经过前面九篇图论算法的系统学习，我们从遍历、最短路径、最小生成树到网络流和二分图匹配，所讨论的问题均能在多项式时间内精确求解。但这些"好问题"只是图论版图中的一部分。当我们面对旅行商问题、顶点覆盖、图着色、最大团等问题时，情况截然不同------在P≠NP的假设下，它们的精确解需要指数级时间。现实又迫切需要求解这些问题的近似答案。这种张力催生了一整套理论体系：近似算法与不可近似性。
一、图论中的NP困难问题图谱
图论是NP困难问题的密集分布区。以下列出几个最具代表性的问题：
旅行商问题：给定完全带权图，找一条经过每个顶点恰好一次并回到起点的最短回路。即使所有边权均为1或2，问题仍为NP困难。
顶点覆盖：找最小的顶点子集，使得图中每条边至少有一个端点属于该集合。这是Karp的21个NP完全问题之一。
最大团与最大独立集：最大团是找图中最大的两两相连的顶点子集；最大独立集是找最大的两两不相邻的顶点子集。两者互补------图的补图上的团即原图的独立集。
图着色：用最少的颜色为顶点着色，使相邻顶点颜色不同。三着色问题本身已是NP完全的。
哈密顿回路：判断图中是否存在一条经过每个顶点恰好一次的回路。这是NP完全问题的原型之一。
这些问题之所以"困难"，是因为第10篇中定义的NP完全性------目前已知不存在多项式时间的确定性算法，且发现任何一个的多项式算法将导致P=NP。面对它们，我们有三种务实的应对策略：限制输入范围（如仅在二分图上求解）、接受指数时间但尽可能压缩指数底数（参数化算法）、以及接受近似解------这是本文和后续篇章的核心主题。
二、近似算法与近似比的形式化
近似算法是指对于优化问题，能在多项式时间内输出一个可行解，且该解的目标函数值与最优解之比有理论上界的算法。
设 ΠΠ 是一个最小化问题，实例为 II，最优解的目标值为 OPT(I)OPT(I)，算法 AA 输出的解的目标值为 A(I)A(I)。若存在常数 ρ≥1ρ≥1，使得对任意实例 II 均有：
A(I)≤ρ⋅OPT(I)A(I)≤ρ⋅OPT(I)
则称算法 AA 为 ρρ**-近似算法** ，ρρ 称为近似比。对于最大化问题，不等式方向取反：A(I)≥1ρ⋅OPT(I)A(I)≥ρ1⋅OPT(I)，且 ρ≥1ρ≥1。
近似比 ρρ 越接近1，算法的保证越强。特别地，若存在一族算法，对任意 ε>0ε>0 可以给出 (1+ε)(1+ε) 的近似比且运行时间为输入规模与 1/ε1/ε 的多项式，则称该问题具有多项式时间近似方案。
然而并非所有NP困难问题的近似难度都相同。有些问题可以近似到任意接近最优（如背包问题存在FPTAS），有些问题存在常数的不可近似下界，而有些问题在最一般的形式下根本无法近似。
三、旅行商问题的近似与不可近似
一般旅行商问题（边权无任何约束）的近似性是灾难性的：除非P=NP，对任意常数 ρρ，都不存在 ρρ-近似算法。证明极简洁：若存在 ρρ-近似算法，可利用其判定哈密顿回路问题------给定图 GG，构造完全图使原图边权为1，非原图边权为 ρ⋅n+1ρ⋅n+1。若 ρρ-近似算法输出长度 ≤ρ⋅n≤ρ⋅n，则原图存在哈密顿回路；否则不存在。这意味着 ρρ-近似算法可解NP完全问题，矛盾。
这个结果告诉我们：没有结构约束的旅行商问题不仅精确求解困难，连有意义的近似都不可能。然而，一旦边权满足三角不等式 ------即对任意三个顶点 u,v,wu,v,w，有 w(u,v)≤w(u,w)+w(w,v)w(u,v)≤w(u,w)+w(w,v)------问题就变得可以近似。满足三角不等式的旅行商问题称为度量旅行商问题，这正是现实中大多数路径规划场景的自然假设（直线距离满足三角不等式）。
度量旅行商问题最经典的近似算法之一是Christofides算法，它结合了最小生成树与最小权完美匹配，达到了 3/23/2 的近似比------至今仍是度量旅行商问题已知最好的常数近似比。其基本流程如下：
-
计算图的最小生成树 TT。
-
找出 TT 中所有度数为奇数的顶点，在这些顶点构成的导出子图上求最小权完美匹配 MM。
-
将 TT 与 MM 合并（可能出现重边），得到欧拉图，求其欧拉回路。
-
沿欧拉回路行进，遇到重复访问的顶点则走捷径（跳过已访问顶点），最终得到哈密顿回路。
分析：最小生成树的权重不超过最优旅行商路径（删去路径上任意一边即得生成树，故 w(T)≤OPTw(T)≤OPT）。奇数度顶点的个数必为偶数，最小权完美匹配的权重不超过 OPT/2OPT/2（最优旅行商路径在奇数度顶点上的跳跃可拆为两个匹配，取较轻者）。因此 w(T)+w(M)≤1.5⋅OPTw(T)+w(M)≤1.5⋅OPT，三角不等式保证走捷径不会增加权重，最终输出路径满足 3/23/2 近似比。
四、顶点覆盖的贪心近似与难度下界
顶点覆盖问题展示了另一种近似图景。它有一个极其简单的2-近似算法：任选一条未覆盖的边，将它的两个端点都加入顶点覆盖，移除所有被覆盖的边，重复直至无边剩余。每条被选中的边，最优覆盖至少需包含其一个端点，而算法取了两个端点，因此输出规模不超过最优解的两倍。
令人惊讶的是，这个朴素的2-近似在某种意义上已经是最优的。Khot与Regev在2008年基于Unique Games Conjecture证明：若UGC成立，对任意 ε>0ε>0，顶点覆盖不存在 (2−ε)(2−ε)-近似算法。这意味着2这个因子并非当前技术的局限，而是问题的内在壁垒。
顶点覆盖在二分图上的表现则截然不同------König定理保证了二分图的最大匹配数等于最小顶点覆盖数，而最大匹配可在多项式时间内求出，因此二分图上的顶点覆盖是精确可解的。这再次印证了一个反复出现的主题：问题的难度高度依赖于输入的结构性质。
五、近似算法的设计范式预览
图论中的近似算法并非零散的技巧堆砌，而是有规律可循的设计范式。以下是几种主要的策略类别，后续篇章将逐一展开：
贪心近似：每一步做局部最优选择，如顶点覆盖的边贪心策略、集合覆盖的按覆盖率贪心。
线性规划松弛与舍入：将整数规划松弛为线性规划求分数最优解，再通过舍入恢复整数解，利用对偶性给出近似比。
局部搜索：从可行解出发，通过局部调整不断改进，分析局部最优解与全局最优解的差距。
随机化舍入：在线性规划松弛的基础上，以随机概率舍入分数解，利用期望分析近似比。
参数化近似：将问题拆分为易处理部分与困难核心，对困难部分采用近似策略。
六、总结与展望
本篇开启了从"精确算法"到"近似算法"的范式转变。在NP困难的图景下，追求最优解往往意味着接受指数时间，而近似算法以可证明的质量保证换取了多项式时间的实用效率。旅行商问题的 3/23/2 近似与顶点覆盖的 22 近似，展示了近似比可以被严格证明，也存在不可逾越的理论壁垒。
下一篇，我们将回溯一个更基础的算法设计范式------回溯法。在探索精确解的指数时间内，如何组织状态空间、如何设计剪枝函数以减少搜索量，这些技术不仅是求解NP困难问题的直接手段，也为分支限界等后续高级搜索方法提供了思想基础。