1. 项目缘起一个图论中的“硬骨头”在计算机科学和运筹学的世界里图论问题就像一片充满奇珍异兽的森林而“匹配”问题无疑是其中最优雅、也最实用的物种之一。简单来说匹配就是在一个图中找到一组互不相连的边让尽可能多的“节点”通过这组边两两配对。从经典的婚配问题到现代的在线广告投放、任务调度匹配理论无处不在。然而当我们把目光投向一种特殊的图——三次图时问题就变得格外棘手。三次图也叫三正则图意味着图中的每个顶点都恰好连接着三条边。这种结构看似规整却隐藏着复杂的组合特性。在这个领域里有一个长期悬而未决的难题如何在一个三次图中找到规模最大的“分离匹配”这里的“分离匹配”指的是一组匹配边使得从图中移除这些边后剩下的图会分裂成多个连通分量。换句话说我们不仅要找到一组配对还要让这组配对起到“切割”图的作用并且我们希望这个切割的规模——即匹配边的数量——尽可能大。这不仅仅是理论上的智力游戏。想象一下在一个通信网络中每个节点有三条链路。为了进行网络维护或安全隔离我们需要暂时断开一组链路匹配使得网络被分割成几个互不连通的子网同时希望断开的链路数量最少这等价于在补集中寻找最大规模的分离匹配。或者在社会网络分析中识别出哪些关键关系边的消失会导致社群分裂。因此寻找最大规模的分离匹配具有深刻的实际意义。传统上研究者们从一个相关的概念“匹配割”入手。匹配割是指移除一个匹配后图变得不连通。那么一个自然的问题是一个图是否存在匹配割如果存在最小的匹配割是多大对于三次图已知的一个重要结论是判断其是否存在匹配割是NP-难的这预示着寻找最大分离匹配很可能也是一个非常困难的问题。我们的研究正是要从匹配割这个相对成熟的概念出发探索走向最大规模分离匹配的优化路径尝试在理论复杂性和实际可计算性之间找到平衡点。2. 核心概念辨析匹配割、分离匹配与最大规模在深入优化策略之前我们必须先厘清几个核心概念这是所有后续工作的基石。很多初入此领域的研究者容易混淆它们导致思路不清。### 2.1 匹配割连通性的“致命一击”匹配割是本研究的一个起点。其定义非常直观给定一个图 G(V, E)一个匹配 M 是 E 的一个子集其中任意两条边没有公共顶点。如果从 G 中移除 M 中的所有边后得到的图 G-M 变得不连通即连通分量数增加那么 M 就称为 G 的一个匹配割。理解匹配割的关键在于“割”的属性。它首先是一个匹配其次它扮演了“切割集”的角色。在三次图中由于每个顶点度数为3一个匹配割中的边会“消耗”掉其关联顶点的连接能力可能更容易导致剩余图的结构崩塌。研究匹配割我们通常关心两个问题1存在性判定2寻找基数边数最小的匹配割。最小匹配割问题在许多场景下对应成本最低的隔离方案。### 2.2 分离匹配目标函数的转变分离匹配的概念比匹配割更一般化也更贴合我们“最大规模”的优化目标。一个匹配 M 被称为分离匹配如果 G-M 不连通。看定义它和匹配割几乎一样是的从定义上分离匹配就是匹配割。但在具体的研究语境和问题设定中侧重点有所不同。当我们说“匹配割”时往往更侧重于“割”的本身研究其结构性质、存在条件、最小化问题。而“分离匹配”这个术语更常出现在最大化问题的语境中。也就是说我们关注的是在所有能起到分离作用即作为匹配割的匹配中哪一个包含的边数最多这就是“最大规模的分离匹配”问题。为什么追求最大这似乎与最小化成本直觉相悖。这里存在一个对偶视角。在一个通信网络中如果我们将需要保留的、保证网络连通的核心链路视为一个匹配那么移除这个匹配即保留其补集就会导致网络分裂。此时这个核心匹配越大意味着我们用于维持连通性的资源越多网络的冗余和健壮性可能就越强。因此寻找最大分离匹配可以理解为寻找一个最大的、能作为“连通骨架”的匹配其补集自然就是导致分离的最小边集在匹配约束下。### 2.3 最大规模优化的挑战所在将目标定为最大化分离匹配的规模立刻将我们置于计算复杂度的深水区。对于一般图判断是否存在一个规模至少为 k 的分离匹配是一个经典的NP-完全问题。对于三次图虽然其结构更规整但并未降低其理论难度。已知的结论是即使限制在三次二分图上匹配割的存在性判定也是NP-完全的。这强烈暗示最大分离匹配问题在三次图上也是NP-难的。因此我们的优化研究不可能奢求一个在多项式时间内找到精确最优解的算法除非PNP。研究的核心方向随即转变为如何设计高效的近似算法、启发式算法、参数算法或利用三次图的特殊性质进行优化以在可接受的时间内找到尽可能接近最优的大规模分离匹配。这构成了从“匹配割”理论到“分离匹配”优化实践的核心桥梁。3. 从理论到实践基于匹配割性质的优化起点既然直接求解最大分离匹配是困难的一个行之有效的策略是从匹配割的理论性质出发推导出分离匹配的规模上界和下界并设计算法去逼近这些界。对于三次图其匹配割有一些非常有趣且有用的性质可以成为我们优化算法的强力约束和启发式规则。### 3.1 三次图中匹配割的规模下界与结构启发一个重要且直观的观察是在三次图中任何一个匹配割 M 都必然关联着 G-M 的每一个连通分量。更具体地说由于移除 M 后图不连通至少存在两个连通分量 C1 和 C2。考虑连接 C1 和 C2 的边这些边原本在 G 中但被 M 移除了它们都必须属于 M因为如果有一条这样的边不在 M 中它就会留在 G-M 里从而连接 C1 和 C2与不连通矛盾。因此M 必须包含所有连接不同分量的边。在三次图中每个顶点的度为3。对于一个连通分量 Ci其与外部连接的边即关联 Ci 内顶点和 Ci 外顶点的边被称为该分量的“边割”。这些边割全部包含在 M 中。由于 M 是匹配这些边割之间不能共享顶点。这个性质对 M 的规模构成了强烈的结构约束也为我们构造算法提供了思路。例如我们可以尝试寻找图中的一个“窄点”即一个边割集很小的位置。如果存在一个边割集 F其大小是 k并且 F 本身可以构成一个匹配即 F 中边两两不相邻那么 F 本身就是一个匹配割其规模为 k。我们的目标则是寻找更大的匹配它可能包含多个这样的“窄点”割集的并集同时保持匹配性质。这引导我们思考诸如“最大匹配与边连通度的关系”等问题。### 3.2 利用最大匹配作为搜索空间一个直接的优化起点是图的最大匹配即包含边数最多的匹配不要求分离。在三次图中最大匹配可以通过经典的Edmonds开花算法在多项式时间内求得。最大匹配虽然不一定是分离匹配但它提供了一个规模的上限任何分离匹配的规模都不可能超过最大匹配的规模。因此一个朴素的启发式策略是先求出图 G 的一个最大匹配 M_max。然后检查 M_max 是否恰好是一个分离匹配即 G - M_max 是否不连通。如果是那么恭喜我们一举获得了最优解。但通常情况下最大匹配移除后图很可能依然连通因为最大匹配倾向于“均匀”地覆盖图不易造成割裂。此时优化策略可以调整为从最大匹配 M_max 出发尝试通过一系列的边交换操作在保持匹配规模不变或微小损失的前提下诱导图产生不连通性。例如我们可以寻找图中的交错环或交错路径通过将匹配边与非匹配边进行交换可能改变匹配边的分布位置使其更集中于图的某个“瓶颈”区域从而在移除后更容易切断图。### 3.3 基于连通分量分析的迭代剥离算法另一种实践性很强的优化思路是迭代剥离法这更像一个构造性算法而非改进算法。初始化设当前分离匹配 M ∅当前图 G G。寻找候选边在 G‘ 中寻找一条边 e满足(a) e 的加入不会破坏 M 的匹配性质即 e 的端点当前均未被 M 覆盖(b) 移除 e 后G’ 的连通性会受到“威胁”或易于判断。例如优先选择桥边割边因为移除一条桥边会直接增加连通分量数。但在匹配中桥边可能不相邻需要组合考虑。评估与添加将 e 加入 M并从 G‘ 中移除 e。检查 G’ - {e} 的连通性。这里的关键是我们不需要等到最后才检查整体是否分离而是在每一步都关注当前匹配边集是否已经构成了一个“部分割”——即它们是否已经将图分割成了多个连通片段即使这些片段之间可能还有非匹配边相连。连通性快速检查在每次迭代中维护图的连通分量信息。当加入一条边 e(u, v) 后我们需要判断 u 和 v 是否已经属于通过已移除的匹配边即 M而间接隔离的不同“超级分量”中。这可以通过并查集数据结构高效实现初始时每个顶点自成一个集合。每当一条匹配边 e(u,v) 被选中并从图中移除时我们并不在并查集中合并 u 和 v相反我们记录这条边被“删除”。实际上我们需要维护的是原图 G 移除当前匹配 M 后的连通性。一个等效的操作是维护原图 G但将 M 中的边标记为“禁用”。用并查集维护 G 中“启用”边的连通性。每次尝试添加一条边 e 到 M 时先检查其端点在用“启用”边构成的图中是否仍然连通。如果不连通说明 M ∪ {e} 已经是一个分离匹配了如果连通则将 e 标记为“禁用”即加入 M并更新并查集相当于从启用边集合中移除 e 及其可能影响的连通关系。终止与回溯当无法找到满足条件的边或者当前 M 已经使得图不连通时算法终止。为了追求更大规模可以引入回溯机制当算法陷入局部最优无法添加新边但图仍未分离时回退一步尝试不同的边选择分支。这个算法虽然在最坏情况下可能是指数级的但对于许多结构化的三次图如某些网格图、随机三次图它能较快地构造出一个较大规模的分离匹配。其核心优化点在于第4步的连通性动态维护避免了每次检查都进行完整的DFS/BFS遍历。4. 混合整数规划建模与精确算法优化对于规模不是特别大的三次图实例或者为了评估启发式算法的质量我们追求精确的最优解。这时可以将最大分离匹配问题形式化为一个混合整数规划模型然后利用CPLEX、Gurobi等优化求解器进行计算。MIP模型不仅能求最优解其松弛解还能提供有效的上界。### 4.1 MIP模型构建定义变量对于每条边 e ∈ E定义一个二元决策变量 x_e ∈ {0, 1}。x_e 1 表示边 e 被选入分离匹配 M 中。为了表达“移除M后图不连通”这一约束我们需要引入流平衡约束或割集约束。一个经典的方法是使用节点分区变量。我们引入辅助变量为每个顶点 i ∈ V 分配一个整数标签 y_i。约束是如果一条边 e (i, j) 被选中x_e 1那么我们必须强制 y_i ≠ y_j。同时我们需要确保至少存在两个顶点拥有不同的标签这才能表示不连通。但“至少两个不同标签”的严格表达需要技巧。一个更稳健的建模方式是割集约束。思路是对于图的每一个非空真子集 S ⊂ V如果 M 是一个分离匹配那么至少有一条被选中的边横跨割 (S, V\S)。但这会产生指数级的约束。我们可以采用分离范式先求解不带连通性约束的模型即最大匹配模型得到解 M‘然后检查 G-M’ 是否连通。如果连通则找到连接 G-M‘ 不同连通分量的所有边构成的割集为该割集添加一条约束要求至少有一条边被选中。然后重新求解。这个过程迭代进行直到找到一个解使得 G-M 不连通。这种方法在求解器内部通常由回调函数实现。一个更直接的可线性化模型如下匹配约束对于每个顶点 i其关联边中被选中的不超过一条∑_{e ∈ δ(i)} x_e ≤ 1。其中 δ(i) 表示与顶点 i 关联的边集。分离性约束连通性破坏约束这是核心难点。我们可以指定一个源点 s。对于其他任意一个顶点 t ≠ s我们要求从 s 到 t 在剩余图 G-M 中不存在路径。这可以通过多商品流或割集约束来建模。简化版引入一组流变量 f_{ij}^t 表示从 s 到 t 的流在边 (i,j) 上的量假设图是无向的需要对两个方向分别考虑。约束包括流守恒、容量约束如果边被选中 x_e1则容量为0否则容量为1表示可以通一条流。然后要求对于某个 t从 s 流出的总流量为0即无法到达 t。但这样需要对每个 t 都引入流变量规模较大。更实用的方法在迭代分离范式中我们求解一个松弛的主问题只有匹配约束得到候选匹配 M‘。然后我们运行一次图的连通分量算法如BFS/DFS在 G-M’ 上。如果 G-M‘ 是连通的那么对于任意一个割开两个不同假想的分量的边集我们都需要至少选中一条边。但既然当前是连通的我们可以任意选择一个割。一个简单的选择是取一个顶点 u设 S 为在 G-M’ 中从 u 出发能到达的所有顶点集合。那么 (S, V\S) 就是一个割并且这个割中的所有边在 G-M’ 中都不存在因为它们横跨两个集合如果存在集合 S 就会更大。因此这个割中的所有边 e 都满足 x_e 1因为它们必须被选中才能断开连接。我们可以添加约束∑_{e ∈ δ(S)} x_e ≥ 1。这个约束保证了任何可行解都必须至少切断这条由 u 生成的路径。我们将这个约束加入主问题重新求解。每次迭代都选择不同的 u 或不同的连通分量测试点逐步加强约束直到找到可行解。### 4.2 利用三次图特性的模型强化对于三次图我们可以强化MIP模型加速求解。度约束引申由于每个顶点度为3且匹配约束要求 ∑ x_e ≤ 1这意味着每个顶点最多有一条关联边被选。那么对于任意一个顶点至少有两条边留在剩余图中。这可以用来推导一些不等式收紧线性规划松弛。小圈子结构三次图中常存在三角形或小环。对于一个小三角形匹配约束意味着最多只能选一条边。如果我们希望这个三角形所在的局部区域在移除匹配后与外界隔离那么可能需要选中特定的边。可以预先添加一些基于局部结构的有效不等式。对称性破缺图本身可能具有对称性导致MIP求解器在分支定界树上探索大量等价分支。可以添加约束来打破对称性例如指定某个特定顶点关联的边中编号最小的那条边优先被考虑是否选中。注意使用MIP求解器时对于中等规模的三次图例如几百个顶点可能需要较长的计算时间。通常将精确算法与启发式算法结合先用启发式得到一个优质解作为MIP的初始解能极大提升求解速度。5. 启发式与元启发式优化策略面对大规模三次图实例精确算法可能力不从心此时启发式与元启发式算法成为寻找高质量分离匹配的利器。我们的目标是在合理时间内找到一个规模足够大的分离匹配。### 5.1 贪婪随机自适应搜索过程GRASP是一种多起点的元启发式框架非常适合本问题。每一轮GRASP迭代包含两个阶段构造阶段和局部搜索阶段。构造阶段从一个空匹配 M 开始逐步添加边。维护一个候选边列表 CL其中包含所有可以加入 M 且不破坏匹配性质的边即端点均未被覆盖的边。但并非随机选择而是根据一个贪婪评价函数对 CL 中的边进行评分。一个有效的评分函数可以是score(e) 1 / (conn(G - M - {e}))其中conn(H)表示图 H 的连通分量数。这个函数倾向于选择那些移除后能立即增加连通分量数或使图更接近不连通的边。我们并不直接计算精确的 conn而是用一个快速估计例如检查 e 是否是当前图 G-M 中的桥边或者其端点是否位于图的“稀疏”区域。然后我们建立一个限制候选列表 RCL包含得分在前 α% 的边α 是一个参数如 30%。从 RCL 中随机选择一条边加入 M。这种引入随机性的贪婪策略能产生多样化的初始解。局部搜索阶段对于一个构造出来的匹配 M它可能已经是分离匹配也可能不是我们尝试通过局部改造来增大其规模或优化其“分离潜力”。定义邻域操作边添加尝试添加一条可行的边 e 到 M。如果添加后 M 仍是匹配则接受。添加后检查 G-M 是否不连通。如果是则我们得到了一个更大的分离匹配。如果不是则继续。边交换选择 M 中的一条边 e 和两条不在 M 中的边 f, g使得 (M \ {e}) ∪ {f, g} 仍然是一个匹配并且规模增加了1。然后检查新匹配的分离性。这是扩大匹配规模的经典操作。双边交换选择 M 中的两条边 e1, e2 和不在 M 中的两条边 f1, f2进行交换保持匹配规模不变但可能改变边的位置使其更集中于瓶颈区域从而可能使 G-M 变得不连通。局部搜索采用最佳改进策略即遍历所有可能的邻域操作选择能使目标函数匹配规模若已分离则优先否则可考虑一个衡量“接近分离”程度的辅助函数如最小割的大小提升最大的操作进行移动直到找不到改进解。### 5.2 模拟退火与迭代局部搜索对于更复杂的景观可以采用模拟退火。状态空间是所有匹配不一定是分离匹配目标函数 f(M) 需要精心设计。一个方案是f(M) |M| - λ * conn(G-M)其中 |M| 是匹配规模conn(G-M) 是移除匹配后的连通分量数λ 是一个权重参数。当 conn(G-M) 1 时说明 M 是分离匹配此时函数值就是 |M| 减去一个常数项。模拟退火允许以一定概率接受恶化解有助于跳出局部最优。迭代局部搜索则在 GRASP 或模拟退火的基础上周期性地对当前最优解进行扰动然后重新进行局部搜索。扰动不能太大以免丢失所有优良特性也不能太小。对于本问题一个有效的扰动可以是随机移除当前匹配 M 中的 k 条边k 较小如 2-5然后尝试用不同的边重新填充甚至允许暂时性规模缩小再通过局部搜索恢复和超越。### 5.3 基于分支定界的启发式定界即使在启发式算法中定界技术也至关重要它能告诉我们当前解离最优可能有多远。一个简单的上界是图的最大匹配大小。更紧的上界可以通过考虑图的边连通度λ(G) 和匹配约束来推导。在三次图中设最大分离匹配大小为 OPT。由于移除 OPT 后图不连通那么 OPT 必须包含至少一个边割集。而三次图中最小的边割集大小可能是 1桥边、2 或 3。但 OPT 本身是一个匹配所以这个割集中的边必须互不相邻。这限制了割集的结构。我们可以通过求解一些松弛的线性规划或利用图论定理如 Tutte-Berge 公式的变体来获得更优的上界。在启发式搜索过程中如果当前解的大小已经达到上界则可以提前终止确信找到了最优解。6. 实验评估与参数调优实战任何优化策略的有效性都需要在具体实例上验证。我们需要设计或收集一系列三次图测试集并建立评估流程。### 6.1 测试实例生成测试图应包括以下几类规则结构图如三次网格图、三次环面图、彼得森图推广等。这些图结构已知有时甚至能通过数学分析得到最大分离匹配的理论值用于验证算法正确性。随机三次图使用随机正则图生成算法如配对模型加重连生成不同顶点数如 50, 100, 200, 500的随机三次图。这类图具有典型的复杂组合结构。从实际问题转化来的图例如将某些电路设计、网络规划问题建模为三次图后的实例。### 6.2 算法实现与对比我们需要实现至少以下算法进行对比基准算法1简单的贪婪算法。每次选择一条端点度数和最小的边加入匹配直到无法添加然后检查是否为分离匹配。如果不是则尝试移除一条边并添加另一条进行简单局部搜索。基准算法2迭代剥离算法第3.3节所述。优化算法1GRASP框架结合构造评分函数和边交换局部搜索。优化算法2模拟退火算法使用精心设计的目标函数。精确算法基于MIP模型的求解用于小规模图作为黄金标准。评估指标解的质量找到的分离匹配的规模。与精确解小图或已知上界大图的差距。运行时间算法收敛或达到时间限制如1小时所用的时间。成功率对于要求输出分离匹配的算法成功找到任何规模分离匹配的比例。### 6.3 关键参数调优心得在实现GRASP和模拟退火时参数调优对性能影响巨大。GRASP中的RCL参数 αα 太小如10%则构造过程过于贪婪多样性不足容易陷入相同局部最优α 太大如100%则等同于随机构造质量难以保证。通过网格搜索发现在大多数三次图上α 在 20% 到 40% 之间效果较好。一个动态调整的策略是在迭代初期使用较大的 α 探索空间后期减小 α 进行强化搜索。模拟退火中的温度与退火计划初始温度 T0 应设置得足够高使得几乎任何移动都被接受。一个经验法则是在初始阶段进行一系列随机移动计算目标函数差 Δf 的平均值令 T0 -Δf_avg / ln(0.8)这样大约80%的恶化解会被初始接受。退火计划采用指数降温T_{k1} γ * T_kγ 通常取 0.95 到 0.99。停止准则可以设为连续若干步如100步没有接受新解或温度低于某个阈值。目标函数权重 λ在模拟退火的目标函数 f(M) |M| - λ * conn(G-M) 中λ 的选择很关键。λ 太大算法会过于追求快速分离可能牺牲匹配规模λ 太小算法会优先扩大匹配可能迟迟得不到分离匹配。一个可行的策略是分阶段进行第一阶段设置 λ0专注于寻找最大匹配第二阶段以第一阶段得到的最大匹配为起点设置一个较大的 λ专注于破坏连通性将其转化为分离匹配第三阶段再适当调整 λ在规模和分离性之间做微调。实测中这种分阶段策略比固定 λ 效果更好。注意在迭代剥离或贪婪算法中检查连通性是一个频繁操作。务必使用并查集或增量式连通性维护算法避免每次都对全图进行DFS/BFS这是性能优化的关键点。在实现时我维护了一个并查集表示当前图 G-M 的连通分量。每次从图中移除一条边加入匹配时我需要检查这条边是否是其两端点所在连通分量之间的唯一连接即是否是“桥”。如果是移除它就会增加连通分量数。高效的动态图桥检测算法较为复杂对于启发式算法一个实用的近似是移除边后重新检查两个端点是否还连通通过并查集的 Find 操作。如果不连通说明产生了新的分量。虽然这可能会漏掉一些情况边不是桥但移除后因为其他边也被移除而导致不连通但在迭代构造过程中是高效且通常有效的。7. 从理论极限到实际应用边界的思考通过一系列实验我们可能会发现对于随机生成的三次图最大分离匹配的规模往往非常接近最大匹配的规模有时甚至相等。这意味着在这些图中存在一个巨大的匹配其移除足以分裂网络。这符合直觉随机图通常具有良好的扩张性一个随机的大匹配很可能“碰巧”覆盖了图的许多关键连接。然而对于高度结构化的图情况可能不同。例如在一个由多个小团块通过少数几条边连接而成的三次图中最大分离匹配的规模可能受限于这些连接团块的“瓶颈”边数。此时最大匹配可能很大但任何大到一定规模的匹配都必然包含这些瓶颈边而一旦包含移除它们就会导致分离。因此最大分离匹配的规模可能有一个明确的理论上界由图的最小边割集大小及其匹配性质决定。这就引向了一个更深层的理论优化方向寻找最大分离匹配规模的多项式时间近似算法。我们能否证明对于三次图存在一个常数因子比如 0.9的近似算法或者在什么特殊的图类如平面三次图、无桥三次图下问题可以变得更容易这些理论上的探索能为我们的优化算法设计提供根本性的指导。在实际编码实现中内存管理和数据结构的选择至关重要。对于包含数万个顶点的三次图邻接表存储是必须的。并查集需要支持快速查找和合并。在局部搜索中邻域操作的效率决定了算法能探索的解空间大小。例如实现边交换邻域时需要快速找到所有可行的 (e, f, g) 三元组。可以预处理出与每条匹配边 e 的端点相邻的非匹配边集合从而缩小搜索范围。最后分享一个在调试算法时遇到的典型陷阱误判分离性。早期版本中我的算法在判断当前匹配 M 是否为分离匹配时仅仅检查原图 G 移除 M 后是否连通。但在迭代构造过程中我维护的图 G‘ 是逐步移除边的。我发现有时算法会报告找到了一个分离匹配但用独立代码验证时却发现 G-M 是连通的。问题出在当我从 G’ 中移除一条边 e 加入 M 时如果 e 不是桥G‘ 依然连通但此时 M 可能已经是一个分离匹配了吗不可能。因为如果 M 是分离匹配那么 G-M 不连通意味着在 G-M 中存在两个点 u, v 没有路径。这条路径上的任何一条边如果还在 G’ 中那么 u, v 在 G‘ 中就是连通的。因此只要 G’ 连通G-M 就一定连通。反过来如果 G‘ 不连通G-M 就一定不连通吗是的因为 G’ 是 G-M 的子图G‘ 是逐步移除边G-M 是移除所有 M 中的边。所以只需维护好 G’ 的连通性并以 G‘ 不连通作为终止条件就是正确的。这个推理过程提醒我们在处理图的状态变化时必须严格厘清不同图原图、当前剩余图之间的关系避免因概念混淆引入错误。