Para comprender la reducción polinómica, primero debe comprender la reducción . Aquí hay una broma que podría ayudar.
Un matemático recibe una olla vacía y se le pide que haga una olla de agua hervida. Él procede a llenar el agua (sin hervir) en la olla, ponerla en la olla, encenderla y esperar a que el agua hierva. Luego, se le da una olla llena de agua (sin hervir) y se le pide, nuevamente, que haga una olla con agua hervida. Rápidamente vierte toda el agua de la olla y declara “allí, acabo de reducir el nuevo problema al que sabía cómo resolver”.
El chiste captura la esencia de la reducción . La principal consecuencia de “A se reduce a B” es “si podemos resolver B entonces podemos resolver A”. En cierto sentido, eso nos dice que “A es como máximo tan duro como B”.
- ¿Hay alguna investigación con la función sub modular y la selección de características en el aprendizaje automático?
- ¿Cuál es una explicación para la siguiente línea de código?
- ¿Qué tan útil será el algoritmo de Shor para las computadoras cuánticas?
- ¿Por qué elegir una base de datos relacional sobre una no relacional, si la consistencia y la disponibilidad no son factores?
- ¿Cómo amplío la importancia de la informática teórica a alguien que ha trabajado en la industria del software toda su vida?
La reducción del tiempo polinomial es un tipo especial de reducción en la cual el paso de reducción podría llevarse a cabo en tiempo polinomial (dentro de algún modelo de cálculo). Una consecuencia del paso de reducción que se lleva a cabo en tiempo polinomial es que si uno puede resolver B en tiempo polinomial entonces uno también puede resolver A en tiempo polinómico.
Entonces, “SAT se reduce a L en tiempo polinómico” nos dice que si podemos resolver L en tiempo polinómico, también podemos resolver SAT en tiempo polinómico. Por lo tanto, SAT es como máximo tan duro como L cuando se trata del cálculo del tiempo polinómico . En otras palabras, L es al menos tan duro como SAT. Pero ya sabemos que SAT es al menos tan difícil como cualquier problema en NP. Por lo tanto, L es al menos tan difícil como cualquier problema en NP, es decir, es NP-Hard.