ชุดย่อยรวมกับผลิตภัณฑ์ชุดชั้นใน (ความแข็งเทียบกับความแข็ง NP อ่อน)


15

ฉันหวังว่าบางคนอาจจะสามารถอธิบายให้ฉันเข้าใจได้ว่าทำไมปัญหาผลิตภัณฑ์ชุดย่อยนั้นเป็นปัญหาที่รุนแรงมากในขณะที่ปัญหาส่วนย่อยของชุดย่อยนั้นค่อนข้างอ่อนแรง

กลุ่มย่อยซำ: ให้และTไม่มีอยู่เซตX 'ดังกล่าวว่าΣ ฉันX ' x ฉัน = TX={x1,...,xn}TXiXxi=T

กลุ่มย่อยสินค้า: ให้และTไม่มีอยู่เซตX 'ดังกล่าวว่าΠ ฉันX ' x ฉัน = TX={x1,...,xn}TXiXxi=T

ฉันคิดเสมอว่าปัญหาทั้งสองนั้นเทียบเท่ากัน - ตัวอย่างของ SS สามารถเปลี่ยนเป็นตัวอย่างของ SP ผ่านการยกกำลังและตัวอย่างของ SP เป็น SS ผ่านลอการิทึม สิ่งนี้ทำให้ฉันสรุปได้ว่าพวกเขาทั้งคู่อยู่ในระดับเดียวกันของ NP-hard - นั่นคือพวกเขาทั้งคู่มีความอ่อนแอน้อย

นอกจากนี้ปรากฏว่าการเกิดซ้ำเดียวกันสามารถใช้เพื่อแก้ปัญหาทั้งสองโดยใช้การเขียนโปรแกรมแบบไดนามิกที่มีการเปลี่ยนแปลงเล็กน้อยมาก (แทนที่การลบใน SS ด้วยการหารใน SP)

นั่นคือจนกว่าฉันจะอ่านบทที่ 8 ของ "ทฤษฎีการคำนวณ" โดย Bernard Moret (สำหรับคนที่ไม่มีหนังสือเล่มนี้ก็มีข้อพิสูจน์เรื่องความแข็งของผลิตภัณฑ์ย่อยผ่าน X3C - ปัญหาที่ยากมากอย่างยิ่ง NP)

ฉันเข้าใจการลดลง แต่ไม่สามารถเข้าใจได้ว่าเกิดอะไรขึ้นกับข้อสรุปก่อนหน้านี้ของฉัน (ความเท่าเทียมกันของปัญหาทั้งสอง)


UPDATE : ปรากฎว่าผลิตภัณฑ์ชุดย่อยนั้นมีปัญหา NP-Complete เพียงเล็กน้อย (ผลิตภัณฑ์เป้าหมายนั้นมีการอธิบายแบบเลขชี้กำลังเป็น ) Gary และ Johnson ตีพิมพ์ในคอลัมน์ NP-ครบถ้วนในปี 1981แต่ฉันคิดว่ามันจะมองเห็นได้น้อยกว่าการอ้างสิทธิ์ก่อนหน้านี้ในหนังสือของพวกเขาΩ(n)


5
อาจเป็นการดีที่จะจินตนาการว่าคุณจะใช้อัลกอริทึมการเขียนโปรแกรมแบบไดนามิกของคุณอย่างไร จากนั้นคุณจะพบสิ่งที่ผิด
โยชิโอะโอกาโมโต้

@ MohammadAl-Turkistany: มันอยู่ในส่วนสุดท้ายของสิ่งนี้ คอลัมน์
RDN

คำตอบ:


5

เกี่ยวกับปัญหาความเท่ากันของผลรวมย่อยและผลิตภัณฑ์เซตย่อย ผลคูณของ x's = T นั้นจริงแล้ว Psuedopolynomial ถ้า T ไม่ใช่เลขชี้กำลัง! ดังนั้นการพิสูจน์ของเซตย่อยของผลิตภัณฑ์ที่เป็น NP ฮาร์ดจึงไม่ถูกต้อง (ด้วยเหตุผลทางเทคนิค !!!) ค่อนข้างถูกต้อง!

อย่างไรก็ตามให้สัญญาว่า T มีขนาดใหญ่จากนั้นการลดผ่านลอการิทึมไปยังผลรวมย่อยให้ผลรวมย่อย NONSTANDARD SUUMET ซึ่งอยู่เหนือ reals! ซึ่งหมายความว่าอัลกอริทึม Psuedopolynomial สำหรับผลรวมย่อยไม่ได้ใช้! แม้ว่าลอการิทึมจะมีขนาดเล็ก แต่ทศนิยมก็ทำให้โปรแกรมแบบไดนามิกของ Psuedopolynomial!

ฉันหวังว่านี่จะช่วยได้

เศลา


2
กลับกลายเป็นว่าคุณถูกต้องตลอดเกี่ยวกับการลดลงที่ไม่ถูกต้อง (เช่นการอ้างว่าพวกเขาแสดงความสมบูรณ์ NP ที่แข็งแกร่งเมื่อพวกเขาไม่ได้) ขอบคุณ!
RDN

8

ประการแรกใช้การยกกำลังเพื่อเปลี่ยนจาก SS เป็น SP ทำงาน (ใช้ฐาน 2 แทนฐาน ) แต่จะขยายขนาดของตัวเลขที่เกี่ยวข้อง Weak NP-hardness นั้นหมายความว่าหากตัวเลขมีขนาดเล็ก (หรือมากกว่านั้นแสดงว่าเป็นเอกภาพ) ปัญหาจะไม่ยากอีกต่อไป ดังนั้นการใช้การยกกำลังจะสร้างอินสแตนซ์ขนาดใหญ่ของ SP แม้จะเป็นอินสแตนซ์ที่ง่ายของ SS ซึ่งตัวเลขจะถูกเขียนเป็นเอกe

ประการที่สองการใช้ลอการิทึมที่จะไปจาก SP ถึง SS ไม่ทำงานเนื่องจากลอการิทึมโดยทั่วไปจะสร้างค่าที่ไม่ใช่จำนวนเต็ม SS และ SP ถูกกำหนดโดยใช้หมายเลขจำนวนเต็มและลอการิทึมมักจะส่งผลให้ค่ายอดเยี่ยมซึ่งยากที่จะแสดงหรือทำคณิตศาสตร์

<edit>

ให้เป็นจำนวนเต็ม, A > 0 , จากนั้นlog 2 Aจะเป็นจำนวนตรรกยะถ้าAเป็นกำลังของ 2, และดีเยี่ยมเป็นอย่างอื่น ประการแรกหากบันทึก2 A = pAA>0log2AAสำหรับจำนวนเต็มไม่ใช่ศูนย์pและqจากนั้นA=2 plog2A=pqpq ,Q=2หน้า ดังนั้นเราจึงมีA=2rโดยการสลายตัวที่สำคัญ ยิ่งกว่านั้นArq=2p, เพื่อให้Aเราสามารถเลือกq=1และp=rเพื่อพิสูจน์log2AคือเหตุผลA=2pqAq=2pA=2rArq=2pAq=1p=rlog2A

เราเพียงแค่ต้องแสดงให้เห็นว่านั้นไม่เคยยอดเยี่ยมอย่างอื่น นี้ต่อไปนี้จากทฤษฎีบท Gelfond-ไนเดอร์สำหรับสูตรเทียบเท่า (ที่สามารถพบได้บนหน้าวิกิพีเดีย) คือ "ถ้าαและγมีภัณฑ์ตัวเลขเกี่ยวกับพีชคณิตและเราใช้ลอการิทึมภัณฑ์ใด ๆ ของαแล้ว( บันทึกγ ) / ( บันทึกα ) = เข้าสู่ระบบαแกมมาเป็นทั้งเหตุผลหรือเยี่ยม." นอกจากนี้ยังง่ายในการตรวจสอบโดยการสนทนาของทฤษฎีบทและการตั้งค่าอัลฟ่าβ = γและด้วยเหตุนี้βlog2Aαγα(logγ)/(logα)=logαγαβ=γแกมมาβ=logαγ

</edit>

สุดท้ายพิจารณาสิ่งที่เกิดขึ้นเมื่อเราลองอัลกอริทึมการเขียนโปรแกรมแบบไดนามิกจาก SS บน SP เนื่องจากเราใช้ผลิตภัณฑ์มากกว่าผลรวมจำนวนที่เกี่ยวข้องนั้นเพิ่มขึ้นอย่างมหาศาลและความแม่นยำทางคณิตศาสตร์ที่ต้องการโดยพลันก็กลายเป็นปัจจัยในเวลาทำงาน นี่คือเหตุผลที่อัลกอริทึมไม่สามารถแก้ปัญหาอินสแตนซ์ SP ได้อย่างรวดเร็วแม้ว่าตัวเลขจะไม่พร้อมกัน


สิ่งนี้นำไปสู่กรณีพิเศษที่น่าสนใจ สำหรับคลาสของตัวเลขใดที่บันทึกแสดงเป็น rationals และไม่ต้องการความแม่นยำไม่สิ้นสุด ในกรณีนี้ปัญหาจะใกล้เคียงกันและลดลงได้จริง ดูเหมือนว่าจะนำไปสู่อัลกอริธึมการประมาณ "ธรรมชาติ"
vzn

1
ขอบคุณสำหรับคำตอบที่ยอดเยี่ยม! ฉันมีเพียงปัญหาเดียว - ฉันเข้าใจว่าทำไมการบันทึกจึงผิดกฎหมาย (ยกเว้นในกรณีที่บันทึกมีความยาวโพลี - ตามที่ vzn ชี้ให้เห็น) แต่ฉันก็ยังไม่แน่ใจเกี่ยวกับกฎหมายว่าด้วยการไปจาก SS ถึง SP ผ่านการยกกำลัง WRT ไปจาก SS ไปยัง SP ตามที่คุณกล่าวถึง (ผ่านการยกกำลัง) เราไม่พบปัญหาต่อไปนี้: จำนวนบิตในอินสแตนซ์อินพุตของคือO ( n log x )และจำนวนบิตใน อินสแตนซ์ของI S PคือO ( n x )ISSO(nlogx)ISPO(nx) )นี่คือการระเบิดแบบเอ็กซ์โพเนนเชียล ดังนั้นมันยังคงถูกกฎหมายหรือไม่ ถ้าเป็นเช่นนั้นทำไม
RDN

1
@vzn, RDN: ฉันแก้ไขในลักษณะเมื่อลอการิทึมยอดเยี่ยม เกี่ยวกับการลดความเร็วในการระเบิดขึ้นอยู่กับคำจำกัดความของคุณของ 'กฎหมาย': การลดถูกต้องแต่ประสิทธิภาพของมันไม่ได้เป็นพหุนามและด้วยเหตุนี้จึงไม่ได้พูดอะไรเกี่ยวกับ NP-hardness ดังนั้นจึงไม่ใช่การลดเวลาโพลีที่ถูกต้องแต่เป็นการลดที่ถูกต้อง (โดยไม่มีตัวระบุ)
อเล็กซ์สิบ Brink

ยังมีกรณีพิเศษที่ตัวเลขทั้งหมดอยู่ในรูปแบบ , แต่ละncniมีเหตุผลสำหรับการใด ๆไม่เพียง แต่= 2 อัลกอริทึมการประมาณที่ฉันคิดว่าอาจจะพบ cซึ่งการแปลงค่าเป็น "ฐาน" นั้นคือ "ปิด" เป็นค่าดั้งเดิม nicc=2c
vzn

1

คำอธิบายที่แท้จริงคือปัญหาเซตย่อยของผลิตภัณฑ์นั้นสมบูรณ์แบบโดยสมบูรณ์จากการลดลงของปัญหาที่เกิดขึ้นอย่างสมบูรณ์เช่นปัญหาที่แน่นอน 3 ชุด ในการลด "strong" ดังกล่าวจำนวนเต็มอินพุทจะถูก จำกัด ด้วยฟังก์ชันพหุนามในจำนวนเต็มในอินสแตนซ์ผลลัพธ์ของปัญหาผลิตภัณฑ์เซตย่อย

ดังกล่าวลดลง "ความเชื่อ" เป็นไปไม่ได้จากปัญหาขอ NP-สมบูรณ์ใด ๆ ไปยังกลุ่มย่อยซำปัญหาเว้นแต่ P เรามีอัลกอริทึมการเขียนโปรแกรมแบบไดนามิกเวลาพหุนามสำหรับการแก้ปัญหา Sum รวมถ้าจำนวนเต็มอินพุตถูกล้อมรอบด้วยพหุนามP=NP


ใช่ฉันเข้าใจแล้ว คำถามของฉันเกี่ยวกับสาเหตุที่ข้อสรุปที่ฉันทำไว้ก่อนหน้านี้ไม่ถูกต้อง (เช่นความเท่าเทียมกันของ SS และ SP)
RDN

@rdn มีความรู้สึกไม่เท่าเทียมกันยกเว้นว่า P = NP
Mohammad Al-Turkistany

ใช่ฉันเข้าใจแล้ว แต่ฉันต้องการที่จะรู้ว่าสิ่งที่ผิดปกติกับการลดลงของฉันในทิศทางใด
RDN

คุณช่วยร่างคุณลดได้หรือไม่?
Mohammad Al-Turkistany

I(SS)=X,SI(SP)=Y,PI(SS)I(SP)P=eSYi=eXiSP=eSI(SP)I(SS)S=log(P)Xi=log(Yi)PS=log(P)
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.