（一）
定义：若存在一个常数C，使得对于所有n>=0，都有|f(n)| <= C*|g(n)|，则称函数f(n)是O(g(n))。时间复杂度是O(p(n))的算法称为多项式时间算法，这里p(n)是关于n的多项式。不能够这样限制时间复杂度的算法被称为指数时间算法。
例如：时间复杂度为O(nlog(n))、O(n^3)的算法都是多项式时间算法，时间复杂度为O(n^log(n))、O(n!)、O(2^n)的算法是指时间算法。
一个优化问题如果已经找到了多项式时间算法，则称该问题为多项式时间可解问题，并将这类问题的集合记为P，因此多项式时间可解问题就称为P类问题。
一个问题如果没有找到多项式时间算法，那么直觉上它是“难解”的，但又往往无法证明多项式时间算法的不存在性。由于在寻找有效算法上的失败未必一定意味着这样的算法不存在，这就给理论工作者带来了一个难题：一方面证明一个问题不存在多项式时间算法是困难的，至今尚未给出；另一方面有越来越多的问题无法给出多项式时间算法。同时，理论工作者又渴望解决此难题。为此，在20世纪70年代提供了一个漂亮的理论，它把这种失败归结为一个深刻的数据猜想，这个理论就是NP-完全性理论。
定义：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I。该算法首先给出一个猜想，该猜想规模不超过I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。
定义：如果NP类中所有问题都可以多项式时间归约到NP类中某个问题x，则称x是NP-完全问题。
定义：如果某优化问题x的判定问题是NP-完全的，则称问题x是NP-难的；如果x的判定问题是强NP-完全的，则称x是强NP-难的。
（二）
P就是能在多项式时间内解决的问题，NP就是能在多项式时间验证答案正确与否的问题。用大白话讲大概就是这样。所以P是否等于NP实质上就是在问，如果对于一个问题我能在多项式时间内验证其答案的正确性，那么我是否能在多项式时间内解决它？这个表述不太严谨，但通俗来讲就是如此。
再说说NP-hardness和NP-completenes. 这里涉及一个概念，不妨称为问题之间的归约。可以认为各个问题的难度是不同的，表现形式为，如果我可以把问题A中的一个实例转化为问题B中的一个实例，然后通过解决问题B间接解决问题A，那么就认为B比A更难。通过对归约过程做出限制可以得到不同类型的归约。复杂度理论里经常用到的规约叫polynomial-time Karp' reduction。其要求是转化问题的过程必须是多项式时间内可计算的。
到这为止NP-hardness和NP-completeness就很好理解了。称问题L是NP-hard，如果任意一个NP的问题都可以多项式规约到L。如果一个NP-hard的问题L本身就是NP的，则称L是NP-complete。这个定义可以推广到所有复杂度类。所以compleness的直观解释就是，我能解决这个问题就相当于具备了用相同级别的计算资源解决这个复杂度类里所有问题的能力。
（三）
最简单的解释： P：算起来很快的问题 NP：算起来不一定快，但对于任何答案我们都可以快速的验证这个答案对不对 NP-hard：比所有的NP问题都难的问题 NP-complete：满足两点： 1. 是NP hard的问题 2. 是NP问题
接下来是比较严谨的定义： 问题：对于一个包含由0和1组成的字符串集合S，以某个01字符串x作为输入，要求某个图灵机判断x在不在S里面。这里的图灵机可以先想象成平时我们用的计算机，S也可以被看成我们要解决的问题。注意我们的问题非常简单，就是要判断某个字符串x是否在某个集合S里面，下面是定义： P：有一个图灵机在多项式时间内能够判断x是否在S里面 NP：有一个图灵机M，如果某个字符串x在S里面，那么存在一个验证字符串u（注意这个u是针对这个x的，而且长度必须是x长度的多项式
关系），M以x和u作为输入，能够验证x真的是在S里面。 NP-hard：如果某个问题S是NP-hard，那么对于任意一个NP问题，我们都可以把这个NP问题在多项式时间之内转化为S，并且原问题的答案和转化后S的答案是相同的。也就是说只要我们解决了S，那么就解决了所有的NP问题。 NP-complete：一个问题既是NP-hard，又在NP里面；也就是说 1. 解决了这个问题我们就解决了所有NP问题 2. 这个问题本身也是个NP问题
扫一扫
6210
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
