Seminar Parametrisierte Algorithmen für NP-schwere Probleme · Fixed-Parameter Tractability De...

Seminar Parametrisierte Algorithmen furNP-schwere Probleme

Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner

Lehrstuhl fur Algorithmik IInstitut fur Theoretische Informatik

Universitat Karlsruhe (TH)

8. Mai 2009

Lehrstuhl fur Algorithmik IInstitut fur theoretische Informatik

Universitat Karlsruhe (TH)Forschungsuniversitat · gegrundet 1825

Ubersicht

Themen

� Parametrisierung / FPT

� Charakterisierung von FPT

� Approximierbarkeit und FPT

� Beschrankte FPT

� Parametrisierte Komplexitatstheorie

Literatur

� Parameterized Complexity Theory, J. Flum, M. Grohe, 2006

� An Invitation to Fixed-Parameter Algorithms, R. Niedermeier,2006

Disclaimer

� viele Definitionen, Lemmata und Theoreme

� wenige Beweise

� einiges etwas trocken, aber wichtig, die Dinge mal sauberdefiniert zu haben

� N = {1, 2, . . .}

Parametrisierung

Definition (Parametrisierung / Parametrisiertes Problem)

Sei Σ ein endliches Alphabet.

� Eine Parametrisierung ist eine Abbildung κ : Σ∗ → N, die inPolynomialzeit berechenbar ist.

� Ein Parametrisiertes Problem (uber Σ) ist ein Tupel (Q, κ)mit Q ⊆ Σ∗ und einer Parametrisierung κ.

Beispiel: Parametrisierung

Problem p-SAT

� Q := {α | α erfullbare aussagenlogische Formel}� Parametrisierung: α 7→ κ(α) := Anzahl der Variablen von α

Problem p-SAT

Instanz: Aussagenlogische Formel α

Parameter: Anzahl der Variablen von α

Problem: Entscheide, ob α erfullbar ist

Beispiel: Parametrisierung

Problem p-Colorability

Instanz: Graph G = (V ,E ), k ∈ NParameter: k

Problem: Entscheide, ob G k-farbbar ist.

Parametrisierung

� (G , k) 7→ k

� Laufzeit O(|(G , k)|)

Definition (NP-Optimierungsproblem (Wdh.))

Ein NP-Optimierungsproblem uber Σ ist ein TripelO = (sol, cost, goal), so dass

(1) sol ist berechenbare Funktion Σ∗ → 2Σ∗ , so dass die Relation

R := {(x , y) | x ∈ Σ∗, y ∈ sol(x)}

polynomiell balanciert ist

(2) cost : R → N ist polynomiell berechenbar

(3) goal ∈ {max,min}

Optimum:

optO(x) := goal{cost(x , y) | y ∈ sol(x)}

Standardparametrisierung

Definition

Sei O = (sol, cost, goal) ein NP-Optimierungsproblem.

Problem p-OInstanz: x ∈ Σ∗, k ∈ NParameter: k

Problem: Entscheide, ob optO(x) ≥ k , falls goal = max oderoptO(x) ≤ k , falls goal = min

Fixed-Parameter Tractability

Definition (FPT)

Sei Σ endliches Alphabet, κ Parametrisierung

� Ein Algorithmus A heißt FPT-Algorithmus bzgl. κ, fallsf : N→ N berechenbar und ein Polynom p existieren, sodass die Laufzeit von A fur alle x ∈ Σ∗ beschrankt ist durch

f (κ(x)) · p(|x |)

� Ein Parametrisiertes Problem (Q, κ) ist fixed-parametertractable (FPT), falls es einen FPT-Algorithmus (bzgl. κ)gibt, der Q entscheidet.

10/ 41

Beispiel: p-SAT

p-SAT ist FPT bzgl. Parametrisierung “Anzahl der Variablen”

Beweis

� Brute-Force Algorithmus (Suchbaum) hat LaufzeitO(2k · p(|α|)).

11/ 41

Spezielle Parametrisierungen

Betrachte Parametrisierung

κsize(x) := max{1, |x |}

Beobachtung

� Q entscheidbar ⇒ (Q, κsize) ist FPT

12/ 41

Betrachte Parametrisierung

κone(x) := 1 fur alle x ∈ Σ∗

Beobachtung

� Q ⊆ Σ∗ ⇒ (Q, κone) ist FPT genau dann, wenn Q inPolynomialzeit entscheidbar ist

13/ 41

Sei g : N→ N berechenbar, monoton steigend und unbeschrankt,Σ endl. Alphabet, κ Parametrisierung mit

κ(x) ≥ g(|x |) fur alle x ∈ Σ∗.

Sei Q ⊆ Σ∗ entscheidbar. Dann ist (Q, κ) FPT.

� Jedes parametrisierte Problem, bei dem der Parametermonoton mit der Eingabelange wachst, ist FPT

14/ 41

Definition (`-Slice)

Sei (Q, κ) ein parametrisiertes Problem. Die `-te Slice von (Q, κ)ist definiert als

(Q, κ)` := {x ∈ Q | κ(x) = `} .

Sei (Q, κ) ein parametrisiertes Problem und ` ∈ N. Falls (Q, κ)FPT ist, dann ist (Q, `) ∈ P.

15/ 41

Folgerung fur p-Colorability

Problem p-Colorability

Instanz: Graph G = (V ,E ), k ∈ NParameter: k

Problem: Entscheide, ob G k-farbbar ist.

Falls P 6= NP gilt, ist p-Colorability nicht FPT.

Beweis

� 3-Slice von p-Colorability (3-Color) ist NP-schwer

16/ 41

Kernbildung

Definition (Kernbildung)

Sei (Q, κ) ein parametrisiertes Problem uber Σ.

Eine polynomiell berechenbare Funktion K : Σ∗ → Σ∗ heißtKernbildung, falls es eine berechenbare Funktion h : N→ N gibt,so dass

(i) x ∈ Q ⇔ K (x) ∈ Q und

(ii) |K (x)| ≤ h(κ(x))

� triviales Beispiel?: x 7→ x ist Kernbildung fur (Q, κsize)

17/ 41

Beispiel p-Vertx-Cover

Problem p-Vertex Cover

Gegeben: Graph G = (V ,E ), k ∈ NParameter: k

Problem: Entscheide, ob es ein Vertex Cover V ′ mit k Knotengibt

18/ 41

Reduktion von Buss fur p-Vertx-Cover

Beobachtung

� deg(v) ≥ k + 1 ⇒ v muss ins Vertex Cover

� maxv∈V deg(v) ≤ k und G hat Vertex Cover der Große k⇒ G hat hochstens k2 Kanten

Kernbildung

� (G , k) 7→ (G ′, k ′) := Reduce(G , k)

⇒ |(G ′, k ′)| = O(k2)

19/ 41

Reduktion von Buss

Algorithmus 1 : Reduce(G , k)

Input : Graph G = (V ,E ), k ∈ Nif k = 0 then1

if E = ∅ then return (G +, 1) else return (G−, 1)2

if ∃v ∈ V : deg(v) > k then4

return Reduce(G − v , k − 1)5

if |E | ≤ k2 then return (G , k) else return (G−, 1)7

(G +, 1) ist triviale Ja-Instanz, (G−, 1) ist triviale Nein-Instanz

20/ 41

FPT und Kernbildung

Theorem

Sei (Q, κ) ein Parametrisiertes Problem. Dann sind aquivalent

(1) (Q, κ) ∈ FPT

(2) Q ist entscheidbar und es existiert eine Kernbildung fur (Q, κ)

Beweis

� Tafel

21/ 41

Alternative FPT-Charakterisierungen

Definition

(Q, κ) ist in P nach einer Vorberechnung auf dem Parameter, fallses ein Alphabet Π, eine berechenbare Funktion π : N→ Π∗ undein Problem X ⊆ Σ∗ × Π∗ gibt, so dass X ∈ P liegt und

x ∈ Q ⇔ (x , π(κ(x))) ∈ X

fur alle x ∈ Σ∗ gilt.

22/ 41

Definition

(Q, κ) ist irgendwann in P, falls es eine berechenbare Funktionh : N→ N und einen Polynomialzeit-Algorithmus A gibt, der furalle x ∈ Σ∗ mit |x | ≥ h(κ(x)) entscheidet, ob x ∈ Q gilt.

(Das Verhalten fur x mit |x | ≤ h(κ(x)) ist nicht spezifiziert.)

23/ 41

Theorem

Sei (Q, κ) ein parametrisiertes Problem. Dann sind aquivalent:

(1) (Q, κ) ist FPT

(2) (Q, κ) ist in P nach einer Vorberechnung auf dem Parameter

(3) (Q, κ) ist irgendwann in P

24/ 41

Approximierbarkeit und FPT

Definition (PTAS (Wdh.))

Sei O = (sol, cost, goal) ein NP-Optimierungsproblem uber Σ.

Ein Polynomialzeit-Approximationsschema (PTAS) A fur O ist einAlgorithmus mit folgenden Eigenschaften:

� Eingabe: (x , k) ∈ Σ∗ ×N� Ausgabe: 1

k -Approximation y ∈ Σ∗ mit

cost(x , y)

optO(x)≤

optO(x)

cost(x , y)≤

)� fur festes k ist Laufzeit polynomiell

25/ 41

Definition (EPTAS)

Sei O = (sol, cost, goal) ein NP-Optimierungsproblem uber Σ.

Ein effizientes PTAS (EPTAS) fur O ist ein PTAS A, dessenLaufzeit beschrankt ist durch f (k) · p(|x |), wobei f : N→ N eineberechenbare Funktion und p ein Polynom sind.

FPTAS ⊆ EPTAS ⊆ PTAS

26/ 41

Theorem

Sei O = (sol, cost, goal) ein NP-Optimierungsproblem, fur das esein EPTAS A gibt. Dann ist die Standardparametrisierung p-OFPT.

Beweis

� Tafel

27/ 41

Beschrankte Fixed-Paramter Tractability

Definition (F -FPT)

Sei F Menge von Funktionen f : N→ N.

Ein parametrisiertes Problem (Q, κ) ist F-FPT, falls es eineFunktion f ∈ F , ein Polynom p und einen Algorithmus A gibt, derin hochstens f (κ(x)) · p(|x |) Zeitschritten entscheidet, ob x ∈ Qliegt.

Beispielklassen

� 2kO(1)-FPT= EXPT

� 2O(k)-FPT= EPT

� 2oeff(k)-FPT= SUBEPT

28/ 41

Parametrisierte Komplexitatstheorie

Definition (FPT-Reduktion)

Seien (Q, κ) und (Q ′, κ′) Parametrisierte Problem uber Σ bzw. Σ′.

Eine FPT-Reduktion von (Q, κ) nach (Q ′, κ′) ist eine AbbildungR : Σ∗ → (Σ′)∗ mit folgenden Eigenschaften:

� x ∈ Q ⇔ R(x) ∈ Q ′

� R kann in FPT-Zeit (bzgl. κ) berechnet werden

� es existiert eine berechenbare Funktion g : N→ N, so dassκ′(R(x)) ≤ g(κ(x)) fur alle x ∈ Σ∗ gilt.

� Notation: (Q, κ) ≤FPT (Q ′, κ′), (Q, κ) ≡FPT (Q ′, κ′)

29/ 41

Eigenschaften von FPT-Reduktionen

Die Relation ≤FPT ist reflexiv und transitiv.

FPT ist abgeschlossen unter FPT-Reduktionen, d.h.(Q, κ) ≤FPT (Q ′, κ′) und (Q ′, κ′) ∈ FPT⇒ (Q, κ) ∈ FPT.

30/ 41

Schwere / Vollstandigkeit

Definition (C-schwer / C-vollstandig unter FPT-Reduktionen)

Sei C eine Klasse von parametrisierten Problemen und (Q, κ) einparametrisiertes Problem.

� (Q, κ) ist C-schwer unter FPT-Reduktionen, falls(Q ′, κ′) ≤FPT (Q, κ) fur alle (Q ′, κ′) ∈ C

� (Q, κ) ist C-vollstandig unter FPT-Reduktionen, falls(Q, κ) ∈ C gilt und (Q, κ) C-schwer ist

31/ 41

Beispiel

� p-Clique ≡fpt p-Independent-Set

� FPT-Reduktion

R(x) :=

{enc(G , k), falls x = enc(G , k)x , sonst

� enc bildet Graph und Parameter auf Kodierung uber Σ∗ ab

32/ 41

Para-NP

Definition (FPTpara-NP)

Sei (Q, κ) parametrisiertes Problem uber Σ .

(Q, κ) ist in FPTpara-NP, falls

� es eine berechenbare Funktion f : N→ N, ein Polynom psowie

� einen nicht-deterministischen Algorithmus A gibt, der x ∈ Qfur x ∈ Σ∗ entscheidet und

� in hochstens f (κ(x)) · p(|x |) Schritten terminiert.

33/ 41

Para-NP Eigenschaften

Proposition

Sei (Q, κ) ein parametrisiertes Problem uber Σ. Dann sindaquivalent:

(1) (Q, κ) ist in para-NP(2) (Q, κ) ist “in NP nach einer Vorberechnung auf dem

Parameter”

(3) Q ist entscheidbar und (Q, κ) ist “irgendwann in NP”

Corollary

FPT = para-NP genau dann, wenn P = NP.

34/ 41

Para-NP Eigenschaften

Theorem

Sei (Q, κ) ein nicht-triviales parametrisiertes Problem in para-NP.Dann sind Aquivalent:

(1) (Q, κ) ist para-NP-vollstandig unter FPT-Reduktionen

(2) Die Vereinigung von endlich vielen Slices ist NP-vollstandig

Corollary

p-Colorability ist para-NP-vollstandig unterFPT-Reduktionen.

35/ 41

Para-NP Diskussion

Eigenschaften

� FPT ⊆ para-NP (klar)

Problem

� zu viele Probleme sind para-NP-schwer: eineNP-vollstandige Slice genugt

� hauptsachlich negative Resultate

36/ 41

Definition (XPnu)

Ein parametrisiertes Problem (Q, κ) ist in XPnu (nicht-uniformesXP), wenn die Slices (Q, κ)` fur alle ` ≥ 1 in P sind.

Probleme

� non-uniform: Algorithmus kann fur jedes ` unterschiedlich sein

� XPnu enthalt unentscheidbare Probleme: (Q, κsize) mitQ ⊆ {1}∗ unentscheidbar

37/ 41

Definition (XP)

Ein parametrisiertes Problem gehort zur Klasse XP, falls es eineberechenbare Funktion f : N→ N und einen Algorithmus A gibt,die fur alle x ∈ Σ∗ in hochstens

|x |f (κ(x)) + f (κ(x))

Schritten entscheidet, ob x in Q liegt.

Beobachtung

� Schranke |x |f (κ(x)) + f (κ(x)) kann durch berechenbareFunktion pκ(x)(|x |) ersetzt werden

� fur festes k arbeitet A in Polynomialzeit

38/ 41

Komplexitatsklassen

para-NP XP

39/ 41

Zusammenfassung

� Parametrisierung

� monoton in |x | wachsende, unbeschr. Parametrisierung ⇒ FPT

� Charakterisierung von FPT

� Kernbildung� in P nach Vorberechnung auf dem Parameter� irgendwann in P� Zusammenhang mit Approximationsalgorithmen

� Parametrisierte Komplexitatsklassen

� para-NP� XPnu, XP

40/ 41

Seminar Parametrisierte Algorithmen für NP-schwere Probleme · Fixed-Parameter Tractability De...

Documents

Transcript of Seminar Parametrisierte Algorithmen für NP-schwere Probleme · Fixed-Parameter Tractability De...

Problemlösung, Algorithmus und grafische Darstellung

Thomas Wetzel: Besser als der Algorithmus

Algorithmen für offene verteilte Systemestefan/Kolloquium_Karlsruhe.pdf · ~70,000 Users)-Neue Clients ... Entwickle Token Distribution Algorithmus für diesen Graphen. 4. Algorithmus

Modellierung eines verteilten Algorithmus

Der Viterbi-Algorithmus im Part-of-Speech Taggingasv.informatik.uni-leipzig.de/document/file_link/104/LI07_Viterbi... · 11.05.2002 1 Karin Haenelt, Viterbi-Algorithmus Der Viterbi-Algorithmus

Kapitel 5Der Algorithmus

Der PageRank-Algorithmus

CS1005 Objektorientierte Programmierunghg51/Veranstaltungen/OOP... · Seite 7 Algorithmen und Programme Algorithmus – Definition Ein Algorithmus ist eine detaillierte und explizite

Programmierung eines tomographischen Algorithmus zur ...

Einführung - Ansätze - Algorithmus Seminar Semantisches ...klusch/seminar-SWS06/OvidiuVela... · 1 Database Schema Matching Einführung - Ansätze - Algorithmus Seminar: Semantisches

Pagerank: der Google-Ranking-Algorithmus. Ordnung …kontext.fraunhofer.de/haenelt/kurs/folien/Haenelt_PageRank.pdf · PageRank: Der Google-Ranking-Algorithmus Ordnung einer Menge

Kapitel 11 Rekursion - sosy-lab.org · Ein Algorithmus ist rekursiv, wenn in seiner (endlichen) Beschreibung derselbe Algorithmus wieder aufgerufen wird. Der Algorithmus ist dann

„Implementierung, Test und Bewertung eines zeitvarianten Algorithmus zur Ansteuerung ... · 2013. 12. 12. · „Implementierung, Test und Bewertung eines zeitvarianten Algorithmus

Diskrete Optimierung - Foswiki · 1.2. Was ist ein Algorithmus? 2 1.2 Was ist ein Algorithmus? De nition 1.2.1 Ein Algorithmus ist eine Anleitung zur schrittweisen L osung eines Problems.

Sortierverfahren Susanne Freitag. Vorkenntnisse der Schüler (12. Klasse GK) Begrifflichkeiten: Algorithmus, Rekursion, usw. Begrifflichkeiten: Algorithmus,

Der Train-Algorithmus Thomas Wuerthinger. Grundidee.

Der A*-Algorithmus. Gliederung 1.Uniformierte Suche 2.Heuristische Suche a) Kostenfunktion b) Heuristische Funktion c) Schätzfunktion 2.1.A*-Algorithmus.

Le Minh-Anh (LMU) Regressionskalibrierung 5. Dezember ... · Dezember, 2014 2 / 41. Gliederung 1 Regressionskalibrierung-Algorithmus Problemstellung Algorithmus 2 Parameterschätzung

Algorithmus. Ein Kochrezept, zum Beispiel: Kartoffelbrei.

Robuste Designoptimierung von Faserverbundwerkstoffen am ... · Der parametrisierte Lagenaufbau wird in ANSYS Composite Prepost definiert und an die parametrisierte Simulation in

Der A-Algorithmus. Gliederung 1.Uniformierte Suche 2.Heuristische Suche a) Kostenfunktion b) Heuristische Funktion c) Schätzfunktion 2.1.A-Algorithmus.