P = NP的问题可能是所有计算机科学中最着名的问题。这是什么意思？为什么它如此有趣？
哦，为了额外的功劳，请发表声明真相或虚假的证明。 ：）
答案 0 :(得分：341)
P代表多项式时间。 NP代表非确定性多项式时间。
说明：
多项式时间表示算法的复杂度为O（n ^ k），其中n是数据的大小（例如，要排序的列表中的元素数） ，k是常数。
复杂性是根据数据项数量计算的操作次数所用的时间。
操作是特定任务的基本操作。对于排序基本操作是一种比较。对于矩阵乘法，基本操作是两个数相乘。
现在的问题是，确定性与非确定性意味着什么。有一个抽象的计算模型，一个名为图灵机（TM）的虚拟计算机。该机器具有有限数量的状态和无限磁带，其具有离散的单元，可以在其中写入和读取有限的符号集。在任何给定时间，TM处于其状态之一，并且它正在查看磁带上的特定单元。根据它从该单元格中读取的内容，它可以将新符号写入该单元格，将磁带向前或向后移动一个单元格，然后进入不同的状态。这称为状态转换。令人惊讶的是，通过精心构建状态和转换，您可以设计一个TM，它相当于可以编写的任何计算机程序。这就是为什么它被用作证明计算机能做什么和不能做什么的理论模型。
这里有两种与我们有关的TM：确定性和非确定性。对于从磁带上读取的每个符号，确定性TM仅对每个状态进行一次转换。非确定性TM可能具有几个这样的转变，即。即它能够同时检查几种可能性。这有点像产生多个线程。不同之处在于，非确定性TM可以产生任意数量的“线程”，而在实际计算机上，一次只能执行特定数量的线程（等于CPU的数量）。实际上，计算机基本上是带有限磁带的确定性TM。另一方面，除了量子计算机之外，不能物理地实现非确定性TM。
已经证明，非确定性TM可以解决的任何问题都可以通过确定性TM来解决。但是，目前尚不清楚需要多长时间。语句P = NP意味着如果问题在非确定性TM上采用多项式时间，则可以构建确定性TM，其也将在多项式时间内解决相同问题。到目前为止，没有人能够证明它可以完成，但是没有人能够证明它无法完成。
NP完全问题的一个例子是找到一个真值赋值的问题，该真值赋值会使包含n个变量的布尔表达式成为真。
在实践中，任何在非确定性TM上采用多项式时间的问题只能在确定性TM或传统计算机上以指数时间进行。
例如，解决真值分配问题的唯一方法是尝试2 ^ n种可能性。
答案 1 :(得分：79)
直观地，我们可以看到，如果问题出在 P ，那么它在 NP 中。鉴于 P 中问题的潜在答案，我们可以通过简单地重新计算答案来验证答案。
不太明显，更难以回答的是， NP 中的所有问题是否都在 P 。我们能在多项式时间内验证答案的事实是否意味着我们可以在多项式时间内计算答案？
已知有大量重要问题 NP - 完成（基本上，如果这些问题被证明属于 P ，那么所有 NP 问题都证明在 P 中。如果 P = NP ，则所有这些问题都将被证明具有有效（多项式时间）解决方案。
大多数科学家认为 P ！= NP 。但是，尚未确定 P = NP 或 P ！= NP 的证据。如果有人提供任何猜想的证据，they will win US $1 million。
答案 2 :(得分：23)
给出我能想到的最简单的答案：
假设我们遇到一个需要一定数量输入的问题，并且有各种可能的解决方案，这些解决方案可能会或可能不会解决给定输入的问题。拼图杂志中的逻辑谜题就是一个很好的例子：输入是条件（“乔治不住在蓝色或温室里”），潜在的解决方案是一系列陈述（“乔治生活在黄色房子，种豌豆，并拥有狗“）。一个着名的例子是旅行商问题：给出一个城市列表，从任何城市到任何其他城市的时间和时间限制，潜在的解决方案将是销售人员访问它们的顺序的城市列表，以及如果旅行时间的总和小于时间限制，它将起作用。
如果我们能够有效地检查潜在的解决方案以确定它是否有效，那么这个问题就出现在NP中。例如，给定销售员按顺序访问的城市列表，我们可以将城市之间每次旅行的时间相加，并轻松查看是否在时间限制之内。如果我们能够有效地找到解决方案，那么问题在于P。
（有效地，在这里，具有精确的数学意义。实际上，这意味着大问题并非难以解决。在寻找可能的解决方案时，一种低效的方法是列出所有可能的潜在解决方案，或者某些东西接近这一点，虽然一种有效的方法需要搜索更有限的集合。）
因此，P = NP问题可以这样表达：如果您能够有效地验证上述排序问题的解决方案，您能找到有效的解决方案（或证明没有）吗？显而易见的答案是“你为什么能够这样做？”，这就是今天的问题所在。没有人能够以某种方式证明这一点，这困扰了许多数学家和计算机科学家。这就是为什么任何能够证明这个解决方案的人都能从Claypool基金会获得一百万美元。
我们通常假设P不等于NP，没有找到解决方案的一般方法。如果事实证明P = NP，很多事情都会发生变化。例如，密码学将变得不可能，并且在互联网上具有任何形式的隐私或可验证性。毕竟，我们可以有效地获取加密文本和密钥并生成原始文本，因此如果P = NP，我们可以在不事先知道的情况下有效地找到密钥。密码破解将变得微不足道。另一方面，我们可以有效地解决各类规划问题和资源分配问题。
您可能听说过NP-complete的描述。 NP完全问题是NP（当然），并且具有这个有趣的特性：如果它在P中，则每个NP问题都是，因此P = NP。如果你能找到一种有效解决旅行商问题的方法，或者从拼图杂志中找到逻辑难题，你就可以有效地解决NP中的任何问题。在某种程度上，NP完全问题是最难解决的NP问题。
所以，如果你能找到一个有效的通用解决方案技术来解决任何NP完全问题，或者证明不存在这样的问题，那么名誉和财富都属于你。
答案 3 :(得分：9)
来自我谦虚知识的简短摘要：
有一些简单的计算问题（比如找到图中两点之间的最短路径），可以非常快速地计算出来（O（n ^ k），其中n是输入的大小，k是常数（在图形的情况下，它是顶点或边的数量））。
其他问题，比如找到跨越图中每个顶点的路径或从公钥获取RSA私钥更难（O（e ^ n））。
但CS说话的问题在于我们无法将非确定性图灵机“转换”为确定性机器，但我们可以将非确定性有限自动机（如正则表达式解析器）转换为确定性机器人（好吧，你可以，但机器的运行时间将花费很长时间）。也就是说，我们必须尝试所有可能的路径（通常聪明的CS教授可以排除一些）。
这很有趣，因为没有人对解决方案有任何想法。有人说这是真的，有人说这是假的，但没有达成共识。另一个有趣的事情是，解决方案对公钥/私钥加密（如RSA）有害。您可以像现在生成RSA密钥一样轻松破解它们。
这是一个非常鼓舞人心的问题。
答案 4 :(得分：6)
对于问题的P =？NP部分，我可以添加的内容并不多，但是在证明方面。证明不仅值得一些额外的功劳，而且它将解决Millennium Problems之一。最近进行了一项有趣的民意调查，published results (PDF)绝对值得阅读证明主题。
答案 5 :(得分：5)
首先，一些定义：
如果您可以为某些n^k计算时间小于k的解决方案，则会出现一个特殊问题，其中n是输入的大小。例如，排序可以在n log n中完成，小于n^2，因此排序是多项式时间。
如果存在k，则存在问题，即存在最多n^k大小的解决方案，您最多可以及时验证n^k。对图形进行3着色：给定图形，3着色是（顶点，颜色）对的列表，其大小为O(n)，您可以及时验证O(m)（或{{1} }）是否所有邻居都有不同的颜色。因此，只有在存在简短且易于验证的解决方案时，图表才是可着色的。
NP的等效定义是“在 P oulinomial时间内 N 确定性图灵机可解决的问题”。虽然这可以告诉您名称的来源，但它并没有让您直观地了解NP问题。
请注意，P是NP的子集：如果您可以在多项式时间内找到解，那么可以在多项式时间内验证解决方案 - 只需检查给定解决方案是否与您可以找到的解决方案相同。
为什么问题O(n^2)有趣？要回答这个问题，首先需要了解NP完全问题是什么。简单地说，
注意L的实例必须是多项式时间可计算的并且具有多项式大小，大小为L';这样，在多项式时间内求解NP完全问题为我们提供了所有 NP问题的多项式时间解决方案。
这是一个例子：假设我们知道图的3色是NP难问题。我们想证明决定布尔公式的可满足性也是一个NP难问题。
对于每个顶点v，有两个布尔变量v_h和v_l，以及需求（v_h或v_l）：每对只能有值{01,10,11}，我们可以将其视为颜色1,2和3.
对于每个边（u，v），要求（u_h，u_l）！=（v_h，v_l）。也就是说，
P =? NP列举所有相同的配置和规定，它们都不是这种情况。
not ((u_h and not u_l) and (v_h and not v_l) or ...)将所有这些约束放在一起得到一个具有多项式大小（AND）的布尔公式。您可以检查计算也需要多项式时间：每个顶点和每个边缘都在做直接的O(n+m)个东西。
如果你能解决我所做的布尔公式，那么你也可以解决图着色：对于每对变量v_h和v_l，让v的颜色与那些变量的值匹配。通过构造公式，邻居将没有相同的颜色。
因此，如果图的3色是NP完全的，那么布尔公式可满足性也是如此。
我们知道图的3色是NP完全的;然而，历史上我们已经知道，首先显示布尔电路可满足性的NP完全性，然后将其降低到3可着色性（而不是相反）。