Complexité FST 2010

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
1
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
2
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.
3
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 ?
4
Taille n Opérations
élémentaires
Entrées Algorithme Résultat
Temps Ressources Espace
5
 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.
6
 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
7
Modèles Abstraits de Calcul(1)
 Théorie robuste indépendante de la machine
 Nécessité de s’entendre sur des modèles de calcul
 Définition formelle de la notion d’algorithme
(Modèles abstraits de Calcul ,1936)
 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 » )
8
Modèles Abstraits de Calcul(2)
 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.
9
Machines de Turing (1)
Alan Matheson Turing
(1912 – 1954)
 Inventeur de la Machine
de Turing ( 1936)
 Machine ENIGMA
10
Machines de Turing (2)
 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)
11
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
12
 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
13
 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
14
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.
15
 Un langage est dit récursif s’il est décidé par une machine
de Turing.
 Un algorithme est un ensemble fini d’instructions décrivant

le déroulement des opérations pour résoudre un problème et
ce déroulement doit toujours se terminer dans un temps fini
 Un problème est décidable s’il existe une machine de

Turing s’arrêtant toujours autrement il est dit indécidable
16
David Hilbert
(1862 –1943)
 Liste des 23 problèmes de

Hilbert (1900)
 Problème numéro 10 :
« Existe-t-il un procédé mécanique
permettant de dire, après un
nombre fini d'étapes, si une
équation diophantienne donnée
possède des solutions entières?».
est indécidable (Théorème de
Matiyasevich (1970))
17
 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
18
 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
19
 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
20
Alonzo Church
(1903 – 1995)
 Résultat sur la calculabilité
 Développement du lambda-calcul
 1936 : Existence d ’un problème

indécidable
 Thèse de Church
21
Kurt Godël
(1906 – 1978)
 Théorème d’Incomplétude
 Complétude : Une théorie mathématique pour
laquelle tout énoncé est décidable est dite complète,
sinon elle est dite incomplète
 Théorème de Godel(1932) : Dans n'importe

quelle théorie récursivement axiomatisable,
cohérente et capable de « formaliser
l'arithmétique », on peut construire un énoncé
arithmétique qui ne peut être ni prouvé ni réfuté
dans cette théorie
22
Décidabilité – Calculabilité
23
Thèse de Church – Turing :
Un langage est calculable si ce langage

est récursif i.e. décidé par une machine de
Turing
24
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
25
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
26
 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 ?
27
 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 ?
28
 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)
29
 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 .
30
Problème de Décision (6)
Problème de décision
& langage accepté par une machine de Turing
Tête de
Controleur lecture /
d'états finis écriture
  l ’ensemble des symboles pouvant être écrit par l ’utilisateur sur le ruban
 * l ’ensemble des mots du langage sur l ’alphabet
 LM = { x  * : M accepte x }
 Résoudre le problème revient à savoir si x  LM
31
 Codage des entiers positifs :
 Codage binaire efficace : i est codé par la
séquence
n k
i   ik .2 avec ik 0,1
k 0
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 l1(i)

32
 Codage d’un graphe
Encodage Chaîne
 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])
Liste des voisins : (x[2] x[3])(x[1] x[3])(x[1] x[2] x[4])(x[3])
Matrice d’adjacence : 0110/1010/1101/0010
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}
35
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)
36
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.
37
 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)
38
 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)
39
 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.
40
 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
41
 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
42
 Equivalence entre Problèmes
43
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
44
 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
45
 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.
46
 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)
47
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
48
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
49
NP-Complétude (3)
Stephen COOK
 Travaux sur SAT
 Reçoit le Turing Award en

1982
 Levin ( 1973) : travail

similaire sur le pavage
50
NP-Complétude (4)
Théorème de Cook - Levin
Théorème :
SAT est NP-Complet
51
SAT & Co
 Problème k – SAT :
 Données :
 Un ensemble de variables booléennes {x1,x2,…xn}
 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
52
Problèmes de Graphes NP-Complets (1)
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} S
 T  X est un transversal de G si:

 e = {x1,x2} E : x1T ou x2 T
53
Soit G (X,E ) un graphe d’ordre n :
 G X,F  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 G X,F 
54
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
55
 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
56
 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
57
 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 ?
58
 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)

59
 k – Coloration ( k- Color)
 Données :

Un entier k
 Résultat : Existe t-il une k-coloration de G ?
60
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 :
 xt
xE'
?
61
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 : n n
c a  A
i 1
i i et c v V
i 1
i i ?
62
 Partition
 Données :
 Un ensemble A fini d’entiers
 Réponse : Existe-t-il A’  A tel que :
x  x
x A' x A A'
?
63
 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 ?
64
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 ?
65
Exemples de Réductions (1)
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
66
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) )
67
 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
 x  x  y
1 2 i,1 ;
 x   y  y
3 i,1 i,2 . . . . . . .
 xk -2   yi,k - 4  yi,k – 3 et xk -1   yi,k - 3  x,k

68
 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
69
Exemples de Réduction(5)
 Données: graphe G = (V,E) et un k  |V|.
 Clique (CLQ): Existe-t-il C  V avec |C|  k et (u,v)  E

pour tous u,v  C?
 Ensemble indépendant (IS): Existe-t-il C  V avec |C|  k

et (u,v)  E pour tous u,v  C?
 Couverture par sommets (VC): Existe-t-il C  V avec |C| 

k et tel que pour tout (u,v)  E, on a u  C ou v  C?
70
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.
71
 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.
72
 CLQ p IS.
Instance de IS:
Instance de CLQ: Gc = (V,Ec), graphe
Graphe G = (V,E) complément de G.
Entier k Entier k (inchangé)
Transformation f
73
À montrer:
1. f est calculable en évident
temps polynomial.
2. G,k  CLQ  G c,k Un ensemble de sommets forme
 IS. une clique dans G ssi il forme
un ensemble indépendant dans
G c.
74
 IS p VC.
Instance de VC:
Instance de IS: G = (V,E) (inchangé)
Graphe G = (V,E) Entier |V| - k
Entier k
Transformation f
75
Exemple de Réduction (10)
À montrer:
1. f est calculable en temps polynomial. évident
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.
76
3-SAT p IS
Instance de IS : Graphe G = (V,E)
Occurrence d’un littéral  sommet
dans G.
Instance de 3-SAT  Arête entre deux sommets lij, li’j’ si
Variables X = x1, …, x les littéraux sont dans une même
n
m clauses Cj = l1j  l2j  l3j clause ou si sont contradictoires
Entier m (nombre de clauses)
77
x1 x2 x3
x1  x2  x3
x2 x3 x4
x2  x3  x4
x1  x2  x4 x1 x2 x4
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
x1  x2  x3 x1 x2 x3
x2  x3  x4 x2 x3 x4
x1  x2  x4 x1 x2 x4
 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
x1  x2  x3 x1 x2 x3
x2  x3  x4 x2 x3 x4
x1  x2  x4 x1 x2 x4
80
P = NP ?
 Pas de solution polynomiale pour un
problème NP-Complet
 On ne sait pas si les problèmes de
NP sont polynomiaux ou s’il existe
certains qui sont difficiles d’où
 P = NP ?
 Soit P  NP
 Soit P=NP ? n’est pas

décidable
81
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!
82
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).
83
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
84
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 ?
85
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 ?
86
 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 }
87
 Données : G(X,E) un
graphe
 Résultat : G est –il
hamiltonien ?
 Ce problème appartient
à Co-NP
 Appartient – il à NP ?
88
 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
89
Relations entre les classes de Complexité
90

Complexité FST 2010

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Complexité FST 2010

Hochgeladen von

Copyright:

Verfügbare Formate

Théorie de la Complexité

 Gödel (1932) : premier théorème d’incomplétude (toute

 Turing, Church (1936) : réponse négative au problème de la

 Edmonds (1965) : Distinction entre les problèmes P et NP

 Karp (1972) : Liste de 21 nouveaux problèmes NP-Complet.

 Aujourd’hui la conjecture P = NP ? fait partie des 7 problèmes du millénaire.

Entrées Algorithme Résultat

Temps Ressources Espace

Remarque : Toutes les architectures de machines réelles sont équivalentes à la

 Classification des problèmes suivant le temps et

 Variante purement théorique jusqu’à l’arrivée des

 Tout choix est fait au hasard :

 On peut aussi considérer qu’elles se dupliquent

à chaque décision, chacune partant sur une des

 Q est un ensemble fini d’état,

 Un langage est décidé par une machine de Turing s’il

 Un algorithme est un ensemble fini d’instructions décrivant

 Un problème est décidable s’il existe une machine de

 Liste des 23 problèmes de

l’arrêt. Dans ce cas, pour tout programme P et une

 Q(P) termine lorsque A(P,P) = 0 ( lorsque P ne termine pas sur P)

 Si nous utilisons Q comme entrée sur lui-même nous obtenons:

 Résultat sur la calculabilité

 1936 : Existence d ’un problème

 Théorème de Godel(1932) : Dans n'importe

Thèse de Church – Turing :

Un langage est calculable si ce langage

 Y : sous-ensemble des instances pour lesquelles la

 N : sous-ensemble des instances pour lesquelles la

 Fonction de codage C : traduction d’une instance en un

 Une machine de Turing M résout le problème décision

La longueur l2(i) des codes de i est de l’ordre de 2 l1(i)

Liste des voisins : (x[2] x[3])(x[1] x[3])(x[1] x[2] x[4])(x[3])

Matrice d’adjacence : 0110/1010/1101/0010

TM(n) = Max {m /  x * , |x| = n et l’exécution de

 La classe P est la la classe des langages décidés par

 Complexité en temps d’une machine de Turing

 Solution rapide si l’énumération des cas ne coûte

 Exemple : Circuit hamiltonien (HC)

 Un circuit hamiltonien est un

 Un graphe biparti d’ordre impair n’a

 1. Déterminer la longueur n de w et calcule q(n) . polynôme

 Complexité bornée par rq(n) x q’(n) et donc par 2 log2(r)(q(n)+q’(n)) qui de la

 Proposer un codage de la solution ( certificat)

 Proposer un algorithme vérifiant la solution au vu des

 Montrer que cet algorithme a une complexité

 On ne sait pas non plus démontrer que le problème est non

 Elle est calculable en temps polynomial,

 Conséquence : Si L2  P alors L1 est au plus aussi

 Classes d’équivalence polynomiale : soit tous les

 Possibilité de construire une classe d’équivalence de

 P  NP ( P est la plus petite classe dans NP)

 Plus grande classe de NP : NP-Complets (noyau dur)

 Reçoit le Turing Award en

 Levin ( 1973) : travail

 T  X est un transversal de G si:

 G X,F  est le graphe complémentaire de G :

 S est une clique de G  S est sous-graphe complet de G

 S est une clique G (X,E )  S est stable de G X,F 

Une coloration des sommets de G (X,E) est

(G) = Min { k / G est k –colorable}

 Résultat : Existe-il un circuit hamiltonien dans G

Allemagne ( 15 112 cités)