãn các điều kiện sau:
1. Là một vector x =(x1,x2,…xk)
2. xi lấy giá trị trong tập {1,2,…n}
3. Ràng buộc: xi<xi+1 với mọi giá trị i từ 1 đến k-1.
Có ràng buộc 3 là vì tập hợp không phân biệt thứ tự phần tử nên ta sắp xếp các phần tử theo thứ tự tăng dần.
b) Chỉnh hợp lặp
Chỉnh hợp lặp chập k của n là một dãy k thành phần, mỗi thành phần là một phần tử của tập n phần tử, có xét đến thứ tự và không yêu cầu các thành phần khác nhau.
Một ví dụ dễ thấy nhất của chỉnh hợp lặp là các dãy nhị phân. Một dãy nhị phân độ dài m là một chỉnh hợp lặp chập m của tập 2 phần tử {0,1}. Chẳng hạn 101 là một dãy nhị phân độ dài 3. Ngoài ra ta còn có 7 dãy nhị phân độ dài 3 nữa là 000, 001, 010, 011, 100, 110, 111. Vì có xét thứ tự nên dãy 101 và dãy 011 là 2 dãy khác nhau.
Như vậy, bài toán xác định tất cả các chỉnh hợp lặp chập k của tập n phần tử yêu cầu tìm các nghiệm như sau:
1. Là một vector x =(x1,x2,…xk)
2. xi lấy giá trị trong tập {1,2,…n}
3. Không có ràng buộc nào giữa các thành phần.
Chú ý là cũng như bài toán tìm tổ hợp, ta chỉ xét đối với tập n số nguyên từ 1 đến n. Nếu tập hợp cần tìm chỉnh hợp không phải là tập các số nguyên từ 1 đến n thì ta có thể đánh số các phần tử của tập đó để đưa về tập các số nguyên từ 1 đến n
c) Chỉnh hợp không lặp
Khác với chỉnh hợp lặp là các thành phần được phép lặp lại, tức là có thể giống nhau, chỉnh hợp không lặp chập k của tập n phần tử cũng là một dãy k thành phần lấy từ tập n phần tử có xét thứ tự nhưng các thành phần không được phép giống nhau.
Chẳng hạn có n người, một cách chọn ra k người để xếp thành một hàng là một chỉnh hợp không lặp chập k của n.
Một trường hợp đặc biệt của chỉnh hợp không lặp là hoán vị. Hoán vị của một tập n phần tử là một chỉnh hợp không lặp chập n. Nói một cách trực quan thì hoán vị của tập n phần tử là phép thay đổi vị trí của các phần tử (do đó mới gọi là hoán vị).
Nghiệm của bài toán tìm các chỉnh hợp không lặp chập k của tập n số nguyên từ 1 đến n là các vector x thoả mãn các điều kiện:
1. x có k thành phần: x = (x1,x2,…xk)
2. Các giá trị xi lấy trong tập {1,2,..n}
3. Ràng buộc: các giá trị xi đôi một khác nhau, tức là xi¹xj với mọi i¹j.
Đó là một số bài toán tìm cấu hình tổ hợp cơ bản. Chúng ta sẽ xem xét một số bài toán khác để thấy tính phổ biến của lớp các bài toán dạng này.
 
Last edited by a moderator:
1

11thanhkhoeo

d) Bài toán xếp hậu
Cho bàn cờ vua nxn. Hãy xếp n con hậu lên bàn cờ sao cho không con nào khống chế con nào. Hai 2 con hậu khống chế nhau nếu chúng ở trên cùng một hàng, một cột hoặc một đường chéo.
Chẳng hạn ta có một cách đặt sau, các ô đen là các vị trí đặt hậu:

8queens.png







Để chuyển bài toán này về dạng chuẩn của bài toán tìm cấu hình tổ hợp, ta có có nhận xét: mỗi con hậu phải ở trên một hàng và một cột. Do đó ta coi con hậu thứ i ở hàng i và nếu biết x là cột đặt con hậu thứ i thì ta suy ra được lời giải. Vậy nghiệm của bài toán có thể coi là một vector x gồm n thành phần với ý nghĩa:
1. Con hậu thứ i được đặt ở hàng i và cột x.
2. x lấy giá trị trong tập {1,2…n}
3. Ràng buộc: các giá trị x khác nhau từng đôi một và không có 2 con hậu ở trên cùng một đường chéo.
Trong phần cài đặt, chúng ta sẽ phân tích chi tiết về các ràng buộc trên.
 
1

11thanhkhoeo

e) Bài toán từ đẹp (xâu ABC)
Một từ đẹp là một xâu độ dài n chỉ gồm các kí tự A,B,C mà không có 2 xâu con liên tiếp nào giống nhau. Chẳng hạn ABAC là một từ đẹp độ dài 4, BABCA là một từ đẹp độ dài 5.
Bài toán tìm tất cả các từ đẹp độ dài n cho trước yêu cầu tìm nghiệm là các vector x có n thành phần:
1. xi nhận giá trị trong tập {A,B,C}
2. x không có 2 đoạn con liên tiếp nào bằng nhau.
Trước khi trình bày về phương pháp vét cạn giải các bài toán tìm cấu hình tổ hợp, chúng ta xem xét các bài toán tối ưu tổ hợp, vì các bài toán tối ưu tổ hợp thực chất là sự mở rộng của bài toán tìm cấu hình tổ hợp.
 
1

11thanhkhoeo

8.2.2. Bài toán tối ưu tổ hợp
Bài toán tối ưu tổng quát có thể phát biểu như sau: Cho tập B khác rỗng và một hàm f:BR gọi là hàm mục tiêu. Cần tìm phần tử x thuộc B sao cho f(x) đạt giá trị nhỏ nhất hoặc lớn nhất. Phần tử x là nghiệm của bài toán còn được gọi là phương án tối ưu.
Bài toán tối ưu tổ hợp là bài toán tìm phương án tối ưu trên tập các cấu hình tổ hợp. Nghiệm của bài toán cũng là một vector x gồm n thành phần sao cho:
1. x = (x1,x2,…xn)
2. xi lấy giá trị trong tập {a1,a2,…am}
3. x thoả mãn các ràng buộc cho bởi hàm G(x).
4. f(x)  min/max.
Chúng ta sẽ phân tích một số bài toán tối ưu tổ hợp điển hình. Phần lớn đều là các bài toán NPC.
a) Bài toán xếp balô
Có một balô có tải trọng m và n đồ vật, đồ vật i có trọng lượng wi và có giá trị vi. Hãy lựa chọn các vật để cho vào balô sao cho tổng trọng lượng của chúng không quá M và tổng giá trị của chúng là lớn nhất.
Mỗi cách chọn các đồ vật cho vào balô đều tương ứng với một vector x gồm n thành phần mà xi=1 nếu chọn đưa vật thứ i vào balô, và xi=0 nếu vật thứ i không được chọn.
Khi đó ràng buộc tổng trọng lượng các đồ vật không quá tải trọng của balô được viết thành:

Hàm mục tiêu là tổng giá trị của các đồ vật được chọn:

Nghiệm của bài toán cũng là một vector x gồm n thành phần sao cho:
1. x = (x1,x2,…xn)
2. xi lấy giá trị trong tập {0,1}
3. Ràng buộc:
4. .
b) Bài toán người du lịch
Có n thành phố, d[i,j] là chi phí để di chuyển từ thành phố i đến thành phố j. (Nếu không có đường đi thì d[i,j] = ). Một người muốn đi du lịch qua tất cả các thành phố, mỗi thành phố một lần rồi trở về nơi xuất phát sao cho tổng chi phí là nhỏ nhất. Hãy xác định một đường đi như vậy.
Phương án tối ưu của bài toán cũng là một vector x, trong đó xi là thành phố sẽ đến thăm tại lần di chuyển thứ i. Các điều kiện của x như sau:
1. x = (x1,x2,…xn)
2. xi lấy giá trị trong tập {1,2,…n}
3. Ràng buộc: xi ¹ xj với mọi i¹j và d[xi,xi+1]<MIN với mọi i=1,2,..n, coi xn+1=x1.
4. f(x) = $\sum_{i=1}^{n}d[x_i,x_{i+1}]$-> min
Trên đây ta đã xét một số bài toán tìm cấu hình tổ hợp và bài toán tối ưu tổ hợp. Trong phần tiếp chúng ta sẽ tìm hiểu phương pháp vét cạn giải các bài toán đó.
 
Last edited by a moderator:
1

11thanhkhoeo

f) Bài toán người du lịch.
Độc giả dễ dàng nhận thấy mỗi phương án của bài toán người du lịch là một hoán vị của n thành phố. Do đó ta có thể dùng mô hình vét cạn của bài toán sinh hoán vị để tìm các phương án. Và ta sử dụng thêm ràng buộc: d[xi-1,xi]<min. Mặt khác vì phương án là một chu trình nên ta có thể coi thành phố xuất phát là thành phố 1.
Thuật giải bài toán người du lịch bằng vét cạn như sau:
procedure Search;
begin
min := maxlongint;
x[1] := 1; dd[1] := 1;
try(2);
end;
procedure Try(i)
var j;
begin
for j := 1 to n do
if (dd[j]=0) and (d[x[i-1],j] < min ) then begin
x := j; dd[j] := 1;
if i=n then Update
else Try(i+1);
dd[j] := 0;
end;
end;
procedure Update;
var s,i;
begin
s := d[x[n],1];
for i := 1 to n-1 do s := s + d[x,x[i+1]];
if s < min then begin
min := s;
best := x;
end;
end;
Lớp các bài toán tối ưu tổ hợp rất rộng. Phần lớn các bài toán đó trong trường hợp tổng quát chỉ có thuật toán tối ưu duy nhất là vét cạn. Tuy nhiên, nhược điểm của phương pháp vét cạn là độ phức tạp tính toán rất lớn do hiện tượng bùng nổ tổ hợp. Các bạn nhớ lại rằng số hoán vị của tập n phần tử là n!. Do đó trong trường hợp xấu nhất thuật toán vét cạn đối với bài toán người du lịch là O(n!).
Có 2 giải pháp khắc phục vấn đề này. Giải pháp thứ nhất cải tiến phương pháp vét cạn bằng kỹ thuật nhánh cận, tức là loại bỏ ngay các hướng đi chắc chắn không dẫn đến phương án tối ưu. Giải pháp thứ 2 là sử dụng các phương pháp khác, mà hai phương pháp nổi bật nhất là phương pháp quy hoạch động và phương pháp tham lam.
 
Last edited by a moderator:
1

11thanhkhoeo

8.2.3. Phương pháp vét cạn giải các bài toán cấu hình tổ hợp và tối ưu tổ hợp
Phương pháp vét cạn là phương pháp rất tổng quát để đơn giản để giải các bài toán cấu hình tổ hợp và tối ưu tổ hợp. ý tưởng cơ bản là: bằng một cách nào đó sinh ra tất cả các cấu hình có thể rồi phân tích các cấu hình bằng các hàm ràng buộc và hàm mục tiêu để tìm phương án tối ưu (do đó phương pháp này còn được gọi là duyệt toàn bộ).
Dựa trên ý tưởng cơ bản đó, người ta có 3 cách tiếp cận khác nhau để duyệt toàn bộ các phương án.
Phương pháp thứ nhất là phương pháp sinh tuần tự. Phương pháp này cần xác định một quan hệ thứ tự trên các cấu hình (gọi là thứ tự từ điển) và một phép biến đổi để biến một cấu hình thành cấu hình ngay sau nó. Mỗi lần sinh được một cấu hình thì tiến hành định giá, so sánh với cấu hình tốt nhất đang có và cập nhật nếu cấu hình mới tốt hơn.
Giả mã của thuật toán tìm cấu hình tối ưu bằng phương pháp sinh như sau:
Mã:
Procedure Generate;
begin 
    x := FirstConfig; 
    best := x;
    Repeat
        x := GenNext(x);
        if f(x) "tốt hơn" f(best) then best := x;
    Until x = LastConfig;
end;
Thuật toán thực hiện như sau: tìm cấu hình đầu tiên và coi đó là cấu hình tốt nhất. Sau đó lần lượt sinh các cấu hình tiếp theo, mỗi lần sinh được một cấu hình ta so sánh nó với cấu hình tốt nhất hiện có (best) và nếu nó tốt hơn thì cập nhật best. Quá trình dừng lại khi ta sinh được cấu hình cuối cùng. Kết quả ta được phương án tối ưu là best.
Phương pháp sinh tuần tự thường rất khó áp dụng. Khó khăn chủ yếu là do việc xác định thứ tự từ điển, cấu hình đầu tiên, cấu hình cuối cùng và phép biến đổi một cấu hình thành cấu hình tiếp theo thường là không dễ dàng.
 
1

11thanhkhoeo

Phương pháp thứ hai là phương pháp thử sai - quay lui (Backtracking). Tư tưởng cơ bản của phương pháp là xây dựng từng thành phần của cấu hình, tại mỗi bước xây dựng đều kiểm tra các ràng buộc và chỉ tiếp tục xây dựng các thành phần tiếp theo nếu các thành phần hiện tại là thoả mãn. Nếu không còn phương án nào để xây dựng thành phần hiện tại thì quay lại, xây dựng lại các thành phần trước đó.
Giả mã của thuật toán quay lui như sau.
Mã:
procedure Backtrack;
begin 
    i := 1; x[1] := a0;
    repeat
        x[i] := next(x[i]);
        if ok then Forward else Backward;
    until i=0;
end;
procedure Forward;
begin 
    if i = n then Update
    else begin
        i := i + 1;
        x[i] := a0;
    end;
end;
procedure Backward;
begin 
    i := i - 1;
end;
procedure Update;
begin 
    if f(x) "tốt hơn" f(best) then best := x;
end;
Trong đoạn mã này, hàm Ok để kiểm tra các thành phần được sinh ra có thoả mãn các ràng buộc hay không, còn hàm Next trả lại lựa chọn tiếp theo của mỗi thành phần.
Nhìn chung phương pháp quay lui làm giảm đáng kể những khó khăn của phương pháp sinh (không cần tìm thứ tự từ điển và nhất là không cần tìm quy tắc sinh cấu hình tiếp theo). Tuy nhiên, trong một số bài toán mà cần đánh dấu trạng thái, phương pháp quay lui không đệ quy được trình bày ở trên phải xử lí phức tạp hơn nhiều so với phương pháp quay lui đệ quy.
 
1

11thanhkhoeo

Phương pháp quay lui đệ quy là phương pháp đơn giản và tổng quát nhất để sinh các cấu hình tổ hợp. Do cơ chế cục bộ hoá của chương trình con đệ quy và khả năng quay lại điểm gọi đệ quy, thao tác quay lui trở thành mặc định và không cần xử lý một cách tường minh như phương pháp quay lui không đệ quy.
Mô hình cơ bản của phương pháp quay lui đệ quy như sau:
Mã:
Procedure Search;
begin 
    Try(1);
end;
procedure Try(i);
var j;
Begin 
    for j := 1 to m do 
        if <chọn được a[j]> then begin 
            x[i] := a[j];
            <ghi nhận trạng thái mới>;
            if i=n then Update
            else Try(i+1);
            <trả lại trạng thái cũ>;
       end;
end;
procedure Update;
begin 
    if f(x) "tốt hơn" f(best) then best := x;
end;
Để duyệt tòan bộ các cấu hình, ban đầu ta gọi đến Try(1). Try(1) sẽ lựa chọn cho x1 một giá trị thích hợp đầu tiên, ghi nhận trạng thái rồi gọi đệ quy đến Try(2). Try(2) lại lựa chọn một giá trị cho x2, ghi nhận trạng thái và gọi đến Try(3). Cứ như vậy ở bước thứ i, thuật toán tìm một giá trị cho xi, ghi nhận trạng thái rồi gọi đệ quy để sinh thành phần xi+1. Khi sinh đủ n thành phần của x thì dừng lại để cập nhật phương án tối ưu. Nếu mọi khả năng của xi+1 đều đã xét qua thì vòng for của Try(i+1) thực hiện xong, theo cơ chế đệ quy chương trình sẽ quay về điểm gọi đệ quy của Try(i). Trạng thái cũ trước khi chọn xi được phục hồi và vòng for của Try(i) sẽ tiếp tục để chọn giá trị phù hợp tiếp theo của xi, đó chính là thao tác quay lui. Khi quay lui về đến Try(1) và xét hết mọi khả năng của x1 thì chương trình con đệ quy kết thúc và ta đã duyệt được toàn bộ các cấu hình.
 
1

11thanhkhoeo

8.2.4. Kỹ thuật nhánh cận
Nguyên nhân dẫn đến độ phức tạp của các bài toán tối ưu tổ hợp là hiện tượng bùng nổ tổ hợp. Đó là hiện tượng số cấu hình tổ hợp tăng theo hàm mũ đối với số thành phần tổ hợp n. Đơn giản nhất là các dãy nhị phân, mỗi thành phần tổ hợp chỉ có 2 khả năng là 0 và 1 thì số các dãy nhị phân độ dài n đã là 2n. Do đó việc sinh toàn bộ các cấu hình tổ hợp sẽ không khả thi khi n lớn.
Quá trình vét cạn kiểu quay lui là một quá trình tìm kiếm phân cấp, tức là các thành phần x1, x2… sẽ được chọn trước. Nếu tại bước i ta chọn một giá trị xi không tối ưu thì toàn bộ quá trình chọn xi+1, xi+2… sẽ hoàn toàn vô nghĩa. Ngược lại, nếu ta xác định được rằng giá trị xi đó không dẫn đến cấu hình tối ưu thì ta sẽ tiết kiệm được toàn bộ các bước chọn xi+1, xi+2… Tiết kiệm đó đôi khi là đáng kể. Chẳng hạn nếu đối với bài toán duyệt nhị phân (tối ưu các cấu hình là dãy nhị phân) ta xác định được x1=0 không hợp lí thì ta đã tiết kiệm được 2n-1 bước duyệt phía sau. Đó chính là tư tưởng của phương pháp nhánh cận.
Mô hình quay lui có nhánh cận như sau:
Mã:
Procedure Search;
begin 
    Try(1);
end;
procedure Try(i);
var j;
Begin 
    for j := 1 to m do 
        if <chọn được a[j]> then begin 
            x[i] := a[j];
            <ghi nhận trạng thái mới>;
            if i=n then Update
            else 
if Ok(i) then Try(i+1);
            <trả lại trạng thái cũ>;
       end;
end;
Cải tiến so với phương pháp vét cạn thuần tuý là ở câu lệnh if Ok(i) then Try(i+1);. Hàm Ok ở đây được dùng để đánh giá tình trạng của cấu hình hiện tại. Thứ nhất là có đảm bảo dẫn đến cấu hình tối ưu hay không. Nếu không thì ít nhất cũng phải đảm bảo cho giá trị hàm mục tiêu tốt hơn phương án tốt nhất ta đang có.
 
1

11thanhkhoeo

Kĩ thuật nhánh cận rất đa dạng, phụ thuộc vào từng bài toán và tư duy của người lập trình. Chúng ta sẽ xem xét một số bài toán tối ưu giải bằng phương pháp nhánh cận.
Đầu tiên là bài toán người du lịch. Ta có nhận xét: tại lần di chuyển thứ i, nếu tổng chi phí đang có  chi phí của phương án tốt nhất ta đang có thì rõ ràng việc đi tiếp không mang đến kết quả tốt hơn. Do đó ta có thể đặt một nhánh cận đơn giản như sau:
Mã:
procedure Try(i)
var j;
begin 
    for j := 1 to n do 
        if (dd[j]=0) and (d[x[i-1],j] < ) then begin 
            x[i] := j; dd[j] := 1; s := s + d[x[i-1],j];
            if i=n then Update
            else 
                if s < min then Try(i+1);
            dd[j] := 0; s := s - d[x[i-1],j];
        end;
end;
Hai biến s, min là các biến toàn cục, trong đó min dùng để lưu chi phí của phương án tốt nhất còn s lưu tổng chi phí hiện tại.
Ta có thể tiếp tục cải tiến cận này bằng việc không chỉ xét chi phí đến thời điểm hiện tại mà còn xét luôn cả chi phí tối thiểu để kết thúc hành trình. Gọi dmin là giá trị nhỏ nhất của bảng d, tương đương với chi phí nhỏ nhất của việc di chuyển từ thành phố này đến thành phố kia. Tại bước thứ i thì ta còn phải thực hiện ni+1 bước di chuyển nữa thì mới kết thúc hành trình (đi qua ni thành phố còn lại và quay về thành phố 1). Do đó chi phí của cả hành trình sẽ tối thiểu là s + (ni+1)*dmin. Nếu chi phí này còn lớn hơn chi phí của phương án tốt nhất thì rõ ràng lựa chọn hiện tại cũng không thể dẫn đến một phương án tốt hơn. Chương trình con vét cạn đệ quy có thể sửa thành:
Mã:
procedure Try(i)
var j;
begin 
    for j := 1 to n do 
        if (dd[j]=0) and (d[x[i-1],j] < ) then begin 
            x[i] := j; dd[j] := 1; s := s + d[x[i-1],j];
            if i=n then Update
            else 
                if s + (n-i+1)*dmin < min then Try(i+1);
            dd[j] := 0; s := s - d[x[i-1],j];
        end;
end;
Nhìn chung những cận có cải thiện tình hình đôi chút nhưng cũng không thực sự hiệu quả. Người ta cũng đã nghiên cứu nhiều cận chặt hơn, độc giả có thể tìm đọc ở các tài liệu khác.
 
Last edited by a moderator:
1

11thanhkhoeo

Ta có thể tiếp tục cải tiến cận này bằng việc không chỉ xét chi phí đến thời điểm hiện tại mà còn xét luôn cả chi phí tối thiểu để kết thúc hành trình. Gọi dmin là giá trị nhỏ nhất của bảng d, tương đương với chi phí nhỏ nhất của việc di chuyển từ thành phố này đến thành phố kia. Tại bước thứ i thì ta còn phải thực hiện ni+1 bước di chuyển nữa thì mới kết thúc hành trình (đi qua ni thành phố còn lại và quay về thành phố 1). Do đó chi phí của cả hành trình sẽ tối thiểu là s + (ni+1)*dmin. Nếu chi phí này còn lớn hơn chi phí của phương án tốt nhất thì rõ ràng lựa chọn hiện tại cũng không thể dẫn đến một phương án tốt hơn. Chương trình con vét cạn đệ quy có thể sửa thành:
Mã:
procedure Try(i)
var j;
begin 
    for j := 1 to n do 
        if (dd[j]=0) and (d[x[i-1],j] < ) then begin 
            x[i] := j; dd[j] := 1; s := s + d[x[i-1],j];
            if i=n then Update
            else 
                if s + (n-i+1)*dmin < min then Try(i+1);
            dd[j] := 0; s := s - d[x[i-1],j];
        end;
end;
Nhìn chung những cận có cải thiện tình hình đôi chút nhưng cũng không thực sự hiệu quả. Người ta cũng đã nghiên cứu nhiều cận chặt hơn, độc giả có thể tìm đọc ở các tài liệu khác.
Ta xét tiếp bài toán từ đẹp nhất. Định nghĩa từ đẹp đã được mô tả ở bài toán từ đẹp. Từ đẹp nhất là từ có ít kí tự C nhất. Rõ ràng bài toán tìm từ đẹp nhất là một bài toán tối ưu tổ hợp.
Chúng ta xây dựng nhánh cận với nhận xét: nếu x[1..n] là từ đẹp thì trong 4 kí tự liên tiếp của x phải có ít nhất một kí tự C. Vậy, nếu ta đã xây dựng i kí tự thì phần còn lại gồm n-i kí tự sẽ có ít nhất (n-i)/4 kí tự C. Do đó số kí tự C tối thiểu của cả xâu sẽ là t + (n-i)/4, trong đó t là số kí tự C của x[1..i]. Ta có thể dùng t+(n-i)/4 làm cận. Chương trình con đệ quy như sau:
Mã:
procedure Try(i)
var c;
begin
    for c := 'A' to 'C' do begin 
        x := x + c;
        if c = 'C' then t := t + 1;
        if Ok(i) then 
            if i=n then Update
            else 
                if t + (n-i) div 4 < minC then Try(i+1);
        delete(x,i,1);
        if c = 'C' then t := t - 1;	
    end;
end;
Biến minC ở đây dùng để lưu số kí tự C của phương án tốt nhất đang có.
Nhánh cận là một kĩ thuật mạnh và đòi hỏi tư duy sâu sắc. Chọn được một cận tốt thường không đơn giản, đòi hỏi phải có những phân tích sâu sắc và tỉ mỉ. Một số chú ý khi chọn cận:
1. Cận phải đánh giá chính xác tình trạng cấu hình hiện tại. Nếu quá lỏng thì số cấu hình loại bỏ không đáng kể, nếu quá chặt thì sẽ dẫn đến bỏ sót nghiệm.
2. Cận phải tính toán đơn giản. Vì thao tác tính cận thực hiện tại tất cả các bước nên nếu tính toán cận quá phức tạp thì thời gian rút ngắn nhờ đặt cận tiết kiệm được thì lại mất đáng kể cho việc tính cận.
Mặc dù nhánh cận là kĩ thuật mạnh nhưng muốn để áp dụng tốt đòi hỏi những phân tích rất chi tiết. Hơn nữa nhiều trường hợp có đặt cận thì số phương án cần duyệt vẫn quá nhiều. Trong những trường hợp như vậy chúng ta cần phải có những cách tiếp cận khác. Phần tiếp theo trình bày về một phương pháp cực kì hiệu quả, đó là phương pháp quy hoạch động.
 
1

11thanhkhoeo

8.4.1. Một số chiến lược tham lam
Phương pháp tham lam tìm nghiệm tối ưu dựa trên các chiến lược tối ưu cục bộ của con người. Trước khi trình bày những thuật giải tham lam cho những bài toán cụ thể, chúng tôi đề cập đến hai chiến lược tối ưu cục bộ cơ bản:
- Chọn cái tốt nhất trước (còn gọi là "chọn miếng ngon trước". Đây là lí do vì sao phương pháp này được gọi là "tham lam" hay "tham ăn").
- Cải tiến cái đang có thành cái tốt hơn.
Chiến lược thứ nhất thường được áp dụng khi xây dựng dần từng thành phần của nghiệm tối ưu. Thuật giải sẽ đánh giá các lựa chọn theo một tiêu chuẩn nào đó và sắp xếp từ nhỏ đến lớn rồi tiến hành chọn theo trình tự đó.
Chiến lược thứ hai thường bắt đầu bằng một hay một vài phương án. Sau đó, bằng một số cách thức nào đó, các phương án được điều chỉnh để có giá trị tốt hơn. Quá trình điều chỉnh sẽ dừng lại khi không điều chỉnh được thêm hoặc sự cải thiện rất nhỏ hoặc hết thời gian cho phép… Phần lớn các thuật toán hiện nay áp dụng cho bộ dữ liệu lớn được thiết kế theo chiến lược này: chẳng hạn tìm kiếm leo đồi, giải thuật di truyền… Độc giả có thể tham khảo trong những tài liệu khác.
Chúng ta sẽ đi vào một số bài toán cụ thể và vận dụng những chiến lược trên để thiết kế các thuật giải tham lam.
 
1

11thanhkhoeo

Thuật toán Kruscal
Thuật toán Kruscal giải bài toán tìm cây khung cực tiểu của đồ thị vô hướng có trọng số. Bài toán cây khung cực tiểu đã được trình bày ở chương Đồ thị. Nói một cách đơn giản, cây khung cực tiểu của một đồ thị N đỉnh là một đồ thị con N đỉnh, N-1 cạnh, liên thông và có tổng trọng số các cạnh là nhỏ nhất.
Lý thuyết đồ thị đã chứng minh một đồ thị liên thông không có chu trình sẽ là một cây.
Tư tưởng tham lam trong thuật toán Kruscal là "chọn cái tốt nhất trước". Chúng ta sẽ tiến hành chọn N-1 cạnh ưu tiên các cạnh có trọng số nhỏ trước sao cho khi chọn cạnh được chọn phải không tạo thành chu trình với các cạnh đã chọn.
Như vậy thuật toán sẽ tiến hành qua 2 bước: sắp xếp và chọn. Để kiểm tra một cạnh khi được chọn có tạo thành chu trình hay không, ta sẽ lưu trữ các đỉnh vào các cây con. Nếu hai đỉnh đầu mút của một cạnh mà cùng thuộc một cây thì thêm cạnh đó sẽ tạo thành chu trình. Đồng thời, khi thêm một cạnh ta cũng hợp nhất 2 cây của 2 đỉnh tương ứng.
Về cấu trúc dữ liệu: ta biểu diễn đồ thị bằng danh sách cạnh, gồm các bộ ba (u,v,d) với ý nghĩa trọng số cạnh (u,v) là d. Để biểu diễn các cây con ta dùng mảng T, trong đó T là đỉnh cha của đỉnh u trong cây. Nếu T bằng 0 thì u là đỉnh gốc. Hai đỉnh cùng thuộc một cây nếu chúng cùng đỉnh gốc.
Thuật toán chi tiết như sau:
Mã:
procedure Kruscal;
begin 
	sắp xếp u,v,d tăng dần theo d; {sắp xếp danh sách cạnh tăng dần}
	for i := 1 to m do begin	
		x := Root(u[i]); y := Root(v[i]);	{tìm gốc của mỗi đỉnh }
		if x <> y then begin 		{thuộc 2 cây khác nhau	}
			k := k + 1;		
			s := s + [i];		{chọn cạnh i}
                  T[y] := x;			{hợp nhất 2 cây}
			if k=n-1 then exit;	{chọn đủ n-1 cạnh thì xong}
		end;
	end;
end;
function Root(u);		{tìm gốc của đỉnh u, là đỉnh có T = 0}
begin
	while T[u] <> 0 do u := T[u];
	Root := u;
end;
Kết quả ta được s là danh sách các cạnh được chọn. Dễ dàng chứng minh được độ phức tạp của thuật toán là O(mlogm), chủ yếu là ở thời gian sắp xếp các cạnh.
Qua các thuật giải tham lam đã trình bài, chúng ta có thể kết luận:
1. Phương pháp tham lam có độ phức tạp tính toán thấp, thường nhanh chóng tìm được lời giải .
2. Lời giải của phương pháp tham lam thường chỉ là một lời giải tốt chứ không phải lời giải tối ưu.
 
A

anhduc341748668

anh cho em vài bài toán đơn giản thui nha! em mới vào đội bồi dưỡng nên chưa rành lắm về pascal!
 
Top Bottom