算法复杂性理论.pptVIP

算法复杂性 制作：王洪武 单位：天津科技大学 §1组合优化问题和计算复杂性 定义1·1 组合优化问题 是一个极小化问题，或是一个极大化问题，它由下述三部分组成： （1）实例集合（可行域） （2）对每一个实例 ，有一个有穷的可行解集合 （3）目标函数 ，它对每一个实例 和每一个可行解 ，赋以一个有理数 ，如果 是极小化问题（极大化问题），则实例 的最优解为这样一个可行解 ，它使得对于所有 ，都有 组合优化问题的实例 线性规划问题LP： 算法 定义1·2 算法是指一步步求解问题的通用程序，它是解决问题的程序步骤的一个清晰描述.这里我们仅仅讨论确定型算法,即算法从前一步到后一步的运行是由当时状态惟一确定的.如果存在一个算法,它对问题 的每一个实例 ,在有限步后,一定可得到该实例的关于 的提问的答案,那么我们就称该算法解问题 近似算法、最优算法 定义1·3 对于一个优化问题 ,如果给定任意一个实例 ,算法 总能找到一个可行解 ,那么就称 为 的近似算法;如果进一步这个可行解的目标值总等于最优解值，则称 为最优算法 分划问题 设有 个正整数组成的集合 ，问是否存在两个子集 ， 满足 ， ，且 中元素总和等于 中元素总和。 问题分析 这是一个可计算的问题，因为集合 有 种不同的分法，也即可行解个数不超 过 ，枚举法总可以解该问题的任何实例.但是但 很大时是不现实的.假定检查和计算每种分法是否可行需要1微秒时间，当 时约需要35.7年才能得到结果，若 则需要366个世纪. §2 算法时间复杂性 定义1·4 算法时间复杂性是关于实例输入长度的函数，用来表示算法的时间需求，对于每一个可能的输入长度，它是该算法解此输入长度的最坏可能的实例所需的时间（基本运算步数） 定义1·5 若存在一个常数 ，使得对所有 ，都有 ，则称函数 是 .时间复杂性是 的算法称为多项式时间算法，这里 是一个多项式， 为输入长度.不能这样限制时间复杂性函数的算法称为指数时间算法. §3 NP类、NP—完全问题和NP—难问题 定义1·6 给定一个判定问题，如果存在一个算法，对任何一个答案为“是”的实例 ，该算法首先给出一个猜想，该猜想规模不超过 的输入长度的某个多项式函数，且验证猜想的正确性仅需多项式时间，则称该问题属于NP类. 定理1.1 如果问题 NP，那么存在一个多项式p使得 能用时间复杂性为 的确定型算法求解，这里 表示 的实例的输入长度. 注意: 在不考虑空间复杂性的情况下，NP类即多项式时间可验证的一类问题，显然P属于NP NP问题不能保证存在多项式时间算法，仅仅是对它的一个实例其验证是多项式时间可解的 定义1·7 设有两个判定问题 ， ，如果对 的任一实例 ，可以多项式时间构造出 的一个实例 ，使 的答案为“是”当且仅当 的答案为“是”，则称 可以多项式时间规约到 . 定义1·8 如果NP类中所有问题都可以多项式时间规约到NP类中某个问题 ，则称 是NP—完全问题. 定理1·4 P=NP当且仅当存在一个NP—完全问题有多项式时间算法. 定理1·5 在P≠NP下，强NP—完全问题不存在伪多项式时间算法. 伪多项式时间算法：输入规模和最大数确定后问题存在多项式时间算法.问题增加限制后的多项式时间算法. 定义1·10 如果某优化问题的判定问题是NP—完全的，则称问题是NP—难的；如果判定问题是强NP—完全的，则称问题是强NP—难的. §3 NP—难问题的求解 改进的穷举法、策略穷举法（如分枝定界算法，动态规划算法，割平面法，拉格朗日松弛法，遗传算法等） 理论上具有指数时间算法，但实际求解中大部分问题可以快速得到最优解，如单纯形算法 近似算法（使用最广泛）： 优点：复杂性较低 缺点：一般情况下误差较大 误差的度量：性能比（渐进性能比） * * 定理1·2 如果 可以多项式时间规约到 ，而 有多项式时间算法，则 也有多项式时间算法.简言之， 不会比 易解. 定理1·3 如果 是NP—完全问题， ，且 可以多项式时间规约到 ，则 是NP—完全问题. 定义1·9 设 是一个判定问题， 是任一多项式，用 表示 的这样一个子问题：它的任一输入长度为 的实例的最大数小于 .如果存在某个多项式 使 是NP—完全的，则称 是强