Residual state automata (RFSAs ที่กำหนดใน [DLT02]) เป็น NFA ที่มีคุณสมบัติที่ดีเหมือนกับ DFA โดยเฉพาะอย่างยิ่งมี RFSA ขนาดต่ำสุดที่ยอมรับเสมอสำหรับทุกภาษาปกติและภาษาที่ได้รับการยอมรับโดยแต่ละรัฐใน RFSA เป็นสิ่งที่เหลืออยู่เช่นเดียวกับใน DFA อย่างไรก็ตามในขณะที่ขั้นต่ำของรัฐ DFAs สร้าง bijection กับส่วนที่เหลือทั้งหมดรัฐ RFSAs ที่เป็นที่ยอมรับอยู่ใน bijection กับส่วนที่เหลือเฉพาะ อาจมีจำนวนน้อยกว่านี้แทนดังนั้น RFSAs จึงมีขนาดกะทัดรัดกว่า DFAs มากสำหรับการแสดงภาษาปกติ
อย่างไรก็ตามฉันไม่สามารถบอกได้ว่ามีอัลกอริทึมที่มีประสิทธิภาพสำหรับการลด RFSAs หรือหากมีความแข็ง ความซับซ้อนของการลด RFSAs คืออะไร
จากการสืบค้น [BBCF10] ดูเหมือนว่านี่จะไม่ใช่ความรู้ทั่วไป ในอีกด้านหนึ่งฉันคาดหวังว่าสิ่งนี้จะยากเพราะคำถามง่าย ๆ มากมายเกี่ยวกับ RFSAs เช่น "NFA นี้เป็น RFSA หรือไม่" ยากมากที่ PSPACE จะเสร็จสมบูรณ์ในกรณีนี้ ในทางตรงกันข้าม [BHKL09] แสดงให้เห็นว่า RFSAs ซึ่งเป็นที่ยอมรับนั้นสามารถเรียนรู้ได้อย่างมีประสิทธิภาพในรูปแบบครูที่เพียงพอน้อยที่สุดของ Angluin [A87] และการเรียนรู้ RFSA ขั้นต่ำอย่างมีประสิทธิภาพและการลด RFSAs ดูเหมือนว่ามันจะยาก อย่างไรก็ตามเท่าที่ฉันสามารถบอกได้ว่าอัลกอริธึมของ [BHKL09] ไม่ได้หมายถึงอัลกอริธึมการย่อขนาดเนื่องจากขนาดของตัวอย่างเคาน์เตอร์ไม่ได้ถูก จำกัด ขอบเขตและยังไม่ชัดเจนว่าจะทดสอบ RFSAs ได้อย่างมีประสิทธิภาพอย่างไร . การทดสอบสอง NFAs เพื่อความเท่าเทียมกันคือ PSPACE สมบูรณ์ตัวอย่างเช่น
อ้างอิง
[A87] Angluin, D. (1987) การเรียนรู้ชุดปกติจากแบบสอบถามและตัวอย่าง สารสนเทศและการคำนวณ, 75: 87-106
[BBCF10] Berstel, J. , Boasson, L. , Carton, O. , & Fagnot, I. (2010) การลดขนาดของออโตมาตะให้น้อยที่สุด arXiv: 1010.5318
[BHKL09] Bollig, B. , Habermehl, P. , Kern, C. , & Leucker, M. (2009) การเรียนรู้แบบ Angluin ของ NFA ในIJCAI , 9: 1004-1009
[DLT02] Denis, F. , Lemay, A. , & Terlutte, A. (2002) ออโตเมต้า จำกัด ที่ตกค้าง Fundemnta Informaticae , 51 (4): 339-368