Quando os computadores começaram a poder resolver sistematicamente alguns problemas numéricos, os matemáticos, lógicos e cientistas da computação procuraram medir o seu grau de dificuldade. Para isso, começaram a aplicar métodos sistemáticos de resolução —os chamados algoritmos — e a medir o tempo ou o esforço computacional necessário para alcançar uma resposta. Uma das primeiras surpresas estaria reservada a Richard Karp que, em fins dos anos 50, verificou que alguns problemas aparentemente simples se podem tornar rapidamente intratáveis à medida que o número de variáveis aumenta.
  Karp, então no centro de investigação da IBM, procurava encontrar circuitos óptimos, com um número mínimo de componentes, e reparou que isso não era difícil de conseguir quando os percursos desse circuito eram em número limitado. No entanto, à medida que o número de circuitos possíveis aumentava, Karp reparou que os computadores eram impotentes para encontrar uma solução em tempo útil.

  Um famoso problema deste tipo é o do caixeiro-viajante. Se um caixeiro tiver de visitar várias cidades, é natural que procure o caminho mais curto e que evite passar duas vezes pela mesma localidade. Com meia dúzia de cidades a visitar, o nosso caixeiro não terá problemas em descobrir uma solução óptima. Puxando pela cabeça e olhando para o mapa das estradas, acabará por encontrar o percurso total mais curto. O tempo que passou a pensar, poupar-lhe-á muitos quilómetros de estrada. Há algoritmos que indicam um método de pesquisa e comparação das soluções e que, programados em computador, permitem obter uma solução óptima em fracções de segundo.
  O que é bastante mais estranho é que o esforço computacional da verificação de existência de uma solução aumenta desmesuradamente com o número de cidades a visitar. Problemas deste tipo são chamados NP, por contraste com os problemas de tipo P, ou polinomiais, em que a dificuldade cresce moderadamente com o número de parâmetros. Nos problemas de tipo P, se duplicarmos o número de parâmetros, podemos esperar que o tempo de execução do algoritmo duplique, ou quadruplique, sendo essencialmente proporcional a alguma potência do número de parâmetros. Nos problemas de tipo NP, a complexidade computacional é assustadora. Ao princípio, multiplicando por dois o número de parâmetros, o problema pode demorar apenas o dobro do tempo a ser resolvido. Se multiplicarmos de novo por dois esse número de parâmetros, pode bem acontecer que a dificuldade seja multiplicada por dez. E, se tentarmos de novo duplicar a dimensão do problema, pode ser que o seu tempo de resolução seja multiplicado por 1000! Os problemas de tipo NP parecem crescer de dificuldade de uma maneira exponencial.
  O nosso caixeiro-viajante defronta-se com uma tarefa deste tipo. De tal forma que, se tiver de viajar por toda a Europa, não há computador no mundo que lhe permita encontrar o melhor percurso a tempo de fazer negócio. O melhor é fazer-se à à estrada, mesmo que isso lhe custe um pouco mais de gasolina do que a solução óptima.
  A distinção entre os problemas relativamente fáceis e os muito difíceis é uma questão que ocupa há muito os especialistas. Recentemente, os físicos Scott Kirkpatrick e Bart Selman, que têm trabalhado em problemas de complexidade computacional, encararam esta matéria com uma nova abordagem. Tirando partida da sua formação como físicos, trouxeram às ciências da computação o conceito de transição de fase, originado na termodinâmica e aplicado em várias áreas da física.
  Quando a água congela, ou quando ferve, os físicos dizem que ela transitou de fase. Os estados sólido, líquido ou gasoso da água são relativamente fáceis de caracterizar, e o seu comportamento dentro de cada um destes estados é relativamente bem conhecido. No entanto, o que se passa nos momentos de congelação ou nos momentos de evaporação é bastante mais difícil de compreender. Kirkpatrick e Selman verificaram que o que se passa com muitos problemas computacionais é muito semelhante: os problemas são simples de resolver quando se encontram num «estado» ou num outro, mas tornam-se extraordinariamente difíceis na transição de fase.

  Um bom exemplo pode ser dado com o preenchimento de uma tabela latina. Trata-se de um quadrado ou matriz, com igual número de linhas e de colunas, como se exemplifica na figura. Tomemos como exemplo uma matriz de quatro linhas e quatro colunas. Cada linha tem de ser preenchida com quatro símbolos diferentes, de entre quatro possíveis, suponhamos os símbolos 1, 2, 3 e 4. E em cada linha não pode haver repetições. O mesmo se passa com as colunas. Cada coluna tem de esgotar os quatro símbolos, que não se podem repetir dentro da mesma coluna. Se a matriz estiver vazia, é muito fácil preenchê-la. Pode, por exemplo, escrever-se na primeira linha 1,2,3,4. Na segunda, 2,3,4,1; na terceira, 3,4,1,2; na quarta 4,1,2,3.
  Se a matriz estiver quase toda preenchida, é também fácil completar a tabela latina ou, pelo contrário, chegar à conclusão que essa tarefa é inglória, por estarem as casas preenchidas de tal forma que não é possível encontrar uma solução. Os problemas aparecem quando a matriz está meio preenchida. Nessa altura, as restrições podem ser tais que encontrar uma solução ou verificar que não há solução possível pode ser uma tarefa trabalhosa, especialmente se a matriz tiver uma dimensão apreciável. Bart Selman e Carla Pedro Gomes, uma especialista portuguesa em ciências da computação, estudaram a fundo o problema de preenchimento de tabelas latinas, que é um protótipo de muitos problemas práticos de computação. Os dois especialistas, que são actualmente investigadores na Universidade de Cornell, chegaram à conclusão que a transição de fase se observa quando as matrizes estão preenchidas a cerca de 40%.
  Perceber a complexidade computacional deste tipo de problemas é muito importante, pois as tabelas latinas são um modelo para muitos problemas práticos de afectação de recursos, desde o planeamento de voos e escalonamento do pessoal de bordo à realização de experiências estatísticas.
  Suponhamos, por exemplo, que temos quatro pneus de marcas diferentes que queremos testar. Podemos colocá-los na mesma viatura e verificar o seu desgaste ao fim de mil quilómetros de estrada. Mas pode acontecer que os pneus da frente se gastem mais depressa que os traseiros. E pode também acontecer que os pneus do lado esquerdo sejam mais propensos ao desgaste, por suportarem um peso ligeiramente maior. é necessário então mudar a posição dos pneus e voltar a conduzir outros mil quilómetros. Depois disso, será necessário experimentar uma nova posição, e ainda uma outra, até que cada pneu tenha estado uma e uma só vez em cada roda. Só depois disso a observação do desgaste de cada tipo de pneu pode ser conclusiva. Se cada linha da nossa matriz representar uma posição dos quatro pneus e cada coluna representar uma roda, a nossa experiência preenche uma tabela latina.
  Com uma matriz de quatro por quatro, os problemas são simples de resolver. Mas, mesmo num exemplo tão simples como o dos quatro pneus num carro, percebe-se que a matriz é mais fácil de preencher quando está vazia do que quando está parcialmente preenchida. Se iniciarmos a experiência a partir do zero, ou seja, sem termos testado ainda os pneus, é fácil determinar uma sequência de posições. Mas, tendo já rodado com os pneus numa e noutra posição, encontrar a solução da tabela latina, ou seja, estabelecer as posições seguintes dos pneus, pode obrigar-nos a pensar alguns segundos.
  Os problemas complicam-se enormemente quando as matrizes aumentam de dimensão. Experimente o leitor preencher parcialmente uma tabela latina de dez por dez. E tente depois encontrar uma solução. Verá que não é fácil. E os problemas práticos têm, muitas vezes, matrizes de dimensão muito maior.
  Saber de antemão quais são os problemas computacionais fáceis, quais são os difíceis e quais são os muito difíceis, não nos ajuda a encontrar uma solução. Mas, ao menos, dá-nos uma ideia do que se pode esperar. Dessa forma pode-se avaliar o tempo que o computador nos levará a resolver um problema ou, nos piores casos, se será realista procurar uma solução.

http://web.ist.utl.pt/~mcasquilho/acad/or/Exp-caixv.php Created: 2006-03-01 — Last modified: 2009-03-18