{{TOC limit}} pozn. státnicové otázky pro I2/3 jsou označené touto ikonkou: (🎓)
Vyčíslitelnost
Def. TS, RJ a RSJ. Uzavřenost RJ na doplňky. Postova v. (🎓)
Definice Turingova stroje, rekurzivního a rekurzivně spočetného jazyka. Uzavřenost rekurzivních jazyků na doplňky. Postova věta.
{{Zkazky|
stačilo na 1*A4: definice TS, M(w)↓ a M(w)↑, definice RS a RSJ, věty o doplňcích RJ a RSJ (bez dk), postova věta s lehkým důkazem uvedeným zde, bez dalších dotazů
}}
{{thesis | Ke každému algoritmu v intuitivním smyslu existuje TS, který jej implementuje.
| Churchova-Turingova (1936) }}
{{multiple image
|align = tright |direction = horizontal
| image1 = Tm.jpg
| width1 = 310 | caption1 = TS
| image2 = ZSV 3729090544640692881.png
| width2 = 310 | caption2 = 💡 ∀RJ je i RSJ
}}
Turingův stroj
(k-páskový deterministický) TS je 5-tice: M = (Q, ∑, δ, q<sub>0</sub>, F)
Q je konečná množina stavů (řídící jednotky)
∑ je konečná pásková abeceda
obsahuje znak λ pro prázdné políčko
je přechodová fce
⊥ je nedefinovaný přechod
q<sub>0</sub> ∈ Q je počáteční stav
F ⊆ Q je množina přijímajících stavů.
Konfigurace TS obsahuje:
stav řídící jednotky
slovo na pásce
💡 (od nejlevějšího neprázdného políčka do nejpravějšího)
pozice hlavy na pásce
💡 čtené políčko v rámci slova
výpočet TS
M(w)↓ tj. výpočet konverguje pokud výpočet nad vstupem w skončí
TS přijímá slovo w
po skončení se nachází v přijímacím stavu
TS odmítá slovo w
po skončení se NEnachází v přijímacím stavu
M(w)↑ tj. výpočet diverguje pokud výpočet nad vstupem w nikdy neskončí
fce f turingovsky vyčíslitelná pokud ex. TS který jí počítá (💡 tj. f(x)↓=y)
∀ k-páskový TS se dá převezt na 1-páskový
Rekurzivní a rekurzivně spočetný jazyk
L(M) označíme jazyk slov přijímaných TS M
L je rekurzivně spočetný (také částečně rozhodnutelný), pokud ∃TS M t.ž.: L = L(M).
L je rekurzivní (také rozhodnutelný), pokud ∃TS M t.ž.: sevždy zastaví a L = L(M)
💡 RSJ je spočetně ⇒ ∀ jazyk není RSJ
Uzavřenost rekurzivních jazyků na doplňky
L je RJ ⇒ {{overline|L}} je RJ
L i {{overline|L}} jsou RSJ ⇒ L je RJ
z toho nám vyjde:
Postova věta
{{theorem | L je RJ ⇔ L i {{overline|L}} jsou RSJ
| Postova }}
Dk (přes oba směry implikace) ::
:: ⇒ L je RS, pro {{overline|L}} vytvořím TS M, {{overline|L}}=L(M) který přijme když původní TS (rozhodující RJ L) odmítne a zacyklí se když původní TS přijme :: ⇐ pustím oba TS a čekám na 1. co se zastaví (jeden se určo zastaví protože jeden přijíma A a druhý {{overline|A}})
GČ, UTS (🎓)
Gödelovo číslo, univerzální Turingův stroj. *
Gödelovo číslo
přiřadí každému symbolu a formuli unikátní přirozené číslo
Je-li w_e kod TS M => e je Gödelovo číslo stroje M
💡 1 TS může mít ∞ mnoho bin. řetězců co ho kódují => má i ∞ mnoho GČ
Kódování instrukcí TS M = (Q, ∑, δ, q<sub>0</sub>, F) ::
:: Nejdřív do abecedy Γ = {0, 1, L, N, R, |, #, ; }, pak z abecedy do binární. :: , r ≥ 1, kde označuje počáteční, jediný { BÚNO } přijímající stav. :: , označují postupně symboly . :: značí binární zápis čísla . :: je kódem instrunkce , kde (v abecedě ) :: je kódem TS , jde o konkatenací kódú všech instrukcí TS (v abecedě ) :: Bin. kód získáme přes: 0→000, 1→001, L→010, N→011, R→100, |→101, #→110, ; →111. :: <u>Bijekce , určuje pro TS s bin kódem GČ , pak TS značíme </u>
Univerzální Turingův stroj
Univerzální Turingův stroj U umí simulovat libovolný jiný TS M nad libovolným vstupem w.
Vstup: dvojice w;x, kde w je bin kódem TS M, x je vstupní slovo pro M
{{zarovka |
U(e,w) ≃ M(w), počítá stejnou funkci.
Zakódování TS navíc umožní každému TS přiřadit přirozené číslo
Svůj kód bude mít i UTS, tedy UTS bude schopen simulovat i sám sebe
Pokud se M(w) zacyklí, musí se zacyklit i U(e,w)
| Simulace: a }}
Simulace: a
3-páskový UTS (💡 technicky jednodušší než 1-páskový a lze převést na 1-páskový): vstupno/výstupní, pracovní, stavová
Image:Uts.jpg
Vstupní páska
kód simulovaného stroje M a jeho vstup.
oddělovač ’;’ z abecedy Γ.
💡 pouze se čte a na závěr na ni přepíše obsah pásky stroje M po ukončení jeho výpočtu.
**Pracovní páska M **
uložení slova z pracovní pásky M
Připomeňme si, že páskovou abecedu stroje M jsme nijak neomezovali, její znaky si na tuto zakódujeme v binární abecedě stejně, jako je tomu v kódu přechodové funkce M.
Ať b označuje délku nejdelšího zápisu znaku páskové abecedy v kódu w Turingova stroje M (dá se tedy s jistou rezervou říci, že hodnota b odpovídá \lceil log2 |Σ| \rceil, kde Σ je pásková abeceda simulovaného stroje M.
Pak tato páska bude rozdělena do bloků délky b oddělených symbolem „|“.
Každý blok bude kódovat obsah políčka pracovní pásky stroje M týmž způsobem, jakým je daný znak zakódovaný v kódu w přechodové funkce stroje M, doplněný nulami na začátku na délku b (jde o binárně zapsané číslo symbolu, jehož hodnotu nuly přidané na začátek nemění).
Polohu hlavy stroje M si UTS pamatuje polohou hlavy na této pracovní pásce.
Stavová páska M
stav, v němž se aktuálně stroj M nachází.
Stav stroje M zakódován jako
💡 totéž číslo, co lze vyčíst z přechodové funkce M uložené v řetězci w na 1. pásce
Algoritmus UTS
Init
kontrola vstupu: kontrola správnosti vstupní pásky
příprava prac.pásky: překódujeme vstup na pracovní pásku, návrat na začátek pásky
příprava stav.pásky: na stavovou pásku zapíšeme 0 (💡 binárně zapsané číslo stavu q0)
Simulace
simuluj kroky M dokud ex. instrukce pro konfiguraci
Zakončení
úklid: přepíše obsah pracovní pásky do abecedy {0,1}
konec: přečte stavovou pásku a podle stavu přejde do přijímacího/odmítacícího stavu
Alg. nerozhodnutelné problémy (🎓)
{{Zkazky|
(P. Kucera) Alg. nerozhodnutelne problemy - klasika, definice co to je problem, rozdil mezi rekurzivne spocetnym a rekurzivnim, Churchova teze a ekvivalence s TS, dale halting problem + ten snadny dukaz, Riceho veta a jeste jeden dva dalsi problemy jako zajimavost.
Způsob zkoušení: Zdá se, že mu jde o témata, které mají praktický dopad (např. halting problem). Ptal se, jestli znám ještě další nerozhodnutelný problém. Dostali jsme se i k Riceově větě, ale bránil mi ji dokazovat, protože to nebylo v otázce. Známku mi neříkal. S Majerechem zkoušeli někoho společně. Uklidňovali ho, že mu chtějí pomoct.
Algoritmicky nerozhodnutelne problemy - Zacal sem Church-Turingovou tezi a pojem algoritmus vztahl k TS. Pak sem zadefinoval Rekurzivne spocetne a rekurzivni jazyky. Halting problem, Diagonalni jazyk, Univerzalni jazyk, Postova veta. Pak sem presel od TS k CRF tady sem jako priklad uvedl K a K0, definoval CRF a ORF + intuitivni srovnani s TS U vetsiny veci sem mel i dukazy ( vycislitelnosti sem se bal nejvic z okruhu takze sem to mel celkem nadrceny ). Pak se dvorak ptal jak zjistim ze nejakekj problem je nerozhodnutelny ( aniz by clovek musel furt vymyslet specialni dukazy ) to sem chvili vahal ale pak sem si vzpomel na prevoditelnost Rekurzivnich a rekurzivne spocetnych mnozin pomoci prevodni fce ktera musi byt ORF coz se ukazalo jako spravna odpoved. Posledni sada otazek uz smerovala k tomu co se bude dit kdyz budu mit TS s orakulem, jestli potom budou vsechny problemy budou rozhodnutelne...tady sem nevedel, odpovidal sem hodne diplomaticky ( spravna odpoved je TS s 1 orakulem umi resit nejaky problemy, TS s 2 orakulama umi resit jeste vic problemu atd...ale nikdy nelze pokryt vsechny jazyky ) Jeste dodam ze tohle nakonec Dvorak okomentoval slovy ze je to spis takova zajimavost, nic zasadniho pro statnice.
Algoritmicky nerozhodnutelné problémy - Napsal jsem Halting problém + ten jednoduchý důkaz. Dále jsem napsal Riceovu větu a jak souvisí s halting problémem. Nakonec jsem napsal Postův korespondenční problém. To zkoušejícímu stačilo a nebyly žádné další otázky.
Halting problém (Kolman) . Tu som zadefinoval TS, spomenul som kódovanie TS (nič konkrétne iba že to je číslo), Postovu vetu a dokázal som, že L HALT nie je rekurzivný, na záver som spomenul, že to isté sa dá urobiť aj cez množiny. Žiadne doplnkové otázky.
Co to je rozh. problém, halting problém, že to souvisí s tím, že množina K není rekurzivní, Riceova věta s důkazem.
Nerozhodnutelné problémy - Stačilo ukázat, že halting problém + definice co to vůbec je problém. Definoval jsem Postův korespondenční problém, pár doplnění, OK.
definice co to je problem, rozdil mezi rekurzivne spocetnym a rekurzivnim, Churchova teze a ekvivalence s TS, dale halting problem + ten snadny dukaz
}}
instance problému - vstup
rozhodovací problém(odpověď typu ano/ne) - jazyk řetězců popisujících pozitivní instance a otázku, zda dané slovo – instance problému – patří do tohoto jazyka (kladná instance daného problému)
Jazyk je rekurzivní (také rozhodnutelný), pokud ∃ TS , který se vždy zastaví a .
Image:Diag.jpg {{theorem
| není RSJ (tedy ani RJ) | diagonalizační jazyk
}}
Dk (sporem) ::
:: Předpokládáme že je RSJ ⇒ ∃ TS M že z čekož nám vychází ale spor: :: , kde první ekvivalence vyplývá z toho, že a druhá ekvivalence z definice
univerzální jazyk
{{theorem
| (kde U je UTS) je RSJ, ale není RJ | univerzální jazyk
}}
Dk (sporem) ::
:: To, že je RSJ jsme ukázali tím, že jsme popsali UTS, který jej přijímá. :: Zbývá tedy ukázat, že není rekurzivní. Z Postovy věty stačí dokázat pouze, že není RSJ. :: Sporem nechť . Pomocí stroje zkonstruujeme stroj , který bude přijímat diagonalizační jazyk . Už víme, že není RSJ a dospějeme tím tedy ke sporu. :: dostane na vstupu slovo a má rozhodnout, zda , tedy jestli stroj s kódem odmítne slovo . :: udělá pouze to, že zkontroluje, zda w kóduje Turingův stroj způsobem, jaký jsme popsali při popisu UTS. Pokud nekóduje syntakticky správně TS, odpovídá prázdnému TS, který slovo určitě nepřijme a tedy skončí přijetím. V opačném případě připíše za kód (kód „;“) a za ně okopíruje opět slovo . Poté spustí na tomto slově stroj , pokud přijme, přijme i , pokud se zastaví a odmítne, odmítne i , pokud se nezastaví, nezastaví se ani . :: ale přijímá jazyk , protože přijme ⇔ je validním kódem TS a nepřijme, což je ekvivalentní tomu, že nepřijme a přijme. Fakt, že , je však ve sporu s tím, že není RSJ.
problém zastavení
{{theorem
| je RSJ, ale není RJ | problém zastavení
}}
Dk ::
:: sporem mejme f(x,y) ktera dobehne prave kdyz F(x,y) se zacykli; vezmeme kod f=e a pustme f(e,e) - kdyz dobehne, mela se F(e,e) zacyklit, a kdyz nedobehne, mela F(e,e) dobehnout, ale F je univ. funkce => spor
Dk (sporem) ::
:: Že je RSJ je zřejmé z existence UTS. :: Diagonalizací ukážeme, že není RSJ, čímž bude důkaz dokončen díky Postové větě. :: Předpokládejme pro spor, že ∃ TS , že . :: Nyní definujme jazyk , jde vlastně o diagonálu . S pomocí TS sestrojíme nyní TS přijímající jazyk . :: Pokud přijme, pak přijme i , v opačném případě . To učiní i v případě, zjistí-li, že nekóduje syntakticky správně TS a odpovídá tedy prázdnému TS (to je zde nutné odlišit jen proto, že kdyby obsahovalo oddělovač „;“, pak by mohlo odpovídat výpočtu jiného TS nad jiným vstupem). :: TS přijme svůj vstup ⇔ . Zřejmě platí, že . :: Nyní se podívejme, jestli ( je kód ): 1. Pokud , znamená to, že se zastaví a přijme, protože , to ale současně znamená, že podle definice , což je pochopitelně ve sporu. 1. Nyní předpokládejme, že , ale podle definice to znamená, že . Z toho jsme dostali , což je však ve sporu s předpokladem. :: Jazyk použitý v důkazu není nic jiného než , pokud bychom předpokládali, že TS přijímají zastavením v jakémkoli stavu.
PRF, ČRF, RP, RSP a vlast. (🎓)
Definice primitivně a částečně rekurzivních funkcí, rekurzivních a rekurzivně spočetných predikátů. Jejich základní vlastnosti - podmíněný příkaz, omezená minimalizace, uzavřenost na aritmetické operace, (ne)uzavřenost na logické spojky a kvantifikátory (omezené i neomezené). {{Zkazky|
Surynek - Základní definice, funkci x+y definovat jako ČRF, detaily ostrých inkluzí PRF/ORF/ČRF. Otázka: Je univerzální funkce pro třídu PRF také PRF? Ne, dokonce není ani ORF, protože nemůže být totální.
}}
Image:ZSV%201.jpg
podmíněná rovnost znamená: hodnota je definována ⇔ definována i hodnota , a pak jsou si také rovny
{{zarovka |
h nabývá nejmenší hodnoty y, pro níž je f definováno a rovno 0. Navíc pro všechny hodnoty nižší než y musí být hodnota f definována.
Poslední proměnná ve funkci f má zvláštní význam. Snažíme se ji minimalizovat, to jest najít nejmenší y takové, aby f vracela nulu.
Pokud se jako f předá funkce, která nikdy nevrací nulu, tak operátor minimalizace vytvoří funkci, která nebude nikde definovaná
:: (výše uvedený pseudokód se zacyklí). To se u předchozích operátorů stát nemohlo: pokud dostaly na vstupu všude def. fce, vrátily také všude def. funkci.
Pokud nechceme zavádět nulární funkce, je nutné definici operátoru minimalizace doplnit o podmínku, že f je funkce alespoň dvou proměnných.
Místo (zkratka za konverguje a rovná se) bychom v definici klidně mohli psát jen . Použití
:: (zkratka za konverguje a nerovná se) je ale důležité, například pokud , tak také není definováno, :: i kdyby třeba .
| minimalizace }}
Základní funkce:
nulová (konstantní) funkce
následník
projekce (💡 vrací hodnotu j-tého parametru)
Operátory:
substituce kde:
💡 má proměnných a proměnných
💡 Operátor substituce je základní prvek programování — jednoduše úlohu, kterou mám řešit, vyřeším pomocí funkcí, které už naprogramoval někdo dřív.
primitivní rekurze
kde: ::
💡 f je fce n-1 proměnných a fce g n+1 proměnných (n ≥ 2)
💡 operátor primitivní rekurze má sílu for-cyklu.
💡 Proměnná x1 má zvláštní význam — slouží jako čítač
*minimalizace (má sílu while-cyklu)
:: * μy[P(x,y)]- fce μ vrátí nejmenší y takové, aby platil predikát P(x,y) * Lze jí sestrojit pomocí operátoru minimalizace
PRF ⇐ lze odvodit ze 3 základních fcí a pomocí 2 op. substituce a prim. rekurze (NE minimalizace)
💡 všude definována (=totální) - for-cykly (vždy konvergují)
💡 PRF je ORF bez minimalizace
PRP (ORP) ⇐ ∃ pro něj PRF (ORF) charakteristická funkce
predikát je relace nebo libovolný fakt o n proměnných
charakteristická fce predikátu R je
ParseError: KaTeX parse error: Undefined control sequence: \mbox at position 53: …ases}1 \quad & \̲m̲b̲o̲x̲{ pokud } R(x_1…
💡 char. fce je ORF
💡 (Obecně) PRM je unární (obecně) PRP.
ČRF (partial μ-recursive functions) ⇐ lze odvodit ze 3 základních funkcí pomocí 3 operátorů (💡 mají navíc while-cyklus ⇒ divergence)
ORF - je ČRF def. pro ∀ vstupy (totální)
RSP ⇐ ∃ pro něj ČRF charakteristická funkce
částečná char. fce (=ČRF) predikátu je funkce : .
💡 je def.oborem nějaké ČRF
Jejich základní vlastnosti
uzavřenost na aritmetické operace
(konečný součet a součin) f je PRF 2 proměnných ⇒ je PRF:
(přičemž )
(přičemž )
(důsledek) f je PRF 1 proměnné ⇒ je PRF:
(přičemž )
(přičemž )
(podmíněný příkaz) - analogie switch/case/if-then
**, jsou PRF a jsou PRP a je splněn !1 z nich. **⇒ tato fce je PRF:
ParseError: KaTeX parse error: {align} can be used only in display mode.
kvantifikátory (omezené i neomezené).
(omezená kvantifikace) binární PRP ⇒
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 24: …)=(\forall y<z)\̲[̲P(y, x)]
aParseError: KaTeX parse error: Undefined control sequence: \[ at position 24: …)=(\exists y<z)\̲[̲P(y, x)]
jsou PRP.(neomezená kvantifikace): P unární PRP⇒ (∃y)[P(y)] je RSP a (∀y)[P(y)] je doplněk RSP (∃y)[¬P (y)].
(ne)uzavřenost na logické spojky * (logické spojky) :: a unární PRP ⇒ , a jsou PRP * (konečná konjunkce a disjunkce) :: binární PRP ⇒ a jsou PRP
(omezená minimalizace) :: binární PRP ⇒ tato je PRF: ::
ParseError: KaTeX parse error: Undefined control sequence: \mbox at position 55: …x, y)\} \quad &\̲m̲b̲o̲x̲{pokud takové y…
:: Funkci budeme také označovat pomocíParseError: KaTeX parse error: Undefined control sequence: \[ at position 16: f(x, z)=\mu y<z\̲[̲P(x, y)]
.
ČRF ⇔ TS, Kleene, UČRF, s-m-n (🎓)
Ekvivalence ČRF a Turingových strojů (na vyšší úrovni). Kleenova věta o normální formě (bez převodu ČRF na TS), univerzální ČRF, s-m-n věta.
{{Zkazky|
Tu ekvivalenci jsem napsal jen v bodech (stylem „zakóduju výpočet TS do stringu“, „sestavím predikát, který kontroluje, zda výpočet TS je korektní“, atd., fakt hodně po povrchu), rozepsal jsem jen to, jak se pomocí TS implementuje substituce, a taky mu to celkem stačilo (měl jsem v plánu toho napsat mnohem víc, tohle byl jen takovej začátek), jen se ptal, jak se něco udělá (nevím už přesně co, něco jako jak se překóduje string do binární reprezentace a zpátky, nevím jestli v TS nebo ČRF), tak jsme to společně nějak vymysleli, a dobrý.
(Loebl) - Ekvivalence ruznych definic algoritmicky vycislitelnych funkci - Moc jsem nevedel, co presne u tehle otazky bude chtit videt (jasne, Churchova teze, kterou jsem mimochodem nezformuloval tak uplne ciste spravne, ale dal?:) a tak jsem tam naflakal vsechno - CRF, ORF, PRF, RM, RSM, RSP, ORP, jazyky, DTS, NTS - CRF jsem odvodil ze zakladnich funkci pomoci operatoru, ukazal jsem inkluzi s ORF a PRF, naznacil jsem, jak si odpovidaji CRF a NTS a RSM, ORF a DTS a RM. Loebl byl velmi prijemny, prosel si to, chvili dumal nad tim, co se mnou (asi to nebylo uplne ono co chtel videt), rekl, ze tomu zjevne asi rozumim, ale, ze mu chybi nejake prakticke priklady a konkretni formalni prevody mezi vyjadrenimi a pak mi rekl, at mu tedy napisu jeste neco o UTS, pokud o nem neco vim. Nacrtnul jsem tu ctyrpaskovou konstrukci a kodovani UTS, ani jsem to nedopsal a rekl, ze staci.
Majerech, Algoritimicky vycislitelne funkce, definice, vlastnosti. Pana Majerecha jsem se bal, ale nakonec byl opravdu hodny! Zdalo se mi, ze poznal, ze tomu clovek rozumi, par otazek a dal se jiz na nic neptal. Napsal jsem definice pres funkce/operatory, pres TS, dale pak mnoziny/predikaty/jazyky. Inkluze + co za funkce jsou, aby to nebylo ostre [bez definovani], par otazek na overeni, ze tomu rozumim a vse ok. Zadne detaily ci Velmi prijemne zkouseni. Behem zkouseni si k nam prisedl i Martin Mares, ktereho to evidentne bavilo a dokonce mi i jednou napovedel :-) Znamka: 1
*Loebl (SV) -- Algoritmicky vyčíslitelné funkce, jejich vlastnosti, ekvivalence jejich různých matematických definic. Částečně rekurzivní funkce. - Churchova-Turingova teze. Definoval jsem TS a popsal, jak počítá. Rekurzivně spočetné/rekurzivní jazyky. Postova věta. Definice PRF, ORF, ČRF (a predikáty) - zmínit, jakým programovacím konstruktům odpovídají odvozovací fce. Základní lemmata (konečný součet, popis ekvivalentní fce pro switch, atd.). Nakonec bez důkazu, že ČRF a TS jsou ekvivalentně silné. Ptal se na existenci UTS (stačila idea). Vše jsem měl přesně, takže řekl, že mu to stačí na 1. }}
otázky: vyšší úroveň? , bez převodu ČRF na TS? , smn důkaz? jak se něco udělá (nevím už přesně co, něco jako jak se překóduje string do binární reprezentace a zpátky, nevím jestli v TS nebo ČRF)
💡 efektivně vyčíslitelné = turingovsky vyčíslitelné = algoritmicky vyčíslitelné = algoritmicky řešitelné
Ekvivalence ČRF a TS (na vyšší úrovni)
{{theorem | je ČRF proměnných ⇒ je Turingovsky vyčíslitelná
| ČRF ⇒ TS }}
:💡 Přesněji, existuje Turingův stroj takový, že pro každou -tici přirozených čísel platí
:: :: a platí-li , potom výpočet Turingova stroje vydá na výstupu řetězec .
Dk (konstrukcí TS, <Řešené_otázky_NTIN090/ČRF2TS>) ::
:: definujeme TS pro základní funkce a operátory pro odvození : * Základní fce (nulová, následník, projekce) implementuji (vyčíslím) pomocí TS * Operátory simuluji na 3 pásk. TS: substituci, primitivní rekurzi jako for-cyklus (počítadlem cyklů), minimalizaci jako while-cyklus (taky počítadlem cyklů)
{{theorem
| Převod je navíc možno učinit efektivně. Jinými slovy, existuje Turingův stroj CRF2TS, který pokud na vstupu dostane kód ČRF , spočítá Gödelovo číslo stroje , který počítá funkci . | 💡
}}
{{theorem
| funkce turingovsky vyčíslitelná ⇒ je ČRF | TS ⇒ ČRF
}}
Dk (jeden krok TS je PR - omezené cykly, TS pracuje, dokud neskončí = while-cyklus (tj. minimalizace), <u>tedy program = minimalizace čehosi, kde to cosi už je PR</u>) ::
předpoklady: f je def. jako tur. vyčíslitelná ⇒ ∃ TS co jí počítá (💡 to je z definice tur.vyčíslitelnosti)
zakóduju výpočet (tj: posloupnost konfigurací Ki) TS do stringu: K1;...;Kt
{{TODO|jak se to dělá?}}
sestavím PRP T(g.č.TS, x, g.č.kódu výpočtu TS), který kontroluje, zda daný řetězec kódu TS kóduje výpočet TS nad vstupem x
na predikát pustím minimalizaci y (
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 6: \mu y\̲[̲T(e, x, y)]
)pomocí fce z ní vytáhnu g.číslo poslední konfigurace
tedy
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 18: …x)=\cal U(\mu y\̲[̲T(e, x, y)])
:: 💡 U je zřejmě PRF
Kleenova věta o n.f. (bez převodu ČRF na TS)
je ČRF proměnných, kterou počítá stroj {{theorem
| a PRP , pro které platí:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 104: …meq\cal U(\mu y\̲[̲T_n(e, x_1, \do…
| Kleenova věta o normální formě }}
💡 neboli, každý program se dá zjednodušit na 1 while cyklus :)
Dk ::
:podle důkazu TS ⇒ ČRF {{theorem
| je RSP PRP tak, že:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 45: …rrow(\exists y)\̲[̲P(x_1, \dots, x…
| důsledek Kleeneho věty}} 💡 RP jsou ty, které jsou algoritmicky rozhodnutelné, RSP jsou ty, které jsou algoritmicky ověřitelné, podá-li nám někdo certifikát (tedy ) dokazující jejich platnost. Tedy u RSP nejsme sice obecně schopni efektivně rozhodnout, jestli platí, ale pokud platí a někdo nám dá svědka stvrzující tento fakt, jsme schopni efektivně ověřit, že jde skutečně o certifikát platnosti.
univerzální ČRF
{{theorem | třídu proměnných univerzální ČRF: taková, že (tedy vyčísluje e-tou funkci)
| O univerzální funkci }}
💡 existuje i univerzální funkce, a to pro každou třídu proměnných (takže ta univerzální funkce pak dostane těch proměnných + číslo funkce, kterou má emulovat, a udělá to), přičemž je docela pěkná (je ve tvaru minimalizace PRP)
Dk(podle Kleeneovy) ::
::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 59: …q \cal{U}(\mu y\̲[̲T_n(e, x_1, \do…
:: 💡 Nicméně vzhledem k ekvivalenci ČRF a TS bychom také mohli vzít již zkonstruovaný univerzální TS a jemu odpovídající ČRF.''s''<sub>n</sub><sup>m</sup> věta
je ČRF proměnných, kterou počítá stroj
Churchovo -značení . Je-li výraz, pak pomocí označíme funkci na proměnných , která je daná výrazem .
{{theorem _ | m,n > 0 prostá PRF a platí:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 56: …lambda z_1..z_n\̲[̲\varphi_x^{(m+n…
| s<sub>n</sub><sup>m</sup> }}
Image:Smn.jpg :💡 říká, že pokud v naší univerzální funkci, která má sadu argumentů (jedním z nich je číslo programu, který má běžet),
:: argumentů (+ číslo programu) zafixujeme, :: dostaneme funkci zbytku () těch argumentů, :: a tato fixovací funkce bude hezká (prostá PRF).
Dk (program , na vstupu dostane z-ka a pak pustí TS na vstup y-nek a z-tek) ::
:: Neformálně popíšeme, co bude dělá program : :: Na vstupu dostane čísla , poté spustí stroj na vstup , :: 💡 Všechna tato čísla zná, jelikož je buď dostane na vstupu (v případě ), nebo je má zakódované do své přechodové funkce jako parametry (v případě ). :: 💡 Pro tuto úpravu není vůbec rozhodující, jak vypadají instrukce , ani to, jak bude probíhat jeho výpočet, jediné, co je v třeba změnit jsou čísla stavů tak, aby nekolidovala s nově přidanými stavy. * Úprava přechodové funkce je jednoduchá a vystačí si s PR prostředky ⇒ je PRF. * Kód nového stroje obsahuje nějakým způsobem i hodnoty parametrů fce , pro různé hodnoty těchto parametrů budou i různé výstupní hodnoty ⇒ je prostá.
další zdroje
http://wiki.matfyz.cz/index.php?title=St%C3%A1tnice_-_Algoritmicky_vy%C4%8D%C3%ADsliteln%C3%A9_funkce
Základní vlast. RM a RSM. (🎓)
Základní vlastnosti rekurzivních a rekurzivně spočetných množin. (Ne)uzavřenost na sjednocení, průnik a doplněk. Postova věta v kontextu množin. Existenční kvantifikátor a výběrová funkce. {{Zkazky|
(inicialy JM... zeby Mlcek?) - Rekurzivne funkcie a rekurzivne spocetne mnoziny (nie je to priamo otazka z poziadavkov, nejak som mal proste rozpravat o danej teme), uz pri zadavani mi vravel, ze si mam pripravit vela prikladov, na co je to dobre. Zadefinoval som elementarne funkcie a operatory, vyznam operatorov(for, while), PRF,ORF,CRF, inkluzie a priklady funkcii, kvoli ktorym su inkluzie ostre, definoval som rekurzivne a r.spocetne mnoziny a uviedol som tam znenie tej dlhej vety o vlastnostiach r.s. mnozin. Na zaver som pridal nieco o halting probleme ako priklad vyuzitia celej tej teorie. Skusajuci si to pozrel, nemal nejake pripomienky a zacal sa pytat na tie priklady, tak som povedal ten halting problem, ekvivalenciu programov a este sa pytal, ci existuje funkcia, ktora nie je ani CRF - to som nejak previedol na TS a povedal, ze napriklad diagonalizacny jazyk. Toto mu stacilo, bolo to celkom v pohode.
RS a RSM mnoziny, prevoditelnosti - pri zadani spominal aj simple a kreativne, ale nastastie sme sa az tam nedostali, to som sa uz neucil. Definicia zakladnych fcii, operatorov, definicia RS RSM mnozin, potom ze to je ekvivalentne s generovanim pomocou oborov hodnot, tie vety o vztahu rng a RSM, vzdy sa opytal aj na myslienku dokazu. Postova veta (tam sa mu viac pacila odpoved 'pustime dva programy a cakame, ktory skor zastane' nez ten predikat, ktoreho potom selektor je char fciou), potom som zadefinoval 1- a m-prevoditelnost, 1-uplnost, dokazal, ze K je 1-uplna, napisal halting problem a Kryl odchadzal spokojny.
Majerech - CRF + RM + RSM - tady jsem kliku, ze jsem si vylosoval zrovna toto, ptz jinak bych tam mohl u Majerecha sedet doted.:) Vypsal jsem vsechny ty definice, nejdulezitejsi vety (Postovu jsem si dovolil i dokazat, coz je u me velmi nezvykle) a ruzna tvrzeni okolo, na ktere jsem si vzpomnel. Ptal se na usekovou fci a generovani bodu - to jsem tapal a radsi hned rekl, ze nevim (jak toto muze byt nekdy osvobozujici:) a zlehka nejake uzaverove vlastnosti. 1-
*Napsal jsem: **definice RM, RSM vč. definice ORF a ČRF (s drobnou chybou – dal jsem dohromady prvky a operátory nad funkcemi),
**generování (tři věty o oborech hodnot) (Tady se mě ptal, jak fungují ty programy pomocí kterých množiny generuji. Neměl jsem to rozmyšlené, takže to ze mě musel tahat a část říct), **1-převoditelnost, 1-úplnost, K je 1-úplná. Ptal se mě, k čemu ta 1-převoditelnost je. Dával mi návodné otázky a potom jsem si končeně vzpomněl, že asi myslí to, že můžu převést jednu množinu na druhou. Jen tak mimochodem se ptal, kolik je RM a kolik RSM.
**Všechno jsem psal bez důkazu a nechyběly mu. Nakonec mi řekl, že to mám tak za 1− a jestli chci čistou 1, tak ať mu formálně dokážu, že K je 1-úplná. Řekl jsem mu, že o 1 mi až tak nejde. }}
charakteristická funkce -- charakteristická fce predikátu náležení do množiny ( pro a pro )
ParseError: KaTeX parse error: Undefined control sequence: \mbox at position 49: …ases}1 \quad & \̲m̲b̲o̲x̲{ pokud } R(x_1…
::💡 částečná charakteristická funkce množiny -- pro a pro značí definiční obor, obor hodnot
RM A ⊆ ℕ ⇐ je-li def. oborem ORF
:: 💡 také nazýváme jako unární RP (příklad: binarni predikat je mnozina dvojic, ale unarni predikat je mnozina prvku) :: 💡 tj.: char.fce je ORF
RSM A ⊆ ℕ ⇐ je-li def. oborem ČRF
:: 💡 také nazýváme jako unární RSP :: 💡 tj: A = dom ČRF f = {x | f(x)↓}
:: e-tá RSM
:: Pomocí , kde označíme konečnou aproximaci funkce , kterou definujeme následujícím způsobem:
::
ParseError: KaTeX parse error: Undefined control sequence: \mbox at position 100: …, x_n) \quad & \̲m̲b̲o̲x̲{pokud }(\exist…
:: **rekurzivní konečná aproximace **
{{lemma
| Predikát definovaný jako je PRP a platí, že:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 33: …. , x_n)↓⇔ (∃s)\̲[̲ φ_{e,s}(n) (x_…
. (v dk předpokladáme, že z Kleenovy věty je PRP a omezená kvantifikace je PR.) }}{{theorem
| RM jsou uzavřeny na sjednocení, průnik a operaci doplňku | RM - uzavřenost na ∪, ∩ a doplňek
}}
Dk ::
předpokládáme, že signum, součet, součin a opatrné odčítání 1 (predecessor) jsou PRF/ORF :
::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 9: A∪B=\{x|\̲[̲χ_a(x)∨χ_b(x)]\…
::ParseError: KaTeX parse error: Undefined control sequence: \[ at position 9: A∩B=\{x|\̲[̲sign(χ_a(x)+χ_b…
::ParseError: KaTeX parse error: Undefined control sequence: \[ at position 17: …overline A=\{x|\̲[̲1\dot{-}χ_a(x)]…
:: 💡 tj: Ten samý jako pri logických operacích pro PRP, jenomže pro unární ORP (rekurzivní množiny). Platí: χA ∩ B(x) = χA(x).χB(x), χP ∩ R(x) = sign(χA(x) + χB(x)), χA(x) = 1 −• χA(x).{{theorem
| Rekurzivně spočetné množiny jsou efektivně uzavřené na sjednocení a průnik, nikoliv na průnik. | RSM - uzavřenost na ∪, ∩ ale <u>NE na doplňek</u>
}}
Dk ::
:: A∪B - pustíme oba TS současně a když 1 skončí vstup patří do sjednocení :: A∩B - čekám na zastavení obou :: 💡 tj: Uvažme nejprve sjednocení a funkci f(x, y). Nechť e-tý program počítá následovně. Pro daný vstup x, y, u hledej nejmenší limit s, který již stačí, aby u patřilo do Wx,s nebo do Wy,s. Tedy φe(x, y, u) ≃ μs[u ∈ Wx,s ∨ u ∈ Wy,s]. Z vlastností konečných aproximací, vyplývá, že predikát použitý jako podmínka minimalizace je PRP. Platí tedy, že φe(x, y, u)↓ ⇔ u ∈ Wx ∪ Wy. Program s číslem e je konkrétní program, který sestrojíme s pomocí univerzální ČRF. Funkci f dostaneme pomocí s-m-n věty jako . Podobně můžeme postupovat i v případě průniku a funkce g, stačilo by místo disjunkce použít konjunkci.
{{theorem
| je RM i jsou RSM | Postova věta v kontextu množin
}}
Dk ::
:⇒ A je RM: A = dom μy[(λxy[1 ∸ χA(x)])≃0]
:: A' je RSM: A = dom μy[(λxy[χA(x)])≃0]
:⇐ paralelni beh obou char. funkci, jedna dobehne ::μs[x∈Wi,s ∨ x∈Wj,s]
Kódování uspořádaných dvojic, n-tic:
je kód uspořádané dvojice [x, y] daný:
je kód uspořádané n-tice daný:
je inverze pro výběr -tého prvku ze zakódované -tice
Lemma – Pro každé jsou funkce a PRF, a je bijekcí mezi a ( důkaz pro πn předpokládá, že omezená minimalizace a kvantifikace jsou PRF ).
{{theorem
| Predikát je RSP ⇔ ∃ PRP , že:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 25: …. , x_n) ⇔ (∃y)\̲[̲P (x_1, . . , x…
. | důsledek Kleeneho věty}} {{theorem
| je RSP ⇒
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 33: …)=(\exists y)\;\̲[̲P(x_1, \dots, x…
je RSP | RSP jsou uzavřeny na <u>∃ kvantifikátor</u>}}
Dk ::
:: Protože je RSP, můžeme jej zapsat podle důsledku Kleeneho jako
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 16: P(x, y) = (∃z) \̲[̲Q(x, y, z)]
, kde je PRP. Z toho plyne, žeParseError: KaTeX parse error: Undefined control sequence: \[ at position 17: …(x) = (∃y)(∃z) \̲[̲Q(x, y, z)]= (∃…
. :: Označíme-li si , pak je PRP, pro který platí, že . :: ⇒ podle důsledku Kleeneho: je RSP.{{theorem
| je RSP ⇒ ČRF (také výběrová funkce nebo selektor pro ), že a pokud , pak . | výběrová funkce
}} 💡 implementující na predikátu
Dk ::
:: Podle důsledku Kleeneho můžeme zapsat jako
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 15: R(x, y) = (∃z)\̲[̲Q(x, y, z)]
pro nějaký PRP . A tedy . Protože predikát je PRP(totální), dostaneme, že funkce . :: Nyní z nalezené hodnoty stačí vybrat , tedy 1. prvek, celkově tedy definujeme funkci jako .další zdroje
7. RM = ''rng'' rost. úsekové ČRF (🎓)
Rekurzivní množina jako obor hodnot rostoucí úsekové funkce.
je úseková fce, pokud její definiční obor tvoří počáteční úsek
{{theorem | A je RM je oborem hodnot nějaké rostoucí úsekové ČRF
| rostoucí úsekové ČRF }}
Dk (oběma směry - neformálně, <Řešené_otázky_NTIN090/RM_CRF>) ::
: Předpokládejme nejprve, že je RM. Zkonstruujeme rostoucí, úsekovou ČRF = "vrať -tý nejmenší prvek z ".
Začneme .
Dále
: Nyní předpokládejme, že , kde je rostoucí úsekovou ČRF.
Pokud není ORF, znamená to že má konečné (z def. úsekové fce), a tedy je konečná i samotná množina a je tedy triviálně rekurzivní.
Pokud je ORF je všude definovaná (totální): . Poslední ekvivalence platí, protože je rostoucí a úseková. Tedy
💡 Důsledek: Nechť je ∞ množina: je nějaké rostoucí ORF. (protože úsekové funkce s nekonečnou doménou musí být všude definované = totální)
RSM = ''rng'' ORF, či ČRF (🎓)
Rekurzivně spočetná množina jako obor hodnot obecně rekurzivní funkce, či částečně rekurzivní funkce. {{Zkazky|
Funckia f je CRF ⇔ jej graf je RSM
Na ustnej sa ma pytal (kedze som to tam nemal uplne jasne vysvetlene, hlavne ze preco je riesenie korektne v jednom ⇔ ak je v prevedenom) veci ohladne toho, ale dost ma navadzal a spolu s nim som to tam aj vymyslel.
mi prošla bez dotazů, jsou to dvě věty, tak nějak jsem nastínil i důkazy, jen na pár řádek, zřejmě mu stačilo vidět myšlenku
}}
{{theorem | Následující tvrzení jsou ekvivalentní:
A je RSM.
A je ∅, nebo je nějaké ORF
A je nějaké ČRF.
A je nějaké rostoucí ČRF.
| Generování RSM }}
Dk (neformální, <Řešené_otázky_NTIN090/GenRSM>) ::
Image:genRSM.jpg (konstrukce ORF co pro jakékoli vstupy vrací prvky z A):
::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 111: …{2,1}(μ⟨x, s⟩_2\̲[̲x ∈ W_{e,s}])\q…
.Každý prvek je tedy funkcí pro nějaký vstup vrácen, jenom nedokážeme odhadnout, pro jak velké . Dohromady dostáváme, že .
: Plyne z toho, že každá ORF je i ČRF. ∅ je oborem hodnot ČRF, která není definovaná pro žádný vstup.
(pomocí částečné aproximace vyrobíme z ČRF RSP => RSM): Předpokládejme, že je oborem hodnot ČRF .
:: Uvědomme si, že rozhodnutí, zda je RSP (plyne například z toho, že je PRP a tedy
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 17: …(y)↓ = x ⇔ (∃s)\̲[̲φe,s(y)↓= x]
je RSP, dále je tedy iParseError: KaTeX parse error: Undefined control sequence: \[ at position 5: (∃y)\̲[̲g(y)↓ = x]
RSP, a tedy množinaParseError: KaTeX parse error: Undefined control sequence: \[ at position 15: A = \{x | (∃y)\̲[̲g(y)↓ = x]\}
je RSM. Ze znalosti GČ funkce bychom opět s pomocí s-m-n věty mohli spočítat GČ funkce, jejíž doménou množina je. Pro úplnost totiž můžeme pastParseError: KaTeX parse error: Undefined control sequence: \[ at position 13: A = dom~ λx \̲[̲ μ⟨y, s⟩_2\[φ_{…
.(zkonstruujeme triviální rostoucí ČRF u které se =) : Předpokládejme, že , tedy . Buď fce definovaná jako:
::
ParseError: KaTeX parse error: Undefined control sequence: \mbox at position 55: …e \\ ↑ \quad & \̲m̲b̲o̲x̲{ jinak }\end{c…
.:: Funkce je zřejmě ČRF, například proto, že ji lze zapsat jako (tj. do nulové funkce vložíme jako argument, hodnota tedy na hodnote nezávisí, definovatelnost ano). Položme nyní , potom je jak oborem hodnot, tak definičním oborem funkce , funkce je rostoucí ČRF, jejíž GČ lze opět efektivně spočítat z .
: Toto je zřejmé. Implikaci už máme hotovou.
{{TODO}}
1=>3 :Pro každou množinu vytvoříme množinu dvojic . Množina je rekurzivně spočetná, tedy má ČRF selektor , :platí .
:Myšlenka toho důkazu je, že body, kde konverguje, vyneseme na diagonálu a vytvoříme selektor. Jeho definiční obor bude zárověň jeho oborem hodnot.
1<=3 :Máme ČRF a její obor hodnot. Zkonstruujeme pseudoinverzní funkci k ČRF , tj. funkci takovou, že a to tak, že vyrobíme RS :predikát a to má ČRF selektor, který hledáme -- .
≤<sub>1</sub>, ≤<sub>m</sub> a jejich vlastnosti, ''K'' a ''K<sub>0</sub>'' 1-úplné, RSM a ¬RM.
1-převoditelnost, m-převoditelnost a jejich vlastnosti, 1-úplnost množin K a K0. Množiny K a K0 jsou rekurzivně spočetné, ale nejsou rekurzivní.
(množina je -převoditelná na ) pokud ∃ ORF , tž:
(množina je -převoditelná na ) je-li navíc prostá
množina je -úplná (resp. -úplná) pro třídu RSM pokud: je RSM a ∀ jiná RSM je na ni -převoditelná (resp. -převoditelná).
:: 💡 budeme říkat pouze je -úplná nebo -úplná, dodatek „pro třídu RSM“ budeme vynechávat, protože jinými než RM a RSM se nebudeme zabývat.
9.1 vlastnosti ≤<sub>1</sub>, ≤<sub>m</sub>
a RM RM :: 💡 a není RM není RM (protože: ) :: Dk: Je-li RM a je ORF převádějící na , pak a tedy . je jistě ORF a tedy je RM.
a RSM RSM :: 💡 a není RSM není RSM :: Dk: Je-li RSM a platí-li a je-li ORF, která převádí na , pak
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 11: A = dom λx\̲[̲φe(f(x))]
a jde tedy o RSM.a (relace) jsou reflexivní a tranzitivní :: Dk: To, že jsou a reflexivní relace plyne z toho, že identita je prostá ORF. Předpokládejme, že a , nechť je prostá ORF převádějící na a buď prostá ORF převádějící na . Pak je prostá ORF která převádí na , což ukazuje, že je tranzitivní. Pro platí týž argument s vynecháním prostoty.
-úplná & RSM & je -úplná :: 💡 platí pro 1-převoditelnost a 1-úplnost :: Dk: Toto plyne okamžitě z tranzitivity , a definice úplnosti.
:: 💡 platí pro 1-převoditelnost a 1-úplnost :: Dk: Plyne přímo z definice převoditelnosti, převod na zajistí stejná funkce jako převod na .
Problém zastavení K<sub>0</sub> a jeho diagonála K
:: - problém zastavení :: - diagonála
💡
{{theorem | a jsou RSM, ale nejsou RM
| , RSM RM }}
Dk (sporem jako u TS) ::
:: Z definice jsou obě RSM. Nechť označuje univerzální ČRF. ::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 11: K = dom λx\̲[̲φ_z(x, x)]
. Pro spor je RM ⇒ je RSM. :: Nechť je ČRF, pro níž a ptejme se, zda nebo ne: :: Z def. ⇒ :: ⇒ :: ⇒ ⇒ SPOR ⇒ tedy není RM. ::ParseError: KaTeX parse error: Undefined control sequence: \[ at position 20: …= dom λ⟨x, y⟩_2\̲[̲φ_z(x, y)]
. Pro spor je RM a je její char. ORF: :: Definujeme ⇒ char. ORF ⇒ SPOR s tím že není RM. ⇒ tedy není RM.{{theorem
| Množiny a jsou 1-úplné. | 1-úplnost ,
}}
Dk ::
:: je -úplná: je RSM, stačí tedy ukázat, že libovolnou RSM lze na převést prostou ORF. :: Definujme funkci . Podle s-m-n věty . Definujme tedy funkci . Protože je prostá PRF, je i prostá PRF. Navíc platí, že je buď všude definovaná konstantní funkce, pokud , nebo jde o funkci, která není definovaná pro žádný vstup v případě, že , platí tedy, že: ::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 25: … φ_e(x)↓ ⇒ (∀y)\̲[̲φ_{e1} (e, x, y…
::ParseError: KaTeX parse error: Undefined control sequence: \[ at position 29: … φ_e(x)↑ ⇒ (∀y)\̲[̲φ_{e1} (e, x, y…
:: Dohromady dostaneme požadovanou ekvivalenci , a z toho plyne, že funkce definovaná jako , je prostá ORF, která převádí množinu na . Protože byla libovolná množina, dostáváme, žeParseError: KaTeX parse error: Undefined control sequence: \[ at position 5: (∀e)\̲[̲W_e ≤_1 K]
, a je tedy -úplná množina. :: je RSM (podle vlastností převoditelnosti). Ve větě nahoru jsme ukázali i to, že pomocí prosté ORF . Těžkost množiny tedy plyne z tranzitivity -převoditelnosti.Riceova v. - dk převoditelnost
Riceova věta - důkaz pomocí převoditelnosti. {{theorem
| třída ČRF,
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 3: A_\̲c̲a̲l̲ ̲C = \{e | \varp…
je RM ⇔ nebo obsahuje všechny ČRF | Rice}}
💡
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 3: A_\̲c̲a̲l̲ ̲C
je mnozina indexu (Gödel.č.) funkci z třídyDk (pomocí převoditelnosti) ::
:: předpokládejme že NEní ∅ a NEobsahuje všechny ČRF :: ukážeme sporem že
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 9: K ≤_1 A_\̲c̲a̲l̲ ̲C
:: je GČ fce nedefinové pro žádný vstup a :: je GČ fce a ::ParseError: KaTeX parse error: Undefined control sequence: \cases at position 26: …_2}(x, y)\simeq\̲c̲a̲s̲e̲s̲{ \varphi_{e_1}…
x\in KParseError: KaTeX parse error: Undefined control sequence: \cr at position 1: \̲c̲r̲ ̲\uparrow }
:: ::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 52: …∈ C ⇒ f(x) ∈ A_\̲c̲a̲l̲ ̲C
::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 53: …∉ C ⇒ f(x)∉ A_\̲c̲a̲l̲ ̲C
:: tedyVoR a důsledky (🎓)
Věta o rekurzi a její jednoduché důsledky (ne Riceova věta) {{Zkazky|
Věty o rekurzi, došlo i na tu obligátní otázku, jestli počítá rychleji f(a) nebo a, od ní jsme se dostali až k Riceově větě a okrajově i k důkazu nerozhodnutelnosti halting problému
Věta o rekurzi a její aplikace. Zkoušejícího zajímalo znění, důkaz (preferoval ten přes s-m-n větu, ale spokojil se i s diagonalizačním), aplikace (Riceova věta a její znění, existence množin jako s důkazem).
Věty o rekurzi, Riceova věta - Napsal jsem základní větu, generování pevných bod a větu o rekurzi v závislosti na parametrech (vše samozřejmě s těmi jednoduchými důkazy). Napsal jsem Riceovu větu a její důkaz plynoucí ze základní věty o rekurzi. Ptal se mě odkud plynou důkazy, odpovědel jsem, že z Kleeneho věty a s.m.n. Pak se ještě ptal na trochu jinou verzi "Věty o programu co vypíše sám sebe", tam jsem trochu tápal, ale intuitivně jsem věděl (tu větu jsem znal, bohužel jsem ji neuvedl).
}}
{{theorem | ∀ ORF ∃ :
| VoR }}
:: 💡 ∀ ORF transformacni funkci algoritmu f ∃ n tak že oba TS počítají stejnou fci (mají stejný algoritmus) :: 💡 n se říká pevný bod f
Dk (přes s-m-n větu) ::
:: Nechť je číslem funkce, pro kterou platí tuto funkci bychom snadno odvodili pomocí univerzální ČRF.
:: Nechť je Gödelovým číslem funkce , podle s-m-n věty tedy platí, že
:: Protože je PRF (podle s-m-n), je a platí, že je tedy hledaným pevným bodem .
{{TODO|doplnit poznámky}}
Důsledky VoR
{{theorem | ∃ prostá PRF , která ke GČ funkce určí její pevný bod
| 💡 }}
{{theorem | ∀ ORF má ∞ pevných bodů
| 💡 }}
{{theorem | ∃ , pro nějž:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 9: φ_n ≃ λx\̲[̲n]
| 💡 }}
Dk ::
Nechť je Gödelovo číslo funkce definované jako
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 21: …(2)}(x, y) ≃ μz\̲[̲x = y]
(💡 tedy ⇔ ). Použijeme s-m-n větu a definujeme-li , dostaneme, že a tedy . Funkce je ORF (podle s-m-n), a tak podle VoR: , a tak .Podobně, nechť je GČ funkce definované jako . Pomocí s-m-n věty definujeme-li , dostaneme a s použitím VoR nalezneme , pro něž je .
{{theorem
| je ORF prostá ORF taková, že | VoR s parametry
}}
Riceova v. - dk s VoR (🎓)
{{theorem | třída ČRF,
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 3: A_\̲c̲a̲l̲ ̲C = \{e | \varp…
je RM ⇔ nebo obsahuje všechny ČRF| Rice }}
Dk (sporem) ::
:: předpokládejme že NEní ∅ a NEobsahuje všechny ČRF :: předpokládejme sporem že
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 3: A_\̲c̲a̲l̲ ̲C
je rekurzivní :: definujme si fci : ::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 18: …x) = a ~~ x∉ A_\̲c̲a̲l̲ ̲C
::
ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 18: …x) = b ~~ x∈ A_\̲c̲a̲l̲ ̲C
:: je ORF ::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 5: a∈A_\̲c̲a̲l̲ ̲C
::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 6: b∉ A_\̲c̲a̲l̲ ̲C
:: je pevný bod a ::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 20: …\cal C ⇒ n ∈ A_\̲c̲a̲l̲ ̲C ⇒ f(n)=b ⇒ f(…
::ParseError: KaTeX parse error: Got function '\cal' with no arguments as subscript at position 20: …\cal C ⇒ n ∈ A_\̲c̲a̲l̲ ̲C ⇒ f(n)=a ⇒ f(…
:: ⇒ sporSložitost
(Complexity)
Def. základních tříd složitosti. Definice třídy NP pomocí cert. a NTS a jejich ekvivalence. ≤<sup>p</sup><sub>m</sub>, NPC a jejich vlastnosti (🎓)
Definice základních tříd složitosti. Definice třídy NP pomocí certifikátů a nedeterministických strojů a jejich ekvivalence. Polynomiální převoditelnost a úplnost a jejich vlastnosti
Definice základních tříd složitosti
typy problémů:
odpověď typu ano/ne - rozhodovací problém (jestli vstup patří do binární relace )
vstup - instance problému
úloha - pro daný vstup x nalézt y co splňuje požadovanou vlastnost (jestli oba patří do binární relace )
třídy jazyků a relací (tj. problémů a úloh) ::
💡 libovolná fce
, jazyk ∃ TS co pracuje v čase .
, jazyk ∃ TS co pracuje v prostoru .
, relace ∃ TS co pracuje v čase , přijme ⇔ ∃ slovo : a na konci páska obsahuje :: 💡 Lze to také říci tak, že selektor pro predikát R je funkce spočitatelná v polynomiálním čase.
{{lemma|}}
Definice třídy NP
Třídy polynomiálních jazyků, relací:
- problémy rozhodnutelné v polynomiálním čase
- problémy rozhodnutelné v polynomiálním prostoru
- úlohy řešitelné v polynomiálním čase
Třída polynomiálně ověřitelných úloh ( - nedeterministicky polynomiální, - funkce, úlohy řešitelné nedeterministickým Turingovým strojem v polynomiálním čase)
Relace ⇐ ∃ polynom : že je a ověření zda lze v polynomiálním čase.
Třída polynomiálně ověřitelných problémů (nedeterministicky polynomiální)
def. pomocí certifikátů: Jazyk ⇐ ∃ polynom a jazyk a pokud platí:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 41: …exists y)\;\Big\̲[̲|y|\leq p(|x|)\…
:: 💡 ⇐ ∃ polynomiální algoritmus (daný jazykem ), že polynomiálně dlouhý certifikát dosvědčuje fakt . Je opět nutné uvažovat pouze polynomiálně dlouhé certifikáty, neboť složitost ověřování se měří vzhledem k délce i certifikátu . :: 💡 obecně platí P ⊆ NP, protože pokud umíme problém řešit polyn. nepotřebujeme certifikátdef. pomocí NTS:
::💡 NTS , kde .
třídy jazyků a relací (tj. problémů a úloh) ::
:: 💡 libovolná fce :: , jazyk ∃ NTS co pracuje v čase . :: , jazyk ∃ NTS co pracuje v prostoru .
{{theorem
| | ekvivalence definic NP
}}
Dk (přes oba směry implikace) ::
:: → : Předpokládejme nejprve, že L ∈ NP, to znamená, že ∃ polynom p a jazyk B ∈ P, pro které platí, že x ∈ L právě když existuje y, |y| ≤ p(|x|), pro které (x, y) ∈ B. NTS M’ , který bude přijímat L, bude pracovat ve dvou fázích. V první fázi zapíše na vstupní pásku za slovo x slovo y, tato fáze je nedeterministická a pro každé slovo y, takové že|y| ≤ p(|x|) existuje výpočet M’, který jej napíše. Na zápis y stačí čas p(|x|). Ve druhé fázi bude M’ simulovat práci TS M, který rozpoznává jazyk B, na vstupu (x, y), přičemž přijme, pokud (x, y) ∈ B. Zřejmě L = L(M) a M pracuje v polynomiálním čase. :: ← : Nyní předpokládejme, že L ∈ ∪i∈N NTIME(ni). To znamená, že x ∈ L právě když existuje polynomiálně dlouhý výpočet nedeterministického Turingova stroje M, kde L = L(M), jenž x přijme. V každém kroku tohoto výpočtu vybírá M z několika možných instrukcí, nechť řetězec y kóduje právě to, které instrukce byly v každém kroku vybrány. Řetězec y má délku nejvýš p(|x|) pro nějaký polynom p, protože M pracuje v polynomiálním čase a možností jak pokračovat z dané konfigurace podle přechodové funkce je jen konstantně mnoho. Simulací M s použitím instrukcí daných dle y můžeme deterministicky ověřit, zda y kóduje přijímající výpočet. Řetězec y tedy může sloužit jako polynomiálně dlouhý certifikát kladné odpovědi.
Polynomiální převoditelnost, úplnost a jejich vlastnosti.
{{multiple image |align = tright
|direction = horizontal
| image1 = Redukce.jpg | width1 = 331
| caption1 = Ilustrace polynomiálního převodu/redukce z jazyka na jazyk pomocí redukční fce . Pro vstup má otázka zda stejnou odpověď jako otázka zda . 💡 myslím že je vidět proč se mu říká někdy redukce( NENÍ prostá)
| image2 = Nphard.png | width2 = 223
| caption2 = -těžkost }}
(jazyk polynomiálně převoditelný/redukovatelný na ) pokud ∃ f: {0,1}→{0, 1} spočitatelná v polynomiálním čase a platí:
vlastnosti:
je reflexivní a tranzitivní. :: Dk: Reflexivita plyne z toho, že identita je funkce spočitatelná v polynomiálním čase. Tranzitivita plyne z toho, že složením dvou polynomů vznikne opět polynom, přesněji, je-li f funkce převádějící jazyk A na jazyk B, tedy A ≤mp B s použitím f, a g je funkce převádějící jazyk B na jazyk C, tedy B ≤mp C s použitím g, pak g ◦ f převádí A na C, jsou-li f i g spočitatelné v polynomiálním čase, lze totéž říci i o g ◦ f, tedy A ≤mp C s použitím g ◦ f.
a ⇒ :: Dk: Je-li B ∈ P, pak existuje Turingův stroj M, který přijímá B v polynomiálním čase. Je-li f funkce, která převádí A na B, a je-li f spočitatelná v polynomiálním čase, pak TS M’, který pro vstup x spočítá f(x) a poté pustí M k rozhodnutí, zda f(x) ∈ B, přijímá A v polynomiálním čase.
a ⇒ :: Dk: Platí z téhož důvodu jako { 2. }, protože tytéž argumenty lze použít i pro NTS.
Image:800px-P%20np%20np-complete%20np-hard.svg.jpg
Jazyk -hard (NP-těžký) ⇐ ∀ jazyk : .
Jazyk (NP-Complete, NP-úplný) ⇐ a -hard.
:: 💡 problem je T-uplny, pokud patri do T a je T-silny, tedy kazdy problem v T se da na problem prevest v poly case
{{theorem
| A, B ∈ NP, je NP-úplný ⇒ B je NP-úplný |
}}
Dk ::
:: Tvrzení plyne přímo z tranzitivity relace zaručené vlastnostami polynomiální převoditelnosti a definice NP-úplného problému.
Definice (existence certifikátu – CERT, rozhodovací problém):
Instance : Řetězec w kódující DTS M, řetězec x a řetězec 1ᵗ pro nějaké t ∈ N.
Otázka : Existuje řetězec y s
|
y|
≤ t, pro který platí, že M(x, y) přijme v t krocích?
{{theorem
| Problém CERT je NP-úplný. | NP-úplnost CERT
}}
<br style="clear: both">
Savičova věta.
{{Zkazky|
Státnice: Napsal jsem vetu, myslenku dukazu (sestrojime turingac, simulujeme vsechny vetve, recyklujeme + pamatujeme stavy...) v pohode stacilo, zeptal se me jeste na par otazek a o.k.
Státnice(I1): Trochu predbehnu - v prubehu zkouseni jsem se zeptal, zda je na pruchod touto otazkou nutno umet vetu dokazat. Odpoved:ano, idea dukazu nestaci. V mych materialech, jsem mel zneni nepresne [s rovnitkem namisto podmnozinitka mezi NSPACE a DSPACE. Rovnost je az ve vztahu NPSPACE a PSPACE]. Trval jsem na rovnitku s tim, ze jedna implikace je trivialni, [PK] si nebyl jisty, ze to takto plati a rekl at teda prejdu rovnou k te druhe implikaci(soudim, ze pro me to byly body dolu). Dukaz jsem delal na eng.Wikipedii. Nejprve jsem [spatne] zapsal algoritmus tak, ze snizoval delku cesty jen o 1 vrchol v kazdem zanoreni. [PK] nerekl co je spatne, ale chtel hned zanalyzovat prostorovou slozitost. Podrobne az na uroven zda se nacitani vstupu pocita nebo ne. Zde vyplynulo, "ze je neco spatne je" (napr. uz jen proto, ze pokud jen odecitam jednicku, nemusim pouzivat tento algoritmus, ale mohu proste prohledavat stavy do hloubky). V predpokladech jsem mel blbe "f nalezi o(log(n))" namisto "f nalezi male ci velke omega(log(n))". Nevzpominam si presne, ale rozdil (pro "o" vs. "omegy") byl v tom, ze jeden dovoluje prostor potrebny pro vstup stroje predpokladat "zadarmo" u druheho jej musim zapocitat do prost.slozitosti. Nahradil jsem odecitani jednicky pulenim intervalu a spolecne jsme uvarili prostorovou slozitost. Doplnujici otazky: def. prostorove konstruovatelna fce, ktere fce jsou prostorove konstruovatelne - ve smyslu je jich dostatecne (k rozumnemu analyzovani algoritmu)? Mj. jsem povedel, ze "problem maji ty vydatne sublinearni" s cimz [PK] nesouhlasil (log(n) je prostorove konstruovatelna - ale loglog(n) uz ne). Obecne [PK] jde do velkych detailu, zustava mily, dava prostor. Tato otazka byla nejspis za 3. U tohoto zkousejiciho velmi doporucuju pripravit si otazku na papir a precizne, nez povidat spatra o coz jsem se pokousel.
}}
{{:Řešené_otázky_NTIN090/Savitch_Sandbox}}
Cook-Levin - KACHL ∈ NPC (🎓)
{{Zkazky|
NP-uplnost (meno neviem, inicialy ML) Zacal som definiciou Turingovho stoja a postupne som definoval vsetko az po NP-uplnost, dokazal kachlikovani, prave ked som pisal prevod KACHL->SAT tak prisiel skusajuci, pozrel sa na to vsetko a povedal ze to staci.
Král: NP, NP-úplnost, příklady... Trochu jsem se zamotal do toho, jestli je třeba, aby se NTS zastavil po polynomiálním počtu kroků (v první chvíli jsem myslel, že ne a že když to bude třeba, tak že , ale to je blbost - třeba to sice není, ale pokud tak tu definici dáme, tak se nic nezmění). Byl hodný.
Matoušek - NP-úplnost - Přesná formální definice - rozhodovací problém, jazyk problému, NTS pro rozhodovací problém, složitost výpočtu NTS, NP. Převoditelnost aritmetických funkcí, problémů, NP-těžkost, NP-úplnost. Příklady problémů. Vztahy P, NP, NPC (obrázek s podmnožinami, je NPC doplněk k P v NP?). Alternativní definice NP přes ověřování řešení. Jak popsat NP, NPC laikovi.
NP-úplné problémy - Definoval jsem nedeterministický Turingův stroj, třídu NTIME, NP-úplnost a dokázal převod obecného NTS počítajícího nějaký NP problém na KACHL (Cook-Levinova věta). Na závěr jsem zmínil, že ještě existují další NP-úplné problémy např. SAT, Batoh, Obchodní cestující atd. Žádné další převody jsem nespecifikoval. Tato odpověď byla přijata bez jediné otázky.
Definoval jsem jazyk, problem, NP, prevody, NP-uplnost a strucne predvedl dukaz cook levina. Zkousejiciho opet neznam, ptal se jen na to jake dalsi NP-uplne problemy, jinak byl spokojen
Čepek (příseděl Koubek a Dvořák) - Úplné problémy pro třídu NP, Cook-Levinova věta. - Člověk by řekl, že jednoduchá otázka, ale kurevsky mi zatopila, neb jsem nebyl schopen dát do kupy přesnou definici NP a převoditelnosti pomocí TS (a Čepek 5 minut před tím jednoho kolegu vyhodil, neb neznal definici). Naštěstí mě několikrát nakopli a tak jsme nakonec došli k tomu, co to teda je NP-úplný problém. C-L větu + důkaz převodem na kachlíkování jsem uměl, což Čepka evidetně potěšilo, takže nakonec v pohodě.
definice NP, prevoditelnost, NPC, prevod na kachlikovani a na SAT
Koubek: definoval jsem NP, NPC, atd., dokazal vetu kachlikovanim. Pak se me ptal co znamena pojem uplnosti obecne a naky jeho zneni nebo dusledek Cook-Levinovy vety (neco jako ze kdyz bych umel polynomialne resit NPC problem, tak uz vsechny NP problemy jdou resit polynomialne). Pak chtel co je PSPACE uplnost a nakej priklad (obecna booleovska formule). SAT ve zneni s KNF se mu uplne nelibil, prej se vetsinou definuje obecne. Kdyz mu prisedici Majerech rikal, ze jak jsem ho definoval se to u nas vetsinou dela, tak se Koubek mracil :)
Hladík - Úplné problémy pro třídu NP + Cook Levinova věta. - Definice (od TS až k NPÚ), Důkaz Cook Levinovy věty (KACHL + převod na SAT), vyjmenovat problémy co byly na přednášce (zadání, otázka), ukázat převod SAT na KLIKA.
NP-úplné problémy (Klazar) - Dal jsem do kupy důkaz úplnosti kachlíkování, pár převodů, ani mi je nenechal všechny přeříkat. Nakonec se zeptal, kam patří PRIMES (rozhodnout, zda něco je prvočíslo) - bez důkazu
}}
Kachlíkování (KACHL, anglicky Tiling)
Instance: Množina barev B, přirozené číslo s, čtvercová síť S velikosti s x s, hrany jejíchž krajních políček jsou obarveny barvami z B. Dále je součástí instance množina K⊆BxBxBxB s typy kachlíků, které odpovídají čtverci, jehož hrany jsou obarveny barvami z B. Tyto kachlíky mají přesně definovaný horní, dolní, levý i pravý okraj a není možné je otáčet.
Otázka: Existuje přípustné vykachlíkování čtvercové sítě S kachlíky z množiny K? Přípustné vykachlíkování je takové přiřazení typů kachklíků jednotlivým polím čtvercové sítě S, v němž kachlíky, které spolu sousedí mají touž barvu na vzájemně dotýkajících se hranách a kachlíky, které se dotýkají strany S, mají shodnou barvu s okrajem. Jednotlivé typy kachlíků lze použít víckrát.
{{theorem
| KACHL je NP-úplný problém. | Cook-Levin
}} 💡 neboli splnitelnost SAT je NP-úplná (tedy je nutne prevest KACHL na SAT ale to neni nutne dokazovat)
Dk ::
:: DTS->kachl; barva pro vsechny symboly * vsechny stavy; specialni barva pro posun hlavy vlevo/vpravo :: spodni okraj vstupni paska, obarveni vystupniho okraje je vystupni paska :: alt.: existuje vykachlikovani?
Dk(Myšlenka důkazu) ::
Kachl je v NP (jistě jde verifikovat v polynomiálním čase)
Kachl je NP těžký
Vezměme libovolný problém z NP, pak jeho nedeterministický turingáč řeší, jestli (zda řetězec patří do jazyka , neboli zda jeho nedeterministický turingáč přijme daný vstup ) v polynomiálním čase polynomu
Zkonstruujeme síť , zkonstruujeme vhodné kachličky (7 druhů) a obarvení (barvy jsou z množiny tak, aby
Každý krok výpočtu NTS kódoval jeden vykachličkovaný řádek. NTS pracuje "paralelne" (existuje vice zpusobu vypoctu), takze si muzeme predstavit strom vypoctu, kde vetveni zajistuje prechodova funkce. Simulovat NTS pomoci deterministickeho TS zvladneme prochazenim tohoto stromu do sirky (nikoli do hloubky!)
Každý řádek popisoval jeden krok výpočtu NTS
Tím jsme nalezli NP-úplný problém
{{TODO|}}
Dk(NTS → KACHL) ::
Všimněme si nejprve, že . To plyne z toho, že dostaneme-li vykachlíkování sítě , tedy přiřazení typů kachlíků jednotlivým políčkům, dokážeme ověřit v polynomiálním čase, jde-li o přípustné vykachlíkování. Ve skutečnosti úloha nalezení správného vykachlíkování je polynomiálně ověřitelná a patří tedy do NPF, proto její rozhodovací verze patří do NP. Nechť je libovolný problém, který patří do NP, ukážeme, že . Podle definice NP-úplného problému to bude znamenat, že je NP-těžký, a protože patří do NP, tak i NP-úplný problém. To, že znamená, že existuje NTS , který přijímá (tj. ), a počet kroků každého přijímajícího výpočtu je omezen polynomem , bez újmy na obecnosti můžeme předpokládat, že , v opačném případě by M nepřečetl ani celý svůj vstup a pokud by platilo, že , stačí vzít místo . Připomeňme si, že podle definice , právě když existuje přijímající výpočet NTS M nad vstupem x, který má délku nejvýš . Nechť , kde obsahuje stavy a a . Abychom si zjednodušili situaci, budeme předpokládat, že splňuje následující předpoklady:
, tj. má jediný přijímající stav různý od .
Pro každé je , tj. z přijímajícího stavu neexistuje definovaný přechod.
V počáteční konfiguraci hlava stojí na nejlevějším symbolu vstupního slova , které je zapsáno počínaje od levého okraje vymezeného prostoru délky . Zbytek pásky je prázdný.
Během výpočtu se hlava nepohne nalevo od místa, kde byla v počáteční konfiguraci.
Přijímající konfigurace je daná jednoznačně a vypadá tak, že páska je prázdná a hlava stojí na nejlevější pozici vymezeného prostoru. To odpovídá tomu, že než se rozhodne přijmout, smaže nejprve obsah pásky a přesune hlavu k levému okraji vymezeného prostoru.
Není těžké ukázat, že ke každému NTS lze zkonstruovat NTS , který přijímá týž jazyk jako , „dělá totéž“ a splňuje uvedené podmínky . Většinu zmíněných předpokladů jsme již dříve použili, například při konstrukci univerzálního TS. Bez újmy na obecnosti tedy můžeme předpokládat, že splňuje uvedené podmínky. Nechť je instance problému , popíšeme, jak z , polynomu a instance vytvořit instanci Kachlíkování, pro kterou bude platit, že v ní existuje přípustné vykachlíkování, právě když existuje přijímající výpočet , tj. přijme. Idea důkazu je taková, že hrany barev mezi dvěma řádky kachlíků budou kódovat konfigurace výpočtu NTS nad vstupem . Vhodným výběrem kachlíků zabezpečíme, že v přípustném vykachlíkování bude řada kachlíků simulovat změnu konfigurace na následující pomocí přechodové funkce. Položíme tedy . Zatímco vstupní abecedou stroje je jen , neboť musí být binární řetězec, pracovní abecedu stroje nijak neomezujeme, a proto zde používáme obecnou abecedu , přičemž předpokládáme, že .
Kachl0.png does not exist. Create it?{: alt="Kachl0.png"} vypocet.jpg does not exist. Create it?{: alt="vypocet.jpg"} Kachl.png does not exist. Create it?{: alt="Kachl.png"}
Přehled převodu obecného problému na problém . Horní hrana čtvercové sítě je obarvena počáteční konfigurací, spodní hrana přijímající konfigurací, boky jsou obarveny symbolem . Pro ukázku je zde řádek kachlíků s provedením instrukce , dva kachlíky slouží k provedení instrukce, na ostatních místech je jen kopírovací kachlík pro okopírování barev na další řádek. Po ukončení výpočtu je dokopírována přijímající konfigurace až ke spodní hraně čtvercové sítě.
NP-úplnost SAT (z KACHL)
Image:Npc.jpg
:: Literál je buď proměnná nebo její negace. :: Pozitivní literál je každá proměnná . :: Negativní literál je každá negace proměnnej . :: Klauzule je disjunkcí literálů, která neobsahuje dva literály s touž proměnnou . :: Formule je v konjunktivně normální formě (KNF), pokud je konjunkcí klauzulí . :: Je-li formulí na n proměnných a , pak značí hodnotu v ohodnocení .
Splnitelnost formule v KNF (SAT)
Instance: Formule na proměnných v KNF
Otázka: ∃ ohodnocení, pro které je splněná?
Důkaz transformací KACHL ∝ SAT: pomocí proměnných , kde , pokud na pozici
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 1: \̲[̲i,j]
se nachází kachlík typu . Jednotlivé klauzule se vytvoří tak, aby zaručovaly, že na každé pozici je právě jeden kachlík, že kachlíky navazují horizontálně, vertikálně i na kraje stěny.{{theorem
| SAT je NP-úplný problém | NP-úplnost SAT
}}
Dk() ::
To, že patří do NP, plyne z toho, že pokud dostaneme vektor , můžeme spočítat hodnotu φ(t) v polynomiálním čase. Certifikátem kladné odpovědi je tedy splňující ohodnocení. Toto ohodnocení je ve skutečnosti řešením úlohy splnitelnosti, v níž chceme splňující ohodnocení nalézt a ne jen zjistit, zda existuje, tato úloha tedy patří do NPF.
Dk( - neformální konstrukce SAT ze KACHL, <Řešené_otázky_NTIN090/KACHL_SAT>) ::
:: pomocí proměnných , kde , pokud na pozici
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 1: \̲[̲i,j]
se nachází kachlík typu . Jednotlivé klauzule se vytvoří tak, aby zaručovaly, že na každé pozici je právě jeden kachlík, že kachlíky navazují horizontálně, vertikálně i na kraje stěny:Políčku
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, j]
přiřadíme !1 typ kachlíku: :: pro . :: PolíčkuParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, j]
přiřazen alespoň 1 typ kachlíku: :: :: PolíčkuParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, j]
přiřazen nejvýš 1 typ kachlíku: ::Nad sebou umístěným políčkům
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, j]
aParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲(i + 1), j]
nejsou přiřazeny nekompatibilní typy kachlíků: :: pro . :: Vedle sebe umístěným políčkůmParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, j]
aParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲i, (j + 1)]
nejsou přiřazeny nekompatibilní typy kachlíků: :: pro , .podmínky pro stěny: :: Definujeme:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 19: … = ∧_{j = 1}^s \̲[̲ ∨_{k ∈ U_j} (x…
. Formule je splněna, pokud je na každém políčku v prvním řádku kachlík s barvou shodnou s příslušným horním okrajem. :: Definujeme:ParseError: KaTeX parse error: Undefined control sequence: \[ at position 19: … = ∧_{j = 1}^s \̲[̲ ∨_{k ∈ B_j} (x…
. Formule je splněna, pokud je na každém políčku v nejspodnějším řádku kachlík s barvou shodnou s příslušným spodním okrajem. :: Definujeme:ParseError: KaTeX parse error: Undefined control sequence: \[ at position 19: … = ∧_{j = 1}^s \̲[̲ ∨_{k ∈ L_i} (x…
. Formule je splněna, pokud je na každém políčku v nejlevějším sloupci kachlík s barvou shodnou s příslušným levým okrajem. :: Definujeme: . Formule je splněna, pokud je na každém políčku v nejlevějším sloupci kachlík s barvou shodnou s příslušným levým okrajem.
S pomocí výše definovaných formulí nyní definujeme formuli jako: ::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 5: φ = \̲[̲∧_{i = 1}^s ∧_{…
.Z konstrukce okamžitě vyplývá, že je formule v KNF a že velikost je polynomiální v s a , a v polynomiálním čase lze i zkonstruovat.
{{Zdroje|
http://ktiml.mff.cuni.cz/~kucerap/NTIN090/NTIN090-poznamky.pdf
http://oai.cwi.nl/oai/asset/1834/1834A.pdf
}}
NP-úplnost 3-SAT (z SAT)
Image:Satisfiability-L.gif
Image:Satisfiability-R.gif Kubická CNF (vždy jen 3 proměnné v jedné disjunkci) na Booleovských proměnných. Existuje pravdivostní ohodnocení proměnných, které splňuje formuli ?
Splnitelnost formule v 3KNF (3SAT)
Instance: Formule φ na n proměnných v 3KNF, tj. KNF, v níž každá klauzule obsahuje !3 literály.
Otázka: ∃ ohodnocení, pro které je φ splněná?
{{theorem
| SAT je NP-úplný problém. | NP-úplnost SAT
}} :💡 3SAT není náhodní problém, analogicky definován 2SAT je již polynomiálně řešitelný
Dk ( ) ::
:: Problém 3SAT je jen zvláštním případem problému SAT a z téhož důvodu jako v případě problému SAT, patří i 3SAT do třídy NP.
Dk ( ) ::
:: konstrukce 3SAT z SAT fle (kde klauzule ) :: SAT klauzule se transformují na 3SAT případně doplní novými proměnnými nastavenými tak aby neovlivňovaly výsledek: :: ( k = 1 ) :: - nové proměnné, které se nevyskytují v ψ :: ( k = 2 ) . :: ( k = 3 ) :: ( k > 3 ) . :: Formule 3SAT : a lze ji i v polynomiálním čase zkonstruovat. :: SAT splnitelná ⇔ 3SAT splnitelná (z konstrukce).
{{TODO|doplnit dukaz ekvivalence - u zkousky se vyzaduje}} <br style="clear:both;">
NP-úplnost VP (z 3-SAT)
Image:ZSV%201416994785854209736.png Image:ZSV%204921028494756709267.jpg
Vrcholové pokrytí (VP - Vertex Cover)
Instance: Graf a přirozené číslo
Otázka: , a z každé hrany obsahuje alespoň jeden vrchol?
{{theorem | je NP-úplný problém.
| }}
Dk () ::
:: pro danou množinu dokážeme ověřit v polynomiálním čase, jde-li o VP správné velikosti
Dk ( - ) ::
:: 3SAT: s proměnnými :: Konstrukce grafu skrz pospojování podgrafů: :: def.podgraf : - VP musí použít vždy aspoň 1 vrchol :: : def.trojůhelník : - VP musí použít vždy aspoň 2 vrcholy :: podgrafy pospojujeme podle formule
Vp.png does not exist. Create it?{: alt="Vp.png"}
:: má splnitelná :: :: VP pokrývá vždy 2 vrcholy z , ex. 1 co není v => odp vrchol v musí být v => odpovídajicí proměnná v musí být true :: do patří ohodnocené ( vrcholů) :: mezi vrcholy z musí být aspoň 1 pokrytý vrcholem z :: ⇒ do přidáme ty ostatní 2
<br style="clear:both;">
NP-úplnost 3DM (z SAT)
{{:Řešené_otázky_NTIN090/3DM2SAT_Sandbox}}
<br style="clear:both;">
LOUP ∈ NPC (z 3DM)
{{Zkazky|
Ten převod jsem napsal na 5 stránek (ale mám velké písmo), s tím že některé věci jsem vůbec nerozepisoval, a PK si to prohlídnul (na 5. stranu ani nekouk) a že dobrý, a že mu nemusíme psát romány, že stačí stručně, aby viděl, že to umíme, a že se případně dozeptá. No - jak je koho ctěná libost, ale když toho napíšete hodně, tak se asi na nic už dozeptávat nebude, takže pokud budete mít něco obsáhlého (jako jsem měl já) a napíšete všechno co víte a šikovně vynecháte to co nevíte, tak už toho co víte bude tolik, že na to co nevíte se vás nejspíš už nikdo ptát nebude (teda pokud to nebude něco zásadního - ale i tak to stačí napsat tak stručně, aby to ještě byla pravda a zároveň to ta nechybělo úplně).
}}
Image:ZSV%206409563349302832850.jpg Image:ZSV%206986917693546073969.jpg
Loupežníci (LOUP) anglicky Partition
Instance: Množina a váha
Otázka: Lze rozdělit prvky z na dvě poloviny se stejnou váhou?
💡 Je zvláště vhodný pro dokazování NP-úplnosti problémů obsahujících numerické paramaetry jako jsou: délky, šířky, ceny, kapacity, atd.
{{theorem | LOUP je NP-úplný problém.
| LOUP ∈ NPC }}
Dk () ::
:: plyne z toho, že pro zadanou množinu se ověří v polynomiálním čase, zda obsahuje prvky poloviční ceny.
Dk ( - ) ::
:: Konstrukce instance LOUP:
:Trojrozměrné párování (3-dimensional matching - 3DM)
Instance: Množina , kde jsou po dvou disjunktní množiny a .
Otázka: Obsahuje perfektní párování? Jinými slovy, existuje množina , , trojice v níž obsažené jsou po dvou disjunktní?
:: z kontruujeme LOUP množinu takto (💡 použijeme tedy trojice a pomocné prvky ) :: cenu prvku si reprezentujeme jako binární "segmentové číslo" v blocích, definovaných podle složení trojice * kde fce vrací odpovídající indexy prvků z trojice * ∀ blok (z segmentu) má bitů * pokud je prvkem trojice nastaví se v bloku bit na 1 zprava (ten nejméně významny) a ostatní na 0 (tedy formálně: ) * počet bitů pro reprezentaci je (polynomiální) ⇒ 💡 ceny se dají zkontruovat v polynomiálním čase :: dále si vytvoříme stejné segmentové číslo s 1 zprava v ∀ bloku (tedy ) :: Image:3dm2loup.png :: teď dokážeme že je 3DM :: určíme si poslední dva pomocné dva prvky z : :: :: :: celkem pro množ. tedy máme :: pokud :: ⇒ nemůžou být oba ani v jedné půlce :: ⇒ (💡 musí být po řádcích disjunktní jinak by nám nevyšlo ) a <u>určují perfektní párování v </u> (=) :: nyní definujme 3DM a :: :: <u>tedy obsahuje prvky poloviční ceny</u> (=)
<br style="clear:both;">
Pseudopolyn. alg., číselné probl. a silná NPC. Př. pseudopolyn. alg. Batoh (🎓)
Pseudopolynomiální algoritmy, číselné problémy a silná NP-úplnost. Příklad pseudopolynomiálního algoritmu pro Batoh {{Zkazky|
pseudopolynomialni algoritmy - formalni definice pseudopolynomialniho algoritmu, silne NPU problem. Algoritmus reseni SP. Priklad silne NPU (TSP s omezenim na vaze hran) a proc je silne NPU (prevod na HK). Nekolik otazek jak souvisi pseudopolynomialni algoritmy a aproximacni algoritmy.
Definice len, max, číselnosti, NP-úplnosti, pseudopoly alg., silné NP-úplnosti (napsal jsem bez kvantifikátorů a tedy jsem je musel doplnit). Příklad silně NP-úplného (obchodní cestující) a slabě (součet podmnožiny, loupežníci). Pak padl dotaz k čemu je možné pseudopoly alg. využít - základ pro aproximační schémata.
Definice obojiho, jedna veticka o tom, ze silne NP-uplne nemaji pseudopol. alg., strucne napsany pseudopol. problem pro batoh, veta o tom, ze pokud bychom nasli pro silne NP-uplny problem pseudopolynamialni alg., muselo by platit, ze . Nic dalsiho nebylo potreba vedet.
Napsal jsem špatnou definici pseudopolynomiálních algoritmů, aproximací, AS, a ÚPAS. Na dotaz jestli znám nějaké AS jsem zmínil ÚPAS pro SP, a to že patrně obsahuje nějakou proceduru co cosi prořezává. Posléze se mi podařilo přijít na správnou definici pseudopolynomiálních algoritmů, a to jak by zhruba měl vypadat pseudopolynomiální algoritmus pro problém batohu. Tou dobou ale už všichni ze zkoušky odešli tak mě nechal jít :-)
}}
Číselný problém je rozhodovací problém , pokud pro každý polynom p existuje instance problému , pro kterou platí, že .
len(I) - délka binárního zakódování instance I
max(I) - hodnota největšího zadaného čísla v instanci I (je obsaženo ve vstupu)
:: 💡 Pro Batoh je , ale
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 25: …max(\{B\} ∪ \{v\̲[̲i], s\[i] | 1 ≤…
. Například LOUP nebo Batoh jsou tedy číselné problémy, zatímco SAT nebo KLIKA číselné problémy nejsou.Algoritmus řešící je pseudopolynomiální , pokud je jeho časová složitost omezená polynomem dvou proměnných a .
:: 💡 Alg. pro Batoh je pseudopolynomiální (viz níže). Je-li problém řešitelný pseudopolynomiálním algoritmem a není-li číselný problém, pak je zřejmě tento pseudopolynomiální algoritmus ve skutečnosti polynomiální. Pokud bychom tedy pro nějaký nečíselný NP-úplný problém (např. kliku nebo SAT) našli pseudopolynomiální algoritmus, znamenalo by to, že .
NP-úplný problém, pro který ∃ pseudopolynomiální alg., nazýváme slabě NP-úplný.
Pokud ∄ pseudopolynomiální alg. je silně NP-úplný (💡 pokud P ≠ NP). Silná/slabá NP-těžkost se definuje analogicky.
Formálně: je polynom a NP-úplný problém:
je restrikce problému na instance s .
Silně NP-úplný je problém , pokud ∃ polynom , pro nějž je problém NP-úplný.
Slabě NP-úplný je problém , pokud ∄ polynom , pro nejž je problém NP-úplný.
{{theorem | Problém Obchodního cestujícího je silně NP-úplný.
| OC je silně NP-úplný }}
Dk ::
:: 💡 je v tomto případě největší vzdálenost mezi městy :: v grafu ex. Hamiltonovská kružnice <=> OC obejde všechny města a vzdálenost mezi městy je vždy 1 :: OC(1) je stále NP-úplný => OC je silně NP-úplný
Image:250px-Knapsack.svg.png
Příklad pseudopolynomiálního algoritmu pro Batoh
Batoh ( 0/1 knapsack problem ), úloha ::
Instance : Množina n předmětů , s každým předmětem velikost a cena či hodnota . Přirozené číslo udávající velikost batohu.
Cíl : Nalézt množinu předmětů , která dosahuje maximální souhrnné hodnoty předmětů v ní obsažených, a přitom se předměty z vejdou do batohu velikosti .
Pseudopolynomiální alg. (💡 bottom-up [[#Metody_tvorby_algoritm.C5.AF :: _rozd.C4.9Bl_a_panuj.2C_dynamick.C3.A9_programov.C3.A1n.C3.AD|dynamické programování]]):
Vstup : Pole velikostí(size) , cen (value) předmětů () a velikost batohu . Platí:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 5: 0 <s\̲[̲i] ≤ B
.Výstup : Mnž. a s maximální cenou.
Prerekvizity : je suma cen všech předmětů ().
:: Nechť je tabulka , na pozici
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
( ), bude podmnožina indexů ( ) prvků celkové ceny přesně s minimální velikostí. :: Nechť je tabulka , na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, c]
je celková velikost předmětů v množiněParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
. Pokud neexistuje množina s předměty ceny přesně , je na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, c]
číslo .Image:Batoh.png
<u>Batoh(s, v, B)</u>: 0: # Inicializace tabulek:
1: for (c = 0 to V) { 2: T[0, c] = ∅; # temp
3: S[0, c] = B + 1; # sums of sizes 4: }
5: S[0, 0] = 0; 6: # Cyklus přes všechny předměty:
7: for (j = 1 to n) { 8: T[j, 0] = ∅;
9: S[j, 0] = 0; 10: # Cyklus zvyšující cenový limit:
11: for (c = 1 to V) 12: if (v[j] ≤ c) && # zda předmět j může být součástí řešení
13: (S[j – 1, c] > <span style="color: red; font-weight:bold">S[j - 1, c - v[j]]</span> + s[j]) { # minimalizujeme celkovou velikost předmětů při zachování c 14: S[j, c] = <span style="color: red; font-weight:bold">S[j – 1, c − v[j]]</span> + s[j];
15: T[j, c] = T[j – 1, c − v[j]] ∪ {j}; 16: } else {
17: S[j, c] = S[j – 1, c]; 18: T[j, c] = T[j – 1, c];
19: } 20: }
21: c = max{c| S[n, c] ≤ B}; 22: return T[n, c];
💡 Kučerova verze algoritmu MINImalizuje celkovou velikost předmětů (při zachování celkové ceny), běžné verze např. na wikipedii MAXImalizují celkovou cenu (při zachování celkové velikosti předmětů) {{theorem
| Algoritmus Batoh nalezne pro zadaný vstup množinu předmětů s nejvyšší cenou, jež se vejdou do batohu velikosti . Pracuje v čase . | Batoh v čase
}}
Dk () ::
:: Kroky 0 až 6 zvládneme jistě v čase , uvažujeme-li aritmetické operace jako konstantní. Následují dva vnořené cykly v rámci nichž jsou použity aritmetické operace, na něž stačí konstantní čas. I řádek 14 lze provést v konstantním čase při vhodné reprezentaci množin v
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
. Můžeme například použít reprezentaci pomocí bitového pole délky n, nebo pomocí spojového seznamu, v obou případech je přidání prvku do množiny jednoduché.Dk (korektnost indukcí) ::
:: Ukážeme, že na konci běhu algoritmu splňují tabulky T a S vlastnosti, jež jsme popsali v prerekvizitách algoritmu. Jmenovitě ukážeme, že:
Na pozici
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
, je po ukončení algoritmu podmnožina prvků celkové ceny přesně s minimální velikostí mezi všemi takovými množinami. Pokud neexistuje množina prvků s cenou přesně , pak na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
bude ∅.Na pozici
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, c]
, je po ukončení algoritmu součet velikostí prvků v množině na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
. Pokud neexistuje množina prvků s cenou přesně , pak na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, c]
je .
:: Tyto vlastnosti ukážeme indukcí podle . :: Na začátku vyplníme nultý řádek v cyklu na řádcích 1 až 4, pro tedy vlastnosti (1.) a (2.) platí. :: Nyní předpokládejme, že vlastnosti (1.) a (2.) platí pro řádky a ukažme, že platí i pro -tý řádek. ::
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, 0]=∅
protože je to nejmenší množina prvků s cenou . Takto provedeme nastaveníParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: T\̲[̲j, 0]
aParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, 0]
na řádcích 8 a 9. :: Pokud je , pak na ně narazíme na vhodném místě v rámci vnitřního cyklu. :: Pro a máme dvě možnosti, buď v nejmenší množině prvků s cenou není prvek , potom se jedná o množinu uloženou podle indukční hypotézy na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: T\̲[̲j − 1, c]
, nebo se v této množině prvek vyskytuje. Pokud bychom z této nejmenší množiny prvek odstranili, museli bychom dostat nejmenší množinu s cenou (ParseError: KaTeX parse error: Undefined control sequence: \[ at position 6: c − v\̲[̲j])
z prvků , která je podle indukčního předpokladu uložena na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j – 1, c − v\[j…
. :: Z těchto dvou možností vybereme tu, která má menší velikost. Díky tomu také na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j, c]
uložíme ∅ a na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲j, c]
hodnotu jedině tehdy, pokud obě množiny na pozicíchParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j − 1, c]
aParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j − 1, c − v\[j…
jsou ∅ a obě odpovídající velikosti jsou . :: Zde využíváme toho, že porovnávání v kroku 13 je ostré, a tedy k přiřazení v kroku 14 dojde jedině tehdy, když je množina na poziciParseError: KaTeX parse error: Undefined control sequence: \[ at position 3: T \̲[̲j − 1, c − v\[j…
neprázdná, jinak by z ∅ přidáním prvku vznikla množina neprázdná. :: :: Na závěr tedy při platnosti (1.) a (2.) stačí v kroku 21 vybrat množinu s největší cenou. Množina cen, z nichž vybíráme, je vždy neprázdná, neboť přinejmenšímParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: S\̲[̲n, 0] = 0
.Aproximační algoritmy - definice a příklad (🎓)
{{Zkazky| *Majerech - Aproximační algoritmy a schémata - Definice AA, poměrová a relativní chyba, AS, PAS, ÚPAS, ÚPAS pro SP (pozor na písmena v popisu PROŘEŽ (1-d)z < y < z), AA pro TSP
}}
Optimalizační úloha A je buď maximalizační nebo minimalizační a skládá se z těchto tří částí:
Množina instancí .
Pro každou instanci je dána množina přípustných řešení .
Funkce , která každé instanci a každému přípustnému řešení přiřadí kladné racionální číslo , které nazveme hodnotou řešení σ.
Pokud je A maximalizační úlohou, pak optimálním řešením instance je , pro něž je maximální (tj. ).
Pokud je minimalizační úlohou, pak optimálním řešením instance je , pro něž je minimální (tj. ).
Hodnotu optimálního řešení instance označujeme (kde je optimální řešení intance ).
Řekneme, že algoritmus je aproximačním algoritmem pro optimalizační úlohu , pokud pro každou instanci vrátí se vstupem řešení , případně ohlásí, že žádné přípustné řešení neexistuje, pokud .
Hodnotu řešení vráceného algoritmem na instanci označíme jako , tj. , kde je přípustné řešení vrácené algoritmem .
Pokud je maximalizační úloha, pak racionální číslo nazveme aproximačním poměrem algoritmu , pokud pro každou instanci platí, že .
Je-li minimalizační úlohou, pak racionální číslo nazveme aproximačním poměrem algoritmu , pokud pro každou instanci platí, že .
Příklad aproximačního algoritmu pro Bin Packing
Bin Packing – BP, úloha ::
Instance : Konečná množina předmětů , s každým předmětem asociovaná velikost , což je racionální číslo, pro které platí .
Cíl : Najít rozdělení všech předmětů do co nejmenšího počtu po dvou disjunktních množin takové, že každá množina může mít velikost max 1.
:: 💡 Naším cílem je tedy minimalizovat . :: 💡 Formálně je tedy množinou řetězců kódujících instance , pro danou instanci je množina množinou všech možných rozdělení do dostatečného množství košů. Mírou řešení pro je počet košů, které řešení využívá, tedy hodnota . Rozhodovací verze tohoto problému je shodná s problémem Rozvrhování, o jehož těžkosti víme, z toho plyne, že i úloha je -těžká. Šance na to, že bychom našli polynomiální algoritmus, řešící přesně, jsou tedy malé.
Algoritmus (First Fit pro Bin Packing – ) ::
Ber jeden předmět po druhém,
∀ předmět najdi první koš, do nějž se tento předmět ještě vejde,
pokud takový koš neexistuje, přidej nový koš obsahující jen předmět .
💡 Algoritmus je zřejmě polynomiální.
{{theorem | ∀ instanci platí, že .
| Aproximační poměr je 2 }}
Dk ::
:: V řešení, které vrátí je nejvýš jeden koš, který je zaplněn nejvýš z poloviny. Kdyby totiž existovaly dva koše a pro , které jsou zaplněny nejvýš z poloviny, tak by nepotřeboval zakládat nový koš pro předměty z , všechny by se vešly do . :: Pokud , pak z toho plyne, že: , kde první nerovnost plyne z toho, že po zdvojnásobení obsahu jsou všechny koše plné až na jeden, který může být zaplněn jen částečně. :: Rovnosti bychom přitom dosáhli jedině ve chvíli, kdy by byly všechny koše zaplněné právě z poloviny, což není podle našeho předpokladu možné. :: Druhá nerovnost plyne z vlastností zaokrouhlování. :: Na druhou stranu musí platit, že . :: Dohromady tedy dostaneme, že . Pokud , pak i a i v tomto případě platí ostrá nerovnost.
{{lemma | Pro libovolnou hodnotu m ∃ instance , pro niž je a .
}}
Dk ::
:: Instance bude mít , s těmito prvky asociujeme váhy takto: :: , , . Kde dostatečně malé kladné racionální číslo. Optimální rozdělení rozdělí prvky do košů, do každého dá po jednom prvku s velikostmi . Hodnotu ε zvolíme dostatečně malou tak, aby se každá z těchto trojic vešla do koše velikosti . Algoritmus bude brát prvky jeden po druhém a vytvoří nejprve m košů, každý s šesti prvky velikosti , přičemž hodnotu zvolíme dostatečně malou na to, aby se tam vešly, ale protože je kladná, nevejde se k nim nic dalšího. Poté vytvoří košů, každý se dvěma prvky velikosti , k nimž se opět nic nevejde. :: Nakonec vytvoří košů, každý s jedním prvkem velikosti. Dohromady je , a tedy
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 1: \̲[̲ FF-BP(I) / OPT…
. :: 💡 Pochopitelně brát prvky v libovolném pořadí tak, jak to činí je nejhloupější možnou strategií. Na instanci popsanou v důkazu lemmatu by přitom stačilo, kdybychom nejprve prvky setřídili sestupně podle velikosti a poté je umísťovali do košů v pořadí od největšího k nejmenšímu. Algoritmus, který postupuje podle této strategie nazveme z anglického „decreasing“. Lze ukázat, že pro libovolnou instanci platí: .Aproximační schémata, př. pro Batoh (🎓)
Aproximační schémata - definice a příklad aproximačního schématu pro Batoh Image:Schemes.jpg
{{Zkazky|
definicia optimalizacnej ulohy, definicia aproximacneho algoritmu, aproximacneho pomeru, aproximacneho schema, PAS a UPAS, schema pre BATOH
}}
Nechť je libovolná optimalizační úloha. Algoritmus nazveme aproximačním schématem pro úlohu , pokud na vstupu očekává instanci a racionální číslo a na výstupu vydá řešení , jehož hodnota se od optimální liší s aproximačním poměrem .
Tj. pro maximalizační úlohu platí, že:
a pro minimalizační úlohu platí, že:
Předpokládejme, že algoritmus je aproximační schéma a očekává na vstupu instanci a racionální číslo . Pomocí označíme instanci algoritmu , kde hodnota je zafixována, vstupem je tedy jen instance a běh i výstup na vstupu jsou totožné s algoritmem se vstupem a .
Řekneme, že je polynomiální aproximační schéma (PAS), pokud je pro každé časová složitost algoritmu polynomiální v , kde označuje algoritmus vzniklý dosazením konstanty do
Řekneme, že je úplně polynomiální aproximační schéma (ÚPAS), pokud pracuje v čase polynomiálním v a .
{{theorem
| Nechť je optimalizační úloha, jejíž přípustná řešení mají nezápornou celočíselnou hodnotu. Předpokládejme, že ∃ polynom dvou proměnných , který pro každou instanci splňuje: . Pokud ∃ úplně polynomiální aproximační schéma pro úlohu , pak ∃ i pseudopolynomiální algoritmus pro . |
}} 💡 Důsledek : Nechť je silně NP-úplná optimalizační úloha, která splňuje předpoklady věty. Pokud , pak neexistuje úplně polynomiální aproximační schéma pro úlohu .
{{theorem | Pokud existuje polynomiální aproximační algoritmus pro úlohu obchodního cestujícího s aproximačním poměrem , kde je konstanta, potom .
| }}
Image:Schemes-input.jpg
Příklad aproximačního schématu pro Batoh - BAPX
Vstup: Pole velikostí předmětů a pole cen předmětů, obě délky , velikost batohu , racionální číslo . Předpokládáme, že
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 36: …ots, n\})\;\big\̲[̲0<s\[i]\leq B\b…
Otázka: Množina M předmětů, jejichž souhrnná velikost nepřesahuje B.
Spočti index m, pro nějž je
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: v\̲[̲m] = max_{1\leq…
.if () return {m}
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 26: …( \varepsilon v\̲[̲m]/n )⌋ - 1
c je nové pole délky n.
for ()
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 2: c\̲[̲i] = ⌊v\[i]/2^t…
return Batoh(s, c, B) // Volání původního algoritmu
💡 algoritmus provede zaokrouhlení cen předmětů a jejich přeškálování podle
{{theorem | Schéma BAPX pracuje v čase . Pro libovolnou instanci úlohy Batoh a libovolné platí, že .
| Algoritmus BAPX je }}
coNP, #P - def. a vlastnosti
Definice (Nesplnitelnost KNF (UNSAT), úloha):
Instance : Formule v KNF
Otázka : Platí, že pro každé ohodnocení v je ?
Poznámka: Nevíme, jak by měl vypadat polynomiálně ověřitelný důkaz toho, že formule je nesplnitelná, ale můžeme najít polynomiálně ověřitelný protipříklad, tedy důkaz toho, že není nesplnitelná { = je splnitelná}, protože patří do NP.
coNP
Image:Chpvenndiagram.jpg Jazyk (problém) A ⊆ {0, 1} patří do třídy coNP, pokud jeho doplněk patří do třídy NP.
Jazyk A je co-NP-úplný, je-li a pro libovolný jiný jazyk platí, že .
{{lemma | Jazyk je co-NP-úplný ⇔ je NP-úplný. }}
{{lemma | Patří-li některý NP-úplný jazyk do , pak { nepředpokladané }. }} {{lemma | { předpoklad, že }. }}
#P
Funkce patří do třídy #P, pokud existuje binární relace v NPF a : . Pak je početní úlohou asociovanou s , značíme pomocí .
{{lemma | Pro každý problém relace v NPF, tak že platí: . }}
Dk ::
:: Relace RA bude obsahovat dvojice , kde je polynomiálně velký certifikát dosvědčující to, že .
{{lemma | Výpočet lze provést za pomoci polynomiálně mnoha dotazů na náležení prvku do množiny . }}
Dk ::
:: Protože , existuje relace , pro kterou platí, že . Z definice plyne, že existuje polynom p, pro který platí, že pokud . To znamená, že , pokud uvažujeme i jako binární řetězce. Binárním vyhledáváním najdeme hodnotu dotazy na , protože binární vyhledávání pracuje v logaritmickém čase, bude nám na toto vyhledání stačit dotazů, je jich tedy polynomiálně mnoho.
{{lemma | Výpočet , lze provést v polynomiálním prostoru vzhledem k . }}
Dk ::
:: Nechť f ∈ #P, podle definice to znamená, že existuje relace R ∈ NPF, pro kterou platí, že f = #R. Z definice plyne, že existuje polynom p, pro který platí, že pokud (x, y) ∈ R,p(|x|) pak |y| ≤ p(|x|), což znamená, že f(x) ≤ 2 , a k reprezentaci hodnoty f(x) nám tedy postačí p(|x|) bitů. Algoritmus počítající f(x) bude postupně generovat všechny binární řetězce y délky nejvýš p(|x|), pro každý z nich ověříme, zda (x, y) ∈ R a pokud ano, zvýšíme hodnotu f o jedna. K ověření (x, y) ∈ R nám podle definice NPF stačí polynomiální čas, a tedy i prostor, pro uložení y i hodnoty f(x) nám také stačí polynomiální prostor, a celkový prostor je tedy polynomiální.
Funkce je polynomiálně převoditelná na funkci , pokud existují polynomiálně spočitatelné funkce a , pro které platí, že:
ParseError: KaTeX parse error: Undefined control sequence: \[ at position 16: (∀x ∈ {0, 1} ) \̲[̲f(x) = α(x, g(β…
( odpovídá polyn. algoritmu, spočítá s jedním voláním ).Funkce je #P-těžká, pokud je každá funkce polynomiálně převoditelná na .
Funkce je #P-úplná, je-li #P-těžká a platí-li současně, že .
Nechť jsou binární relace, řekneme, že polynomiálně spočitatelná funkce převádí na se zachováním počtu řešení, pokud .
{{lemma | Nechť je taková, že libovolnou relaci z NPF lze na polynomiálně převést se zachováním počtu řešení, potom #A je #P-úplná úloha. }}
Poznámky:
Například tedy #KACHL, #SAT , #HK, #LOUP a další jsou všechno #P-úplné úlohy { převody, které jsme si ukazovali, lze udělat tak, aby zachovávaly počty řešení, proto lze ukázat, že úlohy odpovídající problémům, jejichž těžkost jsme si ukazovali, jsou #P-úplné }.
#SAT je #P-úplná funkce, protože redukce, již jsme si ukazovali pro převod obecného problému z NP na SAT zachovává počty řešení/certifikátů.
Podobně to platí o dalších početních funkcích, asociovaných s dalšími NP-úplnými problémy a úlohami, jejichž těžkost jsme si ukazovali { s každým problémem A v NP je asociovaná úloha z NPF, která pro zadaný vstup najde certifikát náležení do A, pokud takový certifikát existuje }.
Existují úlohy z PF takové, že s nimi asociované početní funkce jsou #P-úplné.
#DNF-SAT je #P-úplná funkce, ačkoli DNF-SAT patří do P.
Také určení počtu perfektních párování v bipartitním grafu je #P-úplná funkce, zatímco najít nějaké perfektní párování (pokud existuje) je polynomiálně řešitelná úloha.
Term je konjunkcí literálů, neobsahující dva literály s touž proměnnou.
Formule je v disjunktivně normální formě (DNF), pokud je disjunkcí termů.
{{theorem
| #DNF-SAT je #P-úplná | #DNF-SAT je #P-úplná
}} Prerekvizita – Problém splnitelnosti formule v DNF je polynomiálně řešitelný { DNF-SAT je P }.
Dk ::
:: Protože úloha DNF-SAT zřejmě patří do NPF (dokonce do do PF), patří #DNF-SAT do #P. Popíšeme, jak převést #SAT (tj. #KNF-SAT, chceme-li explicitně zdůraznit, že jde o splnitelnost formule v KNF) na #DNF-SAT. Protože #KNF-SAT je #P-úplná funkce, bude to platit i o #DNF-SAT. Nechť je formule v KNF, pomocí de-Morganových pravidel převedeme její negaci na DNF, kterou si označíme pomocí , pak platí, že: , kde je počet proměnných formule . V převodu tedy funkce spočítá DNF negace zadané formule v KNF a funkce α(φ, c) odečte počet c = #DNF-SAT(ψ) od 2n. To vše lze jistě provést polynomiálně.
Metody tvorby algoritmů: rozděl a panuj, dynamické programování, hladový algoritmus (<strike>zkoušková</strike>, 🎓)
http://wiki.matfyz.cz/index.php?title=St%C3%A1tnice_-_Metody_tvorby_algoritm%C5%AF
Metody tvorby algoritmů: rozděl a panuj, dynamické programování
{{Zkazky|
U dynamickýho programování jsem nějak sesmolil princip fungování a napsal jsem tam jeden konkrétní algoritmus (z grafiky - matchování vrcholů dvou mnohoúhelníků), na kterym jsem ukazoval, jak to funguje. To bylo OK, ale tahal ze mě pořád nějakej obecnej princip, jak to funguje. V rámci toho jsem ještě za pochodu vymýšlel algoritmus na batoh (to se mi vůbec nedělalo dobře, když vedle mě seděl a čekal na výsledek). Na konec jsme se teda asi dobrali toho, co chtěl slyšet - že se řešení konstruuje z menších podúloh stylem zdola nahoru (narozdíl od rozděl&panuj, kde to je v zásadě shora dolů).
Dynamicke programovani (Dvorak) - idea, srovnani s rozdel a panuj, priklady (efektivni) a jejich casova slozitost, prejiti do souvisejicich oblasti - popsal sem floyd-washall a batoh od nej jsme presli pres pseudopolynomialni alg, aproximacni batoh (schema) k UPAS, ale byla to volna diskuse ale nevadilo to.
Mel jsem srovnat s metodou Rozdel a panuj + ukazat nejaky priklad
Motivaci a základní princip dynamického programování. Ukázáno na algoritmech výpočtu Fibonacciho čísel, batohu a Floyd-Warshalova algoritmu. U posledního jmenovaného ze mě zkoušející dostával formální důkaz proč požadujeme nezáporné hrany.
Dvořák - Hladové algoritmy - Popsal jsem intuitivně o co jde (oiptimalizační hladové algoritmy), popsal jsem, jak to funguje a popsal jsem Krustalův hladový algoritmus. Bavili jsme se o jeho složitosti (kde jsem neznal způsob, jak to je "ideální"), potom o jeho korektnosti (to jsem taky detaily neznal - nikdy jsem to úplně 100% nepochopil a když jsem se na to koukal do Kapitol z diskrétní matematiky před šesti týdny znova, tak jsem to také úplně nepochopil). Nicméně mi se mě pan Dvořák snažil trochu popostrčit, ale kde nic není, ani smrt nebere. Ukončili jsme to s tím, že to hlavní jsem věděl a že to není fatální.
}}
prakticky otázka z bakaláře, očekává se nějaké naroubování na to co jsme se naučili na NMgr
ROZDILY oproti metode Rozdel a panuj (jsou to dve ruzne metody tvorby algoritmu)
Divide and conquer:
Does more work on the sub-problems and hence has more time consumption.
In divide and conquer the sub-problems are independent of each other.
Dynamic programming:
Solves the sub-problems only once and then stores it in the table.
In dynamic programming the sub-problem are not independent.
http://wiki.matfyz.cz/index.php?title=St%C3%A1tnice_-_Metody_tvorby_algoritm%C5%AF#Dynamick.C3.A9_programov.C3.A1n.C3.AD
http://www.quora.com/What-is-the-difference-between-dynamic-programming-and-divide-and-conquer
http://cs.wikipedia.org/wiki/Dynamick%C3%A9_programov%C3%A1n%C3%AD
https://onedrive.live.com/view.aspx?cid=388a82b3c4ce1dfe&id=documents&resid=388A82B3C4CE1DFE%211759&app=OneNote&authkey=!ABoWVv2NQ4DuOcQ&&wd=target%28%2F%2FSlo%C5%BE.one%7C4a6ac938-39bb-4a44-a4e0-55bbd289b47b%2FMetody%20tvorby%20algoritm%C5%AF%7Cf7e91395-dd92-4345-b02e-e8f43a837b66%2F%29
Hladový algoritmus
http://wiki.matfyz.cz/index.php?title=St%C3%A1tnice_-_Metody_tvorby_algoritm%C5%AF
Amortizovaná složitost
spíše z datových struktur, očekává se vysvětlení na příkladu
https://onedrive.live.com/view.aspx?cid=388a82b3c4ce1dfe&id=documents&resid=388A82B3C4CE1DFE%211759&app=OneNote&authkey=!ABoWVv2NQ4DuOcQ&&wd=target%28%2F%2FSlo%C5%BE.one%7C4a6ac938-39bb-4a44-a4e0-55bbd289b47b%2FAmortizovan%C3%A1%20slo%C5%BEitost%7Cb6f7db98-f9ef-4fff-9943-ffdac3b251e0%2F%29
http://wiki.matfyz.cz/index.php?title=St%C3%A1tnice_-_Odhady_slo%C5%BEitosti
Průnik se státnicovými otázkami
Vyčíslitelnost:
Algoritmicky vyčíslitelné funkce, jejich vlastnosti, ekvivalence jejich různých matematických definic. Částečně rekurzivní funkce.
PRF, ORF, ČRF (definice)
Jejich základní vlastnosti
ČRF ⇔ TS
Kleenova věta
s-m-n?
Rekurzivní a rekurzivně spočetné množiny a jejich vlastnosti.
definice RM a RSM
vlastnosti
(Ne)uzavřenost na sjednocení, průnik a doplněk.
Postova věta v kontextu množin.
Existenční kvantifikátor a výběrová funkce.
generování, rostoucí, def.obor
Algoritmicky nerozhodnutelné problémy (halting problem).
definice TS, UTS
definice halting problému
Věta: Halting problém není algoritmicky rozhodnutelný. (+ důkaz)
převoditelnost, Riceova věta
Věty o rekurzi a jejich aplikace, Riceova věta.
Věta o rekurzi a její jednoduché důsledky
Riceova věta - důkaz pomocí věty o rekurzi.
Složitost:
Metody tvorby algoritmů: rozděl a panuj, dynamické programování, hladový algoritmus.
definice rozděl a panuj, dynamické programování a rozdíl mezi nimi
příklady
definice hladového algoritmu + příklad
Amortizovaná složitost.
Asymptotická složitost - definice
Amortizovaná složitost - definice
Úplné problémy pro třídu NP, Cook-Levinova věta.
definice: třídy NP, polynom.převoditelnost, NP-těžký, NP-úplný
zmínit P =? NP
Cook-Levinova věta + důkaz
Pseudopolynomiální algoritmy, silná NP-úplnost.
Pseudopolynomiální algoritmy definice + příklad
silná NP-úplnost definice + příklad (a souvisloti)
Aproximační algoritmy a schémata.
definice Aproximační algoritmy a schémata a jejich souvislost s pseudopolynom. algoritmy
příklad schémata pro batoh nebo soucet podmnozin
Ostatní
Image:Npc-small.png