NP,NPC和NP-hard概念.pptVIP

* 网 络 优 化 第 2 章 算法基础 Network Optimization 2.1 NP,NPC和NP-hard概念 * 2.1.1 问题、实例与输入规模 评价一个算法的依据是该算法在最坏实例下的计算时间与实例输入规模的关系： 问题 实例 TSP 问题中各参数:100个城市，城市间距离 已知. 背包问题 问题中各参数: 4个物品，大小分别为4,3,2,2. 价值分别为8,7,5,7. 包的大小为6. 整数线性规划 问题中的n,A,b,c已知. 比多项式问题类可能更广泛的一个问题类是非确定多项式 (Nondeterministic Polynomial，简记 NP ) 问题类 存在多项式算法的问题集合：多项式问题类（P） 存在多项式函数 g(x) 满足上式时，算法为多项式算法 NP 类是通过判定问题引入的。 * 对任何一个优化问题， 可以考虑其三种形式： 最优化形式（原形：最优解） 计值形式（最优值） 判定形式（上界） 定义2.1 如果一个问题的每一个实例只有“是”或“否”两种答案，则称这个问题为判定问题(Decision / recognition / feasibility problem). 称有肯定答案的实例为“是”实例(yes-instance). 称答案为“否”的实例为“否”实例或非“是”实例(no-instance). 2.1.2 判定问题 难度降低 就有效算法的存在性而言，通常认为三种形式等价！ * 例2.1 线性规划问题(LP)的判定形式——LP判定问题： 给定一个实数值z，(LP)是否有可行解使其目标值不超过z？ 即：给定z，是否有 例2.2 TSP问题的判定问题。 * 文字集 例2.3 适定性问题(Satisfiability problem) 存在真值分配的表达式称为适定的(可满足的)。 ? + 0 0 0 0 1 1 1 0 1 1 1 1 ? ? 0 0 0 0 1 0 1 0 0 1 1 1 ? — 0 1 1 0 文字集的任意一个子集中各元素（布尔变量）的“或”运算组成一个句子,多个句子的“与”运算组成一个表达式。 在逻辑运算中，布尔变量x的取值只有两个：“真”(1)和“假”(0)，逻辑运算有“或（+）”，“与（?）”和“非（—）. * * 已知 的n个子集构成的子集族 其中每个子集包含S中三个元素，F中是否存在m个子集 ， 使得 ？ 若m个子集满足上式，则称这m个子集精确覆盖S. 例2.4 三精确覆盖(3-Exact Covering：X3C) * 考虑将求解判定问题的算法分为两个阶段： （1）猜测阶段：求出或猜测该问题的一个解 （2）检查或验证阶段：一旦解已经选定，将猜测的解作为输入，验证此解是否为该实例“是”的回答. 我们称实例“是”回答的解为实例的可行解，否则称为不可行解. 2.1.3 非确定多项式问题类(NP) 求解一个实例是否存在回答“是”的解是难度较大的，对很多优化问题，目前不能在多项式时间内完成。因此，考虑降低解的要求，定义一类相对容易的问题： 对于一个判定问题的任意一个“是”实例，是否可以在多项式时间内验证它确定就是“是”实例？ 由此，得到一类更广泛的问题——非确定多项式问题类（NP）。 一、定义 * 定义2.2 若存在一个多项式函数g(x)和一个验证算法 H，对一类判定问题 A 的任何一个“是” 实例 I，都存在一个字符串S是I的可行解，满足其输入长度 d(S) 不超过 g(d(I))，其中 d(I)为 I 的输入长度，且算法 H 验证 S 为实例 I 的可行解，其计算时间 f(H) 不超过 g(d(I))，则称判定问题 A 是非确定多项式的，简记为NP。 所有非确定多项式问题的集合用NP表示. 构造字符串（解）的过程及验证算法 H 一起构成一个算法，称为非确定多项式（时间）算法。 * 说明： 由定义可知，要证明一个判定问题是非确定多项式的，有两处用到了多项式的限制： （1）S 的输入长度 d(S) 不超过 g(d(I)) （2） 对于算法 H，其计算时间 f(H) 不超过 g(d(I))。 * 例2.5 TSP 问题属于NP * 例2.6 三精确覆盖属于NP。 * 三精确覆盖问题任何一个实例的输入长度d(I)≥3m. * 则称A1问题多项式转换为A2问题，算法φ称为问题A1到问题