VL-17: Jenseits von P und NP
(Berechenbarkeit und Komplexit¨ at, WS 2018) Gerhard Woeginger
WS 2018, RWTH
BuK/WS 2018 VL-17: Jenseits von P und NP 1/46
Organisatorisches
N¨achste (letzte) Vorlesung:
Donnerstag, Januar 24, 12:30–14:00 Uhr, Aula
Webseite:
http://algo.rwth-aachen.de/Lehre/WS1819/BuK.php (−→ Arbeitsheft zur Berechenbarkeit)
(−→ Arbeitsheft zur NP-Vollst¨andigkeit)
Wdh.: Landkarte mit Karp’s 20 Reduktionen
SAT INTEGER
PROG 3-SAT
COLORING
CLIQUE COVER
EXACT COVER 3-DIM
MATCHING
STEINER TREE
HITTING SET
SUBSET-SUM
JOB SEQUENCING PARTITION
MAX-CUT SET COVER FEEDBACK
ARC SET
FEEDBACK VERTEX
SET DIRECTED
HAM-CYCLE
HAM CYCLE
VERTEX COVER INDEP
SET
CLIQUE
BuK/WS 2018 VL-17: Jenseits von P und NP 3/46
Wdh.: SUBSET-SUM
Problem: SUBSET-SUM
Eingabe:Positive ganze Zahlena1, . . . ,an; eine ganze Zahlb Frage:Existiert eine IndexmengeI ⊆ {1, . . . ,n} mitP
i∈Iai =b?
Satz
SUBSET-SUM ist NP-vollst¨andig.
Wdh.: PARTITION, Rucksack, Bin Packing
Problem: PARTITION
Eingabe:Positive ganze Zahlena01, . . . ,a0n; mitPn
i=1a0i=2A0 Frage:Existiert eine IndexmengeI ⊆ {1, . . . ,n} mitP
i∈Iai0=A0?
Satz
PARTITION ist NP-vollst¨andig.
Satz
Rucksack ist NP-vollst¨andig.
Bin Packing ist NP-vollst¨andig.
BuK/WS 2018 VL-17: Jenseits von P und NP 5/46
Wdh.: Pseudo-polynomiell versus Stark NP-schwer (1)
Definition: Pseudo-polynomielle Zeit
Ein AlgorithmusAl¨ost ein ProblemX inpseudo-polynomiellerZeit, falls die Laufzeit von Aauf InstanzenI von X
polynomiell in|I|undNumber(I)beschr¨ankt ist.
Satz
Die Probleme SUBSET-SUM, PARTITION und Rucksack sind pseudo-polynomiell l¨osbar.
Wdh.: Pseudo-polynomiell versus Stark NP-schwer (2)
Definition: Stark NP-schwer (engl.: NP-hard in the strong sense) Ein EntscheidungsproblemX iststark NP-schwer,
wenn es ein Polynom q:N→Ngibt, sodass die Restriktion von X auf InstanzenI mitNumber(I)≤q(|I|)NP-schwer ist.
Also: Das ProblemX ist sogar dann NP-schwer, wenn alle Zahlenwerte in der InstanzI nur polynomiell gross (gemessen in |I|) sind.
Satz
Es seiX ein stark NP-schweres Entscheidungsproblem.
FallsX pseudo-polynomiell l¨osbar ist, so gilt P=NP.
Also: Pseudo-polynomiell und stark NP-schwer schliessen einander aus (unter unserer Standardannahme P6=NP)
BuK/WS 2018 VL-17: Jenseits von P und NP 7/46
Vorlesung VL-18 Jenseits von P und NP
Was tun mit NP-schweren Problemen?
Die Komplexit¨atsklasse coNP
Zwischen P und NPC: NP-intermediate
Die Komplexit¨atsklassen EXPTIME und PSPACE
Was tun mit NP-schweren Problemen?
BuK/WS 2018 VL-17: Jenseits von P und NP 9/46
Was tun mit NP-schweren Problemen?
Viele Optimierungsprobleme aus der Praxis sind NP-schwer.
Beispiel: Bin Packing (BPP),Set Cover,Rucksack,Travelling Salesman Problem (TSP).
In der Praxis m¨ussen diese Probleme dennoch behandelt werden.
Aus dem Buch von Garey und Johnson (1)
“I can’t find an efficient algorithm, I guess I’m just too dumb.”
BuK/WS 2018 VL-17: Jenseits von P und NP 11/46
Aus dem Buch von Garey und Johnson (2)
“I can’t find an efficient algorithm, because no such algorithm is possible!”
Aus dem Buch von Garey und Johnson (3)
“I can’t find an efficient algorithm, but neither can all these famous people.”
BuK/WS 2018 VL-17: Jenseits von P und NP 13/46
Was tun mit NP-schweren Problemen? (1)
Viele Optimierungsprobleme aus der Praxis sind NP-schwer.
In der Praxis m¨ussen diese Probleme dennoch behandelt werden.
Wichtige Strategien sind:
Ausnutzen der Eingabestruktur durch spezielle Algorithmen Parametrisierte Algorithmen
Approximationsalgorithmen
Heuristiken (ohne irgendwelche Garantien) Zerteilen in geeignete Unterprobleme
Was tun mit NP-schweren Problemen? (2)
Beispiel: Ausnutzen der Eingabestruktur
Strassennetze lassen sich durch planareGraphen modellieren Es gibt effiziente Graphalgorithmen, die planare Strukturen ausn¨utzen
Beispiel: Approximationsalgorithmen
Instanzen des TSP erf¨ullen in der Praxis h¨aufig die Dreiecksungleichung (∆-TSP)
F¨ur das∆-TSP gibt es gute Approximationsalgorithmen: In polynomieller Zeit kann man eine Rundreise berechnen, deren L¨ange h¨ochstens3/2-mal die optimale L¨ange betr¨agt.
BuK/WS 2018 VL-17: Jenseits von P und NP 15/46
Was tun mit NP-schweren Problemen? (2)
Beispiel: Ausnutzen der Eingabestruktur
Strassennetze lassen sich durch planareGraphen modellieren Es gibt effiziente Graphalgorithmen, die planare Strukturen ausn¨utzen
Beispiel: Approximationsalgorithmen
Instanzen des TSP erf¨ullen in der Praxis h¨aufig die Dreiecksungleichung (∆-TSP)
F¨ur das∆-TSP gibt es gute Approximationsalgorithmen:
In polynomieller Zeit kann man eine Rundreise berechnen, deren L¨ange h¨ochstens3/2-mal die optimale L¨ange betr¨agt.
Was tun mit NP-schweren Problemen? (3)
In der Praxis h¨angt die Effizienz eines Algorithmus oft nicht allein von der Eingabegr¨osse ab.
Eine verfeinerte Analyse, die andereEingabeparameterber¨ucksichtigt, kann zu besseren Resultaten f¨uhren.
Beispiel: Parametrisierte Algorithmen
Wir wollen eine Anfrage in einer DatenbankDauswerten. Es sei`die Gr¨osse der Anfrage und es seimdie Gr¨osse der DatenbankD. Die Eingabegr¨osse ist dannn=`+m.
H¨aufig istmsehr gross, w¨ahrend`relativ klein ist. Ein Algorithmus mit Laufzeit2`mkann deswegen durchaus gut sein, ein Algorithmus mit Laufzeiten wie m` oder gar2m`hingegen kaum.
Analysieren wir die Algorithmen nur nach der Eingabegr¨ossen, so wird dieser wichtige Unterschied nicht sichtbar.
BuK/WS 2018 VL-17: Jenseits von P und NP 16/46
Was tun mit NP-schweren Problemen? (3)
In der Praxis h¨angt die Effizienz eines Algorithmus oft nicht allein von der Eingabegr¨osse ab.
Eine verfeinerte Analyse, die andereEingabeparameterber¨ucksichtigt, kann zu besseren Resultaten f¨uhren.
Beispiel: Parametrisierte Algorithmen
Wir wollen eine Anfrage in einer DatenbankDauswerten.
Es sei`die Gr¨osse der Anfrage und es seimdie Gr¨osse der DatenbankD. Die Eingabegr¨osse ist dannn=`+m.
H¨aufig istmsehr gross, w¨ahrend`relativ klein ist. Ein Algorithmus mit Laufzeit2`mkann deswegen durchaus gut sein, ein Algorithmus mit Laufzeiten wie m` oder gar 2m`hingegen kaum.
Analysieren wir die Algorithmen nur nach der Eingabegr¨ossen, so wird dieser wichtige Unterschied nicht sichtbar.
Die Komplexit¨ atsklasse coNP
BuK/WS 2018 VL-17: Jenseits von P und NP 17/46
Die Klasse coNP
Definition: Klasse NP (zur Erinnerung)
Ein EntscheidungsproblemX ⊆Σ∗liegt inNP,
wenn f¨ur jedes Wortx∈X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann.
Definition: Klasse coNP
Ein EntscheidungsproblemX ⊆Σ∗liegt incoNP,
wenn f¨ur jedes Wortx∈/X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann. Intuition:
Wenn X in NP, dann gibt es f¨urJA-Instanzenx ∈X kurze und einfach zu ¨uberpr¨ufendeBeweise.
WennX in coNP, dann gibt es f¨urNEIN-Instanzenx∈/X kurze und einfach zu ¨uberpr¨ufendeWiderlegungen.
Die Klasse coNP
Definition: Klasse NP (zur Erinnerung)
Ein EntscheidungsproblemX ⊆Σ∗liegt inNP,
wenn f¨ur jedes Wortx∈X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann.
Definition: Klasse coNP
Ein EntscheidungsproblemX ⊆Σ∗liegt incoNP,
wenn f¨ur jedes Wortx∈/X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann.
Intuition:
Wenn X in NP, dann gibt es f¨urJA-Instanzenx ∈X kurze und einfach zu ¨uberpr¨ufendeBeweise.
WennX in coNP, dann gibt es f¨urNEIN-Instanzenx∈/X kurze und einfach zu ¨uberpr¨ufendeWiderlegungen.
BuK/WS 2018 VL-17: Jenseits von P und NP 18/46
Die Klasse coNP
Definition: Klasse NP (zur Erinnerung)
Ein EntscheidungsproblemX ⊆Σ∗liegt inNP,
wenn f¨ur jedes Wortx∈X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann.
Definition: Klasse coNP
Ein EntscheidungsproblemX ⊆Σ∗liegt incoNP,
wenn f¨ur jedes Wortx∈/X ein polynomiell langes Zertifikaty existiert, das (zusammen mitx) in polynomieller Zeit verifiziert werden kann.
Intuition:
Wenn X in NP, dann gibt es f¨urJA-Instanzenx ∈X kurze und einfach zu ¨uberpr¨ufendeBeweise.
WennX in coNP, dann gibt es f¨urNEIN-Instanzenx∈/X kurze und einfach zu ¨uberpr¨ufendeWiderlegungen.
Beispiel (1)
Problem: Non-Hamiltonkreis (Non-Ham-Cycle) Eingabe:Ein ungerichteter GraphG = (V,E) Frage:BesitztG keinenHamiltonkreis?
Frage: Wie sieht das coNP-Zertifikat f¨ur Non-Ham-Cycle aus?
BuK/WS 2018 VL-17: Jenseits von P und NP 19/46
Beispiel (2)
Problem: Unsatisfiability (UNSAT)
Eingabe:Eine Boole’sche Formelϕin CNF ¨uber der Boole’schen VariablenmengeX ={x1, . . . ,xn}
Frage:Gibt eskeineWahrheitsbelegung f¨urX, dieϕ erf¨ullt?
Problem: TAUTOLOGY
Eingabe:Eine Boole’sche FormelϕinDNF¨uber der Boole’schen VariablenmengeX ={x1, . . . ,xn}
Frage:Wirdϕvon allenWahrheitsbelegungen vonX erf¨ullt?
Frage: Wie sehen coNP-Zertifikate f¨ur UNSAT und TAUTOLOGY aus?
Beispiel (3a): Lineare Programmierung
Ein primales Lineares Programm (P):
max Pn j=1cjxj
s.t. Pn
j=1aijxj ≤ bi f¨uri =1, . . . ,m xj ≥ 0
Das entsprechende duale Lineare Programm (D):
min Pm i=1biyi
s.t. Pm
i=1aijyi ≥ cj f¨urj=1, . . . ,n yi ≥ 0
Satz (Starker Dualit¨atssatz)
Wenn beide LPs zul¨assige L¨osungen haben,
so haben beide den selben optimalen Zielfunktionswert.
BuK/WS 2018 VL-17: Jenseits von P und NP 21/46
Beispiel (3b): Lineare Programmierung
Primal= “maxcx s.t.Ax ≤b” Dual= “minby s.t.yA≥c”
Problem: Lineare Programmierung (LP)
Eingabe:Eine reellem×nMatrixA; Vektorenb∈Rm undc∈Rn; eine Schranke γ∈R
Frage:Existiert ein Vektorx ∈Rn, derAx ≤bundx≥0erf¨ullt, und dessen Zielfunktionswertcx≥γ ist?
Beobachtung LP liegt in NP.
NP-Zertifikat = Vektorx f¨urs primale LP mitcx≥γ Beobachtung
LP liegt in coNP.
coNP-Zertifikat = Vektory f¨urs duale LP mitby < γ
Beispiel (3b): Lineare Programmierung
Primal= “maxcx s.t.Ax ≤b” Dual= “minby s.t.yA≥c”
Problem: Lineare Programmierung (LP)
Eingabe:Eine reellem×nMatrixA; Vektorenb∈Rm undc∈Rn; eine Schranke γ∈R
Frage:Existiert ein Vektorx ∈Rn, derAx ≤bundx≥0erf¨ullt, und dessen Zielfunktionswertcx≥γ ist?
Beobachtung LP liegt in NP.
NP-Zertifikat = Vektorx f¨urs primale LP mitcx≥γ
Beobachtung LP liegt in coNP.
coNP-Zertifikat = Vektory f¨urs duale LP mitby < γ
BuK/WS 2018 VL-17: Jenseits von P und NP 22/46
Beispiel (3b): Lineare Programmierung
Primal= “maxcx s.t.Ax ≤b” Dual= “minby s.t.yA≥c”
Problem: Lineare Programmierung (LP)
Eingabe:Eine reellem×nMatrixA; Vektorenb∈Rm undc∈Rn; eine Schranke γ∈R
Frage:Existiert ein Vektorx ∈Rn, derAx ≤bundx≥0erf¨ullt, und dessen Zielfunktionswertcx≥γ ist?
Beobachtung LP liegt in NP.
NP-Zertifikat = Vektorx f¨urs primale LP mitcx≥γ Beobachtung
LP liegt in coNP.
coNP-Zertifikat = Vektory f¨urs duale LP mitby < γ
Beispiel (3c): Lineare Programmierung
Zusammenfassung LP liegt inNP∩coNP.
Anmerkung: Das war bereits in den 1950er Jahren bekannt.
Satz (Leonid Genrikhovich Khachiyan, 1979) LP liegt inP.
Anmerkung: Khachiyan entwickelte dieEllipsoid-Methode f¨ur LP.
BuK/WS 2018 VL-17: Jenseits von P und NP 23/46
coNP-Vollst¨ andigkeit (1)
Definition: NP-vollst¨andig (zur Erinnerung) Ein EntscheidungsproblemX istNP-vollst¨andig,
wenn X ∈NPund alleY ∈NP polynomiell aufX reduzierbar sind.
Definition: coNP-vollst¨andig
Ein EntscheidungsproblemX istcoNP-vollst¨andig,
wennX ∈coNPund alleY ∈coNPpolynomiell auf X reduzierbar sind.
Intuition:
X ist NP-vollst¨andig,
wenn es zu den schwierigsten Problemen in NP geh¨ort.
X ist coNP-vollst¨andig,
wenn es zu den schwierigsten Problemen in coNP geh¨ort.
coNP-Vollst¨ andigkeit (2)
Satz
Non-Ham-Cycle, UNSAT und TAUTOLOGY sind coNP-vollst¨andig.
Beweis: ¨Ubung.
Satz
Wenn das EntscheidungsproblemX NP-vollst¨andig ist, so ist das komplement¨are Problem X coNP-vollst¨andig. Komplement¨ares Problem:
Ja-Instanzen vonX werden zu Nein-Instanzen vonX, und Nein-Instanzen vonX werden zu Ja-Instanzen vonX
BuK/WS 2018 VL-17: Jenseits von P und NP 25/46
coNP-Vollst¨ andigkeit (2)
Satz
Non-Ham-Cycle, UNSAT und TAUTOLOGY sind coNP-vollst¨andig.
Beweis: ¨Ubung.
Satz
Wenn das EntscheidungsproblemX NP-vollst¨andig ist, so ist das komplement¨are Problem X coNP-vollst¨andig.
Komplement¨ares Problem:
Ja-Instanzen vonX werden zu Nein-Instanzen vonX, und Nein-Instanzen vonX werden zu Ja-Instanzen vonX
coNP versus NP und P (1)
Satz
P⊆NP∩coNP Beweis:P=coP
BuK/WS 2018 VL-17: Jenseits von P und NP 26/46
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar. Ergo: Alle K∈coNPliegen in NP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar. Ergo: Alle K∈coNPliegen in NP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
BuK/WS 2018 VL-17: Jenseits von P und NP 27/46
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP
X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar. Ergo: Alle K∈coNPliegen in NP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP
Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar. Ergo: Alle K∈coNPliegen in NP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
BuK/WS 2018 VL-17: Jenseits von P und NP 27/46
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar.
Ergo: Alle K∈coNPliegen in NP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar.
Ergo: Alle K∈coNPliegen inNP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
BuK/WS 2018 VL-17: Jenseits von P und NP 27/46
coNP versus NP und P (2)
Viele Informatiker denken, dassNP6=coNPgilt.
Satz
WenncoNPein NP-vollst¨andiges ProblemX enth¨alt, dannNP=coNP.
Beweis:
X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: L≤pX f¨ur alleL∈NP X ∈NPCimpliziert: K ≤pX f¨ur alleK∈coNP Ergo: Alle K∈coNPsind aufX ∈NP reduzierbar.
Ergo: Alle K∈coNPliegen inNP.
Daraus erhalten wir das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
coNP versus NP und P (3)
Wir erhalten das folgende Werkzeug:
“X NP-vollst¨andig” ist Evidenz f¨ur “X ∈/coNP”
“X coNP-vollst¨andig” ist Evidenz f¨ur “X ∈/NP”
Ham-Cycle ist NP-vollst¨andig.
Ham-Cycle hat gute Zertifikate f¨ur Ja-Instanzen.
Ergo: Ham-Cycle hat (h¨ochstwahrscheinlich) keine guten Zertifikate f¨ur Nein-Instanzen.
SAT ist NP-vollst¨andig.
SAT hat gute Zertifikate f¨ur Ja-Instanzen.
Ergo: SAT hat (h¨ochstwahrscheinlich) keine guten Zertifikate f¨ur Nein-Instanzen.
BuK/WS 2018 VL-17: Jenseits von P und NP 28/46
P
NPC coNPC
NP coNP
coNP versus NP und P (4)
Viele Mathematiker denken, dassNP∩coNP=Pgilt.
Beispiel
LP inNP∩coNPwar seit den 1950er Jahren bekannt.
Erst 1979 wurde ein polynomieller Algorithmus f¨ur LP gefunden.
Beispiel
PRIMES inNP∩coNPwar seit den 1970er Jahren bekannt.
Erst 2002 wurde ein polynomieller Algorithmus f¨ur PRIMES gefunden.
Beispiel
PARITY-GAME inNP∩coNP ist seit den 1990er Jahren bekannt.
Ob allerdings PARITY-GAME inPliegt, ist ein offenes Problem.
BuK/WS 2018 VL-17: Jenseits von P und NP 30/46
Zwischen P und NPC:
NP-intermediate
Das Graphisomorphieproblem (1)
Definition
Zwei GraphenG1= (V1,E1)undG2= (V2,E2)sindisomorph, wenn es eine Bijektionf :V1→V2 gibt,
die Adjazenz und Nicht-Adjazenz erh¨alt.
Eine solche Bijektion heisstIsomorphismus.
BuK/WS 2018 VL-17: Jenseits von P und NP 32/46
Das Graphisomorphieproblem (2)
Problem: GRAPH-ISOMORPHUS
Eingabe:Zwei ungerichtete GraphenG1 undG2
Frage:Gibt es einen Isomorphismus vonG1 nachG2?
Satz
GRAPH-ISOMORPHUS liegt in NP.
Beweis: Verwende Isomorphismus als Zertifikat.
Das Graphisomorphieproblem (3)
Folgende Fragen sind derzeit noch ungel¨ost:
Liegt GRAPH-ISOMORPHUS in P?
Ist GRAPH-ISOMORPHUS NP-vollst¨andig?
Liegt GRAPH-ISOMORPHUS in coNP?
BuK/WS 2018 VL-17: Jenseits von P und NP 34/46
Das Graphisomorphieproblem (4)
Satz (L´aszl´o Babai, 2016)
GRAPH-ISOMORPHUS auf Graphen mitnKnoten
kann in2p(logn) Zeit gel¨ost werden (wobeipein Polynom ist).
Algorithmus verwendet algorithmische und strukturelle Theorie der Permutationsgruppen.
Exponential Time Hypothesis (ETH) Es existiert eine reelle Zahlδ >0,
sodass kein Algorithmus 3-SAT in ZeitO(2δn)l¨ost.
ETH wurde in den letzten 20 Jahren popul¨ar (ist aber unbewiesen!) ETH impliziertP 6=NP
Wenn GRAPH-ISOMORPHUS NP-vollst¨andig ist, dann ist ETH falsch
Das Graphisomorphieproblem (4)
Satz (L´aszl´o Babai, 2016)
GRAPH-ISOMORPHUS auf Graphen mitnKnoten
kann in2p(logn) Zeit gel¨ost werden (wobeipein Polynom ist).
Algorithmus verwendet algorithmische und strukturelle Theorie der Permutationsgruppen.
Exponential Time Hypothesis (ETH) Es existiert eine reelle Zahlδ >0,
sodass kein Algorithmus 3-SAT in ZeitO(2δn)l¨ost.
ETH wurde in den letzten 20 Jahren popul¨ar (ist aber unbewiesen!) ETH impliziertP 6=NP
Wenn GRAPH-ISOMORPHUS NP-vollst¨andig ist, dann ist ETH falsch
BuK/WS 2018 VL-17: Jenseits von P und NP 35/46
NP-intermediate (1)
Definition
Ein EntscheidungsproblemX ⊆Σ∗heisstNP-intermediate, wenn L∈NP und wenn sowohlL∈/P als auch L∈/NPC gilt.
Satz von Ladner (ohne Beweis) WennP6=NP gilt,
dann existieren Probleme, die NP-intermediate sind.
Viele Informatiker denken,
dass das GRAPH-ISOMORPHUS Problem NP-intermediate ist.
NP-intermediate (1)
Definition
Ein EntscheidungsproblemX ⊆Σ∗heisstNP-intermediate, wenn L∈NP und wenn sowohlL∈/P als auch L∈/NPC gilt.
Satz von Ladner (ohne Beweis) WennP6=NP gilt,
dann existieren Probleme, die NP-intermediate sind.
Viele Informatiker denken,
dass das GRAPH-ISOMORPHUS Problem NP-intermediate ist.
BuK/WS 2018 VL-17: Jenseits von P und NP 36/46
NP-intermediate (2)
NP
P
Graph- zusammenhang Primes
SAT
Clique Ind-Set VC
Ham-Cycle
TSP Partition Subset-Sum
Rucksack
BPP Coloring 3-SAT
??? Graph ???
??? Isomorphismus ???
Die Komplexit¨ atsklassen PSPACE und EXPTIME
BuK/WS 2018 VL-17: Jenseits von P und NP 38/46
Die Klasse PSPACE (1)
Definition: Komplexit¨atsklasse PSPACE
PSPACEist die Klasse aller Entscheidungsprobleme,
die durch eine DTM M entschieden werden, deren Worst Case Speicherplatzbedarf durchq(n)mit einem Polynom qbeschr¨ankt ist.
Definition: Komplexit¨atsklasse NPSPACE
NPSPACEist die Klasse aller Entscheidungsprobleme,
die durch eine NTMM entschieden werden, deren Worst Case Speicherplatzbedarf durchq(n)mit einem Polynom qbeschr¨ankt ist.
Die Klasse PSPACE (2)
Satz von Savitch (ohne Beweis) PSPACE=NPSPACE
Wie verh¨alt sich PSPACE zu NP?
Da sich der Kopf einer Turingmaschine in einem Schritt nur um eine Position bewegen kann gilt: NP⊆NPSPACE=PSPACE
BuK/WS 2018 VL-17: Jenseits von P und NP 40/46
Die Klasse PSPACE (2)
Satz von Savitch (ohne Beweis) PSPACE=NPSPACE
Wie verh¨alt sich PSPACE zu NP?
Da sich der Kopf einer Turingmaschine in einem Schritt nur um eine Position bewegen kann gilt: NP⊆NPSPACE=PSPACE
Die Klasse PSPACE (3)
Problem: QUANTIFIED-SAT (Q-SAT)
Eingabe:Eine Boole’sche Formelϕin CNF ¨uber der Boole’schen Variablenmenge{x1, . . . ,xn,y1, . . . ,yn} Frage:∃x1∀y1∃x2∀y2∃x3∀y3 · · · ∃xn∀yn ϕ
Satz
Q-SAT liegt in PSPACE.
Anmerkung: Q-SAT ist PSPACE-vollst¨andig.
BuK/WS 2018 VL-17: Jenseits von P und NP 41/46
Die Klasse EXPTIME (1)
Definition: Komplexit¨atsklasse EXPTIME
EXPTIMEist die Klasse aller Entscheidungsprobleme,
die durch eine DTM M entschieden werden, deren Worst Case Laufzeit durch 2q(n) mit einem Polynomq beschr¨ankt ist.
Laufzeit-Beispiele:2√n, 2n, 3n, n!, nn. Aber nicht:22n
Die Klasse EXPTIME (2)
Wie verh¨alt sich EXPTIME zu PSPACE?
Bei einer Speicherplatzbeschr¨ankungs(n)gibt es nur2O(s(n))viele verschiedenen Konfigurationen f¨ur eine Turingmaschine.
Daher ist die Rechenzeit durch2O(s(n)) beschr¨ankt.
Die Probleme in PSPACE k¨onnen deshalb in Zeit 2p(n) gel¨ost werden: PSPACE⊆EXPTIME
BuK/WS 2018 VL-17: Jenseits von P und NP 43/46
Die Klasse EXPTIME (3)
Problem:k-Schritt-HALTEPROBLEM
Eingabe:Eine deterministische TuringmachineM; eine ganze Zahlk Frage:WennM mit leerem Band gestartet wird, h¨alt M dann nach h¨ochstensk Schritten an?
Die Zahlk ist bin¨ar (oder dezimal) kodiert.
Satz
Dask-Schritt-HALTEPROBLEM liegt in EXPTIME.
Anmerkung: Dask-Schritt-HALTEPROBLEM ist EXPTIME-vollst¨andig.
PSPACE und EXPTIME
Wir haben gezeigt:
P⊆NP⊆PSPACE⊆EXPTIME
Es ist nicht bekannt, welche dieser Inklusionen strikt sind.
M¨oglicherweise gilt P=PSPACE oder NP=EXPTIME.
Wir wissen allerdings, dass P6=EXPTIME gilt.
(Das folgt aus dem so-genanntenZeithierarchiesatz.)
BuK/WS 2018 VL-17: Jenseits von P und NP 45/46
EXPTIME
PSPACE
NP
NPC
P