主题：版主那里有关于npc问题的电子图书

不知道你们队的计算时间和控制参数的具体设置，另有两个队采用模拟退火算法，3组数据的解分别是19，408和470，得到了最优解，效果很好，可以交流一下具体参数的设置。关键参数的设置对算法性能影响很大。SA的关键参数包括初始温度t0, 温度更新函数T(t)，Markov链长Lk和终止温度tf等，理论上设定的控制参数在实际应用中效果不一定理想，通常只能依据一定的启发式规则或大量试验来加以选取。 另外，可考虑给算法增加一个记忆器，使之能记住搜索过程中遇到过的最好结果，当结束时，将最终解与记忆器中的解比较，取较优者作为最后结果。还可考虑在有记忆的模拟退火算法后链接一个局部搜索算法。

校内竞赛A题是一个NP难题，这类问题被认为不存在求最优解的有效算法。穷举法和分支定界算法等可用于求小型的组合优化问题的最优解，但大型问题（求最优解的算法的计算时间太长，比如，若干月，若干年，无法承受）只能用一些近似算法或启发式算法来求解。 模拟退火算法就是一种启发式算法，适合解大型问题，不一定能保证所得解的最优性。当然，校内竞赛A题给出的三个实例都是小型的，模拟退火算法的效果可能不及穷举法。解大型问题更能显示出模拟退火算法的优越性。 事实上，模拟退火算法的最终解质量和CPU时间呈反向关系，很难两全其美，解决办法只有：折中，即在合理的CPU时间里尽量提高最终解的质量。这涉及到冷却进度表所有参数的合理选取，可参考唐立山等著的《非数值并行算法——模拟退火算法》。 模拟退火算法的计算时间复杂度为O(k Lm t(n) ), 其中Lm是k个Markov链长的最大者，t(n)是问题规模n的多项式函数。