Questions tagged «cc.complexity-theory»

P与NP以及其他资源受限的计算。

2
NP中的层次结构(假设P!= NP)
假设P!= NP,我相信已经证明存在一些问题,这些问题不在P中,也不在NP-Complete中。图同构被认为是这样的问题。 有没有证据表明NP中会有更多这样的“层次”?即从P开始到NP结束的超过三个类的层次,这样每个是另一个的适当超集? 层次结构可能是无限的吗?

3
DTIME层次定理中log f的对正
如果我们看一下DTIME层次定理,由于通用机器模拟确定性Turing Machine的开销,我们得到了一个日志: DTIME(flogf)⊊DTIME(f)DTIME(flog⁡f)⊊DTIME(f)DTIME(\frac{f}{\log f}) \subsetneq DTIME(f) 对于DSPACE的NTIME,我们没有这种开销。通过考虑模拟器之间的差异,从证明的细节中得出一个基本理由。 我的问题如下:在不考虑DTIME层次定理证明的细节的情况下,是否有证明该对数成立的证据,或者仅是证明的结果,可以合理地假设,如果f=o(g)f=o(g)f = o(g)然后 DTIME(f)⊊DTIME(g)DTIME(f)⊊DTIME(g)DTIME(f) \subsetneq DTIME(g) 在我看来,考虑到模拟解释是一个很好的理由,应该通过证明如果我们有更好的结果,那么我们可以创建一个更好的模拟,就可以证明它本身是合理的。

6
NP完全自然的自然问题是否存在?
任何自然数都可以视为位序列,因此输入自然数与输入0-1序列相同,因此自然输入中存在NP完全问题。但是,是否存在任何自然问题,即不使用数字的某些编码和特殊解释的问题?例如“是素数吗?” 是一个自然的问题,但这是P中的问题。或者“谁以3、5,n,n的堆赢得了Nim游戏?” 是另一个我认为很自然的问题,但我们也知道这是P中的问题。我也对其他复杂度类(而不是NP)感兴趣。 更新:正如EmilJeřábek指出的那样,给定来确定是否对自然数有解是NP完全的。这正是我自然想到的,除了这里输入的是三个数字而不是一个数字。a,b,c∈N,a,b,c∈N,a,b,c\in \mathbb N,ax2+by−c=0ax2+by−c=0ax^2+by-c=0 更新2:经过四年多的等待,Dan Brumleve提供了一个“更好”的解决方案-请注意,由于随机减少,该解决方案仍未完成。

2
什么时候“ X是NP完全”暗示“ #X是#P完全”?
让表示一个(决定)问题,NP,让#分别表示其计数版本。XXXXXX 在什么条件下知道“ X是NP完全” “ #X是#P完全”?⟹⟹\implies 当然,简约还原的存在就是这样的条件之一,但这是显而易见的,也是我所知道的唯一这样的条件。最终目标是表明不需要任何条件。 正式地说,一个应与计数问题#开始通过函数定义的,然后定义决策问题对输入字符串作为吗?XXXf:{0,1}∗→Nf:{0,1}∗→Nf : \{0,1\}^* \to \mathbb{N}XXXsssf(s)≠0f(s)≠0f(s) \ne 0

4
如果P = NP为真,那么量子计算机会有用吗?
假设P = NP为真。那么,在构建量子计算机方面是否会有任何实际应用,例如更快地解决某些问题,或者基于P = NP为真的事实,这种改进是否无关紧要?如果将量子计算机构建在P = NP的世界(而不是P!= NP的世界)中,您将如何表征效率的提高? 这是有关我要寻找的内容的虚构示例: 如果P!= NP,我们看到复杂度等级ABC等于量子复杂度等级XYZ ...但是,如果P = NP,ABC等级倒塌为相关的UVW等级。 (动机:我对此很好奇,并且对量子计算还比较陌生;如果问题还不够完善,请移植此问题。)

2
您能确定多项式时间内两个置换的总和吗?
有2个 问题最近问上cs.se它们或者涉及或有一个特殊的等同于以下问题情况: 假设有一个序列a1,a2,…ana1,a2,…ana_1, a_2, \ldots a_n的nnn号码,使得∑ni=1ai=n(n+1).∑i=1nai=n(n+1).\sum_{i=1}^n a_i = n(n+1). 分解成两个置换的总和,ππ\pi和σσ\sigma,的1…n1…n1 \dots n,使得ai=πi+σiai=πi+σia_i = \pi_i + \sigma_i\,。 有一些必要条件:如果aiaia_i 进行排序,这样a1≤a2≤…≤ana1≤a2≤…≤ana_1 \leq a_2 \leq \ldots \leq a_n\,,那么我们必须 ∑i=1kai≥k(k+1).∑i=1kai≥k(k+1).\sum_{i=1}^k a_i \geq k(k+1). 但是,这些条件还不够。从我问的这个math.se问题的答案来看,序列5,5,5,9,9,9不能分解为两个排列的总和(一个人可以通过使用1或5都只能与4配对)。 所以我的问题是:这个问题的复杂性是什么?

2
对Valiant-Vazirani进行非随机化?
的勇士-瓦齐拉尼定理说,如果有一个SAT式恰好具有一个满足分配,和一个不可满足式之间进行区分一个多项式时间算法(确定性或随机) -然后NP = RP。该定理通过证明随机归约下的UNIQUE-SAT是NP - hard 证明。 根据合理的去随机化猜想,可以将定理加强为“对UNIQUE-SAT的有效解决方案意味着NP = P ”。 我的第一个直觉是认为这意味着从3SAT到UNIQUE-SAT 存在确定性的减少,但是我不清楚如何将这种减少归为随机。 我的问题是:关于“去皮化减少”的看法或认识是什么?有/应该吗?如果是VV,该怎么办? 由于针对PromiseNP的 UNIQUE-SAT 在随机归约条件下是完整的,我们是否可以使用随机化工具来表明“对UNIQUE-SAT的确定性多项式时间解意味着PromiseNP = PromiseP?

3
P / poly中是否包含NPI?
据推测因为相反的话就意味着\ mathsf {PH} = \ Sigma_2。拉德纳定理确定,如果\ mathsf {P} \ ne \ mathsf {NP}则\ mathsf {NPI}:= \ mathsf {NP} \ setminus(\ mathsf {NPC} \ cup \ mathsf {P})\ ne \ emptyset。但是,证明似乎并未推广到\ mathsf {P} / \ text {poly},因此,可能性\ mathsf {NPI} \ subset \ mathsf {P} / \ text {poly}即\ mathsf {NP} \子集\ …

6
为什么拥有NP中级地位的自然候选人如此之少?
通过拉德纳定理众所周知,如果P≠NPP≠NP{\mathsf P}\neq \mathsf {NP},则存在无限多个NPNP\mathsf {NP}中间(NPINPI\mathsf{NPI})问题。对于这种状态,也有自然的候选者,例如图同构,以及其他一些人,请参见 P与NPC之间的问题。然而,绝大多数公知的人群naturalnaturalnatural NPNP\mathsf {NP} -problems已知是无论是在PP\mathsf {P}或NPCNPC\mathsf {NPC}。他们中只有一小部分仍然是N P I的候选人NPINPI\mathsf {NPI}。换句话说,如果我们在已知问题中随机选择一个自然的问题,我们几乎没有机会选择一个N P I候选对象。这个现象有什么解释吗?NPNP\mathsf {NP}NPINPI\mathsf {NPI} 我可以考虑3种可能的解释,更多是在哲学方面: 之所以选择天然候选对象的比例很小,是因为 N P I最终将是空的。我知道,这意味着P = N P,所以可能性很小。但是,仍然可以争论(尽管我不是其中之一),自然N P I问题的稀缺性是一种经验性观察,与大多数其他观察相反,它似乎实际上支持P = N P。NPINPI\mathsf {NPI}NPINPI\mathsf {NPI}P=NPP=NP{\mathsf P} =\mathsf {NP}NPINPI\mathsf {NPI}P=NPP=NP{\mathsf P} =\mathsf {NP} “自然 ” 的较小代表了在简单问题和困难问题之间的一种尖锐的相变。显然,有意义的,自然的算法问题的表现方式是趋于容易或困难,过渡狭窄(但仍然存在)。NPINPI\mathsf {NPI} 在2的参数可以采取极端:最终在“天然-所有问题 ”将被放入P ∪ ñ P c …

1
由具有AND OR和XOR门的有界深度电路描述的傅里叶系数布尔函数
令为布尔函数,并考虑f为从到的函数。用这种语言,f的傅立叶展开只是按照平方自由单项式展开f的展开。(这单项式构成上实函数空间的基础。系数平方的总和仅为因此导致了平方根自由单项式的概率分布。我们将此分布称为F分布。fff{−1,1}n{−1,1}n\{-1,1\}^n{−1,1}{−1,1}\{ -1,1 \}2n2n2^n{−1,1}n{−1,1}n\{-1,1\}^n111fff 如果f可以由多项式大小的有界深度电路描述,那么我们可以根据Linial,Mansour和Nisan的一个定理知道,F分布集中于大小的单项式,直到权重几乎成倍地变小。这源自Hastad切换引理。(最直接的证明是最好的。)polylog npolylog n\text{polylog } n 当我们添加mod 2门时会发生什么?要考虑的一个示例是变量上的函数,它被描述为前n个变量和后n个变量的mod 2内积。在这里,F分布是均匀的。IP2nIP2nIP_{2n}2n2n2n 问题:布尔函数的F分布是否由有界深度多项式大小AND,OR,或MOD电路描述(最大误差为超多项式小误差)集中在 “水平”上?22_2o(n)o(n)o(n) 备注: 一个反例的可能途径是在不相交的变量集上以某种方式“粘合”各种IP 2k2k_2k,但我不知道该怎么做。也许应该弱化这一问题,并允许为变量分配一些权重,但是我也没有一种明确的方法。(所以提到这两个问题也是我要问的一部分。) 我推测当您允许使用mod kk_k门时,对该问题(或成功的变体)的肯定回答也将适用。(所以问这个问题是由于Ryan Williams最近令人印象深刻的ACC结果。) 对于多数而言,每个“级别”的F分布都很大(1 / poly)。 如Luca所示,我提出的问题的答案为“否”。剩下的问题是提出寻找布尔函数F分布属性的方法,这些属性可以由AND OR和MAJORITY不共享的mod 2门描述。 尝试通过谈论MONOTONE函数来保存问题: 问题:MONOTONE布尔函数的F分布是否由有界深度多项式大小AND,OR或MOD电路描述(最大为多项式小误差)集中在 “水平”上?22_2o(n)o(n)o(n) 我们可能推测我们甚至可以用代替,因此针对此强版本的反例可能很有趣。 o(n)o(n)o(n)polylog(n)polylog(n)\text{polylog} (n)

3
图同构的coNP证书
容易看出图同构(GI)在NP中。GI是否存在于coNP中是一个主要的开放问题。是否有可能用作GI的coNP证书的图形属性的候选对象。暗示任何猜测?什么是一些影响摹我∈ C ^ ō ñ P?GI∈coNPGI∈coNPGI \in coNPGI∈coNPGI∈coNPGI \in coNP

2
复杂度结果的多项式方法
组合Nullstellensatz和Chevalley-Warning定理说,多项式方法是加法组合学中的强大工具。通过用适当的多项式表示问题,它们可以保证解的存在或多项式的解的数量。它们已被用于解决诸如受限和集或零和问题之类的问题,并且该领域中的某些定理只能通过这种方法来证明。 对我来说,这些方法的非构造方式确实令人惊讶,并且我很好奇我们如何应用这些方法来证明复杂性类的任何有趣的包含和分离(即使结果可以用其他方法解决)。 是否有已知的复杂性结果可以通过多项式方法证明?

2
BPP的层次结构与非随机化
一句话:层次结构的存在是否意味着任何去随机化结果?B P T I M E乙PŤ一世中号Ë\mathsf{BPTIME} 一个相关但模糊的问题是:层次结构的存在是否意味着任何困难的下限?解决这个问题是否遇到了复杂性理论中的已知障碍?B P T I M E乙PŤ一世中号Ë\mathsf{BPTIME} 我提出这个问题的动机是要理解显示的层次结构的相对难度(相对于复杂性理论中的其他主要开放性问题)。我假设每个人都相信存在这样的层次结构,但是如果您不这么认为,请更正我。B P T I M E乙PŤ一世中号Ë\mathsf{BPTIME} 一些背景:包含那些语言,这些语言的成员资格可以由概率机车在时间f (n )内以有限的错误概率来确定。更确切地说,一个语言大号∈ 乙P Ť 我中号È(˚F (Ñ )),如果存在一个概率图灵机Ť使得对于任何X ∈ 大号机器B P T I M E(f(n ))乙PŤ一世中号Ë(F(ñ))\mathsf{BPTIME}(f(n))F(n )F(ñ)f(n)L∈BPTIME(f(n))L∈BPTIME(f(n))L \in \mathsf{BPTIME}(f(n))TTTx∈Lx∈大号x \in LTTT在时间运行,并用概率至少接受2 / 3,并且对于任何X ∉ 大号,Ť运行在时间Ö (˚F (| X |)),并用概率废品至少2 / 3。O(f(|x|))O(f(|x|))O(f(|x|))2/32/32/3x∉Lx∉Lx \not …

7
通过证明上限来证明下限
Ryan Williams最近突破性的电路复杂度下限结果提供了一种证明技术,该证明技术使用上限结果来证明复杂度下限。Suresh Venkat在回答这个问题时,在理论计算机科学中是否有任何违反直觉的结果?,提供了两个通过证明上限来建立下限的示例。 证明复杂度上限的其他证明复杂度下限的有趣结果是什么? P ≠ Ñ PNP⊈P/polyNP⊈P/polyNP \not\subseteq P/polyP≠NPP≠NPP \ne NP

1
无法有效计算但可学习的功能
我们知道(例如,参见[1]的定理1和定理3),粗略地说,在适当的条件下,可以由多项式神经网络表示可以由图灵机在多项式时间内有效计算的函数(“有效可计算”)。具有合理的大小,因此可以在任何输入分布下以多项式样本复杂度(“可学习的”)来学习。 此处的“可学习的”仅涉及样本复杂度,而与计算复杂度无关。 我想知道一个非常相关的问题:是否存在一个图灵机无法在多项式时间内有效计算的函数(“无法有效计算”),但同时可以通过多项式样本复杂度来学习(“可学习”)在任何输入分布下? [1] Roi Livni,Shai Shalev-Shwartz,Ohad Shamir,“ 关于训练神经网络的计算效率 ”,2014年

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.