14、受限 1 - 中心问题的最优算法

受限 1 - 中心问题的最优算法

引言

在几何计算领域,受限 1 - 中心问题是一个重要的研究方向。它主要探讨在给定一组点和一些约束条件(如线段、多边形等)的情况下,找到一个满足约束的最小半径圆,使其能够覆盖所有的点。本文将深入介绍解决该问题的决策算法和优化算法,并给出相应的时间复杂度分析以及下界证明。

决策问题的解决
问题定义与初步划分

设 (P) 是平面上的 (n) 个点的集合,(S) 是 (m) 条线段的集合。对于给定的半径 (r),((P, S)_r) - 决策问题是判断是否存在一个半径为 (r) 的圆,其圆心位于 (S) 中的某条线段上,并且该圆能够覆盖 (P) 中的所有点。

为了解决这个问题,我们首先对 (P) 进行划分。令 (P_i = {p \in P : \hat{r}(p) \text{ 与 } R_i \text{ 相交}}),由于 (R_i) 的大小是常数,所以可以在 (O(n)) 时间内完成对 (P) 的划分。对于对 (\Lambda_r(P)) 有贡献的每个点 (p \in P),(\hat{r}(p)) 必须与 (\Lambda_r(\Pi)) 相交,因此 (p) 对 (\Lambda_r(P)) 的贡献至少与 (R) 中的一个区域相交。根据引理 3,(P) 中的一个点仅在 (D) 的一个锥内对 (\Lambda_r(\Pi)) 有贡献,即 (P) 中的一个点最多属于一个计算得到的集合。根据引理 2,最多有 (\varepsilon n) 个 (C) 中的圆与 (R_i) 相交,即 (|P_i| < \varepsilon n)。

定理 2 及其证明

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值