Когда речь заходит о теории сложности, большинство ограничивается обсуждением проблемы P против NP. Однако вселенная вычислительных задач гораздо шире и многообразнее. В дискретной математике и теории алгоритмов существует сложная иерархия классов, которая помогает понять пределы возможностей не только современных процессоров, но и будущих квантовых компьютеров. Что происходит, когда задача требует не просто бесконечного времени, но и бесконечной памяти?

Одной из самых красивых и визуально понятных теорем дискретной геометрии является Теорема Пика. Она описывает изящный способ нахождения точной площади сложных многоугольников, вершины которых лежат на узлах целочисленной решетки (например, на пересечениях линий обычной тетради в клетку). Опубликованная Георгом Александром Пиком в 1899 году, эта формула стала мостом между топологией, теорией графов и компьютерной растровой графикой.

Когда разработчики создают 3D-игры (на движках Unreal Engine или Unity), программируют роботов или рассчитывают орбиты космических спутников, они неизбежно сталкиваются с проблемой вращения объектов в трехмерном пространстве. Привычный метод через углы Эйлера (вращение по осям X, Y, Z — тангаж, рыскание и крен) страдает фатальным математическим изъяном: эффектом «шарнирного замка» (Gimbal Lock). Для безопасного и плавного вращения ИТ-индустрия обратилась к дискретной алгебре и гиперкомплексным числам — кватернионами.

Обычные цепи Маркова отлично работают, если мы можем точно наблюдать состояние системы (например, какая сегодня погода или на какой веб-странице находится пользователь). Но что делать, если реальные состояния системы от нас скрыты, а мы можем наблюдать лишь косвенные, зашумленные сигналы (эмиссии), порождаемые этими состояниями? Для решения этой проблемы в 1960-х годах были разработаны Скрытые марковские модели (Hidden Markov Models, HMM) — один из главных столпов современного искусственного интеллекта.