COMPLEXIDADE DE

PROBLEMAS
Ariel Da Silva Dias
Sumário
INTRODUÇÃO������������������������������������������������� 3

CLASSES DE PROBLEMAS: P E NP���������������� 8

Algoritmos NP��������������������������������������������������������������������� 11
Algoritmos NP-Completos������������������������������������������������� 13
Algoritmos NP-Hard������������������������������������������������������������ 14
Podemos dizer que P = NP?����������������������������������������������� 15

FORÇA BRUTA E HEURÍSTICAS������������������� 17

Algoritmos de força bruta�������������������������������������������������� 17
Pesquisa heurística������������������������������������������������������������ 25
Diferença entre Força Bruta e Pesquisa heurística���������� 29

PROBLEMA DO CAIXEIRO VIAJANTE��������� 32

CONSIDERAÇÕES FINAIS���������������������������� 36

REFERÊNCIAS BIBLIOGRÁFICAS &

CONSULTADAS�������������������������������������������� 38

2
INTRODUÇÃO
A maioria dos algoritmos transforma objetos de
entrada em objetos de saída. O tempo de execução
de um algoritmo ou método de estrutura de dados
geralmente cresce com o tamanho da entrada,
embora também possa variar para diferentes en-
tradas do mesmo tamanho. Além disso, o tempo
de execução é afetado por muitos fatores, como o
ambiente de hardware e o ambiente de software.

Apesar das possíveis variações decorrentes de

diferentes fatores ambientais, os estudos apre-
sentados aqui se concentram na relação entre o
tempo de execução de um algoritmo e o tamanho
de sua entrada. Deste modo, em cada análise, tere-
mos o tempo de execução de um algoritmo como
uma função , em que n é o tamanho da entrada,
o que pode ser representado em uma expressão
polinomial.

Revendo então as principais funções da análise

de um algoritmo, temos:
y Função constante f(n)=C: Para qualquer ar-
gumento n, a função constante atribui o valor C.
Não importa qual seja o tamanho da entrada n, f(n)
sempre será igual ao valor constante C. A função
constante mais fundamental é f(n) = 1 , o que
caracteriza o número de etapas necessárias para

3
realizar uma operação básica em um computador,
como adicionar dois números, atribuir um valor a
alguma variável ou comparar dois números. Deste
modo, um algoritmo constante não depende do
tamanho da entrada.
y Função logarítmica f(n)=log n: trata-se de um
dos aspectos interessantes e surpreendentes da
análise de estruturas de dados e algoritmos. A
forma geral de uma função logarítmica é , para
alguma constante , onde b é a base do logaritmo.
A aproximação de base dois surge na análise de
algoritmos, uma vez que uma operação comum
em muitos algoritmos é dividir repetidamente uma
entrada pela metade. Normalmente deixamos de
lado a escrita do valor da base quando ela é 2, e
apresentamos apenas log n. A função logarítmica
fica um pouco mais lenta à medida que n cresce.
Sempre que n dobra, o tempo de execução aumenta
em uma constante. O exemplo mais conhecido é
o algoritmo de busca binária.
y Função linear f(n)=n: função simples, mas
importante. Dado um valor de entrada n, a função
linear f atribui o próprio valor n. Essa função surge
em uma análise de algoritmo sempre que fazemos
uma única operação básica para cada um dos n
elementos. Por exemplo, comparar um número x
com cada elemento de uma matriz de tamanho n
exigirá n comparações. A função linear também
representa o melhor tempo de execução que es-

4
peramos alcançar para qualquer algoritmo que
processe uma coleção de n entradas.
y Função N-Log-N f(n)=n log n : essa função
cresce um pouco mais rápido que a função linear
e muito mais devagar que a função quadrática.
Se pudermos melhorar o tempo de execução da
resolução de algum problema de quadrático para
N-Log-N, teremos um algoritmo que roda muito mais
rápido em geral. Isso se transforma em um grande
problema, pois sempre que n dobra, o tempo de
execução mais que dobra.
y Função quadrática f(n)=n²: essa função apa-
rece muito na análise de algoritmos, pois existem
muitos algoritmos que possuem loops aninhados,
onde o loop interno realiza um número linear de
operações e o loop externo é realizado um número
linear de vezes. Nesses casos, o algoritmo executa
n * n = n² operações.
y Função exponencial f(n)=bn: nessa função, b
é uma constante positiva, chamada de base e o
argumento n é o expoente. Na análise do algoritmo,
a base mais comum para a função exponencial é b
= 2. Por exemplo, se tivermos um loop que começa
executando uma operação e depois dobra o número
de operações executadas a cada iteração, então
o número de operações executadas na enésima
iteração é 2n. O algoritmo exponencial geralmente
não é apropriado para uso prático, um exemplo
são as Torres de Hanói.

5
Em um cenário ideal, gostaríamos que as opera-
ções da estrutura de dados fossem executadas
em tempos proporcionais à função constante ou
logarítmica e gostaríamos que nossos algoritmos
fossem executados em tempo linear ou n-log-n. Al-
goritmos com tempos de execução quadráticos ou
cúbicos são menos práticos, mas algoritmos com
tempos de execução exponenciais são inviáveis para
todas as entradas, exceto as de menor tamanho.

Observe que esse conjunto de algoritmos que

verificamos até agora podem ser resolvidos em
tempo polinomial, por esse motivo, são chamados
de algoritmos polinomiais. Por outro lado, existem
alguns algoritmos que não podem ser resolvidos ou
não podem ser verificados em tempo polinomial.

Diz-se que um algoritmo é solucionável em tempo

polinomial se o número de passos necessários
para completar o algoritmo para uma dada entra-
da for O(nk) para algum inteiro não negativo k, em
que n é a complexidade da entrada. Diz-se que
algoritmos de tempo polinomial são «rápidos».
As operações matemáticas mais conhecidas,
como adição, subtração, multiplicação e divisão,
bem como calcular raízes quadradas, potências
e logaritmos, podem ser executadas em tempo
polinomial. O cálculo dos dígitos das constantes
matemáticas mais interessantes, incluindo o pi (π)
pode ser feito em tempo polinomial.

6
Neste e-book, estudaremos as diversas classes
de problemas em análise de algoritmos, conside-
rando os algoritmos que podem ser solucionados
em tempo polinomial e aqueles que não podem.
Também conhecerá dois tipos de algoritmos que
são muito utilizados em diferentes áreas, mas
principalmente em inteligência artificial: força bruta
e busca heurística.

7
CLASSES DE PROBLEMAS:
P E NP
Considere, por exemplo, que você tenha uma lista
não ordenada de números e queira escrever um al-
goritmo para encontrar o maior. O algoritmo, então,
tem que olhar para todos os números da lista: não
há como contornar isso. Mas se ele simplesmente
mantiver um registro do maior número visto até
agora, ele terá que olhar para cada entrada apenas
uma vez.

O tempo de execução do algoritmo é, portanto,

diretamente proporcional ao número de elementos
que ele está manipulando, ou seja, o tempo será
n. É claro que a maioria dos algoritmos é mais
complicada e, portanto, menos eficiente do que
aquela para encontrar o maior número em uma
lista; mas muitos algoritmos comuns têm tempos
de execução proporcionais a n2, ou n vezes o loga-
ritmo de n, ou similares.

Uma expressão matemática que envolve n’s e n²s

e n’s elevados a outras potências é chamado de
polinômio, ou seja, P é o conjunto de problemas
cujos tempos de solução são proporcionais aos
polinômios envolvendo n’s. Todas as principais
funções de P foram mencionadas na introdução
deste e-book.

8
Desse modo, um algoritmo cujo tempo de execução
é proporcional a é mais lento do que um algorit-
mo cujo tempo de execução é proporcional a n.
Mas tais diferenças se tornam insignificantes em
comparação a outra distinção, entre expressões
polinomiais e expressões em que um número é
elevado à enésima potência, como, digamos, 2n.

Enquanto, por exemplo, um algoritmo cujo tempo

de execução é proporcional a n leva um segundo
para realizar uma computação envolvendo 100
elementos, um algoritmo cujo tempo de execução
é proporcional a n3 pode levar quase três horas. Já
um algoritmo cujo tempo de execução é propor-
cional a 2n leva 300 quintilhões de anos – e essa
discrepância fica muito, muito pior quanto mais
o N cresce.

Considere, por exemplo, os problemas da vida real

(do dia a dia). Embora possamos usar uma ampla
variedade de termos para classificar os problemas,
na maioria dos casos usamos uma escala Fácil a
Difícil.

Na ciência da computação teórica, a classificação

e a complexidade das definições de problemas
comuns têm dois conjuntos principais: P, que é o
tempo polinomial que foi apresentado, e NP, que
é o tempo polinomial não determinístico. Existem
também conjuntos NP-Difícil e NP-Completo, que

9
usamos para expressar problemas mais sofisti-
cados. No caso de classificação de fácil a difícil,
podemos rotulá-los como fácil (P), médio (NP),
difícil (NP-Completo) e, finalmente, mais difícil
(NP-Hard). O relacionamento deles é apresentado
na figura 1.

Figura 1: relacionamento P, NP, NP-Completo e NP-Hard

NP - Hard Mais difícil

Difícil
NP - Completo

NP Médio

P Fácil

Fonte: elaborado pelo autor.

No diagrama da figura 1, assumimos que P e NP

são o mesmo conjunto, ou, em outras palavras,
assumimos que P é diferente de NP ou P≠NP. Essa
é uma afirmação aparentemente verdadeira, mas
ainda não comprovada. Outro aspecto interessante
deste diagrama é que existe alguma sobreposição
entre NP e NP-Difícil. Chamamos NP-Completo
quando o problema pertence a ambos os conjuntos.

10
Logo, após mapear P, NP, NP-Completo e NP-Difícil
para “fácil”, “médio”, “difícil” e “muito difícil”, uma
pergunta pode ser colocada: como é possível
colocar um determinado algoritmo em cada uma
destas categorias? Para isso, serão apresentadas
a seguir algumas formalidades.

ALGORITMOS NP
NP (que significa tempo polinomial não determinís-
tico) é o conjunto de problemas cujas soluções
podem ser verificadas em tempo polinomial, mas
não podem ser resolvidos em tempo polinomial.
Mas, até onde qualquer um pode verificar, muitos
desses problemas levam um tempo exponencial
para serem resolvidos. Talvez o problema de tempo
exponencial mais famoso em NP, por exemplo, seja
encontrar fatores primos de um grande número.
Verificar uma solução requer apenas multiplicação,
mas resolver o problema parece exigir sistemati-
camente experimentar muitos candidatos.

Espera-se que esses algoritmos tenham uma

complexidade exponencial, que definiremos como:

𝑇𝑇 𝑛𝑛 = 𝑂𝑂(𝐶𝐶1 𝑥𝑥 𝑘𝑘 𝐶𝐶2 𝑥𝑥𝑥𝑥)

,
em que C1 > 0, C2 > 0 e k > 0 e , sendo que C1, C2
e k são constantes e n é o tamanho da entrada.
T(n) é uma função do tempo exponencial quando
pelo menos C1=1 e C2=1. Como resultado, obtemos

11
O(kn). Por exemplo, observaremos complexidades
como O(nn), O(2n), O(20.0000001xn) neste conjunto de
problemas.

Formalmente, é possível afirmar que esses pro-

blemas NP devem ser problemas de decisão – ter
uma resposta sim ou não – embora observe que,
na prática, todos os problemas de função podem
ser transformados em problemas de decisão. Essa
distinção nos ajuda a definir o que queremos dizer
com verificado.

Para falar com precisão, então, um algoritmo é NP

se não pode ser resolvido em tempo polinomial e
o conjunto de soluções para qualquer problema de
decisão pode ser verificado em tempo polinomial
por uma “Máquina de Turing Determinística”.

Um dos exemplos mais comuns e eficazes é o

Sudoku. Dada uma grade de Sudoku não resol-
vida (9 x 9, por exemplo), um algoritmo levaria
um bom tempo para resolvê-lo. No entanto, se a
grade 9 x 9 aumentar para uma grade de 100 x
100 ou 10.000 x 10.000, o tempo que levaria para
resolvê-la aumentaria exponencialmente porque o
problema em si se torna significativamente mais
difícil. No entanto, dada uma grade de Sudoku
resolvida (de 9 x 9), é bastante simples verificar
se a solução específica está realmente correta,
mesmo que o tamanho seja dimensionado para

12
10.000 x 10.000. Seria mais lento, mas o tempo
para verificar uma solução aumenta a uma taxa
mais lenta (polinomialmente).

ALGORITMOS NP-COMPLETOS
O próximo conjunto é muito semelhante ao ante-
rior. Dando uma olhada no diagrama, todos eles
pertencem a NP, mas estão entre os mais difíceis
do conjunto. O que os torna diferentes de outros
problemas NP é uma distinção útil chamada com-
pletude. Para qualquer problema NP-Completo,
existe um algoritmo de tempo polinomial que pode
transformar o problema em qualquer outro proble-
ma NP-completo. Esse requisito de transformação
também é chamado de redução.

Formalmente, podemos dizer que se trata de um

conjunto de problemas a cada um dos quais qual-
quer outro problema NP pode ser reduzido em
tempo polinomial e cuja solução ainda pode ser
verificada em tempo polinomial. Isso significa que
qualquer problema NP pode ser transformado em
um problema NP-Completo.

Informalmente, eles são os “mais difíceis” dos

problemas NP. Assim, se qualquer problema NP-
-Completo pode ser resolvido em tempo polinomial,
então se todo problema NP-Completo pode ser
resolvido em tempo polinomial, todo problema em
NP também pode ser resolvido em tempo polinomial

13
(ou seja, P = NP). O exemplo mais famoso seria o
problema dos Caixeiros Viajantes.

ALGORITMOS NP-HARD
O último conjunto de problemas contém os pro-
blemas mais difíceis e complexos da ciência da
computação. Eles não são apenas difíceis de
resolver, mas também difíceis de verificar. Entre
os problemas mais difíceis da ciência da compu-
tação estão:
y Agrupamento K-means: trata-se de um termo
genérico para uma classe de algoritmos não su-
pervisionados para descobrir grupos de coisas,
pessoas ou ideias que estão intimamente relacio-
nadas entre si;
y Problema do Caixeiro Viajante: este é o problema
de otimização da ciência da computação mais
conhecido no mundo moderno. Em outras pala-
vras, trata-se de um problema de encontrar a rota
ótima entre os nós no grafo. A distância total de
viagem pode ser um dos critérios de otimização.
Mais adiante foi reservado um tópico para falarmos
um pouco mais sobre este algoritmo que tem sido
empregado não somente na computação, mas em
diversas áreas como controle de rota de entregas
e rota de automóveis.

Esses algoritmos têm uma propriedade semelhante

aos de NP-Completo pois todos eles podem ser

14
reduzidos a qualquer problema em NP. Por causa
disso, eles estão NP-Hard e são pelo menos tão
difíceis quanto qualquer outro problema no NP.
Um problema pode estar tanto em NP quanto em
NP-Hard, que é outro aspecto de ser NP-Completo.

Essa característica levou a um debate sobre se o

algoritmo do Caixeiro Viajante é ou não NP-Comple-
to. Como os problemas NP e NP-Completo podem
ser verificados em tempo polinomial, provar que
um algoritmo não pode ser verificado em tempo
polinomial também é suficiente para colocar o
algoritmo em NP-Hard.

PODEMOS DIZER QUE P = NP?

Uma questão que chama a atenção de muitos
cientistas da computação é se todos os algoritmos
NP pertencem ou não a P. Trata-se de um problema
interessante porque significaria, por exemplo, que
qualquer problema NP-Completo pode ser resolvido
em tempo polinomial. Por causa desse problema,
temos um dos Problemas do Prêmio do Milênio
para o qual há um prêmio de US$ 1.000.000.

Desse modo, torna-se possível afirmar que P! = NP,

no entanto, P = NP ainda pode ser possível. Se fosse
assim, além de problemas NP-Completos serem
resolvidos em tempo polinomial, certos algoritmos
NP-Difícil também simplificariam drasticamente.
Por exemplo, se o verificador deles for NP ou NP-

15
-Completo, segue-se que eles também devem ser
solucionáveis em tempo polinomial, movendo-os
também para P = NP = NP - Completo.

Agora que os conceitos foram todos definidos,

uma pergunta mais importante a ser feita é: “Por
que tudo isso importa?”. Ter uma solução para
esse problema pode ter consequências profundas
não apenas no meio acadêmico, mas também em
situações práticas. Isso inclui:
y Criptografia: das muitas senhas que mantemos,
seja do e-mail, do celular ou aquelas que usamos
no caixa eletrônico, contamos com esses códigos
para governar nossas vidas cotidianas porque são
fáceis de verificar, mas difíceis de decifrar;
y Roteamento de veículos: O transporte e o mo-
vimento da logística seriam otimizados em todo o
mundo, impactando muitos setores, desde o trans-
porte até o comércio eletrônico e a manufatura;
y Dobramento de proteínas: Compreender ou
prever como uma determinada sequência de amino-
ácidos (uma proteína) se dobrará para formar sua
forma 3D ajudará em muitas áreas, como design
de medicamentos e talvez até curar câncer.

Observe então que ocorreria uma mudança radical

na ciência da computação e até mesmo nos cená-
rios do mundo real. Se encontrarmos um algoritmo
de tempo polinomial, esses algoritmos descritos
(e outros) se tornam vulneráveis a ataques.

16
FORÇA BRUTA E
HEURÍSTICAS
A inteligência artificial (IA) é um dos setores em
maior expansão nos últimos anos, com diversos
tipos de aplicações, que abrange desde a montagem
de automóveis em uma linha de fábrica, passando
pelo reconhecimento biométrico, até chegar em
descoberta de doenças e suas curas na saúde.
Trata-se então do estudo da construção de objetos
que agem objetivamente.

Essas Ias, para realizarem suas ações e alcança-

rem seus objetivos, executam tipos específicos
de algoritmos. Dois desses algoritmos são força
bruta e busca heurística.

ALGORITMOS DE FORÇA BRUTA

O algoritmo de força bruta também é conhecido
como busca cega ou busca uniforme. A força bruta
pode localizar um estado não objetivo a partir de
um estado objetivo, além disso, ela normalmente
não tem controle sobre a busca escolhida. A busca
cega ou força bruta é uma das principais estratégias
de busca quando não se tem um caminho direto
para a busca.

O algoritmo de força bruta é usado quando não

há outro algoritmo disponível para acelerar o pro-

17
cesso e é preciso verificar cada solução possível
para poder resolvê-lo. Por exemplo, vamos pegar
um cenário em que você precisa pesquisar no di-
cionário o significado da palavra “psicossomático”
usando o algoritmo de força bruta. Você precisa
percorrer cada palavra para chegar à sua palavra-
-alvo. Considerando um dicionário com n palavras,
a complexidade de tempo seria igual a O(n), uma
vez que leva n passos – sendo também o número
de palavras do dicionário.

Você pode usar o método de busca binária para

chegar ao seu objetivo rapidamente, ou seja, dividir
o dicionário em duas listas iguais e obter o ponto
médio. Se a palavra vier antes do ponto médio,
você pegará a primeira parte e descartará a outra
metade. Isso se repetirá até que você descubra
sua palavra. Nesse caso, a complexidade será O
(log (n)).

Você pode usar essas técnicas para acelerar o

desempenho, mas se você tiver um dicionário de
entrada não ordenado e precisar percorrer cada
palavra para descobrir sua palavra-alvo, não terá
o mesmo resultado.

Você pode melhorar os algoritmos de força bruta

reduzindo os critérios de pesquisa, pois são direta-
mente proporcionais à entrada fornecida. Também
pode ser melhorado usando diferentes abordagens

18
heurísticas para cada problema, o que resulta na
solução ótima de um problema. O algoritmo de
força bruta baseia-se na abordagem de tentativa
e erro, que é uma metodologia fundamental na
resolução de problemas. Nessa metodologia, o
programa continua fazendo tentativas até obter
sucesso no problema.

Por exemplo, você tem o desafio de encontrar

todos os inteiros entre 1 e 100.000.000 que são
divisíveis por 332. Se você adotar uma abordagem
simples, o algoritmo de força bruta geraria todos os
inteiros que estão no intervalo. Você pode reduzir
os critérios de pesquisa e torná-los mais eficientes
começando com 332 e somando (adicionando)
repetidamente o mesmo número até que o número
exceda o limite determinado. Assim, você pode
salvar os possíveis ensaios realizando análises
em alguns casos.

Existem vários tipos de algoritmos de força bru-

ta, dentre eles a busca em largura e a busca em
profundidade.

Busca em largura e busca em

profundidade
Problemas de busca são aqueles em que nossa
tarefa é encontrar o caminho ótimo entre um nó
inicial e um nó objetivo em um grafo. Existem
diversas variações para problemas de busca: o

19
grafo pode ser direcionado ou não direcionado,
ponderado ou não ponderado, e pode haver mais
de um nó objetivo.

A busca em largura realiza a busca pela formação

dos níveis de uma árvore. Ele liga vários tópicos
visitados, obtendo o objetivo mais superficial do
usuário que está mais próximo da raiz.

A busca em profundidade: vagueia consecutiva-

mente ao longo do caminho enquanto desce na
árvore até surgir uma solução para o problema ou
até chegar em um caminho sem saída, momento o
qual ele volta atrás em seu caminho e cava outros
caminhos.

Ambos os algoritmos pesquisam sobrepondo uma

árvore ao grafo, que chamamos de árvore de busca.
Busca em profundidade e busca em largura definem
sua raiz para o nó inicial e aumentam adicionando
os sucessores das folhas atuais da árvore.

Dessa forma, essas técnicas cobrem todo o grafo

até encontrarem o nó objetivo ou esgotarem o grafo.
O que eles diferem é a ordem em que visitam os
nós, ou seja, adiciona-os à árvore de busca.

A busca em profundidade, por exemplo, em cada

etapa adiciona à árvore um filho do nó incluído
mais recentemente com pelo menos um filho não
incluído. Portanto, adiciona o nó inicial, depois

20
seu filho, depois seu neto e assim por diante. Por
esse motivo, essa técnica aumenta ao máximo
a profundidade da árvore de pesquisa em cada
etapa, ou seja, se não houver mais filhos de um
nó para adicionar, ele retrocede para o pai do nó.
A figura 2 ilustra o caminho feito pela busca em
profundidade em uma árvore.

Figura 2: árvore de busca em profundidade

2 5 7

3 4 6 8 9

Fonte: Elaborado pelo autor.

Observe que o número 1 representa o primeiro

nó visitado pelo algoritmo de busca, o número 2
representa o segundo nó representado pelo algo-
ritmo de busca e assim por diante.

De outra maneira, a busca em largura percorre a

árvore camada por camada. Primeiro adiciona todos
os filhos do nó inicial, completando assim o nível
1. Em seguida, adiciona todos os filhos de todas
as folhas do primeiro nível um por um. Depois, ele

21
adiciona todos os filhos dos netos do nó inicial e
assim por diante.

Portanto, se o fator de ramificação for constante

em todos os níveis, essa técnica tornará a árvore
mais ampla a cada etapa. Para fazer isso, a busca
em largura adiciona à árvore um filho do nó adicio-
nado menos recentemente que possui pelo menos
um filho não incluído. A figura 3 ilustra o caminho
feito pela busca em largura em uma árvore.

Figura 3: árvore de busca em largura

2 3 4

5 6 7 8 9

Fonte: Elaborado pelo autor.

Ao comparar o caminho percorrido pela figura 2

e pela figura 3, é possível destacar as principais
características para cada algoritmo.

Na árvore de busca em largura, todos os números

de inclusão no nível i são menores do que os nú-
meros no nível i + 1. Esse não é o caso busca em
profundidade que, se o nó i tiver um número de

22
inclusão menor que o i + 1, todos os descenden-
tes de i + 1 terão números menores que i e seus
descendentes.

Assim, a busca em largura aumenta a árvore nível

por nível, enquanto a busca em profundidade au-
menta subárvore por subárvore.

No pior cenário, a busca em profundidade cria

uma árvore de pesquisa cuja profundidade é m,
portanto, sua complexidade de tempo é , em que
b é o número de nós na árvore e m a profundidade.

Como o BFS (Breadth-First Search – Busca em

largura) é ótimo, seu resultado de pior caso é
encontrar o nó objetivo após adicionar b1 nós no
nível 1, b2 no nível 2 e assim por diante até o nível
d, em que adiciona bd nós. No total, a árvore de pior
caso da busca em largura contém 1 + b1 + b2 + … +
bd nós, o que significa que o tempo para crescer é
da ordem de O(bd).

Onde aplicar a força bruta?

A força bruta pode ser aplicada a uma ampla varie-
dade de problemas, desde problemas de tentativa
e erro, pesquisa a um número, realização de algum
tipo de classificação nas listas não classificadas de
entrada, procura de números inteiros entre alguns
intervalos em qualquer condição, até descobrir o
maior número em um intervalo, dentre outras opções

23
possíveis. Trata-se de uma técnica extremamente
útil na resolução de problemas de pequeno porte.

Destaca-se também a popularidade dos algoritmos

de força bruta entre os invasores para roubar in-
formações confidenciais. Quando um invasor usa
um conjunto de possíveis candidatos para atacar
algumas informações direcionadas ou dados va-
zados, esse fenômeno é chamado de ataque de
força bruta. O atacante continua as tentativas até
que haja algum sucesso. Se o tamanho da entra-
da for maior, mais tempo levará, mas há uma boa
probabilidade de atingir a meta.

O ataque mais comum é roubar as informações de

senha dos usuários. No ataque de dicionário, um
invasor usa um dicionário de senhas que contém
bilhões de palavras que podem ser usadas como
senha por usuários normais, a partir disso, o pro-
cesso de ataque executa uma a uma as senhas
de um dicionário para autenticar as credenciais
dos usuários e se o usuário definir uma senha
que esteja neste dicionário, há um risco alto do
atacante ter sucesso em sua ação.

Na técnica de ordenação de força bruta, a lista

de dados é verificada várias vezes para localizar
o menor elemento na lista. Após cada iteração
sobre a lista, ele substitui o menor elemento no

24
topo da pilha e inicia a próxima iteração a partir
do segundo menor dado da lista.

Neste exemplo de ordenação, o problema é de ta-

manho ‘n’, e a operação básica é o teste ‘if’, cujos
itens de dados estão sendo comparados em cada
iteração. Não haverá diferença entre o pior e o
melhor caso, pois o número de troca é sempre n-1.

A principal desvantagem do método de força bruta

é que, para muitos problemas do mundo real, o
número de candidatos naturais é proibitivamente
grande. Por exemplo, se procurarmos os divisores
de um número como descrito acima, o número de
candidatos testados será o número n dado.

PESQUISA HEURÍSTICA
Uma heurística no sentido mais comum é um mé-
todo que envolve a adaptação da abordagem de
um problema com base em soluções anteriores
para problemas semelhantes. Essas abordagens
visam ser fáceis e rapidamente aplicáveis a uma
série de problemas, de modo a encontrar soluções
aproximadas rapidamente sem usar o tempo e
os recursos para desenvolver e executar uma
abordagem precisa. O princípio de uma heurística
pode ser aplicado a vários problemas em matemá-
tica, ciências e otimização, aplicando heurística
computacionalmente.

25
A pesquisa heurística também é conhecida como
pesquisa informada e é orientada a objetivos. O
objetivo principal da busca heurística é ser rápido
e fácil, abrangendo uma variedade de problemas,
pois encontra uma resposta aproximada sem exigir
ou gastar muito tempo e recursos.

A busca heurística pode não fornecer sempre a

solução mais precisa ou melhor, mas encontra
uma solução adequada em um período racional de
tempo, sendo um método de busca muito útil para
resolver problemas difíceis. Portanto, é o melhor
caminho para problemas que levam um tempo
infinito para serem resolvidos.

A procura de espaços de solução tem sido fun-

damental para o desenvolvimento da inteligência
artificial para a resolução de problemas. Desde
então, o uso de algoritmos de busca heurística
se expandiu consideravelmente para incluir uma
variedade de aplicações, como planejamento de
rotas, biologia computacional e robótica.

Existem vários tipos diferentes de algoritmos de

busca heurística que podem ser utilizados depen-
dendo da tarefa, a saber:
y Hill Climbing: algoritmo aplicado em IA cujo
objetivo é o de encontrar a melhor solução dispo-
nível, continuando a gerar soluções até encontrar
o estado requisitado. A cada passo do processo,

26
o algoritmo irá gerar soluções (nós) e comparar
o nó com o objetivo. Se for o estado de meta es-
perado, ele conclui o processo. Se não for, ele irá
gerar novos nós e repetir até que o estado objetivo
seja encontrado ou até atingir o máximo local,
ou o estado em que todas as outras opções são
piores que o atual. As estratégias do Hill Climbing
são frequentemente utilizadas para otimizações
matemáticas, como no problema do caixeiro
viajante, que tenta encontrar as rotas mais curtas
possíveis entre as paradas de vendas.
y Simulated Annealing: trata-se de um algoritmo
iterativo com uma solução inicial e um problema
de otimização. O Simulated Annealing usa funções
heurísticas para comparar os estados vizinhos dos
dados e decidir entre permanecer no mesmo estado
ou mudar para um novo. O algoritmo se moverá
para estados mais próximos da solução ótima até
atingir um estado que tenha sido observado como
bom o suficiente para a aplicação ou até que seu
tempo de execução seja atingido.
y A*: É um algoritmo de busca que é usado para
encontrar o caminho mais curto entre um ponto
inicial e um ponto final. Trata-se de um algoritmo
útil que é frequentemente usado para percorrer
um mapa para encontrar o caminho mais curto a
ser seguido. A* foi inicialmente projetado como
um problema de travessia de grafos, para ajudar

27
a construir um robô que possa encontrar seu pró-
prio curso.

O algoritmo A* ainda continua sendo um algorit-

mo amplamente popular para travessia de grafos
pois procura por caminhos mais curtos primeiro,
tornando-o um algoritmo ideal e completo. Outro
aspecto que torna o A* tão poderoso é o uso de
grafos ponderados em sua implementação, e isso
quer dizer que ele usa números para representar o
custo de tomar cada caminho ou curso de ação, ou
seja, que os algoritmos podem seguir o caminho
com o menor custo e encontrar a melhor rota em
termos de distância e tempo.

Um algoritmo heurístico sacrifica a otimização –

precisão e exatidão – por velocidade para resolver
problemas com mais rapidez e eficiência.

Todos os grafos possuem diferentes nós ou pon-

tos que o algoritmo deve tomar para chegar ao
nó final. Todos os caminhos entre esses nós têm
um valor numérico, que é considerado como o
peso do caminho. O total de todos os caminhos
transversais lhe dá o custo dessa rota.

Inicialmente, o algoritmo calcula o custo para todos

os nós vizinhos imediatos (n) e escolhe aquele de
menor custo, e esse processo se repete até que
nenhum novo nó possa ser escolhido e todos os

28
caminhos tenham sido percorridos. Então, você
deve considerar o melhor caminho entre eles.

DIFERENÇA ENTRE FORÇA BRUTA

E PESQUISA HEURÍSTICA
A principal diferença entre Força Bruta e Busca
Heurística é que a força bruta é uma forma de
busca desinformada, ou seja, pesquisa sem as
informações adequadas, além de não ter conhe-
cimento sobre o problema.

A busca desinformada (ou Pesquisa Cega), como

o nome sugere, está pesquisando sem “informa-
ções” sobre o nó objetivo. Por exemplo, em busca
em largura os nós no mesmo nível são percorri-
dos primeiro e então ele se move para o próximo
nível e não para até encontrar o nó com valores
que estava procurando, logo, não há necessidade
de informações para selecionar os nós a serem
percorridos. Você também pode pensar em uma
estratégia de pesquisa desinformada como uma
estratégia de pesquisa de força bruta.

Por outro lado, a busca heurística é uma busca in-

formada, em outras palavras, pesquisa com dados
e informações adequados para obter resultados
possíveis, isso quer dizer que gera um caminho em
torno da solução e, uma vez que é principalmente
orientada a objetivos, não leva muito tempo para

29
executar tarefas – ao contrário da força bruta, que
é relativamente demorada.

A busca Informada está pesquisando com “in-

formações” sobre o nó objetivo. Por exemplo,
no algoritmo de busca A*, primeiro, coletamos
informações sobre o nó objetivo, como sua locali-
zação na forma de coordenadas cartesianas e, em
seguida, escrevemos uma função que pode guiar
nossa travessia do nó, por exemplo, encontrando
sua distância euclidiana. Essa função é chamada
de função heurística.

A função heurística guiará nossa travessia de nós

informando a distância que resta de cada nó até o
nó objetivo. Você também pode pensar na Estraté-
gia de Pesquisa Informada como uma Estratégia
de Pesquisa Guiada.

As estratégias de pesquisa informada e desin-

formada são o coração e a alma da Inteligência
Artificial. Na vida real, as buscas informadas e
desinformadas podem ter essa aparência: a busca
desinformada ocorre quando você está olhando
de um site para outro ou folheando os livros da
revista sem realmente precisar encontrar a infor-
mação, enquanto a busca informada é de natureza
oposta, por exemplo, você está no trabalho ou está
estudando alguma coisa e chega um termo que
você não entende naquele momento, então você

30
não navegará na internet por alguma informação
aleatória, mas especificamente para encontrar o
termo específico.

Resumidamente, a força bruta é considerada

uma forma cega de busca, pois não inclui técnica
heurística e, por definição, trata-se de uma técnica
geralmente muito ineficiente. A pesquisa heurística
por sua vez é baseada em problemas, logo, está
técnica geralmente encontra uma solução aproxi-
mada para um problema.

31
PROBLEMA DO CAIXEIRO
VIAJANTE
O Problema do Caixeiro Viajante é o desafio de
encontrar a rota mais curta e mais eficiente para
uma pessoa tomar, dada uma lista de destinos
específicos. Trata-se de um problema algorítmico
bem conhecido nas áreas de ciência da computa-
ção e pesquisa operacional.

Obviamente, há muitas rotas diferentes para esco-

lher, mas encontrar a melhor – aquela que exigirá a
menor distância ou custo – é o que matemáticos
e cientistas da computação passaram décadas
tentando resolver.

O problema do caixeiro viajante atraiu tanta aten-

ção porque é muito fácil de descrever, mas muito
difícil de resolver, o que faz com que o problema
do caixeiro viajante pertença à classe de proble-
mas de otimização combinatória NP-completos.
Isso significa que o problema do caixeiro viajante
é classificado como NP-difícil porque não possui
solução “rápida” e a complexidade de calcular a
melhor rota aumentará quando você adicionar
mais destinos ao problema.

O problema pode ser resolvido analisando cada

rota de ida e volta para determinar a mais curta.
No entanto, à medida que o número de destinos

32
aumenta, o número correspondente de viagens de
ida e volta supera as capacidades até mesmo dos
computadores mais rápidos. Com 10 destinos, pode
haver mais de 300.000 permutações e combinações
de ida e volta. Com 15 destinos, o número de rotas
possíveis pode ultrapassar 87 bilhões.

Dentre as soluções mais populares, destacam-se:

y Abordagem força bruta: que calcula e com-
para todas as permutações possíveis de rotas ou
caminhos para determinar a solução única mais
curta. Para resolver o PCV (Problema do Caixeiro
Viajante) usando a abordagem força bruta, você
deve calcular o número total de rotas e, em seguida,
desenhar e listar todas as rotas possíveis. Calcule
a distância de cada rota e, em seguida, escolha a
mais curta – esta é a solução ideal;
y Método Branch and Bound: esse método
divide um problema a ser resolvido em vários
subproblemas. É um sistema para resolver uma
série de subproblemas, cada um dos quais pode
ter várias soluções possíveis e a solução selecio-
nada para um problema pode afetar as possíveis
soluções de subproblemas subsequentes. Para
resolver o problema do caixeiro viajante usando
o método Branch and Bound, você deve escolher
um nó inicial e, em seguida, definir o limite para um
valor muito grande (digamos, infinito). Selecione o
arco mais barato entre o nó não visitado e o atual

33
e, em seguida, adicione à distância atual. Repita
o processo enquanto a distância atual for menor
que o limite. Se a distância atual for menor que o
limite, você terminou. Agora você pode somar a
distância para que o limite seja igual à distância
atual. Repita esse processo até que todos os arcos
tenham sido cobertos.
y Método do vizinho mais próximo: essa é talvez
a heurística do problema do caixeiro viajante mais
simples. A chave para esse método é sempre visi-
tar o destino mais próximo e depois voltar para a
primeira cidade quando todas as outras cidades
forem visitadas. Para resolver o problema dessa
maneira, escolha uma cidade aleatória e então
procure a cidade não visitada mais próxima e vá
até lá. Depois de visitar todas as cidades, você
deve retornar à primeira cidade.
y Inserção mais distante: ao contrário das outras
inserções, a Inserção Mais Distante começa com
uma cidade e a conecta com a cidade mais distan-
te dela. Em seguida, ele encontra repetidamente
a cidade que ainda não está no passeio que está
mais distante de qualquer cidade no passeio e a
coloca entre as duas cidades que fariam com que
o passeio resultante fosse o mais curto possível.
y Algoritmo Christofides: o Algoritmo de Chris-
tofides é uma heurística com garantia de aproxi-
mação de . Na pior das hipóteses, o passeio não
é maior que da duração do passeio ideal. Devido

34
à sua velocidade e garantia de aproximação de , o
Algoritmo Christofides é frequentemente usado para
construir um limite superior, como um tour inicial
que será otimizado usando heurísticas de melhoria
de tour, ou como um limite superior para ajudar
a limitar o espaço de busca para ramificações e
técnicas de corte utilizadas na busca da rota ideal.

Apesar da complexidade de resolver o Problema

do Caixeiro Viajante, ele ainda encontra aplicações
em diversas áreas. Por exemplo, soluções eficien-
tes encontradas por meio desse problema estão
sendo usadas em rotas de entregas de mercadoria
de um centro de transporte, como um depósito ou
armazém, até a escolha de entrega do cliente final.

35
CONSIDERAÇÕES FINAIS
Nesse e-book você pôde compreender a teoria
da complexidade, que realiza a classificação de
problemas com base em quão difíceis eles são
de resolver.

Você pôde compreender também que um proble-

ma é atribuído à classe P (tempo polinomial) se
o número de etapas necessárias para resolvê-lo
for limitado por alguma potência do tamanho do
problema.

Por outro lado, um problema é atribuído à classe

NP (tempo polinomial não determinístico) se ele
permitir uma solução não determinística e o nú-
mero de etapas para verificar a solução é limitado
por alguma potência do tamanho do problema. A
classe de problemas P é um subconjunto da classe
de problemas NP, mas também existem problemas
que não são NP.

Durante a leitura, você observou que se uma solução

é conhecida para um problema NP, ela pode ser
reduzida a uma única verificação em tempo polino-
mial e que um problema é NP-completo se for NP
e um algoritmo, para resolvê-lo, pode ser traduzido
em um para resolver qualquer outro problema NP.
Como exemplos de problemas NP-completos ve-
rificamos o problema do caixeiro viajante.

36
Além disso, pôde compreender que um problema
é dito NP-hard se um algoritmo, para resolvê-lo,
pode ser traduzido de maneira que consiga resolver
qualquer outro problema NP. Observe então que é
muito mais fácil mostrar que um problema é NP do
que mostrar que é NP-hard. Um problema que é NP
e NP-hard é chamado de problema NP-completo.

Você também conheceu duas técnicas de de-

senvolvimento de algoritmos, a heurística (busca
informada) e a força bruta (busca não informada),
também conhecida como busca cega ou busca
uniforme, que é um procedimento mais demorado,
entretanto, cabe ressaltar que a estratégia de busca
informada é mais eficiente do que a estratégia de
busca não informada quando temos informações
sobre o nó objetivo, caso essa informação não
esteja presente, a estratégia de busca não infor-
mada deve ser aplicada.

37
Referências Bibliográficas
& Consultadas
BORIN, V. P. Estrutura de dados. Curitiba:
Contentus, 2020. [Biblioteca Virtual].

CAMPOS FILHO, F. F. Algoritmos numéricos:

uma abordagem moderna de cálculo numérico.
3. ed. Rio de Janeiro: LTC, 2018. [Minha
Biblioteca].

CORMEN, T. H. Desmistificando algoritmos. 1.

ed. Rio de Janeiro: LTC, 2014. [Minha Biblioteca].

DROZDEK, A. Estrutura de dados e algoritmos

em C++. 4. ed. Cengage Learning, 2017. [Minha
Biblioteca].

GOLDBARG, M. C.; GOLDBARG, E. G., LUNA, H. P.

L. Otimização combinatória e meta-heurísticas:
Algoritmos e Aplicações. 1. ed. Rio de Janeiro:
GEN / Elsevier, 2016. [Minha Biblioteca].

PINTO, R. A.; PRESTES, L. P.; SERPA, M. S.;

COUTO, J. M. C.; BIANCO, C. M.; NUNES, P. C. M.
Estrutura de dados. Porto Alegre: Sagah, 2019.
[Minha Biblioteca].

TOSCANI, L. V., VELOSO, P. A. S. Complexidade

de algoritmos. 3. ed. Porto Alegre: Bookman,
2012. [Minha Biblioteca].
WAZLAWICK, R. S. Introdução a algoritmos e
programação com Python: uma abordagem
dirigida por testes; 1. ed. Rio de Janeiro: Elsevier,
2017. [Minha Biblioteca].