http://en.wikipedia.org/wiki/Convex_set
http://en.wikipedia.org/wiki/Geodesic_convexity
http://en.wikipedia.org/wiki/Convex_metric_space
http://en.wikipedia.org/wiki/Intrinsic_metric
http://en.wikipedia.org/wiki/Convex_set
http://en.wikipedia.org/wiki/Geodesic_convexity
http://en.wikipedia.org/wiki/Convex_metric_space
http://en.wikipedia.org/wiki/Intrinsic_metric
http://math.mit.edu/~goemans/18433S09/ellipsoid.pdf
مرجع: فصل ۱۷ کتاب وزیرانی (سوال تمرین زمانبندی روی ماشینهای مستقل)
اینجا LP برای مسأله جواب (تقریبی) نمیدهد (integrality gap نامحدود دارد یعنی نسبت جواب LP و جواب بهینه نامحدود است).
پس خودمان کاری میکنیم که تقریب مورد نظرمان اتفاق بیفتد. برای اینکه یک جواب تقریبی از جواب بهینه باشد، طبق مطالب فصل ۱ و ۲ باید تقریبی از کران مسأله باشد. در کمال بدبختی ما این کران را هم نداریم. برای همین یک پارامتر را میگیریم که بتواند کران مناسبی برای مسأله باشد (ولی نمیتوانیم در زمان کمی حسابش کنیم) و روی آن مثلاً جستجوی دودویی (یا هر جستجوی دیگری!) به کار میبریم تا تقریبی از این پارامتر به دست بیاید. در نتیجه با تقریب زدن این پارامتر، میتوانیم مسأله را هم تقریب بزنیم. (خلاصه اینکه در دو ضرب مسأله را حل میکنیم.)
البته از LP هم این استفاده را میکنیم که نقاط صحیح جواب را به دست بیاوریم و فقط دنبال بقیه جواب بگردیم.
چه زمانی جستجوی محلی برای تقریب زدن کار میکند؟ وقتی که جواب بهینهی محلی و بهینهی واقعی تقریبی از هم باشند. به این نسبت locality gap میگویند.
http://pages.cs.wisc.edu/~shuchi/courses/787-F09/scribe-notes/projects/project-notes-2.pdf
http://en.wikipedia.org/wiki/Multi-objective_optimization
http://statweb.stanford.edu/~tibs/stat315a/LECTURES/em.pdf
بالاخره یک تست کیس برای پروژه موازیام پیدا کردم.
مال سایت http://gistech.ir است. ولی فرمتش TIN نیست:
http://www.lib.ncsu.edu/gis/formats.html
دو تا نکتهی خندهدار اینجا هست: یکی اینکه نرمافزارهای متنباز برای این هست (میتونستم مثلاً یک تابع از اون رو کپی کنم!). من که از TIN بودنش به جز اینکه مجموعهای از مثلثها است استفاده نکردم در نتیجه میتوانم یک سری مثلث مجزا تولید کنم و جواب آنها را به دست بیاورم.
من فکر میکردم امروز ارائه است اومدم علاف شدم. :|