CHAPITRE III:
NP-COMPLÉTUDE
Université Blida 1
Faculté des Sciences
Département d’Informatique
Master GSI (Génie des Systèmes Informatiques)
Semestre 1
Mme AROUSSI
2015-2016
Disponible sur https://sites.google.com/a/esi.dz/s-aroussi/

PARTIE I:
RAPPEL SUR LA COMPLEXITÉ

 Introduction
 Définitions
 Type de la Complexité
 Notation de de Landau
 Classes de complexité
 Calcul de la Complexité des algorithmes (itératifs
& récursifs)
3
PLAN DE LA PARTIE I

4
 Le temps d’exécution d’un algorithme dépend des facteurs
suivants :
 Les données du programme,
 La qualité du compilateur (langage utilisé),
 La machine utilisée (vitesse, mémoire, ),
 La complexité de l’algorithme lui-même,
 On cherche à mesurer la complexité d’un algorithme
indépendamment de la machine et du langage utilisés, c.-
à-d. uniquement en fonction de la taille des données que
l’algorithme doit traiter.
INTRODUCTION

5
INTRODUCTION
EXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME
 Soit P(X) un polynôme de degré n
P(X) = anXn + an-1Xn-1 + ... + a1X + a0 ,
Où: n : entier naturel
an, an-1, ..., a1, a0 : les coefficients du polynôme qui sont
stockés dans le tableau T[0..n] d’entiers.
 Ecrire la fonction Calcul_poly(T: Tableau[0..n]d’entier,
X:entier): entier.

6
2ème variante
Début
Inter1
P 0
Pour  0 à n faire
P  P+ Inter *T[i]
Inter  Inter * X
FP
Fin
1ère variante
Début
P0
Pour i  0 à n faire
P  P+ T[i] * Puiss (X, i)
FP
Fin
1ère Complexité :1ère Complexité :
(n+1) additions
(n+1) multiplications
(n+1) puissances
Au moins 3 variables
2ème Complexité :
(n+1) additions
2(n+1) multiplications
3 variables
INTRODUCTION
EXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME

7
 3ème variante: Schéma de Horner
P(X) = anXn + an-1Xn-1 + ... +a2X2 + a1X + a0
=(anXn-1 + an-1Xn-2 + ... +a2X + a1)X + a0
= ((anXn-1 + an-1Xn-2 + ... +a2)X+ a1)X + a0
= ............
= (....(((anX + an-1)X+ an-2 )X.....)X+ ... +a2)X+ a1)X + a0
3ème variante
Début
P  T[n]
Pour i  n-1 à 0 faire
P  P*X + T[i]
FP
Fin
3ème Complexité :
n additions
n multiplications
2 variables
INTRODUCTION
EXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME

8
Variantes Première Deuxième Troisième
Complexité
en temps
(en terme de
nombre
d’opérations)
(n+1) additions
(n+1) multiplications
(n+1) puissances
(n+1) additions
2(n+1)
multiplications
n additions
n multiplications
Complexité
en espace
mémoire
(Variables)
P, i et les variables
de la fonction
puissance appelée
(n+1) fois
P, i et Inter P, i
 Nécessité d’estimer la complexité en temps et en
espace d’un algorithme avant de l’écrire et
l’implémenter
INTRODUCTION
EXEMPLE: CALCUL DE LA VALEUR D’UN POLYNÔME

9
 La complexité (temporelle) d’un algorithme est la
mesure du nombre d’opérations fondamentales
(affectations, comparaisons, opérations arithmétiques)
qu’il effectue sur un jeu de données. Elle est exprimée
comme une fonction de la taille du jeu de données.
 Elle permet en particulier de comparer deux algorithmes traitant
le même calcul. En d’autres termes, elle permet de déterminer si
un algorithme A et meilleur qu’un algorithme B
indépendamment de la machine, du langage de programmation,
du compilateur et des détails d’implémentation.
DÉFINITION

10
TYPE DE LA COMPLEXITÉ
Complexité au
meilleur
•C'est le plus petit nombre
d'opérations qu'aura à
exécuter l'algorithme sur
un jeu de données de
taille n.
•Tmin(n) = mindDn
T(d)
Complexité en
moyenne
•C’est la moyenne des
complexités de l’algorithme
sur des jeux de données de
taille n
•Tmoy(n) = ΣdDn
T(d) / |Dn|
Complexité au
pire
• C’est le plus grand
nombre d’opérations
qu’aura à exécuter
l’algorithme sur un jeu de
données de taille n
•Tmax(n) = maxdDn
T(d)
 Notations:
 Dn l’ensemble des données de taille n
 T(n) le nombre d’opération sur un jeu donnée de taille n

11
 Exemple: T(n) = O(n2) veut dire qu'il existe une
constante c > 0 et une constante n0 > 0 tel que pour tout
n > n0 T(n) <= c n2
 La notation de Landau « O » est celle qui est le
plus communément utilisée pour expliquer
formellement les performances d'un algorithme.
NOTATION DE LANDAU
 Cette notation exprime la limite supérieure d'une
fonction dans un facteur constant.

12
 Les règles de la notation O sont les suivantes :
 Les termes constants : O(c) = O(1)
 Les constantes multiplicatives sont omises :
O(cT ) = c O(T) = O(T)
 L'addition est réalisée en prenant le maximum :
O(T1) + O(T2) = O(T1 + T2) = max(O(T1);O(T2))
 La multiplication reste inchangée
O(T1)O(T2) = O(T1T2)
NOTATION DE LANDAU

13
 Supposant que le temps d'exécution d’un algorithme est décrit par la fonction
T(n) = 3n2+10n+10, Calculer O(T(n))?
O(T(n)) = O(3 n2 + 10n + 10)
= O(max (3 n2, 10n, 10))
= O(3 n2)
= O (n2)
 Remarque:
Pour n = 10 nous avons :
 Temps d'exécution de 3 n2 : 3(10)2 / 3(10)2+10(10)+10 = 73,2%
 Temps d'exécution de 10n : 10(10) / 3(10)2+10(10)+10 = 24,4%
 Temps d'exécution de 10 : 10 / 3(10)2+10(10)+10 = 2,4%
Le poids de 3 n2 devient encore plus grand quand n = 100, soit 96,7%
On peut négliger les quantités 10n et 10.
Ceci explique les règles de la notation O.
NOTATION DE LANDAU

14
CLASSES DE COMPLEXITÉ
Classe Notation O Exemple
Constante O(1) Accéder au premier élément d'un ensemble de données
Linéaire O(n) Parcourir un ensemble de données
Logarithmique O(log(n)) Couper un ensemble de données en deux parties égales,
puis couper ces moitiés en deux parties égales, etc.
Quasi-linéaire O(n log(n)) Couper répétitivement un ensemble de données en deux
et combiner les solutions partielles pour calculer la
solution générale
Quadratique O(n2) Parcourir un ensemble de données en utilisant deux
boucles imbriquées
Polynomiale O(nP) Parcourir un ensemble de données en utilisant P
boucles imbriquées
Exponentielle O(an) Générer tous les sous-ensembles possibles
d'un ensemble de données

15
CLASSES DE COMPLEXITÉ

16
CALCUL DE LA COMPLEXITÉ
1. Cas d'une instruction simple (écriture, lecture, affectation ) :
Le temps d'exécution de chaque instruction simple est O(1).
2. Cas d'une suite d'instructions simples: Le temps d ’exécution
d'une séquence d'instruction est déterminée par la règle de la
somme. C'est donc le temps de la séquence qui a le plus grand
temps d ’exécution: O(T) = O (T1 + T2) = max(O(T1);O(T2)) .

17
CALCUL DE LA COMPLEXITÉ
 Exemple 2:
Permutation (Var S: tableau [0..n-1] d’entier, i, j: entier)
O(T) = O (T1 + T2 + T3) = O(1)
tmpS[i] O(T1) = O(1)
S[i]S[j] O(T2) = O(1)
S[j]tmp O(T3) = O(1)

18
CALCUL DE LA COMPLEXITÉ
3. Cas d'un traitement conditionnel: Le temps d'exécution d'une
instruction SI est le temps d ’exécution des instructions exécutées
sous condition, plus le temps pour évaluer la condition. Pour une
alternative, on se place dans le cas le plus défavorable.

19
CALCUL DE LA COMPLEXITÉ
4. Cas d'un traitement itératif : Le temps d ’exécution d'une boucle
est la somme du temps pour évaluer le corps et du temps pour
évaluer la condition. Souvent ce temps est le produit du nombre
d'itérations de la boucle par le plus grand temps possible pour une
exécution du corps.
Boucle Pour Boule Tant que

20
CALCUL DE LA COMPLEXITÉ
 Exemple 2:
Recherche séquentielle (S: tableau [0..n-1] d’entier, x: entier): booléen
i 0 c1
Trouve  faux c2
Tant que ((i<n) et (non trouve)) faire Condition = c3;
nombre d’itération = nDTQ
Si (S[i] = x) alors c4
Trouve  vrai c5
i i + 1 c6
FTQ
Retourner trouve c7
T(n) = c1+c2+n*(c3+c4+c5+c6) + c7 = c8 + c9 *n
O(T) = O(c8 + c9 *n) = O (n)

21
CALCUL DE LA COMPLEXITÉ
 Exemple 3:
Tri par sélection (Var T: Tableau [1.. N] d’entier)

22
CALCUL DE LA COMPLEXITÉ
 Exemple 4:

23
CALCUL DE LA COMPLEXITÉ
 Exemple 5:

CALCUL DE LA COMPLEXITÉ
 Exemple 6:

CALCUL DE LA COMPLEXITÉ
 Exemple 7:

26
 La complexité d’un algorithme récursif se fait par la
résolution d’une de ces équations de récurrence:
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

27
 Exemple 8: la fonction factorielle
Facto (n: entier): entier
Début
Si (n=1) alors retourner 1
Sinon retourner n*Facto (n-1);
Fin
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

28
 Exemple 8: la fonction factorielle
i.e. T(n) = T(n-1) + f(n) avec a = 1, T(0) = 0, f(n) = b;
O (T) = O (n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

29
 Exemple 9: T(n) = 2*T(n-1) + c avec T(0) = 0
O (T) = O(2n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

30
 Exemple 10: Recherche du maximum.
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
Fonction maximum ( Tab: Tableau , indDeb, indFin:entier)
Si ( indDeb = indFin) alors retourner (indDeb)
Sinon
M(indDeb+indFin) div 2 // division du problème en 2 sous-problèmes
k1  maximum (Tab, indDeb, m ) // régner sur le 1er sous-problème
k2 maximum (Tab, m+1, indFin) // régner sur le 2ème sous-problème
// Combiner les solutions
Si (Tab[k1] > Tab[k2]) alors retourner (k1)
Sinon retourner (k2)

31
 Exemple 10: Recherche du maximum.
T(n) = 2 T(n/2) + c
a = 2 , b = 2, k = 0  a > bk
T(n) = O(n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

32
Fonction RechDicho(Tab :Tableau, borneinf, bornesup, x :entier) : bool
Si (borneinf<=bornesup) alors
mil  (borneinf+bornesup) DIV 2 ;
Si (Tab[mil]=x) Alors retourner (vrai)
Sinon
Si (Tab[mil]>x) Alors
Retourner (RechDicho(Tab, borneinf, mil-1, x))
Sinon
Retourner(RechDicho(Tab, mil+1, bornesup, x))
Sinon
Retourner (Faux)
 Exemple 11: Recherche dichotomique.
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

33
 Exemple 11: Recherche dichotomique
T(n) = T(n/2) + c
a = 1 , b = 2, k = 0  a = bk
T(n) = O(log(n))
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

34
 Exemple 12: Tri par Fusion
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
Tri_Fusion (T: tableau, debut, fin : entier)
Debut
Si (debut<fin) alors
milieu  (debut + fin) /2
Tri_Fusion(T, debut, milieu);
Tri_fusion (T, milieu + 1, fin);
Interclasser (T, debut, milieu, fin)
FSI
Fin

35
Procédure Interclasser(VAR T: tableau, debut, milieu, fin:
entier)
Debut
Tmp: tableau temporaire du taille fin-debut+1
i 0; i1  debut, i2  milieu + 1;
Tant que (i1≤milieu) et (i2 ≤ fin) faire
Si (T[i1]<T[i2]) alors Tmp[i]T[i1]; i1++;
Sinon Tmp [i]T[i2]; i2++;
i++;
Tant que (i1milieu) faire Tmp[i]T[i1]; i1++; i++;
Tant que (i2fin) faire Tmp[i]T[i2]; i2++; i++;
Pour idebut à fin faire T[i]=tmp[i-debut]; // recopier le tableau
Fin
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS
 Exemple 12: Tri par Fusion

36
 Exemple 12: Tri par Fusion
T(n) = 2 T(n/2) + n
a = 2 , b = 2, k = 1  a = bk
T(n) = O(n log n)
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

37
 Exemple 13 : La suite de Fibonacci
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

38
 Exemple 13 : La suite de Fibonacci
COMPLEXITÉ DES ALGORITHMES RÉCURSIFS

PARTIE II:
NP-COMPLÉTUDE

 Introduction (Vocabulaire Général)
 Classification de Problème
 Notion de Réduction
 Théorie de NP-Complétude
 Quelques Problèmes NP-Complets
40
PLAN DE LA PARTIE II

41
 Pour des raisons de simplicité et techniques, la théorie de
la NP-Complétude se limite à l’étude des problèmes de
décision dont la solution est formulée en termes
oui/non.
 Un problème de décision est une paire P =(X,Y), où
 X est l’ensemble des instances de P ;
 Y est l’ensemble des instances-«oui»
 X Y est l’ensemble des instances-«non»
INTRODUCTION
PROBLÈME DE DÉCISION

42
 Un algorithme pour un problème de décision (X,Y) est un
algorithme qui calcule la fonction F : X →{0, 1}, définie
par
 Cette restriction aux problèmes de décision est justifiée
par le fait que les autres problèmes qui ne sont pas de
décision, comme les problèmes d’optimisation et de
recherche, peuvent être facilement transformés en un
problème de décision équivalent.
INTRODUCTION
PROBLÈME DE DÉCISION

43
 Problème de Recherche:
La réduction de la recherche à la décision est faite par test
d'hypothèse (La connexité de G)
INTRODUCTION
PROBLÈME DE DÉCISION VS AUTRES PROBLÈMES
Exemple Entrée Réponse
Algorithme de recherche
(Trouver un arbre recouvrant)
G (X, E) non
orienté
Arbre recouvrant
Algorithme de décision
(Existence d’un arbre recouvrant)
G (X, E) non
orienté
Oui/Non

44
 Problème d’Optimisation:
Lorsque le critère d'optimisation est borné a priori, la
réduction de l'optimisation à la décision est faite par test
d'hypothèse (La connexité de G et le poids de
l’arbre recouvrant).
INTRODUCTION
PROBLÈME DE DÉCISION VS AUTRES PROBLÈMES
Exemple Entrée Réponse
Algorithme d’optimisation
(Trouver un arbre recouvrant de poids
minimum)
G (X, E, L)
non orienté
Arbre
recouvrant
minimum
Algorithme de décision
(Existence d’un arbre recouvrant de poids
 k)
G (X, E, L)
non orienté
Oui/Non

45
 Un algorithme déterministe est un algorithme dont la
solution qu’il produit peut être déduite des spécifications
de l’algorithme lui-même.
 Un algorithme non déterministe est un algorithme dont
la solution est devinée puis vérifiée.
INTRODUCTION
ALGORITHME DÉTERMINISTE VS NON-DÉTERMINISTE

46
 Pour différentes raisons, la convention suivante s’est
imposée en informatique :
Un algorithme est efficace (ou facile) si sa complexité en
temps est polynomiale, c’est-à-dire en O(nk) pour un entier
k.
 Un problème est de complexité polynomiale s'il existe un
algorithme de complexité polynomiale le résolvant.
INTRODUCTION
ALGORITHME EFFICACE

47
 La classe P regroupe tous les problèmes de décision qui
peuvent être résolus par un algorithme déterministe de
complexité polynomiale.
 Exemple:
 Problème de l’existence de l’arbre de recouvrement de poids  k
(Algorithme de Kruskal)
 Problème de l’existence d’un chemin de longueur  k (Algorithme
de Dijkstra)
CLASSIFICATION DES PROBLÈMES
CLASSE P

48
 La classe NP (Non deterministic Polynomial) regroupe
tous les problèmes de décision qui peuvent être résolus
par un algorithme non-déterministe de complexité
polynomiale (i.e. dont la solution peut être vérifiée en
temps polynomial)
 Pour montrer qu’un problème est dans la classe
NP, il suffit de trouver un algorithme qui vérifie si une
solution donnée est valide en temps polynomiale.
CLASSIFICATION DES PROBLÈMES
CLASSE NP

49
 Problème 1: Problème de Satisfaction en calcul
propositionnel (SAT)
 Soit F = (x1, ...., xn) une formule du calcul propositionnel
en Forme Normale Conjonctive, i.e. F = C1  C2  .....  Cm
pour une collection de clauses {C1, C2, ....., Cm} sur l’
ensemble X = {x1, ...., xn } de variables booléennes
(littéraux).
 Décider si F est satisfiable, c-à-d décider s’il existe x1, ....,
xn  {0, 1}n tel que F s’évalue en vraie pour cette valeur de
ses variables (toutes les clauses de C soient vraies).
CLASSIFICATION DES PROBLÈMES
CLASSE NP

50
 Problème 2: Problème de K-SAT (k>2)
 Soit F = (x1, ...., xn) une formule du calcul propositionnel
en Forme Normale Conjonctive, i.e. F = C1  C2  .....  Cm
pour une collection de clauses {C1, C2, ....., Cm} sur
l’ensemble X = {x1, ...., xn } tel que chaque clause
contient exactement k littéraux |Ci| = k.
 Décider si F est satisfiable, c-à-d décider s’il existe x1, ....,
xn  {0, 1}n tel que F s’évalue en vraie pour cette valeur de
ses variables (toutes les clauses de C soient vraies).
CLASSIFICATION DES PROBLÈMES
CLASSE NP

51
 Problème 3: Problème de Coloriage de Graphe
 Étant donnée le graphe G = (X, E) non orienté,
déterminer le nombre minimal de couleurs pour
colorier les sommets X du G tel que deux sommets
adjacent soient de couleur différente.
CLASSIFICATION DES PROBLÈMES
CLASSE NP

52
 Problème 3: Problème de Coloriage de Graphe
 Le problème de décision correspondant est:
 Soient un graphe G = (X, E) et un entier k
 Déterminer si le graphe G admet un coloriage avec au
moins de k couleurs.
 Ce problème de décision est connu sous le nom du
problème K-Coloriabilité
CLASSIFICATION DES PROBLÈMES
CLASSE NP

53
 Problème 4: Problème du cycle hamiltonien
 Soit G = (X, E) un graphe non orienté
 Déterminer s’il existe un cycle hamiltonien, c’est-à-dire décider
s’il existe un chaîne de G passant une fois et une seule par
chacun des sommet et revenant à son point de départ.
 Variantes: chaîne hamiltonien, circuit
hamiltonien, chemin hamiltonienne.
CLASSIFICATION DES PROBLÈMES
CLASSE NP

54
 Clairement, P  NP mais la question qui se pose est :
P = NP ?
 C’est l’une des questions (voire la question) non résolue les
plus célèbres qui défie les chercheurs depuis plus de 40 ans :
elle a été placée parmi la liste des sept problèmes du prix du
millénaire réputés insurmontables posés par le l’institut Clay
Mathematical en 2000. L’institut offre un million de dollars
à qui déterminerait la réponse à cette question.
CLASSIFICATION DES PROBLÈMES
COMPARAISON ENTRE LES DEUX CLASSES P ET NP

55
 Clairement, P  NP mais la question qui se pose est :
P = NP ?
 Intérêt: Si P = NP, alors tous les problèmes vérifiables
polynomialement seraient décidables en temps polynomial.
 La plupart des personnes pensent que ces deux classes sont
distinctes car il y a un très grand nombre de problèmes pour
lesquels on n’arrive pas à produire d’algorithme polynomiaux
depuis plus de 40 ans.
CLASSIFICATION DES PROBLÈMES
COMPARAISON ENTRE LES DEUX CLASSES P ET NP

56
 Soient A et B deux problèmes. Si A se réduit à B (noté A
 B) , alors
 le problème A est plus facile que le problème B, ou
 le problème B est plus difficile que le problème A.
NOTION DE RÉDUCTION
IDÉE

57
 Soient A (XA, YA) et B (XB, YB) deux problèmes de
décision. Une réduction de A vers B (A  B) est une
fonction R : XA  XB calculable en temps polynomial telle
que
aYA ssi R(a) YB :
NOTION DE RÉDUCTION
DÉFINITION
R

58
 Soient A (XA, YA), B (XB, YB) et C (XC, YC) des problèmes
de décision.
 A  A
 A  B et B  C impliquent A  C.
 A  B et B  A impliquent A  B (A et B sont
équivalents).
NOTION DE RÉDUCTION
PROPRIÉTÉS

59
 Intuitivement, si un problème est plus facile qu’un
problème polynomial, alors il est polynomial.
 Formellement :
 Si A  B, et si B  P alors A  P.
 Si A  B, et si A  P alors B  P.
NOTION DE RÉDUCTION
APPLICATION À LA COMPARAISON DE DIFFICULTÉ

60
THÉORIE NP-COMPLÉTUDE
DÉFINITION
 Un problème B est dit NP-complet, si
1. B  NP
2.  A  NP, A  B.
 Les problèmes NP-complets sont donc les plus difficiles de
la classe NP.

61
THÉORIE NP-COMPLÉTUDE
PREUVE
 Pour prouver la NP-complétude d’un problème B, il suffit
de prouver que :
1. B est dans NP;
2. A  B pour un problème A que l’on sait déjà NP-
complet.
 La difficulté est d’arriver à en produire un premier
problème NP-Complet.

62
THÉORIE NP-COMPLÉTUDE
PROBLÈME 1: SAT
 Théorème 1 (Cook-Levin, 1971): Le problème SAT est
NP-complet.
 Le problème SAT est le premier problème montré comme
NP-complet.
 Résultat admis: la preuve consiste en un codage d'une
machine de Turing qui vérifie les solutions du problème
en temps polynomial.
 Ce théorème va être utilisé pour en montrer par réduction
d’autres problèmes NP-Complet.

63
THÉORIE NP-COMPLÉTUDE
PROBLÈME 2: 3-SAT
 Théorème 2 (Cook-Levin, 1971): Le problème de 3-
SAT est NP-Complet.
 Preuve 2: Il faut montrer que :
1. 3-SAT est dans NP;
2. SAT  3-SAT (réduire SAT à 3-SAT).
R
F3-sat
est elle
satisfiable?
Fsat
F3-sat
Non
Oui

64
THÉORIE NP-COMPLÉTUDE
PREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
 Preuve 2: SAT  3-SAT (réduire SAT à 3-SAT).
 Toute clause du problème SAT peut être remplacée de manière
équivalente par un ensemble de clauses 3-SAT qui contiennent
chacune exactement trois littéraux.

65
THÉORIE NP-COMPLÉTUDE
PREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
 Preuve 2: SAT  3-SAT (réduire SAT à 3-SAT).
 Toute clause du problème SAT peut être remplacée de manière
équivalente par un ensemble de clauses 3-SAT qui contiennent
chacune exactement trois littéraux.

66
THÉORIE NP-COMPLÉTUDE
PREUVE 2 : LE PROBLÈME DE DE 3-SAT EST NP-COMPLET
 Preuve 2: SAT  3-SAT (réduire SAT à 3-SAT).
 La satisfiabilité des clauses Z’ est donc équivalente à la
satisfaisabilité de l’ensemble initiale Z.
 La réduction est manifestement polynomiale ; on a donc bien prouvé
que SAT se réduisait à 3-SAT; ce dernier est donc bien NP-complet

67
THÉORIE NP-COMPLÉTUDE
PROBLÈME 3: 3-COLORIABLE
 Théorème 3: Le problème de 3-Coloriable est NP-
Complet.
 Preuve 3: Il faut montrer que :
1. 3-Coloriable est dans NP;
2. 3-SAT  3-Coloriable (réduire 3-SAT à 3-Coloriable).
R
G
est il 3-
Coloriable
?
F3-sat
G = (V, E)
Non
Oui

68
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
 Preuve 3: 3-SAT  3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
1. Les trois premiers sont notés VRAI, FAUX, NSP. Ces trois sommets
sont reliés deux à deux en triangle, de sorte qu’ils doivent être tous
trois de couleurs différentes. On appellera les couleurs
correspondantes CVRAI(e.g. vert), CFAUX(e.g. rouge), CNSP (e.g. bleu)
NSP
VRAI FAUX

69
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
 Preuve 3: 3-SAT  3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
2. On associe un sommet à chaque variable (Xi) et au complémentaire
de chaque variable (Not Xi). Pour assurer qu’une variable prenne la
valeur VRAI ou FAUX, on construit un triangle dont les sommets
sont Xi, NOT Xi, et NSP.
NSP
Xi
Not
Xi
NSP
Xi
Not
Xi

70
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
 Preuve 3: 3-SAT  3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
3. Pour chaque clause {A, B, C}, on introduit le motif :
 Ce motif est 3-coloriable
A
B
C
3
4
2
0
1
VRAI

71
A
B
C
3
4
2
0
1
VRAI
CVRAI ou CFAUX
A
B
C
3
4
2
0
1
VRAI
CVRAI ou CFAUX
 Preuve 3: 3-SAT  3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
 Ce motif est 3-coloriable
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET

72
 Preuve 3: 3-SAT  3-Coloriable.
On construit un graphe ayant 3 + 2 n + 5 m sommets tels que:
 Ce motif est 3-coloriable
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
A
B
C
3
4
2
0
1
VRAI
CVRAI ou CFAUX
A
B
C
3
4
2
0
1
VRAI
CVRAI ou CFAUX

73
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
 Preuve 3: 3-SAT  3-Coloriable.
 Considérons alors le graphe formé des trois sommets distingués, des
triangles formés sur les variables, et des motifs donnés. Si ce graphe
est 3-coloriable, alors en particulier tout sous-graphe est coloriable.
 À partir d’une 3-coloration du graphe, on construit une affectation de
valeurs de vérité en mettant à 1 toutes les variables coloriées par
CVRAI. Cette affectation est cohérente (une variable et son
complémentaire ont bien une valeur opposée) et au moins une
variable par clause est à 1.
 Inversement, étant donné une affectation de valeurs de vérité, il est
aisé de déduire une 3-coloration du graphe.

74
 Preuve 3: 3-SAT  3-Coloriable.
 Exercice: Soit F =
1. Donner le graphe qui représente ces clauses et
déduire une affectation de valeurs de vérité qui
satisfait F.
2. Montrer que le graphe est 3-coloriable pour
l’affectation de valeurs de vérité suivante (x1, x2, x3)
= (0, 0, 0).
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET

75
THÉORIE NP-COMPLÉTUDE
PREUVE 3 : LE PROBLÈME DE 3-COLORIABLE EST NP-COMPLET
 Preuve 3: 3-SAT  3-Coloriable.
 L’existence d’une 3-coloration du graphe est donc
équivalente à la satisfaisabilité de la formule initiale.
 La réduction est manifestement polynomiale ; on a donc
bien prouvé que 3-SAT se réduisait à 3-COLORABILITE ;
ce dernier est donc bien NP-complet.

76
THÉORIE NP-COMPLÉTUDE
PROBLÈME 4: CYCLE HAMILTONIEN
 Théorème 4 (Karp, 1972): Le problème de Cycle
Hamiltonien est NP-Complet.
 Preuve 4: Il faut montrer que :
1. Cycle Hamiltonien est dans NP;
2. Plusieurs méthodes:
a. 3-SAT  Cycle Hamiltonien.
b. 3-SAT  Recouvrement de Sommets Cycle Hamiltonien
c. 3-SAT  Stable  Recouvrement de Sommets  Cycle
hamiltonien

77
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
3-SAT  Cycle Hamiltonien.
R
G
contient il
un C. H?
F3-sat
G = (V, E)
Non
Oui

78
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 On construit le graphe de la manière suivante:
1. Pour chaque variable, on introduit le sous graphe suivant:
2. Chaque nouvelle variable est liée à la précédente
X
Not X
X1 X2 Xn

79
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 On construit le graphe de la manière suivante:
3. Pour chaque clause, on introduit la structure B :
Aucun cycle hamiltonien de
G ne peut traverser à la fois
L1, L2 et L3.
UU' L1L2L3

80
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 On construit le graphe de la manière suivante:
4. Les clauses sont liées comme suit:
C1 C2 Cm
X1 X2 Xn

81
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 On construit le graphe de la manière suivante:
5. Les littéraux de chaque clause sont liés aux variables par la
structure A comme suit:

82
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 Par exemple, le graphe suivant présente ces clauses
C1 C2 C3
X1 X2 X3
A A
A
A
A
A
A
A A

83
THÉORIE NP-COMPLÉTUDE
PREUVE 4 : LE PROBLÈME DE CYCLE HAMILTONIEN EST NP-COMPLET
 Preuve 4 (Papadimitriou et Steiglitz, 1982) :
 Nous affirmons maintenant que G est hamiltonien si et seulement si
F3-sat est satisfaisable. Soit C un cycle hamiltonien. On définit un
assignement en fixant un littéral à vrai si et seulement si C contient
l’arête correspondante. D’après les propriétés des structures A et B,
chaque clause contient un littéral qui est vrai.
 Inversement, tout assignement satisfaisant définit un ensemble
d’arêtes qui correspondent à des littéraux qui sont vrai. Comme
chaque clause contient un littéral qui est vrai, cet ensemble d’arêtes
peut être complété en un cycle hamiltonien de G.
 Enfin, la réduction est trivialement polynomiale.

SOURCES DE CE COURS
 Frédéric Vivien, Algorithmique avancée, École Normale Supérieure de Lyon, 2002.,
pp. 93. Disponible sur http://perso.ens-lyon.fr/frederic.vivien/Enseignement/Algo-
2001-2002/Cours.pdf
 Slim Msfar, Algorithmique et Complexité, 2012, pp 104. Disponible sur
http://p835.phpnet.org/testremorque/upload/catalogue/coursalgorithmi.pdf
 Djamel-Eddine ZEGOUR, O-Notation, École nationale Supérieure d’Informatique, pp
33. Disponible sur
http://www.zegour.netii.net/Site%20secondaire/Mcp/Cours%20ppt/1_o-notation.pdf
 Olivier Bournez, Fondements de l’informatique Logique, modèles, et calculs, Chapitre
12: Quelques problèmes NP-complets, Cours INF423 de l’Ecole Polytechnique, 2013,
pp. 234.
 Jean Fonlupt et Alexandre Skoda. Optimisation combinatoire – Théorie et
algorithmes, Chapitre 15: NP-complétude, 2010, 664p.
 Gilles Schaeffer, Cours 4: Réduction et NP-complétude, 2010, pp. 124, Disponible sur
http://www.enseignement.polytechnique.fr/informatique/INF550/Cours1011/INF550-
2010-5.pdf
 Johanne Cohen, La NP-complétude, PRISM/CNRS, 2012, pp. 95, Disponible sur
http://www.prism.uvsq.fr/~joco/enseignement/Complexite.pdf 84