计算复杂度基础（暂记）：P与NP，NP完全问题(NPC)证明

计算复杂度基础

时间复杂度的刻画

$$\begin{gathered} Pclass代表的是所有的多项式时间复杂可解问题的集合 \\ P问题：有多项式时间可解算法的问题，比如：欧拉回路 \\ Non-deterministicP问题：可以在多项式的时间里验证一个解的问题。 \\ NP-complete：最“完整的”NP问题哈密顿回路 \\ NP-hardProblem:对于判定问题A，若A满足:所有的NP问题都可以约化到它。（NP-Hard问题要比NPC问题的范围广） \end{gathered}$$

问题的转换

任何一个问题都是一个“问题”与“解”的二元对应
优化问题能不能写成判定问题，是否所有问题都能转化成判定问题？是。

优化问题提：找G中两个定点间的最短路
判定问题：是否存在路径最小为k的路径，k为正数（连续问一群这样的问题）

编码与转换(同一个算法解决一个问题是否为P与编码无关)

判定问题的回答有0与1，这样就产生了“编码”{0，1}*(由0，1组成的序列)

$$编码会改变复杂度吗?---No$$
例：整数k的编码：
$$\begin{gathered} 11111k个1，算法A使用O（k）可解 \\ 二进制编码长n={lo{g}_{2}k}_{下取整}+1,使用算法A是2^n，指数复杂度问题 \\ 这与实际好像不符 \end{gathered}$$

$$\begin{gathered} 多项式相关的两个问题的编码，其一多项式可解，另一个也可多项式时间复杂度 \\ 两个编码多项式相关:两个编码如果存在一个多项式时间可计算的函数f,f(e_1)=e_2 \end{gathered}$$

语言

集合\sigma ={0,1},二进制语言(词典)\sigma^是由\sigma 中元素构成的
可以通过一个问题提来定义一种语言L：L是\sigma^ 的子集{x\in L,\Sigma(x)=1}

P复杂度的语言：对于任意一个长为n的串，算法A能判定其是否再语言L中。
可以通过一个算法提来定义一种语言L：L={x\in L,A(x)=1}

P class 的另一个表述 Pclass={L\subset {0,1}^*}

NP类问题将问题分为求解和验证两个阶段，问题的求解是非确定性的，无法在多项式时间内得到答案，而问题的验证却是确定的，能够在多项式时间里确定结果。添加链接描述

规约

一个问题A可以约化为问题B的含义即是，问题A可以“变成”问题B，可以用问题B的解法解决问题A。
B的时间复杂度高于或者等于A的时间复杂度。也就是说，问题A不比问题B难。

A	B	AtoB(规约可以理解为小于等于，与离散中的偏序关系类似。)
求解一个一元一次方程	求解一个一元二次方程
Hamilton回路	TSP问题(Travelling Salesman Problem，旅行商问题)	在Hamilton回路问题中，两点相连即这两点距离为0，两点不直接相连则令其距离为1，于是问题转化为在TSP问题中，是否存在一条长为0的路径。Hamilton回路存在当且仅当TSP问题中存在长为0的回路。

NPC问题

如何证明一个问题是NP-Hard或NP-Complete?
NPC问题的定义非常简单。同时满足下面两个条件的问题就是NPC问题。首先，它得是一个NP问题；然后，所有的NP问题都可以约化到它。
$$AisNPC\{\begin{array}{l}AisNP\\ BisNPC,B{\le }_{p}A\end{array}$$

NPC问题de证明

SAT问题：逻辑电路满足问题。第一个NPC问题。

所有的算法都是可以编码为boolean formula问题，这意味着所有算法都可以使用SAT的求解器去求解，因为他们本质上就是boolean formula问题即(…∨…∨…)∧(…∨…∨…)∧…。
证明略。

3-CNF-SAT

证明方法：$$仅需证SAT{\le }_{p}3-NCF-SAT$$
$$\varphi 为一个逻辑电路公式$$

$$使用德莫根律等定律划归$$

Shortest Clique Problem（最短团问题）

送分题：
$$\begin{gathered} Clique问题描述 \\ ：就是找到一个图大小为k的团，其中团是一个完全图（每个结点相互联结）。 \end{gathered}$$

1.先证明多项式时间可以验证

$$\begin{gathered} \varphi =C_1\wedge C_2\dots \dots \wedge C_k，每个子句C有3个文字 \\ 如以下的情况，将\varphi =(x_1\vee \neg x_2\vee x_3)\wedge (\neg x_1\vee x_2\vee x_3)\wedge (x_1\vee x_2\vee x_3) \\ 转化为一个图G,用\varphi 的每个子句中的三个点代表图G中的一个点， \\ 若使得\varphi 为真， \\ 只需要每组(每个括号内)存在一个真值 \\ \varphi 的一个可满足性赋值，可以构成一个k团 \end{gathered}$$

$$按照以上规则，\varphi 的一个可满足性赋值，可以构成一个k团$$

subset sum子集和问题

subset sum
给定一个包含N个非负数的set， 并且给定K, 从集合中找出一组元素子集， 使得这组子集的各个元素相加起来和是K。

vertex cover无向图的顶点覆盖问题：

顶点覆盖问题的例子

$$\begin{gathered} 以上例子中w和z是一个顶点覆盖，并且是最小的，k=2 \\ 顶点覆盖问题的描述： \\ VERTEX-COVER= \\ (G,k):GraphG有大小为k的顶点覆盖 \end{gathered}$$

$$\begin{gathered} 1.首先其应该是一个NP问题 \\ 对所有边进行遍历即可，判断边是否与顶点相连 \end{gathered}$$

$$\begin{gathered} 2.转化(规约) \\ 团问题：无向图中找最大定点集合称为完全图 \\ CLIQUE{\le }_{p}VERTEX-COVER \end{gathered}$$

G = ( V , E ) , G 的 边 的 补 G ˉ = { V , E ˉ } , E ˉ 为 G 中 的 补 边 集 E ˉ = { ( u , v ) : u , v ∈ V , a n d ( u , v ) ∉ E } G=(V,E),G的边的补\bar G =\{V,\bar E \},\bar E为G中的补边集\\ \tiny \bar E=\{ (u,v):u,v\in V,and(u,v)\notin E \} G=(V,E),G的边的补Gˉ={V,Eˉ},Eˉ为G中的补边集Eˉ={(u,v):u,v∈V,and(u,v)∈/​E}

$$\begin{gathered} reductionalgorithm \\ 输入为(G,k)的团问题,能在多项式时间求出\bar{G}，输出为(\bar{G},|V|-|V^{\prime }|)的顶点覆盖问题 \\ {V}^{\prime }为\bar{G}中团的点,“\bar{G}中的非团中”的顶点为顶点覆盖的顶点 \\ \bar{G}中的边都是不用覆盖的,\bar{G}中的边至多有一个顶点不属于团 \end{gathered}$$

Hamiltonian Cycle（哈密顿回路）:

TSP

参考

Algorithms and Networks by Hans L. Bodlaender Johan M. M. van Rooij
算法导论的chapter34，35

NP问题的补问题不一定是NP的