P, NP, NP-complete, NP hard问题

1.多项式时间 时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当问题规模扩大后，程序需要的时间长度增长得有多快。也就是说，对于高速处理数据的计算机来说，处理某一个特定数据的效率不能衡量一个程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着慢了数百倍，或者变慢了数万倍。时间复杂度一般分为两种级别：一种是O(1),O(log(n)),O(na)等，我们...

最简单的解释： P：算起来很快的问题 NP：算起来不一定快，但对于任何答案我们都可以快速的验证这个答案对不对 NP-hard：比所有的NP问题都难的问题 NP-complete：满足两点： 1. 是NP hard的问题 2. 是NP问题 接下来是比较严谨的定义： 问题：对于一个包含由0和1组成的字符串集合S，以某个01字符串x作为输入，要求某个图灵机判断x在不在S里面。这里的图

根据库克定理，任意一个NP完全问题如果能够在多项式时间内解决，则所有的NP问题都能在多项式时间内解决。P问题是NP问题的子集，也就是说任何可以被图灵机在多项式时间内解决的问题都可以被非确定性的图灵机解决，NP问题至今没有找到多项式时间算法解。而NP-Hard只需要具备NP-Complete的第二个性质，因此NP-Complete是NP-Hard的子集。（Polynomial time）在计算复杂度理论中，指的是一个问题的计算时间m(n)不大于问题大小n的。倍数，即m(n) = O(n)。

Note:关于NP，NP-Hard的这些概念，是属于《算法设计与分析》的，也就是涉及算法分析，也就是说不属于数据结构了，是算法那边特有的概念。

在计算机科学领域，NP问题（Nondeterministic Polynomial problems）是研究算法复杂度的一个重要分支，它涉及一类特定的决策问题。NP问题的定义基于非确定性图灵机的概念，其计算过程可以在多项式时间内被非确定性地“猜测”出正确答案，并在多项式时间内被验证。NP问题的提出为理解问题的计算难度提供了新的视角，并且是探索算法可解性与有效性的关键。理解NP问题的定义是研究其更深层次性质和应用的基础。

组合优化问题 组合优化是通过数学方法的研究去寻找离散事件的最优编排、分组、排序和筛选等，是运筹学中一个经典且重要的分支。对于一个极小化问题，问题描述如下式： minf(x)s.t.g(x)≥0x∈D min\quad f(x) \\ s.t. \quad g(x) \geq 0 \\ \quad x \in D minf(x)s.t.g(x)≥0x∈D f(x)是目标函数， g(x)是约束函数， ...

本文主要介绍了归约定义，P、NP、NP-Hard、NP-Complete概念及关系，并推荐了两篇好文章。

储备知识： 多项式时间可解的问题：如果对于某个确定的常数k,存在一个能在O(nk)时间内求解出某具体问题的算法，就说该具体问题是一个多项式时间可解问题 多项式时间内可被验证的问题：是一个判定问题，答案只有是或否。例如，存在某具体问题，我们猜想该问题有一个可行解x，如果对于某个确定的常数k，存在一个能在O(nk)时间内验证x是否是该具体问题可行解的算法，就说该具体问题是一个多项式时间可被验证的问题 一般来说，大家往往将多项式时间内可解的问题称作易处理的问题，将超多项式时间内解决的问题称作不易处理的问.

关于P、NP、NP-complete、NP-hard的学习笔记

NP问题 P问题是一类可以通过确定性图灵机在多项式时间(Polynomial time)内解决的问题集合。 NP问题是一类可以通过非确定性图灵机( Non-deterministic Turing Machine)在多项式时间(Polynomial time)内解决的决策问题集合。 多项式时间（Polynomial time）在计算复杂度理论中，指的是一个问题的计算时间m(n)不大于问题大小n的多项式倍数，即m(n) = O(n)。任何抽象机器都拥有一复杂度类，此类包括可于此机器以多项式时间求解的问题。

NP-hard vs NP-Complete 判断一个问题是不是NP-Complete有两个步骤： 判断是否NP，就是算法结果的正确性能不能在多项式时间内验证 判断是否NP-hard，要判断NP-hard，我们可以使用一个叫Reduction的技巧。直观来说，如果你能用你的问题的求解器来求解另一个已知是NP-hard问题，那么你的问题也是NP-Hard的。 Reduction（归约） Reduction是将两个算法建立联系的一个过程。我们说X（已知的）reduce 到Y，意味着，假设现在有一个Y的.

整理一下。肯定有错误之处，请高手指正。NP问题就是指其解的正确性可以在多项式时间内被检查的一类问题。比如说数组求和，得到一个解，这个解对不对呢，显然是可以在多项式时间内验证的。再比如说SAT，如果得到一个解，也是能在多项式时间内验证正确性的。所以SAT和求和等等都是NP问题。然后呢，有一部分NP问题的解已经可以在多项式时间内找到，比如数组求和，这部分问题就是NP中比较简单的一部分，被命名为

算法的时间复杂度 如果某个算法的复杂度可以表示为O(nk)O(nk)O(n^k)，即问题规模n出现在底数的位置，这种复杂度称为多项式时间复杂度； 如果某个算法的复杂度表示为O(kn)O(kn)O(k^n)或O(n!)O(n!)O(n!)，这种复杂度称为指数型时间复杂度。 相同问题规模下，指数型时间复杂度远远大于多项式时间复杂度。 当我们在解决一个问题时，我们选择的算法通常都需要是多项式时间...

p问题: polynomial problem，就是多项式问题。说的是某些问题可以用一组多项式来表示。 np问题: Non-deterministic Polynomial problem，不确定性问题，例：一个路径规划问题，有5个地:A,B,C,D,E,一个地去另外一个地距离不一样，花费也不一样，问遍历完这5个地最低花销的方案是怎么样。这个问题你能知道，我花多点时间一个一个枚举可以得出结果的，但是呢，我猜一个，然后那个就是最低花销的，我运气特别好，总能在一定时间内猜到最佳方案，这就是np问题。 **np.

P和NP问题 首先，他们都是对算法问题的复杂程度进行归类的。也就是比较时间复杂度。直观理解，目的在于评价问题的难度。哪些比哪些更难？ 首先我们先要定义什么是难，什么是简单？ 时间复杂度：随着输入规模（n）变大，所需要的操作数的增速。 如O(n^2)表示随输入规模，所需要的操作数平方地增长。其中O表示这个算法的时间复杂度不高于某某（也就是最差不会差于） 假如O里面是一个多项式，比如 a0+a1n1+a2n2+...a_0 + a_1 n^1+ a_2 n^2 + ...a0​+a1​n1+a2​n2+...

目录基础知识P(polynomial)问题NP(non-deterministic polynomial)问题NP-Complete问题NP-hard问题各问题难易程度 基础知识 多项式时间复杂度可解：如果一个问题可以在O(nk)O(n^k)O(nk)时间复杂度内得到解决，称该问题在多项式时间复杂度内可解，其中，n是实例的长度，k是固定常数。 规约：对于两个问题L1和L2L_1和L_2L1​和L2​，若存在多项式时间复杂度的函数fff，将L1中的实例对应到L2中，则称L2L_2L2​可规约到L1L_1L1

Some notes when learning complexity theory: P: Problems can be solved in polynomial time. For example, multiplication, sort... NP: The result of NP problem can be verified in polynomial time. For ex...

已经不知道原文的真正出处了，望知情人士提供，谢谢！对 NP-Hard问题和NP-Complete问题的一个直观的理解就是指那些很难（很可能是不可能）找到多项式时间算法的问题。因此一般初学算法的人都会 问这样一个问题：NP-Hard和NP-Complete有什么不同？简单的回答是根据定义，如果所有NP问题都可以多项式归约到问题A，那么问题A就是 NP-Hard；如果问题A既是NP-Hard又是NP，那么它就是NP-Complete。从定义我们很容易看出，NP-Hard问题类包含了NP- Complete类。但

什么是NP问题 概念1: 在计算机学科中，存在多项式时间的算法的一类问题，称之为P类问题；而像梵塔问题、推销员旅行问题、（命题表达式）可满足问题这类，至今没有找到多项式时间算法解的一类问题，称之为NP类问题。 概念2: 多项式时间（Polynomial time）在计算复杂度理论中，指的是一个问题的计算时间m(n)不大于问题大小n的多项式倍数。任何抽象机器都拥有一复杂度