第一部分： Counting Problems基础

1. Counting Problems

1.1 什么是Counting Problems？

 

1.2 计算问题和计数问题、计算复杂性和计数复杂性的区别、关系

• 计算问题：
• 计算复杂性：
• 计数问题：
• 计数复杂性：

1.3 研究方向（近似计数与近似取样） 

• 对于 #P-难的计数问题，既然我们相信不存在多项式时间的算法能够计算其精确解，一个自然的妥协便是计算其近似解：我们希望在多项式的时间内给出问题的一个近似，并且近似的精度可以任意的高。
• 近似计数的算法又和近似取样的算法是息息相关的。在我们独立集的例子中，一个高效的近似取样的算法，可以在多项式时间内输出一个独立集，并且，每一个独立集被输出的概率是接近一样的。可以证明，对于很多计数问题，近似计数和近似取样是等价的。

2. 计算复杂性

在不同计数问题的框架内，对各种问题的计数复杂性进行分类成为了一个重要的课题。分类的标准则是根据计算复杂度进行制定，因此了解各类问题，对于计数问题的研究具有重要的意义，具体分类如下：

• 时间复杂度：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))。
• 多项式时间（可解）算法：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。
• 以多项式时间可解分类的意义：若一个算法不是多项式的（如指数与阶乘），则当输入规模稍大一些时，它必然是不高效、不实用的。
• P问题：在多项式时间内可解的问题为P问题（Polynomial Problem，多项式问题）
• NP问题（(Non-deterministic Polynomial Problem，非确定性多项式问题）：指问题只能通过验证给定的猜测是否正确来求解（所谓不可求解只是使用多项式时间不可求解，所谓只能验证是只能通过多项式时间验证）。所谓多项式指的是验证猜测可在多项式时间内完成，所谓非确定性指的是问题只能通过验证猜测来解，而不能直接求解。
• NPC问题（NP完全问题）：指满足NP问题条件（即它是一个NP问题）且所有的NP问题都可以用多项式时间约化到它的问题 。
• 约化：存在一个变化法则，对任意一个程序A的输入，都能按这个法则变换成程序B的输入，使两程序的输出相同。问题A可约化为问题B，即用问题B的解法解决问题A，问题A可以“变成”问题B。
• 约化实例： 一元一次方程可以“归约”为一元二次方程。
• 约化性质：约化具有传递性。如果问题A可约化为问题B，问题B可约化为问题C，则问题A一定可约化为问题C。
• 约化意义：问题A可约化为问题B”等价于“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。
• 约化要求：“可约化”指的是可“多项式时间地”约化(Polynomial-time Reducible)，即变换输入的方法是能在多项式的时间里完成的。约化的过程只有用多项式的时间完成才有意义。
• NPH问题（NP难问题，NP-hard）：其满足NPC问题定义的第二条但不一定要满足第一条（就是说，NP-Hard问题要比 NPC问题的范围广，但不一定是NP问题）。即多项式时间不可解。                                                       

  

3. 计数问题基础

• FP（不是属于P的吗？不理解图灵机是如何用在此处的）：

• #P问题（不明白定义）：

• 重要课题（二分定理）1：如果NP不等于P（因为不是所以NP都能约化成P），则FP不等于#P。即并非所有#P问题都有多项式解，于是，在不同计数问题的框架内，对各种问题的计数复杂性进行分类成为了一个重要的课题。
• 二分定理：对于不同的计数问题，证明其属于 FP 或者是#P-完备的。
• 重要课题（近似算法）2：对于那些已经被证明是 #P-完备的问题，一个现实的研究方向是考虑它们的近似算法。对于计数问题，我们考虑所谓的完全多项式时间近似方案（Fully Polynomial Time
  Approximation Scheme, FPTAS）或者完全多项式时间随机近似方案（Fully Polynomial-time Randomized Approximation Scheme, FPRAS）
• FPRAS与FPTAS：