Tema 2 Comp Alg e Prob

Meta-heurísticas em
Otimização Combinatória
Tema 2
Introdução à Complexidade
de Algoritmos e Problemas
Profª Laura Bahiense

(laura@pep.ufrj.br)
Introdução informal
à complexidade de algoritmos
Meta-heurísticas em Tema 2: Introdução à Complexidade

Profª Laura Bahiense 2/45 de Algoritmos e Problemas
Escopo – complexidade de algoritmos
Problema
Instância
Tamanho de uma Instância
Algoritmo
Consumo de Tempo de um Algoritmo
Consumo de Tempo Assintótico
Notações Ο, Ω e Θ
Algoritmos polinomiais e exponenciais
Complexidades de Melhor e Pior Caso
Complexidade de um Algoritmo
Problemas
Um problema pode ser definido com uma questão geral que deve ser
respondida
Ou, mais formalmente, pode ser definido por:

 Uma descrição geral de todos os seus parâmetros
 Um enunciado sobre que propriedades a resposta ou solução deve satisfazer
Em geral, um problema possui vários parâmetros associados. Exemplos:

 Coloração: Dado um grafo G (V,E ) com n vértices e m arestas e um número
natural k, encontrar uma coloração própria de G utilizando k cores ou constatar
que tal coloração não existe
 Quadrado perfeito: Dado um número natural n, encontrar um número natural x
tal que x2=n ou constatar que tal x não existe
 Ciclo Hamiltoniano: Dado um grafo G (V,E ) com n vértices e m arestas, encontrar
um ciclo hamiltoniano ou constatar que tal ciclo não existe
 Clique: Dado um grafo G (V,E ) com n vértices e m arestas e um número natural k,
encontrar uma clique de G com k vértices ou constatar que tal clique não existe

Instância de um problema
Uma instância de um problema é obtida quando se determinam valores
específicos para os seus parâmetros.
Exemplo: Dado o grafo G(V,E) abaixo, contendo 7 vértices e 9 arestas, ele

possui uma coloração própria utilizando no máximo 3 cores?

Tamanho de uma instância
O tamanho de uma instância de um problema é a quantidade de dados
necessária para descrever (totalmente) a instância, ou seja, o espaço necessário
para descrever a instância
Em geral, o tamanho de uma instância é descrito por um único número

natural, mas às vezes, é mais conveniente usar um par, ou até mesmo um
terno, de números naturais
 Exemplo: o tamanho de uma instância do problema de coloração é o par
(n,m), onde n é o número de vértices e m é o número de arestas do grafo
G(V,E)
A instância anterior (abaixo) possui tamanho (7,9):

Algoritmos para a resolução de problemas
Um algoritmo é uma seqüência finita de instruções bem definidas e não
ambíguas
Dizemos que um algoritmo resolve um problema quando, ao receber a

descrição de qualquer instância do problema, devolve uma solução para a
instância (que, nesse caso, é dita positiva) ou informa que a instância não tem
solução (neste caso ela é dita negativa)
instância Solução positiva

Consumo de tempo de um algoritmo
Para cada instância do problema, o algoritmo consome uma quantidade de
tempo diferente
Suponha que o algoritmo consuma T(I) unidades de tempo para processar a

instância I. A relação entre T(I) e o tamanho de I nos dá uma medida da
eficiência do algoritmo
Em geral, medimos o consumo de tempo de um algoritmo pelo número de

operações elementares que ele executa ao processar uma instância
Exemplos de operações elementares: soma, subtração, multiplicação, divisão,

comparação entre dois números inteiros, atribuição de valor a uma variável
Não é necessário contar todas as operações elementares, apenas as mais

relevantes

Consumo de tempo de um algoritmo:
ilustração
Função de Avaliação do Tempo:
n T(n)
Tamanho Tempo de
da entrada execução
Um algoritmo opera a partir de uma entrada,

para produzir uma saída,
dentro de um tempo que se deseja avaliar.

Consumo de tempo de um algoritmo:
conceitos de melhor caso e pior caso
Em geral, um problema tem muitas instâncias diferentes de um mesmo
tamanho. Isto exige a introdução dos conceitos de “pior caso” e “melhor caso”
Dado um algoritmo A para o problema e um número natural n,

seja T*(n) o máximo de T(I) para todas as instâncias I de tamanho n do
problema. Então:
T* mede o consumo de tempo de A no pior caso
Analogamente, seja T*(n) o mínimo de T(I) para todas as instância I de

tamanho n do problema. Então:
T* mede o consumo de tempo de A no melhor caso

Consumo de tempo assintótico
Seja A um algoritmo para um certo problema P. Em termos de minutos,
segundos ou horas, a quantidade de tempo que A consome para processar
uma dada instância I de P depende:
 da máquina usada para executar A
 da linguagem de programação utilizada
 dos detalhes de implementação
Para exprimir o consumo de tempo do algoritmo de uma maneira

independente desses fatores, é preciso introduzir um modo “grosseiro” de
comparar as funções matemáticas que exprimem a dependência entre o
consumo de tempo de um algoritmo e o tamanho de sua entrada (instância)
Essa comparação grosseira só leva em conta a “velocidade de crescimento”
das funções, portanto ela despreza:
 fatores multiplicativos: a função 2n2, p.ex., cresce tão rápido quanto 10n2
 valores pequenos do argumento: a função n2 cresce mais rápido que 100n,
embora n2seja menor que 100n quando n é pequeno
Essa maneira de comparar funções é chamada de assintótica. Há três tipos de

comparação assintótica: “≤” , “≥” , “=” .
Notação Ο (“≤”)

Notação Ο (“≤”):
exemplos

Notação Ω (“≥”)
T(n) ≥ ƒ(n), para todo n ≥ n0

Notação Θ (“=”)
ƒ(n) ≤ T(n) ≤ k ƒ(n) , para todo n ≥ n0
Retornando ao consumo de tempo de um algoritmo...

Consumo de tempo assintótico de um algoritmo:
melhor caso e pior caso
Seja A um algoritmo para um problema cujas instâncias possuem tamanho n.
Se a função que mede o consumo de tempo de A no pior caso está em Ο(n2),
podemos dizer que:
A consome Ο(n2) unidades de tempo no pior caso
ou
A consome tempo Ο(n2) no pior caso
Analogamente, se a função que mede o consumo de tempo de A no melhor

caso está em Ω(n2), podemos dizer que:
A consome Ω(n2) unidades de tempo no melhor caso
ou
A consome tempo Ω(n2) no melhor caso

Algoritmos lineares
Um algoritmo A é dito linear quando ele consome tempo Θ(n) no pior caso
Em outras palavras:
 Quando o tamanho da entrada dobra, o algoritmo consome o dobro do
tempo
 Quando o tamanho da entrada é multiplicado por uma constante k, o
consumo de tempo do algoritmo também é multiplicado por k
Algoritmos lineares são considerados muito rápidos

Algoritmos “n lg n”
Um algoritmo A é dito “n lg n” quando ele consome tempo Θ(n lg n) no pior
caso
Em outras palavras:
 Quando o tamanho da entrada dobra, o consumo dobra e é acrescido de
2n
consumo de tempo do algoritmo é multiplicado por k e acrescido de um
pouco mais que k n
Algoritmos n lg n são considerados rápidos

Algoritmos quadráticos
Um algoritmo A é dito quadrático quando ele consome tempo Θ(n2) no pior
caso
Em outras palavras:
 Quando o tamanho da entrada dobra, o algoritmo consome o quádruplo
do tempo
consumo de tempo do algoritmo é multiplicado por k2
Algoritmos quadráticos ainda são considerados “rápidos”

Algoritmos polinomiais
Um algoritmo A é dito polinomial quando ele consome tempo Θ(nk) no pior
caso, onde k é um número natural
Exemplos:
 Ο(n), Ο(n lg n), Ο(n2), Ο(n100)
Não-exemplos:
 Ω(2n), Ω(10n)
Algoritmos polinomiais são considerados “rápidos” (quando k não é muito

grande...)

Algoritmos exponenciais
Um algoritmo A é dito exponencial quando ele consome tempo Θ(an) no pior
caso, onde a é um número real maior do que 1
Portanto, é exponencial qualquer algoritmo que consome Ω(1.1n) unidades de

tempo
Interpretação:
 Quando o tamanho da entrada (n) dobra, o consumo de tempo do
algoritmo é elevado ao quadrado
 Quando o tamanho da entrada (n) é multiplicado por 10, o consumo de
tempo do algoritmo é elevado à décima potência
Algoritmos exponenciais não são polinomiais e não são rápidos!

Algoritmos polinomiais e exponenciais:
resumo

Complexidades de melhor e de pior caso
A complexidade de melhor caso de um algoritmo A é o valor mínimo dentre
todas as complexidades assintóticas de A, para entradas suficientemente
grandes
Em outras palavras: é um limite inferior do número de passos para a

computação de uma entrada (instância) mais desfavorável
A complexidade de pior caso de um algoritmo A é o valor máximo dentre

todas as complexidades assintóticas de A, para entradas suficientemente
grandes
Em outras palavras: é um limite superior do número de passos para a

computação de uma entrada (instância) mais desfavorável
Obs.: o pior caso pode corresponder a um número de passos muito maior do

que os casos mais freqüentes (exemplo: algoritmo Simplex)

A complexidade de um algoritmo
A complexidade de um algoritmo é definida, informalmente, como um limite
superior do número de passos necessários para a computação de uma entrada
(instância) mais desfavorável
Portanto, estamos nos referindo ao consumo de tempo no pior caso, ou seja,

ao consumo de tempo para as instâncias mais difíceis do problema
A complexidade de algoritmos foi abordada até aqui de maneira bastante

informal. Um estudo mais técnico e aprofundado é objeto de um curso
específico sobre Complexidade de Algoritmos e foge ao escopo deste curso

Introdução informal
à complexidade de problemas

Escopo – complexidade de problemas
Complexidade de um Problema
Problemas de Decisão e Problemas de Otimização
Problemas Tratáveis, Intratáveis e Insolúveis
A Classe de Problemas P
Certificados e Algoritmos Verificadores
A Classe de Problemas NP
Problemas NP-Completos e NP-Difíceis
A questão: P = NP ?

A complexidade de um problema
A complexidade de um problema é definida como o consumo de tempo do
melhor algoritmo possível para o problema
E o melhor algoritmo conhecido no momento não é, necessariamente, o

melhor algoritmo possível
E estamos nos referindo ao consumo de tempo no pior caso, ou seja, ao

consumo de tempo para as instâncias mais difíceis do problema
A complexidade de problemas será abordada aqui de maneira bem informal.

Um estudo mais técnico e aprofundado é objeto de um curso específico sobre
Complexidade de Problemas e foge ao escopo deste curso

Problemas de decisão
Um problema de decisão é aquele cuja solução admite uma e apenas uma
dentre as seguintes duas respostas: SIM ou NÃO
Por convenção, dizemos que uma instância é positiva quando ela possui
solução SIM e negativa quando possui solução NÃO
Versão de decisão dos problemas exemplificados anteriormente:
 Coloração: Dado um grafo G (V,E ) com n vértices e m arestas e um número natural

k, G admite uma coloração própria utilizando k cores ?
 Quadrado perfeito: Dado um número natural n, existe um número natural x tal

que x2=n ?
 Ciclo Hamiltoniano: Dado um grafo G (V,E ) com n vértices e m arestas, G possui

um ciclo hamiltoniano ?
 Clique: Dado um grafo G (V,E ) com n vértices e m arestas e um número natural k,

G possui uma clique de com k vértices ?
Problemas de otimização
Um problema de otimização é aquele cuja solução satisfaz um critério de otimização
(máximo ou mínimo) pré-definido
Quando as soluções do problema só podem assumir valores discretos, dizemos que se

trata de um problema de otimização combinatória
Versão de otimização dos problemas exemplificados anteriormente:
 Coloração: Dado um grafo G (V,E ) com n vértices e m arestas, qual é o menor número k de
cores que precisamos utilizar para colorir G de maneira própria ?
 Ciclo Hamiltoniano: Dado um grafo G (V,E ) com n vértices e m arestas valoradas, qual é o
ciclo hamiltoniano de G de menor peso ?
 Clique: Dado um grafo G (V,E ) com n vértices e m arestas, qual é a maior clique de G ?
Ordem de dificuldade: Decisão ‹ Otimização

Problemas tratáveis, intratáveis e insolúveis
Dizemos que um problema é polinomial quando existe um algoritmo
polinomial que o resolve
Problemas polinomiais são considerados tratáveis

 Exemplos: quadrado perfeito, caminho mais curto, árvore geradora mínima
Um problema é dito não polinomial quando nenhum algoritmo polinomial

resolve o problema
Problemas não polinomiais são considerados intratáveis

 Supõe-se que os seguintes problemas sejam não polinomiais: ciclo hamiltoniano,
clique máxima, dentre outros
Problemas insolúveis ou indecidíveis, são aqueles para os quais não existe

algoritmo algum
 Exemplos: equação diofantina, problema da parada

Equação diofantina
Em 1900, no Segundo Congresso Internacional de Matemática, realizado em
Paris, David Hilbert propôs uma lista de problemas, cuja solução desafiaria as
futuras gerações de matemáticos
O décimo problema da lista de Hilbert era de enunciado bastante simples:

“descreva um algoritmo que determina se uma dada equação diofantina do tipo
P(a1,...,an) = 0, onde P é um polinômio com coeficientes inteiros, tem uma solução
dentro do conjunto dos inteiros”
Trazendo para nossa linguagem usual na Computação ficaria: “escreva um

programa que tem por entrada uma equação diofantina, e que dá por saída um
sim ou um não, conforme a equação tenha ou não soluções inteiras”. O
programa não precisa encontrar a solução da equação, somente dizer se tal
solução existe ou não
No entando, foram necessários cerca de setenta anos para se chegar à conclusão

de que o décimo problema de Hilbert é algoritmicamente insolúvel. Depois de
intensos esforços, isto foi provado por Yuri Matiyasevich, um matemático russo
de apenas 22 à época
Problema da parada
O Problema da Parada (The Halting Problem) é um problema de

decisão clássico da Ciência da Computação que consiste, basicamente,
em determinar se um dado programa sempre vai parar (ou seja,
terminar sua execução) para uma dada entrada arbitrária
Alan Turing provou, em 1936, que é impossível resolver (decidir) o

problema da parada generalizado para qualquer par programa
- entrada

A Classe P de problemas
A Classe P de problemas é o conjunto de todos os problemas de decisão
polinomiais
Problemas que pertencem à Classe P :

 Quadrado perfeito
 Caminho mais curto
 Árvore geradora mínima
 Fluxo máximo
 Equação do segundo grau
 Máximo divisor comum
 ...
O status da maioria dos problemas de decisão é, ainda, desconhecido, ou seja,

não sabemos se o problema está em P ou fora de P
Antes de entrar na classe dos problemas NP, precisamos introduzir dois

conceitos...

Certificados e algoritmos verificadores
Um algoritmo verificador para um problema de decisão recebe dois objetos:
 Uma instância do problema
 Um certificado (uma cadeia de caracteres)
A ideia é que o certificado seja uma “prova” de que a instância é positiva,

quando este for o caso
Ao receber a instância e o certificado, o algoritmo verificador pode responder

SIM ou NÃO
Quando o algoritmo verificador responde SIM, dizemos que ele aceitou o

certificado
Observação importante: o conceito de verificador é assimétrico: ele cuida

apenas das instâncias positivas do problema!

Algoritmos verificadores polinomiais
Um algoritmo verificador para um problema de decisão é polinomial quando
ele satisfaz as seguintes condições:
 Para cada instância positiva do problema, existe um certificado que o

verificador aceita em um tempo limitado por uma função polinomial no
tamanho da instância
 Para cada instância negativa do problema, não existe certificado que o

verificador aceite
A limitação polinomial do consumo de tempo faz com que o tamanho de um

certificado aceitável também seja limitado por um polinômio no tamanho da
instância. Ou seja, os certificados aceitáveis ou razoáveis devem ser “curtos”

Certificados e algoritmos verificadores:
exemplos
Equação do segundo grau:
 Instância : (a, b, c)
 Certificado : um número inteiro x tal que ax2 + bx + c = 0
 Algoritmo verificador : ao receber a, b, c e x o verificador calcula ax2 + bx + c
e compara o resultado com 0
Ciclo hamiltoniano:
 Instância : grafo G(V, E)
 Certificado : sequência de vértices de um ciclo hamiltoniano em G
 Algoritmo verificador : ao receber a sequência de vértices, o verificador a
aceita se ela de fato representar um ciclo hamiltoniano, o que é fácil de
verificar em tempo polinomial no tamanho do grafo

A Classe NP de problemas
A Classe NP de problemas é o conjunto de todos os problemas de decisão para
os quais existem algoritmos verificadores polinomiais
Podemos dizer, de maneira informal, que um problema de decisão está em

NP quando ele possui um “certificado curto”
Com isso, podemos dizer que a classe NP corresponde à classe dos

problemas “razoáveis”
Não é difícil mostrar que a classe NP inclui a classe P, ou seja, que todo
problema polinomial de decisão está em NP
Problemas que pertencem à classe NP :

 Ciclo hamiltoniano, clique, conjunto independente, isomorfismo de subgrafos
Importante: NP não significa não-polinomial e sim não-determinístico

polinomial
Redução entre problemas
Como, no caso geral, é difícil decidir quando um dado problema está em P,
é muito interessante estudar a complexidade relativa entre os problemas da
classe NP
Dados dois problemas X e Y em NP, a ideia é poder afirmar algo do tipo:

“X é tão difícil quanto Y”. Para isso precisamos definir o conceito de
redução entre problemas de decisão
Um problema de decisão Y é redutível a um problema de decisão X quando

existe um algoritmo que transforma qualquer instância J de Y em uma
instância I de X de forma que J é positiva se e somente se I é positiva. Neste
caso denotamos Y α X
Obviamente, estamos interessados apenas em reduções polinomiais, ou

seja, reduções onde o algoritmo de redução é polinomial. Neste caso
denotamos a redução por Y α P X

Redução entre problemas:
resultado importante
Para quaisquer dois problemas X e Y em NP,

quando X está em P e existe uma redução polinomial de Y a X
então Y também está em P
De fato, dada uma instância J de Y, basta reduzir J a uma instância I de X e,

em seguida, submeter I a um algoritmo polinomial que resolva X :
Algoritmo Solução
instância tempo Instância Solução tempo
polinomial polinomial polinomial T de Y
J de Y I de X S de X
para X

Problemas NP-Completos
Um problema de decisão X é completo em NP ou NP-Completo quando X está em
NP e qualquer outro problema em NP pode ser polinomialmente reduzido a X
Interpretação: se X é NP-Completo então todos os demais problemas em NP não

são mais difíceis do que X
A existência de problemas completos em NP é um fato muito importante na

Teoria da Complexidade:
Se for encontrado um algoritmo polinomial

para resolver um único problema NP-Completo
então todos os propblemas de NP
poderão ser resolvidos em tempo polinomial
(P = NP )
Consequência: os problemas NP-Completos são os mais difíceis de NP

A classe NP-C de problemas
A Classe NP-C é o conjunto de todos os problemas de decisão NP-Completos em
NP
Logo, por o que foi visto no slide anterior, NP-C é a classe dos problemas
mais difíceis de NP
Exemplos de problemas em NP-C : ciclo hamiltoniano, maior clique, maior

conjunto independente
Para uma lista bem completa de problemas NP-C , ver o livro de Garey &
Johnson, “Computers and Intractability: A Guide to the Theory of NP-
Completeness”, 1979

Problemas NP-Difíceis
NP-Difícil é uma classe de problemas que são, informalmente, “pelo menos
tão difíceis quanto os problemas mais difíceis em NP “
Na prática: se um problema de otimização H tem uma versão de decisão que

é um problema NP-Completo, então H é um problema NP-Difícil
Exemplos de problemas NP-Difícieis :

 Caixeiro viajante
 Roteamento de veículos
 Coloração e Coloração Equilibrada em Grafos
 Clique máxima e Conjunto Independente Máximo
 Mochila inteira
 Empacotamento
 Atribuição de Frequências
 Escalonamento
 Projeto de redes ...

Como já observado anteriormente, P é parte de NP
O bom senso sugere que P é apenas uma pequena parte de NP (P ≠ NP )
Existem, porém, muitos pesquisadores que acreditam que P = NP

Como já observado anteriormente, P é parte de NP
O bom senso sugere que P é apenas uma pequena parte de NP (P ≠ NP )
Existem, porém, muitos pesquisadores que acreditam que P = NP

Sugestão de Estudo
1. Computers and Intractability: A Guide to the Theory of NP-Completeness.
Garey, Michael R. and Johnson, David S. (1979). Freeman
2. Algoritmos e Heurísticas. Ruy E. Campello e Nelson Maculan. (1994 ) EDUFF


Tema 2 Comp Alg e Prob

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema 2 Comp Alg e Prob

Enviado por

Direitos autorais:

Formatos disponíveis

Meta-heurísticas em

Profª Laura Bahiense

Meta-heurísticas em Tema 2: Introdução à Complexidade

Tamanho de uma Instância

Consumo de Tempo de um Algoritmo

Consumo de Tempo Assintótico

Algoritmos polinomiais e exponenciais

Complexidades de Melhor e Pior Caso

Ou, mais formalmente, pode ser definido por:

Em geral, um problema possui vários parâmetros associados. Exemplos:

Meta-heurísticas em Tema 2: Introdução à Complexidade

Exemplo: Dado o grafo G(V,E) abaixo, contendo 7 vértices e 9 arestas, ele

Meta-heurísticas em Tema 2: Introdução à Complexidade

Em geral, o tamanho de uma instância é descrito por um único número

A instância anterior (abaixo) possui tamanho (7,9):

Meta-heurísticas em Tema 2: Introdução à Complexidade

Dizemos que um algoritmo resolve um problema quando, ao receber a

instância Solução positiva

Meta-heurísticas em Tema 2: Introdução à Complexidade

Suponha que o algoritmo consuma T(I) unidades de tempo para processar a

Em geral, medimos o consumo de tempo de um algoritmo pelo número de

Exemplos de operações elementares: soma, subtração, multiplicação, divisão,

Não é necessário contar todas as operações elementares, apenas as mais

Meta-heurísticas em Tema 2: Introdução à Complexidade

Um algoritmo opera a partir de uma entrada,

Meta-heurísticas em Tema 2: Introdução à Complexidade

Dado um algoritmo A para o problema e um número natural n,

Analogamente, seja T*(n) o mínimo de T(I) para todas as instância I de

Meta-heurísticas em Tema 2: Introdução à Complexidade

Para exprimir o consumo de tempo do algoritmo de uma maneira

Essa maneira de comparar funções é chamada de assintótica. Há três tipos de

Meta-heurísticas em Tema 2: Introdução à Complexidade

Meta-heurísticas em Tema 2: Introdução à Complexidade

T(n) ≥ ƒ(n), para todo n ≥ n0

Meta-heurísticas em Tema 2: Introdução à Complexidade

ƒ(n) ≤ T(n) ≤ k ƒ(n) , para todo n ≥ n0

Retornando ao consumo de tempo de um algoritmo...

Meta-heurísticas em Tema 2: Introdução à Complexidade

Analogamente, se a função que mede o consumo de tempo de A no melhor

Meta-heurísticas em Tema 2: Introdução à Complexidade

Algoritmos lineares são considerados muito rápidos

Meta-heurísticas em Tema 2: Introdução à Complexidade

Algoritmos n lg n são considerados rápidos

Meta-heurísticas em Tema 2: Introdução à Complexidade

Algoritmos quadráticos ainda são considerados “rápidos”

Meta-heurísticas em Tema 2: Introdução à Complexidade

Algoritmos polinomiais são considerados “rápidos” (quando k não é muito

Meta-heurísticas em Tema 2: Introdução à Complexidade

Portanto, é exponencial qualquer algoritmo que consome Ω(1.1n) unidades de

Algoritmos exponenciais não são polinomiais e não são rápidos!

Meta-heurísticas em Tema 2: Introdução à Complexidade

Meta-heurísticas em Tema 2: Introdução à Complexidade

Em outras palavras: é um limite inferior do número de passos para a

A complexidade de pior caso de um algoritmo A é o valor máximo dentre

Em outras palavras: é um limite superior do número de passos para a

Obs.: o pior caso pode corresponder a um número de passos muito maior do

Meta-heurísticas em Tema 2: Introdução à Complexidade

Portanto, estamos nos referindo ao consumo de tempo no pior caso, ou seja,

A complexidade de algoritmos foi abordada até aqui de maneira bastante

Meta-heurísticas em Tema 2: Introdução à Complexidade

Meta-heurísticas em Tema 2: Introdução à Complexidade

Problemas de Decisão e Problemas de Otimização

Problemas Tratáveis, Intratáveis e Insolúveis

Certificados e Algoritmos Verificadores