Зачем использовать языки в теории сложности

10

Я только начинаю изучать теорию вычислений, которая изучает, что можно вычислить, как быстро, сколько памяти и с какой вычислительной моделью.

У меня довольно простой вопрос, но я очень надеюсь, что некоторые из вас, ребята, помогут мне понять концепцию, лежащую в основе этого:

Почему все сосредоточено вокруг понятия и определения ЯЗЫКОВ (т.е. обычных языков и языков без контекста)? И как они связаны и описывают сложность алгоритма и возможные вычислительные модели для их решения?

Я читаю подобные вопросы:

но до сих пор нет ответа на мои сомнения, поскольку они дают практическое обоснование того, почему они важны (что я понимаю), но не помогают мне понять, почему теория сложности основана на них.

Matteo
источник
1
Разве это не покрыто нашими справочными вопросами ?
Рафаэль
@Raphael - Спасибо, что указали мне на этот вопрос, это отличная ссылка! Я сейчас читаю его, но в настоящий момент считаю, что это может быть добавлением к вопросу cs.stackexchange.com/questions/13669/… . Мне не кажется, что на него уже дан ответ, пожалуйста, дайте мне знать, если вы похудели иначе
Matteo
3
Язык - это просто набор строк конечной длины, который аналогичен функции, которая отображает конечные строки в 1 или 0. Таким образом, вы действительно спрашиваете: «Почему теория сложности связана с решением проблем», и ответ таков: самый простой (нетривиальный) вид вычислительных задач и часто более сложные вычислительные задачи могут быть сведены к решению задач.
Сашо Николов

Ответы:

10

Это потому, что языки - лучший (единственный?) Способ формализации понятия «проблема».

Алгоритм (машина Тьюринга) обладает производительностью, которую мы выражаем через сложность big-O. Задача (язык) относится к классу сложности. Они обычно определяются существованием: если существует машина, принимающая язык который работает с заданной производительностью (пространство или время), то язык принадлежит соответствующему классу сложности.L

Есть несколько причин для этого. Во-первых, языки независимы от платформы. Вы не беспокоитесь о том, является ли целое число 32- или 64-разрядным, или же операции с плавающей запятой выполняются параллельно с другими операциями. Эти вещи повышают производительность на микроуровне, но анализ сложности интересует макроуровень. При масштабировании от 100 до до до входов, как изменяется производительность алгоритма? Означает ли это использование 1 миллиона ленточных ячеек до 1 миллиарда или от 1 миллиона до большего количества ячеек, чем атомов во вселенной?10 9 10 121061091012

Во-вторых, языки - это просто хорошая абстракция для данных. Вам нужно что-то, что вы можете сделать доказательства, что вы можете моделировать формально. Кодирование ввода и вывода в виде строки означает, что теперь вы имеете дело не с битами в памяти, а с математическими объектами с определенными свойствами. Вы можете рассуждать о них и доказывать доказательства в формальном и очень простом смысле.

Теория сложности, как правило, ориентирована на решение проблем, потому что они оказываются сложными. Когда версия решения коммивояжера является NP-полной (т. Е. Есть ли тур, длина которого меньше длины ), то, очевидно, найти кратчайший путь труднее. Не так много внимания уделяется проблемам функций / оптимизации, потому что есть еще много открытых вопросов и нерешенных проблем, связанных с более простыми проблемами решения.k

Я думаю, вот моя задача для вас: найти способ математически описать проблемы, которые не являются языками. Я не знаю, являются ли языки особенными, но я думаю, что это самый простой инструмент, который у нас есть, самый простой, с которым приходится иметь дело.

jmite
источник
7
Языки, конечно, не единственный способ формулировать проблемы. Например, вы можете формализовать что-то вроде хроматического числа как функцию от графов до натуральных чисел. И, на самом деле, довольно много работы над проблемами функций и оптимизации.
Дэвид Ричерби
2
Правда, но как бы вы справились со сложностью вычисления хроматического числа без какой-либо концепции языка или машины?
jmite
1
Спасибо за ваш ответ, я понимаю вашу точку зрения. Однако у меня все еще есть 2 вопроса: 1) не повлияет ли тот факт, что мы используем языки, на результаты о сложности или разрешимости проблемы? т.е. может ли проблема быть решаемой в арифметике с плавающей точкой, но не в целочисленной арифметике (то есть целочисленном программировании)? 2) Как мы делаем это сопоставление данных любого типа с уникальным языком, который описывает их все (так как мы хотим оценить сложность проблемы и абстрагироваться от конкретного ввода)? Еще раз спасибо!
Маттео
3
@jmite Да, машина нужна, но не обязательно язык.
Рафаэль
2
@ Рафаэль Многие классы сложности, которые обычно определяются в терминах времени работы машин, можно охарактеризовать в терминах описательной сложности.
Сашо Николов
7

На ваш вопрос есть два основных ответа:

  1. В теории сложности есть нечто большее, чем в языках, например, классы функций, арифметическая сложность, а также подрайоны алгоритмов аппроксимации и неприемлемости.

  2. Исторические причины: одна из основных статей в теории вычислимости была посвящена проблеме Энтшайдунгса Гильберта (форма проблемы остановки).

К сожалению, я не знаю много о последнем, но позвольте мне остановиться на первом.

Сложность за пределами языков

Каждый класс сложности вычислений поставляется со связанным классом функций . Например, класс P всех задач, разрешимых за полиномиальное время, связан с FP, классом всех функций, вычислимых за полиномиальное время. FP имеет важное значение , так как он используется для определения NP-твердость: язык является NP-трудной , если для каждого языка в НП есть функция в FP , такие , что тогда и только тогда . Другой класс сложности функций, #P , связан с так называемой полиномиальной иерархией через теорему Тоды .M f M x M f M ( x ) LLMfMxMfM(x)L

Арифметическая сложность схемы (или теория алгебраической сложности ) имеет дело со сложностью вычисления различных многочленов. Важными классами сложности здесь являются VP и VNP, а геометрическая теория сложности является важным проектом, пытающимся разделить VP и VNP (а затем и P и NP) с использованием алгебраической геометрии и теории представлений.

Другим важным примером алгебраической сложности является быстрое умножение матриц. Здесь основной вопрос заключается в том, как быстро мы можем умножить две матрицы ? Подобные вопросы спрашивают, как быстро мы можем умножать целые числа, как быстро мы можем проверять целые числа на простоту (это проблема решения!) И как быстро мы можем вычислять целые числа.

Выпуклая оптимизация имеет дело с задачами оптимизации, которые могут быть решены (или почти решены) эффективно. Примерами являются линейное программирование и полуопределенное программирование, оба из которых имеют эффективные алгоритмы. Здесь нас интересует как оптимальное, так и само оптимальное решение. Поскольку часто существует более одного оптимального решения, вычисление оптимального решения не всегда представляется проблемой решения.

Аппроксимируемость - это область, которая изучает, насколько хорошее приближение можно получить для задачи оптимизации за полиномиальное время. Рассмотрим, к примеру, классическую проблему Set Cover: учитывая набор множеств, сколько из них нам нужно, чтобы охватить всю вселенную? Найти оптимальное число сложно с NP, но, возможно, можно вычислить приближение? Алгоритмы аппроксимации - это подрайон, изучающий алгоритмы для вычисления аппроксимаций, в то время как не приближаемость изучает пределы алгоритмов аппроксимации. В частном случае Set Cover у нас есть алгоритм, дающий аппроксимацию (жадный алгоритм), и NP-сложнее сделать что-то лучше.lnn

Юваль Фильмус
источник
3

Давайте посмотрим на этот вопрос с точки зрения теории категорий. Задачи решения (или языки) будут тогда соответствовать объектам категории, а допустимые сокращения между двумя проблемами будут соответствовать морфизму (стрелкам) категории.

Преимущество разговоров о языках заключается в том, что эквивалентность языков четко определена (а именно равенством экстенсиональности). Две несвязанные проблемы могут привести к одному и тому же языку, и тогда мы можем рассматривать их как эквивалентные. Если бы мы вместо этого хотели поговорить об изоморфных проблемах, нам пришлось бы определить допустимые морфизмы между двумя проблемами. Но допустимые морфизмы зависят от рассматриваемого фактического класса сложности, что делает этот подход менее подходящим для сравнения различных классов сложности.

Понятие изоморфных проблем обычно будет более грубым, чем понятие эквивалентных языков, то есть две проблемы могут быть изоморфными, даже если связанные с ними языки не эквивалентны. Хуже всего то, что для разрешенных морфизмов часто существуют разные разумные понятия, которые согласуются только с разрешенными изоморфизмами. Сосредоточение внимания на языках позволяет откладывать такие проблемы до тех пор, пока мы не захотим говорить о некоторых других разумных понятиях сокращения (например, сокращение Карпа против уменьшения Кука).

Томас Климпел
источник
Это, кажется, не отвечает на вопрос. Можно все еще говорить о морфизмах между проблемами, какими бы они ни были объектами соответствующей категории.
Дэвид Ричерби
@DavidRicherby Суть, которую я хотел донести, заключается в том, что нахождение соответствующих морфизмов является более сложной задачей, чем наложение соответствующих объектов (= языков). (Тем более, что обычно существует более одного подходящего понятия морфизмов.) Без морфизмов нельзя говорить об изоморфных проблемах (или алгоритмах). Тем не менее, языки дают вам возможность по-прежнему говорить об эквивалентности проблем. Возможно, я не объяснил это должным образом, но (для меня) это хорошая причина для «использования языков в теории сложности».
Томас Климпел