Problémy třídy Pa N P, převody problémů
|
|
- Anna Pospíšilová
- před 4 lety
- Počet zobrazení:
Transkript
1 Problémy třídy Pa N P, převody problémů Cvičení 1. Rozhodněte o příslušnosti následujících problémů do tříd Pa N P(N PCověříme později): a)jedanýgrafsouvislý? danýproblémjeztřídy P,řešíhonapř.algoritmyDFS,BFS. b) Jedanýgrafrovinný? danýproblémjeztřídy P,jeznámalgoritmuspracujícívčase O(n 2 ). c) Obsahuje daný graf hamiltonovskou kružnici? N P, dokonce N PC. Dokážeme převodem Hamilton. cyklu(hc) p HK. d) Je dané přirozené číslo číslem složeným? N P, dokonce do P(netriviální důkaz). e) Lze batoh o dané kapacitě zaplnit některými z daných předmětů, aby nepřekročil zadanou váhu a současněmělminimálnícenu? NP,dokonce NPC.DokážemepřevodemSubSetSum p BATOH. e) DNF-SAT. P(stačí splnit jedinou klauzuli, tedy každou závorku otestujeme, zda obsahuje kontradikci, pokud ne, je formule splnitelná). Řešení a návody Chceme-li dokázat, zda daný problém náleží do třídy P(resp. N P), musíme podle definice najít deterministický(resp. nedeterministický) TM, který rozhoduje daný problém v polynomiálním čase. Je to cesta, ale pro některé problémy komplikovaná. Zkusme proto použít analogii v algoritmech(ke každému TM rozhodujícím v polynomiálním čase najdeme algoritmus, který řeší stejný problém také v polynomiálním čase. Něco podobného jste si dokazovali na přednášce u RAM): Třída P :Podaří-lisenámnajítpolynomiálníalgoritmus,takjetodostatečnýdůkaz,žeúlohajezetřídy P. Třída NP : PopsatNTMmůžebýttakéobtížné,atakseznovuzkusímeopřítoalgoritmus,tentokrátnedeterministický. Na přednášce jste měli popis průběhu nedet. algoritmu(1.8.7): Nedeterministický algoritmus pracuje ve dvou fázích: 1. Algoritmus náhodně vygeneruje řetězec s. 2. Deterministický algoritmus(turingův stroj, program pro RAM) na základě vstupu a řetězce s dá odpověď ANO nebo NEVIM. Jaktotopomůžeprotřídu NP?Pokudbynámněkdosdělil(poradil,tipl)řešení(fáze1.),amyho dokázali polynomiálně a deterministicky ověřit(fáze 2.), tak máme vlastnost třídy N P. Navíc tuto vlastnost nemá žádná jiná třída problémů, než právě třída N P. Například ve cvičení d) by řešení vypadalo takto: Kdyby Vám někdo prozradil dělitele zadaného čísla(vygenerovat např. náhodně číslo zabere konstantní čas), tak rychle(myšleno polynomiálně a deterministicky)ověříte,zdatotočíslodělízadanébezezbytku tedymátesplněnyfáze1.a2.,atedy problémje NP. Třída NPC :Chceme-lioproblémudokázat,ženáležítřídě NPC,musímeukázat: 1. je N P (tj. máme-li řešení, ověříme v polynomiálním čase a deterministicky, že je skutečně řešením), 2. lze na tento problém polynomiálně redukovat nějaký již známý problém z N PC.
2 Řešení: Problém HK: Obsahuje daný graf hamiltonovskou kružnici? N P, dokonce N PC. Dokážeme převodemhc p HK. 1)HKje NP,protožeprovybranoukružnicisnadnootestujeme,zdasejednáokružnici,azda obsahuje všechny vrcholy(projdeme posloupnost uzlů a hran v kružnici a kontrolujeeme počet uzlů a incidenci). 2) Problém HK je podobný problému existence Hamiltonovskému cyklu(hc), o kterém víme, že je NPC. ZkusmetedynajítpolynomiálníredukciHCnaHK(HC p HK).Nejdříveřádně zformulujeme oba problémy: HK Vstup: Je dán neorientovaný graf G. Otázka: Existuje v tomto grafu kružnice přes všechny uzly?(hamiltonovská kružnice) HC Vstup: Je dán orientovaný graf G. Otázka: Existuje v tomto grafu cyklus(orient. kružnice) přes všechny uzly?(hamiltonovský cyklus) 2)Hamiltonovskýcyklus(HC) p Hamiltonovskákružnice(HK). G(V,E) G (V,E ) V V :=V V (druhoukopiikaždéhouzluvodlišímejako v) E E := {{u,v }, {v,v} prokaždouhranu(u,v) EvpůvodnímgrafuG} Konstrukci na příkladu ukazuje následující obrázek: Nyní ukážeme, že instance HC je splněná právě tehdy když je splněna instance HK. Chcemeukázat, žepokudmámeanoinstanciham. cyklu, tedyexistujeham. cyklus C = v 1 e 1 v 2...v n e n v 1, takexistujehamiltonovskákružnice C. Evidentnětatokružnicemápodobu C= v 1 e 1 v 2 e 1v 2...v n e n v ne n v 1 e 0v 1,obsahujevšechnyuzly V. Nyní chceme ukázat naopak, že pokud máme nějako uham. kružnici C, tak v původním grafu muselbýtham.cyklus:označmesikružnici C= v 1 e 1v 2e 1 v 2...v ne nv n e n v 1e 1 v 1.Paksousedníuzly musínutněbýtvajehokopiev,nebov aw(alepakpředv muselobýtv),protožejedinéhrany v novém grafu sjou střídavě mezi očárkovaným a neočárkovaným uzlem. Je-li tedy ham. kružnice vg,máprávěuvedenýtvaraznípakmámvypuštěnímočárkovanýchuzlůahranham. cyklusv původním grafu. Tedy HC existuje. Tento převod(vytvoření instance pro HK z HC) lze realizovat deterministicky v polynomiálním čase
3 (hodnoty v i jen2xzkopírujemedonovéhografu,taktéžhrany).hkjetedy NPC. Problém BATOH: 1)BATOHje NP,protožeprovybranépředmětysnadnootestujeme,zdasedobatohuvejdou (sečtemeváhy v i aporovnámesv)azdamajícenualespoň C(sečtemeceny c i aporovnáme s C). 2)ProblémBATOHjepodobnýproblémuSubSetSum,okterémvíme,žeje NPC.Zkusmetedy najít polynomiální redukci SubSetSum na BATOH. Nejdříve řádně zformulujeme oba problémy: BATOH Vstup: npředmětů,knimzadanádvěčísla: c i cenapředmětu, v i váhapředmětu, i=1,2,...,n. Dáledvěpřirozenáčísla nosnostbatohu V acena C. Otázka: Lze z těchto předmětů vybrat nějaké tak, aby se vešly do batohu(nepřekročili nosnost, tedy vi V)asoučasněmělyminimálněhodnotu C(tedy c i C)? SubSetSum Vstup: přirozenáčísla a 1,...,a m,číslo K. Otázka:Lzevybratněkteréztěchtočíseltak,abyjejichsoučetbylprávě K(tedy a i = K))? Polynomiální redukce: Musíme instanci(vstup) SubSetSum převést na instanci BATOH a splnit přitom dvě kritéria: Je-li řešitelná instance SubSetSum, musí mít řešení i navržená instance BATOHu. Současně ale pokud není řešitelná instance SubSetSum, nesmí být řešitelná ani ta BATOHu. Zkusme tedypomocí a i ačíslakdefinovatbatohnásledujícímzpůsobem: SubSetSum a 1,...,a n K BATOH c i := a i, i=1,2...,n; n=m v i := a i N:=K C:=K Existuje A {a 1,...,a m } Existuje P {(c 1,v 1 ),...,(c n,v n )} tž. a i A a i= K? tž. c i P c i Cazároveň v i P v i N? Ukážeme, že námi zvolená instance pro BATOH splňuje obě podmínky, je-li řešitelný problém SubSet- Sum. Stačí vzít stejnou podmnožinu předmětů, tedy P:= A(resp. dvě kopie A). Nyní ukážeme, že instance BATOHu je splněná právě tehdy když je splněna instance SubSetSum. Chcemeukázat,žepokudmámeANOinstanciSubSetSum,tedyexistujevýběrAtž. a i A a i= K, tak existuje výběr i pro BATOH: c i = a i = K C, c i P tedy požadavek na cenu je splněn. Ještě váha: je splněna i tato podmínka. v i P a i A v i = a i = K V, A i A
4 Nyní chceme ukázat naopak, že pokud máme ANO instanci BATOHu, tak pomocí redukce existuje výběr pro SubSetSum: a i = c i C= K, a i A c i P tedymáme,že a a i A i K.Tonestačí,mypotřebujemerovnost.Mámealeještěváhu: a i = v i V= K, a i A v i P tedymáme,že a a i A i K. Podmínkacenyaváhymábýtalesplněnasoučasně,tedymáme podmínku, a i K a i K, a i A a i A ale to je podmínka existence řešení pro SubSetSum. Tento převod(vytvoření instance pro BATOH ze SubSetSum) lze realizovat deterministicky v polynomiálnímčase(hodnoty a i jenzkopírujemedocen,vahakzkopírujemedocav).batohjetedy NPC. U následujících problémů nám pomůže přehled přednáškových N PCproblémů. (CNF) SAT Splnitelnost formule výrokové logiky ϕ. Vstup: Formule varphi Otázka: Existuje ohodnocení, v kterém je ϕpravdivá? 3(CNF)SAT Spl.fle,kdevkaždéklauzulijsoumax.3literály. Vstup: Formule varphi Otázka: Existuje ohodnocení, v kterém je ϕpravdivá? 3-COLOR Obarvení grafu 3 barvami. Vstup: graf G Otázka: Jde graf obarvit 3 barvami tak, aby žádné 2 sousední vrcholy neměly stejnou bravu? K-klika Nalezení největší kliky v grafu. Vstup: Graf G, přirozené číslo K Otázka: Existuje v grafu úplný pograf(klika) o alespoň K vrcholech? ILP Lineární programování.
5 VP Vrcholové pokrytí grafu. Vstup: Graf G, přirozené číslo K Otázka: Existuje množina velikosti najvýše K, která pokryje HRANY grafu? NEZ Nezávislá množina. Vstup: Graf G, přirozené číslo K Otázka:ExistujemnožinavrcholůNEZ, NEZ K,tž.žádnédvazNEZnejsouspojenyhranou? SubSetSum Výběr podmnožiny s daným součtem z množiny čísel. Vstup: n přirozených čísel a přirozené číslo K Otázka:Existujevýběrztěchtočíseltak,abysoučetbylK? Partition dělení kořisti(dva loupežníci) Vstup: n předmětů dané ceny Otázka: Existuje výběr z těchto předmětů tak, aby součet cen byl polovina loupeže? TSP Obchodní cestující. HK Hamiltonovská kružnice v grafu. Vstup: Graf G Otázka: Existuje v grafu kružnice přes všechny vrholy? HC hamiltonovský cyklus v grafu. Vstup: Graf G Otázka: Existuje v grafu cyklus přes všechny vrcholy? NDC Nejdelšícestavgrafu. Vstup: Graf G s ohodnocením hran reálnými čísly, reálné číslo K Otázka: Existuje v grafu cesta ceny nejvýše K? NKC Nejkratšícestavgrafu. Vstup: Graf G s ohodnocením hran reálnými čísly, reálné číslo K Otázka: Existuje v grafu cesta ceny alespoň K? Cvičení 2. Problém NDC(nejdelší cesta) vstup:grafgsohodnocenímhran(vzdálenosti) a:e R +,nezápornéčíslo K otázka:existujecestacenyalespoň K?HCnaNDC nejdelsicestajen-1, V =n 1) Máme-li cestu, snadno ověříme, zda je ceny alespoň K. 2)Hamiltonovskácesta(HC) p NDC. HC NDC a(e):=1 K:= V 1 Existuje-li v grafu HC, je řešitelný i problém NDC. Není-li řešitelný HC, není řešitelný ani NDC. Tento převod lze realizovat v polynomiálním čase. NDC je tedy N PC.
6 Cvičení 3. Problém NKC(nejkratší cesta) vstup:grafgsohodnocenímhran(vzdálenosti) a:e R,reálnéčíslo k otázka:existujecestacenynejvýše k?ncnankc otocimcenuhrannazaporne 1) Máme-li cestu, snadno ověříme, zda je délky nejvýše k. 2)NC p NKC. NC NKC a(e) a(e ):= a(e) K k:= K Je-livgrafuGnejdelšícestadélkyalespoňK,jevG cestadélkynejvýšek.anaopak. Tento převod lze realizovat v polynomiálním čase. NKC je tedy N PC. Cvičení 4. Problém DOM(dominantní množina) Vstup: graf G, přirozené číslo k Otázka: Existuje dominantní množina D velikosti nejvýše k? (množinavrcholůdjedominantní,pokud {d,u} E,prokaždývrchol u V\D,d D) 1) Máme-li množinu D, snadno ověříme, zda je velikosti k a zda její vrcholy jsou dominantní. 2)Vrcholovépokrytí(VP) p DOM. VP DOM K k:= K existuje P V, P K, D:=P, D =k, tž.každáhranamájeden tž.každývrcholzv /Dje vrcholvp? spojenhranousvrcholemzd Má-li VP řešení, pak má řešení i DOM.(Každé vrcholové pokrytí je současně dominantní množinou) Naopak,máme-likaždývrcholzV /DspojenhranousvrcholemzD,pakmusíkaždáhranamít jedenvrcholvp??? (CohranamezidvěmauzlymimoP,kteréjsouobaspojenisvrcholyvP?pak nemusíme mít pokrytí!)... asi to nebude dobrá redukce. Ještě promyslím. Tento převod lze realizovat v polynomiálním čase. DOM je tedy N PC. Pozn.:LzetakérealizovatpřevodemMnožinovépokrytí p DOM ( set) Cvičení 5. Problém NK(nejdelší kružnice) Vstup: graf G, přirozené číslo k Otázka: existuje kružnice délky alespoň k? 1) Máme-li kružnici, snadno ověříme, zda je délky alespoň k. 2)Hamiltonovskákružnice(HK) p NK. HK NK
7 k:= V Existuje-livgrafuHC,existujeiNKvgrafuG.Anaopak. Tentopřevodlzerealizovatvpolynomiálnímčase.NKjetedy NPC.
4. NP-úplné (NPC) a NP-těžké (NPH) problémy
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA 4. NP-úplné (NPC) a NP-těžké (NPH) problémy Karpova redukce
VíceNP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
NP-ÚPLNÉ PROBLÉMY Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 13 Evropský sociální fond Praha & EU: Investujeme do
VíceDalší NP-úplné problémy
Další NP-úplné problémy Známe SAT, CNF, 3CNF, k-klika... a ještě následující easy NP-úplný problém: Existence Certifikátu (CERT ) Instance: M, x, t, kde M je DTS, x je řetězec, t číslo zakódované jako
VíceTřídy složitosti P a NP, NP-úplnost
Třídy složitosti P a NP, NP-úplnost Cíle přednášky: 1. Definovat, za jakých okolností můžeme problém považovat za efektivně algoritmicky řešitelný. 2. Charakterizovat určitou skupinu úloh, pro které není
VíceProblém obchodního cestujícího(tsp) Vstup: Množina n měst a vzdálenosti mezi nimi. Výstup: Nejkratší okružní cesta procházející všemi městy.
Problém obchodního cestujícího(tsp) Vstup: Množina n měst a vzdálenosti mezi nimi. Výstup: Nejkratší okružní cesta procházející všemi městy. Poznámka:Slovem okružní myslíme,žecestakončívestejném městě,
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2015/2016 1 / 18 Základní syntax Jazyk Výroková logika je logikou
Více3. Třídy P a NP. Model výpočtu: Turingův stroj Rozhodovací problémy: třídy P a NP Optimalizační problémy: třídy PO a NPO MI-PAA
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2017/2018 1 / 16 2-SAT 2-SAT Výrok je v k-cnf, je-li v CNF a
VíceVztah teorie vyčíslitelnosti a teorie složitosti. IB102 Automaty, gramatiky a složitost, /31
Vztah teorie vyčíslitelnosti a teorie složitosti IB102 Automaty, gramatiky a složitost, 2. 12. 2013 1/31 IB102 Automaty, gramatiky a složitost, 2. 12. 2013 2/31 Časová složitost algoritmu počet kroků výpočtu
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2013/2014 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2013/2014 1 / 20 Základní syntax Jazyk Výroková logika je logikou
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška jedenáctá Miroslav Kolařík Zpracováno dle P. Martinek: Základy teoretické informatiky, http://phoenix.inf.upol.cz/esf/ucebni/zti.pdf Obsah 1 Složitost algoritmu 2 Třídy složitostí
VíceTGH12 - Problém za milion dolarů
TGH12 - Problém za milion dolarů Jan Březina Technical University of Liberec 7. května 2013 Složitost problému Co je to problém? Složitost problému Co je to problém? K daným vstupním datům (velkému binárnímu
VíceOd Turingových strojů k P=NP
Složitost Od Turingových strojů k P=NP Zbyněk Konečný Zimnění 2011 12. 16.2.2011 Kondr (Než vám klesnou víčka 2011) Složitost 12. 16.2.2011 1 / 24 O čem to dnes bude? 1 Co to je složitost 2 Výpočetní modely
VíceSložitost 1.1 Opera ní a pam ová složitost 1.2 Opera ní složitost v pr rném, nejhorším a nejlepším p ípad 1.3 Asymptotická složitost
1 Složitost 1.1 Operační a paměťová složitost Nezávislé určení na konkrétní implementaci Několik typů operací = sčítání T+, logické T L, přiřazení T A(assign), porovnání T C(compare), výpočet adresy pole
VíceMatematická logika. Rostislav Horčík. horcik
Matematická logika Rostislav Horčík horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik Rostislav Horčík (ČVUT FEL) Y01MLO Letní semestr 2007/2008 1 / 15 Splnitelnost množin Definice Množina
VíceNP-úplnost. M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 23. května / 32
NP-úplnost M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 23. května 2007 1/ 32 Rozhodovací problémy Definice Rozhodovací problém je takový, kde je množina možných výstupů dvouprvková
VícePřijímací zkouška - matematika
Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,
VíceVýpočetní složitost algoritmů
Výpočetní složitost algoritmů Slajdy pro výuku na KS Ondřej Čepek Sylabus 1. Definice časové a prostorové složitosti algoritmů. Příklady na konkrétních algoritmech. Prostředky pro popis výpočetní složitosti
VíceSložitost. Teoretická informatika Tomáš Foltýnek
Složitost Teoretická informatika Tomáš Foltýnek foltynek@pef.mendelu.cz Teoretická informatika 2 Opakování z minulé přednášky Co říká Churchova teze? Jak lze kódovat Turingův stroj? Co je to Univerzální
VíceDefinice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování.
9.5 Třída NP Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování. Příklad. Uvažujme problém IND a následující
VíceVrcholová barevnost grafu
Vrcholová barevnost grafu Definice: Necht G = (V, E) je obyčejný graf a k N. Zobrazení φ : V {1, 2,..., k} nazýváme k-vrcholovým obarvením grafu G. Pokud φ(u) φ(v) pro každou hranu {u, v} E, nazveme k-vrcholové
VíceVýroková a predikátová logika - XII
Výroková a predikátová logika - XII Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - XII ZS 2015/2016 1 / 15 Algebraické teorie Základní algebraické teorie
VíceYZTI - poznámky ke složitosti
YZTI - poznámky ke složitosti LS 2018 Abstrakt Poznámky k přednášce YZTI zabývající se složitostí algoritmických problémů a teorií NP-úplnosti. Složitost algoritmu a problému Zabýváme se už pouze rekurzivními
VíceSystém přirozené dedukce výrokové logiky
Systém přirozené dedukce výrokové logiky Korektnost, úplnost a bezespornost Šárka Vavrečková Ústav informatiky, FPF SU Opava Poslední aktualizace: 6. října 2008 Věta o korektnosti Věta (O korektnosti Systému
VíceFIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský
Více10 Přednáška ze
10 Přednáška ze 17. 12. 2003 Věta: G = (V, E) lze nakreslit jedním uzavřeným tahem G je souvislý a má všechny stupně sudé. Důkaz G je souvislý. Necht v je libovolný vrchol v G. A mějme uzavřený eurelovský
VícePřevoditelnost problémů nezávislé množiny na problém hamiltonovského cyklu () IS HC 1/10
Převoditelnost problémů nezávislé množiny na problém hamiltonovského cyklu () IS C 1/10 Cíle prezentace seznámit s problémem nezávislé množiny seznámit s problémem hamiltonovského cyklu seznámitspřevodemproblémup1naproblémp2(p1
Více9.Cosipočítstěžkýmproblémem
9.Cosipočítstěžkýmproblémem V předchozí kapitole jsme zjistili, že leckteré rozhodovací problémy jsou NPúplné.Ztohoplyne,žejsouekvivalentní,alebohuželtaké,žeanijedenznichzatím neumíme vyřešit v polynomiálním
Více8 Přednáška z
8 Přednáška z 3 12 2003 Problém minimální kostry: Dostaneme souvislý graf G = (V, E), w : E R + Našim úkolem je nalézt strom (V, E ) tak, aby výraz e E w(e) nabýval minimální hodnoty Řešení - Hladový (greedy)
VíceAproximativní algoritmy UIN009 Efektivní algoritmy 1
Aproximativní algoritmy. 14.4.2005 UIN009 Efektivní algoritmy 1 Jak nakládat s NP-těžkými úlohami? Speciální případy Aproximativní algoritmy Pravděpodobnostní algoritmy Exponenciální algoritmy pro data
VíceUkážeme si lineární algoritmus, který pro pevné k rozhodne, zda vstupní. stromový rozklad. Poznamenejme, že je-li k součástí vstupu, pak rozhodnout
Ukážeme si lineární algoritmus, který pro pevné k rozhodne, zda vstupní graf má stromovou šířku nejvýše k, a je-li tomu tak, také vrátí příslušný stromový rozklad. Poznamenejme, že je-li k součástí vstupu,
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2017/2018 1 / 17 Předběžnosti Základní pojmy n-ární relace a funkce
VíceTeoretická informatika Tomáš Foltýnek Barvení grafů Platónská tělesa
Tomáš Foltýnek foltynek@pef.mendelu.cz Barvení grafů Platónská tělesa strana 2 Opakování z minulé přednášky Co je to prohledávání grafu? Jaké způsoby prohledávání grafu známe? Jak nalézt východ z bludiště?
VíceALGORITMY A DATOVÉ STRUKTURY
Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu
VíceZ. Sawa (VŠB-TUO) Teoretická informatika 18. prosince / 67
Další třídy složitosti Z. Sawa (VŠB-TUO) Teoretická informatika 18. prosince 018 1/ 67 Další třídy složitosti Pro libovolnou funkci f : N R + definujme následující třídy: DTIME(f(n)) třída všech rozhodovacích
VíceKreslení grafů na plochy Tomáš Novotný
Kreslení grafů na plochy Tomáš Novotný Úvod Abstrakt. V první části příspěvku si vysvětlíme základní pojmy týkající se ploch. Dále si ukážeme a procvičíme možné způsoby jejich zobrazování do roviny, abychom
VíceÚvod do vybíravosti grafů, Nullstellensatz, polynomiální metoda
Úvod do vybíravosti grafů, Nullstellensatz, polynomiální metoda Zdeněk Dvořák 12. prosince 2017 1 Vybíravost Přiřazení seznamů grafu G je funkce L, která každému vrcholu G přiřadí množinu barev. L-obarvení
VícePROBLÉM ČTYŘ BAREV. Lze obarvit jakoukoliv mapu v rovině čtyřmi barvami tak, aby žádné dvě sousedící oblasti neměly stejnou barvu?
ROBLÉM ČTYŘ BAREV Lze obarvit jakoukoliv mapu v rovině čtyřmi barvami tak, aby žádné dvě sousedící oblasti neměly stejnou barvu? ROBLÉM ČTYŘ BAREV L KH ROBLÉM ČTYŘ BAREV Vytvoříme graf Kraje = vrcholy
Více1 Pravdivost formulí v interpretaci a daném ohodnocení
1 Pravdivost formulí v interpretaci a daném ohodnocení Než uvedeme konkrétní příklady, zopakujme si definici interpretace, ohodnocení a pravdivosti. Necht L je nějaký jazyk. Interpretaci U, jazyka L tvoří
Více= je prostý orientovaný graf., formálně c ( u, v) 0. dva speciální uzly: zdrojový uzel s a cílový uzel t. Dále budeme bez
Síť Síť je čtveřice N = ( G, s, t, c) kde G ( V, A) = je prostý orientovaný graf a každé orientované hraně ( u, v) je přiřazeno nezáporné číslo, které se nazývá kapacita hrany ( u, v), formálně c ( u,
Více1. Nejkratší cesta v grafu
08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost
VíceDefinice barevnosti grafu, základní vlastnosti. Varinaty problému barvení.
7 Barevnost a další těžké problémy Pro motivaci této lekce se podíváme hlouběji do historie počátků grafů v matematice. Kromě slavného problému sedmi mostů v Královci (dnešním Kaliningradě) je za další
VíceZáklady informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová
Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy
Více10. Složitost a výkon
Jiří Vokřínek, 2016 B6B36ZAL - Přednáška 10 1 Základy algoritmizace 10. Složitost a výkon doc. Ing. Jiří Vokřínek, Ph.D. Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze Jiří
Více12. Globální metody MI-PAA
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
VíceNP-úplnost problému SAT
Problém SAT je definován následovně: SAT(splnitelnost booleovských formulí) Vstup: Booleovská formule ϕ. Otázka: Je ϕ splnitelná? Příklad: Formule ϕ 1 =x 1 ( x 2 x 3 )jesplnitelná: např.přiohodnocení ν,kde[x
VíceVýpočetní složitost I
Výpočetní složitost I prooborlogikanaffuk Petr Savický 1 Úvod Složitostí algoritmické úlohy se rozumí především její časová a paměťová náročnost při řešení na počítači. Časová náročnost se měří počtem
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška desátá Miroslav Kolařík Zpracováno dle R. Bělohlávek, V. Vychodil: Diskrétní matematika 2, http://phoenix.inf.upol.cz/esf/ucebni/dm2.pdf P. Martinek: Základy teoretické informatiky,
VíceVybíravost grafů, Nullstellensatz, jádra
Vybíravost grafů, Nullstellensatz, jádra Zdeněk Dvořák 10. prosince 2018 1 Vybíravost Přiřazení seznamů grafu G je funkce L, která každému vrcholu G přiřadí množinu barev. L-obarvení je dobré obarvení
Více10 Podgrafy, isomorfismus grafů
Typické příklady pro zápočtové písemky DiM 470-2301 (Kovář, Kovářová, Kubesa) (verze: November 25, 2018) 1 10 Podgrafy, isomorfismus grafů 10.1. Určete v grafu G na obrázku Obrázek 10.1: Graf G. (a) největší
VíceStromové rozklady. Definice 1. Stromový rozklad grafu G je dvojice (T, β) taková, že T je strom,
Stromové rozklady Zdeněk Dvořák 25. října 2017 Definice 1. Stromový rozklad grafu G je dvojice (T, β) taková, že T je strom, β je funkce přiřazující každému vrcholu T podmnožinu vrcholů v G, pro každé
Více12. Aproximační algoritmy
12. Aproximační algoritmy (F.Haško,J.enda,.areš, ichal Kozák, Vojta Tůma) Na minulých přednáškách jsme se zabývali různými těžkými rozhodovacími problémy. Tato se zabývá postupy, jak se v praxi vypořádat
VíceVýroková a predikátová logika - V
Výroková a predikátová logika - V Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - V ZS 2015/2016 1 / 21 Dokazovací systémy VL Hilbertovský kalkul Hilbertovský
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2014/2015 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2014/2015 1 / 21 Výroková logika Horn-SAT Horn-SAT Jednotková
VíceDefinice 1 eulerovský Definice 2 poloeulerovský
Dále budeme předpokládat, že každý graf je obyčejný a má aspoň tři uzly. Definice 1 Graf G se nazývá eulerovský, existuje-li v něm uzavřený tah, který obsahuje každou hranu v G. Definice 2 Graf G se nazývá
Více10. Vektorové podprostory
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Definice. Bud V vektorový prostor nad polem P. Podmnožina U V se nazývá podprostor,
Více5 Orientované grafy, Toky v sítích
Petr Hliněný, FI MU Brno, 205 / 9 FI: IB000: Toky v sítích 5 Orientované grafy, Toky v sítích Nyní se budeme zabývat typem sít ových úloh, ve kterých není podstatná délka hran a spojení, nýbž jejich propustnost
VíceDynamické programování
ALG 11 Dynamické programování Úloha batohu neomezená Úloha batohu /1 Úloha batohu / Knapsack problem Máme N předmětů, každý s váhou Vi a cenou Ci (i = 1, 2,..., N) a batoh s kapacitou váhy K. Máme naložit
VíceRekurentní rovnice, strukturální indukce
Rekurentní rovnice, strukturální indukce Jiří Velebil: A7B01MCS 26. září 2011: 1/20 Příklad (Parketáž triminy z minulé přednášky) P(n) = počet parket k vyparketování místnosti rozměru n 1 P(1) = 1. 2 P(n
Víceale je tam plno nadchodů a podchodů. Naším cílem je najít okružní cestu ze startovního místa zpátky na start, abychom
Těžké problémy Představme si, že jsme v bludišti a hledáme (náš algoritmus hledá) nejkratší cestu ven. Rychle nás napadne, že bychom mohli použít prohledávání do šířky a cestu najít v čase lineárním ku
VíceDalší partie teorie složitosti. M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 30. května / 51
Další partie teorie složitosti M. Kot, Z. Sawa (VŠB-TU Ostrava) Úvod do teoretické informatiky 30. května 007 1/ 51 Řešení těžkých problémů Pro mnoho důležitých problémů nejsou známy efektivní algoritmy.
VíceKolik existuje různých stromů na pevně dané n-prvkové množině vrcholů?
Kapitola 9 Matice a počet koster Graf (orientovaný i neorientovaný) lze popsat maticí, a to hned několika různými způsoby. Tématem této kapitoly jsou incidenční matice orientovaných grafů a souvislosti
VíceDůkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť.
Přednáška 3, 19. října 2015 Důkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť X i = M i I je jeho pokrytí otevřenými
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 206 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceParalelní grafové algoritmy
Paralelní grafové algoritmy Značení Minimální kostra grafu Nejkratší cesta z jednoho uzlu Nejkratší cesta mezi všemi dvojicemi uzlů Použité značení Definition Bud G = (V, E) graf. Pro libovolný uzel u
Více1. Toky, řezy a Fordův-Fulkersonův algoritmus
1. Toky, řezy a Fordův-Fulkersonův algoritmus V této kapitole nadefinujeme toky v sítích, odvodíme základní věty o nich a také Fordův-Fulkersonův algoritmus pro hledání maximálního toku. Také ukážeme,
VíceTeorie grafů. Teoretická informatika Tomáš Foltýnek
Teorie grafů Teoretická informatika Tomáš Foltýnek foltynek@pef.mendelu.cz Opakování z minulé přednášky Co je to složitostní třída? Jaké složitostní třídy známe? Kde leží hranice mezi problémy řešitelnými
VíceMetody síťové analýzy
Metody síťové analýzy Řeší problematiku složitých systémů, zejména pak vazby mezi jejich jednotlivými prvky. Vychází z teorie grafů. Základní metody síťové analýzy: CPM (Critical Path Method) deterministický
VícePQ-stromy a rozpoznávání intervalových grafů v lineárním čase
-stromy a rozpoznávání intervalových grafů v lineárním čase ermutace s předepsanými intervaly Označme [n] množinu {1, 2,..., n}. Mějme permutaci π = π 1, π 2,..., π n množiny [n]. Řekneme, že množina S
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceÚvod do kvantového počítání
Osnova Katedra počítačů, Fakulta elektrotechnická České vysoké učení technické v Praze 10. března 2005 O přednáškách Osnova Přehled k přednáškám Proč kvantové počítání a počítače 1 Úvod do kvantového počítaní
VíceVýhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly.
Kapitola Reprezentace grafu V kapitole?? jsme se dozvěděli, co to jsou grafy a k čemu jsou dobré. rzo budeme chtít napsat nějaký program, který s grafy pracuje. le jak si takový graf uložit do počítače?
VíceRezoluce ve výrokové logice
Rezoluce ve výrokové logice Jiří Velebil: AD0B01LGR 2015 Rezoluce ve VL 1/13 Základní myšlenky 1 M = ϕ iff X = M { ϕ} nesplnitelná. 2 X nesplnitelná iff X = ff. 3 Hledání kritických důsledků X syntakticky.
VíceCvičení MI-PRC I. Šimeček
Cvičení MI-PRC I. Šimeček xsimecek@fit.cvut.cz Katedra počítačových systémů FIT České vysoké učení technické v Praze Ivan Šimeček, 2011 MI-PRC, LS2010/11, Cv.1-6 Příprava studijního programu Informatika
VíceTřída PTIME a třída NPTIME. NP-úplnost.
VAS - Přednáška 9 Úvod ke kursu. Složitost algoritmu. Model RAM. Odhady složitosti. Metoda rozděl a panuj. Greedy algoritmy. Metoda dynamického programování. Problémy, třídy složitosti problémů, horní
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceGrafy. RNDr. Petra Surynková, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta.
6 RNDr., Ph.D. Katedra didaktiky matematiky Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz http://surynkova.info množina vrcholů a množina hran hrana vždy spojuje
Vícea jiné elektronické přístroje včetně mobilů. Pracujte samostatně. Povolen je 1 list A4 vlastnoručně psaných poznámek k předmětu...
Písemný test MA010 Grafy: 17.1. 2007, var A... 1). Vašim úkolem je sestrojit všechny neisomorfní jednoduché souvislé grafy na 6 vrcholech mající posloupnost stupňů 1,2,2,2,2,3. Zároveň zdůvodněte, proč
VíceKapitola 1. Úvod. 1.1 Značení. 1.2 Výroky - opakování. N... přirozená čísla (1, 2, 3,...). Q... racionální čísla ( p, kde p Z a q N) R...
Kapitola 1 Úvod 1.1 Značení N... přirozená čísla (1, 2, 3,...). Z... celá čísla ( 3, 2, 1, 0, 1, 2,...). Q... racionální čísla ( p, kde p Z a q N) q R... reálná čísla C... komplexní čísla 1.2 Výroky -
VíceŘešení rekurentních rovnic 2. Základy diskrétní matematiky, BI-ZDM ZS 2011/12, Lekce 11
Řešení rekurentních rovnic 2 doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky FIT České vysoké učení technické v Praze c Josef Kolar, 2011 Základy diskrétní matematiky, BI-ZDM ZS 2011/12, Lekce
Vícedoplněk, zřetězení, Kleeneho operaci a reverzi. Ukážeme ještě další operace s jazyky, na které je
28 [181105-1236 ] 2.7 Další uzávěrové vlastnosti třídy regulárních jazyků Z předchozích přednášek víme, že třída regulárních jazyků je uzavřena na sjednocení, průnik, doplněk, zřetězení, Kleeneho operaci
VíceKonstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i,
[161014-1204 ] 11 2.1.35 Konstrukce relace. Postupně konstruujeme na množině všech stavů Q relace i, kde i = 0, 1,..., takto: p 0 q právě tehdy, když bud p, q F nebo p, q F. Dokud i+1 i konstruujeme p
VíceTGH09 - Barvení grafů
TGH09 - Barvení grafů Jan Březina Technical University of Liberec 15. dubna 2013 Problém: Najít obarvení států na mapě tak, aby žádné sousední státy neměli stejnou barvu. Motivační problém Problém: Najít
VíceOperační výzkum. Síťová analýza. Metoda CPM.
Operační výzkum Síťová analýza. Metoda CPM. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo
VícePro každé formule α, β, γ, δ platí: Pro každé formule α, β, γ platí: Poznámka: Platí právě tehdy, když je tautologie.
Zpracoval: hypspave@fel.cvut.cz 5. Výroková logika, formule výrokové logiky a jejich pravdivostní ohodnocení, splnitelné formule, tautologie, kontradikce, sémantický důsledek, tautologicky ekvivalentní
VíceÚvod do teorie grafů
Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí
VíceŘešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou
Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou 1 SPECIFIKACE ÚLOHY Cílem této úlohy bylo použít vybranou pokročilou iterativní metodou pro řešení problému vážené
Více11 VYPOČITATELNOST A VÝPOČTOVÁ SLOŽITOST
11 VYPOČITATELNOST A VÝPOČTOVÁ SLOŽITOST Na první přednášce jsme si neformálně zavedli pojmy problém a algoritmus pro jeho řešení, které jsme na počítači vykonávali pomocí programů. Jako příklad uveďme
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceInference v deskripčních logikách
Inference v deskripčních logikách Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Inference v deskripčních logikách 53 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické
Víceefektivně řešit, jde mezi nimi nalézt zajímavé vztahy a pomocí nich obtížnost
1. Tì¾ké problémy Ohlédněme se za předchozími kapitolami: pokaždé, když jsme potkali nějakou úlohu, dovedli jsme ji vyřešit algoritmem s polynomiální časovou složitostí, tedy O(n k ) pro pevné k. V prvním
VíceCvičení z Lineární algebry 1
Cvičení z Lineární algebry Michael Krbek podzim 2003 2392003 Hodina Jsou dána komplexní čísla z = +2 i a w = 2 i Vyjádřete c algebraickém tvaru (z + w) 3,, (zw), z w 2 Řešte v komplexním oboru rovnice
VíceH {{u, v} : u,v U u v }
Obyčejný graf Obyčejný graf je dvojice G= U, H, kde U je konečná množina uzlů (vrcholů) a H {{u, v} : u,v U u v } je (konečná) množina hran. O hraně h={u, v} říkáme, že je incidentní s uzly u a v nebo
VíceRegulární výrazy. Definice Množina regulárních výrazů nad abecedou Σ, označovaná RE(Σ), je definována induktivně takto:
IB102 Automaty, gramatiky a složitost, 6. 10. 2014 1/29 Regulární výrazy Definice 2.58. Množina regulárních výrazů nad abecedou Σ, označovaná RE(Σ), je definována induktivně takto: 1 ε, a a pro každé a
Více13. Lineární programování
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
VíceV každém kroku se a + b zmenší o min(a, b), tedy vždy alespoň o 1. Jestliže jsme na začátku dostali 2
Euklidův algoritmus Doprovodný materiál pro cvičení Programování I. NPRM044 Autor: Markéta Popelová Datum: 31.10.2010 Euklidův algoritmus verze 1.0 Zadání: Určete největšího společného dělitele dvou zadaných
Více67. ročník matematické olympiády III. kolo kategorie A. Přerov, března 2018
67. ročník matematické olympiády III. kolo kategorie Přerov, 8.. března 08 MO . Ve společnosti lidí jsou některé dvojice spřátelené. Pro kladné celé číslo k 3 řekneme, že společnost je k-dobrá, pokud
VíceBarevnost grafů MFF UK
Barevnost grafů Z. Dvořák MFF UK Plán vztah mezi barevností a maximálním stupněm (Brooksova věta) hranová barevnost (Vizingova věta) příště: vztah mezi barevností a klikovostí, perfektní grafy Barevnost
VíceSložitost Filip Hlásek
Složitost Filip Hlásek Abstrakt. Příspěvek popisuje dva základní koncepty teoretické informatiky, Turingovy stroje a složitost. Kromě definic důležitých pojmů uvádí také několik souvisejících tvrzení,
Více