4446
правок
Irina (обсуждение | вклад) |
Irina (обсуждение | вклад) мНет описания правки |
||
(не показано 16 промежуточных версий этого же участника) | |||
Строка 3: | Строка 3: | ||
== Постановка задачи == | == Постановка задачи == | ||
Задачи о размещении объектов рассматривают ситуации, в которых необходимо спланировать местоположение объектов, предназначенных для обслуживания заданного множества клиентов. Цель обычно заключается в минимизации суммы затрат на открытие объектов и затрат на обслуживание их клиентами с учетом различных ограничений – таких как количество и тип клиентов, которых может | Задачи о размещении объектов рассматривают ситуации, в которых необходимо спланировать местоположение объектов, предназначенных для обслуживания заданного множества клиентов. Цель обычно заключается в минимизации суммы затрат на открытие объектов и затрат на обслуживание их клиентами с учетом различных ограничений – таких как количество и тип клиентов, которых может обслужить объект. Существует множество вариантов этой задачи, зависящих от структуры стоимостной функции и ограничений, налагаемых на решение. Первые исследования задачи о размещении объектов выполнили Кюн и Гамбергер [35], Балински и Волф [8], Манн [40] и Балински [7]. Обзорные работы представили Краруп и Прузан [34], а также Мирчандани и Фрэнсис [42]. Любопытно отметить, что одним из самых эффективных алгоритмов решения задачи о размещении объектов без ограничений на пропускную способность с точки зрения оптимальности является сочетание прямо-двойственного алгоритма с алгоритмом ветвления и границ, предложенное Эрленкоттером [16] еще в 1978 году. Его прямо-двойственная схема близка к техникам, используемым в современной литературе, посвященной аппроксимационным алгоритмам. | ||
В последние годы были проведены масштабные исследования алгоритмов | В последние годы были проведены масштабные исследования аппроксимационных алгоритмов для задач о размещении объектов. Обзорные материалы по этим исследованиям выпустили Шмойс [49, 50] и Вайген [55]. Помимо их теоретической и практической важности, задачи о размещении объектов представляют собой яркую демонстрацию применения широко распространенных техник в области аппроксимационных алгоритмов, поскольку многие из этих техник (например, округление LP-алгоритма, прямо-двойственные методы и локальный поиск) успешно применяются к этому семейству задач. Далее будут рассмотрены насколько задач о размещении объектов, выполнен экскурс в историю и перечислены аппроксимационные алгоритмы с опорой на результаты, полученные в работе Шмойса, Тардош и Аардал [51]. Техники, применяемые к ''задаче о размещении объектов без ограничений на пропускную способность'' (uncapacitated facility location, '''UFL'''), будут рассмотрены более подробно. | ||
В задаче UFL заданы множество <math>\mathcal{F}</math> из <math>n_f \;</math> ''объектов'' и множество <math>\mathcal{C} \;</math> из <math>n_c \;</math> ''клиентов'' (которые также могут называться ''городами'' или ''точками спроса''). Каждому объекту <math>i \in \mathcal{F}</math> назначена ''стоимость открытия объекта'' <math>f_i \;</math>. Кроме того, для каждого объекта <math>i \in \mathcal{F}</math> и клиента <math>j \in \mathcal{C}</math> задана ''стоимость соединения'' <math>c_{ij} \;</math>. Задача заключается в открытии подмножества объектов и соединении каждого клиента с открытым объектом таким образом, чтобы общая стоимость была минимальной. Заметим, что после определения множества открытых объектов оптимальным является соединение каждого клиента с открытым объектом, имеющее минимальную стоимость. Таким образом, задача заключается в нахождении множества <math>S \subseteq \mathcal{F}</math>, минимизирующего значение <math>\sum_{i \in S} f_i + \sum_{j \in C} min_{i \in S} \{ c_{ij} \}</math>. Это определение и определения других вариантов задачи о размещении объектов далее будут предполагать единичный спрос у каждого клиента. Обобщение определений до случая с | В задаче UFL заданы множество <math>\mathcal{F}</math> из <math>n_f \;</math> ''объектов'' и множество <math>\mathcal{C} \;</math> из <math>n_c \;</math> ''клиентов'' (которые также могут называться ''городами'' или ''точками спроса''). Каждому объекту <math>i \in \mathcal{F}</math> назначена ''стоимость открытия объекта'' <math>f_i \;</math>. Кроме того, для каждого объекта <math>i \in \mathcal{F}</math> и клиента <math>j \in \mathcal{C}</math> задана ''стоимость соединения'' <math>c_{ij} \;</math>. Задача заключается в открытии подмножества объектов и соединении каждого клиента с открытым объектом таким образом, чтобы общая стоимость была минимальной. Заметим, что после определения множества открытых объектов оптимальным является соединение каждого клиента с открытым объектом, имеющее минимальную стоимость. Таким образом, задача заключается в нахождении множества <math>S \subseteq \mathcal{F}</math>, минимизирующего значение <math>\sum_{i \in S} f_i + \sum_{j \in C} min_{i \in S} \{ c_{ij} \}</math>. Это определение и определения других вариантов задачи о размещении объектов далее будут предполагать единичный спрос у каждого клиента. Обобщение определений до случая с уникальным значением спроса у каждого отдельного клиента является тривиальным. Задачу UFL можно сформулировать в виде следующей целочисленной программы, предложенной Балински [7]. Пусть <math>y_i, i \in \mathcal{F},</math> равно 1 в случае, если объект открыт, и 0 в противном случае. <math>Пусть x_{ij}, i \in \mathcal{F}, j \in \mathcal{C}</math>, – доля клиента j, назначенная объекту i. | ||
Строка 27: | Строка 27: | ||
Хохбаум [25] разработала алгоритм O(log n)-аппроксимации для задачи UFL. Путем прямой редукции задачи о покрытии множества можно показать, что | Хохбаум [25] разработала алгоритм O(log n)-аппроксимации для задачи UFL. Путем прямой редукции задачи о покрытии множества можно показать, что его коэффициент не может быть улучшен иначе как в случае <math>NP \subseteq DTIME[n^{O(log \; log \; n)}]</math> в силу результата, полученного Фейге [17]. Однако, если ограничение стоимости связано с некоторыми свойствами расстояния в метрическом пространстве, такими как <math>c_{ij} = c_{ji} \ge 0 \;</math> для всех <math>i \in \mathcal{F}, j \in \mathcal{C}</math> (неотрицательность и симметричность) и <math>c_{ij} + c_{ji'} + c_{i'j'} \ge c_{i j'} \;</math> для всех <math>i, i' \in \mathcal{F}, j, j' \in \mathcal{C}</math> (неравенство треугольника), то можно получить гарантии константной аппроксимации. Во всех нижеупомянутых результатах, за исключением задачи максимизации, предполагается, что стоимости удовлетворяют этим ограничениям. Для случая евклидовых расстояний между объектами и клиентами были получены аппроксимационные схемы для некоторых задач о размещении объектов [5]. | ||
Строка 38: | Строка 38: | ||
В ''задаче с ограничениями на пропускную способность'' для всех <math>i \in \mathcal{F}</math> добавляется ограничение на пропускную способность <math>\sum_{j \in C} x_{ij} \le u_i y_i</math>. Важно различать случаи ''с возможностью разделения'' и с его ''невозможностью'', а также случаи с ''мягким'' и ''жестким ограничением на пропускную способность''. В случае с возможностью разделения имеем <math>x \ge 0 \;</math>, что позволяет обслуживать клиента при помощи нескольких депо; в случае с невозможностью разделения | В ''задаче с ограничениями на пропускную способность'' для всех <math>i \in \mathcal{F}</math> добавляется ограничение на пропускную способность <math>\sum_{j \in C} x_{ij} \le u_i y_i</math>. Важно различать случаи ''с возможностью разделения'' и с его ''невозможностью'', а также случаи с ''мягким'' и ''жестким ограничением на пропускную способность''. В случае с возможностью разделения имеем <math>x \ge 0 \;</math>, что позволяет обслуживать клиента при помощи нескольких депо; в случае с невозможностью разделения должно выполняться соотношение <math>x \in \{ 0, 1 \}^{n_f \times b_c}</math>. Если каждый объект может быть открыт не более одного раза (т. е. <math>y_i \in \{ 0, 1 \} \;</math>), ограничения называются жесткими; если в задаче допускается открытие объекта i любое количество r раз для обслуживания <math>ru_i \;</math> клиентов, ограничения называются мягкими. | ||
В k-уровневой задаче о размещении объектов заданы следующие начальные данные: множество клиентов C, k непересекающихся множеств <math>\mathcal{F}_1, ..., \mathcal{F}_k</math> объектов, стоимость открытия каждого объекта и стоимость соединения клиентов и объектов. Задача заключается в соединении каждого клиента j по | В k-уровневой задаче о размещении объектов заданы следующие начальные данные: множество клиентов C, k непересекающихся множеств <math>\mathcal{F}_1, ..., \mathcal{F}_k</math> объектов, стоимость открытия каждого объекта и стоимость соединения клиентов и объектов. Задача заключается в соединении каждого клиента j по состоящему из открытых объектов пути <math>i_1, ... , i_k \;</math>, где <math>i_{\ell} = \mathcal{F}_{\ell}</math>. Стоимость соединения для этого объекта имеет вид <math>c_{ji_1} + c_{i_1 i_2} + ... + c_{i_{k - 1}i_k} \;</math>. Задача заключается в минимизации суммы стоимостей соединений и стоимостей открытия объектов. | ||
Все вышеупомянутые задачи были рассмотрены в работе Шмойса, Тардош и Аардал [15] за исключением задач max-UFL, о k-центрах и k-медианах. Вариант max-UFL был добавлен по историческим причинам, а задачи о k-центрах и k-медианах включены в силу их богатой истории и близкого родства с задачей UFL. Результаты для задачи о размещении объектов с жесткими ограничениями на пропускную способность упомянуты, поскольку, по крайней мере с точки зрения | Все вышеупомянутые задачи были рассмотрены в работе Шмойса, Тардош и Аардал [15] за исключением задач max-UFL, о k-центрах и k-медианах. Вариант max-UFL был добавлен по историческим причинам, а задачи о k-центрах и k-медианах включены в силу их богатой истории и близкого родства с задачей UFL. Результаты для задачи о размещении объектов с жесткими ограничениями на пропускную способность упомянуты, поскольку, по крайней мере с точки зрения практического применения, эта модель более реалистична по сравнению с версией с мягкими ограничениями, рассмотренной в [51]. Для k-уровневой задачи о размещении объектов Шмойс и др. рассматривали случай k = 2. Здесь рассматривается задача для k общего вида. | ||
Строка 55: | Строка 55: | ||
'''Алгоритмы Шмойса, Тардош и Аардал''' | '''Алгоритмы Шмойса, Тардош и Аардал''' | ||
Вначале будет представлен алгоритм решения задачи UFL, а затем перечислены результаты, которые могут быть получены за счет адаптации алгоритма к другим задачам. | Вначале будет представлен алгоритм решения задачи UFL, а затем перечислены результаты, которые могут быть получены за счет адаптации этого алгоритма к другим задачам. | ||
Алгоритм | Алгоритм вначале решает задачу LP-релаксации, а затем в два этапа модифицирует полученное дробное решение. Первый этап, называемый ''фильтрацией'', предназначен для ограничения стоимости соединения каждого клиента с самым удаленным объектом, частично обслуживающим его. Для этого переменные <math>y_i \;</math>, обозначающие стоимость открытия объектов, пропорционально увеличиваются на константную величину, а затем переменные <math>x_{ij} \;</math>, обозначающие стоимость соединения, корректируются для использования ближайших возможных объектов. | ||
Для второго этапа используется понятие ''кластеризации'', позднее формализованное Чудаком и Шмойсом [13]. Основываясь на дробном решении, экземпляр разбивается на фрагменты, называемые ''кластерами''. У каждого кластера имеется отдельный клиент, называемый ''центром кластера''. | Для второго этапа используется понятие ''кластеризации'', позднее формализованное Чудаком и Шмойсом [13]. Основываясь на дробном решении, экземпляр разбивается на фрагменты, называемые ''кластерами''. У каждого кластера имеется отдельный клиент, называемый ''центром кластера''. Процесс выполняется путем итеративного выбора клиента, не охваченного предыдущими кластерами, в качестве центра кластера, и добавления к этому кластеру объектов, обслуживающих этого клиента в дробном решении, а также других клиентов, обслуживаемых этими объектами. Такое построение кластеров гарантирует, что общая сумма открытых в каждом кластере объектов равна единице и, следовательно, после открытия объекта с наименьшей возможной стоимостью в каждом кластере суммарная уплаченная стоимость открытия объекта не превышает стоимость открытия объекта у дробного решения. Более того, выбирая клиентов в качестве центров кластеров жадным образом, алгоритм добивается того, чтобы каждый центр кластера минимизировал определенную стоимостную функцию для клиентов кластера. Оставшиеся клиенты кластера также соединяются с открытым объектом. Для ограничения стоимости этого соединения используется неравенство треугольника для стоимостей соединений. Для задачи UFL этот алгоритм фильтрации и округления представляет собой алгоритм 4-аппроксимации. Шмойс и др. также показали, что в случае замены этапа фильтрации ''рандомизированной фильтрацией'' можно получить гарантию аппроксимации 3,16. | ||
В той же статье была выполнена адаптация алгоритма, с применением рандомизированной фильтрации и без нее, с целью получения алгоритмов | В той же статье была выполнена адаптация алгоритма, с применением рандомизированной фильтрации и без нее, с целью получения аппроксимационных алгоритмов для задачи о размещении объектов с мягкими ограничениями на пропускную способность, а также для двухуровневой задачи о размещении объектов без ограничений на пропускную способность. Далее будут обсуждаться результаты работы алгоритма с применением рандомизированной фильтрации. | ||
Были рассмотрены два варианта задачи о размещении объектов с мягкими ограничениями на пропускную способность. Оба предполагают равную пропускную способность, т. е. <math>u_i = u \;</math> для всех <math>i \in \mathcal{F}</math>. В первом варианте решение является «допустимым», если y-переменные либо принимают значение 0, либо имеют значение между 1 и <math>\gamma' \ge 1 \;</math>. Заметим, что <math>\gamma' \;</math> не обязательно должно быть целым, так что построенное решение не обязательно является целочисленным. Это можно интерпретировать так, что каждому объекту i дозволяется расширяться, обеспечивая пропускную способность <math>\gamma' u \;</math> со стоимостью <math>\gamma' f_i \;</math>. Алгоритм <math>(\gamma, \gamma') \;</math>-аппроксимации представляет собой полиномиальный алгоритм, приводящий к такому допустимому решению, общая стоимость которого не более чем в <math>\gamma \;</math> раз превышает истинную оптимальную стоимость, имеющую место в случае <math>y \in \{0, 1 \}^{n_f} \;</math>. Шмойс и др. разработали алгоритм (5,69 | Были рассмотрены два варианта задачи о размещении объектов с мягкими ограничениями на пропускную способность. Оба предполагают равную пропускную способность, т. е. <math>u_i = u \;</math> для всех <math>i \in \mathcal{F}</math>. В первом варианте решение является «допустимым», если y-переменные либо принимают значение 0, либо имеют значение между 1 и <math>\gamma' \ge 1 \;</math>. Заметим, что <math>\gamma' \;</math> не обязательно должно быть целым, так что построенное решение не обязательно является целочисленным. Это можно интерпретировать так, что каждому объекту i дозволяется расширяться, обеспечивая пропускную способность <math>\gamma' u \;</math> со стоимостью <math>\gamma' f_i \;</math>. Алгоритм <math>(\gamma, \gamma') \;</math>-аппроксимации представляет собой полиномиальный алгоритм, приводящий к такому допустимому решению, общая стоимость которого не более чем в <math>\gamma \;</math> раз превышает истинную оптимальную стоимость, имеющую место в случае <math>y \in \{0, 1 \}^{n_f} \;</math>. Шмойс и др. разработали алгоритм (5,69, 4,24)-аппроксимации для варианта этой задачи с возможностью разделения и алгоритм (7,62, 4,29)-аппроксимации для варианта без возможности разделения. | ||
Во второй модели о размещении объектов с мягкими ограничениями на пропускную способность задача меняется таким образом, чтобы y-переменные могли принимать неотрицательные целочисленные значения, | Во второй модели задачи о размещении объектов с мягкими ограничениями на пропускную способность задача меняется таким образом, чтобы y-переменные могли принимать неотрицательные целочисленные значения, что соответствует возможности открытия нескольких объектов с пропускной способностью u в каждом местоположении. Аппроксимационные алгоритмы в данном случае дают решение, являющееся допустимым в рамках данной модифицированной модели. Легко показать, что гарантии аппроксимации, полученные для предыдущей модели, выполняются и в данном случае – речь идет о полученных Шмойсом алгоритмах 5,69-аппроксимации для варианта с возможностью разделения спроса и 7,62-аппроксимации для варианта без возможности разделения спроса. Последняя модель чаще всего рассматривается в более современных работах, поэтому именно на нее будут ссылаться авторы в параграфе, посвященном размещению объектов с мягкими ограничениями на пропускную способность. | ||
'''UFL''' | '''UFL''' | ||
Первым алгоритмом с константной гарантией эффективности стал алгоритм | Первым алгоритмом с константной гарантией эффективности стал аппроксимационный алгоритм с коэффициентом 3,16, разработанный Шмойсом, Тардош и Аардал (см. выше). С тех пор в него были внесены значительные улучшения. Гуха и Хуллер [19, 20] доказали, что нижняя граница аппроксимации составляет 1,463, и предложили ''жадную процедуру пополнения''. Затем была разработана серия аппроксимационных алгоритмов на базе LP-округления (см., например, [10, 13]). Существуют также жадные алгоритмы, использующие LP-релаксацию только неявно, для получения нижней границы при анализе прямо-двойственного подхода. В качестве примера можно привести аппроксимационный алгоритм JMS с коэффициентом аппроксимации 1,61, разработанный Джейном, Мадьяном и Сабери [29]. Некоторые алгоритмы сочетают несколько разных техник – например, аппроксимационный алгоритм Мадьяна, Йе и Чжана [39] с коэффициентом 1,52, использующий алгоритм JMS и жадную процедуру пополнения. Лучшую известную на сегодня гарантию аппроксимации (1,5) получил Бырка [10]. Она достигается путем сочетания рандомизированного алгоритма LP-округления с жадным алгоритмом JMS. | ||
'''max-UFL''' | '''max-UFL''' | ||
Первый алгоритм с константным коэффициентом аппроксимации в 1977 году разработали Корнюжо и др. [15] для задачи max-UFL. Они показали, что при открытии одного объекта за раз жадным образом, выбирая для открытия объект с самой высокой маржинальной прибылью, до тех пор, пока не останется объектов с положительной маржинальной прибылью, алгоритм | Первый алгоритм с константным коэффициентом аппроксимации в 1977 году разработали Корнюжо и др. [15] для задачи max-UFL. Они показали, что при открытии одного объекта за раз жадным образом, выбирая для открытия объект с самой высокой маржинальной прибылью, до тех пор, пока не останется объектов с положительной маржинальной прибылью, получается алгоритм с коэффициентом аппроксимации <math>(1 - 1/e) \approx 0,632 \;</math>. Лучший известный на сегодня коэффициент аппроксимации (0,828) получили Агеев и Свириденко [2]. | ||
'''k-медианы, k-центры''' | '''k-медианы, k-центры''' | ||
Первый алгоритм с константным коэффициентом аппроксимации для задачи о k-медианах был разработан Чарикаром, Гухой, Тардош и Шмойсом [11]. Этот алгоритм LP-округления имеет коэффициент аппроксимации | Первый алгоритм с константным коэффициентом аппроксимации для задачи о k-медианах был разработан Чарикаром, Гухой, Тардош и Шмойсом [11]. Этот алгоритм LP-округления имеет коэффициент аппроксимации 6 2/3. Лучший известный на сегодня коэффициент аппроксимации, <math>3 + \epsilon \;</math>, при помощи эвристики локального поиска получили Арья и др. [6] (см. также отдельные разделы для метода k-медиан и задачи о размещении объектов). | ||
Строка 93: | Строка 93: | ||
'''Задача о размещении объектов с ограничениями на пропускную способность''' | '''Задача о размещении объектов с ограничениями на пропускную способность''' | ||
Для задачи о размещении объектов с мягкими ограничениями, в которой пропускная способность всех объектов равна, первые алгоритмы | Для задачи о размещении объектов с мягкими ограничениями, в которой пропускная способность всех объектов равна, первые аппроксимационные алгоритмы с константным коэффициентом разработали Шмойс и др. [51] для обоих вариантов – с возможностью разделения спроса и без таковой возможности (см. выше). Недавно был предложен аппроксимационный алгоритм с коэффициентом 2 для решения задачи о размещении объектов с ограничениями на пропускную способность с единичным спросом без возможности разделения, разработанный Мадьяном и др. [39]. Разрыв целостности LP-релаксации для этой задачи также равен 2. Следовательно, для улучшения гарантии аппроксимации необходимо получить улучшенную нижнюю границу в оптимальном решении. | ||
В варианте с жесткими ограничениями на пропускную способность важно разрешить разделение спроса, поскольку в противном случае даже задача существования становится слишком сложной. В случае возможности разделения спроса можно различать случаи с равными значениями пропускной способности, в которых | В варианте с жесткими ограничениями на пропускную способность важно разрешить разделение спроса, поскольку в противном случае даже задача существования становится слишком сложной. В случае возможности разделения спроса можно различать случаи с равными значениями пропускной способности, в которых <math>u_i = u \;</math> для всех <math>i \in \mathcal{F}</math>, и общий случай. Для задачи с равными значениями пропускной способности Чудак и Уильямсон получили аппроксимационный алгоритм с коэффициентом 5,83 [14]. Первый алгоритм с константным коэффициентом аппроксимации, <math>\gamma = 8,53 + \epsilon \;</math>, для общей задачи разработали Пал, Тардош и Уэкслер [44]. Позднее Чжан, Чен и Йе [57] улучшили его, получив коэффициент 5,83 для задачи со значениями пропускной способности общего вида. | ||
'''k-уровневая задача''' | '''k-уровневая задача''' | ||
Первый алгоритм с константным коэффициентом аппроксимации для k = 2 разработали Шмойс и др. [ ], получив | Первый алгоритм с константным коэффициентом аппроксимации для k = 2 разработали Шмойс и др. [51], получив <math>\gamma = 3,16 \;</math>. Для k общего вида первый алгоритм с <math>\gamma = 3 \;</math> предложили Аардал, Чудак и Шмойс [1]. Для случая k = 2 Чжан [56] разработал алгоритм с коэффициентом аппроксимации 1,77. Он также показал, что для k = 3 и k = 4 задачу можно аппроксимировать с <math>\gamma = 2,523 \;</math>* и <math>\gamma = 2,81 \;</math>, соответственно. | ||
''(* Это значение у слегка отличается от значения 2,51, приведенного в статье. Исходное рассуждение содержало небольшую ошибку в расчетах)''. | |||
== Применение == | == Применение == | ||
Задача о размещении объектов широко применяется в области исследования операций. В книге под редакцией Мирчандани и Фрэнсиса [42], а также в книге Немхаузера и Уолси [43] можно найти обзоры и | Задача о размещении объектов широко применяется в области исследования операций. В книге под редакцией Мирчандани и Фрэнсиса [42], а также в книге Немхаузера и Уолси [43] можно найти обзоры и описания способов применения алгоритмов размещения объектов в таких задачах, как размещение заводов и локализация банковских счетов. Недавно эти алгоритмы также нашли применение в таких задачах проектирования сетей, как размещение маршрутизаторов и кэш-памяти [22, 36], агломерация трафика или данных [4, 21], а также репликация веб-серверов в сети распространения контента [31, 45]. | ||
== Открытые вопросы == | == Открытые вопросы == | ||
Основными нерешенными вопросами являются определение точного порога аппроксимируемости для задачи UFL и сокращение разрыва между верхней границей 1,5 [10] и нижней границей 1,463 [20]. Еще одна важная задача заключается в поиске лучших алгоритмов | Основными нерешенными вопросами являются определение точного порога аппроксимируемости для задачи UFL и сокращение разрыва между верхней границей 1,5 [10] и нижней границей 1,463 [20]. Еще одна важная задача заключается в поиске лучших аппроксимационных алгоритмов для задачи о k-медианах. В частности, любопытно было бы найти аппроксимационный алгоритм для этой задачи с коэффициентом 2 на базе LP-подхода. Такой алгоритм помог бы определить разрыв целостности естественной LP-релаксации этой задачи, поскольку существуют простые примеры, доказывающие, что этот разрыв составляет не менее 2. | ||
== Экспериментальные результаты == | == Экспериментальные результаты == | ||
Строка 116: | Строка 115: | ||
== См. также == | == См. также == | ||
* [[Задача присваивания]] | * [[Задача присваивания]] | ||
* [[Упаковка контейнеров (задача о размещении объектов с жесткими ограничениями на пропускную способность без возможности разделения спроса) | * [[Упаковка контейнеров]] (задача о размещении объектов с жесткими ограничениями на пропускную способность без возможности разделения спроса) | ||
* [[Компоновка схемы]] | * [[Компоновка схемы]] | ||
* [[Жадные алгоритмы покрытия множества (вариант UFL с жесткими ограничениями, в котором объекты могут строиться в любых местоположениях по одной и той же стоимости) | * [[Жадные алгоритмы покрытия множества]] (вариант UFL с жесткими ограничениями, в котором объекты могут строиться в любых местоположениях по одной и той же стоимости) | ||
* [[Локальные аппроксимации задач упаковки и покрытия]] | * [[Локальные аппроксимации задач упаковки и покрытия]] | ||
* [[Локальный поиск для задачи о k-медианах и задачи о размещении объектов]] | * [[Локальный поиск для задачи о k-медианах и задачи о размещении объектов]] |
правок