Demetrovics János – Katona Gyula

Az algoritmusok bonyolultsága

Mi az, hogy algoritmus? Amikor Clinton elnök szaxofonozik, és Al Gore alelnök az ujjaival
dobol hozzá az asztalon. A valódi meghatározás ennél jóval nehezebb. Nem matematikai
megfogalmazásban azt lehet mondani, hogy egy pontos szabályok szerint elvégzett elemi
mûveletekbõl álló mûveletsor, ahol az intuíciónak nincs szerepe. Lássunk példákat.

Vizsgáljuk két, tízes számrendszerben felírt szám összeadását. Az egyik elemi mûvelet az,
hogy két egyjegyû számot adunk össze. Ezeket az összegeket számolás nélkül, „kívülrõl
tudjuk”. A másik elemi mûvelet pedig egy szám eggyel való növelése. Ezek után az
összeadás az iskolai szabályok szerint végezhetõ. Ha az egyesek helyén álló számok összege
egyjegyû, akkor a következõ helyi értéket vesszük, ha „marad” 1, akkor azt „átvisszük”. Nem
érdemes a szabályokat precízen leírni, hiszen mindenki pontosan ismeri azokat. Figyeljük
meg azonban, hogy a szabályok száma véges, mégis, akármekkora számokat képesek
vagyunk így összeadni.

Egy másik példa a kémiai analízis. Tegyük fel, tudjuk, hogy egyetlen fajta só vizes oldata van
birtokunkban. Elemi mûveletek egész sorát ismerjük: valamilyen reagenst hozzáöntünk, és
megfigyeljük, hogy milyen színûvé válik az oldat. Rendelkezésünkre áll egy pontos táblázat,
melybõl meghatározhatjuk, hogy adott eredmények után melyik reagenst kell használni. A
táblázat úgy van megalkotva, hogy sok-sok lépés után végül egyértelmûen meg tudjuk
állapítani, melyik só oldata a kérdéses. Itt sem támaszkodhatunk az intuíciónkra.

Végül egy példa a számítógépes könyvtári katalógusról. Ki kell keresni az M. Lewinsky által
írt könyveket. Tegyük fel az egyszerûség kedvéért, hogy a könyvek a szerzõk neve szerint
betûrendben vannak felsorolva. Egy lehetséges algoritmus a következõ. Az elejétõl kezdve
hasonlítsuk össze a Lewinsky nevet minden szerzõ nevével. Elõbb-utóbb elérkezünk a
megfelelõ helyre, tehát az algoritmus eredményes lesz. Nézzünk azonban egy másik
algoritmust is. Megnézzük a keresett szó elsõ betûjét, az L-et. A mûvek sorrendjében
kijelöljük az L betûvel kezdõdõ szerzõjû mûvek halmazának az elejét és végét. Ezek után
ismételjük meg ugyanezt a második, majd harmadik stb. betûvel. Látható, hogy a második
algoritmus legtöbbször jóval gyorsabb. (Az elsõ gyorsabb, ha pl. a keresett szerzõ neve
Aachs.)

1. ábra

Ha a fenti, és az általunk ismert számos példa alapján értjük is, hogy mi az algoritmus, az elsõ
bekezdésben adott meghatározás nem alkalmas arra, hogy annak alapján matematikailag
pontos állításokat tegyünk, sõt bizonyítsunk. Turing angol matematikus (1912–1954) még a
számítógépek elterjedése elõtt hozott létre egy modellt az emberi algoritmikus gondolkozás
leírására. Ezt a modellt Turing-gépnek hívjuk. Ismertetéséhez elõbb a véges automata
fogalmára van szükségünk. A pontos definíció helyett gondoljunk egy véges sok alkatrészbõl
álló berendezésre, ami véges sok- féle jelet képes befogadni, és véges sok- féle jelet tud
„kiírni”. Ilyen pl. egy jegykiadó automata. A bemenõ jelek a bedobott érmék, a kimenõ jelek
pedig a kiadott jegyek. Ami nagyon fontos: bármilyen sok alkatrésze is van ennek az
automatának, a belsõ állapotainak száma véges. A Turing-gép áll egy mindkét irányban
végtelen szalagból, ami kis kockákra van osztva, és egy véges automatából, aminek író-
olvasó feje a szalagon fut (1. ábra). Az automata egy kiinduló állapotból indul, elolvassa a
jelet, amit lát, a belsõ állapotának és az olvasott jelnek a függvényében kiír egy új jelet a régi
helyére, az olvasófejet vagy balra, vagy jobbra elmozdítja, vagy helybenhagyja, és a belsõ
állapotát is átviszi egy új állapotba. Ezek után megismétli ugyanezt, már az új belsõ állapot és
az új olvasott jel alapján, és így tovább, egészen addig, míg egy olyan belsõ állapotba kerül,
amit végállapotnak nevezünk, ekkor a gép megáll, befejezte a számítást. Ami a szalagra
eredetileg volt írva, az a bemenõ sorozat, vagy input, ami megállás után áll a szalagon, az a
számítás eredménye, másképpen az output.

Ha két szám összeadását akarjuk e géppel elvégezni, akkor legyenek a szalagra írható jelek az
egyjegyû számok, meg egy „üres jel”. A szalagon számolás elõtt a két összeadandó szám áll,
közöttük egy üres jel, a számok elõtt és után üres jelek állnak a végtelenségig. A véges
automatában pedig benne vannak az elemi mûveletek, az „átvivés”, és annak leírása, hogy a
fejet ide-oda kell mozgatni a két szám között. Elég kellemetlen feladat ennek a véges
automatának a függvényeit megadni, de elvileg nem nehéz. A megállás után a két
összeadandót követõ üres jel után fog az eredmény állni.

Nem lehetne-e ezt az összeadást csupán egy véges automatával megcsinálni. Nyilván nem,
hiszen a mûveletnek akármilyen hosszú számokra is mûködnie kell, de a véges automatának
csak véges sok állapota lehet. Tehát bármely két szám összeadását le lehetne írni egy véges
automatával, de az összeadandók méretével az automata is nõne. Nekünk meg csak egy fix
automatánk lehet.

De le lehet-e valóban írni egy Turing-géppel bármely algoritmust, amit algoritmusnak

gondolunk. A tapasztalat azt mutatja, hogy igen. Eddig még senki nem tudott olyan
algoritmus adni, amit nem lehetett Turing-géppel utánozni. Ezt matematikailag természetesen
nem lehet bebizonyítani, hiszen az algoritmus heurisztikus fogalma nem fogható meg
matematikailag. Ennek ellenére meg van fogalmazva, majdnem úgy, mint egy tétel. Úgy
nevezik, hogy Church-tézis, amely szerint minden algoritmikus feladat elvégezhetõ Turing-
géppel.

Az algoritmusok sebessége

Miután matematikai formában megfogalmaztuk, hogy mit értünk algoritmus alatt, rátérhetünk
az algoritmusok tanulmányozására. Ezentúl természetesen algoritmus alatt mindig egy
Turing-géppel leírható eljárást értünk.

A könyvtáras példa mutatja, hogy egy adott feladat esetén nem egyszerûen az a cél, hogy
találjunk rá egy algoritmust, hanem az is fontos, hogy az algoritmus (Turing-gép) lépésszáma
a lehetõ legkevesebb legyen. Természetesen gyakorlati feladatoknál az is lényeges eredmény,
ha a lépésszámot sikerül megfelezni, de sokkal lényegesebb elvi problémára fogunk
rámutatni ezzel kapcsolatban. Tekintsünk ismét néhány példát.

Kompánia országról tudjuk, hogy kik utálják egymást, tehát bármely két emberrõl lehet tudni,
hogy utálják egymást vagy nem. Ezt ábrázolhatjuk egy ún. gráffal, amely pontokból és
összekötésekbõl áll. A pontok embereket jelképeznek, az összekötések az utálatot. Ezt a
gráfot az ország „utálat-gráfjának'' nevezhetjük. Az algoritmikus feladat az, hogy el kell
dönteni, hogy beosztható-e az egész ország két pártra úgy, hogy az egy pártban levõk ne
utálják egymást. Jelöljük az egyik pártot 0-val, a másikat pedig 1-gyel. (A 0 esetén ne
gondoljunk egyik magyar pártra se, az 1 pedig nem célzás az egypártrendszerre.) Az ország
pártokra való felosztását tehát úgy képzelhetjük el, hogy az ország utálatgráfjában a pontokat
(embereket) megjelöljük 0-val vagy 1-gyel. Ezt a matematikában úgy mondjuk, hogy a gráfot
„kiszínezzük” a 0 és az 1 „színekkel”(2. ábra). Tehát problémánk átfogalmazva úgy szól,
hogy egy adott gráf kiszínezhetõ-e két színnel úgy, hogy az összekötött pontok ne legyenek
azonos színûek.

2. ábra

A legtermészetesebb ötlet az, hogy minden lehetséges színezést kipróbálunk. Minden pontot
kétféle színnel (0 vagy 1) színezhetünk, minden pontnál két lehetõséget választhatunk, azaz a
színezések száma 2·2·2….=2n. Ha a színezéssel megvagyunk, akkor könnyen ellenõrizhetõ,
hogy nincsenek-e azonos színû pontok összekötve. Ez a módszer valóban nagyon egyszerû,
csak kicsit sokáig tart. Ha például Kompánia lakosainak száma 100, akkor 2100 színezés van.
Ha egy színezéshez egymilliomod másodperc kell, akkor az összes színezéshez 294
másodperc, azaz 1,157·1089 nap. Algoritmusunk elvileg mûködik, de gyakorlatilag
kivitelezhetetlen.

3. ábra

Van azonban egy sokkal gyorsabb algoritmus. Színezzük ki az egyik pontot például 0-val.
Szomszédait akkor 1-gyel kell, színezzük is ki õket. Ugyanígy folytassuk, színezzük a
szomszédokat az ellenkezõ színnel (3. ábra). Elõfordulhat, hogy pl. egy 0 színû pont
szomszédja már 0-val van színezve. Ez az ellentmondás azt bizonyítja, hogy a gráfot nem
lehet két színnel kiszínezni, azaz az országot két pártra osztani. Ha viszont sikerül az eljárást
ilyen ellentmondás nélkül befejezni, akkor megvan a felosztás. Hány lépés kell ehhez?
Legfeljebb annyi, ahány összekötés (az összekötést élnek nevezzük) lehet a gráfban, vagyis
ahány pontpár van. Ha a pontszám 100, akkor összesen 100·99/2=4950 a párok száma. Ez
tehát egy valóban végrehajtható algoritmus.

Most megpróbáljuk megfogalmazni, hogy mit nevezünk jó, illetve rossz algoritmusnak a
lépések száma szempontjából. A fenti példában adott pontszámra persze meg tudjuk
állapítani, hogy az egyik lépésszáma nagyobb, mint a másiké, de minõségbeli különbséget
csak akkor tudunk megállapítani, ha a probléma méretét (pontok számát) általánosan
tekintjük. Legyen tehát a pontok száma n. Az elsõ, rossz algoritmusnál a lépésszám 2n, a
második, jó algoritmusnál n(n-1). Az elsõ függvény exponenciális, tehát n-nel nagyon
gyorsan nõ, a második pedig négyzetes, ami sokkal lassabban. Ha a lépésszám pl. n5 volna,
még az is sokkal lassabban nõ, mint az exponenciális függvény, és gyakorlatilag még mindig
végrehajtható. Tehát a választó vonal legyen az, hogy az algoritmus lépésszáma korlátozható-
e egy nk függvénnyel, ahol k egy rögzített szám. Ekkor azt mondjuk, hogy az algoritmus
polinomiális. Az ilyenek a jó algoritmusok. Ha a lépésszám exponenciális, akkor az
algoritmus rossz. Meg kell azonban még pontosabban gondolni, hogy mi játssza általában egy
problémánál az n szerepét. A bemenõ adatok száma. Amit meg kell adni ahhoz, hogy
probléma teljesen le legyen írva. A fenti gráfos példában nem elég a pontokat felsorolni, meg
kell adni, hogy melyik pontok vannak összekötve, melyek nincsenek. Azaz a bemenõ adatok
száma valójában négyzetes függvénye n-nek. Könnyen látható, hogy ez nem változtat a
helyzeten, a jónak, illetve rossznak nevezett algoritmusok ennek függvényében is
polinomiális illetve exponenciális sok lépést igényelnek.

Ezek után már lényegében matematikai pontossággal meg tudjuk határozni egy algoritmus
jóságát. Tegyük fel, hogy van egy probléma-családunk (tulajdonképpen ez csak egy
probléma, de minden n-re van egy), és annak megoldására egy algoritmus, matematikailag
egy Turing-gép. Jelöljük n-nel a bemenõ adatok számát, azaz legyen n azon jelek száma,
amelyek a Turing-gép szalagján kezdetben állnak. Ha a Turing-gép f(n) lépésben mindig be
tudja fejezni a számolást, és kiírja szalagjára az eredményt, de ennél gyorsabban (peches
esetben) nem, akkor az algoritmus bonyolultsága f(n). Ha f(n) egy polinom, akkor az
algoritmus polinomiális, ha f(n) exponenciális, akkor az algoritmust exponenciálisnak
nevezzük.

Nehéz problémák

Nézzünk most egy másik, Kompániára vonatkozó feladatot. Azt akarjuk eldönteni, hogy
beosztható-e az ország lakossága három pártra úgy, hogy az egy pártba kerülõk ne utálják
egymást. Matematikai nyelven: adott egy gráf. Kiszínezhetõ-e a gráf három színnel úgy, hogy
az egyszínû pontok között ne legyen él(összekötés). A 4. és 5. ábrán három színnel
színezhetõ illetve nem színezhetõ gráfok láthatók. A korábbi, két színnel való színezésre
lehetett exponenciális, de polinomiális algoritmust is találni. Itt ez nem megy. Nem ismeretes
olyan algoritmus, amely exponenciálisnál gyorsabban döntené el a három színnel való
színezhetõséget. Ha igaz, hogy nincs is, akkor nemcsak az algoritmus rossz, hosszú, hanem
maga a probléma is nehéz. De ezt eddig csak sejthetjük. Szemben a gráf kettõ-színezésével,
ami egy polinomiális probléma, mert van megoldására polinomiális algoritmus.
 4. és 5. ábra

Egy másik ismert probléma a független pontok problémája. Kezdjük egy játékos példával.
Megadható-e a sakktáblán 8 vezér úgy, hogy ne üssék egymást? A 6. ábra mutatja, hogy ez
lehetséges, de aki maga próbálta ezt a rejtvényt megfejteni, tudja, hogy nem olyan könnyû az
elhelyezést megtalálni. Ez a feladat is megfogalmazható a gráfok nyelvén. A sakktábla mezõi
legyenek a gráf pontjai, két ilyen pontot (mezõt) kössünk össze egy éllel, ha az egyik mezõrõl
a vezér egy lépéssel el tud jutni a másikba, azaz a másik mezõt „ütni” tudja. Az általános, már
gráfokra vonatkozó probléma így szól: adott egy gráf és egy k egész szám, eldöntendõ, hogy
ki lehet-e választani a gráfból k pontot úgy, hogy ezek között a pontok között ne legyen
összeköttetés. A probléma inputja tehát most nem csak egy gráf, hanem még egy egész szám
is hozzátartozik. De mivel a probléma csak akkor érdekes, ha ez az egész szám kisebb a
pontok számánál, elég a megoldás sebességét a gráf pontjai (pontosabban élei) számának
függvényében nézni, mert az egész szám ebbe „belefér”. Erre a problémára sem ismert
exponenciálisnál rövidebb algoritmus, tehát ez is egy nehéz probléma.

6. ábra

Most megmutatjuk, hogy ha a független pontok problémáját meg tudnánk oldani polinomiális
sok lépésben, akkor a három színnel való színezhetõség problémáját is meg tudnánk oldani.
Legyen G az az n pontú gráf, amelyrõl el kell döntenünk, hogy kiszínezhetõ-e három színnel.
Csináljunk belõle egy H gráfot a következõképpen. Vegyük G három különálló példányát, de
kössük össze azokat a pontokat, amelyek G-ben ugyanazok voltak. Lásd a 7. és 8. ábrákat,
ahol elõbb azt ábrázoltuk, ha G a 4. ábrán szereplõ 5 hosszú kör, majd az általános esetet
próbáltuk illusztrálni. Ha G három színnel kiszínezhetõ, vegyünk egy ilyen színezést, H egyik
példányából vegyük ki a 0 színû, a másik példányából az 1 színû, végül a harmadik
példányból a 2 színûeket. Ekkor a 3n pontú H-ból kivettünk n pontot úgy, hogy ezek között
nincsenek öszszekötések, vagyis n független pontot találtunk. Ezt a a kiválasztást (a 4. ábra
színezése alapján) a 7. ábrán meg is adtuk. A 8. ábrán az olvasó képzeletére bíztuk. Másrészt
az is könnyen meggondolható, hogy ha H-ban ki tudunk választani n független pontot, akkor
ez megadja G három színnel való színezését. (H három olyan pontja, ami egy G-beli pontból
lett, páronként össze van kötve, tehát ezek közül csak egy lehet kiválasztva. Mivel n pontot
választottunk H-ból, minden ilyen ponthármasból ki is kellett egyet választani. Az, hogy G
melyik példányából vettük a pontot, megadja a G-beli pont színezését.) Ezzel azt a kis
matematikai tételt bizonyítottuk, hogy G akkor és csak akkor színezhetõ ki három színnel, ha
H-ból kiválasztható n független pont. Tegyük most fel, hogy van polinomiális algoritmusunk
a független pontok kiválasztására, és egy G gráfról azt kell eldöntenünk, hogy kiszínezhetõ-e
három színnel. G-bõl elkészítjük a H gráfot, ehhez polinomiális sok lépés kell, ezután H-ról
eldöntjük, hogy van-e benne n (G pontjainak száma) független pont. A kis tétel szerint ezzel
azt is eldöntöttük, hogy G színezhetõ-e három színnel. Azt mondjuk, hogy a három színnel
színezhetõség problémája polinomiálisan visszavezethetõ a független pontok problémájára.

7. és 8. ábra

De ez fordítva is igaz: a független pontok problémája is (polinomiálisan) viszszavezethetõ a

három színnel való színezés problémájára. Vagyis, ha az egyik problémára csak exponenciális
sok lépésbõl álló algoritmus van, akkor a másikra is, tehát a két probléma egyforma nehéz,
pontosabban fogalmazva polinomiálisan ekvivalensek.

Egy további neves probléma a Hamilton-körök problémája. Adott egy gráf, végig tudunk-e
menni a gráf élein úgy, hogy minden pontot pontosan egyszer érintve visszakerüljünk a
kiinduló ponthoz. Szemléltetve: egy ügynök végig tud-e utazni az összes városon úgy, hogy
csak az egymással közvetlen repülõjárattal összekötött városok között repülhet, és minden
városban pont egyszer lehet, végül hazaér. De itt is van „sakkos” példa: végig lehet-e menni a
sakktáblán lóugrásokkal úgy, hogy a végén a kiindulópontba kerüljünk vissza? A 9. ábra
gráfjában létezik Hamilton-kör, az ügynök a pontokon a számozás szerint mehet. Az 10.
ábrán egy olyan gráf látható, amiben nincs Hamilton-kör; ez egy kis próbálgatással
ellenõrizhetõ. Erre a problémára szintén nem ismeretes exponenciálisnál rövidebb algoritmus,
tehát ez is egy nehéz probléma. Errõl a problémáról is matematikailag precízen
bebizonyítható, a fentiekhez hasonló visszavezetésekkel, hogy polinomiálisan ekivivalens
mind a három színnel való színezés problémájával, mind pedig a független pontok
problémájával. Persze ezek a visszavezetések nem mindig olyan egyszerûek, mint a fenti
esetben. Sokszor igen bonyolultak, mi itt kénytelenek voltunk a legegyszerûbbek egyikét
bemutatni.
 9. ábra 10. ábra

Tehát mát három problémánk van, amelyek egyikére sem ismerünk polinomiális algoritmust,
de azt tudjuk, hogy ezek egyszerre polinomiálisak, vagy exponenciálisak. Csak az a kár, hogy
egyikrõl sem tudjuk!

Nézzük meg alaposabban, milyen probléma volt az említett három. Elõször is eldöntendõ
kérdések voltak. Az eredmény igen, vagy nem. A Turing-gépen a végeredmény egy 0 vagy 1.
Az összeadás problémája nem ilyen, ott az eredmény egy hosszabb sorozat. De az ilyen
eldöntendõ problémák bizonyos értelemben a legjellemzõbbek, és sok más probléma
visszavezethetõ rájuk. A másik, lényegesebb tulajdonságot illusztráljuk elõször a három
színnel való színezés problémáján, vagy eredeti megfogalmazásában, az ország három pártra
való osztásán. Ha a helyes felosztást, amelyben nincsenek egy párton belül utálat-élek,
bizonyos „kormányhoz közeli körök” „kiszivárogtatják”, akkor már könnyen (polinomiális
sok lépésben) ellenõrizni tudjuk, megfelelõ-e a felosztás. Hiszen csak azt kell megnézni
minden élre, hogy végpontjai nincsenek-e azonos pártban. A független pontok problémájánál
ugyancsak, ha egy zseniális megérzéssel valaki megsejti, hogyan lehet kiválasztania k
független pontot, akkor megint könnyen ellenõrizhetõ, jó-e a kiválasztás. Végül, ha az utazó
ügynöknek megjósolják, hogyan kell végigjárnia a városokat (Hamilton-kör), akkor is csak
azt kell ellenõrizni, hogy a felsorolás szerinti sorrendben a szomszédos pontok össze vannak-
e kötve éllel. Természetesen a lehetséges „kiszivárogtatások számának” nagynak kell lennie.
Ha polinomiális lenne, az egészet polinomiális sok lépésben végigpróbálgathatnánk. De a
lehetséges megoldások száma túl nagy se lehet, legfeljebb exponenciális – 2p(n), ahol p(n)
egy polinom –, hiszen egy ilyen megoldást polinomiális sok lépésben akarunk ellenõrizni,
tehát szükségképpen leírható polinomiális sok jellel. A leírt tulajdonságú problémák seregét
NP-vel jelöljük. Matematikailag pontosan a nem determinisztikus Turing-géppel határozzuk
meg. Ez nagyon hasonló a Turing-géphez, de minden helyzetben, amikor valami történik vele
(új állapot, egy jel felírása a szalagra, lépés a szalagon), választhat. Például az adott
állapotban, adott jelet olvasván nem egyértelmûen meghatározott az új állapota, hanem fel
van sorolva, milyen új állapotokat vehet fel. A jegykiadó (véges) automata például vagy ad ki
jegyet, vagy nem. De belül is vannak eltérõ lehetõségek. A pénz nem esik le vagy leesik.
Ennél a nem determinisztikus Turing-gépnél az összes lehetséges mûködést tekintjük. És azt
várjuk el tõle, hogy ha problémánknak van megoldása, legyen a gépnek olyan mûködése a
sok lehetségesbõl, aminek a végén a szalagon egy 1-es marad, ellenkezõ esetben nincs ilyen
mûködése. A három színnel színezés problémájánál ezt úgy képzelhetjük el (a nem
determinisztikus Turing-gép pontos leírása igen hosszadalmas és kellemetlen lenne), hogy a
gép ad egy színt a gráf elsõ pontjának (választási lehetõség!), majd a másodiknak stb., amikor
már mindegyiknek adott színt, megvizsgálja, jó-e a színezés, nincs-e összekötve két azonos
színû pont. Ha jó, akkor 1-et ír, különben 0-t. Egy problémáról akkor mondjuk, hogy NP-beli,
ha van hozzá olyan nem determinisztikus Turing-gép, amely a gép valamelyik mûködése
esetén polinomiális sok lépés után 1-et ír a szalagra, ha van megoldása a problémának, ha
pedig nincs, akkor ez semelyik mûködésnél sem fordulhat elõ. Ezek után már nyilvánvaló,
hogy az NP betûk nem determinisztikusan polinomiális kifejezésbõl származnak.

NP-ben centrális szerepet játszik egy további probléma, a kielégíthetõség problémája. Pontos
definíció helyett csak illusztráljuk a könyvtári katalógus példáján. (A probléma nevének, és az
elõzõ könyvtári példában szereplõ Lewinsky névnek az összekapcsolása téves asszociáció!)
Legyen a probléma az, hogy meg kell állapítani, van-e olyan könyv a könyvtárban, amely
szerzõjének a neve vagy L-lel kezdõdik, vagy Y-nal végzõdik, ezen kívül amerikai kiadó adta
ki, a borítója vagy rózsaszín, vagy bordó stb. Itt a feltételek száma n, ez a bemenõ adatok
száma, és a feltételek és-sel és vagy-gyal vannak összekötve, bármilyen zárójelezés mellett
(fontos, hogy egy tulajdonság több helyen is szerepelhet!). Ez is polinomiálisan ekvivalens a
fenti hárommal. Ezen túl, az is be van bizonyítva, amint azt az olvasó érezheti, hogy ennél
nehezebb probléma az NP halmazban nincs is, tehát minden NP-beli probléma
visszavezethetõ a kielégíthetõségi problémára.

De nem csak ez a négy probléma vezethetõ vissza egymásra. Több tízezer NP-beli
problémáról sikerült bebizonyítani, hogy ezek mind-mind polinomiálisan ekvivalensek. Ha
egyikük polinomiális, akkor a többi is, ha egyikük exponenciális, akkor mind-mind az.
Valóban felháborító, hogy ezt nem tudjuk egyikkõjükrõl sem! Ezek tehát az NP „krémje”, a
legnehezebbek NP-ben. ’ket NP-teljes problémáknak szoktuk nevezni.

A nagy kérdés

P-vel szokás jelölni azon NP-beli problémákat, amelyek polinomiális sok lépésben
megoldhatók. Az, hogy P részhalmaza NP-nek, az nyilvánvaló. A nagy kérdés tehát ilyen
jelölésben fogalmazva az, hogy a „krém” valóban nehezebb-e a többinél, hiszen eddigi
tudásunk szerint (elvileg) lehetséges, hogy NP minden eleme P-ben van. A nagy kérdés tehát
az, hogy P=NP, vagy P=/NP. Ez ma az elméleti számítástudománynak (de talán magának a
matematikának is) fõ kérdése. Természetesen a többség úgy véli, hogy P=/NP. Annyira, hogy
amikor egy nem túl neves matematikus egy 40 oldalas cikkben az ellenkezõjét bizonyította,
senki se akarta vállalni az ellenõrzést, sajnálták az idejüket fecsérelni egy hibás cikkel.
Három évig tartott, míg valaki megmutatta a hibát. A kutatók persze azért is elfogultak, mert
P=/NP esetén egy érdekes, jelentõs elmélet válna értéktelenné.

De ne higgyük azt, hogy minden NP-beli problémáról el van döntve, hogy P-beli vagy NP-
teljes. Annak eldöntése pl., hogy egy adott egész szám prím-e vagy sem, egy kivétel. Nem
ismeretes rá polinomiális lépésszámú algoritmus, de azt se tudjuk róla, hogy NP-teljes-e.
Tehát lehetséges, hogy van rá polinomiális algoritmus, de meglehet, hogy (P=/NP esetén)
csak exponenciális algoritmus van rá. Ez azért izgalmas, mert sok titkosírás az egészek
prímekre való felbontásán alapszik, tehát ha valaki talál egy polinomiális algoritmust e
problémára, meg tud fejteni sok titkos üzenetet, amiket eddig (polinomiális idõben)
megfejthetetlennek véltek.

Mit kezdjünk a nehéz problémákkal?

Mit tegyünk, ha a probléma, amit meg kell oldani, NP-teljes? Sokan azt gondolják, hogy az
elméleti tudós erre azt válaszolja, hogy sajnálja, nem lehet megoldani, foglalkozzunk valami
mással, õt ez nem érdekli. A helyzet nem így áll. Elméleti kutatók serege keresi a választ az
ilyen helyzetekre. Hadd vázoljunk néhány ötletet.

(1) Lehetséges, hogy az objektum, amit vizsgálunk, rendelkezik valamilyen speciális

tulajdonsággal, amit feltéve, már polinomiális lesz a probléma. Például, ha a három színnel
való színezhetõség problémájánál feltesszük, hogy a gráf minden pontjának legfeljebb két
szomszédja van (azaz mindenki legfeljebb két embert utál, boldog ország!), akkor nem is kell
semmit számolni, máris tudjuk, hogy a gráf kiszínezhetõ három színnel, amint ez könnyen
végiggondolható. Ha minden pontnak legfeljebb három szomszédja van, akkor egy
matematikai tétel (Brooks tétele) segítségével nagyon egyszerû módon eldönthetõ, hogy
kiszínezhetõ-e gráfunk három színnel, mert a nemleges válasz ez esetben csak nagyon
kivételes esetben lehetséges.

(2) Megelégszünk egy közelítõ megoldással. Például a Hamilton-kör esetén azt vizsgáljuk,
van-e olyan körút az ügynök számára, amely a pontok legfeljebb felén halad át kétszer. A
gyakorlati alkalmazásokban az ilyen közelítés legtöbbször megfelelõ (különösen akkor, ha
jobb nincs), és a probléma ilyen módosítása gyakran már polinomiális. Persze nem mindig.
Sajnos ismeretes sok probléma, aminek közelítõs változata is NP-teljes.

(3) A legmerészebb ötlet az, hogy olyan számítógépet kell találni, amely megvalósítható, és
annak modelljén már el lehet végezni az NP-teljes problémák megoldását. A Church-tézis
szerint a Turing-géppel minden algoritmus elvégezhetõ, de ez nem jelenti azt, hogy a lépések
számánál is elég a Turing-gépet használni. Az volna jó, ha valahogy egyszerre sok számítást
tudnánk végezni párhuzamosan. Például ha egyszerre tudnánk kipróbálni egy gráf összes
három színnel való kiszínezését, akkor polinomiális idõ alatt el tudnánk dönteni, hogy
valamelyik jó-e. De ehhez nagyon sok alkatrész kellene, a bemenõ adatok exponenciális
függvényével leírható számú. Az elvi lehetõség ott bujkál, hogy valamilyen nagyon pici,
elemi részecskéket használhatnánk a számításhoz, amikbõl rengeteg áll rendelkezésre, így
gyakorlatilag úgy tekinthetjük, hogy exponenciálisan sok van belõlük. Eddig két ilyen
gondolat vetõdött fel.

(3.a) A kvantum-számítógép az egyik. Elve a kvantummechanika törvényein alapszik. Ilyen

terjedelemben nehezen leírható módon az elemi részecskék milliói egy idõben, párhuzamosan
„dolgoznának”. Eddig csak egy nagyon primitív változatot sikerült megépíteni, ami három
bittel tud „számolni”. Sokan hisznek benne, hogy továbbfejleszthetõ, még többen nem
hisznek ebben. Matematikai modelljét (megint csak sokkal bonyolultabb, mint a Turing-gép)
is sikerült megalkotni, ami nagyon jól mûködik: sikerült vele polinom idõben eldönteni, hogy
egy szám prím-e, vagy sem. (Veszély a jelenlegi titkosítási eljárásokra!)

(3.b) A másik remény a biológiai számítógép. „Mûködését” a Hamilton-kör problémáján

illusztráljuk. Ismeretes, hogy vannak olyan molekulák, amelyek „karjai” szívesen
kapcsolódnak bizonyos más molekulák „karjaihoz”. Ehhez hasonlók vannak pl. az orrunkban
levõ szaglósejtekben, bizonyosak „csapdába ejtik” a szagokat okozó molekulákat, a sejt jelez,
elkezdjük érezni a szagot. Ezt az elvet próbáljuk használni. Adott egy gráf, amirõl el akarjuk
dönteni, hogy van-e benne Hamilton-kör. Készítsünk egy molekulát a gráf minden pontjához.
Egy olyat, amelyik pontosan azon molekulákhoz tud, szeret csatlakozni, amelyekhez a
gráfban él köti. De csak két másikhoz tud csatlakozni. Ha már kettõhöz csatlakozott, akkor
már „semlegessé” válik. A 6. ábrán gráf 2-es pontjához tehát pl. egy olyan molekula
szükséges, amelyik az 1-es és 3-as ponthoz rendelt molekulához kapcsolódik jól, míg a 4-
eshez nem. Ha ezek a molekulák megvannak, akkor ezeket nagy számban rakjuk be egy
edénybe, és keverjük össze az anyagokat alaposan. Mivel mindegyik molekulából nagyon sok
van, a keverés során nagyon sok másik molekulával érintkezik, így minden lehetséges
kapcsolat létrejön. Az adott gráfnak minden olyan lehetséges része (részgráf) kialakul az
összekapcsolódások révén, amelyikben minden pontnak legfeljebb két szomszédja van. Így a
Hamilton-kör is létrejön, ha a gráfban van ilyen. (A valószínûség számítás segítségével
bizonyítható, hogy minden, ami létrejöhet, az létre is jön.) Tehát a keverés után sokféle anyag
van az edényben, amelyek mindegyike egy-egy nagy, összetett molekula sok példánya. Már
csak az van hátra, hogy kimutassuk, hogy az a nagy, összetett molekula, ami a Hamilton-
körnek felel meg, benne van-e az edényben. Ezt vagy kémiai módon, egy reagenssel, vagy
fizikai módon, a molekula súlyával mutathatjuk ki.
Tanulság?

Egy ördögi történettel fejezem be ezt a kis ismertetõt. A Sátán megkísérti a számítástudóst.

– Pénzt adok, gazdagságot, tied lesznek a legszebb nõk, a legjobb kocsik, ha engem
szolgálsz.

A tudós elgondolkodik, nagyon szeretne gazdag lenni, nem is szólva a nõkrõl. De a becsület!
Mégis, van valami, amiért érdemes eladni a lelkét.

– Rendben, a te szolgád leszek, ha megmondod, hogy P=NP vagy nem, és ha nem, mi a

megoldás.

– Nagyszerû, nem vagy te olyan együgyû! Holnap hozom a megoldást.

A Sátán nem jön se másnap, se a rákövetkezõ héten. Csak egy hónap múlva:

– Nem megy! A Nagy Hacker mindig belép, és leállítja a számításokat!

Irodalom
Lovász László, Gács Péter: Algoritmusok, Tankönyvkiadó, 1987.
Garey, M. R., Johnson, D. S.: Computers and intractability. A guide to the theory of NP-
completeness, W. H. Freeman and Comp., San Francisco, 1979.

Természet Világa, 2000. II. különszám

http://www.kfki.hu/chemonet/TermVil/
http://www.ch.bme.hu/chemonet/TermVil/

Vissza a tartalomjegyzékhez