Upload
sana-aroussi
View
598
Download
0
Embed Size (px)
Citation preview
CHAPITRE III: NP-COMPLÉTUDE
Université Blida 1Faculté des Sciences
Département d’InformatiqueMaster GSI (Génie des Systèmes Informatiques)
Semestre 1
Mme AROUSSI
2015-2016
Disponible sur https://sites.google.com/a/esi.dz/s-aroussi/
PARTIE I:RAPPEL SUR LA COMPLEXITÉ
Introduction
Définitions
Type de la Complexité
Notation de de Landau
Classes de complexité
Calcul de la Complexité des algorithmes (itératifs & récursifs)
3
PLAN DE LA PARTIE I
4
Le temps d’exécution d’un algorithme dépend des facteurssuivants :
Les données du programme,
La qualité du compilateur (langage utilisé),
La machine utilisée (vitesse, mémoire, ),
La complexité de l’algorithme lui-même,
On cherche à mesurer la complexité d’un algorithmeindépendamment de la machine et du langage utilisés, c.-à-d. uniquement en fonction de la taille des données quel’algorithme doit traiter.
INTRODUCTION
5
INTRODUCTIONEXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME
Soit P(X) un polynôme de degré n
P(X) = anXn + an-1Xn-1 + ... + a1X + a0 ,
Où: n : entier naturel
an, an-1, ..., a1, a0 : les coefficients du polynôme qui sont
stockés dans le tableau T[0..n] d’entiers.
Ecrire la fonction Calcul_poly(T: Tableau[0..n]d’entier,
X:entier): entier.
6
2ème variante Début Inter1 P 0 Pour 0 à n faire P P+ Inter *T[i] Inter Inter * X
FP Fin
1ère variante Début P0 Pour i 0 à n faire P P+ T[i] * Puiss (X, i)
FP Fin
1ère Complexité : 1ère Complexité : (n+1) additions
(n+1) multiplications(n+1) puissances
Au moins 3 variables
2ème Complexité : (n+1) additions
2(n+1) multiplications3 variables
INTRODUCTIONEXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME
7
3ème variante: Schéma de HornerP(X) = anXn + an-1Xn-1 + ... +a2X2 + a1X + a0
=(anXn-1 + an-1Xn-2 + ... +a2X + a1)X + a0= ((anXn-1 + an-1Xn-2 + ... +a2)X+ a1)X + a0= ............
= (....(((anX + an-1)X+ an-2 )X.....)X+ ... +a2)X+ a1)X + a0
3ème variante Début P T[n] Pour i n-1 à 0 faire P P*X + T[i]
FP Fin
3ème Complexité : n additions
n multiplications2 variables
INTRODUCTIONEXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME
8
Variantes Première Deuxième Troisième Complexité en temps(en terme de nombre d’opérations)
(n+1) additions(n+1) multiplications(n+1) puissances
(n+1) additions 2(n+1) multiplications
n additions n multiplications
Complexitéen espace mémoire (Variables)
P, i et les variables de la fonction puissance appelée (n+1) fois
P, i et Inter P, i
Nécessité d’estimer la complexité en temps et enespace d’un algorithme avant de l’écrire etl’implémenter
INTRODUCTIONEXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME
9
La complexité (temporelle) d’un algorithme est lamesure du nombre d’opérations fondamentales(affectations, comparaisons, opérations arithmétiques)qu’il effectue sur un jeu de données. Elle est expriméecomme une fonction de la taille du jeu de données. Elle permet en particulier de comparer deux algorithmes traitant
le même calcul. En d’autres termes, elle permet de déterminer siun algorithme A et meilleur qu’un algorithme Bindépendamment de la machine, du langage de programmation,du compilateur et des détails d’implémentation.
DÉFINITION
10
TYPE DE LA COMPLEXITÉ
Complexité au meilleur
•C'est le plus petit nombred'opérations qu'aura àexécuter l'algorithme surun jeu de données detaille n.
•Tmin(n) = mindDnT(d)
Complexité en moyenne
•C’est la moyenne descomplexités de l’algorithmesur des jeux de données detaille n
•Tmoy(n) = ΣdDn T(d) / |Dn|
Complexité au pire
• C’est le plus grandnombre d’opérationsqu’aura à exécuterl’algorithme sur un jeu dedonnées de taille n
•Tmax(n) = maxdDn T(d)
Notations:
Dn l’ensemble des données de taille n
T(n) le nombre d’opération sur un jeu donnée de taille n
11
Exemple: T(n) = O(n2) veut dire qu'il existe uneconstante c > 0 et une constante n0 > 0 tel que pour toutn > n0 T(n) <= c n2
La notation de Landau « O » est celle qui est leplus communément utilisée pour expliquerformellement les performances d'un algorithme.
NOTATION DE LANDAU
Cette notation exprime la limite supérieure d'unefonction dans un facteur constant.
12
Les règles de la notation O sont les suivantes :
Les termes constants : O(c) = O(1)
Les constantes multiplicatives sont omises :
O(cT ) = c O(T) = O(T)
L'addition est réalisée en prenant le maximum :
O(T1) + O(T2) = O(T1 + T2) = max(O(T1);O(T2))
La multiplication reste inchangée
O(T1)O(T2) = O(T1T2)
NOTATION DE LANDAU
13
Supposant que le temps d'exécution d’un algorithme est décrit par la fonctionT(n) = 3n2+10n+10, Calculer O(T(n))?
O(T(n)) = O(3 n2 + 10n + 10)
= O(max (3 n2, 10n, 10))
= O(3 n2)
= O (n2) Remarque:
Pour n = 10 nous avons :
Temps d'exécution de 3 n2 : 3(10)2 / 3(10)2+10(10)+10 = 73,2%
Temps d'exécution de 10n : 10(10) / 3(10)2+10(10)+10 = 24,4%
Temps d'exécution de 10 : 10 / 3(10)2+10(10)+10 = 2,4%
Le poids de 3 n2 devient encore plus grand quand n = 100, soit 96,7%
On peut négliger les quantités 10n et 10.
Ceci explique les règles de la notation O.
NOTATION DE LANDAU
14
CLASSES DE COMPLEXITÉ
Classe Notation O Exemple
Constante O(1) Accéder au premier élément d'un ensemble de données
Linéaire O(n) Parcourir un ensemble de données
Logarithmique O(log(n)) Couper un ensemble de données en deux parties égales, puis couper ces moitiés en deux parties égales, etc.
Quasi-linéaire O(n log(n)) Couper répétitivement un ensemble de données en deux et combiner les solutions partielles pour calculer lasolution générale
Quadratique O(n2) Parcourir un ensemble de données en utilisant deux boucles imbriquées
Polynomiale O(nP) Parcourir un ensemble de données en utilisant P boucles imbriquées
Exponentielle O(an) Générer tous les sous-ensembles possibles d'un ensemble de données
15
CLASSES DE COMPLEXITÉ
16
CALCUL DE LA COMPLEXITÉ
1. Cas d'une instruction simple (écriture, lecture, affectation ) :Le temps d'exécution de chaque instruction simple est O(1).
2. Cas d'une suite d'instructions simples: Le temps d ’exécutiond'une séquence d'instruction est déterminée par la règle de lasomme. C'est donc le temps de la séquence qui a le plus grandtemps d ’exécution: O(T) = O (T1 + T2) = max(O(T1);O(T2)) .
17
CALCUL DE LA COMPLEXITÉ
Exemple 2:
Permutation (Var S: tableau [0..n-1] d’entier, i, j: entier)
O(T) = O (T1 + T2 + T3) = O(1)
tmpS[i] O(T1) = O(1)
S[i]S[j] O(T2) = O(1)
S[j]tmp O(T3) = O(1)
18
CALCUL DE LA COMPLEXITÉ
3. Cas d'un traitement conditionnel: Le temps d'exécution d'uneinstruction SI est le temps d ’exécution des instructions exécutéessous condition, plus le temps pour évaluer la condition. Pour unealternative, on se place dans le cas le plus défavorable.
19
CALCUL DE LA COMPLEXITÉ
4. Cas d'un traitement itératif : Le temps d ’exécution d'une boucleest la somme du temps pour évaluer le corps et du temps pourévaluer la condition. Souvent ce temps est le produit du nombred'itérations de la boucle par le plus grand temps possible pour uneexécution du corps.
Boucle Pour Boule Tant que
20
CALCUL DE LA COMPLEXITÉ
Exemple 2:Recherche séquentielle (S: tableau [0..n-1] d’entier, x: entier): booléen
i 0 c1Trouve faux c2Tant que ((i<n) et (non trouve)) faire Condition = c3;
nombre d’itération = nDTQSi (S[i] = x) alors c4
Trouve vrai c5i i + 1 c6
FTQRetourner trouve c7
T(n) = c1+c2+n*(c3+c4+c5+c6) + c7 = c8 + c9 *n
O(T) = O(c8 + c9 *n) = O (n)
21
CALCUL DE LA COMPLEXITÉ
Exemple 3:
Tri par sélection (Var T: Tableau [1.. N] d’entier)
22
CALCUL DE LA COMPLEXITÉ
Exemple 4:
23
CALCUL DE LA COMPLEXITÉ
Exemple 5:
CALCUL DE LA COMPLEXITÉ
Exemple 6:
CALCUL DE LA COMPLEXITÉ
Exemple 7:
26
La complexité d’un algorithme récursif se fait par larésolution d’une de ces équations de récurrence:
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
27
Exemple 8: la fonction factorielleFacto (n: entier): entierDébutSi (n=1) alors retourner 1 Sinon retourner n*Facto (n-1); Fin
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
28
Exemple 8: la fonction factorielle
i.e. T(n) = T(n-1) + f(n) avec a = 1, T(0) = 0, f(n) = b;
O (T) = O (n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
29
Exemple 9: T(n) = 2*T(n-1) + c avec T(0) = 0
O (T) = O(2n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
30
Exemple 10: Recherche du maximum.
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
Fonction maximum ( Tab: Tableau , indDeb, indFin:entier)
Si ( indDeb = indFin) alors retourner (indDeb)
Sinon
M(indDeb+indFin) div 2 // division du problème en 2 sous-problèmes
k1maximum (Tab, indDeb, m ) // régner sur le 1er sous-problème
k2 maximum (Tab, m+1, indFin) // régner sur le 2ème sous-problème
// Combiner les solutions
Si (Tab[k1] > Tab[k2]) alors retourner (k1)
Sinon retourner (k2)
31
Exemple 10: Recherche du maximum.T(n) = 2 T(n/2) + c
a = 2 , b = 2, k = 0 a > bk
T(n) = O(n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
32
Fonction RechDicho(Tab :Tableau, borneinf, bornesup, x :entier) : boolSi (borneinf<=bornesup) alors
mil (borneinf+bornesup) DIV 2 ;Si (Tab[mil]=x) Alors retourner (vrai)Sinon
Si (Tab[mil]>x) AlorsRetourner (RechDicho(Tab, borneinf, mil-1, x))
SinonRetourner(RechDicho(Tab, mil+1, bornesup, x))
SinonRetourner (Faux)
Exemple 11: Recherche dichotomique.
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
33
Exemple 11: Recherche dichotomiqueT(n) = T(n/2) + c
a = 1 , b = 2, k = 0 a = bk
T(n) = O(log(n))
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
34
Exemple 12: Tri par Fusion
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
Tri_Fusion (T: tableau, debut, fin : entier)DebutSi (debut<fin) alors
milieu (debut + fin) /2Tri_Fusion(T, debut, milieu);Tri_fusion (T, milieu + 1, fin);Interclasser (T, debut, milieu, fin)
FSIFin
35
Procédure Interclasser(VAR T: tableau, debut, milieu, fin:entier)
DebutTmp: tableau temporaire du taille fin-debut+1i0; i1 debut, i2 milieu + 1;Tant que (i1≤milieu) et (i2 ≤ fin) faire
Si (T[i1]<T[i2]) alors Tmp[i]T[i1]; i1++;Sinon Tmp [i]T[i2]; i2++;i++;
Tant que (i1milieu) faire Tmp[i]T[i1]; i1++; i++;Tant que (i2fin) faire Tmp[i]T[i2]; i2++; i++;Pour idebut à fin faire T[i]=tmp[i-debut]; // recopier le tableauFin
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
Exemple 12: Tri par Fusion
36
Exemple 12: Tri par FusionT(n) = 2 T(n/2) + n
a = 2 , b = 2, k = 1 a = bk
T(n) = O(n log n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
37
Exemple 13 : La suite de Fibonacci
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
38
Exemple 13 : La suite de Fibonacci
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
PARTIE II:NP-COMPLÉTUDE
Introduction (Vocabulaire Général)
Classification de Problème
Notion de Réduction
Théorie de NP-Complétude
Quelques Problèmes NP-Complets
40
PLAN DE LA PARTIE II
41
Pour des raisons de simplicité et techniques, la théorie dela NP-Complétude se limite à l’étude des problèmes dedécision dont la solution est formulée en termesoui/non.
Un problème de décision est une paire P =(X,Y), où
X est l’ensemble des instances de P ;
Y est l’ensemble des instances-«oui»
X \ Y est l’ensemble des instances-«non»
INTRODUCTIONPROBLÈME DE DÉCISION
42
Un algorithme pour un problème de décision (X,Y) est unalgorithme qui calcule la fonction F : X →{0, 1}, définiepar
Cette restriction aux problèmes de décision est justifiéepar le fait que les autres problèmes qui ne sont pas dedécision, comme les problèmes d’optimisation et derecherche, peuvent être facilement transformés en unproblème de décision équivalent.
INTRODUCTIONPROBLÈME DE DÉCISION
43
Problème de Recherche:
La réduction de la recherche à la décision est faite par test d'hypothèse (La connexité de G)
INTRODUCTIONPROBLÈME DE DÉCISION VS AUTRES PROBLÈMES
Exemple Entrée RéponseAlgorithme de recherche(Trouver un arbre recouvrant)
G (X, E) non orienté
Arbre recouvrant
Algorithme de décision(Existence d’un arbre recouvrant)
G (X, E) non orienté
Oui/Non
44
Problème d’Optimisation:
Lorsque le critère d'optimisation est borné a priori, la réduction de l'optimisation à la décision est faite par test
d'hypothèse (La connexité de G et le poids de l’arbre recouvrant).
INTRODUCTIONPROBLÈME DE DÉCISION VS AUTRES PROBLÈMES
Exemple Entrée RéponseAlgorithme d’optimisation(Trouver un arbre recouvrant de poids minimum)
G (X, E, L) non orienté
Arbre recouvrant minimum
Algorithme de décision(Existence d’un arbre recouvrant de poids k)
G (X, E, L) non orienté
Oui/Non
45
Un algorithme déterministe est un algorithme dont la
solution qu’il produit peut être déduite des spécifications
de l’algorithme lui-même.
Un algorithme non déterministe est un algorithme dont
la solution est devinée puis vérifiée.
INTRODUCTIONALGORITHME DÉTERMINISTE VS NON-DÉTERMINISTE
46
Pour différentes raisons, la convention suivante s’est
imposée en informatique :
Un algorithme est efficace (ou facile) si sa complexité en
temps est polynomiale, c’est-à-dire en O(nk) pour un entier
k.
Un problème est de complexité polynomiale s'il existe un
algorithme de complexité polynomiale le résolvant.
INTRODUCTIONALGORITHME EFFICACE
47
La classe P regroupe tous les problèmes de décision qui
peuvent être résolus par un algorithme déterministe de
complexité polynomiale.
Exemple:
Problème de l’existence de l’arbre de recouvrement de poids k
(Algorithme de Kruskal)
Problème de l’existence d’un chemin de longueur k (Algorithme
de Dijkstra)
CLASSIFICATION DES PROBLÈMESCLASSE P
48
La classe NP (Non deterministic Polynomial) regroupetous les problèmes de décision qui peuvent être résoluspar un algorithme non-déterministe de complexitépolynomiale (i.e. dont la solution peut être vérifiée en
temps polynomial)
Pour montrer qu’un problème est dans la classeNP, il suffit de trouver un algorithme qui vérifie si unesolution donnée est valide en temps polynomiale.
CLASSIFICATION DES PROBLÈMESCLASSE NP
49
Problème 1: Problème de Satisfaction en calculpropositionnel (SAT)
Soit F = (x1, ...., xn) une formule du calcul propositionnelen Forme Normale Conjonctive, i.e. F = C1 C2 ..... Cm
pour une collection de clauses {C1, C2, ....., Cm} sur l’ensemble X = {x1, ...., xn } de variables booléennes(littéraux).
Décider si F est satisfiable, c-à-d décider s’il existe x1, ....,xn {0, 1}n tel que F s’évalue en vraie pour cette valeur deses variables (toutes les clauses de C soient vraies).
CLASSIFICATION DES PROBLÈMESCLASSE NP
50
Problème 2: Problème de K-SAT (k>2)
Soit F = (x1, ...., xn) une formule du calcul propositionnelen Forme Normale Conjonctive, i.e. F = C1 C2 ..... Cm
pour une collection de clauses {C1, C2, ....., Cm} surl’ensemble X = {x1, ...., xn } tel que chaque clausecontient exactement k littéraux |Ci| = k.
Décider si F est satisfiable, c-à-d décider s’il existe x1, ....,xn {0, 1}n tel que F s’évalue en vraie pour cette valeur deses variables (toutes les clauses de C soient vraies).
CLASSIFICATION DES PROBLÈMESCLASSE NP
51
Problème 3: Problème de Coloriage de Graphe
Étant donnée le graphe G = (X, E) non orienté,
déterminer le nombre minimal de couleurs pour
colorier les sommets X du G tel que deux sommets
adjacent soient de couleur différente.
CLASSIFICATION DES PROBLÈMESCLASSE NP
52
Problème 3: Problème de Coloriage de Graphe
Le problème de décision correspondant est:
Soient un graphe G = (X, E) et un entier k
Déterminer si le graphe G admet un coloriage avec au
moins de k couleurs.
Ce problème de décision est connu sous le nom du
problème K-Coloriabilité
CLASSIFICATION DES PROBLÈMESCLASSE NP
53
Problème 4: Problème du cycle hamiltonien
Soit G = (X, E) un graphe non orienté
Déterminer s’il existe un cycle hamiltonien, c’est-à-dire décider
s’il existe un chaîne de G passant une fois et une seule par
chacun des sommet et revenant à son point de départ.
Variantes: chaîne hamiltonien, circuit
hamiltonien, chemin hamiltonienne.
CLASSIFICATION DES PROBLÈMESCLASSE NP
54
Clairement, P NP mais la question qui se pose est :
P = NP ?
C’est l’une des questions (voire la question) non résolue lesplus célèbres qui défie les chercheurs depuis plus de 40 ans :elle a été placée parmi la liste des sept problèmes du prix du
millénaire réputés insurmontables posés par le l’institut Clay
Mathematical en 2000. L’institut offre un million de dollars
à qui déterminerait la réponse à cette question.
CLASSIFICATION DES PROBLÈMESCOMPARAISON ENTRE LES DEUX CLASSES P ET NP
55
Clairement, P NP mais la question qui se pose est :
P = NP ?
Intérêt: Si P = NP, alors tous les problèmes vérifiablespolynomialement seraient décidables en temps polynomial.
La plupart des personnes pensent que ces deux classes sontdistinctes car il y a un très grand nombre de problèmes pourlesquels on n’arrive pas à produire d’algorithme polynomiauxdepuis plus de 40 ans.
CLASSIFICATION DES PROBLÈMESCOMPARAISON ENTRE LES DEUX CLASSES P ET NP
56
Soient A et B deux problèmes. Si A se réduit à B (noté A B) , alors
le problème A est plus facile que le problème B, ou
le problème B est plus difficile que le problème A.
NOTION DE RÉDUCTIONIDÉE
57
Soient A (XA, YA) et B (XB, YB) deux problèmes dedécision. Une réduction de A vers B (A B) est unefonction R : XA XB calculable en temps polynomial telleque
aYA ssi R(a) YB :
NOTION DE RÉDUCTIONDÉFINITION
R
58
Soient A (XA, YA), B (XB, YB) et C (XC, YC) des problèmes
de décision.
A A
A B et B C impliquent A C.
A B et B A impliquent A B (A et B sont
équivalents).
NOTION DE RÉDUCTIONPROPRIÉTÉS
59
Intuitivement, si un problème est plus facile qu’un
problème polynomial, alors il est polynomial.
Formellement :
Si A B, et si B P alors A P.
Si A B, et si A P alors B P.
NOTION DE RÉDUCTIONAPPLICATION À LA COMPARAISON DE DIFFICULTÉ
60
THÉORIE NP-COMPLÉTUDEDÉFINITION
Un problème B est dit NP-complet, si
1. B NP
2. A NP, A B.
Les problèmes NP-complets sont donc les plus difficiles dela classe NP.
61
THÉORIE NP-COMPLÉTUDEPREUVE
Pour prouver la NP-complétude d’un problème B, il suffit
de prouver que :
1. B est dans NP;
2. A B pour un problème A que l’on sait déjà NP-
complet.
La difficulté est d’arriver à en produire un premier
problème NP-Complet.
62
THÉORIE NP-COMPLÉTUDEPROBLÈME 1: SAT
Théorème 1 (Cook-Levin, 1971): Le problème SAT estNP-complet.
Le problème SAT est le premier problème montré commeNP-complet.
Résultat admis: la preuve consiste en un codage d'unemachine de Turing qui vérifie les solutions du problèmeen temps polynomial.
Ce théorème va être utilisé pour en montrer par réductiond’autres problèmes NP-Complet.
63
THÉORIE NP-COMPLÉTUDEPROBLÈME 2: 3-SAT
Théorème 2 (Cook-Levin, 1971): Le problème de 3-
SAT est NP-Complet.
Preuve 2: Il faut montrer que :
1. 3-SAT est dans NP;
2. SAT 3-SAT (réduire SAT à 3-SAT).
RF3-sat
est elle satisfiable?
FsatF3-sat
Non
Oui
64
THÉORIE NP-COMPLÉTUDEPREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
Preuve 2: SAT 3-SAT (réduire SAT à 3-SAT). Toute clause du problème SAT peut être remplacée de manière
équivalente par un ensemble de clauses 3-SAT qui contiennentchacune exactement trois littéraux.
65
THÉORIE NP-COMPLÉTUDEPREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
Preuve 2: SAT 3-SAT (réduire SAT à 3-SAT). Toute clause du problème SAT peut être remplacée de manière
équivalente par un ensemble de clauses 3-SAT qui contiennentchacune exactement trois littéraux.
66
THÉORIE NP-COMPLÉTUDEPREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
Preuve 2: SAT 3-SAT (réduire SAT à 3-SAT).
La satisfiabilité des clauses Z’ est donc équivalente à la
satisfaisabilité de l’ensemble initiale Z.
La réduction est manifestement polynomiale ; on a donc bien prouvé
que SAT se réduisait à 3-SAT; ce dernier est donc bien NP-complet
67
THÉORIE NP-COMPLÉTUDEPROBLÈME 3: 3-COLORIABLE
Théorème 3: Le problème de 3-Coloriable est NP-
Complet.
Preuve 3: Il faut montrer que :
1. 3-Coloriable est dans NP;
2. 3-SAT 3-Coloriable (réduire 3-SAT à 3-Coloriable).
RG
est il 3-Coloriable
?F3-sat
G = (V, E)
Non
Oui
68
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
Preuve 3: 3-SAT 3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
1. Les trois premiers sont notés VRAI, FAUX, NSP. Ces trois sommetssont reliés deux à deux en triangle, de sorte qu’ils doivent être toustrois de couleurs différentes. On appellera les couleurscorrespondantes CVRAI(e.g. vert), CFAUX(e.g. rouge), CNSP (e.g. bleu)
NSP
VRAI FAUX
69
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
Preuve 3: 3-SAT 3-Coloriable.On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
2. On associe un sommet à chaque variable (Xi) et au complémentairede chaque variable (Not Xi). Pour assurer qu’une variable prenne lavaleur VRAI ou FAUX, on construit un triangle dont les sommetssont Xi, NOT Xi, et NSP.
NSP
Xi Not Xi
NSP
Xi Not Xi
70
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
Preuve 3: 3-SAT 3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
3. Pour chaque clause {A, B, C}, on introduit le motif :
Ce motif est 3-coloriable
A
B
C
3
4
2 0
1
VRAI
71
A
B
C
3
4
2 0
1
VRAI
CVRAI ou CFAUX
A
B
C
3
4
2 0
1
VRAI
CVRAI ou CFAUX
Preuve 3: 3-SAT 3-Coloriable.On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
Ce motif est 3-coloriable
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
72
Preuve 3: 3-SAT 3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
Ce motif est 3-coloriable
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
A
B
C
3
4
2 0
1
VRAI
CVRAI ou CFAUX
A
B
C
3
4
2 0
1
VRAICVRAI ou CFAUX
73
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
Preuve 3: 3-SAT 3-Coloriable.
Considérons alors le graphe formé des trois sommets distingués, destriangles formés sur les variables, et des motifs donnés. Si ce grapheest 3-coloriable, alors en particulier tout sous-graphe est coloriable.
À partir d’une 3-coloration du graphe, on construit une affectation devaleurs de vérité en mettant à 1 toutes les variables coloriées parCVRAI. Cette affectation est cohérente (une variable et soncomplémentaire ont bien une valeur opposée) et au moins unevariable par clause est à 1.
Inversement, étant donné une affectation de valeurs de vérité, il estaisé de déduire une 3-coloration du graphe.
74
Preuve 3: 3-SAT 3-Coloriable.
Exercice: Soit F =
1. Donner le graphe qui représente ces clauses etdéduire une affectation de valeurs de vérité quisatisfait F.
2. Montrer que le graphe est 3-coloriable pourl’affectation de valeurs de vérité suivante (x1, x2, x3)= (0, 0, 0).
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
75
THÉORIE NP-COMPLÉTUDEPREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
Preuve 3: 3-SAT 3-Coloriable.
L’existence d’une 3-coloration du graphe est donc
équivalente à la satisfaisabilité de la formule initiale.
La réduction est manifestement polynomiale ; on a donc
bien prouvé que 3-SAT se réduisait à 3-COLORABILITE ;
ce dernier est donc bien NP-complet.
76
THÉORIE NP-COMPLÉTUDEPROBLÈME 4: CYCLE HAMILTONIEN
Théorème 4 (Karp, 1972): Le problème de Cycle
Hamiltonien est NP-Complet.
Preuve 4: Il faut montrer que :
1. Cycle Hamiltonien est dans NP;
2. Plusieurs méthodes:a. 3-SAT Cycle Hamiltonien.
b. 3-SAT Recouvrement de Sommets Cycle Hamiltonien
c. 3-SAT Stable Recouvrement de Sommets Cyclehamiltonien
77
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
3-SAT Cycle Hamiltonien.
RG
contient il un C. H?
F3-satG = (V, E)
Non
Oui
78
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
On construit le graphe de la manière suivante: 1. Pour chaque variable, on introduit le sous graphe suivant:
2. Chaque nouvelle variable est liée à la précédente
X
Not X
X1 X2 Xn
79
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
On construit le graphe de la manière suivante: 3. Pour chaque clause, on introduit la structure B :
Aucun cycle hamiltonien de G ne peut traverser à la fois
L1, L2 et L3.
UU' L1L2L3
80
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
On construit le graphe de la manière suivante: 4. Les clauses sont liées comme suit:
C1 C2 Cm
X1 X2 Xn
81
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
On construit le graphe de la manière suivante: 5. Les littéraux de chaque clause sont liés aux variables par la
structure A comme suit:
82
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
Par exemple, le graphe suivant présente ces clauses
C1 C2 C3
X1 X2 X3
A AA
A
AA
AA A
83
THÉORIE NP-COMPLÉTUDEPREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
Preuve 4 (Papadimitriou et Steiglitz, 1982) :
Nous affirmons maintenant que G est hamiltonien si et seulement siF3-sat est satisfaisable. Soit C un cycle hamiltonien. On définit unassignement en fixant un littéral à vrai si et seulement si C contientl’arête correspondante. D’après les propriétés des structures A et B,chaque clause contient un littéral qui est vrai.
Inversement, tout assignement satisfaisant définit un ensembled’arêtes qui correspondent à des littéraux qui sont vrai. Commechaque clause contient un littéral qui est vrai, cet ensemble d’arêtespeut être complété en un cycle hamiltonien de G.
Enfin, la réduction est trivialement polynomiale.
SOURCES DE CE COURS Frédéric Vivien, Algorithmique avancée, École Normale Supérieure de Lyon, 2002.,
pp. 93. Disponible sur http://perso.ens-lyon.fr/frederic.vivien/Enseignement/Algo-2001-2002/Cours.pdf
Slim Msfar, Algorithmique et Complexité, 2012, pp 104. Disponible surhttp://p835.phpnet.org/testremorque/upload/catalogue/coursalgorithmi.pdf
Djamel-Eddine ZEGOUR, O-Notation, École nationale Supérieure d’Informatique, pp33. Disponible surhttp://www.zegour.netii.net/Site%20secondaire/Mcp/Cours%20ppt/1_o-notation.pdf
Olivier Bournez, Fondements de l’informatique Logique, modèles, et calculs, Chapitre12: Quelques problèmes NP-complets, Cours INF423 de l’Ecole Polytechnique, 2013,pp. 234.
Jean Fonlupt et Alexandre Skoda. Optimisation combinatoire – Théorie etalgorithmes, Chapitre 15: NP-complétude, 2010, 664p.
Gilles Schaeffer, Cours 4: Réduction et NP-complétude, 2010, pp. 124, Disponible surhttp://www.enseignement.polytechnique.fr/informatique/INF550/Cours1011/INF550-2010-5.pdf
Johanne Cohen, La NP-complétude, PRISM/CNRS, 2012, pp. 95, Disponible surhttp://www.prism.uvsq.fr/~joco/enseignement/Complexite.pdf 84