🗊Презентация NP-складність і NP-повнота. Приклади наближених алгоритмів для NP-повних задач. Лекція 4

NP-складність і NP-повнота. Приклади наближених алгоритмів для NP-повних задач.

Питання NP-складність задач. NP-повнота задач. Приклади наближених алгоритмів для NP-повних задач.

Задача пошуку (search problem) Задача пошуку (search problem) задається алгоритмом С, який отримує на вході умову І та кандидата на розв’язок S і має час роботи, обмежений поліномом від |I|. S називається рішенням (solution), якщо С(S,I)=true. Стосовно класів задач P, NP: NP – клас всіх задач пошуку. P – клас задач пошуку, рішення для яких може бути швидко знайдено (за поліноміальний час).

Теза Черча - Тьюринга Будь-яка обчислювана функція обчислюється машиною Тьюринга.

Задача «від прогулянок по Кенігсбергу до реконструкції геному». Перша половина XVIII століття. Великий математик Леонард Ейлер розв’язує «задачу про Кенігсбергські мости» - доводить, що в Кенігсберзі, розташованому на берегах річки і двох її островах, не можна було пройти по кожному з семи мостів, що існували в той час, рівно один раз і повернутися після цього у вихідну точку. Подібний шлях на відповідному графі називається ейлеровим циклом. У задачі про існування ейлерова циклу критерій можливості розв'язання дуже простий - з кожної вершини графа має виходити парне число ребер. Та й задача знаходження ейлерова циклу (ЗЕЦ) вирішується відносно швидко навіть для дуже великого графа. Друга половина XIX століття. Математик Вільям Гамільтон розглядає зовні схожу на ЗЕЦ задачу: знайти на графі замкнутий шлях (гамільтонів цикл), що проходить через кожну вершину по одному разу (ЗГЦ). Друга половина XX століття. Було встановлено, що ЗГЦ (на відміну від ЗЕЦ) є представником класу задач, для яких ефективні алгоритми рішення невідомі. Кінець XX століття - XXI століття. В середині 1990-х років був секвенірован геном бактерії, в 2001 році - людини. Робота була тривалою і дорогою, оскільки алгоритми суперкомп'ютерів грунтувалися на ЗГЦ. В останнє десятиліття математиками були розроблені швидкодіючі методи збирання, пов'язані з ЗЕЦ, і тепер біологи готуються до вирішення фундаментальної задачі: для кожного виду ссавців провести збірку генома.

Твердження: P⊆PC. Доказ: оскільки детерміновані машини Тьюринга є частковим випадком не детермінованих. Твердження: P⊆PC. Доказ: оскільки детерміновані машини Тьюринга є частковим випадком не детермінованих. Отже, до детермінованих класів складності відноситься клас Р – це множина мов, що розпізнаються за поліноміальний час. Формально він визначається так:

Існують більш високі класи. Крім класу P вивчають інші класи, які визначаються порядком зростання часу роботи на машині Тьюринга: Існують більш високі класи. Крім класу P вивчають інші класи, які визначаються порядком зростання часу роботи на машині Тьюринга:

До класу NP відносяться недетерміновані машини Тьюрінга. Формально недетерміновані обчислення проводяться на недетермінованій машині Тьюринга. До класу NP відносяться недетерміновані машини Тьюрінга. Формально недетерміновані обчислення проводяться на недетермінованій машині Тьюринга. Клас NP є класом всіх задач розпізнавання, які можуть бути вирішені недетермінованими алгоритмами за поліноміальний час.

NP-повнота

Поняття поліноміальної зведеності Основна ідея умовного підходу заснована на понятті поліноміальної зведеності. Будемо говорити, що має місце поліноміальна зведеність мови L1⊆∑*1 до мови L2⊆∑*2, якщо існує функція f: → , що задовольняє, двом умовам: 1. Існує ДМТ-програма, що обчислює f p тимчасової складністю, обмеженою поліномом. 2. Для будь-якого х∈∑*1, х∈L1 в тому і тільки в тому випадку, якщо f(x)∈L2. Якщо L1 поліноміально зводиться до L2, то будемо писати L1∞L2

Лемма 1. Якщо L1∞L2, то з L2∈Р слідує, що L1∈Р. (Еквівалентне твердження: з L1 Р слід, що L2 Р). Лемма 1. Якщо L1∞L2, то з L2∈Р слідує, що L1∈Р. (Еквівалентне твердження: з L1 Р слід, що L2 Р). Якщо П1 і П2 - задачі розпізнавання, a e1 і е2 - їх схеми кодування, то будемо писати П1∞П2 (щодо заданих схем кодування), якщо існує поліноміальна зведеність мови L[П1, e1] к L[П2, e2] . Таким чином, на рівні задач поліноміальної зведеності задачі розпізнавання П1 до задачі розпізнавання П2 означає наявність функції f:Dn1→Dn2, що задовольняє двом умовам: (1) f обчислюється поліноміальним алгоритмом; (2) для всіх І∈Dn, І∈Yn1, тоді і тільки тоді, коли f(I)∈Yn2

Лемма 2. Якщо L1∞L2 та L2∞L3 , L1∞L3. Лемма 2. Якщо L1∞L2 та L2∞L3 , L1∞L3. Лемма 2 стверджує, що це відношення є відношенням еквівалентності, а також, що відношення ∞ визначає часткове впорядкування класів еквівалентності мов, що виникають (задач розпізнавання).

Мова L називається NP-повною, якщо L∈NP і будь-яка інша мова L'∈NP зводиться до мови L. Мова L називається NP-повною, якщо L∈NP і будь-яка інша мова L'∈NP зводиться до мови L. Pадача розпізнавання П називається NP-повної, якщо П∈NP і будь-яка інша задача розпізнавання П∈NP зводиться до П. Якщо хоча б одна NP-повна задача може бути вирішена за поліноміальний час, то і всі задачі з NP також можуть бути вирішені за поліноміальний час. Якщо хоча б одна задача з NP складнорозв’язувана, то і все NP-повні задачі складнорозв’язувані.

Будь-яка NP-повна задача П має властивість: якщо P≠NP, то П∈NP\P. Точніше, П∈Р тоді і тільки тоді, коли Р=NP. Будь-яка NP-повна задача П має властивість: якщо P≠NP, то П∈NP\P. Точніше, П∈Р тоді і тільки тоді, коли Р=NP. Зауважимо, що NP не просто поділяється на дві області: клас Р і клас NP-повних задач. Якщо Р відрізняється від NP, то повинні існувати задачі з NP, нерозв'язні за поліноміальний час і не є NP-повними.

Приклади наближених алгоритмів для NP-повних задач Алгоритм, який повертає рішення, близькі до оптимальних, називається наближеним алгоритмом.

Методи розв’язання NP-повних задач Наближені та евристичні методи – застосування евристик для вибору елементів рішення. Псевдополіноміальні алгоритми – підклас динамічного програмування. Метод локальних покращень – пошук більш оптимального рішення в околиці деякого поточного рішення. Метод гілок і меж – відкидання свідомо неоптимальних рішень цілими класами відповідно до деякої оцінки. Метод випадкового пошуку – представлення вибору послідовністю випадкових виборів.

Метод локальних покращень Розпочати з довільного рішення. Для покращення поточного рішення застосувати до нього будь-яке перетворення із заданої сукупності перетворень. Це покращене рішення стає поточним рішенням. Повторити зазначену процедуру до тих пір, поки жодне з перетворень із заданої сукупності не дозволить поліпшити поточне рішення. Якщо задана сукупність перетворень включає всі перетворення, то ми отримаємо точне (глобально-оптимальне) рішення. На практиці сукупність перетворень обмежують. За допомогою них з ряду довільних рішень отримують локально-оптимальні рішення і вибирають з них краще.

Метод гілок та меж Вирішуючи дискретну екстремальну задачу, розіб'ємо множину всіх можливих варіантів на класи і побудуємо оцінки для них. В результаті стає можливим відкидати рішення цілими класами, якщо їх оцінка гірше деякого рекордного значення.

Дискретна екстремальна (на мінімум) задача в загальному вигляді: Нехай задано дискретну множину А і визначено на ньому певна функція f. Позначимо мінімум функції f на Х як F(X). Потрібно знайти x0∈A: f(x0)=F(A).

Алгоритм методу: Розіб'ємо множину А на підмножини Аі і на кожному з них знайдемо нижню оцінку Φ. Для елементів множини А будемо обчислювати значення функції f і запам'ятовувати найменше в якості рекордного значення f *. Все підмножини, у яких оцінка вище f *, об'єднаємо в підмножину A0, щоб в подальшому не розглядати. Оберемо будь-яке з множин Ai, i> 0. Розіб'ємо цю множину на більш дрібні підмножини. При цьому ми будемо продовжувати покращувати рекордне значення f *. Цей процес триває до тих пір, поки не будуть переглянуті всі множини Ai, i> 0.

Метод випадкового пошуку Зазвичай вибір рішення можна уявити послідовністю виборів. Якщо робити ці вибори за допомогою будь-якого випадкового механізму, то рішення знаходиться дуже швидко, так що можна знаходити рішення багаторазово і запам'ятовувати "рекорд", тобто найкраще з тих рішень, що зустрічалися. Цей наївний підхід суттєво покращується, коли вдається врахувати у випадковому механізмі перспективність тих чи інших виборів, тобто комбінувати випадковий пошук з еврестичним методом і методом локального пошуку. Такі методи застосовуються, наприклад, при складанні розкладів літаків в аеропорті.