Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
|
|
|
- Gerda Althaus
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
2 Dank Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität Koblenz-Landau) Jürgen Dix (gehalten an der TU Clausthal) Ihnen beiden gilt mein herzlicher Dank. Bernhard Beckert, April 2007 B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
3 Teil VI Komplexitätstheorie 1 Die Struktur von PSPACE 2 Vollständige und harte Probleme 3 Beispiele B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
4 Inhalt von Teil VI Definition der berühmten Klassen P und NP. Begriff der Reduktion: ein Problem (eine Sprache) wird auf eine zweite reduziert. Das erste Problem ist dann höchstens so schwer wie das zweite. Den Begriff eines NP-schweren Problems. Einige Probleme der Graphentheorie: sie sind NP-vollständig. Die wichtigsten Komplexitätsklassen und ihre Struktur. B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
5 Inhalt von Teil VI Definition der berühmten Klassen P und NP. Begriff der Reduktion: ein Problem (eine Sprache) wird auf eine zweite reduziert. Das erste Problem ist dann höchstens so schwer wie das zweite. Den Begriff eines NP-schweren Problems. Einige Probleme der Graphentheorie: sie sind NP-vollständig. Die wichtigsten Komplexitätsklassen und ihre Struktur. B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
6 Inhalt von Teil VI Definition der berühmten Klassen P und NP. Begriff der Reduktion: ein Problem (eine Sprache) wird auf eine zweite reduziert. Das erste Problem ist dann höchstens so schwer wie das zweite. Den Begriff eines NP-schweren Problems. Einige Probleme der Graphentheorie: sie sind NP-vollständig. Die wichtigsten Komplexitätsklassen und ihre Struktur. B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
7 Inhalt von Teil VI Definition der berühmten Klassen P und NP. Begriff der Reduktion: ein Problem (eine Sprache) wird auf eine zweite reduziert. Das erste Problem ist dann höchstens so schwer wie das zweite. Den Begriff eines NP-schweren Problems. Einige Probleme der Graphentheorie: sie sind NP-vollständig. Die wichtigsten Komplexitätsklassen und ihre Struktur. B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
8 Inhalt von Teil VI Definition der berühmten Klassen P und NP. Begriff der Reduktion: ein Problem (eine Sprache) wird auf eine zweite reduziert. Das erste Problem ist dann höchstens so schwer wie das zweite. Den Begriff eines NP-schweren Problems. Einige Probleme der Graphentheorie: sie sind NP-vollständig. Die wichtigsten Komplexitätsklassen und ihre Struktur. B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
9 Teil VI Komplexitätstheorie 1 Die Struktur von PSPACE 2 Vollständige und harte Probleme 3 Beispiele B. Beckert Grundlagen d. Theoretischen Informatik: SS / 313
10 Teil VI Komplexitätstheorie 1 Die Struktur von PSPACE 2 Vollständige und harte Probleme 3 Beispiele B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
11 Komplexitätstheorie: Motivation 1 Sortieralgorithmen: Bubble Sort, Quicksort,... 2 Erfüllbarkeitsproblem: Gibt es eine erfüllende Belegung für die Variablen {x 1,x 2,...x n }? 3 Graphenprobleme: Gibt es einen hamiltonschen Kreis in einem Graphen? Sind zwei Knoten in einem Graphen voneinander erreichbar? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
12 Komplexitätstheorie: Motivation 1 Sortieralgorithmen: Bubble Sort, Quicksort,... 2 Erfüllbarkeitsproblem: Gibt es eine erfüllende Belegung für die Variablen {x 1,x 2,...x n }? 3 Graphenprobleme: Gibt es einen hamiltonschen Kreis in einem Graphen? Sind zwei Knoten in einem Graphen voneinander erreichbar? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
13 Komplexitätstheorie: Motivation 1 Sortieralgorithmen: Bubble Sort, Quicksort,... 2 Erfüllbarkeitsproblem: Gibt es eine erfüllende Belegung für die Variablen {x 1,x 2,...x n }? 3 Graphenprobleme: Gibt es einen hamiltonschen Kreis in einem Graphen? Sind zwei Knoten in einem Graphen voneinander erreichbar? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
14 Komplexitätstheorie Welche Arten von Komplexität gibt es? Zeit Speicher B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
15 DTIME und NTIME Definition 16.1 (NTIME(T (n)), DTIME(T (n))) Basismodell: k-dtm M (ein Band für die Eingabe). Wenn M mit jedem Eingabewort der Länge n höchstens T (n) Schritte macht, dann wird sie T (n)-zeitbeschränkt genannt. Die von M akzeptierte Sprache hat Zeitkomplexität T (n) (tatsächlich meinen wir max(n + 1, T (n) )). DTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, DTMn akzeptiert werden. NTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
16 DTIME und NTIME Definition 16.1 (NTIME(T (n)), DTIME(T (n))) Basismodell: k-dtm M (ein Band für die Eingabe). Wenn M mit jedem Eingabewort der Länge n höchstens T (n) Schritte macht, dann wird sie T (n)-zeitbeschränkt genannt. Die von M akzeptierte Sprache hat Zeitkomplexität T (n) (tatsächlich meinen wir max(n + 1, T (n) )). DTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, DTMn akzeptiert werden. NTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
17 DTIME und NTIME Definition 16.1 (NTIME(T (n)), DTIME(T (n))) Basismodell: k-dtm M (ein Band für die Eingabe). Wenn M mit jedem Eingabewort der Länge n höchstens T (n) Schritte macht, dann wird sie T (n)-zeitbeschränkt genannt. Die von M akzeptierte Sprache hat Zeitkomplexität T (n) (tatsächlich meinen wir max(n + 1, T (n) )). DTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, DTMn akzeptiert werden. NTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
18 DTIME und NTIME Definition 16.1 (NTIME(T (n)), DTIME(T (n))) Basismodell: k-dtm M (ein Band für die Eingabe). Wenn M mit jedem Eingabewort der Länge n höchstens T (n) Schritte macht, dann wird sie T (n)-zeitbeschränkt genannt. Die von M akzeptierte Sprache hat Zeitkomplexität T (n) (tatsächlich meinen wir max(n + 1, T (n) )). DTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, DTMn akzeptiert werden. NTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
19 DTIME und NTIME Definition 16.1 (NTIME(T (n)), DTIME(T (n))) Basismodell: k-dtm M (ein Band für die Eingabe). Wenn M mit jedem Eingabewort der Länge n höchstens T (n) Schritte macht, dann wird sie T (n)-zeitbeschränkt genannt. Die von M akzeptierte Sprache hat Zeitkomplexität T (n) (tatsächlich meinen wir max(n + 1, T (n) )). DTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, DTMn akzeptiert werden. NTIME(T (n)) ist die Klasse der Sprachen, die von T (n)-zeitbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
20 DSPACE und NSPACE Definition 16.2 (NSPACE(S(n)), DSPACE(S(n))) Basismodell: k-dtm M davon ein spezielles Eingabeband (offline DTM). Wenn M für jedes Eingabewort der Länge n maximal S(n) Zellen auf den Ablagebändern benutzt, dann heißt M S(n)-speicherbeschränkt. Die von M akzeptierte Sprache hat Speicherkomplexität S(n) (tatsächlich meinen wir max(1, S(n) )) DSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, DTMn akzeptiert werden. NSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
21 DSPACE und NSPACE Definition 16.2 (NSPACE(S(n)), DSPACE(S(n))) Basismodell: k-dtm M davon ein spezielles Eingabeband (offline DTM). Wenn M für jedes Eingabewort der Länge n maximal S(n) Zellen auf den Ablagebändern benutzt, dann heißt M S(n)-speicherbeschränkt. Die von M akzeptierte Sprache hat Speicherkomplexität S(n) (tatsächlich meinen wir max(1, S(n) )) DSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, DTMn akzeptiert werden. NSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
22 DSPACE und NSPACE Definition 16.2 (NSPACE(S(n)), DSPACE(S(n))) Basismodell: k-dtm M davon ein spezielles Eingabeband (offline DTM). Wenn M für jedes Eingabewort der Länge n maximal S(n) Zellen auf den Ablagebändern benutzt, dann heißt M S(n)-speicherbeschränkt. Die von M akzeptierte Sprache hat Speicherkomplexität S(n) (tatsächlich meinen wir max(1, S(n) )) DSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, DTMn akzeptiert werden. NSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
23 DSPACE und NSPACE Definition 16.2 (NSPACE(S(n)), DSPACE(S(n))) Basismodell: k-dtm M davon ein spezielles Eingabeband (offline DTM). Wenn M für jedes Eingabewort der Länge n maximal S(n) Zellen auf den Ablagebändern benutzt, dann heißt M S(n)-speicherbeschränkt. Die von M akzeptierte Sprache hat Speicherkomplexität S(n) (tatsächlich meinen wir max(1, S(n) )) DSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, DTMn akzeptiert werden. NSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
24 DSPACE und NSPACE Definition 16.2 (NSPACE(S(n)), DSPACE(S(n))) Basismodell: k-dtm M davon ein spezielles Eingabeband (offline DTM). Wenn M für jedes Eingabewort der Länge n maximal S(n) Zellen auf den Ablagebändern benutzt, dann heißt M S(n)-speicherbeschränkt. Die von M akzeptierte Sprache hat Speicherkomplexität S(n) (tatsächlich meinen wir max(1, S(n) )) DSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, DTMn akzeptiert werden. NSPACE(S(n)) ist die Klasse der Sprachen, die von S(n)-speicherbeschränkten, NTMn akzeptiert werden. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
25 DSPACE und NSPACE Frage: Wieso eine offline-turing-maschine? Beispiel Zu welcher Zeit-/Speicherkomplexitätsklasse gehört L mirror := {wcw R : w (0 + 1) }, also die Menge aller Wörter die um den mittleren Buchstaben c gespiegelt werden können? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
26 DSPACE und NSPACE Frage: Wieso eine offline-turing-maschine? Bandbeschränkung von weniger als linearem Wachstum. Beispiel Zu welcher Zeit-/Speicherkomplexitätsklasse gehört L mirror := {wcw R : w (0 + 1) }, also die Menge aller Wörter die um den mittleren Buchstaben c gespiegelt werden können? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
27 DSPACE und NSPACE Frage: Wieso eine offline-turing-maschine? Bandbeschränkung von weniger als linearem Wachstum. Beispiel Zu welcher Zeit-/Speicherkomplexitätsklasse gehört L mirror := {wcw R : w (0 + 1) }, also die Menge aller Wörter die um den mittleren Buchstaben c gespiegelt werden können? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
28 DSPACE und NSPACE Beispiel (Forts.) Zeit: Speicher: B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
29 DSPACE und NSPACE Beispiel (Forts.) Zeit: DTIME(n + 1). Die Eingabe wird einfach rechts vom c in umgekehrter Reihenfolge kopiert. Wenn das c gefunden wird, wird einfach der übrige Teil (das w) mit der Kopie von w auf dem Band verglichen. Speicher: B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
30 DSPACE und NSPACE Beispiel (Forts.) Zeit: DTIME(n + 1). Die Eingabe wird einfach rechts vom c in umgekehrter Reihenfolge kopiert. Wenn das c gefunden wird, wird einfach der übrige Teil (das w) mit der Kopie von w auf dem Band verglichen. Speicher: Die gerade beschriebene Maschine liefert eine Schranke von DSPACE(n). B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
31 DSPACE und NSPACE Beispiel (Forts.) Zeit: DTIME(n + 1). Die Eingabe wird einfach rechts vom c in umgekehrter Reihenfolge kopiert. Wenn das c gefunden wird, wird einfach der übrige Teil (das w) mit der Kopie von w auf dem Band verglichen. Speicher: Die gerade beschriebene Maschine liefert eine Schranke von DSPACE(n). Geht es noch besser? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
32 DSPACE und NSPACE Beispiel (Forts.) Zeit: DTIME(n + 1). Die Eingabe wird einfach rechts vom c in umgekehrter Reihenfolge kopiert. Wenn das c gefunden wird, wird einfach der übrige Teil (das w) mit der Kopie von w auf dem Band verglichen. Speicher: Die gerade beschriebene Maschine liefert eine Schranke von DSPACE(n). Geht es noch besser? Ja: B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
33 DSPACE und NSPACE Beispiel (Forts.) Zeit: DTIME(n + 1). Die Eingabe wird einfach rechts vom c in umgekehrter Reihenfolge kopiert. Wenn das c gefunden wird, wird einfach der übrige Teil (das w) mit der Kopie von w auf dem Band verglichen. Speicher: Die gerade beschriebene Maschine liefert eine Schranke von DSPACE(n). Geht es noch besser? Ja: DSPACE(lg n). Wir benutzen zwei Bänder als Binär-Zähler. Die Eingabe auf das Auftreten von genau einem c benötigt keinen Speicher (kann mit einigen Zuständen getan werden). Als zweites prüfen wir Zeichen für Zeichen auf der linken und auf der rechten Seite: dazu müssen die zu prüfenden Positionen gespeichert werden (sie werden auf den beiden Bändern kodiert). Man kommt auch mit einem einzigen Zähler aus (und einem Band). B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
34 Wichtige Fragen Wichtige Fragen (1) Zeit: Wird jede Sprache aus DTIME(f(n)) von einer DTM entschieden? Speicher: Wird jede Sprache aus DSPACE(f(n)) von einer DTM entschieden? Die Funktionen f sind immer sehr einfache Funktionen, insbesondere sind sie alle berechenbar. In dieser Vorlesung betrachten wir nur Potenzen f(n) = n i. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
35 Wichtige Fragen Wichtige Fragen (1) Zeit: Wird jede Sprache aus DTIME(f(n)) von einer DTM entschieden? Speicher: Wird jede Sprache aus DSPACE(f(n)) von einer DTM entschieden? Die Funktionen f sind immer sehr einfache Funktionen, insbesondere sind sie alle berechenbar. In dieser Vorlesung betrachten wir nur Potenzen f(n) = n i. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
36 Wichtige Fragen Wichtige Fragen (1) Zeit: Wird jede Sprache aus DTIME(f(n)) von einer DTM entschieden? Speicher: Wird jede Sprache aus DSPACE(f(n)) von einer DTM entschieden? Die Funktionen f sind immer sehr einfache Funktionen, insbesondere sind sie alle berechenbar. In dieser Vorlesung betrachten wir nur Potenzen f(n) = n i. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
37 Wichtige Fragen Wichtige Fragen (2) Zeit/Speicher: Wie sieht es mit NTIME(f(n)), NSPACE(f(n)) aus? Zeit vs. Speicher: Welche Beziehungen gelten zwischen DTIME(f(n)), DSPACE(f(n)), NTIME(f(n)), NSPACE(f(n))? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
38 Wichtige Fragen Wichtige Fragen (2) Zeit/Speicher: Wie sieht es mit NTIME(f(n)), NSPACE(f(n)) aus? Zeit vs. Speicher: Welche Beziehungen gelten zwischen DTIME(f(n)), DSPACE(f(n)), NTIME(f(n)), NSPACE(f(n))? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
39 Wichtige Fragen Wichtige Fragen (2) Zeit/Speicher: Wie sieht es mit NTIME(f(n)), NSPACE(f(n)) aus? Zeit vs. Speicher: Welche Beziehungen gelten zwischen DTIME(f(n)), DSPACE(f(n)), NTIME(f(n)), NSPACE(f(n))? B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
40 Wichtige Fragen Halten, hängen nach n Schritten. Zeitbeschränkt: Was bedeutet es, daß eine DTM höchstens n Schritte macht? Halten?: Streng genommen, müßte sie dann entweder halten oder hängen. Das bedeutet, im ersten Fall, daß die Eingabe akzeptiert wird. Hängen?: DTM n auf beidseitig unendlichem Band können aber nicht hängen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
41 Wichtige Fragen Halten, hängen nach n Schritten. Zeitbeschränkt: Was bedeutet es, daß eine DTM höchstens n Schritte macht? Halten?: Streng genommen, müßte sie dann entweder halten oder hängen. Das bedeutet, im ersten Fall, daß die Eingabe akzeptiert wird. Hängen?: DTM n auf beidseitig unendlichem Band können aber nicht hängen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
42 Wichtige Fragen Halten, hängen nach n Schritten. Zeitbeschränkt: Was bedeutet es, daß eine DTM höchstens n Schritte macht? Halten?: Streng genommen, müßte sie dann entweder halten oder hängen. Das bedeutet, im ersten Fall, daß die Eingabe akzeptiert wird. Hängen?: DTM n auf beidseitig unendlichem Band können aber nicht hängen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
43 Wichtige Fragen Halten, hängen nach n Schritten. Zeitbeschränkt: Was bedeutet es, daß eine DTM höchstens n Schritte macht? Halten?: Streng genommen, müßte sie dann entweder halten oder hängen. Das bedeutet, im ersten Fall, daß die Eingabe akzeptiert wird. Hängen?: DTM n auf beidseitig unendlichem Band können aber nicht hängen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
44 Wichtige Fragen Stoppen nach n Schritten. Stoppen: Wir wollen unter eine DTM macht höchstens n Schritte folgendes verstehen: Sie hält (und akzeptiert die Eingabe) innerhalb von n Schritten. Sie hängt (und akzeptiert die Eingabe nicht) innerhalb von n Schritten. Sie stoppt innerhalb von n Schritten ohne in den Haltezustand überzugehen. Auch hier wird die Eingabe nicht akzeptiert. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
45 Wichtige Fragen Stoppen nach n Schritten. Stoppen: Wir wollen unter eine DTM macht höchstens n Schritte folgendes verstehen: Sie hält (und akzeptiert die Eingabe) innerhalb von n Schritten. Sie hängt (und akzeptiert die Eingabe nicht) innerhalb von n Schritten. Sie stoppt innerhalb von n Schritten ohne in den Haltezustand überzugehen. Auch hier wird die Eingabe nicht akzeptiert. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
46 Antworten Antworten (informell) Zeit: Jede Sprache aus DTIME(f(n)) ist entscheidbar: Man warte einfach solange wie f(n) angibt. Falls bis dahin kein Ja gekommen ist, ist die Antwort eben Nein. Speicher: Jede Sprache aus DSPACE(f(n)) ist entscheidbar. Denn es gibt nur endlich viele verschiedene Konfigurationen. Falls also die DTM nicht terminiert (was passiert), macht man folgendes: man schreibt alle Konfigurationen auf (die komplette Rechnung). Falls die DTM nicht terminiert, muss sie in eine Schleife laufen (eine Konfiguration erreichen, die sie schon einmal hatte). Das lässt sich feststellen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
47 Antworten Antworten (informell) Zeit: Jede Sprache aus DTIME(f(n)) ist entscheidbar: Man warte einfach solange wie f(n) angibt. Falls bis dahin kein Ja gekommen ist, ist die Antwort eben Nein. Speicher: Jede Sprache aus DSPACE(f(n)) ist entscheidbar. Denn es gibt nur endlich viele verschiedene Konfigurationen. Falls also die DTM nicht terminiert (was passiert), macht man folgendes: man schreibt alle Konfigurationen auf (die komplette Rechnung). Falls die DTM nicht terminiert, muss sie in eine Schleife laufen (eine Konfiguration erreichen, die sie schon einmal hatte). Das lässt sich feststellen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
48 Antworten Antworten (informell) Zeit: Jede Sprache aus DTIME(f(n)) ist entscheidbar: Man warte einfach solange wie f(n) angibt. Falls bis dahin kein Ja gekommen ist, ist die Antwort eben Nein. Speicher: Jede Sprache aus DSPACE(f(n)) ist entscheidbar. Denn es gibt nur endlich viele verschiedene Konfigurationen. Falls also die DTM nicht terminiert (was passiert), macht man folgendes: man schreibt alle Konfigurationen auf (die komplette Rechnung). Falls die DTM nicht terminiert, muss sie in eine Schleife laufen (eine Konfiguration erreichen, die sie schon einmal hatte). Das lässt sich feststellen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
49 Antworten Antworten (informell) NTM vs. DTM: Trivial sind DTIME(f(n)) NTIME(f(n)) und DSPACE(f(n)) NSPACE(f(n)). Versucht man aber eine NTM durch eine DTM zu simulieren, braucht man (vermutlich) exponentiell mehr Zeit. Für die Speicherkomplexität kann man zeigen: NSPACE(f(n)) DSPACE(f 2 (n)). B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
50 Antworten Antworten (informell) NTM vs. DTM: Trivial sind DTIME(f(n)) NTIME(f(n)) und DSPACE(f(n)) NSPACE(f(n)). Versucht man aber eine NTM durch eine DTM zu simulieren, braucht man (vermutlich) exponentiell mehr Zeit. Für die Speicherkomplexität kann man zeigen: NSPACE(f(n)) DSPACE(f 2 (n)). B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
51 Antworten Antworten (informell): Zeit vs. Speicher: Trivial sind DTIME(f(n)) DSPACE(f(n)) und NTIME(f(n)) NSPACE(f(n)). Aber DSPACE(f(n)), NSPACE(f(n)) sind viel größer. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
52 Antworten Antworten (informell): Zeit vs. Speicher: Trivial sind DTIME(f(n)) DSPACE(f(n)) und NTIME(f(n)) NSPACE(f(n)). Aber DSPACE(f(n)), NSPACE(f(n)) sind viel größer. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
53 Bandkompression Konstante Faktoren werden ignoriert Nur die funktionale Wachstumsrate einer Funktion in Komplexitätsklassen zählt: Konstante Faktoren werden ignoriert. Theorem 16.3 (Bandkompression) Für jedes c R + und jede Speicherfunktion S(n) gilt: DSPACE(S(n)) = DSPACE(cS(n)) NSPACE(S(n)) = NSPACE(cS(n)) B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
54 Bandkompression Konstante Faktoren werden ignoriert Nur die funktionale Wachstumsrate einer Funktion in Komplexitätsklassen zählt: Konstante Faktoren werden ignoriert. Theorem 16.3 (Bandkompression) Für jedes c R + und jede Speicherfunktion S(n) gilt: DSPACE(S(n)) = DSPACE(cS(n)) NSPACE(S(n)) = NSPACE(cS(n)) B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
55 Bandkompression Beweis Eine Richtung ist trivial. Die andere geht, indem man eine feste Anzahl r (> 2 c ) von benachbarten Zellen auf dem Band als ein neues Symbol darstellt. Die Zustände der neuen Maschine simulieren die alten Kopfbewegungen als Zustandsübergänge (innerhalb des neuen Symbols). D.h. für r Zellen der alten Maschine werden nun nur maximal 2 benutzt: im ungünstigsten Fall, wenn man von einem Block in den benachbarten geht. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
56 Zeitbeschleunigung Theorem 16.4 (Zeitbeschleunigung) Für jedes c R + und jede Zeitfunktion T(n) mit lim n T (n) n DTIME(T (n)) = DTIME(cT (n)) NTIME(T (n)) = NTIME(cT (n)) = gilt: B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
57 Zeitbeschleunigung Beweis Eine Richtung ist trivial. Der Beweis der anderen läuft wieder über die Repräsentation einer festen Anzahl r (> 4 ) benachbarter Bandzellen durch c neue Symbole. Im Zustand der neuen Maschine wird wieder kodiert, welches Zeichen und welche Kopfposition (der simulierten, alten Maschine) aktuell ist. Wenn die alte Maschine simuliert wird, muss die neue nur 4 statt r Schritte machen: 2 um die neuen Felder zu drucken und weitere 2 um den Kopf auf das neue und wieder zurück auf das alte (im schlimmsten Fall) zu bewegen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
58 Wachstumsrate von DTIME und DSPACE Lemma 16.5 (Wachstumsrate von DTIME, DSPACE) T (n) Es sei T (n) eine Zeitfunktion mit lim n n Speicherfunktion. (a) Es sei f(n) = O(T (n)). Dann gilt: DTIME(f(n)) DTIME(T (n)). (b) Es sei g(n) = O(S(n)). Dann gilt: DSPACE(g(n)) DSPACE(S(n)). =, und es sei S(n) eine B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
59 P, NP, PSPACE Definition 16.6 (P, NP, PSPACE) P := S i 1 DTIME(ni ) NP := S i 1 NTIME(ni ) PSPACE := S i 1 DSPACE(ni ) B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
60 P, NP, PSPACE Intuitiv Probleme in P sind effizient lösbar, jene aus NP können in exponentieller Zeit gelöst werden. PSPACE ist eine sehr große Klasse, weit größer als P oder NP. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
61 P, NP, PSPACE Intuitiv Probleme in P sind effizient lösbar, jene aus NP können in exponentieller Zeit gelöst werden. PSPACE ist eine sehr große Klasse, weit größer als P oder NP. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
62 P, NP, PSPACE Intuitiv Probleme in P sind effizient lösbar, jene aus NP können in exponentieller Zeit gelöst werden. PSPACE ist eine sehr große Klasse, weit größer als P oder NP. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
63 Komplexitätsklassen für Funktionen Komplexitätsklassen für Funktionen Eine Funktion f : N N ist in P, falls es eine DTM M und ein Polynom p(n) gibt, so daß für jedes n der Funktionswert f(n) in höchstens p(länge(n)) Schritten von M berechnet wird. Dabei gilt länge(n) = lg n, denn man braucht lgn Zeichen um die Zahl n binär darzustellen. Analog funktioniert dies für alle anderen Komplexitätsklassen. B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
64 Beziehungen zwischen den Komplexitätsklassen Frage Was sind die genauen Beziehungen zwischen den Komplexitätsklassen P, NP, PSPACE? P NP PSPACE B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
65 Beziehungen zwischen den Komplexitätsklassen Frage Was sind die genauen Beziehungen zwischen den Komplexitätsklassen P, NP, PSPACE? P NP PSPACE B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
66 Komplexitätsklassen Frage Wie zeigen wir, daß ein gegebenes Problem in einer bestimmten Klasse ist? Antwort Reduktion auf ein bekanntes! Wir brauchen eines, mit dem wir anfangen können: SAT B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
67 Komplexitätsklassen Frage Wie zeigen wir, daß ein gegebenes Problem in einer bestimmten Klasse ist? Antwort Reduktion auf ein bekanntes! Wir brauchen eines, mit dem wir anfangen können: SAT B. Beckert Grundlagen d. Theoretischen Informatik: Die Struktur von PSPACE SS / 313
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Dank. Theoretische Informatik II. Komplexitätstheorie. Teil VI. Komplexitätstheorie. Vorlesung
Dank Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Diese Vorlesungsmaterialien basieren zum Teil auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Teil VI. Komplexitätstheorie.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Komplexitätstheorie (I) 22.07.2015 und 23.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie 3. Endliche
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Komplexitätstheorie (VI) 20.07.2016 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 DTIME und NTIME / DSPACE und NSPACE DTIME(T(n)) ist die Klasse
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Ulrich Furbach Institut für Informatik Sommersemester 2014 Furbach Grundlagen d. Theoretischen Informatik:
Theoretische Informatik II
Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Wintersemester 2007/2008 B. Beckert Theoretischen Informatik II: WS 2007/08 1 / 266 Dank Diese Vorlesungsmaterialien basieren
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Turingmaschinen und rekursiv aufzählbare Sprachen (V) 16.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Beispiel einer nicht berechenbaren Funktion: Busy Beaver
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
Theoretische Informatik 2
Theoretische Informatik 2 Johannes Köbler Institut für Informatik Humboldt-Universität zu Berlin WS 2009/10 Zeitkomplexität von Turingmaschinen Die Laufzeit einer NTM M bei Eingabe x ist die maximale Anzahl
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
Informatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 18. Vorlesung 22.12.2006 1 Komplexitätstheorie - Zeitklassen Komplexitätsmaße Wiederholung: O,o,ω,Θ,Ω Laufzeitanalyse Die Komplexitätsklassen
Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Akzeptierbarkeit und Entscheidbarkeit. Teil V.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
Einführung in Berechenbarkeit, Formale Sprachen und Komplexitätstheorie
Einführung in Berechenbarkeit, Formale Sprachen und Komplexitätstheorie Wintersemester 2005/2006 20.12.2005 18. Vorlesung 1 Komplexitätstheorie - Zeitklassen Komplexitätsmaße Wiederholung: O,o,ω,Θ,Ω Laufzeitanalyse
Willkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V5, 21.11.2011 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
Kapitel II : Zeit- und platzbeschränkte Berechnungen
Kapitel II : Zeit- und platzbeschränkte Berechnungen Prof. Dr. F. Otto (Universität Kassel) Komplexitätstheorie 41 / 286 Rechenzeit- und Speicherplatzbedarf bei Turingmaschinen Komplexitätsklassen Grundlegende
Dank. Theoretische Informatik II. Teil VI. Vorlesung
Dank Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Diese Vorlesungsmaterialien basieren zum Teil auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität
Einfache Zusammenhänge
Einfache Zusammenhänge Eine TM, die t(n) Zeit (d.h. Schritte) zur Verfügung hat, kann nicht mehr als t(n) Bandzellen besuchen. Umgekehrt gilt dies nicht! Platz kann wiederverwendet werden, Zeit nicht!
Theoretische Informatik 1
Theoretische Informatik 1 Teil 5 Bernhard Nessler Institut für Grundlagen der Informationsverabeitung TU Graz SS 2007 Übersicht 1 Problemklassen 2 NTM Nichtdeterministische Algorithmen 3 Problemarten Konstruktionsprobleme
Willkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V7, 5.12.2011 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
Komplexitätstheorie WiSe 2008/09 in Trier. Henning Fernau Universität Trier
Komplexitätstheorie WiSe 2008/09 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Komplexitätstheorie Gesamtübersicht Organisatorisches / Einführung Motivation / Erinnerung / Fragestellungen
THEORETISCHE INFORMATIK UND LOGIK
Übersicht Der Raum der formalen Sprachen (Wortprobleme) lässt sich wie foglt aufteilen: THEORETISCHE INFORMATIK UND LOGIK Unentscheidbare Probleme 7. Vorlesung: Einführung in die Komplexitätstheorie Markus
Zeitkomplexität (1) Proseminar Theoretische Informatik. Proseminar Theoretische Informatik: Lisa Dohrmann 1
Zeitkomplexität (1) Proseminar Theoretische Informatik Proseminar Theoretische Informatik: Lisa Dohrmann 1 Warum Komplexitätsbetrachtung? Ein im Prinzip entscheidbares und berechenbares Problem kann in
Theoretische Informatik 1
Theoretische Informatik 1 Platzkomplexität David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 22.04.2016 Platzkomplexität Platzkomplexitätsklassen Zeit vs. Platzbedarf
THEORETISCHE INFORMATIK UND LOGIK
THEORETISCHE INFORMATIK UND LOGIK 7. Vorlesung: Einführung in die Komplexitätstheorie Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 28. April 2017 Übersicht Der Raum der formalen Sprachen
Teil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
Formale Grundlagen der Informatik 1 Kapitel 20
Formale Grundlagen der Informatik 1 Kapitel 20 Zeit- und Platzkomplexität Frank Heitmann heitmann@informatik.uni-hamburg.de 27. Juni 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/52 Motivation
Komplexität und Komplexitätsklassen
Dr. Sebastian Bab WiSe 12/13 Theoretische Grundlagen der Informatik für TI Termin: VL 21 vom 21.01.2013 Komplexität und Komplexitätsklassen Die meisten Probleme mit denen wir zu tun haben sind entscheidbar.
Bemerkungen: Ist der Wert von S(n) (und damit auch τ) unbekannt, so führt man das Verfahren nacheinander mit den Werten
Bemerkungen: Ist der Wert von S(n) (und damit auch τ) unbekannt, so führt man das Verfahren nacheinander mit den Werten log n, 2 log n,... als Platzschranke aus. Dabei überprüft man für jeden dieser Werte,
Theoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
Einführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
Chaos?! Überblick. Beispiele für Rekurrenzen. fn := 3fn-1 + 4fn Beweisen. Abwickeln. Raten Summen. Formelsammlung. Suche nach einer Systematik
Überblick fn := 3fn-1 + 4fn-2 + 1 Beispiele für Rekurrenzen Beweisen Raten Summen Abwickeln Formelsammlung Chaos?! Suche nach einer Systematik F3 03/04 p.294/395 Allgemeines Verfahren Bestimmung einer
Willkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V8, 12.12.2011 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
P, NP und NP -Vollständigkeit
P, NP und NP -Vollständigkeit Mit der Turing-Maschine haben wir einen Formalismus kennengelernt, um über das Berechenbare nachdenken und argumentieren zu können. Wie unsere bisherigen Automatenmodelle
Theoretische Informatik 1
Theoretische Informatik 1 Vollständigkeit 1 David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 20.05.2016 Übersicht Schwere Definition CIRCUIT-VALUE ist P-schwer
Theoretische Informatik II
Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Wintersemester 2007/2008 B. Beckert Theoretischen Informatik II: WS 2007/08 1 / 258 Dank Diese Vorlesungsmaterialien basieren
Komplexitätstheorie WiSe 2009/10 in Trier. Henning Fernau Universität Trier
Komplexitätstheorie WiSe 2009/10 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Komplexitätstheorie Gesamtübersicht Organisatorisches / Einführung Motivation / Erinnerung / Fragestellungen
Informatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 20. Vorlesung 12.01.2007 1 Komplexitätstheorie - Zeitklassen Die Komplexitätsklassen TIME DTIME, NTIME P NP Das Cook-Levin-Theorem Polynomial-Zeit-Reduktion
13. Nichtdeterministische Turingmaschinen und ihre Komplexität
13. Nichtdeterministische Turingmaschinen und ihre Komplexität DETERMINISMUS VS. NICHTDETERMINISMUS DETERMINISMUS: Bei einer k-band-turingmaschine M wurde durch die colorblue Überführungsfunktion δ : Z
19. Nichtdeterministische Turingmaschinen und ihre Komplexität
19. Nichtdeterministische Turingmaschinen und ihre Komplexität Bei einem Turingmaschinenprogramm P aus bedingten Anweisungen wird durch die Forderung i a b B j i a b B j i a sichergestellt, dass zu jeder
Dank. Theoretische Informatik II. Teil II. Registermaschinen. Vorlesung
Dank Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Diese Vorlesungsmaterialien basieren zum Teil auf den Folien zu den Vorlesungen von Katrin Erk (gehalten an der Universität
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Turingmaschinen und rekursiv aufzählbare Sprachen (III) 8.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
Einführung in die Theoretische Informatik I/ Grundlagen der Theoretischen Informatik. SS 2007 Jun.-Prof. Dr. Bernhard Beckert Ulrich Koch
Einführung in die Theoretische Informatik I/ Grundlagen der Theoretischen Informatik SS 2007 Jun.-Prof. Dr. Bernhard Beckert Ulrich Koch 3. Teilklausur 25. 07. 2007 Persönliche Daten bitte gut leserlich
Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Probleme über Sprachen. Teil II.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
THEORETISCHE INFORMATIK UND LOGIK
THEORETISCHE INFORMATIK UND LOGIK 9. Vorlesung: NP und NP-Vollständigkeit Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 10. Mai 2017 Rückblick PTime und LogSpace als mathematische Modelle
Theoretische Informatik II
Theoretische Informatik II Einheit 5.2 Das P N P Problem 1. Nichtdeterministische Lösbarkeit 2. Sind N P-Probleme handhabbar? 3. N P-Vollständigkeit Bei vielen schweren Problemen ist Erfolg leicht zu testen
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Überblick. F3 01/02 p.295/325
Überblick fn := 3fn-1 + 4fn-2 + 1 Beispiele für Rekurrenzen Beweisen Raten Summen Abwickeln Formelsammlung Chaos?! Suche nach einer Systematik F3 01/02 p.295/325 Allgemeines Verfahren Bestimmung einer
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Turingmaschinen und rekursiv aufzählbare Sprachen 1.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Motivation 2. Terminologie
Theorie der Informatik. Theorie der Informatik P und NP Polynomielle Reduktionen NP-Härte und NP-Vollständigkeit
Theorie der Informatik 13. Mai 2015 20. P, NP und polynomielle Reduktionen Theorie der Informatik 20. P, NP und polynomielle Reduktionen 20.1 P und NP Malte Helmert Gabriele Röger 20.2 Polynomielle Reduktionen
Berechenbarkeits- und Komplexitätstheorie
Berechenbarkeits- und Komplexitätstheorie Lerneinheit 5: Die Klasse NP Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Wintersemester 2015/2016 26.9.2015 Einleitung Thema dieser Lerneinheit
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Theoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
Aufgaben aus den Übungsgruppen 8(Lösungsvorschläge)
Universität des Saarlandes Theoretische Informatik (WS 2015) Fakultät 6.2 Informatik Team der Tutoren Aufgaben aus den Übungsgruppen 8(Lösungsvorschläge) 1 Berechenbarkeitstheorie Aufgabe 8.1 (Wahr oder
Einige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
Informatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 27. Vorlesung 08.02.2007 1 Komplexitätstheorie - Platzklassen Platzkomplexität Definition Simulation mehrerer Bänder Savitchs Theorem PSPACE
Informatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 13. Vorlesung 07.12.2006 1 Überblick: Die Church- Turing-These Turing-Maschinen 1-Band Turing-Maschine Mehrband-Turing-Maschinen Nichtdeterministische
6.3 NP-Vollständigkeit. alle anderen Probleme in NP darauf polynomiell reduzierbar. 1 Polynomielle Reduzierbarkeit p
6.3 NP-Vollständigkeit 1 Polynomielle Reduzierbarkeit p 2 NP-vollständige Probleme = härteste Probleme in NP, alle anderen Probleme in NP darauf polynomiell reduzierbar 3 Satz: SAT ist NP-vollständig Definition
Laufzeit einer DTM, Klasse DTIME
Laufzeit einer DTM, Klasse DTIME Definition Laufzeit einer DTM Sei M eine DTM mit Eingabealphabet Σ, die bei jeder Eingabe hält. Sei T M (w) die Anzahl der Rechenschritte d.h. Bewegungen des Lesekopfes
11. Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P
11 Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P 11 Woche: Turingmaschinen, Entscheidbarkeit, P 239/ 333 Einführung in die NP-Vollständigkeitstheorie
Grundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Turingmaschinen und rekursiv aufzählbare Sprachen (II) 2.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
Härte von Hamilton-Kreis und TSP Überblick über die Komplexitätslandschaft
Härte von Hamilton-Kreis und TSP Überblick über die Komplexitätslandschaft Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 5. Februar 2010 Berthold Vöcking, Informatik
EINFÜHRUNG IN DIE THEORETISCHE INFORMATIK
EINFÜHRUNG IN DIE THEORETISCHE INFORMATIK Prof. Dr. Klaus Ambos-Spies Sommersemester 2011 14. NICHTDETERMINISTISCHE TURINGMASCHINEN UND DEREN KOMPLEXITÄT Theoretische Informatik (SoSe 2011) 14. Nichtdeterministische
Vorlesung Berechenbarkeit und Komplexität alias Theoretische Informatik: Komplexitätstheorie und effiziente Algorithmen. Wintersemester 2012/13
Vorlesung Berechenbarkeit und Komplexität alias Theoretische Informatik: und effiziente Algorithmen Wintersemester 2012/13 Prof. Barbara König Übungsleitung: Henning Kerstan & Sebastian Küpper Barbara
Komplexitätsklassen THEORETISCHE INFORMATIK VORGETRAGEN VON: ELIAS DROTLEFF
Komplexitätsklassen THEORETISCHE INFORMATIK VORGETRAGEN VON: ELIAS DROTLEFF Einflussgrößen bei der Bildung von Komplexitätsklassen Das zugrunde liegende Berechnungsmodell (Turingmaschine, Registermaschine
Komplexitätstheorie Kap. 4: Grundlegende Ergebnisse...
Gliederung der Vorlesung 1. Analyse von Algorithmen 1.1 Motivation 1.2 Laufzeit von Algorithmen 1.3 Asymptotische Notationen 2. Entwurf von Algorithmen 2.1 Divide & Conquer 2.2 Dynamisches Programmieren
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
Klausur: Berechenbarkeit und Komplexität (Niedermeier/Chen/Froese/Sorge, Sommersemester 2016)
Technische Universität Berlin, Berlin, 28.07.2016 Name:... Matr.-Nr.:... Klausur: Berechenbarkeit und Komplexität (Niedermeier/Chen/Froese/Sorge, Sommersemester 2016) Einlesezeit: Bearbeitungszeit: Max.
Theoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 16.11.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
Asymptotische Komplexität
Asymptotische Komplexität f B n hängt wesentlich von der Variablen x i ab,, 1 i n, wenn es Werte a j für 1 j n, j i, derart gibt, dass f(a 1,..., a i 1, 0, a i+1,..., a n ) f(a 1,..., a i 1, 1, a i+1,...,
Theoretische Informatik II
Vorlesung Theoretische Informatik II Bernhard Beckert Institut für Informatik Wintersemester 2007/2008 B. Beckert Theoretischen Informatik II: WS 2007/08 1 / 175 Dank Diese Vorlesungsmaterialien basieren
Kapitel 3: Grundlegende Ergebnisse aus der Komplexitätstheorie Gliederung
Gliederung 1. Berechenbarkeitstheorie 2. Grundlagen 3. Grundlegende Ergebnisse aus der Komplexitätstheorie 4. Die Komplexitätsklassen P und NP 5. Die Komplexitätsklassen RP und BPP 3.1. Ressourcenkompression
Zusammenfassung. Warum polynomielle Reduktionen? Definition NP-vollständig [K5.1.1] NP-Vollständigkeitstheorie [K5]
![Zusammenfassung. Warum polynomielle Reduktionen? Definition NP-vollständig [K5.1.1] NP-Vollständigkeitstheorie [K5]](/thumbs/96/130567055.jpg "Zusammenfassung. Warum polynomielle Reduktionen? Definition NP-vollständig [K5.1.1] NP-Vollständigkeitstheorie [K5]")
Warum polynomielle Reduktionen? erlauben feinere Unterteilungen von Komplexitätsklassen als Turing- Reduktionen, genügen für die betrachteten Probleme, für alle von uns betrachteten Komplexitätsklassen
subexponentielle Algorithmen (d.h. Laufzeiten wie z. B. 2 n oder
Wie schwer ist SAT? Ziel: Nachweis, dass SAT eines der schwersten Probleme in NP ist: SAT ist das erste bekannte Beispiel eines NP-vollständigen Problems. Demnach kann SAT mit bisher bekannten Techniken
Informatik III. Arne Vater Wintersemester 2006/ Vorlesung
Informatik III Arne Vater Wintersemester 2006/07 25. Vorlesung 01.02.2007 1 Approximation Viele wichtige Probleme sind NP-vollständig (also nicht effizient lösbar unter der Annahme P NP) Diese sind zu
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Turing Maschine. Thorsten Timmer. SS 2005 Proseminar Beschreibungskomplexität bei Prof. D. Wotschke. Turing Maschine SS 2005 p.
Thorsten Timmer SS 2005 Proseminar Beschreibungskomplexität bei Prof. D. Wotschke Turing Maschine SS 2005 p. 1/35 Inhalt Einführung Formale Definition Berechenbare Sprachen und Funktionen Berechnung ganzzahliger
Berechenbarkeit und Komplexität: Probleme, Sprachen, Maschinen
Berechenbarkeit und Komplexität: Probleme, Sprachen, Maschinen Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität 25. Oktober 2006 Was ist ein Problem? Informelle Umschreibung
2. Schriftliche Leistungskontrolle (EK)
TheGI 2: Berechenbarkeit und Komplexität Prof. Dr.-Ing. Uwe Nestmann - 13. Juli 2010 2. Schriftliche Leistungskontrolle EK Punktzahl In dieser schriftlichen Leistungskontrolle sind 100 Punkte erreichbar.
Proseminar Theoretische Informatik. Die Klasse NP. von Marlina Spanel
Proseminar Theoretische Informatik Die Klasse NP von Marlina Spanel 29.11.2011 1 Gliederung Gliederung Problem des Handlungsreisenden Die Klasse NP Einleitung und Wiederholung Sprachen Nichtdeterministische
Satz von Hennie und Stearns
Satz von Hennie und Stearns Auch für Zeitklassen wäre es für viele Anwendungen praktisch, eine Form der Bandreduktion verwenden zu können. Ein naiver Zugang (mit Spuren) liefert die Beziehung DTIME(f )
Wie man eine Sprache versteht
Aufzählbarkeit Formale Grundlagen der Informatik 1 Kapitel 10 Aufzählbarkeit und (Un-)Entscheidbarkeit Frank Heitmann heitmann@informatik.uni-hamburg.de 11. Mai 2015 Definition 1 Eine Menge M Σ heißt (rekursiv)
Vorlesungsskript. Komplexitätstheorie. Wintersemester 2004/2005
Vorlesungsskript Komplexitätstheorie Wintersemester 2004/2005 Prof. Dr. Johannes Köbler Humboldt-Universität zu Berlin Lehrstuhl Komplexität und Kryptografie 21. Februar 2005 Inhaltsverzeichnis 1 Einführung
Theoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 23. November 2017 INSTITUT FÜR THEORETISCHE 0 23.11.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
12. Woche: Verifizierer, nicht-deterministische Turingmaschine, Klasse NP
12 Woche: Verifizierer, nicht-deterministische Turingmaschine, Klasse NP 12 Woche: Verifizierer, nicht-deterministische Turingmaschine, NP 254/ 333 Polynomielle Verifizierer und NP Ḋefinition Polynomieller
Lösungen zur 3. Projektaufgabe TheGI1
Marco Kunze (makunze@cs.tu-berlin.de) WS 2001/2002 Sebastian Nowozin (nowozin@cs.tu-berlin.de) 21. 1. 2002 Lösungen zur 3. Projektaufgabe TheGI1 Definition: Turing-Aufzähler Ein Turing-Aufzähler einer
Grundbegriffe der Informatik Tutorium 13
Grundbegriffe der Informatik Tutorium 13 Tutorium Nr. 16 Philipp Oppermann 3. Februar 2015 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
abgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
Kapitel 1.4. Exkurs: Entscheidbarkeit und Komplexität. Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10
Kapitel 1.4 Exkurs: Entscheidbarkeit und Komplexität Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10 Algorithmen Ein Algorithmus oder eine Rechenvorschrift ist ein effektives
Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Einführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Dr. Werner Meixner, Dr. Alexander Krauss Sommersemester 2010 Lösungsblatt 9 2. Juli 2010 Einführung in die Theoretische
Die Komplexitätsklassen P und NP
Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen November 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und