Questions tagged «cc.complexity-theory»

P与NP以及其他资源受限的计算。

2
排序对应的复杂度等级
TCS的两个部分是算法和复杂性。我简单地说,算法是对上限的研究,它表明您可以(在给定的受限资源下)做某事,而复杂性则是在显示没有一些最小的资源就无法做。 因此,经常在决策模型中陈述算法问题,以将其置于复杂性类别中。 但是,令我一直困扰的是,某些基本算法从来没有被完全提及属于某个特定类。一个例子是(比较)排序。尽我所能尝试,一个相关的类似乎太不足了(真的,是否只是在检查日志空间中对结果进行了排序?那似乎太弱了,或者我没有正确的决策版本)。 比较排序所处的最佳/最合适/最有用的复杂性类别是什么?

2
时空权衡和最佳算法
考虑某种语言LLL: L∈DTIME(O(f(n)))∩DSPACE(O(g(n)))L∈DTIME(O(f(n)))∩DSPACE(O(g(n)))L \in DTIME(O(f(n))) \cap DSPACE(O(g(n))) 这样 L∉DTIME(o(f(n)))∪DSPACE(o(g(n)))L∉DTIME(o(f(n)))∪DSPACE(o(g(n)))L \not\in DTIME(o(f(n))) \cup DSPACE(o(g(n))) 换言之,最快的机器计算在时间和空间效率最高的机器计算而利用空间。MMMLLLO(f(n))O(f(n))O(f(n))M′M′M'LLLO(g(n))O(g(n))O(g(n)) 关于M的空间效率或M'的时间效率,该怎么说呢?更确切地说,如果是所有在中计算机器的集合,那么对于最节省空间的机器,我们能说什么呢?对于明显的空格版本,同一件事呢:。MTMT\mathbb{M}_TLLLO(f(n))O(f(n))O(f(n))MTMT\mathbb{M}_TMSMS\mathbb{M}_S 或者,可以使用和g (n )定义一些良好的时空权衡吗?在什么条件下Ť 小号∈ ø (˚F (Ñ )克(Ñ ))或更一般地用于某些空间-时间的折衷ħ (Ť ,小号)什么条件下是。f(n)f(n)f(n)g(n)g(n)g(n)TS∈o(f(n)g(n))TS∈o(f(n)g(n))TS \in o(f(n)g(n))h(T,S)h(T,S)h(T,S)h(T,S)∈h(o(f(n)),o(g(n)))h(T,S)∈h(o(f(n)),o(g(n)))h(T,S) \in h(o(f(n)),o(g(n)))

4
计算顶点覆盖数:什么时候困难?
考虑计算给定图的顶点覆盖数的#P-完全问题。G=(V,E)G=(V,E)G = (V, E) 我想知道是否有任何结果显示此问题的硬度如何随某些参数变化(例如d = | E |GGG)。d=|E||V|d=|E||V|d = \frac{|E|}{|V|} 我的感觉是,当稀疏时和G密集时,这个问题都应该更容易解决,而当G在“中间” 时,这个问题就很难解决。真的是这样吗?GGGGGGGGG



1
机器表征
是一类决策问题,可通过具有无穷范宁OR和有穷范宁AND门的 O (log i n)深度电路族解决。取反仅在输入级别允许。已知的是,小号甲Ç 我为我≥ 1是根据补体和封闭小号甲Ç 0是没有的。此外,由于LogCFL, S A C 1 = L o g C F L并因此具有机器特征。S一种C一世SAC一世SAC^iO (对数一世n)O(日志一世ñ)O({\log}^i{n})小号A C一世小号一种C一世SAC^i我≥ 1一世≥1个i \geq 1小号A C0小号一种C0SAC^0SAC1=LogCFLSAC1=LogCFLSAC^1 = LogCFL是空间有界和多项式有时间限制的辅助PDA 接受的语言集。是否有类似的机器刻画小号一Ç 我为我≥ 2?O(logn)O(logn)O({\log}n)SACiSACiSAC^ii≥2i≥2i \geq 2

1
子集和或NPP的整数关系检测?
有没有一种方法可以对子集和或数字分区问题的实例进行编码,以便对整数关系的(小)解能得出答案?如果不是绝对的话,那么从某种意义上说呢? 我知道LLL(也许还有PSLQ)在解决“低密度”区域中的子集和问题方面已经取得了一定的成功,在该区域中,选择的数字范围大于,但是这些方法不能很好地扩展到当选择的数字范围远小于2 N时,实例较大且在“高密度”区域中失败。这里,低密度和高密度是指解决方案的数量。低密度区域是指很少或根本没有解决方案,而高密度区域是指具有很多解决方案的区域。2N2N2^N2N2N2^N 在高密度区域中,LLL在给定的实例之间发现(小的)整数关系,但是随着实例大小的增加,发现该关系成为可行的子集总和或数字分区问题解决方案的可能性变得越来越小。 整数关系检测是在最佳指数范围内的多项式,而子集Sum和NPP显然是NP-Complete,因此通常这是不可能的,但是如果随机地均匀绘制实例,这是否会使它更简单? 还是我什至不问这个问题,而是问是否有办法代替最优计算来减少最优答案的指数界限?




3
将终止降低到部分正确性有多难?
如果您熟悉程序验证,则可能更喜欢在“ 背景知识”之前阅读“ 问题 ” 。如果您不熟悉程序验证,那么您仍然可以回答这个问题,但是您可能更喜欢先阅读背景知识。 背景 人们经常说检查部分正确性是不确定的。为了便于讨论,让我们选择一种非常特殊的方式,使之以Floyd-Hoare的风格准确地表述。甲流图是带有区分的有向图的初始节点从所有的节点可达。甲程序是一个流图的节点是命令。有三种命令类型:(1)假设假设 q,(2)断言声明 q,以及(3)分配v:= e。这里q是fol(一阶逻辑)公式,e是fol项,v是变量。 我们说一个程序是部分正确时,有一种方法来注释每个节点X与前提A(X)和一个后置条件B(X) ,使得(1)的初始节点的先决条件是有效的,(2){ a(x) } x { b(x) }对所有命令x都成立,并且(3)(b(x)暗示a(y))对从x到y的所有边均有效。这里的Hoare三元组定义如下: { p } 断言 q { r }表示(p暗示(q和r))有效 { p } 假设 q { r }表示((p和q)暗示r)有效 { p } v:= e { r }表示((用e代替v的p表示r)有效 这就是为什么检查手工波浪参数这部分正确性是不可判定:当你在一些填写A(X)和部分B(X) ,你需要检查,如果一些阶逻辑公式是有效的,而且是不可判定。 在部分正确的情况下对终止进行编码的一种典型方法是添加一些特殊的断言,这些断言本质上说“自从我上次执行以来,就朝终止迈进了一步。” 必须放置这些进度断言,以使流程图上的所有无限遍历(从初始节点开始)都包含无限多个进度断言。更具体地说,假设进度断言的形式始终为assert u < v,其中u和v是正整数,在赋值u:= f之前,然后是赋值v:= …

5
减少是否应该使我们或多或少对问题的可处理性感到乐观?
在我看来,大多数复杂性理论家普遍相信以下哲学规则: 如果我们找不到解决问题的有效算法,并且可以将问题A简化为问题B,那么也可能没有解决问题B的高效算法。一种AA一种AA乙BB乙BB 例如,这就是为什么当一个新问题被证明为NP-Complete时,我们只是简单地认为它“太难了”,而不是对最终可能显示P = N P的新方法(问题)感到兴奋。乙BBP= NPP=NPP = NP 我正在与另一个科学领域的研究生一起讨论这个问题。她发现这个想法非常违反直觉。她的比喻: 您是一位探险家,正在寻找北美和亚洲大陆之间的桥梁。许多个月以来,您一直尝试并没有找到从美国大陆地区到亚洲的陆桥。然后,您发现美国大陆通过陆地连接到阿拉斯加地区。您意识到,从阿拉斯加到亚洲的陆桥将意味着从美国大陆到亚洲的陆桥,您可以肯定不存在。因此,您不会浪费时间在阿拉斯加附近探索。你就回家 在这种情况下,我们以前的哲学规则听起来很愚蠢。我想不出一个很好的反驳!因此,我将其交给你们:为什么我们要把减法视为使问题B变得更难而不是使问题A变得更容易?A → BA→BA \to B乙BB一种AA

1
电路评估
是否知道电路评估问题是否在?如何(统一 )? ñ Ç 1甲大号ö 克Ť 我中号ë Ñ Ç 1氮碳1个NC1\mathsf{NC^1}氮碳1个NC1\mathsf{NC^1}ALogTimeALogTime\mathsf{ALogTime}NC1NC1\mathsf{NC^1} 我们知道,深度为电路可以用深度为电路求值, 其中是一个通用常数。这意味着深度为的电路可以由深度为的电路评估。但是不包含最终控制所有函数的函数。k + c c k lg n + o (lg n )O (lg n )O (lg n )O (lg n )kkkk+ck+ck+ccccklgn+o(lgn)klg⁡n+o(lg⁡n)k\lg n + o(\lg n)O(lgn)O(lg⁡n)O(\lg n)O(lgn)O(lg⁡n)O(\lg n)O(lgn)O(lg⁡n)O(\lg n) 我们知道公式评估问题在。每个电路都等效于一个布尔公式。我们不能根据给定的电路的等效布尔公式来计算等效布尔公式的扩展连接表示吗?N C 1 N C 1 A L o g T …


2
Median-SAT的复杂性是什么?
令为具有n个变量和m个子句的CNF公式。让吨∈ { 0 ,1 } Ñ 表示变量赋值和˚F φ(吨)∈ { 0 ,... ,米}计数通过可变分配到满足子句的数目φ。然后定义平均-SAT为计算的中值的问题˚F φ(吨)在所有吨∈ { 0 ,1φφ\varphinnnmmmt∈{0,1}nt∈{0,1}nt \in \{ 0,1 \}^nfφ(t)∈{0,…,m}fφ(t)∈{0,…,m}f_{\varphi}(t) \in \{ 0, \ldots , m \}φφ\varphifφ(t)fφ(t)f_{\varphi}(t)。例如,如果 φ是重言式,那么Median-SAT的解将是 m,因为不管分配如何,每个子句都将得到满足。然而,在的情况下 ¯ 小号甲Ť溶液至中值-SAT可能会之间的任何位置 0和米- 1。t∈{0,1}nt∈{0,1}nt \in \{ 0,1 \}^nφφ\varphimmmSAT¯¯¯¯¯¯¯¯¯¯SAT¯\overline{SAT}000m−1m−1m-1 当我在思考SAT的两个自然扩展,MAX-SAT和#SAT时,就产生了这个问题,如果将它们放在一起,将会产生什么困难?对于MAX-SAT,我们必须找到特定的变量分配以最大化满足的变量数量。对于#SAT,我们必须计算有多少个赋值满足φ的所有m个子句。此变体主要是作为#SAT(实际上是#WSAT)的扩展而出现的,但保留了MAX-SAT的某些风格,因为我们计算了满意子句的数量,而不是仅仅确定它们是否全部都满足或不满意。不。φφ\varphimmmφφ\varphi 这个问题似乎比#SAT或#WSAT困难。对于每个变量,#SAT决定该赋值是否满足的布尔问题,而Median-SAT根据赋值所满足的子句数确定“ 满足” φ的程度。φφ\varphiφφ\varphi 我意识到这个问题有些武断。计算每个变量分配所满足的子句的平均数或众数似乎似乎具有相同的质量。可能还有许多其他问题。 是否以不同的名义研究了这个问题?与#SAT相比有多难?对于我来说,尚不清楚FPSPACE中甚至包含Median-SAT,尽管它似乎确实包含在FEXPTIME中。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.