6.1 计算复杂度理论：P、NP、NP完全问题的实际意义
计算复杂度理论是理论计算机科学的核心分支，它研究解决计算问题所需的资源（主要是时间和空间）如何随问题规模增长而变化的规律。对于人工智能领域而言，理解计算复杂度的基本概念与分类，不仅是分析算法效率的理论工具，更是认识许多智能任务内在困难性的关键。人工智能中的诸多核心问题，如规划、调度、推理与学习，在本质上都属于复杂的计算问题。明确这些问题在复杂度谱系中的位置（例如，属于P类、NP类或NP完全类），能够指导研究者做出理性选择：是寻求精确的多项式时间算法，还是转向近似算法、启发式方法或随机化算法。本节将系统阐述计算复杂度理论的基本框架，重点解析P、NP及NP完全问题的定义、关系与证明方法，并深入探讨这些理论概念对人工智能研究与实践的根本性影响。
6.1.1 计算问题、算法与复杂度度量
在形式化讨论复杂度之前，需明确几个基本概念。
计算问题与问题实例：一个计算问题是输入与输出之间关系的抽象描述。例如，“排序问题”要求将输入数列按非降序输出。一个问题的具体输入称为该问题的实例（例如，具体的待排序数列）。计算问题通常分为两类：
- 判定问题：输出是“是”或“否”。例如，给定图GGG和整数kkk，是否存在大小至少为kkk的团？
- 优化问题：寻找满足特定条件的最优解（如最短路径、最大利润）。优化问题常可转化为一系列判定问题来研究。
算法与时间复杂度：算法是解决问题的一系列明确指令。其时间复杂度描述了运行时间随输入规模nnn（通常指输入长度）的增长趋势。我们关注最坏情况时间复杂度，表示为T(n)T(n)T(n)，并使用大O记号表示其渐近上界。例如，T(n)=O(n2)T(n) = O(n^2)T(n)=O(n2)表示存在常数ccc和n0n_0n0，使得对所有n>n0n > n_0n
