1 - keskuksen ongelma tai minimax objektin sijoitteluongelma on klassinen kombinatorinen optimointiongelma , operaatiotutkimuksen tieteenalaongelma , onobjektin sijoitteluongelmanerikoistapaus . Yleisimmässä tapauksessa se on muotoiltu seuraavasti:
Joukko kuluttajapaikkoja, esineiden (tuotanto tai palvelu) mahdollisten sijaintipaikkojen tila ja kuljetuskustannusten funktio mistä tahansa mahdollisesta paikasta kulutuspisteeseen On tarpeen löytää esineiden optimaalinen sijainti minimoimalla maksimikustannukset esineestä kuluttajalle.Yksinkertainen erikoistapaus, jossa majoitus- ja kulutuspisteet ovat tasossa ja toimituskustannus on euklidinen etäisyys ( planar minimax Euclidean placement problem, Euclidean 1-center plane problem ) tunnetaan myös pienimmän ympyrän ongelmana . Sen yleistäminen korkeampiulotteisiin euklidisiin avaruksiin tunnetaan vähiten rajoittavana sfääriongelmana . Lisäyleistyksessä ( painotettu euklidinen sijaintiongelma ) kulutuspisteille osoitetaan painoja ja kuljetuskustannus on etäisyyksien summa kerrottuna vastaavilla painoilla. Toinen erikoistapaus on lähimmän rivin ongelma , kun tehtävän syöte on merkkijono ja etäisyys mitataan Hamming-etäisyydenä .
Ongelman erikoistapauksia on lukuisia, riippuen sekä kulutuspisteiden ja tuotanto- (tai palvelu-)kohteiden sijainnin valinnasta että etäisyyden laskevan funktion valinnasta.
Tällaisen ongelman muunnelman muotoilu on siinä, että on annettu graafi sekä kustannusfunktio, ja on tarpeen löytää sellainen joukko , joka on minimaalinen, ts. sellainen joukko , että polun maksimikustannus mitä tahansa kärkeä lähimmältä kärjeltä jää minimaaliseksi. Tehtävää voidaan myös täydentää huippukustannusfunktiolla, jolloin sen säde määritellään muodossa .
Ongelman likimääräisen ratkaisun ideana on etsiä kiinteää sädettä ahneella algoritmilla . Niin kauan kuin on pisteitä , joita ei kata , täytyy ahneesti valita kärkipiste ja ottaa huomioon kaikki muut saatavilla olevat kärjet . Algoritmi toistetaan eri arvoille . Seuraavassa on menetelmän kuvaus virallisessa muodossa:
Antaa olla optimaalinen ratkaisu . Siinä tapauksessa, kun , ahne algoritmi palauttaa joukon siten, että . Tämän perusteella määritämme ja huomaamme, että funktio ei ole monotoninen . Seuraavaksi merkitään säde , jonka avulla vain yksi kärki in voi peittää kaikki graafin kärjet, ts. , a .
Lemma. Jokaiselle kuvaajalle , jolla on optimaalinen joukko ja säde , epäyhtälö pätee kaikkiin .
Todiste. Olkoon ja valittu huippupiste algoritmisyklissä . Sitten todellinen eriarvoisuus on:
Kaikki pisteet kohteesta poistetaan iteroinnin lopussa, mikä tarkoittaa, että silmukka päättyy enintään iteraatioihin, ja siksi .
Lemasta seuraa, että ahne algoritmia voidaan ajaa, kunnes tuloksena oleva joukko tulee vaadittua pienemmäksi , käyttämällä etäisyysmatriisia säteiden laskemiseen . Siten algoritmin yleinen aikamonimutkaisuus on , ja approksimaatiokerroin on .
Sillä ehdolla, että luokat P ja NP eivät ole yhtä suuret, millekään ei ole polynomialgoritmia, jolla on approksimaatiokerroin . Tämän väitteen todistus pelkistyy hallitsevan joukko-ongelman pelkistykseen : Annetaan se syötteeksi algoritmille, joka ratkaisee hallitsevan joukko-ongelman. Anna myös kaikki reunat . Sitten sisältää hallitsevan koon joukon, jos joukko sisältää pisteitä ja säde ( ) on yhtä suuri kuin . Jos olisi olemassa -approksimoiva algoritmi , niin se löytäisi hallitsevan joukon täsmälleen samalla approksimaatiokertoimella, mikä on mahdotonta.