第9章NP完全性理论讲稿.pptVIP

第9章 NP完全性理论 对于高速处理数据的计算机来说，处理某一个特定数据的效率不能衡量一个程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着增长了数百倍，或者增长了数万倍或更多。 复杂度级别 多项式级的复杂度：O(1),O(log(n)),O(n^a)等 非多项式级的复杂度： O(a^n)、O(n!)等 不管数据有多大，程序处理花的时间始终是那么多的，我们就说这个程序很好，具有O(1)的时间复杂度，也称常数级复杂度； 数据规模变得有多大，花的时间也跟着变得有多长，这个程序的时间复杂度就是O(n)，比如找n个数中的最大值； 而像冒泡排序、插入排序等，数据扩大2倍， 时间变慢4倍的，属于O(n^2)的复杂度。 还有一些穷举类的算法，所需时间长度成几何阶数上涨，这就是O(a^n)的指数级复杂度，甚至O(n!)的阶乘级复杂度。 是不是所有的问题都可以找到复杂度为多项式级的算法呢？ 答案是否定的 旅行售货员问题 P问题：如果一个问题可以找到一个能在多项式的时间里解决它的算法，那么这个问题就属于P问题。 NP问题:可以在多项式的时间里验证一个解的问题 例：可满足性问题：对任意给定布尔表达式，是否可对式中各变元赋予真值和假值，使该表达式的值为真。 正式地，P、NP 问题是图灵机来定义的 图灵机 由一个有限状态控制器和k条读写带(k≥1)组成 读写带右端无限,每条带从左到右划分为方格,每个方格存放一个带符号,带符号总数有限 有限状态控制器在某一时刻处于某种状态,且状态总数有限 根据有限状态控制器的当前状态及每个读写头读到的带符号，图灵机的一个计算步可实现下面3个操作之一或全部。 (1)改变有限状态控制器中的状态。 (2)清除当前读写头下的方格中原有带符号并写上新的带符号。 (3)独立地将任何一个或所有读写头，向左移动一个方格(L)或向右移动一个方格(R)或停在当前单元不动(S)。 图灵机可形式化地描述为一个7元组(Q，T，I，δ，b，q0，qf) (1)Q是有限个状态的集合 (2)T是有限个带符号的集合 (3)I是输入符号的集合，I?T (4)b是唯一的空白符，b∈T-I (5)q0是初始状态 (6)qf是终止(或接受)状态 (7)δ是移动函数。它是从Q?T的某一子集映射到Q? (T?{L，R，S})的函数 给定一个正整数N，问是否有正整数m使N＝4m T＝{0,1,#} I={0,1} Q={q0, q1, q2, q3, qy, qn} 输入10100 （q010100） （1q00100）（10q0100） （101q000）（1010q00） （10100q0＃）（1010q10＃） （101q20＃#） (10qy1###) 图灵机M的时间复杂性T(n)是它处理所有长度为n的输入所需的最大计算步数。如果对某个长度为n的输入，图灵机不停机，T(n)对这个n值无定义。 图灵机的空间复杂性S(n)是它处理所有长度为n的输入时，在读写带上所使用过的方格数的总和。如果某个读写头无限地向右移动而不停机，S(n)也无定义。 在图灵机计算模型中，移动函数δ是单值的，即对于Q?T中的每一个值，当它属于δ的定义域时，Q?T?{L，R，S}中只有唯一的值与之对应，称这种图灵机为确定性图灵机，简记为DTM(Deterministic Turing Machine)。 非确定性图灵机（ NDTM ） 一个k带的非确定性图灵机M是一个7元组：(Q，T，I，δ，b，q0，qf)。 与确定性图灵机不同的是非确定性图灵机允许移动函数δ具有不确定性，即对于Q?T中的每一个值(q;x) ，当它属于δ的定义域时，Q?T?{L，R，S}中有唯一的一个子集与之对应。 P={L|L是一个能在多项式时间内被一台DTM所接受的语言} NP={L|L是一个能在多项式时间内被一台NDTM所接受的语言} 信息学中的最困难的问题——“NP问题”，实际上是在探讨NP问题与P类问题的关系。 所有的P类问题都是NP问题。也就是说，能多项式地解决一个问题，必然能多项式地验证一个问题的解 关键是，是否所有的NP问题都是P类问题 通常所谓的“NP问题”，其实就一句话：证明或推翻P=NP。 P ＝ NP无法证明 多数人相信，存在至少一个不可能有多项式级复杂度的算法的NP问题，即P≠NP 约化：一个问题A可以约化为问题B的含义即是，可以用问题B的解法解决问题A，或者说，问题A可以“变成”问题 B。 比如说，现在有两个问题：求解一个一元一次方程和求解一个一元二次方程。 前者可以约化为后者，即知道如何解一个一元二次方程那么一定能解出一元一次方程。 可以写出两个程序分别对应两个问题，那么能找到一个“规则”