Ja, seit Cheeseman, Kanefsky und Taylors Veröffentlichung von 1991 wurde viel gearbeitet.
Wenn Sie nach Reviews zu Phasenübergängen von NP-Complete-Problemen suchen, erhalten Sie zahlreiche Ergebnisse. Eine solche Übersicht ist Hartmann und Weigt. Eine Einführung auf höherer Ebene finden Sie in den Artikeln von Brian Hayes American Scientist [2] [3].
Cheesemen, Kanefsky und Taylors Artikel von 1991 ist ein unglücklicher Fall, in dem Informatiker der mathematischen Literatur keine Beachtung schenken. In der Arbeit von Cheeseman, Kanefsky und Taylor identifizierten sie den Hamilton-Zyklus als einen Phasenübergang mit einem Anstieg der Suchkosten nahe der kritischen Schwelle. Das von ihnen verwendete Zufallsgraphenmodell war ein Erdos-Renyi-Zufallsgraph (feste Kantenwahrscheinlichkeit oder äquivalente Gaußsche Gradverteilung). Dieser Fall wurde bereits vor der Veröffentlichung von Cheeseman et al. Aus dem Jahr 1991 ausführlich untersucht. Dabei wurden nahezu sichere polynomiale Zeitalgorithmen für diese Graphenklasse verwendet, selbst bei oder nahe der kritischen Schwelle. Bollobas '"Random Graphs" [4] ist eine gute Referenz. Der ursprüngliche Beweis, glaube ich, wurde von Angliun und Valiant [5] mit weiteren Verbesserungen von Bollobas, Fenner und Frieze [6] vorgelegt. Nach Cheeseman,
Der Phasenübergang für Hamilton-Zyklen in zufälligen Erdos-Renyi-Zufallsgraphen besteht in dem Sinne, dass es einen schnellen Übergang der Wahrscheinlichkeit gibt, eine Lösung zu finden, was sich jedoch nicht in einer Zunahme der "intrinsischen" Komplexität des Findens von Hamilton-Zyklen niederschlägt. Es gibt beinahe sichere polynomielle Zeitalgorithmen, um Hamilton-Zyklen in Erdos-Renyi-Zufallsgraphen zu finden, selbst am kritischen Übergang, sowohl in der Theorie als auch in der Praxis.
Die Umfrageausbreitung [8] hat gute Erfolge bei der Ermittlung zufriedenstellender Instanzen für zufälliges 3-SAT in der Nähe der kritischen Schwelle erzielt. Mein derzeitiges Wissen ist ein wenig verrostet, daher bin ich mir nicht sicher, ob es große Fortschritte bei der Suche nach "effizienten" Algorithmen für unbefriedigende Fälle nahe der kritischen Schwelle gegeben hat. 3-SAT ist, soweit ich weiß, einer der Fälle, in denen es "leicht" zu lösen ist, wenn es erfüllbar ist und sich der kritischen Schwelle nähert, aber unbekannt (oder schwer?) Ist, wenn sich der unbefriedigende Fall der kritischen Schwelle nähert.
Mein Wissen ist etwas veraltet, aber als ich mich das letzte Mal eingehend mit diesem Thema beschäftigte, fielen mir einige Dinge auf:
- Der Hamilton-Zyklus ist für Erdos-Renyi-Zufallsgraphen "einfach". Wo liegen die schweren Probleme dafür?
- Zahlenpartition sollte lösbar sein, wenn sehr weit im Bereich der fast sicheren Wahrscheinlichkeit 0 oder 1, aber meines Wissens nach keine effizienten Algorithmen für selbst moderate Instanzgrößen existieren (1000 Zahlen zu je 500 Bit sind meines Wissens nach völlig unlösbar mit neueste Algorithmen). [9] [10]
- 3-SAT ist "einfach" für zufriedene Instanzen in der Nähe des kritischen Schwellenwerts, selbst für große Instanzen (Millionen von Variablen), aber schwierig für unzufriedene Instanzen in der Nähe des kritischen Schwellenwerts.
Ich zögere, es hier aufzunehmen, da ich keine begutachteten Artikel darüber veröffentlicht habe, aber ich habe meine Diplomarbeit geschriebenzum Thema. Die Hauptidee ist, dass eine mögliche Klasse von zufälligen Ensembles (Hamilton-Zyklen, Zahlenpartitionsprobleme usw.), die "intrinsisch hart" sind, eine "Skaleninvarianz" -Eigenschaft haben. Levy-Stable-Distributionen sind eine der natürlicheren Distributionen mit dieser Qualität, mit Potenzgesetz-Schwänzen, und man kann zufällige Instanzen aus NP-Complete-Ensembles auswählen, die irgendwie die Levy-Stable-Distribution enthalten. Ich habe einige schwache Beweise dafür geliefert, dass eigenschwere Hamilton-Zyklus-Instanzen gefunden werden können, wenn Zufallsgraphen mit einer Levy-stabilen Gradverteilung anstelle einer Normalverteilung (dh Erdos-Renyi) ausgewählt werden. Wenn nichts anderes, gibt es Ihnen zumindest einen Ausgangspunkt für eine Literaturrecherche.
[1] AK Hartmann und M. Weigt. Phasenübergänge bei kombinatorischen Optimierungsproblemen: Grundlagen, Algorithmen und statistische Mechanik. Wiley-VCH, 2005.
[2] B. Hayes. Das einfachste schwierige Problem. American Scientist, 90 (2), 2002.
[3] B. Hayes. Auf der Schwelle. American Scientist, 91 (1), 2003.
[4] B. Bollobás. Random Graphs, Zweite Auflage. Cambridge University Press, New York, 2001.
[5] D. Angluin und LG Valiant. Schnelle probabilistische Algorithmen für Hamilton-Schaltungen und Matchings. J. Computer, Syst. Sci., 18: 155–193, 1979.
[6] B. Bollobás, TI Fenner und AM Frieze. Ein Algorithmus zum Finden von Hamilton-Pfaden und -Zyklen in zufälligen Graphen. Combinatorica, 7: 327–341, 1987.
[7] B. Vandegriend und J. Culberson. Der G n, m -Phasenübergang ist für das Hamilton-Zyklus-Problem nicht schwer. J. of AI Research, 9: 219–245, 1998.
[8] A. Braunstein, M. Mézard und R. Zecchina. Umfrageausbreitung: Ein Algorithmus zur Erfüllbarkeit. Random Structures and Algorithms, 27: 201–226, 2005.
[9] I. Gent und T. Walsh. Analyse von Heuristiken zur Zahlenaufteilung. Computational Intelligence, 14: 430–451, 1998.
[10] CP Schnorr und M. Euchner. Reduzierung der Gitterbasis: Verbesserte praktische Algorithmen und Lösung von Teilmengen-Summenproblemen. In Proceedings of Fundamentals of Computation Theory '91, L. Budach, Hrsg., Lecture Notes in Computer Science, Band 529, Seiten 68–85, 1991.