Séminaire Florin Périer Alain Gély LIMOS

Présentation au sujet: "Séminaire Florin Périer Alain Gély LIMOS"— Transcription de la présentation:

1 Séminaire Florin Périer Alain Gély LIMOS
Alain Gély

2 P = NP WANTED ?

3 La complexité en informatique

4 Quelques problèmes Un nombre N est-il divisible par 4 ?
Soit une série de nombre, trier ces nombres Soit le problème classique de la tour de Hanoi, afficher la liste des mouvements nécessaires pour le résoudre. Un voyageur de commerce désire faire sa tournée, existe-t-il une tournée de moins de 50 km ?

5 David Hilbert & son problème n°10
Liste des 23 problèmes de Hilbert (1900) Problème numéro 10 : « Trouver un algorithme déterminant si une équation diophantienne à des solutions »

6 Alonzo Church & le -calcul
Résultat sur la calculabilité Développement du lambda-calcul 1936 : Démontre l’existence d ’un problème indécidable Thèse de Church

7 Kurt Godël 1906 - 1978 Théorème d ’Incomplétude
« pour tout système formel S contenant le langage de l'arithmétique, il existe une proposition G indémontrable dans S »

8 La complexité en informatique
(Et aussi un peu de calculabilité / décidabilité)

9 Evaluation d’un algorithme
Taille n Opérations élémentaires Entrées Résultat Algorithme Ressources Temps Espace

10 Le codage des données Utilisation d ’un codage raisonnable
Pour un problème I, on demande 2 caractéristiques à un codage raisonnable : Il doit être concis, sans informations inutiles Les nombres doivent être représentés dans une base différente autre que la base 1 (binaire, octal, décimal, etc.) Exemple : codage d ’un graphe v1 v2 v3 v4

11 Comportement asymptotique des fonctions
Notation O : O(g(n)) = {f(n) : il existe des constantes positives c et n0 tel que 0  f(n)  c.g(n) pour tout n  n0} f Notation  :  (g(n)) = {f(n) : il existe des constantes positives c et n0 tel que 0  c.g(n)  f(n) pour tout n  n0} Notation  : (g(n)) = {f(n) : il existe des constantes positives c1 et c2, et n0 tel que 0 c1.g(n)  f(n)  c2.g(n) pour tout n n0}

12 Notation O - exemples

13 Exemple de complexité - Tri
Entrée : T, un tableau de n nombres Sortie : T, le tableau trié Pour j allant de 2 à longueur(T) faire X  T[j] i  j-1 Tant que i>0 et A[i]>X faire A[i+1]  A[i] A[i+1]  X O(1) O(n2) O(1) O(n) O(1) O(1)

14 Donald Knuth 1938 - The art of computer programming

15 Evolution du temps d'exécution en fonction de la complexité

16 Augmentation de la puissance des machines
Taille d ’un problème traitable en une heure

17 Complexité polynomiale et exponentielle
De manière informelle, un problème disposant d ’un algorithme polynomial pour le résoudre est un problème facile Polynomial Exponentiel Facile Difficile

18 Problèmes & Classes de complexités

19 Alan Matheson Turing & La machine de Turing
Inventeur de la Machine de Turing

20 Machine de Turing Déterministe
Controleur d'états finis Controleur d'états finis Tête de lecture / écriture 1 -1 -0 1 2 3 i-1 i i+1  = {0,1,b}

21 Un nombre N est-il un multiple de 4 ?
Classes de Complexité Problème de décision Un problème de décision est un problème pour lequel la réponse est dans l ’ensemble { OUI - NON } Exemples Un nombre N est-il un multiple de 4 ? Un voyageur de commerce désire faire sa tournée, existe-t-il une tournée de moins de 50 km ?

22 Classes de Complexité Problème de décision
& langage accepté par une machine de Turing Tête de lecture / écriture Controleur d'états finis  l ’ensemble des symboles pouvant être écrit par l ’utilisateur sur le ruban * l ’ensemble des mots du langage sur l ’alphabet LM = { x  * : M accepte x } Résoudre le problème revient à savoir si x  LM

23 P

24 La classe P P = {L : il existe un programme M en temps polynomial sur une machine de Turing Deterministe pour lequel LM=L} Un problème est dans P s ’il existe un algorithme en temps polynomial pour le résoudre

25 La classe co-P P = co-P La classe co-P est le complémentaire de P
Pour un problème donné de P, on montre facilement qu ’il est dans co-P : On échange les réponses OUI et NON Pour un problème de co-P, on montre facilement qu ’il est dans P (idem) P = co-P

26 NP

27 Machine de Turing Non Déterministe
Guessing module Tête d’écriture Controleur d'états finis Tête de lecture / écriture 1 -1 -0 1 2 3 i-1 i i+1

28 La classe NP NP = {L : il existe un programme M en temps polynomial sur une machine de Turing Non Deterministe pour lequel LM=L} Il existe un algorithme non déterministe en temps polynomial permettant de résoudre L. Il existe un algorithme déterministe en temps polynomial permettant de vérifier une solution de L.

29 Exemple de problème de NP
Le voyageur de commerce Un voyageur de commerce désire faire sa tournée, existe-t-il une tournée de moins de 50 km ? 10 b a-b-e-c-d-a km a 10 40 10 20 10 d 10 10 c 12 10 e

30 NP et co-NP ? Problème du circuit hamiltonien
Un graphe est-il hamiltonien ? Un graphe n’est-il pas hamiltonien ? Ce problème  NP Ce problème  co-NP Est-ce que ce problème  NP ?

31 P et NP NP P=NP ? P Résultat le plus général :
Si NP, alors il existe un polynôme p tel que  peut être résolu par un algorithme déterministe avec une complexité de O(2p(n))

32 P et NP p(n) || ||p(n) Machine de Turing Déterministe
Donald devra prendre tous les papiers de la boite avant de trouver le bon p(n) || ||p(n) Gontran trouvera immédiatement le bon papier Espace des solutions (exponentiel) Machine de Turing Déterministe Machine de Turing non Déterministe

33 Transformation polynomiale
Une transformation polynomiale d’un langage L1  1* vers un langage L2  2* est une fonction f: 1* 2* qui vérifie les deux conditions : il existe une machine de Turing Déterministe qui calcule f en temps polynomial Pour tout x1* xL1 ssi f(x)  L2 L2 L1 Problème 1 Problème 2 f NON OUI

34 Transformation polynomiale
On note L1 << L2 s ’il existe une transformation polynomiale de L1 vers L2 A quoi ça sert ? Si L1 << L2 alors L2  P implique que L1  P Si le problème 2 est facile, le problème 1 est facile Si L1 << L2 alors L1  P implique que L2  P Si le problème 1 est difficile, le problème 2 est difficile Si L1<< L2 et L1<< L2 on dit que L1 et L2 sont polynomialement équivalent

35 P, NP, NP-Complet   NP-Complet ssi   NP  1NP, 1 <<  NP
NPI NPC P Si P <> NP

36 Stephen Cook « SAT est NPC »
Théorème de Cook : « SAT est NPC » (1971) Reçoit le Turing Award en 1982 pour ce papier

37 Le théorème de Cook (1) « SAT  NPC » (Cook71)
U = {u1,u2,…,um} un ensemble de variables booléennes. Pour u U, le litteral u est vrai si t(u)=T le litteral u est vrai si t(u)=F Une clause est un ensemble de littéraux, ex : {u1,u2,u3} Une clause est satisfaite si au moins un de ses littéraux est vrai Une collection de clause est satisfaite s ’il existe une affectation de variables permettant de satisfaire simultanément, chacune des clause de la collection.

38 Le théorème de Cook (2) Exemples
C = { (u1,u2) , (u1,u2)} est satisfiable t(u1) = Vrai, t(u2) = Vrai. C = { (u1,u2) , (u1,u2), (u1) } n ’est pas satisfiable

39 Le théorème de Cook (3) « SAT  NPC » (Cook71) SATISFIABILITY
INSTANCE : Un ensemble U de variables booléenne Une collection C de clauses définies sur U QUESTION : Existe-t-il une assignation de variables satisfaisant C ?

40 Le théorème de Cook (4) 1) SAT  NP
Un algorithme non déterministe a seulement besoin de deviner une assignation satisfaisant C. La vérification de cette assignation est clairement polynomiale. La première condition pour appartenir à NPC est vérifiée.

41 Le théorème de Cook (5) M , , b, Q, q0, qY, qN et  p(n)
2) L  NP, L << SAT Retour au niveau des langages : LSAT=[SAT,e] Il faut montrer L << LSAT pour tous les langages de NP Pbm Il y a une énorme diversité de langages dans NP… Faire une transformation pour chacun d ’entre eux est une tache titanesque ! M , , b, Q, q0, qY, qN et  p(n) Solution à chaque langage correspond un machine de Turing, boite noire : Une machine de Turing générique

42 Le théorème de Cook (6) fL va être décrite en fonction de
, , b, Q, q0, qY, qN,  et p fL L LSAT SAT 1

43 Utilisation d ’un nombre limité de variables
Le théorème de Cook (7) Remarque n°1 A chaque instant, on peut caractériser le système par : contenu des cases Position de la tête de lecture/écriture Etat Courant Idée directrice montrer comment un ensemble de clauses peut être utilisé pour vérifier si une entrée x est acceptée par M Remarque n°2 il n ’y a pas plus de p(n)+1 instants distincts Utilisation d ’un nombre limité de variables 1

44 Mise en place des variables booléennes
Le théorème de Cook (8) Mise en place des variables booléennes fL va construire un ensemble de variable U tel que label des éléments de Q : q0, q1=qY, q2=qN, q3, …, qr (avec r=|Q|-1) label des éléments de  : s0=b, s1, s2, …, sv (avec v=||-1) Q[i,k] Au temps i, M est dans l ’état qk H[i,k] Au temps i, la tête L/R est sur la case j S[i,j,k] Au temps i, la case j contient le symbole sk

45 Affectations de variables & acceptation du langage
Le théorème de Cook (9) Affectations de variables & acceptation du langage Clairement, à un langage L accepté par M correspond une affectation des variables précédentes. Mais, à une affectation arbitraire des variables ne correspond pas forcément une exécution de M. Clauses à rajouter

46 Le théorème de Cook (10) Clauses à rajouter À chaque instant
La machine de Turing ne peut avoir qu’un seul état La tête de L/E ne peut lire qu’un symbole Une case du ruban ne peut contenir qu’un symbole Au début M est dans sa configuration initiale A la fin l’état de M est qY D’un instant i à l’instant i+1 l’état de la machine dépend du précédent

47 Le théorème de Cook (11) Clauses à rajouter
{ Q[i,0], Q[i,1], … , Q[i,r] }, 0  i  p(n) { Q[i,j], Q[i,j’] } 0  i  p(n), 0  j  j’  r { H[i,-p(n)], H[i,-p(n)+1], … , H[i,p(n)+1] }, 0  i  p(n) { H[i,j], H[i,j’] } 0  i  p(n), -p(n)  j  j’  p(n)+1 { S[i,j,0], Q[i,j,1], … , S[i,j,v] }, 0 i  p(n), -p(n)  j p(n)+1 { S[i,j,k], Q[i,j,k’] } 0  i  p(n), -p(n)  j  p(n)+1, 0  k < k’ v { Q[0,0] }, { H[0,1] }, {S[0,0,0]} { S[0,1,k1] }, { S[0,2,k2] }, … , { S[0,n,kn] } { S[0,n+1,0] }, { S[0,n+2,0] }, … , { S[0,p(n)+1,0] }, { Q[p(n),1] }

48 Le théorème de Cook (12) Clauses à rajouter
{ H[i,j], Q[i,k], S[i,j,l], H[i+1,j+] } { Q[i,j], Q[i,k], S[i,j,l], Q[i+1,k’] } { H[i,j], Q[i,k], S[i,j,l], S[i+1,j,l’]} pour tout quadruplé (i,j,k,l) 0  i < p(n), -p(n)  j  p(n)+1, 0  k  r, 0  l  v

49 Le théorème de Cook (13) Conclusions fL Longueur[fL] = O(p(n)4)
Problème de NP SAT fL Longueur[fL] = O(p(n)4) Machine de Turing M / langage L L[SAT,e]

50 Conclusions On vient de montrer qu ’il existe au moins un problème NPC
On ne sait toujours pas si NP - P est peuplé ! Performances à priori des algorithmes Complexité spatiale Complexité temporelle Problèmes de décisions Classes de complexités P et NP P = NP ?

51 Bibliographie Garey & Johnson « Computers and Intractability - A guide to the Theory of NP-completeness » Jean-François Rey « Calculabilité, Complexité et approximation » Stephen Cook « The P vs NP problem » Le zoo de la complexité - Clay mathematic Institute -

52 P = NP WANTED $ égal ou distinct ?