计算复杂性——第十章

近似算法

判决问题和优化问题：同一问题的两种表述方式
1. 最小顶点覆盖的近似算法

即一直找两个端点都没有被标记的边，直到不存在这样的边为止。
上述算法显然是多项式时间算法，且该近似算法得到的顶点覆盖点数不超过最小顶点覆盖点数的两倍。
核心思想：首先证明其是一个顶点覆盖，其次证明其大小的确不超过最小顶点覆盖的两倍
证明：

1. 令$X$为近似算法得到的顶点覆盖，$H$为$X$覆盖的边的集合，$Y$为最小顶点覆盖。
2. $H$中的每条边最多向$X$贡献两个顶点，因此$X$大小最多是$H$大小的两倍，即$|X|\le 2|H|$；由于$Y$是顶点覆盖，因此$H$中的每一个边都和$Y$中的一些顶点相连。因此$Y$的大小是大于等于$H$的，即$|H|\le |Y|$；所以$|X|\le 2|Y|$。即，得到顶点覆盖的大小不超过最小顶点覆盖大小的两倍。

2. 最大割的近似算法

最小割的现实应用可能更广一些

即尝试将现有集合划分为两个顶点集合，然后测试这样划分是否能增加割的大小。

对于最大割问题的，2最优的多项式近似算法。
证明：

1. 可以给出更强的结论，近似算法得到的割的大小至少是图$G$中边数的一半。
2. 对于任意图$G$，割边的数量不低于非割边的数量 。如果低于，则说明上述近似算法未执行完，可以找到一个节点，将其从原本的集合划分到另一个集合可以增加割边的数量。
3. 由于割边和非割边构成了图$G$的所有边，近似算法得到的割边数量又不低于非割边的数量 。因此近似算法得到的最大割的大小至少是图$G$所有边的一半，又最大割的数量是小于等于图$G$所有边的数量的，所以近似算法得到的最大割的大小至少是真实最大割数量的一半。

3. 最大独立集问题
独立集是团的反一面（反团），独立集中任意两个顶点之间不存在边。

概率算法

使用随机过程结果的算法。核心思想是保证每次随机得到都是最优的解决方案。由于老老实实计算最优解计算成本和时间成本过高，而近似算法又会产生偏差，因此提出概率算法。

1. BPP（Bounded-error, Probabilistic, Polynomial time）
BPP: 概率图灵机在多项式时间，概率误差在$\frac{1}{2}$内可以判定的语言集合。
概率图灵机$M$是一种特殊的非确定图灵机。每一次非确定步骤被叫做掷硬币步骤，只有两种合法的状态。

概率图灵机$M$接受输入$w$的概率（可以看作布尔公式的赋值，使最后的输出为真）：所有接受分支$b$的概率之和

概率图灵机由于是随机过程的算法，因此会存在判定错误的情况。我们允许小概率错误的出现，并作出如下定义：

由于判定一次最大的错误概率不允许超过$\frac{1}{2}$，因此按照输入长度，可以得到对于长度为$n$的输入的最大错误概率$ϵ=2^{-n}$

考虑概率算法是否在时间和空间上高效： 看在最坏分支上的时间/空间复杂度，来判定该概率算法是否高效。

2. 素数判定（$PRIMES\in BPP$）

1. 遍历所有小于该数的数，如果遍历的数能够作为除数（找因子的过程），则不是素数。该算法是指数时间的，因为数字的大小在其长度上是指数的。
2. 利用多项式时间概率算法来进行素数测试。这个方法不基于找因子的思想，因为暂时没找到多项式时间的概率算法来寻找一个数的因子。

模$p$等价： $X$和$Y$相差$p$的倍数

费马小定理：


也就是说素数对于$Z_p^{+}$中所有元素都能通过费马测试，但是不是对于$Z_p^{+}$中所有元素都能通过费马测试的数就是素数。
应用：

伪素数： 能通过所有比自己小的素数的费马测试。除了卡米切尔数之外，伪素数和素数是等价的。

非伪素数的性质： 如果一个数不是伪素数，则它至少有一半以上的费马测试它通不过。因此，可以随机选取测试数，通不过其中任意一个测试则为合数。

有一个多项式时间概率算法，能够在除开卡米切尔数的情况下，将合数和质数分离开。
判定伪素数的算法

判定素数的算法

两个定理说明判定素数的算法是正确的，由于除2以外的偶数都不是素数，因此只考虑奇数的情况
不会将正确的判断成错误的

极小概率将错误的判断成正确的

上述算法只会存在单方面错误，也就是判决错误的时候，输入一定是一个合数。单方面错误是概率图灵机的一个特性。

3. RP $COMPOSITES\in RP$
RP：如果输入属于该语言，则接受该输入的概率至少为$\frac{1}{2}$；如果输入不属于该语言，则被拒绝的概率为1。
概率放大技术

借助概率放大技术：我们可以保持概率图灵机在多项式时间内运行下，错误概率控制在指数小。相当于用长时间来换低错误。

4. Read-once Branching Programs
一个分支程序是一个计算模型，查询输入变量，根据查询结果确定如何执行。一个分支程序可以用有向有环图表示，如下：

由于测试两个分支程序是否等价属于$coNPC$问题，目前不知道解决该问题的多项式时间算法。如果我们加入一些限制变为只读一次分支程序，就存在概率多项式时间算法即属于$BPP$。
只读一次分支程序（read-once branching program）：从任意起始节点到输出节点的路径上每个变量节点至多被访问一次。($E{Q}_{ROBP}\in BPP$)

概率算法会使用到随机数，但是我们的随机数产生器实际上是伪随机的。在某些算法中能够表现良好，在一些算法中又表现不好。要证明该伪随机产生器对于该算法是有效的很难。

交互式证明系统

1. 交互式证明系统
交互式证明系统： 就是通过证明者和验证者之间的交互完成计算，直观上说就是设计一个协议完成语言L的交互式计算，使得那么当x∈L时证明者可以给出使验证者（PPT）相信的证明，当x∉L时任何证明者（甚至计算能力超过图灵机）都不能使验证者相信。能被交互式证明系统解决的问题类记为IP。

对于$SAT$问题，证明者可以给出满意的赋值让验证者相信它是可满足的；但是证明者如何说服一个范式是不可满足的呢（SAT问题的补问题不知道是否在$NP$中）？这时需要加入两个额外的特征形成交互式证明系统：

• 他们允许双向交互
• 验证者可以是概率多项式时间图灵机

2. 图同构($ISO$)问题
尽管图同构问题属于$NP$，但是现在不能确定它属于$P$还是属于$NPC$，属于小部分的还未进行分类的问题。

图的非同构问题甚至不能确定它是否在$NP$中，证明者如何让验证者相信两个图是非同构的。


验证者如果发现证明者一直都能答对，那么两个图是非同构的。如果两个图是同构的，那么证明者只能以百分之50的概率猜测实际是来自哪一个图。验证者可以基于证明者（计算力无穷的一方）的回答，来判断这两个图是否是同构的。

3. 交互式系统模型：
验证者(V)：

证明者($P$):


对同一个输入，随机验证$k$次之后，每次都答对，则会相信该命题是正确的。



NP问题和BPP可以看作交互式证明系统的一个子部分，对应单方面证明和验证者的概率接受过程。图的非同构问题目前无法证明在$NP$或者$BPP$中。

4. $QIP=IP=PSPACE$