Computation Complexity
Last updated
Last updated
这里，polynomial time 指 ，exponential time 指 ，其中 c 为常数。
它们之间的关系如图 1 所示：
许多问题都属于 P，如我们耳熟能详的排序算法、最短路径算法等。
在理解 NP 问题之前，需要引入一个概念：Decision Problems。它是指答案为是或否的问题，它的解决方案通常由一个个小决定串联而成。如俄罗斯方块（Tetris），每一种方案都由无数个小形状如何放置的决定串联而成。我们可以将所有问题都抽象成这种形式，于是可以通过两种角度来理解 NP 问题的定义：
假如在解决一个问题的每一个决定中，我们都能够幸运地猜中最佳选项，这个问题能在 polynomial 的时间内被解决。
虽然我们无法找到一个确定的方案能在 polynomial 的时间内解决该问题，但我们确定能在 polynomial 的时间内检查一个方案是否正确。
俄罗斯方块
在计算复杂度理论领域，有一个推论：
它的引申含义可以有：
我们无法把运气编写到程序中
找到一个解决方案比验证一个解决方案难
这个推论至今未被证明。因此图 1 中，NP 与 P 之间的空白是否真的存在，还未有定论。
NP-Hard 问题指的是难度大于或等于所有 NP 问题的问题。如 EXP、R 问题等。
NP-Complete 问题位于 NP 与 NP-Hard 的交集点上。
NP-Complete 问题举例：
Knapsack
3-Partition: given n integers, can you divide them into triples of equal sum?
Traveling Salesman Problem
Longest Common Sbusequence of K Strings
Minesweeper, Sudoku & most puzzles
SAT: given a Boolean formula (and, or, not), is it ever true?
shortest paths in 3D
3-coloring a given graph
find largest clique in a given graph
与 NP/NP-Hard/NP-Complete 之间的关系类似。Chess 是一个 EXP-Complete 问题。
输入任意一个计算机程序，它运行一段时间后会停顿吗？目前没有任何算法能够在有限时间内解决该问题，因此它不在 R 的范围内。
尽管在计算机理论与实践过程中，我们遇到的大部分问题都是在有限时间内可以解决的，但实际上大部分 Decision Problems 都无法在有限时间内解决。
Decision Problem 可以被抽象成寻找这样一个函数：输入是某个字符串（二进制序列），即问题描述；输出为是或否，即问题的答案。而这个字符串可以是任意字符串，因此它可以被进一步抽象成一个实数。
Program 被转换成机器码以后就是一段有限长度的二进制序列，因此它可以被进一步抽象成一个整数。
由于实数的数量远远多于整数，因此大部分 Decision Problems 都无法在有限时间内计算得到结果。
证明完毕
将新问题转化成熟悉的问题的技术。举例如下：
unweighted shortest path => weighted (set weights = 1)
min-product path => shortest path (take logs)
longest path => shortest path (negate weights)
shortest ordered tour => shortest path (k copies of the graph)
cheapest leaky-tank path => shortest path (graph reduction)
Reduction 又分为 One-call reductions 和 Multi-call reductions，主要区别在于将新问题转化为一个还是多个熟悉的问题。
所有的 NP-Complete 问题都可以互相转化，因此它们的难度一样。所有 NP-Complete 问题的共同祖先是 3-Partition 问题。
