我正在阅读P，NP和NP-Complete问题理论。这是文本片段。
NP类包括具有多项式时间的所有问题 解决方案，因为显然解决方案提供了检查。一会儿 期待因为检查答案要容易得多 从头开始提出一个，NP会有问题 没有多项式时间解决方案。 到目前为止还没有这样的问题 发现，所以完全有可能，尽管不太可能 专家认为，不确定性并不是一个如此重要的改进。该 问题是证明指数下限是极端的 困难的任务。我们使用的信息理论约束技术 显示排序需要（n log n）比较，似乎没有 适合完成任务，因为决策树不是很近 足够大。
我的问题是作者的意思
声明“到目前为止还没有找到这样的问题，所以完全有可能 专家认为，不确定性不是一个重要的改进。“
另一个问题是作者在最后一句话中的意思是“因为决策树不够大”。
谢谢！
答案 0 :(得分：6)
（1）我认为作者意味着没有找到NP问题，它被证明它不在P中。当然NP中存在没有多项式解决方案的问题。已知，但这与知道不存在是不一样的。
如果实际上P = NP（也就是说，如果事实上没有NP问题没有多项式解决方案），那么在某种意义上，非确定性机器并不比“a”更“强大”。确定性机器，因为它们在多项式时间内解决了相同的问题。然后我们会说“不确定性不是一个重要的改进”。
（2）n log n证明的工作方式是，排序函数有n!个可能的输出，根据输入的顺序，其中任何一个都可能是正确的输出。每个比较都会在给定比较排序算法可以进入的所有可能状态的树中添加一个两条腿分支。为了对任何输入进行排序，此“决策树”必须具有足够的分支以产生输入的任何n!可能的重新排序，因此必须至少进行log(n!)次比较。因此，运行时的下限来自树的大小。
作者说，没有已知的NP问题，我们已经证明它们需要一棵如此之大的树，以至于它意味着一个超多项式的下界。任何此类证据都将证明P != NP。
答案 1 :(得分：0)
作者提供了某人的可能性，可以提出解决NP-Complete问题的解决方案非指数时间。
第二部分有点模糊，他似乎是我们都同意O（n log n）的搜索树的下界是信息理论，如果我们使用大的决策树，那么可以进一步发展减少下限。这真的很模糊。
一篇好文章是Micheal Sipser的计算理论或听Shai Simonson的讲座。