Complexité_ENSI_2011.ppt

1
Théorie de la Complexité
H. Hasni
Ecole Nationale des Sciences de l’Informatique
Université de Manouba
2010 Campus Universitaire – Manouba
E-mail : hamadi.hasni@ensi.rnu.tn

2
Plan
 Qu’est-ce que la complexité ?
 Modèles Abstraits de Calcul
 Machines de Turing
 Problèmes de Décision
 Classes de Complexité
 Réductions de Problèmes
 NP-Complétude
 Exemples de Problèmes NP-Complets
 Exemples de Réduction
 P = NP ?
 Que faire devant un Problème NP?
 Classe de Complexité co-NP

3
Introduction
 La théorie de la complexité s’intéresse à l’étude formelle de la
difficulté des problèmes en informatique.
 Gödel (1932) : premier théorème d’incomplétude (toute
théorie contient des énoncés non démontrables)
 Turing, Church (1936) : réponse négative au problème de la
décision (cf. machine de Turing et le problème de l’arrêt)
 Edmonds (1965) : Distinction entre les problèmes P et NP
Cook (1971)- Levin (1973) : NP – Complétude ( Problème SAT)
 Karp (1972) : Liste de 21 nouveaux problèmes NP-Complet.
 Aujourd’hui la conjecture P = NP ? fait partie des 7 problèmes du millénaire.

4
Qu’est – ce que la complexité ?(1)
 Question centrale de l’Informatique
théorique :
 Limites des Ordinateurs
 Limites fondamentales indépendantes de la
technologie
 Peut-on identifier les problèmes de
calcul qui sont hors de portée ?

5
Taille n
Algorithme
Entrées Résultat
Temps Espace
Ressources
Opérations
élémentaires

6
 Complexité:
 En pratique, un algorithme consomme une
quantité raisonnable de ressources de calcul :
 Nombre d’opérations,
 Temps de calcul
 Quantités de mémoire
 Complexité : quantité minimale de ressources
nécessaire à sa résolution.

7
 Les notions de temps de traitement, d’espace sont
dépendant de la machine physique utilisée.
 Besoin d’une mesure absolue indépendante de
toute implémentation.
 Facteurs de temps de calcul :
 Taille de l’entrée
 Ordinateur utilisé
 Langage de programmation utilisé

8
Modèles Abstraits de Calcul(1)
 Théorie robuste indépendante de la machine
 Nécessité de s’entendre sur des modèles de calcul
(Modèles abstraits de Calcul ,1931)
 Machine de Turing
 Machine de Post
 Fonctions récursives de Kleene
 -calcul de Church
 Machine RAM
Tous ces modèles sont équivalents
Remarque : Toutes les architectures de machines réelles sont équivalentes à
la machine de Turing ( elles sont plus « puissantes » mais pas plus
« expressives » )

9
 Formalisation de la notion de fonction calculable et d’algorithme.
Approches équivalentes (machines de Turing, fonctions
récursives, lambda calcul) et actuelles...
Alan Turing Alonzo Church Stephen C.Kleene
 Mise en évidence des limites : il existe des fonctions non
calculables (et des problèmes indécidables) !

10
 Théorie de la Complexité :
 Classification des problèmes suivant le temps et
l’espace nécessaire à la résolution de l’instance la
plus « dure » du problème sur un modèle
théorique : machine de Turing.

11
Machines de Turing
 Machines de Turing
 Définition : Une machine de TURING déterministe (MTD) est
donnée
par M = (Q, ,  , , q0 ,F) , où :
 Q est un ensemble fini d’état,
  est un alphabet
    ( alphabet d’entrée),
 F  Q est l’ensemble des états accepteurs
  : D  Q x   Q x  x {L,R}, fonction de transition
 q0 : état initial
- Un symbole spécial B appelé caractère blanc
- L et R représentent les 2 directions de déplacement de la tête de lecture
- Une configuration est un élément de Q x * x IN (* : ensemble des
mots)

13
Machine de Turing (3)
Une machine de Turing peut
 S’arrêter :
 Un état accepteur
 Une configuration où  n’est pas définie
 On ne peut pas déplacer la tête de lecture
comme indiqué
 Ne jamais s’arrêter

14
 Machine de Turing Non Déterministe (MTND) :
 Variante purement théorique jusqu’à l’arrivée des
ordinateurs quantiques
 Tout choix est fait au hasard :
 Mais elles trouvent toujours le bon chemin!!!
 On peut aussi considérer qu’elles se dupliquent
à chaque décision, chacune partant sur une des
« branches » d’exécution

15
 Machine de Turing Non Déterministe
(MTND) :

16
 Machine de Turing Non Déterministe (MTND) :
 Définition : Une machine de TURING non déterministe
(MTND) est donnée par M = (Q, ,  , , q0 ,F) , où :
 Q est un ensemble fini d’état,
  est un alphabet
    ( alphabet d’entrée),
 F  Q est l’ensemble des états accepteurs
  : D  Q x   P (Q x  x {L,R}), fonction de transition
 q0 : état initial

17
Décidabilité – Calculabilité (1)
 Un langage est accepté par une machine de Turing s’il
existe une machine de Turing qui accepte dans un temps
fini tous les mots du langage.
 Un langage est décidé par une machine de Turing s’il
existe une machine de Turing qui accepte le langage et qui
s’arrête toujours.

18
 Un langage est dit récursif s’il est décidé
par une machine de Turing.
 Un problème est décidable s’il existe une
machine de Turing s’arrêtant toujours
autrement il est dit indécidable

19
 On appelle équation diophantienne une équation du genre
P(x, y, z, ...) = 0, où P est un polynôme à coefficients
entiers. Résoudre une telle équation, c'est chercher les
solutions sous forme d'entiers.
L’équation x2 + y2 – 1 = 0 est une équation diophantienne
qui admet pour solutions: x = 1, y = 0 et x = 0, y = 1
 L'équation x2 – 991 y2 – 1 = 0 est également
diophantienne mais a des solutions beaucoup plus difficiles
à trouver la plus petite est :
 x = 379 516 400 906 811 930 638 014 896 080 et
 y = 12 055 735 790 331 359 447 442 538 767

20
 Problème de l’arrêt (proposé par A. Turing 1936) :
 Soit un programme informatique et une entrée à ce
programme, déterminez si ce programme va terminer sur
cette entrée ou continuer à s’exécuter indéfiniment
 Théorème : Le problème de l’arrêt est indécidable
 Preuve ( par contradiction) :
 Soit un algorithme A qui résout le problème de
l’arrêt. Dans ce cas, pour tout programme P et une
entrée E, nous avons:
A(P,E) = 1 si P termine sur E
0 si P ne termine pas sur E

21
 Preuve (suite)
 Tout programme P peut être utilisé comme entrée à lui même
 Utilisons l’algorithme A sur (P,P) pour construire un programme
Q ayant la propriété suivante :
 Q(P) termine lorsque A(P,P) = 0 ( lorsque P ne termine pas sur P)
 Q(P) ne termine pas lorsque A(P,P) = 1 (lorsque P termine sur P)
 Si nous utilisons Q comme entrée sur lui-même nous obtenons:
 Q(Q) termine lorsque A(Q,Q) = 0 (lorsque Q ne termine pas)
 Q(Q) ne termine pas lorsque A(Q,Q) = 1 (lorsque Q termine
sur Q
 Un tel programme Q ne peut exister. Il en va donc de même
pour l’algorithme A. CQFD

22
 Le problème avec 196
Etant donné un entier positif, renversez les chiffres et ajoutez
les au nombre. Recommencez tant que vous n’avez pas trouvé un palindrome.
Par exemple pour 5280 on trouve :
 5280 + 825 = 6105
 6105 + 5016 = 11121
 11121 + 12111 = 23232
 En général pour n’importe quel nombre cet algorithme s’arrête
rapidement.
 Personne ne sait si cet algorithme se termine pour 196. Cependant
on sait qu’il y a au moins 9 millions d’itérations.

23
 La fonction 3x+1 : La fonction de Collatz est définie ainsi :
Si x = 1 on s’arrête.
Si x est impair, alors x = 3x + 1, si x est
pair alors x = x/2.
Par exemple pour 7 on trouve :
 7 22 11 34 17 52 26 13 40 20 10 5 16 8 4 2 1
 Personne ne sait si pour un nombre x le programme
s’arrête ou pas.
 http ://www.cs.princeton.edu/introcs/77computability/.

24
Thèse de Church – Turing :
Un langage est calculable si ce langage
est récursif i.e. décidé par une machine de
Turing

25
Complexité Algorithmique
 Complexité temporelle pire cas d’une machine de Turing :
nombre maximal de déplacements de la tête de
lecture/écriture pour résoudre une instance de taille
maximale n
 La taille de l’instance est la longueur de la séquence
binaire codant cette instance comme une entrée de la
machine de Turing
 Complexité spatiale pire cas : longueur de bande
nécessaire à la machine pour résoudre une instance de
taille n

26
Problèmes de Décision (1)
 Un problème désigne la description générale d’une
question.Par exemple : Trouver un facteur non trivial d’un
entier
 Résoudre un problème : essayer de décrire un algorithme
(par exemple à formaliser par une machine de Turing)
 Un problème de décision (d’existence ou de
reconnaissance) consiste à chercher dans un ensemble fini
s’il existe un élément vérifiant une certaine propriété.
 Un problème de décision peut être formulé par un énoncé
et une réponse Oui – Non

27
 La forme générale d’un problème de décision :
 Une description de l’instance du problème
 L’expression d’une question Oui/non portant sur cette
instance
 Exemples :
 Voyageur de Commerce ( TSP) :
 Données : un graphe complet d’ordre n valué par des entiers
positifs et un entier k
 Question : Existe –t- il dans le graphe un cycle hamiltonien de
longueur  k ?

28
 Exemples :
 Clique :
 Données : un graphe et un entier positif k
 Question : G contient –t-il un sous-graphe complet à k
sommets ?
 Recouvrement ( Set Cover ):
 Données : Un ensemble X et une famille f de sous-ensembles
de X
 Question : Existe –t-il une sous – famille f’ de f telle que tout
élément de X appartient exactement à un élément de f ?

29
 Notations : soit D l’ensemble des instances possibles
d’un problème de décision 
 Y : sous-ensemble des instances pour lesquelles la
réponse est Oui (Yes)
 N : sous-ensemble des instances pour lesquelles la
réponse est Non (No)

30
 Lien entre Problème de Décision et Langages:
 Fonction de codage C : traduction d’une instance en un
mot sur un alphabet.
 Une machine de Turing M résout le problème décision
 , sous le codage C, si M s’arrête sur toute entrée x et
si l’ensemble des mots acceptés par M est égal à
l’ensemble L[, c]de mots qui résultent du codage
d’instance de Y .

31
Problème de Décision (7)
 Codage des entiers positifs :
 Codage binaire efficace : i est codé par la
séquence
 
1
,
0
0
2
. 


 k
i
avec
n
k
k
k
i
i
La longueur l1(i) des codes de i est de l’ordre de Log2(i)
 Codage binaire inefficace : i est codé par une
séquence de 1 de longueur i
La longueur l2(i) des codes de i est de l’ordre de 2 l
1
(i)

32
Problème de Décision (8)
 Codage d’un graphe
 Liste des sommets/liste des arêtes : x[1] x[2] x[3] x[4](x[1] x[2])(x[1] x[3])(x[2] x[3])(x[3] x[4])
|G(X,E)| = O( n + m)
Liste des voisins : (x[2] x[3])(x[1] x[3])(x[1] x[2] x[4])(x[3])
|G(X,E)| = O(m)
Matrice d’adjacence : 0110/1010/1101/0010 , |G(X,E)| = O(n2)
Notation: |G(X,E)| la taille de codage de G , |X|= n et |E|= m
Encodage Chaîne

33
Classes de Complexité (1)
 Complexité en temps d’une machine de Turing
s’arrêtant toujours :
TM(n) = Max {m /  x * , |x| = n et
l’exécution de M sur x comporte m étapes }
 La classe P est la la classe des langages décidés
par une machine de Turing polynomiale i.e
 un polynôme p(n) tel que :
TM  p(n) pour tout n  0

34
Classes de Complexité (2)
 Le temps de calcul d’une machine de Turing ND
sur un mot w est donné par :
 La longueur de la plus courte exécution acceptant le
mot si celui-ci est accepté.
 La valeur 1 si le mot w n’est pas accepté
 Complexité en temps d’une machine de Turing
non déterministe
TMND(n) = Max {m /  x * , |x| = n et le temps de
calcul de M sur x est m}

36
Classe de Complexité (3)
 La classe NP ( Non déterministe Polynomiale) est
la classe des langages acceptés par une machine de
Turing non déterministe polynomiale
 Solution rapide si l’énumération des cas ne coûte
rien
 Exemple : Circuit hamiltonien (HC)

37
Exemple : Circuit Hamiltonien
 Un circuit hamiltonien est un
chemin de G passant une et une
seule fois par chacun des sommets
et revenant à son point de départ
 Un graphe biparti d’ordre impair n’a
pas de circuit hamiltonien.

38
 Théorème :
Soit L  NP. Il existe une machine de
Turing déterministe M et un polynôme p(n)
tel que M décide L et est de complexité en
temps bornée par 2p(n)
( Simuler toutes les exécutions de MND)

39
 Preuve :
 Soit une MTND de complexité polynomiale q(n) qui accepte L. Simuler
toutes les exécutions de MTND de longueur inférieure à q(n). Pour un mot
w, la machine doit:
 1. Déterminer la longueur n de w et calcule q(n) . polynôme
 2. Simuler chaque exécution de MTND de longueur q(n) (temps
nécessaire q’(n)).Si r est le nombre maximum de choix possibles de
MTND à chaque étape de son exécution, il y a au plus r q(n) exécutions
de longueur q’(n)
 3. Si une des exécution simulées accepte, M accepte. Sinon M s’arrête
et rejette le mot w
 Complexité bornée par rq(n) x q’(n) et donc par 2 log2(r)(q(n)+q’(n)) qui de la
forme de 2p(n)

40
 Pour Prouver qu’un problème est dans NP :
 Proposer un codage de la solution ( certificat)
 Proposer un algorithme vérifiant la solution au vu des
données et du certificat
 Montrer que cet algorithme a une complexité
polynomiale.

41
 Exemples
 Voyageur de commerce
 Certificat : indication d’un circuit de longueur
inférieur à k
 Clique :
 Certificat : indication de k sommets du graphe
d’entrée constituant une clique
 Recouvrement : indication d’un sous-famille
vérifiant la propriété demandée

42
 Un grand nombre des problèmes de NP est que, on
ne sait pas dire, s’ils sont ou non polynomiaux.
 On ne sait pas produire une solution polynomiale,
 On ne sait pas non plus démontrer que le problème est
non polynomial
 Que faire ?
 Comparer la difficulté du problème NP considéré à
celle d’autre problèmes NP.
 Réduction d’un problème à un autre

43
 Equivalence entre Problèmes

44
Réduction de Problèmes (1)
 Transformations (Réductions) polynomiales
 Définition : Soient un langage L1 et un langage L2. Une
transformations polynomiale de L1 vers L2 (notée L1 p L2)
est une fonction f qui satisfait les conditions suivantes:
 Elle est calculable en temps polynomial,
 f(x)  L2 si et seulement si x  L1
 Conséquence : Si L2  P alors L1 est au plus aussi
difficile que L2

45
Soit G (X,E ) un graphe d’ordre n
 G est un graphe complet si :
 x1 et x2X : {x1,x2} E
 S  X est un stable de G si :
 x1 et x2S : {x1,x2} E
 T  X est un transversal (couverture)
de G si:
 e = {x1,x2} E : x1T ou x2 T

46
 Stable ( Independant Set):
 Données :
 Un graphe G(X,E) non orienté
 Un entier k
 Résultat : Décider s’ un stable S  X , S k
 Clique
 Données :
 Un entier k
 Résultat : Décider s’ une clique C  X , S  k

47
Exemples de Réductions (7)
 CLQ <p IS.
 Pour le démontrer formellement, on veut définir
une fonction f permet de transformer en temps
polynomial chaque instance G, k du problème
Clique en une instance f(G, k) = G’, k’ du
problème Ensemble Indépendant de telle sorte que
G, k  CLQ  G’, k’  IS.

48
Instance de CLQ:
Graphe G = (V,E)
Entier k
Instance de IS:
Gc = (V,Ec), graphe
complément de G.
Entier k (inchangé)
Transformation f
 CLQ p IS.

49
À montrer:
1. f est calculable en
temps polynomial.
2. G,k  CLQ  G c,k
 IS.
Un ensemble de sommets forme
une clique dans G ssi il forme
un ensemble indépendant dans
G c.
évident

50
 Propriétés de  p :
 Si L1  p L2 alors
 Si L2 P alors L1 P
 Si L1 P alors L2  P
 Si L1  NP alors L2  NP
 Si L1  p L2 et L2  p L3
 L1  p L3

51
 Problèmes polynomialement équivalents
 Définition:
Deux langages L1 et L2 sont polynomialement équivalents (L1 p L2)
si et seulement si L1  p L2 et L2  p L1
 Classes d’équivalence polynomiale : soit tous les
membres sont dans P, soit aucun.
 Possibilité de construire une classe d’équivalence de
proche en proche.

52
 Structure de NP:
 Définition : Une classe d’équivalence polynomiale C1 est
inférieure à une classe d’équivalence C2 ( notation C1 C2 ) si 
L1  C1 et L2  C2 : L1  p L2
 P  NP ( P est la plus petite classe dans NP)
  L1 P et  L  NP on a L1  p L2
 Plus grande classe de NP : NP-Complets (noyau dur)

53
NP-Complétude (1)
 Langage NP-Complet :
 Définition : Un langage L est NP-Complet si
 L  NP
  L’  NP alors L’  p L ( Problème NP-Dur)
 Théorème : Soit L un langage NP-Complet,
L  P si et seulement si P = NP
 Un problème NP-Complet n’a de solution
polynomiale que si et seulement si P = NP

54
NP-Complétude (2)
 Problème de Satisfiabilité (SAT):
 Données :
 Un ensemble de variables booléennes {x1,x2,…xn}
 Un ensemble de clauses Ci = {y i,1  …… y i,r} où yi,j est
égal à l’un des xi soit à l’un des xi
 F = C1  C2  . . . .  Cm
 Résultat : Décider si F est satisfaisable (vraie)par une
affectation de valeurs de vérité V/F aux variables

55
NP-Complétude (4)
Théorème de Cook - Levin
 Théorème :
SAT est NP-Complet
En d'autres termes, tout problème de décision décidable par une machine de
Turing non déterministe polynomiale peut être réduit en temps polynomial au
problème SAT.
 Idée de la preuve :
On construit en temps polynomial un ensemble de clauses satisfaisables si
et seulement si il existe une branche de l'exécution de la MTND qui
s'arrête sur « oui ».
Notions similaires : Edmonds(1966) mais aussi Gödel (1956 - Lettre à Von Neumann).

56
SAT & Co
 Problème k – SAT :
 Données :
 Un ensemble de variables booléennes {x1,x2,…xk}
 Un ensemble de clauses Ci = {y i,1  …… y i,k} où yi,j
est égal à l’un des xi soit à l’un des xi ( Ci = k )
 F = C1  C2  . . . .  Cm
 Résultat : Décider si F est satisfaisable par une
affectation de valeurs de vérité V/F aux variables

57
Problèmes de Graphes NP-Complets (2)
Soit G (X,E ) un graphe d’ordre n :
 est le graphe complémentaire de G :
{x1,x2} E  {x1,x2}  F
 S est une clique de G  S est sous-graphe complet de G
 S est une clique G (X,E )  S est stable de
 
F
X
G ,
 
F
X
G ,

58
Une coloration des sommets de G (X,E) est
une application :
C : X IN telle que C(v) ≠ C(w)  {v,w} E
 Une k - coloration est une coloration
utilisant k couleurs
 Le nombre chromatique (G) est défini par
(G) = Min { k / G est k –colorable}
G =3

59
 Couverture de Sommets ( Vertex Cover):
 Données :
 Un entier k
 Résultat : Décider s’ transversal T  X , S  k
 Coupure maximale ( Max Cut)
 Données :
 Un entier k
 Résultat : Décider s’ une partition X = X1 X2 telle que :
|{{x1,x2} E / x1 X1 et x2 X2 } |  k

60
 Circuit Hamiltonien ( HC):
 Données :
 Résultat : Existe-il un circuit hamiltonien dans G
 Circuit le plus long
 Données :
 Un entier k
 Résultat : Existe –il un cycle hamiltonien et dont
la longueur est  k ?

61
 Voyageur de Commerce
(TSP)
 Données : un couple ( n,M)
où M est une matrice d’ordre n
de réels et un réel B
 Réponse :
Existe-t-il une permutation  de
[1,n] telle que:
Allemagne ( 15 112 cités)

62
 k – Coloration ( k- Color)
 Données :
 Un entier k
 Résultat : Existe t-il une k-coloration de G ?

63
Somme de Sous-ensemble & Variantes (1)
 Somme de sous-ensemble ( Subset Sum)
 Données : E  IN , fini et un but t  IN
 Réponse : Existe-t-il E’  E tel que :
?
'



E
x
t
x

64
Somme de Sous-ensemble & Variantes(2)
 Sac à Dos ( KnapSack)
 Données :
 Un ensemble de poids ai , i = 1,n
 Un ensemble de valeurs vi , i =1,n
 Un poids limite A et entier V
 Réponse : Existe-t-il une suite ci  {0,1}telle
que :
?
1
1
V
v
c
et
A
a
c
n
i
i
i
n
i
i
i 
 
 


65
 Partition
 Données :
 Un ensemble A fini d’entiers
 Réponse : Existe-t-il A’  A tel que :
?
'
'

 



A
A
x
A
x
x
x

66
 Rangement Optimal ( Bin Packing)
 Données :
 N objets de poids si
 Une capacité B et un entier k
 Réponse : Est-il possible de ranger les N objets
dans k boîtes de capacité B ?

67
Programmation Entière
 Programmation entière 0-1
 Données:
 Une matrice entière A (m,n)
 Un vecteur entier b d’ordre m
 Réponse : Existe-t-il un vecteur x d’ordre dont les éléments sont
pris dans {0,1} tel que : A x  b ?

68
3-Sat  p Stable
 3-Sat  p 3-Color
HC  p Circuit le + long
VC  p Subset-Sum
Subset-Sum  p KnapSack
Subset-Sum  p Partition
3-Sat  p Prog. Entière
Partition  p Bin Packing

69
Exemples de Réduction (2)
 3-SAT est NP
 Soit I une instance de 3 –SAT , taille (I) = O( n+p)
 Certificat : valeur de chaque xi , i = 1, n
 Vérification en O(p)
 3 – SAT est NP-Dur : réduction à partir de SAT
 Soit I1 une instance de SAT
 n variables xi , i = 1, n
 p clauses Cj , j=1,p de longueur f(j)
 Taille(I1) = O( n +  f(j) )

70
 Soit Ci une clause de SAT :
 1 variable x : soient ai et bi deux nouvelles variables
 x  ai  bi ; x  ai  bi ; x  ai  bi ; x   ai  bi
 2 variables x et y : soit ci une nouvelle variable :
 x  y  ci ; x  y   ci
 3 variables : aucun changement
 k  3 variables : soit Ci = {x1  ……  xk} et soient yi,1 ,……
y i,,k- 3 ( k-3) nouvelles variables
 x1  x2  yi,1 ;
 x3   yi,1  yi,2 . . . . . . .
 xk -2   yi,k - 4  yi,k – 3 et xk -1   yi,k - 3  x,k

71
 Taille (I2) linéaire en taille(I1) ,
 () Si I1 a une solution i.e. une instanciation des
variables xj telle que  j Cj soit vraie.
 Une solution pour I2 est :
 xj inchangée
 ai vrai
 bi faux
 ci vrai
 Soit z1 ,…… zk des littéraux et zi le 1er littéral vrai alors on
pose z1 ,. . ., zi-2 à vrai et zi-1 ,…… zk-3 à faux.
 () si I2 a une solution :
 Instanciation de I2 vraie restreinte aux xj i=1,n donne une
instanciation qui satisfait I1

72
Exemples de Réduction(5)
 Données: graphe G = (X,E) et un k  |X|.
 Clique (CLQ): Existe-t-il C  X avec |C|  k et (u,v)  E
pour tous u,v  C?
 Ensemble indépendant (IS): Existe-t-il C  X avec |C|  k
et (u,v)  E pour tous u,v  C?
 Couverture par sommets (VC): Existe-t-il C  X avec |C| 
k et tel que pour tout (u,v)  E, on a u  C ou v  C?

73
Théorème: CLQ p IS p VC.
 Idée: montrer que ces trois problèmes ne sont que
des reformulations les uns des autres.
 L’existence d’une grande clique est équivalente à
l’existence d’un grand ensemble indépendant dans
le complément du graphe.
 L’existence d’un grand ensemble indépendant est
équivalente à l’existence d’une petite couverture
par sommets.

74
Instance de IS:
Graphe G = (V,E)
Entier k
Instance de VC:
G = (V,E) (inchangé)
Entier |V| - k
Transformation f
 IS p VC.

75
Exemple de Réduction (10)
À montrer:
1. f est calculable en temps polynomial.
2. G,k  IS  G, |V| - k  VC.
a)  G,k   IS   G, |V| - k   VC:
Si V’ est un IS de taille k, alors toutes les arêtes de E
ont au moins une extrémité dans V – V’. Donc V – V’
est une VC de taille |V| - k.
b)  G,k   IS   G, |V| - k   VC:
Si V’ est une VC de taille |V| - k, alors V – V’ est
un IS de taille k.
évident

76
3-SAT p IS
Instance de 3-SAT 
Variables X = x1, …, xn
m clauses Cj = l1j  l2j  l3j
Instance de IS : Graphe G = (V,E)
Occurrence d’un littéral  sommet
dans G.
Arête entre deux sommets lij, li’j’ si
les littéraux sont dans une même
clause ou si sont contradictoires
Entier m (nombre de clauses)

77
3
2
1 x
x
x 

4
3
2 x
x
x 

4
2
1 x
x
x 

2
x
1
x
2
x 3
x
4
x
4
x
1
x
2
x
3
x
La transformation se fait en temps O(m2). (borne supérieure de |E|).
Reste le plus dur : montrer que   3-SAT  G, m  IS.

78
Exemple de Réduction (13)
Étape 1:   3-SAT  G, m  IS
x1 = 0, x2 = 1, x3 = 0, x4 = 1
3
2
1 x
x
x 

4
3
2 x
x
x 

4
2
1 x
x
x 

2
x
1
x
2
x 3
x
4
x
4
x
1
x
2
x
3
x
 Chaque clause contient un littéral dont la valeur est 1 (Vrai).
Les sommets correspondants forment un IS de taille m car les
littéraux correspondants sont de clause différentes et non-
contradictoires

79
Étape 2: G, m  IS    3-SAT
x1 = 1, x2 = 1, x3 = 0, x4 = 1
3
2
1 x
x
x 

4
3
2 x
x
x 

4
2
1 x
x
x 

2
x
1
x
2
x 3
x
4
x
4
x
1
x
2
x
3
x

80
P = NP ? (1)
 La question « P = NP ? » signifie à peu près :
« Ce que nous pouvons trouver rapidement lorsque
nous avons de la chance, peut-il être trouvé aussi
vite par un calcul intelligent ? ».
 Une autre formulation est : « Tout ce que l'on peut
vérifier facilement, peut-il être découvert
aisément...

81
P = NP ? (2)
 Les problèmes vérifiables en temps
polynomial sont-ils aussi décidables en
temps polynomial ?
 Autrement dit, existe- t- il des
problèmes dont les solutions sont
faciles à vérifier mais sont dures à
trouver ?
 Montrer P = NP : Montrer que tous les
problèmes de NP sont dans P.

82
Liste de Garey & Johnson
Théorie des graphes (65 problèmes)
3-COL, domination, cycle Hamiltonien, etc.
Conception de réseau (51)
TSP, Max-cut, plus long chemin, etc.
Ensembles et partitions (21)
Formation d’équipes, partition
Logique (19), Planification (22), archivage (36), programmation
mathématique (13), algèbre (18), jeux et puzzles (15), automates et
langages (21), optimisation de code (20), autres (19)
Problèmes qu’on n’arrive à placer ni dans P ni NP-complets . Plus
que 3!

83
Que faire face à un problème NP?(1)
 Si on a à résoudre un problème NP, on a les
deux options suivantes :
 Soit le problème est facile et on cherche à
exhiber une résolution polynomiale,
 Soit que le problème est difficile et on cherche
à démontrer qu’il est NP-Complet (par
réduction).

84
Que faire face à un problème NP?(2)
 Si on a à résoudre un problème NP-Complet, on peut :
 Chercher à donner une résolution polynomiale
 Vérifier que l’on est pas, intéressé par une instance
polynomiale
 Appliquer des schémas de résolution algorithmique
efficaces
 Diviser pour régner
 Programmation Dynamique
 Mettre en œuvre des algorithmes approchés, avec
garantie de performance.
 Utiliser des approches à base de machines parallèles

85
Classe de Complexité Co-NP (1)
 Les problèmes de P ont des solutions faciles à
trouver (algorithmes polynomiaux)
 Les problèmes de NP ont des solutions faciles à
vérifier
 Puisqu’on est autoriser à « regarder » la réponse,
 Comment un problème peut ne pas appartenir à NP ?

86
Classe de Complexité Co-NP(2)
 Exemple :
 Données : un couple ( n,M) où M est une matrice d’ordre n de réels
et un réel B
 Réponse :
Est –il vrai qu’il n’existe pas une permutation  de [1,n] telle que :
Ce problème appartient – il à NP ?

87
 Complémentaire d’un problème de décision 
noté C :
 D
C
= D
 Y
C
= N
 N
C
= Y
 P = co-P
 Définition : La classe Co –NP est l’ensemble des
compléments des langages appartenant à NP i.e.
Co-NP = { L / LC  NP }

88
 Données : G(X,E) un
graphe
 Résultat : G est –il
hamiltonien ?
 Ce problème appartient
à Co-NP
 Appartient – il à NP ?

89
 Théorème : Soit L NP- complet, si LC est NP
alors co-NP = NP
 Conjecture : NP  co-NP
 Théorème : Si NP  co-NP alors P  NP

90
Relations entre les classes de Complexité

Complexité_ENSI_2011.ppt

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Complexité_ENSI_2011.ppt

Similar to Complexité_ENSI_2011.ppt (20)

More from MbarkiIsraa

More from MbarkiIsraa (16)

Complexité_ENSI_2011.ppt