NP完全性理论与近似算法
一、图灵机
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。
改变有限状态控制器中的状态。
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。
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)。
k带图灵机可形式化地描述为一个7元组(Q,T,I,δ,b,q0,qf),其中:
Q是有限个状态的集合。
T是有限个带符号的集合。
I是输入符号的集合。
b是唯一的空白符,b∈T-I。
q0是初始状态。
qf是终止(或接受)状态。
δ是移动函数。
它是从Q×Tk的某一子集映射到Q×(T×{L,R,S})k的函数。
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k条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。
确定型图灵机
有限状态集Q,状态q0:初始状态;qy:接受状态;状态qn:不接受状态。
字符集合{0, 1, b} ;其中b是空格符。
转换功能:
输入x = 101000b
执行顺序:
q0输入1 (q0,r)右移磁头到0
q0输入0 (q0,r)右移磁头到1
q0输入0 (q0,r)右移磁头到0
...
q0输入b (q1,l)左移磁头到0
q1输入0 (q2,b)
q2输入b (q2,l)左移磁头到0
q2输入0 (q3,b)
q3输入b (qy,l)退出
二、P类与NP类问题
一般地说,将可由多项式时间算法求解的问题看作是易处理的问题,而将需要超多项式时间才能求解的问题看作是难处理的问题。
有许多问题,从表面上看似乎并不比排序或图的搜索等问题更困难,然而至今人们还没有找到解决这些问题的多项式时间算法,也没有人能够证明这些问题需要超多项式时间下界。
在图灵机计算模型下,这类问题的计算复杂性至今未知。
为了研究这类问题的计算复杂性,人们提出了另一个能力更强的计算模型,即非确定性图灵机计算模型,简记为NDTM(Nondeterministic Turing Machine)。
在非确定性图灵机计算模型下,许多问题可以在多项式时间内求解。
非确定性图灵机
在图灵机计算模型中,移动函数δ是单值的,即对于Q´Tk中的每一个值,当它属于δ的定义域时,Q´(T´{L,R,S})k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×Tk中的每一个值(q;x1,x2,…,xk),当它属于δ的定义域时,Q×(T×{L,R,S})k中有唯一的一个子集δ(q;x1,x2,…,xk)与之对应。可以在δ(q;x1,x2,…,xk)中随意选定一个值作为它的函数值。
P类与NP类语言定义
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}
由于一台确定性图灵机可看作是非确定性图灵机的特例,所以可在多项式时间内被确定性图灵机接受的语言也可在多项式时间内被非确定性图灵机接受。故P Í NP。
NP类语言举例——无向图的团问题
该问题的输入是一个有n个顶点的无向图G=(V,E)和一个整数k。要求判定图G是否包含一个k顶点的完全子图(团),即判定是否存在V’V,|V’|=k,且对于所有的u,v∈V’,有(u,v)∈E。
若用邻接矩阵表示图G,用二进制串表示整数k,则团问题的一个实例可以用长度为的二进位串表示。因此,团问题可表示为语言:
CLIQUE={w#v|w,v∈{0,1}*,以w为邻接矩阵的图G有一个k顶点的团,其中v是k的二进制表示。}
接受该语言CLIQUE的非确定性算法:用非确定性选择指令选出包含k个顶点的候选顶点子集V,然后确定性地检查该子集是否是团问题的一个解。算法分为3个阶段
算法的第一阶段将输入串w#v分解,并计算出n = ,以及用v表示的整数k。若输入不具有形式w#v或|w|不是一个平方数就拒绝该输入。显而易见,第一阶段可在时间内完成。
在算法的第二阶段中,非确定性地选择V的一个k元子集V’V。
算法的第三阶段是确定性地检查V’的团性质。若V’是一个团则接受输入,否则拒绝输入。这显然可以在时间内完成。因此,整个算法的时间复杂性为 。
非确定性算法在多项式时间内接受语言CLIQUE,故CLIQUE∈NP.
NP完全问题
PNP。
直观上看,P类问题是确定性计算模型下的易解问题类,而NP类问题是非确定性计算模型下的易验证问题类。
大多数的计算机科学家认为NP类中包含了不属于P类的语言,即P≠NP。
NP完全问题有一种令人惊奇的性质,即如果一个NP完全问题能在多项式时间内得到解决,那么NP中的每一个问题都可以在多项式时间内求解,即P = NP。
目前还没有一个NP完全问题有多项式时间算法。
三、NP完全问题的近似算法
迄今为止,所有的NP完全问题都还没有多项式时间算法。
对于这类问题,通常可采取以下几种解题策略。
只对问题的特殊实例求解
用动态规划法或分支限界法求解
用概率算法求解
只求近似解
用启发式方法求解
近似算法的性能
若一个最优化问题的最优值为c*,求解该问题的一个近似算法求得的近似最优解相应的目标函数值为c,则将该近似算法的性能比定义为。
在通常情况下,该性能比是问题输入规模n的一个函数ρ(n),即。
该近似算法的相对误差定义为:。若对问题的输入规模n,有一函数ε(n)使得则称ε(n)为该近似算法的相对误差界。近似算法的性能比ρ(n)与相对误差界ε(n)之间显然有如下关系:。
旅行售货员问题近似算法
问题描述:给定一个完全无向图G=(V,E),其每一边(u,v)∈E有一非负整数费用c(u,v)。要找出G的最小费用哈密顿回路。
旅行售货员问题的一些特殊性质:
比如,费用函数c往往具有三角不等式性质,即对任意的3个顶点u,v,w∈V,有:c(u,w)≤c(u,v)+c(v,w)。当图G中的顶点就是平面上的点,任意2顶点间的费用就是这2点间的欧氏距离时,费用函数c就具有三角不等式性质。
1 满足三角不等式的旅行售货员问题
对于给定的无向图G,可以利用找图G的最小生成树的算法设计找近似最优的旅行售货员回路的算法。
void approxTSP (Graph g)
{
选择g的任一顶点r;
用Prim算法找出带权图g的一棵以r为根的最小生成树T;
前序遍历树T得到的顶点表L;
将r加到表L的末尾,按表L中顶点次序组成回路H,作为计 算结果返回;
}
当费用函数满足三角不等式时,算法找出的旅行售货员回路的费用不会超过最优旅行售货员回路费用的2倍。
实现
/* 主题:近似算法——旅行售货员问题
* 作者:chinazhangjie
* 邮箱:chinajiezhang@gmail.com
* 开发语言: C++
* 开发环境: Virsual Studio 2005
* 时间: 2010.12.06
*/
#include <iostream>
#include <vector>
#include <limits>
using namespace std ;
struct TreeNode
{
public:
TreeNode (int nVertexIndexA = 0, int nVertexIndexB = 0, int nWeight = 0)
: m_nVertexIndexA (nVertexIndexA),
m_nVertexIndexB (nVertexIndexB),
m_nWeight (nWeight)
{ }
public:
int m_nVertexIndexA ;
int m_nVertexIndexB ;
int m_nWeight ;
} ;
class MST_Prim
{
public:
MST_Prim ()
{}
MST_Prim (const vector<vector<int> >& vnGraph)
{
m_nvGraph = vnGraph ;
m_nNodeCount = (int)m_nvGraph.size () ;
}
void SetData (const vector<vector<int> >& vnGraph)
{
m_nvGraph = vnGraph ;
m_nNodeCount = (int)m_nvGraph.size () ;
}
//
const vector<TreeNode>& GetMSTree () const
{
return m_tnMSTree ;
}
//
const vector<vector<int> >& GetGraph () const
{
return m_nvGraph ;
}
void DoPrim ()
{
// 是否被访问标志
vector<bool> bFlag (m_nNodeCount, false) ;
bFlag[0] = true ;
int nMaxIndexA ;
int nMaxIndexB ;
int j = 0 ;
while (j < m_nNodeCount - 1) {
int nMaxWeight = numeric_limits<int>::max () ;
// 找到当前最短路径
int i = 0 ;
while (i < m_nNodeCount) {
if (!bFlag[i]) {
++ i ;
continue ;
}
for (int j = 0; j < m_nNodeCount; ++ j) {
if (!bFlag[j] && nMaxWeight > m_nvGraph[i][j]) {
nMaxWeight = m_nvGraph[i][j] ;
nMaxIndexA = i ;
nMaxIndexB = j ;
}
}
++ i ;
}
bFlag[nMaxIndexB] = true ;
m_tnMSTree.push_back (TreeNode(nMaxIndexA, nMaxIndexB, nMaxWeight)) ;
++ j ;
}
// 输出结果
/*for (vector<TreeNode>::const_iterator ite = m_tnMSTree.begin() ;
ite != m_tnMSTree.end() ;
++ ite ) {
cout << (*ite).m_nVertexIndexA << "->"
<< (*ite).m_nVertexIndexB << " : "
<< (*ite).m_nWeight << endl ;
}*/
}
private:
vector<vector<int> > m_nvGraph ; // 无向连通图
vector<TreeNode> m_tnMSTree ; // 最小生成树
int m_nNodeCount ;
} ;
class AA_TSP
{
public:
AA_TSP (const vector<vector<int> >& vnGraph)
{
m_mstPrim.SetData(vnGraph) ;
}
void Get_AA_Path ()
{
m_mstPrim.DoPrim () ;
vector<TreeNode> mstree = m_mstPrim.GetMSTree () ;
vector<vector<int> > graph = m_mstPrim.GetGraph() ;
int iweight = 0 ;
for (vector<TreeNode>::const_iterator ite = mstree.begin() ;
ite != mstree.end() ;
++ ite ) {
cout << (*ite).m_nVertexIndexA << "->"
<< (*ite).m_nVertexIndexB << " : "
<< (*ite).m_nWeight << endl ;
iweight += (*ite).m_nWeight ;
}
cout << mstree[mstree.size()-1].m_nVertexIndexB << "->"
<< mstree[0].m_nVertexIndexA << " : "
<< graph[mstree[0].m_nVertexIndexA][mstree[mstree.size()-1].m_nVertexIndexB]
<< endl ;
iweight += graph[mstree[0].m_nVertexIndexA][mstree[mstree.size()-1].m_nVertexIndexB] ;
cout << "Total weight: " << iweight << endl ;
}
private:
MST_Prim m_mstPrim ;
};
int main()
{
const int cnNodeCount = 5 ;
vector<vector<int> > graph (cnNodeCount) ;
for (size_t i = 0; i < graph.size() ; ++ i) {
graph[i].resize (cnNodeCount, numeric_limits<int>::max()) ;
}
graph[0][1] = 5 ;
graph[0][2] = 1 ;
graph[0][3] = 2 ;
graph[0][4] = 3 ;
graph[1][0] = 5 ;
graph[1][2] = 4 ;
graph[1][3] = 2 ;
graph[1][4] = 2 ;
graph[2][1] = 4 ;
graph[2][0] = 1 ;
graph[2][3] = 5 ;
graph[2][4] = 3 ;
graph[3][1] = 2 ;
graph[3][2] = 5 ;
graph[3][0] = 2 ;
graph[3][4] = 2 ;
graph[4][1] = 2 ;
graph[4][2] = 3 ;
graph[4][3] = 2 ;
graph[4][0] = 3 ;
AA_TSP aa (graph) ;
aa.Get_AA_Path () ;
return 0 ;
}
2 一般的旅行售货员问题
在费用函数不一定满足三角不等式的一般情况下,不存在具有常数性能比的解TSP问题的多项式时间近似算法,除非P=NP。换句话说,若P≠NP,则对任意常数ρ>1,不存在性能比为ρ的解旅行售货员问题的多项式时间近似算法。
来源:独酌逸醉
www.cnblogs.com/chinazhangjie/archive/2010/12/06/1898070.html
NP完全性理论与近似算法相关推荐
- NP难问题以及近似算法(基于次模)
主要是对自己研究领域的多源定位NP问题转换和证明,以及在别人已经有次模函数的基础上,设计有次模性质的函数,(将想法形式化到次模函数中)效果更好(比如时间.比如效果). 改进思路: 我们首先从一个 ...
- 算法导论之NP完全性和近似算法
NP完全性和近似算法 在理解NP完全性之前,笔者想引入关于科学与伪科学的定义.凡可接受实践检验.可被证实和被否正的为科学,相反之为非科学,而伪科学是非科学之子集,与科学相对立,认定非科学为科学的即是伪 ...
- 学习笔记:浅谈NP完全性问题
迄今为止,我们所研究的所有算法几乎都是多项式时间的算法:对于规模为n的输入,在最坏情况下的运行时间是O(n^k),其中k为某一确定的常数. 如果一个判定问题的复杂度是该问题的一个实例的规模n的多项式函 ...
- np 元素位置_证明SAT的NP完全性(NP-completeness)
看懂本文需要提前有哪些知识? 知道什么是图灵机,非确定图灵机 知道什么是SAT问题 什么是NP问题? 首先我们要知道,NP一般都是针对决定性问题(Decision problem)的.比如今天我们要讨 ...
- 经典计算机基础学科教程推荐[转自:海枫的专栏]
经典计算机基础学科教程推荐 "适当的时候读适合的书",这我对计算机学习的一个经验性总结.每当学完一门课的时候,跑到图书馆却看到更好的教材时,总有一种相见恨晚的感觉,恨 ...
- 算法设计与分析(第4版)
算法设计与分析(第4版) 算法引论 算法与程序 算法:解决问题的方法或过程 输入 输出 确定性 有限性 程序:算法用某种程序设计语言的具体实现 表达算法的抽象机制 高级程序设计语言 抽象数据类型 描述 ...
- 计算机复试未来规划,2020计算机复试笔试备考策略
原标题:2020计算机复试笔试备考策略 对于咱们计算机专业的同学们来说,我们与其他的专业有点不一样甚至可以说更加有难度,我们的复试有综合面试,有机试,还有笔试,综合面试考查的是你的英语口语以及对本专业 ...
- 《算法分析与设计》学习心得
在学习了<算法分析与设计>这门课后,我对常见的算法有了一个基本的了解.本书主要从算法概述.递归与分治策略.动态规划.贪心算法.回溯法.分支限界法.随机化算法.线性规划与网络流.NP完全性理 ...
- P vs. NP 五十年:AI正在解决不可解问题
来源:AI科技评论 作者:Lance Fortnow 编译:Don 编辑:青暮 P和NP问题一直是计算机领域的老大难问题,那么在近50年间,人们对这个问题有什么深入的研究呢?让我们在本文中深挖这个世纪 ...
最新文章
- Leetcode 621. 任务调度器 解题思路及C++实现
- 移动平台作业——天气预报——天气数据的获得——为应用申请百度ak码
- Java switch case
- 深度学习(十二)——Winograd(2)
- 平面设计中的网格系统pdf_深入浅出,带你认识网格系统与版式设计
- 为什么ConcurrentHashMap不允许插入null值?
- python开启新代码块_20课零基础快速学python完成简单邮件完整邮件代码块
- 电话拨号器java_Android基础--电话拨号器
- rpg存档修改网站_Switch上国宝级欧美版RPG游戏推荐
- 2535: [Noi2010]Plane 航空管制2
- 游戏特效学习——3Dmax自学
- 【Python】杂记
- 计算机平面设计教材,《计算机平面设计软件应用——全国中等职业技术学校计算机教材》低价购书_教材教辅考试_孔网...
- 对于自我的反省 - 对底层人民认知产生的商业思考
- CSS中div的边框
- 私有云大展拳脚 云计算发展趋势已明朗
- 局域网IP冲突 -- 一次测试
- OpenStack----Nova 计算服务器基础理论(持续更新)
- 详解音视频直播平台搭建中的低延时
- 最小二乘法拟合直线(问题i)
热门文章
- 让 .Net 更方便的导入导出 Excel
- 微软发布Azure Pipelines,开源项目可无限制使用CI/CD
- EF通用数据层封装类(支持读写分离,一主多从)
- 拥抱.NET Core,学习.NET Core的基础知识补遗
- pytesseract:opencv预处理图片
- 英语自动提取高频词_斑马英语提分营免费体验课
- Git的使用(推荐命令行模式)
- 用ajax连接mysql_页面用ajax实现简单的连接数据库
- Cmder集成到VS Code (新旧版设置不同)
- 互联网架构的演变,看了好多这个讲的确实清楚!