Page 11 - 《软件学报》2021年第9期
P. 11

王永平  等:取定 s 的严格 d-正则随机(3,2s)-SAT 问题的可满足临界                                        2635


                  |{HH ∈  S    并且  H 的每个子句均包含      1-文字 }|  ⎛  ⎜  s+  d ⎞  ⎟  N  ⎛  ⎜  s−  d ⎞  ⎟  N
                     |
                           F σ
                          (& F  )                         q ⎝  2 ⎠  (1 q−  ) ⎝  2 ⎠
                            ⎡    d ⎞  ⎤⎛  ⎡  d ⎞  ⎤⎛
                             ⎜  s +  ⎟ ⎢  N ⎥  ! s −  ⎜  ⎟ ⎢  N ⎥  !       ( PA∩
                                                                                    ( | ) ( )
           P ( F → F )  =    ⎝   2 ⎠ ⎣  ⎦  ⎝  2 ⎠ ⎣  ⎦  d ⎞  d ⎞        =       ) B  =  P B A PA   (1)
            σ
                                                                             ()
                                  | S    |       ⎛  ⎜  s+  ⎟  N  ⎛  ⎜  s−  ⎟  N  PB    ( P B)
                                     F σ
                                                      −
                                    (& F )      q ⎝  2 ⎠  (1 q ) ⎝  2 ⎠
                            ⎡    d ⎞  ⎤⎛  ⎡  d ⎞  ⎤⎛
                             ⎜  s +  ⎟ ⎢  N ⎥  ! s −  ⎜  ⎟ ⎢  N ⎥  !
                             ⎝   2 ⎠ ⎣  ⎦  ⎝  2 ⎠ ⎣  ⎦
             由事件 A 和 B 的含义可知:
                                                   ⎛  2Ns     ⎛ ⎞
                                           2Ns     ⎜          ⎜ ⎟  s+  d ⎞  ⎟  N  ⎛  ⎜  s−  d ⎞  ⎟  N
                                                                   −
                                          k
                              ( ) [1 (1 q
                             PA =   −  −  ) ]  k  , ( )P B =  ⎜  ⎛  d ⎞  ⎟  q ⎝  2 ⎠  (1 q ) ⎝  2 ⎠  (2)
                                                    ⎜  s +  ⎟ ⎜  N ⎟
                                                    ⎝   2 ⎠ ⎝  ⎠
         注意到,可以由 Stirling 近似得到 P(B)的一个渐近表达式.因此,由公式(1)可知,得到 P(B|A)的一个渐近表达式成
         为得到 P  ( F → F )  渐近表达式的关键.幸运的是,可以使用所谓的 Local Limit Law      [19] 得到 P(B|A)的一个渐近表达式.
                σ
         为了使用 Local Limit Law,我们从文献[19]中摘录了一个定理作为下面的引理.
                                                                               j
                                                                j
             引理 2(large  power  and  Gaussian  forms) [19] .  设 ()A z = ∑ +∞  a z 和 ()B z = ∑ +∞  b z 是满足以下条件的两
                                                            j= 0  j        j= 0  j
         个解析函数:(1) A(z)和 B(z)在 0 处解析并且系数非负;(2) gcd{j|b j >0}=1;(3) B(0)≠0;(4) A(z)和 B(z)的收敛半径满
                                         B′  (1)  B′  ′  (1)  B′  (1)  ⎡  B′  (1)⎤  2
         足 1<R b ≤+∞,R b ≤R a .定义两个常数: μ     ,σ =  2  =  +  −  ⎢  ⎥  >  0 .设 N =  μ n +  x n ,其中,x 属于实数
                                         B (1)    B (1)  B (1)  ⎣  B (1) ⎦
                                                  n
                              N
                                      n
         域上某个有限区间.如果[z ](A(z)B(z) )表示 A(z)B(z) 的 N 次项系数,则:
                                                             x
                                                                    ⎛
                                   1   [z N  ]( ( ) ( ) ) =  A z B z  n  1  e − 2σ 2 2  ⎛  ⎜  1 O n − ⎞  1 2  ⎟  ⎞  , ⎟
                                                                 +
                                                                    ⎜
                                                         π
                                   B
                                A (1) (1) n          σ  2 n         ⎜ ⎜  ⎝ ⎝  ⎟  ⎠  ⎟  ⎠
               ⎛  − ⎞  1                               ⎛  −  1  − ⎞  1
               ⎜
                                                       ⎜
         其中, On   2  ⎟  ⎟  表示存在常数 C>0,使得当 n 足够大时,有 On    2  ⎟  ⎟  ≤ Cn  2 .
               ⎜
                                                       ⎜
               ⎝   ⎠                                   ⎝  ⎠
             设 X 0 =X 1 +X 2 +…+X k ≥1,其中,X 1 ,X 2 ,…,X k 是上述构造的随机实验中的前 k 重伯努利实验结果.对 X 0 独立重
               2Ns
         复观测       次.如果记各次实验结果之和为 X,则:
                k
                                          ⎡    ⎛  d ⎞  ⎤
                                         PX =  ⎜⎢  s +  ⎟  N =  ⎥  P B                        (3)
                                                          (| ) A
                                               ⎝⎣  2 ⎠  ⎦
                                                                 ⎡   ⎛  d ⎞  ⎤
         其中,A 和 B 是公式(1)上方提及的两个事件.接下来,使用引理 2 得到 PX =                 ⎜⎢  s +  ⎟  N 的一个渐近表达式.为了
                                                                            ⎥
                                                                     ⎝⎣  2 ⎠  ⎦
                                                       2Ns
         能够使用引理 2,令 Y 0 =X 0 −1,此时,如果对 Y 0 独立重复观测          次并记各次实验结果之和为 Y,则:
                                                        k
                                    ⎡   ⎛   d ⎞  2Ns⎤   ⎡   ⎛   d ⎞  ⎤
                                   PY =  ⎜ ⎢  s +  ⎟  N −  ⎥  =  P X =  ⎜⎢  s +  ⎟  N ⎥       (4)
                                        ⎝ ⎣  2 ⎠  k ⎦       ⎝⎣  2 ⎠  ⎦
                                           ⎡   ⎛  d ⎞   2Ns ⎤
         因此,接下来的工作就是利用引理 2 得到 PY =             ⎜ ⎢  s +  ⎟  N −  ⎥  的一个渐近表达式.
                                               ⎝ ⎣  2 ⎠  k ⎦
                                                     k ⎛⎞
                                                   k
             注意到,Y 0 的概率生成函数为 () x =  f       1  k ∑ ⎜⎟ q i (1 q ) k i −  x i− 1  .因此,可设 A(z)≡1,B(z)≡f(z).容易看出,
                                                          −
                                           −
                                              −
                                          1(1 q  )  i= ⎝⎠
                                                    1 i
                                                 kq
         A(z)和 B(z)满足引理 2 条件.经过计算可得 μ =               −  1.由 f(x)的系数及文献[20]可知:
                                               −
                                                  −
                                              1(1 q ) k
                                                   2
                                                  σ >0                                        (5)
   6   7   8   9   10   11   12   13   14   15   16