- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
考虑以下问题:
有N个硬币,编号为1到N。
你看不到它们,但是给出了关于它们的 M 个事实,形式如下:
struct Fact
{
set<int> positions
int num_heads
}
positions
标识硬币的子集,num_heads
是该子集中正面硬币的数量。
鉴于这 M 个事实,您需要计算出可能出现的最大正面数量。
这个问题是NP完全的吗?如果有,减免是多少?如果不是,什么是多项式时间解?
例如:
N = 5
M = 3
fact1 = { {1, 2}, 1 } // Either coin 1 or coin 2 is a head
fact2 = { {4}, 0 } // Coin 4 is a tail
fact3 = { {2, 4, 5}, 2 } // Out of coins 2, 4 and 5, two are heads
符合事实的头最多的配置是:
T H H T H
所以答案是 3 个正面。
最佳答案
假设您有一个 3-SAT 问题。您可以将该问题中的每个 bool 变量 v 映射到两个硬币。称它们为“true(v)”和“false(v)”。这个想法是,如果 3-SAT 问题的解决方案中的 v 为真,则“true(v)”为正面;否则 'false(v)' 是正面。对于每个 v 你添加硬币约束
{true(v), false(v)} has 1 heads, and has 1 tails
在此之后,您可以翻译带有文字 l1、l2、l3 的 3-SAT 子句
l1 or l2 or l3
到硬币约束
{t/f(l1), t/f(l2), t/f(l3)} has at least 1 heads
其中 t/f(l1) 是 'true(l1)' 或 'false(l1)' 取决于 l1 在子句中是正数(未取反)还是负数(取反)。我们只需要证明“至少 1 个正面”可以在硬币问题中实现,因为“至少 1 个正面”不能直接表达。这可以通过以下设备完成。假设 C1、C2、C3 是三个硬币,我们要为其声明约束“至少其中一个是正面”。创建另外三个硬币 X1、X2、X3 并放入约束
{X1, X2, X3, C1, C2, C3} has 4 heads
但 X1、X2、X3 没有其他约束。仅当 C1、C2、C3 中至少有一个是正面时,才满足此约束;硬币 X1..3 可用于提供剩余的所需头部。
请注意,这种减少根本没有使用问题的“最大磁头数”方面;如果 3-SAT 公式不可满足,则显然根本不可能为表示 bool 变量的硬币选择正面/反面状态。
这是从 3-SAT 到您的硬币问题的多项式约简,表明它是 NP-hard。要证明它是 NP 完全的,只需观察您的硬币问题的解决方案可以在多项式时间 QED 中检查。
关于algorithm - 子集推理 NP 完全?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10638822/
有时评估积分非常困难,但很容易验证解是否正确。在我看来它至少应该是 np,但我对这个概念的理解是有限的,我可能会遗漏一些东西 编辑:为了清楚起见,我很好奇算法的复杂性,该算法找到函数的反导数以解决不定
我对这三个类别的理解是否正确? 要证明问题 X 是 NP: 表明 X 可以在多项式时间内确定性地得到验证(或者X 可以使用 NTM 解决) 要证明问题 X 是 NP 完全的: 表明 X 可以在多项式时
有什么区别NP , NP-完全和 NP-Hard ? 我知道网上有很多资源。我想阅读你的解释,原因是它们可能与外面的不同,或者有一些我不知道的东西。 最佳答案 我假设您正在寻找直观的定义,因为技术定义
我正在寻找一种方法来检查 numpy 数组是 np.float64 还是 np.float32。这适用于 np.float64: a = np.random.rand(10) if not issub
我知道 np.nanargmin 找到列表中不是 NaN 的最小数字。但是,如果调用数组 [np.nan, np.inf],它会产生 0,这是一个 NaN。我发现这种行为很奇怪,我只是想知道以这种方式
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 关闭 8 年前。 Improve
我很好奇使用 np.empty 到底有多大不同?而不是 np.zeros ,以及关于 np.ones 的区别.我运行这个小脚本来对每个创建大型数组所花费的时间进行基准测试: import numpy
在操作矩阵的时候,不同的接口对于矩阵的输入维度要求不同,输入可能为1-D,2-D,3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种: 1、np.newaxis扩充
除了使用一组 or 语句之外 isinstance( x, np.float64 ) 或 isinstance( x, np.float32 ) 或 isinstance( np.float16 )
我尝试了以下代码,但没有发现 np.dot 和 np.multiply 与 np.sum 之间的区别 这里是 np.dot 代码 logprobs = np.dot(Y, (np.log(A2)).T
我编写了一些程序来更新 numpy在每次迭代中列出并对其进行一些操作。迭代次数取决于时间。例如在 1 秒内,可能有 1000 到 2500 次迭代。这意味着 numpy 列表中的项目对于运行程序 1
我有以下两个数据框: a = pd.DataFrame([[1,2, 3],[4,3,6], [np.nan, 2, np.nan]]) 0 1 2 0 1.0 2 3.0 1
我有一个包含很多非零值的数组。当我使用以下方法计算非零项目总数时,我得到了 2 个不同的结果: 1) non_zero_weights = np.any(np.not_equal(lr_l1.coef
我对这么多int有点挣扎cython 中的数据类型。 np.int, np.int_, np.int_t, int 我猜 int在纯python中相当于np.int_ , 那么 np.int 在哪里来
如果您要选择以下三种初始化零数组的方法之一,您会选择哪一种以及为什么? my_arr_1 = np.full(size, 0) 或 my_arr_2 = np.zeros(size) 或 my_arr
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在读这个code ,用于从头开始实现线性回归: # convert from data frames to numpy matrices X = np.matrix(X.values) y = n
我正在解压缩具有许多不同数据类型的大型二进制文件 (~1GB)。我正处于创建循环以隐藏每个字节的早期阶段。我一直在使用 struct.unpack,但最近认为如果我使用 numpy 它会运行得更快。然
我需要从依存分析树中提取形式为 NP-VP-NP 的三元组,作为 Stanford Parser 中词汇化分析的输出。 执行此操作的最佳方法是什么。例如如果解析树如下: (ROOT (S
我是一名优秀的程序员,十分优秀!