M ARC D EMANGE
V ANGELIS T H . P ASCHOS
Valeurs extrémales d’un problème d’optimisation combinatoire et approximation polynomiale
Mathématiques et sciences humaines, tome 135 (1996), p. 51-66
<http://www.numdam.org/item?id=MSH_1996__135__51_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1996, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
VALEURS
EXTRÉMALES
D’UNPROBLÈME D’OPTIMISATION COMBINATOIRE
ETAPPROXIMATION
POLYNOMIALEMarc
DEMANGE1,2 ; Vangelis
Th.PASCHOS2,
3RÉSUMÉ -
A la suite dequelques-uns
de nos travaux antérieurs sur la théorie de lacomplexité
et del’approximation polynomiale,
nousprésentons quelques
nouvellesréflexions
et arguments sur les valeurs (et solutions) extrérmales,(optimale
etpire),
desproblèmes d’optirnisation
combinatoire. Cette discussion nousconduit à considérer la limite entre constructibilité et non-constructibilité, source constante de contradiction en
théorie de la
complexité.
Eneffet,
cette théorie, tellequ’on
la connaît et manieaujourd’hui, est fondée
sur lanon-constructibilité tandis que deux de ses domaines
principaux, l’optimisation
combinatoire et la théorie del’approximation polynomiale,
nécessitent un cadreconceptuel fondé
sur la constructibilité.L’approximation polynomiale dépasse aujourd’hui
saconception originelle
(en tantqu’ensemble
d’outils pour la résolutionrapide
des
problèmes NP-complets),
intervienttrès fortement
dans ladéfinition
de nouvelles notions etobjets mathématiques
etfait
ainsipartie
à part entière de "l’arsenal" de lacomplexité.
Elle est un outilthéorique majeur
pourl’appréhension, l’approfondissement
et l’enrichissement de la théorie de lacomplexité
et notammentde la connaissance de la classe NP. Ces
développements
récents ded’approximation polynomiale
dévoilent desproblèmes particulièrement
inténessants, notamment d’un point de vueépistémologique.
SUMMARY - Extremal values of a combinatorial
optimization problem
andpolynomial approximation
As a
subsequence of
someof
ourprevious
works oncomplexity
andpolynomial approximation theory,
we present somefurther reflections
and arguments about extreml,optimal
and worst, values(and
solutions)of
combinatorialoptimization problems.
This discussion leads us to consider a constant sourceof
contradictions incomplexity theory,
the timits betweenconstructibility
andnon-constructibility. In fact, complexity theory,
in itscurrent
form,
isfounded
onnon-constructibility
while, twoof
the mainof
itstopics,
the combinatorialoptimization
and thepolynomial approximation theory
need both aconceptual framework founded
onconstructibility. Approximation theory today
goesbeyond its framework of origin
(a setof tools for finding fast solutions for NP-complete problems)
since itstrongly
intervenes in thedefinition
of new mathematical notions andobjects making entirely
partof the
"arsenal"of cotmplexity
and it constitutes amajor
theoretical tool as wellfor understanding, deepening
andenriching complexity theory as for
betterapprehending
class NP. This recent"problemshift" for
thepolynomial approximation theory brings
to thefore
new andparticularly interesting problemsfrom
both mathematical andepistemological points of view.
1 LAMSADE, Université
Paris-Dauphine,
Place du Maréchal De Lattre deTassigny,
75775 Paris Cedex 16, France{demange, paàchos ) @ lamsade ,dauphine,fr.
2 CERMSEM, Université Paris 1, 90 rue de Tolbiac, 75634 Paris Cedex 13,
demange @univ-parisl ,fr.
3 Auteur pour toute
correspondance
concernant l’article.1
INTRODUCTION
Rappelons
que la théorie de lacomplexité
a pourprincipal objet
l’étude desproblèmes
NPqui
sontclassiquement
définis([13])
comme desproblèmes
de décision(chaque
instance est unequestion)
résolus par une machine deTuring
non déterministepolynomialel.
Ondistingue
es-sentiellement deux familles de
problèmes
au sein deNP,
la classe P desproblèmes polynomiaux
et la classe NP-C des
problèmes NP-complets.
Pour fixer lesidées,
ces deuxtypes
deproblèmes peuvent
êtrerespectivement
considérés comme lesproblèmes
lesplus
faciles et lesplus
difficilesde NP. Par
définition,
toutproblème
Ppeut
être résolu entemps polynomial
par une machinede
Turing
déterministe. Parcontre,
lesproblèmes NP-complets
sont définis de telle sorte que l’existence d’une machine deTuring
déterministepolynomiale
résolvant l’un d’entre eux im-pliquerait
l’existence d’une telle machine pourn’importe quel problème
NP.Ainsi,
la fameusecondition
P~NP
est bien entenduéquivalente
àP~NP-C
ou encore PfINP-C=0.
Cettehy- pothèse, qui signifie
intuitivementqu’un problème NP-Complet
n’est pas résoluble entemps polynomial,
est à la base de tous les travaux decomplexité
si bien que la réflexionqui
vous estcontée
içi pourrait
commencerpar: si
P étaitdifférents
deNP,
alors ...Cette
hypothèse
étantfaite,
l’une des démarchesclassiques ([13,4]), appelée approximation polynomiale,
consiste à étudier dansquelle
mesure et enquel
sens desproblèmes NP-Complets peuvent
être résolus defaçon approchée,
entemps polynomial
et avec desgaranties
absoluessur la
qualité
des solutions obtenues. Cetteexigence,
au niveau desgaranties
dequalité
etde
complexité
desalgorithmes étudiés,
différencie cepoint
de vue d’une étudeclassique
parheuristiques.
En
fait,
même si son butoriginel
est d’offrir une certainepossibilité
de résolution efficace deproblèmes NP-complets, l’approximation polynomiale
nécessite un cadre formellégèrement
différent de celui de la théorie de la
complexité.
Eneffet,
cette dernière a été conçue([13])
dansle cadre de
problèmes
de décision alors quel’approximation
a besoin d’un cadred’optimisation,
tant pour donner un sens à la notion de solution
approchée
que pour mesurer laqualité
de tellessolutions. La définition suivante
(cf. [9])
délimite le cadre d’étude del’approximation
et définitses liens avec la théorie de la
complexité.
DEFINITION 1. Soit
opt
e{max.min}.
Un"problème d’optimisation
combinatoire affine élémentaire"(ou problème
élémentaired’optimisation
affine(0,1))
est unquadruplet (n, t, v, C),
où n E IN est la taille du
problème élémentaire, t
est unedimension, v(.)
est une fonction affinesur
IR~
et C est unpolytope
delRt.
Nous
appelons
un telproblème
élémentaire "instance de taille n"(notée I)
et nousl’exprimons
sous la forme
, ¿..
Un
"problème d’optimisation
combinatoire NP(resp. NP-complet)"
est un ensemble d’instances tel que l’ensemblecorrespondant
desquestions "pour
un Mdonné,
existe-t-il x E C tel que(où 8
vaut > siopt
vaut max et siopt
vautmin)
est exactement l’ensemble des instances d’unproblème
NP(resp. NP-complet)
au sens usuel de la théorie deslangages ([13]). M
En
fait,
remarquons que seuls certainsproblèmes NP-Complets
admettent une version op-timisation ;
ce sont ces versionsoptimisation
que traitel’approximation polynomiale.
Pourun tel
problème,
unalgorithme approché est,
pardéfinition,
unalgorithme polynomial
four-nissant,
pourchaque
instanceI,
une solution réalisable(i.e.
deC)
de valeurobjective A(1).
1 Plus formellement, la résolution d’un tel problème signifie qu’un langage qui représente les instances positives
du problème de décision est accepté par la machine de Turing.
La
grande majorité
des travauxd’approximation polynomiale utilisent,
pour mesurer laqualité
de la solution obtenue pour
I,
laquantité a(1)/p(I)
où(3(I) désigne
la valeuroptimale
del’instance. Un résultat
d’approximation
consisté alors à borner cerapport
pour toute instance duproblème
étudié. Nousdésignons
parclassique
l’ensemble de la théorie fondée sur cerapport d’approximation.
Outre ses
applications pratiques quant
à la résolution effective deproblèmes difficiles, l’ap- proximation polynomiale
ad’importants enjeux théoriques
au niveau de lacompréhension
dela classe NP-C et soulève de nombreux
problèmes mathématiques
etépistémologiques.
Danscet
article,
nous nous proposons d’étudier certaines de cesquestions qui apparaissent
dans lacontinuité d’un travail récent
([8,9] -
voirégalement [7]),
danslequel
nous avonsdéveloppé
unenouvelle théorie
d’approximation polynomiale
fondée sur la notion derapport d’approximation
différentiel.
Sans entrer dans les détails de ce
travail,
nous avons besoin d’enesquisser
lesprincipales
idéesafin de rendre la discussion
qui
suit claire etpertinente.
Ils’agissait
derépondre
àplusieurs paradoxes
de la théorieclassique
illustrant une certaineincompatibilité
de cette dernière avecla théorie de
l’optimisation
combinatoirequi
fournitpourtant,
comme nous venons de le rap-peler,
le cadre d’étudeadéquat
àl’approximation polynomiale.
Eneffet,
la théorieclassique
del’approximation polynomiale
aadopté,
par sanature,
le cadre del’optimisation
sansintégrer
toute la
logique qu’il implique
nianalysé précisément
laportée
d’un tel choix.Une réflexion sur le
concept
derapport d’approximation, argumentée
d’unepart
parl’analyse d’aspects paradoxaux
de la théorieclassique
et d’autrepart
par une démarcheaxiomatique,
nousa conduits à la notion de
rapport d’approximation
différentielqui
consiste à mesurer laposition
de la valeur atteinte
A(I)
dans l’intervalle des valeurspossibles.
Pour une instanceI,
cerapport
s’exprime
par: ~ -, - ~-,où
w(I) désigne
la valeur d’unepire
solution définie de lafaçon
suivante.DEFINITION 2. Soit un
problème d’optimisation
combinatoire Il au sens de la définition1;
pour toute instance I
s’exprimant
on
appelle pire
solution de I toute solutionoptimale
du programmesuivant,
instance de II:où
opt
=min(max)
siopt
=max(min).
Lapire
valeurw(I)
est la valeurobjective
d’unepire
solution. 1
Dans l’article
[9], l’approche axiomatique
est essentiellement fondée sur une notiond’équivalen-
ce entre
problèmes d’optimisation
combinatoireNP-complets;
nous démontronsqu’une
mesurefonction seulement des valeurs
optimale
etapprochée
nepeut
vérifier l’axiomeprincipal,
d’où lanécessité de mesurer la
qualité
d’unalgorithme approché
parrapport
à un troisièmeparamètre.
Plusieurs raisons nous on alors menés à proposer la
pire
valeur commeparamètre supplémentaire.
Puis,
àpartir
de cette formegénérale
d’unrapport d’approximation,
fonction des valeurs ap-prochée, optimale
etpire,
nousdéveloppons
la démarcheaxiomatique
conduisant aurapport
différentiel. Les deux valeurs réalisables extrèmes d’un
problème combinatoire,
la valeur op- timale et lapire valeur, jouent
donc un rôle essentiel dans le cadre de la théorie durapport
différentielpuisqu’elles
servent de base à la mesure de laqualité
d’unalgorithme approché,
etce, non seulement dans la construction et
justification
durapport différentiel,
mais aussi surtout dans les nombreux résultatsd’approximation
établis dans ce cadre([8,7])
ainsi que dans lesalgorithmes
associés à ces résultats.Mesurer la
qualité
d’unalgorithme approché
parrapport
à la valeuroptimale
semble incon- tournable et est en tout cas universellement admis(nous
verrons d’ailleurs que cette remarque naïve cache en fait tout unpanel
deproblèmes
au coeur des recherchesactuelles),
par contrela mesurer aussi par
rapport
à lapire
valeur est propre à la notion derapport
différentiel. Ce choix a étédéjà largement justifié
dans les différents travaux sur la définition de cerapport d’approximation ([9])
enréponse
aux différentsproblèmes
que nous avions soulevés dans la théorieclassique;
notre but n’est pas dereprendre
ici cesarguments.
Indépendamment
de laproblématique
àl’origine
de la théorie durapport d’approximation différentiel,
nousprésentons
dans cet articlequelques points
de réflexion concernant les valeurs extrémales(optimale
etpire)
d’unproblèmes d’optimisation combinatoire,
et notamment leurs liens avecl’approximabilité
duproblème.
Ce travail contribue à mettre en évidence la trèsgrande
richesse de ces deux notions et leur
pertinence
dans le cadre del’approximation polynomiale
desproblèmes NP-complets.
Il soulèveégalement plusieurs questions
que nous discutons et dont l’intérêt et lesenjeux dépassent,
à notreavis,
le cadrespécifique
del’approximation polynomiale
mais
peuvent également intéresser, déjà
d’unpoint
de vueépistémologique,
des mathématiciensnon
spécialistes
de ce domaine.Tout
d’abord,
le choixd’envisager
la notion depire
valeur pour évaluer laqualité
d’unesolution
approchée
est relativement contre-intuitif. Pourtant l’ensemble desarguments présentés
dans cet article et dans nos travaux antérieurs tendent à
justifier
cet usage. Parailleurs,
cettediscussion nous mènera à une autre
problématique qui
intéressedepuis
peu les théoriciens del’approximation polynomiale.
Ils’agit
des liens entre lespoints
de vue constructif et non-constructif. Cette
question
revient à étudier la difficulté relative entre ladétermination,
exacteou
approchée,
de la valeuroptimale
d’unproblème
et d’une(ou
de l’ensembledes) solution(s)
réalisant cette valeur. Cette
problématique
va mêmejusqu’à
remettre en cause les notions deproblème
etd’algorithme. Enfin,
unequestion
ouvertequi
se pose naturellement dans la continuité des travauxévoqués précédemment
serait:peut-on,
au moinspartiellement,
incluredans
l’axiomatique
le choix de cesparamètres
pour l’évaluationrapport d’approximation ?
2 LA PIRE
VALEUR D’UN PROBLEME
Une
première
remarque concernant lapire
valeur d’unproblème porte
sur lacomplexité
de sonévaluation. En
effet,
les auteurs de l’article[3] l’appellent
valeurtriviale ;
il ne faudraitcependant
pas en conclure
qu’elle
esttoujours simple
à calculer. Si c’est effectivement le cas pour certainsproblèmes,
pourd’autres,
aucontraire,
le calcul de lapire
valeur estNP-complet.
Considérons parexemple
leproblème
derecherche,
dans ungraphe,
d’un stable maximal pour l’inclusion de tailleminimum,
connu comme étantNP-complet ([13]);
l’évaluation de sapire
valeur l’estaussi, puisqu’elle correspond
au calcul du nombre de stabilité dugraphe.
Un autreexemple
bien connu concerne le
problème
-polynomial
- de recherche d’uncouplage
maximal de taille maximum(c’est
à diresimplement
la recherche d’uncouplage maximum).
Sapire
valeur estla cardinalité d’un
couplage
maximal pour l’inclusion de taille minimumqui
estNP-complet
àdéterminer
([13]).
Enfait,
lesexemples foisonnent,
cequi
est très naturel vu la définition de lapire
valeur d’unproblème
II comme valeuroptimale
duproblème II.
2.1 .Pire valeur et
formulation
duproblème
Les deux
exemples précédents
illustrent unpoint, tout
à faitessentiel; pourquoi
ne pas considérer que leproblème
de recherche d’un stable maximal de cardinalité maximum n’est passimplement
le
problème
de recherche d’un stablemaximum, problème
dont lapire
valeur est nulle? Nous ten-terons de
répondre
à cettequestion
dans leprochain paragraphe,
contentons-nous pour l’instant de noterqu’il
serait aberrant que la notion depire puisse
être aussi extensible etqu’en
fonctionde
l’interprétation
duproblème
sapire
valeur et même lacomplexité
de calcul de cette dernière soit à cepoint
modifiées. Force nous est donc d’admettre que les deuxproblèmes
- recherched’un stable maximum - et - recherche d’un stable maximal maximum - sont différents. Pour s’en
convaincre,
examinons ces deuxproblèmes
dupoint
de vue de la définition 2. Une instancegénérique
duproblème
de stable maximum est:où A est la matrice arêtes-sommets du
graphe pris
commeinstance,
lapire
valeur est par définition la valeuroptimale
duproblème
qui
est doncnulle,
cequi correspond
à la solution x =0, i.e.,
à une solution vide.Quant
ausecond
problème,
il se formule comme suit:où A est la matrice arêtes-sommets du
graphe
et B sa matrice sommets-sommets. La contrainterajoutée exprime
quex, qui
est stabled’après
lapremière contrainte,
doit être maximal pour l’inclusion. Lapire
valeur de ceproblème
est bien la valeur d’un stable maximal minimum.Ainsi,
laspécification
dupire
est étroitement liée à ladescription complète
et claire des contraintes duproblème envisagé
sousl’angle
de la définition 1. Réfléchir à cettepire
valeurcontribue à formuler correctement le
problème
de sortequ’apparaissent intrinsèquement
à cetteformulation les conditions
qu’on
désireimposer
aux solutions réalisables. C’estl’objet
mêmede la définition 1 que d’inclure l’ensemble du
problème
dans saformulation;
nous verrons dansle
prochain paragraphe
combien ceci est essentiel enapproximation
alors que le cadre de la résolution exacte "tolère" un certain flou un peutrop
tentant.Pour
plusieurs problèmes même,
la notion depire
doit êtreenvisagée
en amont de la formu-lation en termes de programme linéaire car elle lui est nécessaire. Considérons par
exemple
leproblème
decoloration;
ils’agit,
étant donné ungraphe
G =(V, E),
departitionner
ses som-mets en un minimum d’ensembles stables
correspondant
chacun à une couleur. Il est très naturel de considérer commeobjectif
le nombre de couleursutilisées,
donc de définir comme variables intervenant dansl’objectif,
unvecteur ÿ
à coordonnés(0,1)
dontchaque
"1"correspondrait
àune couleur choisie
(l’objectif
serait alors1 ’ Cependant,
pourqu’une
telle formulation soitpossible,
il faut bien déterminer un espace ambiant pour,
c’est à dire une dimension. Pourcela,
il faut une connaissance apriori
sur leproblème
de coloration: savoirqu’on
n’aurajamais
besoin de
plus
de 1 couleurs. Eneffet,
avoir une borne calculable entemps polynomial
pour lapire valeur, permet
de définir la dimension 1 deet
de formuler leproblème
de lafaçon
suivante:où A est la matrice arêtes-sommets de
G,
les 1variables Zi
sont toutes dedimension 1 V 1
etcorrespondent
auxensembles,
éventuellementvides,
de sommets de même couleur. Ondistingue quatre
blocs de contraintes: les 1 contraintes de stabilité desXi,
les 1 contraintes d’exclusionsignifiant
que, si la couleur i n’est paschoisie,
lestable ei
estvide,
et enfin les contraintes(o,l) classiques
pour les vecteurscaractéristiques.
On
peut
choisir parexemple
1 = cequi
revient à considérerqu’il n’y
a de toutefaçon
pas
plus
de couleurs que de sommets dans G etqui
constitue bien une connaissance apriori,
sifaible
soit-elle,
sur la valeur duproblème. Remarquons
que dès que la borne 1dépasse
le nombrechromatique
dugraphe,
elle est réalisable etcorrespond
exactement à lapire
valeur duproblème
induit. Dans le cas où on choisit 1 =
IVI,
cettepire
valeur est calculable entemps
linéaire.Les
problèmes,
tels que nous lesdéfinissons, correspondent
souvent à sélectionner certains éléments dans un ensemble(on
obtient alors unproblème
en variables(0,1)). Ainsi,
chercher unstable,
c’est chercher unepartie
deV,
chercher uncouplage,
c’est chercher unepartie
de E. Pourles
problèmes
deminimisation,
la taille de cet ensemble donne une borne pour lapire
valeur.Mais un tel ensemble où sélectionner n’est pas
toujours
aussinaturel;
il fautalors,
comme pour leproblème
decoloration,
utiliser une certaine connaissance duproblème
pour le définir.Le
problème
de couverture minimum d’ensemble montre bien cet aller-retour entre la for- mulation et la notion depire.
Ils’agit,
étant donné une famille d’ensembles S =IS,, .... Sn}
de trouver une sous-famille de taille minimum couvrant C = Il est très naturel de considérer ce
problème
comme la sélection d’éléments deS,
donc de choisir comme variable unvecteur
caractéristique e
de dimension n = la formulation naturellequi
en découle est:où A est la matrice éléments-ensembles de
l’instance,
c’est à direqu’un
"1" dans laligne
i e11, .... ICI}
et lacolonne j 6 {!,..., signifie
que l’élément iappartient
àl’ensemble j.
Dans cette
formulation,
le nombre d’ensembles(c’est
à direapparaît
commepire valeur,
enfait comme la
pire
valeurimposée
par la formulation.Cependant,
il estégalement
très natureld’imposer qu’il n’y
ait pasplus
d’ensembles dans la solution que d’éléments dans Cpuisqu’on peut toujours,
dans le cascontraire,
améliorer cette solution en sélectionnant auhasard,
pourchaque élément,
l’un des ensembles de la solution le contenant et negarder
en fin decompte
que les ensembles de la solution sélectionnés au moins une fois. Cette remarque nous pousse alors àrajouter
la contrainte~C~,
on obtient une nouvelle formulation induite par la notion depire
valeurqui
devientégale,
dans ce cas, à Ce nouveauproblème
-puisque
nous avons vu que modifier la
pire
valeur modifie leproblème
-~ est apriori plus
difficile que lepremier;
nous discutons sonapproximabilité
dans l’article[8].
2.2 Pire valeur et
approximabilité
Cette dernière remarque
suggère
que modifier la valeur dupire,
c’est à direajuster
les contraintes duproblème,
influe sur la difficulté de cedernier,
disonsplutôt
sur sa nature dupoint
de vuede
l’approximation. Rappelons
quel’approximation polynomiale
restreint defaçon
naturelleson
champ d’investigation
au cadre desproblèmes d’optimisation
car cette démarche a nona non seulement besoin d’une valeur
objective
pour évaluer laqualité
des solutionstrouvées,
mais aussi de la notion de solution réalisable
exprimant
les conditionsimposées
aux solutionsapprochées.
Cette remarque donne unpremier
élément deréponse
à laquestion
soulevée dansle
paragraphe
2.1 concernant les différences depoint
de vue entre la résolution exacte et la résolutionapprochée.
Parmi les contraintes d’unproblème
formulé selon la définition1,
onpeut
endistinguer
de deuxtypes.
Certaines contraintes sont directement issues duproblème NP-complet,
sous forme dedécision,
etreprésentent
cequ’on impose
apriori
auxsolutions,
ou,
plus précisément,
définissent l’univers parrapport auquel l’optimisation
estenvisagée.
C’estnotamment le statut des contraintes de stabilité dans le
problème
de stable maximum. Il estclair,
ou du moins c’est le choix
qui
est habituellement fait en théorie del’approximation polynomiale,
que les solutions
approchées
seront soumises à ces contraintes. Mais d’autres contraintespeuvent également
êtreimposées
pourspécifier
l’univers des solutionsacceptables parmi lesquelles
ons’autorise à chercher des solutions. En d’autres termes, de telles contraintes
correspondent
au"cahier des
charges
desalgorithmes approchés".
La définition d’une solutionapprochée
commesimple
solution réalisablepeut choquer,
mais elle devient tout à faitcompréhensible
dèsqu’on
s’offre cette
possibilité d’exprimer
dans les contraintes même duproblème
lesprérequis imposés
àtout
algorithme approché.
C’est laphilosophie
même du cadreoptimisation qui
a été choisi pourl’approximation polynomiale:
tout dans laformulation.
La définition de la versionoptimisation
d’un
problème NP-complet
contient doncplus
d’informations que leproblème originel.
Ellespécifie
non seulementl’objectif
de la recherche exacte mais définit aussi les conditions d’une rechercheapprochée. Ainsi,
formuler unproblème
selon la définition1,
c’estdéjà envisager
sonapproximation,
cequi
est somme toute assezlogique puisque
le cadreoptimisation a justement
été introduit en vue de donner un sens à la recherche de solutions
approchées.
Vu sous cet
angle,
la valeuroptimale
est déduite des contraintes dupremier type
tandis que lapire
valeur seraitplus
le reflet des autres contraintes. L’inclure dans une mesured’approximation correspond
enquelques
sortes à mesurer laqualité
desalgorithmes
parrapport
auxalgorithmes acceptables
et non parrapport
à toutalgorithme. Ajouter
des contraintesayant
pour effet d’améliorer lapire
valeur au sens de la fonctionobjective (ce
que nous avons parexemple
faitsur le
problème
de couverture d’ensemble ou encore sur leproblème
de stabilité enajoutant
lacondition de
maximalité)
consiste à restreindre lechamps
des solutionsacceptables,
donc bienà rendre
l’approximation plus
difficile sans modifier pour autant leproblème
de recherche d’une solution exacte.Le
développement qui
suitprécise
enquoi
la modification descontraintes,
mêmelorsqu’elle
n’affecte pas la solution
optimale,
influe surl’approximabilité
duproblème.
Considérons deuxproblèmes II1
etfl2
dont les instances courantes s’écriventrespectivement
Nous supposons que
112
est déduit deII1
enajoutant
des contraintes(nous parlerons
ausside
troncature),
c’est à dire que toute instance12
est associée à une instanceIl
de telle sorteque
C2 C C1
et que toutes les solutionsoptimales
deIl
sont dansC2
pour toutes instancescouplées Il,12
deII1
et112 respectivement.
Ces deux
problèmes
sont les mêmes dupoint
de vue de la recherche d’une solution exac-te
puisqu’ils
ont les mêmes solutionsoptimales.
Parcontre,
il semble assezlogique,
commeils n’ont pas les mêmes solutions
réalisables,
donc pas les mêmes candidats à être solutionapprochée, qu’ils
soient différents dupoint
de vue del’approximation. Tronquer
les contraintes différencie donc radicalement les deuxapproches -
exacte etapprochée.
La troncature "tue"certaines solutions réalisables. Par
ailleurs,
elle ne conserve les solutions exactes que dans lamesure où elle n’affecte pas les solutions
optimales,
cequi
supposequ’on
ait une idée de cesdernières. Deux situations
peuvent
alors seprésenter.
Premier cas. Il
peut
être tout d’aborddifficile,
àpartir
d’une solution deIl,
de déduireune solution au moins aussi bonne dans
C2. L’approximabilité
defl2 apparaît
alors comme unproblème plus
difficile que celle defli .
Nous définissons dans la
prochaine
section desproblèmes
dérivés d’unproblème d’optimisa-
tion
NP-complet
enajoutant
àchaque
instance une information sur la valeuroptimale.
Cettecondition
peut, puisqu’elle
estdisponible
dansl’instance,
êtreintégrée
dans les contraintes pour donner lieu à un nouveauproblème qui
aura les mêmes solutionsoptimales
maisqui
ne sera engénéral plus
NP car la détermination d’une solution réalisable ne seraplus polynomiale.
Dansce cas, même si le
problème originel
estapproximable,
leproblème
résultant n’admettra aucunalgorithme approché polynomial
vuqu’un
telalgorithme
se doit degarantir
la réalisabilité de la solution fournie.Second cas. Etant donné un
problème TII’ considérons,
commeprécédemment,
unproblème 112
déduit deII1
enajoutant
des contraintes. Une situation très courante entre deux telsproblèmes
est le cas où toute solution d’une instanceIl
deII1 peut
êtrepolynomialement
améliorée en une solution de l’instance
correspondante 12
de112.
Contrairement àl’exemple précédent,
toutalgorithme approché
pour l’un des deuxproblèmes
donne unalgorithme approché
pour l’autre avec au moins la même valeur. Mais
pourquoi
cette solutionapprochée
communeserait-elle
jugée
de la mêmefaçon
pourchaque problème?
De par sa structure, leproblème II2 impose
à toutes ses solutions réalisables une valeurdéjà
relativement bonne pourMi.
Onpeut
même améliorer une solution pour
II1
en une solution pourH2,
mais cequi apparaît
comme un"luxe" pour le
premier problème
est une nécessité pour lesecond;
la mesured’approximation
doit-elle oublier cela? Prenons par
exemple,
pourII1,
leproblème
de stable maximum S et pourfl2,
leproblème S’
pourlequel
onimpose
aux ensembles stables d’être maximaux pour l’inclusion. Il est bien sûrtoujours possible,
àpartir
d’un ensemble stabledonné,
de trouver entemps polynomial (0(n2))
un ensemble stable maximal pour l’inclusion le contenant.Considérons,
pour leproblèmes S, l’algorithme glouton (algorithme 1) qui garantit
unrapport
d’approximation 2 1/(A
+1)
où à est ledegré
maximum dugraphe
G.ALGORITHME 1.
input:
ungraphe
G =(V, E); r(a?)
est l’ensemble des voisins de x;output: une
partie
P de V stable dansG;
begin
P +- 0;
repeat
sélectionner un sommet x de G de
degré minimum;
P - P u (z)
G ~-
graphe engendré
parV B {{x}
Ur(x)}
until V = 0 end.
Cet
algorithme s’applique
directement àS’, cependant,
pour certainesinstances,
ilpeut
donner leplus petit
stable maximalpossible.
Ilsuffit,
parexemple,
de considérer la suite d’instancesGn
suivante:Gn = (Vn,En)
avecVn = Vnl U V,,2 U Vn3, [V§$] 1
= n,1 V.21 I
=2n,
les deux notions de rapport
(classique
etdifférentiel)
coïncident.1 Vn 31 ( = n
+1; En
est tel queVn3
soit uneclique,
les autres arêtes étant celles dugraphe biparti complet
entreVn
etVn
UL’algorithme 1, appliqué
àGn,
fournit le stableV~ qui
se trouveêtre le
plus petit
stable maximal. Cetalgorithme,
assez bon pourS,
doit-il être considéré aussicomme aussi bon pour
S’
alorsqu’il peut,
pourcé problème,
donner lapire
des solutions?3
VALEUR OPTIMALE D’UN PROBLEME
Autant l’utilisation de la
pire
valeur dans l’évaluation de laqualité
d’unalgorithme approché
estune
approche
nouvelle ou au moins restaitjusqu’à présent marginalisée
et très peujustifiée ([3, 15,16]), autant,
parcontre,
la référence à la meilleure valeur fait-elle l’unanimité. Si la raisonen semble tout à fait
évidente,
il est néanmoins intéressant des’y
arrêterquelques instants,
etpour ce
faire,
il estjudicieux
de revenir sur les différentesproblématiques
de la théorie de lacomplexité.
3.1 Les trois
problématiques
de la théorie de lacomplexité
(i)
Laproblématique
de la décision: une instance seprésente
comme unequestion,
et le but estd’y répondre
par oui ou non.En
fait,
lesproblèmes NP-complets originels
sont tous définis sous cetteproblématique ([13]).
Un
algorithme susceptible
de résoudre unproblème
de décision seraappelé algorithme
décision-nel.
(ii)
Laproblématiques
ded’optimisatior:
une instance seprésente
comme un programmed’opti-
misation du
type
où
opt
c{min.max}, f
est la fonctionobjective
et C l’ensemble des solutions réalisables. Leproblème
consiste alors à déterminer une solution xoptimale,
et unalgorithme répondant
àcette
exigence
seraqualifié
deconstructif.
Le
champs d’investigation
de cetteproblématique
estplus
restreint que celui de lapremière puisqu’il
est bien connuqu’à
toutproblème d’optimisation correspond
unproblème
de décisionalors que seulement certains
problèmes
de décision admettent une versionoptimisation.
Deuxraisons
peuvent expliquer
l’intérêt accordé à cetteproblématique:
dupoint
de vue desapplica-
tions c’est la
plupart
dutemps
ellequi s’impose,
maissurtout,
comme nous l’avonsdéjà
men-tionné,
elle offre lapossibilité,
parrapport
à laproblématique
de ladécision,
de définir une notiond’approximation. Ainsi,
c’est en son sein que s’estdéveloppée
laproblématiques
del’optimisation approchée ((ii)-ap) qui consiste,
étant donné unproblème d’optimisation,
à déterminer unesolution réalisable offrant certaines
garanties
dequalité.
Unalgorithme répondant
à cetteproblématique
seraappelé algorithme approché consiruciif.
(iii)
Laproblématiques
de la valeuroptimale;
les instances sont les mêmes que pour laproblé- matique
del’optimisation, cependant l’objectif
est cette fois de déterminer la valeuroptimale;
un
algorithme correspondant
sera alorsqualifié
de nonconstructifs.
Onpeut,
cequi
est toute- fois moinscourant,
définir dans ce cadre une notiond’approximation ((iii)-ap),
unalgorithmes approché
nonconstructifs
détermine une valeur réalisable engarantissant
une certainequalité
par
rapport
à la valeuroptimale.
Enfait,
si onadopte
laproblématique
de la décision pourlaquelle
laquestion porte
sur la valeur de la solutionoptimale
et non sur la solutionelle-même,
le cadre
(iii)-ap apparaît
comme leplus
naturel pourdévelopper
la notiond’approximation.
Cependant,
laplupart
desalgorithmes
déterminant la valeur d’unproblème
étantconstructifs,
les recherches dans le domaine se focalisent