มีหลายกรณีที่ความสมมาตรของปัญหา (ดูเหมือน) บ่งบอกถึงความซับซ้อนของมัน ตัวอย่างที่น่าสนใจอย่างหนึ่งคือปัญหาความพึงพอใจของข้อ จำกัด (CSPs)
ความหมายของ CSP
CSP ได้รับจากโดเมนและภาษาข้อ จำกัด ( ฟังก์ชัน -ary จากถึง ) ความพึงพอใจของอินสแตนซ์ จำกัด จะได้รับจากการตั้งค่าของตัวแปรและข้อ จำกัด จาก\วิธีแก้ปัญหาสำหรับอินสแตนซ์คือการกำหนดซึ่งเป็นไปตามข้อ จำกัด ทั้งหมดUΓkUk{0,1}VΓϕ:V→U
ยกตัวอย่างเช่นในภาษานี้ 3 SAT จะได้รับจากซึ่งเป็นชุดของ disjunctions ทั้งหมดของ 3 ตัวอักษรที่เป็นเพียง\} สำหรับอีกตัวอย่างหนึ่งของระบบสมการเชิงเส้น mod 2 จะได้รับโดยซึ่งเป็นสมการเชิงเส้นทั้งหมด mod 2ตัวแปรและเป็นอีกครั้ง\}ΓU{0,1}ΓkU{0,1}
ความหลากหลาย
มีความรู้สึกที่ความแข็งของ CSP นั้นมีลักษณะที่สมมาตร สมมาตรที่เป็นปัญหานี้เรียกว่า polymorphisms polymorphism เป็นวิธีการในท้องถิ่นรวมการแก้ปัญหาหลายอย่างเพื่อ CSP ที่จะได้รับการแก้ปัญหาใหม่ ในพื้นที่ที่นี่หมายความว่ามีฟังก์ชั่นที่ใช้กับตัวแปรแต่ละตัวแยกกัน แม่นยำมากขึ้นถ้าคุณมีวิธีแก้ปัญหาหลายอย่าง (การมอบหมายที่น่าพอใจ) , polymorphism คือฟังก์ชันที่สามารถใช้กับแต่ละตัวแปรเพื่อรับโซลูชันใหม่ :(V)) สำหรับเป็น polymorphism มันควรแมป tuples ทั้งหมดของ f : U t → U ϕ ϕ ( v ) = f ( ϕ 1 ( v ) , … , ϕ t ( v ) ) f tϕ1,…,ϕtf:Ut→Uϕϕ(v)=f(ϕ1(v),…,ϕt(v))ft พอใจการมอบหมายไปยังอินสแตนซ์ใด ๆ เพื่อมอบหมายที่น่าพอใจของอินสแตนซ์เดียวกัน
polymorphism สำหรับระบบสมการเชิงเส้นสำหรับตัวอย่างคือ2 ขอให้สังเกตว่าy ตอบสนองว่าคุณสมบัตินี้เป็นที่รู้จักกันเป็นงาน Maltsev CSPs ที่มีความแตกต่างของ Maltsev สามารถแก้ไขได้โดยการกำจัดแบบเกาส์เซียนf(x,y,z)=x+y+z(mod2)f(x,x,y)=f(y,x,x)=yf
บนมืออื่น ๆ , disjunctions 3 ตัวอักษรมีเพียงเผด็จการเป็นความหลากหลายเช่นฟังก์ชั่นประเภทxf(x,y)=x
ความหลากหลายและความซับซ้อน (การคาดเดาขั้วคู่)
ความหลากหลายในความเป็นจริงมีผลกระทบต่อการคำนวณ: ถ้า CSPยอมรับความหลากหลายทั้งหมดของแล้วเป็นพหุนามเวลาออกซิเจน\นี่เป็นวิธีที่จะกล่าวอย่างเป็นทางการว่า CSPซึ่ง "สมมาตรน้อยกว่า" กว่า CSPอื่น ๆ ที่จริงแล้วนั้นยากกว่าΓ1Γ2Γ1Γ2Γ2Γ1
ปัญหาเปิดที่สำคัญในทฤษฎีความซับซ้อนคือการระบุลักษณะความแข็งของ CSP การคาดเดาการแบ่งขั้วของเฟดเดอร์และวาร์ดีระบุว่า CSP ใด ๆ เป็น P หรือ NP-complete การคาดคะเนสามารถลดลงเป็นคำแถลงเกี่ยวกับ polymorphisms: CSP คือ NP-hard ถ้าหากว่า polymorphisms เพียงอันเดียวที่ยอมรับก็คือ "เผด็จการ" (ไม่เช่นนั้นจะอยู่ใน P) เช่น CSP นั้นยากหากไม่มีวิธีในท้องถิ่นในการสร้างโซลูชันใหม่ของแท้จากโซลูชันเดิม ทราบว่าถ้าส่วนหนึ่ง (ความแข็ง) แต่จะเปิดถ้าส่วนหนึ่งเท่านั้น (การออกแบบอัลกอริทึม polytime)
อย่างไรก็ตามกรณีที่สำคัญที่เรามีการแบ่งขั้วเป็นบูลีน CSPs (โดยที่ ) ตามทฤษฎีบทของ Schaefer , บูลีน CSP อยู่ใน P ถ้ายอมรับหนึ่งใน 6 พหุสัณฐานอย่างอื่น, มิฉะนั้นมันจะเป็น NP-complete ความหลากหลายที่แตกต่างกันหกอย่างนั้นเป็นสิ่งที่คุณต้องการในการแก้ปัญหาไม่ว่าจะโดยการกำจัดเกาส์เซียนหรือการเผยแพร่ (เช่นที่คุณทำกับ horn-sat เป็นต้น) หรือเพื่อแก้ปัญหาโดยการมอบหมายเล็กน้อยU={0,1}
อ่านเพิ่มเติมเกี่ยวกับความหลากหลายพีชคณิตสากลและการคาดเดาขั้วที่คุณสามารถมองไปที่การสำรวจโดย Bulatov
ความหลากหลายและความสามารถประมาณได้
ฉันยังแนะนำการบรรยาย IAS โดย Prasad Raghavendraซึ่งเขาให้ผลลัพธ์ของเขาให้การประมาณค่าที่เหมาะสมที่สุดของ CSP ใด ๆ โดยถือว่าการคาดการณ์เกมที่ไม่ซ้ำกันในกรอบที่คล้ายกัน ในระดับสูงหากความแตกต่างทั้งหมด (สิ่งนี้จะต้องมีการสรุปเพื่อจัดการกับปัญหาการประมาณ) ของ CSP อยู่ใกล้กับเผด็จการหนึ่งสามารถใช้ CSP เพื่อออกแบบวิธีการทดสอบว่าฟังก์ชั่นเป็นเผด็จการและกลายเป็น เป็นทุกอย่างที่คุณต้องการเพื่อลดความแข็งของเกมโดยประมาณ สิ่งนี้ให้ทิศทางความแข็งของผลลัพธ์ของเขา ทิศทางอัลกอริทึมคือเมื่อ CSP มี polymorphism ซึ่งอยู่ไกลจากเผด็จการเราสามารถใช้หลักการ invariance (การวางนัยทั่วไปของทฤษฎีบทขีด จำกัด กลาง) เพื่อยืนยันว่าอัลกอริทึมการปัดเศษ SDP ให้การประมาณที่ดี สัญชาตญาณแบบร่างจริง ๆ สำหรับส่วนอัลกอริทึม: ความแตกต่างที่อยู่ไกลจากเผด็จการไม่ได้ ไม่สนใจว่าจะถูกกำหนดเป็นอาร์กิวเมนต์ (การกระจายผ่าน) การมอบหมายตัวแปรหรือตัวแปรสุ่มเกาส์เซียนที่ประมาณการกระจายการมอบหมายตัวแปร นี่เป็นวิธีเดียวกับที่ฟังก์ชั่นผลรวม "ไม่สนใจ" ถ้ามันได้รับตัวแปรสุ่มแบบแยกกับความแปรปรวนขนาดเล็กหรือ Gaussian rv ที่มีความแปรปรวนเดียวกันโดยทฤษฎีบทขีด จำกัด กลาง ตัวแปรสุ่มแบบเกาส์ที่เราต้องการนั้นสามารถคำนวณได้จากการผ่อนคลาย SDP ของปัญหา CSP ดังนั้นเราจึงพบความแตกต่างที่อยู่ไกลจากเผด็จการป้อนตัวอย่างเกาส์นและกลับไปหาทางออกที่ดี ถ้ามันเป็นตัวแปรสุ่มแยกต่อเนื่องที่มีความแปรปรวนขนาดเล็กหรือ rv ของ gaussian ที่มีความแปรปรวนเดียวกันโดยทฤษฎีบทขีด จำกัด กลาง ตัวแปรสุ่มแบบเกาส์ที่เราต้องการนั้นสามารถคำนวณได้จากการผ่อนคลาย SDP ของปัญหา CSP ดังนั้นเราจึงพบความแตกต่างที่อยู่ไกลจากเผด็จการป้อนตัวอย่างเกาส์นและกลับไปหาทางออกที่ดี ถ้ามันเป็นตัวแปรสุ่มแยกต่อเนื่องที่มีความแปรปรวนขนาดเล็กหรือ rv ของ gaussian ที่มีความแปรปรวนเดียวกันโดยทฤษฎีบทขีด จำกัด กลาง ตัวแปรสุ่มแบบเกาส์ที่เราต้องการนั้นสามารถคำนวณได้จากการผ่อนคลาย SDP ของปัญหา CSP ดังนั้นเราจึงพบความแตกต่างที่อยู่ไกลจากเผด็จการป้อนตัวอย่างเกาส์นและกลับไปหาทางออกที่ดี