Analise PDF

1
Anlise e Tcnicas de Algoritmos 2007.2 Jorge Figueiredo, DSC/UFCG

Anlise e Tcnicas de Algoritmos
Jorge Figueiredo
Anlise de Algoritmos
Anlise de Algoritmos
Agenda
Motivao para anlise de algoritmos
Anlise assinttica
Alguns exemplos simples
Motivao para anlise de algoritmos
Anlise assinttica
Alguns exemplos simples
Introduo
Dois aspectos importantes:
Um problema pode, geralmente, ser resolvido por
diferentes algoritmos.
A existncia de um algoritmo no implica, necessariamente,
que este problema possa ser resolvido na prtica.
A anlise de algoritmos pode ser definida como o estudo da
estimativa de tempo de execuo de algoritmos.
O tempo de execuo determinado pelos seguintes
aspectos:
Tempo para executar uma instruo ou passo.
A natureza do algoritmo.
O tamanho do conjunto de dados que constitui o problema.
Um problema pode, geralmente, ser resolvido por
diferentes algoritmos.
A existncia de um algoritmo no implica, necessariamente,
que este problema possa ser resolvido na prtica.
A anlise de algoritmos pode ser definida como o estudo da
estimativa de tempo de execuo de algoritmos.
O tempo de execuo determinado pelos seguintes
aspectos:
Tempo para executar uma instruo ou passo.
A natureza do algoritmo.
O tamanho do conjunto de dados que constitui o problema.
Introduo
necessrio ter uma forma de criar medidas de comparao
entre algoritmos que resolvem um mesmo problema. Desta
forma, possvel determinar:
A viabilidade de um algoritmo.
Qual o melhor algoritmo para a soluo de um
problema.
O interessante ter uma comparao relativa entre
algoritmos.
Assumir que a execuo de qualquer passo de um
algoritmo leva uma um tempo fixo e igual.
O tempo de execuo de um computador particular no
interessante.
necessrio ter uma forma de criar medidas de comparao
entre algoritmos que resolvem um mesmo problema. Desta
forma, possvel determinar:
A viabilidade de um algoritmo.
Qual o melhor algoritmo para a soluo de um
problema.
O interessante ter uma comparao relativa entre
algoritmos.
Assumir que a execuo de qualquer passo de um
algoritmo leva uma um tempo fixo e igual.
O tempo de execuo de um computador particular no
interessante.
Introduo
Qual a quantidade de recursos utilizados para resolver um
problema?
Tempo
Espao
Expressar como uma funo do tamanho do problema.
Como os requisitos crescem com o aumento do problema?
Tamanho do problema:
Nmero de elementos a ser tratado
Tamanho dos elementos
Qual a quantidade de recursos utilizados para resolver um
problema?
Tempo
Espao
Expressar como uma funo do tamanho do problema.
Como os requisitos crescem com o aumento do problema?
Tamanho do problema:
Nmero de elementos a ser tratado
Tamanho dos elementos
Eficincia de Algoritmo
Considerar eficincia de tempo:
Nmero de operaes expresso em termos do tamanho da
entrada.
Se dobramos o tamanho da entrada, qual o tempo de
resposta?
Por que eficincia importante?
Velocidade de computao aumentou (hardware)
Crescimento de aplicaes com o aumento do poder
computacional
Maior demanda por aumento na velocidade de computao.
Considerar eficincia de tempo:
Nmero de operaes expresso em termos do tamanho da
entrada.
Se dobramos o tamanho da entrada, qual o tempo de
resposta?
Por que eficincia importante?
Velocidade de computao aumentou (hardware)
Crescimento de aplicaes com o aumento do poder
computacional
Maior demanda por aumento na velocidade de computao.
2
Quando a velocidade de computao aumenta, podemos
tratar mais dados?
Suponha que:
Um algoritmo toma n
2
comparaes para ordenar n
nmeros.
Necessitamos de 1 segundo para ordenar 5 nmeros (25
comparaes)
Velocidade de computao aumenta de um fator de 100
Usando 1 segundo, podemos executar 100x25
comparaes, i.e., ordenar 50 nmeros
Com 100 vezes de ganho em velocidade, ordenamos apenas 10
vezes mais nmeros!
Quando a velocidade de computao aumenta, podemos
tratar mais dados?
Suponha que:
Um algoritmo toma n
2
comparaes para ordenar n
nmeros.
Necessitamos de 1 segundo para ordenar 5 nmeros (25
comparaes)
Velocidade de computao aumenta de um fator de 100
Usando 1 segundo, podemos executar 100x25
comparaes, i.e., ordenar 50 nmeros
Com 100 vezes de ganho em velocidade, ordenamos apenas 10
vezes mais nmeros!
4 x 10
13
anos 1 ms 10 s 0.66 s 0.1 s 100
13 dias 125 s 2.5 s 0.28 s 0.05 s 50
1 ms 8 s 0.4 s 0.09 s 0.02 s 20
1 s 1 s 0.1 s 0.03 s 0.01 s 10
0.03 s 0.13 s 0.03 s 0.01 s 0.005 s 5
Tn = 2
n
T(n) = n
3
T(n) = n
2
T(n) = nlgn T(n) = n N
Como Medir Eficincia de Algoritmo?
Medindo eficincia:
Estudo experimental e/ou Benchmarking.
Anlise assinttica.
Medindo eficincia:
Estudo experimental e/ou Benchmarking.
Anlise assinttica.
Abordagem Experimental
Abordagem experimental:
Escrever um programa que implementa o algoritmo
Executar o programa com diferentes cenrios
Usar um mtodo como System.currentTimeMillis() para
obter medidas acuradas do tempo de execuo real.
Abordagem experimental:
Escrever um programa que implementa o algoritmo
Executar o programa com diferentes cenrios
Usar um mtodo como System.currentTimeMillis() para
obter medidas acuradas do tempo de execuo real.
50 100 0
t (ms)
n
10
20
30
40
50
60
Abordagem Experimental
Limitaes dos estudos experimentais:
Necessidade de se implementar e testar o algoritmo.
Experimentos podem ser feitos apenas em um nmero
limitado de cenrios. Pode, portanto, no indicar tempo de
execuo em cenrios que no foram considerados no
experimento.
Para comparar dois algoritmos: garantir os mesmos
hardware e ambiente de software.
Limitaes dos estudos experimentais:
Necessidade de se implementar e testar o algoritmo.
Experimentos podem ser feitos apenas em um nmero
limitado de cenrios. Pode, portanto, no indicar tempo de
execuo em cenrios que no foram considerados no
experimento.
Para comparar dois algoritmos: garantir os mesmos
hardware e ambiente de software.
Anlise Assinttica
Metodologia para analisar tempo de execuo de
algoritmos.
Ao contrrio da abordagem experimental:
Usa uma descrio de alto nvel dos algoritmos em vez de
testar uma de suas implementaes.
Leva em considerao todas as possveis entradas.
Permite a avaliao de eficincia de algoritmos de uma
forma que independente do hardware e ambiente de
software utilizado.
Metodologia para analisar tempo de execuo de
algoritmos.
Ao contrrio da abordagem experimental:
Usa uma descrio de alto nvel dos algoritmos em vez de
testar uma de suas implementaes.
Leva em considerao todas as possveis entradas.
Permite a avaliao de eficincia de algoritmos de uma
forma que independente do hardware e ambiente de
software utilizado.
3
Notao Assinttica
Objetivo: simplificar a anlise descartando informaes
desnecessrias:
arredondamento 1,000,0011,000,000
Dizer que 3n
2
n
2
Objetivo: simplificar a anlise descartando informaes
desnecessrias:
arredondamento 1,000,0011,000,000
Dizer que 3n
2
n
2
Big-Oh
Sejam duas funes f(n) e g(n).
f(n) O(g(n)) se existem constantes positivas c e n
0
tais que
f(n) cg(n) para n n
0
Exemplo: 2n + 10 O(n)
2n + 10 cn
(c 2) n 10
n 10/(c 2)
Escolher c = 3 e n
0
= 10
f(n) O(g(n)) se existem constantes positivas c e n
0
tais que
f(n) cg(n) para n n
0
Exemplo: 2n + 10 O(n)
2n + 10 cn
(c 2) n 10
n 10/(c 2)
Escolher c = 3 e n
0
= 10
Big-Oh
1
10
100
1.000
10.000
1 10 100 1.000
n
3n
2n+10
n
Big-Oh
Exemplo: n
2
no O(n)
n
2
cn
n c
A desigualdade no pode ser
satisfeita pois c deve ser uma
constante.
Exemplo: n
2
no O(n)
n
2
cn
n c
A desigualdade no pode ser
satisfeita pois c deve ser uma
constante.
1
10
100
1.000
10.000
100.000
1.000.000
1 10 100 1.000
n
n^2
100n
10n
n
Big-Omega
f(n) (g(n)) se g(n) O(f(n))
Existe uma constante real c >0 e n
0
1 tal que f(n) c g(n)
para n n
0
f(n) (g(n)) se g(n) O(f(n))
Existe uma constante real c >0 e n
0
1 tal que f(n) c g(n)
para n n
0
Big-Theta
Sejam duas funes f(n) e g(n)
f(n) (g(n)) se f(n) O(g(n)) e f(n) (g(n))
existem constantes reais a>0 e b>0, e uma
constante inteira n
0
1 tal que a g(n) f(n) b g(n)
para n n
0
Sejam duas funes f(n) e g(n)
f(n) (g(n)) se f(n) O(g(n)) e f(n) (g(n))
existem constantes reais a>0 e b>0, e uma
constante inteira n
0
1 tal que a g(n) f(n) b g(n)
para n n
0
4
Taxas de Crescimento Mais Comum
n
2
n
2
n
n
log n
c
1 log n n n
2
n
3
... n
k
... 2
n
constante logartmica polinomial exponencial
Anlise Assinttica
A anlise assinttica baseada nessas definies e
estabelece uma ordem relativa entre funes.
A notao Big-Oh usada para expressar o nmero de
operaes primitivas executadas como funo do tamanho da
entrada.
um algoritmo que executa em tempo O(n) melhor do que um que
executa em tempo O(n
2
)
de forma semelhante, O(log n) melhor do que O(n)
Cuidado! Preste ateno a constantes muito altas. Um
algoritmo que executa em tempo 1,000,000.n O(n), mas
menos eficiente do que um que executa em tempo 2n
2
, que
O(n
2
).
A anlise assinttica baseada nessas definies e
estabelece uma ordem relativa entre funes.
A notao Big-Oh usada para expressar o nmero de
operaes primitivas executadas como funo do tamanho da
entrada.
um algoritmo que executa em tempo O(n) melhor do que um que
executa em tempo O(n
2
)
de forma semelhante, O(log n) melhor do que O(n)
Cuidado! Preste ateno a constantes muito altas. Um
algoritmo que executa em tempo 1,000,000.n O(n), mas
menos eficiente do que um que executa em tempo 2n
2
, que
O(n
2
).
Complexidade de Tempo
Para determinar o tempo de execuo de um determinado
algoritmo
descobrir a forma geral da curva que caracteriza seu tempo
de execuo em funo do tamanho do problema.
Para simplificarmos a anlise de complexidade de tempo:
adotamos a no existncia de unidades de tempo
particulares.
no consideramos tambm os termos de ordem inferior,
isto , usamos Big-Oh.
A complexidade de tempo para diferentes algoritmos pode
indicar diferentes classes de complexidade. Cada classe
caracterizada por uma famlia diferente de curva.
Para determinar o tempo de execuo de um determinado
algoritmo
descobrir a forma geral da curva que caracteriza seu tempo
de execuo em funo do tamanho do problema.
Para simplificarmos a anlise de complexidade de tempo:
adotamos a no existncia de unidades de tempo
particulares.
no consideramos tambm os termos de ordem inferior,
isto , usamos Big-Oh.
A complexidade de tempo para diferentes algoritmos pode
indicar diferentes classes de complexidade. Cada classe
caracterizada por uma famlia diferente de curva.
Complexidade de Tempo
Informalmente, para se determinar a ordem de complexidade
de uma determinada funo f(n):
1. Separar f(n) em duas partes: termo dominante e termos
de ordem inferior.
2. ignorar os termos de ordem inferior.
3. ignorar as constantes de proporcionalidade.
Informalmente, para se determinar a ordem de complexidade
de uma determinada funo f(n):
1. Separar f(n) em duas partes: termo dominante e termos
de ordem inferior.
2. ignorar os termos de ordem inferior.
3. ignorar as constantes de proporcionalidade.
Anlise de Algoritmos Simples
Em nosso modelo de anlise, consideramos que as
instrues so executadas sequencialmente e que o conjunto
de instrues simples (adio, comparao, atribuio, etc)
tomam exatamente uma unidade de tempo para serem
executadas.
Tipos de anlise:
Pior caso: indica o maior tempo obtido, levando em
considerao todas as entradas possveis.
Melhor caso: indica o menor tempo obtido, levando em
Mdia: indica o tempo mdio obtido, considerando todas as
entradas possveis.
Em nosso modelo de anlise, consideramos que as
instrues so executadas sequencialmente e que o conjunto
de instrues simples (adio, comparao, atribuio, etc)
tomam exatamente uma unidade de tempo para serem
executadas.
Tipos de anlise:
Pior caso: indica o maior tempo obtido, levando em
Melhor caso: indica o menor tempo obtido, levando em
Mdia: indica o tempo mdio obtido, considerando todas as
entradas possveis.
Como o objetivo determinar a forma da curva que caracteriza o
algoritmo, vamos definir algumas regras que podem ser utilizadas:
Laos: O tempo de execuo de um lao no mximo o tempo de
execuo das instrues dentro do lao (incluindo os testes) vezes o
nmero de iteraes.
Aninhamento de Laos: Analisar os mais internos. O tempo total de
execuo de uma instruo dentro de um grupo de laos aninhados
o tempo de execuo da instruo multiplicado pelo produto dos
tamanhos de todos os laos.
Instrues Consecutivas: Apenas efetuar a soma.
If/Else: o tempo de execuo de uma instruo if/else nunca maior do
que o tempo de execuo do teste mais o maior dos tempos de
execuo de S1 e S2. S1 e S2 representam as instrues do then e
else, respectivamente.
Como o objetivo determinar a forma da curva que caracteriza o
algoritmo, vamos definir algumas regras que podem ser utilizadas:
Laos: O tempo de execuo de um lao no mximo o tempo de
execuo das instrues dentro do lao (incluindo os testes) vezes o
nmero de iteraes.
Aninhamento de Laos: Analisar os mais internos. O tempo total de
execuo de uma instruo dentro de um grupo de laos aninhados
o tempo de execuo da instruo multiplicado pelo produto dos
tamanhos de todos os laos.
Instrues Consecutivas: Apenas efetuar a soma.
If/Else: o tempo de execuo de uma instruo if/else nunca maior do
que o tempo de execuo do teste mais o maior dos tempos de
execuo de S1 e S2. S1 e S2 representam as instrues do then e
else, respectivamente.
5
Chamada de Funes: A anlise feita como no caso de
laos aninhados. Para calcular a complexidade de um
programa com vrias funes, determina-se primeiro a
complexidade de cada uma das funes. Desta forma, na
anlise, cada uma das funes vista como uma
instruo com a complexidade que foi calculada.
Recurso: a parte mais difcil da anlise de complexidade.
Em muitos casos, pode-se fazer a linearizao atravs da
substituio da chamada recursiva por alguns laos
aninhados, por exemplo. Entretanto, existem algoritmos
que no possibilitam a linearizao. Nestes caso,
necessrio usar uma relao de recorrncia que tem que
ser resolvida.
Chamada de Funes: A anlise feita como no caso de
laos aninhados. Para calcular a complexidade de um
programa com vrias funes, determina-se primeiro a
complexidade de cada uma das funes. Desta forma, na
anlise, cada uma das funes vista como uma
instruo com a complexidade que foi calculada.
Recurso: a parte mais difcil da anlise de complexidade.
Em muitos casos, pode-se fazer a linearizao atravs da
substituio da chamada recursiva por alguns laos
aninhados, por exemplo. Entretanto, existem algoritmos
que no possibilitam a linearizao. Nestes caso,
necessrio usar uma relao de recorrncia que tem que
ser resolvida.
Algumas Dicas
Identificar a operao fundamental usada no algoritmo. A anlise dessa
operao fundamental identifica o tempo de execuo. Isso pode evitar a
anlise linha-por-linha do algoritmo.
Quando um algoritmo, em uma passada de uma iterao, divide o
conjunto de dados de entrada em uma ou mais partes, tomado cada uma
dessas partes e processando separada e recursivamente, e depois
juntando os resultados, este algoritmo possivelmente O(n.log n)
Um algoritmo O(log n) se ele leva tempo constante para reduzir o
tamanho do problema, geralmente pela metade. Por exemplo, a pesquisa
binria.
Se o algoritmo leva tempo constante para reduzir o tamanho do problema
em um tamanho constante, ele ser O(n).
Algoritmos combinatoriais so exponenciais. Por exemplo, o problema do
caixeiro viajante.
Identificar a operao fundamental usada no algoritmo. A anlise dessa
operao fundamental identifica o tempo de execuo. Isso pode evitar a
anlise linha-por-linha do algoritmo.
Quando um algoritmo, em uma passada de uma iterao, divide o
conjunto de dados de entrada em uma ou mais partes, tomado cada uma
dessas partes e processando separada e recursivamente, e depois
juntando os resultados, este algoritmo possivelmente O(n.log n)
Um algoritmo O(log n) se ele leva tempo constante para reduzir o
tamanho do problema, geralmente pela metade. Por exemplo, a pesquisa
binria.
Se o algoritmo leva tempo constante para reduzir o tamanho do problema
em um tamanho constante, ele ser O(n).
Algoritmos combinatoriais so exponenciais. Por exemplo, o problema do
caixeiro viajante.
Exerccio
Potencia(x, n)
p 1
i 0
while i <n do
p p.x
i i +1
returnp
Qual a complexidade do algoritmo abaixo?
Qual a complexidade do algoritmo abaixo?
Anlise e Tcnicas de Algoritmos
Jorge Figueiredo
Anlise de Algoritmos Recursivos
Anlise de Algoritmos Recursivos
Agenda
Relao de Recorrncia
Derivando recorrncia
Resolvendo recorrncia
Anlise de algoritmos recursivos
Relao de Recorrncia
Derivando recorrncia
Resolvendo recorrncia
Anlise de algoritmos recursivos
Introduo
A anlise de um algoritmo recursivo requer a resoluo de
uma recorrncia.
Uma recorrncia um algoritmo recursivo que calcula o valor
de uma funo em um ponto dado.
Uma recorrncia define T(n) em termos de T(n-1), T(n-2), etc.
Exemplo:
T(1) = 1
T(n) = T(n 1) + 3n + 2 , para n2
A anlise de um algoritmo recursivo requer a resoluo de
uma recorrncia.
Uma recorrncia um algoritmo recursivo que calcula o valor
de uma funo em um ponto dado.
Uma recorrncia define T(n) em termos de T(n-1), T(n-2), etc.
Exemplo:
T(1) = 1
T(n) = T(n 1) + 3n + 2 , para n2
6
Introduo
Exemplo 2: Quantos pedaos com n cortes?
Cortes: 1
Pedaos: 2
Introduo
Cortes: 1
Pedaos: 2
Cortes: 2
Pedaos: 4
Introduo
Cortes: 1
Pedaos: 2
Cortes: 2
Pedaos: 4
Cortes: 3
Pedaos: 7
Cortes: 4
Pedaos: 11
Introduo
possvel observar que o n-simo corte cria n novos pedaos.
Logo, o nmero total de pedaos obtido com n cortes,
denotado por P(n), dado pela seguinte relao de
recorrncia:
P(1) = 2
P(n) = P(n 1) + n, para n2
possvel observar que o n-simo corte cria n novos pedaos.
Logo, o nmero total de pedaos obtido com n cortes,
denotado por P(n), dado pela seguinte relao de
recorrncia:
P(1) = 2
P(n) = P(n 1) + n, para n2
Deri vando Relaes de Recorrncias
Como proceder para derivar uma relao de recorrncia para a
anlise do tempo de execuo de um algoritmo:
Determinar qual o tamanho n do problema.
Verificar que valor de n usado como base da recurso. Em
geral um valor nico (n=1, por exemplo), mas pode ser
valores mltiplos. Vamos considerar esse valor como n
0
.
Determinar T(n
0
). Pode-se usar uma constante c, mas, em
muitos, casos um nmero especfico necessrio.
Como proceder para derivar uma relao de recorrncia para a
anlise do tempo de execuo de um algoritmo:
Determinar qual o tamanho n do problema.
Verificar que valor de n usado como base da recurso. Em
geral um valor nico (n=1, por exemplo), mas pode ser
valores mltiplos. Vamos considerar esse valor como n
0
.
Determinar T(n
0
). Pode-se usar uma constante c, mas, em
muitos, casos um nmero especfico necessrio.
T(n) definido como uma soma de vrias ocorrncias de T(m)
(chamadas recursivas), mais a soma de outras instrues
efetuadas. Em geral, as chamadas recursivas esto
relacionadas com a subproblemas do mesmo tamanho f(n),
definindo um termo a.T(f(n)) na relao de recorrncia.
A relao de recorrncia definida por:
T(n) = c, se n = n
0
T(n) = a.T(f(n)) + g(n), caso contrrio
T(n) definido como uma soma de vrias ocorrncias de T(m)
(chamadas recursivas), mais a soma de outras instrues
efetuadas. Em geral, as chamadas recursivas esto
relacionadas com a subproblemas do mesmo tamanho f(n),
definindo um termo a.T(f(n)) na relao de recorrncia.
A relao de recorrncia definida por:
T(n) = c, se n = n
0
T(n) = a.T(f(n)) + g(n), caso contrrio
7
Exemplo: Torre de Hanoi
Objetivo: transferir os n discos de A para C
Regras:
Mover um disco por vez.
Nunca colocar um disco maior em cima de um menor.
Soluo Recursiva:
Transferir n-1 discos de A para B
Mover o maior disco de A para C
Transferir n-1 discos de B para C
Exemplo: Torre de Hanoi
Objetivo: transferir os n discos de A para C
Regras:
Mover um disco por vez.
Nunca colocar um disco maior em cima de um menor.
Soluo Recursiva:
Transferir n-1 discos de A para B
Mover o maior disco de A para C
Transferir n-1 discos de B para C
Hanoi(A, C, B, n)
ifn >1
Hanoi(A, B, C, n-1)
Move(A, C)
ifn >1
Hanoi(B, C, A, n-1)
Relao de Recorrncia
T(1) =1
T(n) =2.T(n-1) +1
MergeSort(A, n)
ifn 1
returnA
returnmerge(MergeSort(A1, n/2), MergeSort(A2, n/2))
Relao de Recorrncia
T(1) =c
T(n) =2.T(n/2) +d.n
Resol vendo Relaes de Recorrncia
Resolver uma relao de recorrncia nem sempre fcil.
Resolvendo uma relao de recorrncia, determina-se o
tempo de execuo do algoritmo recursivo correspondente.
Relao de recorrncia: T(n) = T(n
1
) + T(n
2
) +...+ T(n
a
) + f(n)
mais fcil quando temos a subproblemas de mesmo
tamanho que uma frao de n (por exemplo, n/b):
T(n) = a.T(n/b) + f(n)
Como resolver:
Mtodo do chute
Mtodo da rvore de recurso
Mtodo do desdobramento
Mtodo master
Resolver uma relao de recorrncia nem sempre fcil.
Resolvendo uma relao de recorrncia, determina-se o
tempo de execuo do algoritmo recursivo correspondente.
Relao de recorrncia: T(n) = T(n
1
) + T(n
2
) +...+ T(n
a
) + f(n)
mais fcil quando temos a subproblemas de mesmo
tamanho que uma frao de n (por exemplo, n/b):
T(n) = a.T(n/b) + f(n)
Como resolver:
Mtodo do chute
Mtodo da rvore de recurso
Mtodo do desdobramento
Mtodo master
Mtodo do Chute e Prova por Induo
Seja a seguinte relao de recorrncia:
T(1) = 1
T(n) = T(n 1) + 3n + 2 , para n2
A relao de recorrncia resolvida em duas partes:
1. Chute: T(n) = 3n
2
/2 + 7n/2 4
2. Prova:
1. Caso base para n=1
2. H.I.: assumir que vlido para n-1
3. Provar T(n)
Se a prova for confirmada, T(n) O(n
2
)
T(1) = 1
T(n) = T(n 1) + 3n + 2 , para n2
1. Chute: T(n) = 3n
2
/2 + 7n/2 4
2. Prova:
1. Caso base para n=1
2. H.I.: assumir que vlido para n-1
3. Provar T(n)
Se a prova for confirmada, T(n) O(n
2
)
Mtodo do Chute e Prova por Induo
T(1) = 1
T(n) = 2.T(n/2) + n , para n2
1. Chute: T(n) = n + n.logn
2. Prova:
1. Caso base: 1 + 1.log 1 = 1
2. H.I.: assumir que vlido para valores at n-1
3. Provar T(n):
=2.(n/2 + n/2.log n/2) + n
=n + n.(logn -1) + n
=n + n.logn
Logo, T(n) O(n.logn)
T(1) = 1
T(n) = 2.T(n/2) + n , para n2
1. Chute: T(n) = n + n.logn
2. Prova:
1. Caso base: 1 + 1.log 1 = 1
2. H.I.: assumir que vlido para valores at n-1
3. Provar T(n):
=2.(n/2 + n/2.log n/2) + n
=n + n.(logn -1) + n
=n + n.logn
Logo, T(n) O(n.logn)
8
Mtodo da rvore de Recurso
Talvez o mtodo mais intuitivo.
Consiste em desenhar uma rvore cujos ns representam os
tamanhos dos correspondentes problemas.
Cada nvel i contm todos os subproblemas de profundidade i.
A altura da rvore.
O nmero de passos executados de cada nvel.
A soluo da recorrncia (tempo de execuo do algoritmo)
a soma de todos os passos de todos os nveis.
Talvez o mtodo mais intuitivo.
Consiste em desenhar uma rvore cujos ns representam os
tamanhos dos correspondentes problemas.
Cada nvel i contm todos os subproblemas de profundidade i.
A altura da rvore.
O nmero de passos executados de cada nvel.
A soluo da recorrncia (tempo de execuo do algoritmo)
a soma de todos os passos de todos os nveis.
Resolver T(n) = 2.T(n/2) + n
Resolver T(n) = 2.T(n/2) + n
T(n)
n
T(n/2) T(n/2)
n
n/2 n/2
T(n/4) T(n/4) T(n/4) T(n/4)
n
n/2 n/2
n/4 n/4 n/4 n/4
T(1)
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
9
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
n
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
n
2.n/2= n
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
n
2.n/2= n
4.n/4= n
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
n
2.n/2= n
4.n/4= n
n folhas
n.1= n
n
n/2 n/2
n/4 n/4 n/4 n/4
1
h = log n
n
2.n/2= n
4.n/4= n
n folhas
n.1= n
(log n).n
Mtodo do Desdobramento
Esse mtodo o da rvore de recurso, representado de
forma algbrica.
Consiste em:
Usar (algumas poucas) substituies repetidamente at
encontrar um padro.
Escrever uma frmula em termos de n e o nmero de
substituies i.
Escolher i de tal forma que todas as referncias a T()
sejam referncias ao caso base.
Resolver a frmula.
Esse mtodo o da rvore de recurso, representado de
forma algbrica.
Consiste em:
Usar (algumas poucas) substituies repetidamente at
encontrar um padro.
Escrever uma frmula em termos de n e o nmero de
substituies i.
Escolher i de tal forma que todas as referncias a T()
sejam referncias ao caso base.
Resolver a frmula.
10
Mtodo do Desdobramento Exemplo 1
Soluo para o problema da pizza:
T(1) = 2
T(n) = T(n 1) + n , para n2
Desdobrando a relao de recorrncia:
T(n) = T(n-1) + n
T(n) = T(n-2) + (n-1) + n
T(n) = T(n-3) + (n-2) + (n-1) + n
...
T(n) = T(n-i) + (n-i+1) + ... + (n-1) + n
Caso base alcanado quando i=n-1
T(n) = 2 + 2 + 3 + ... + (n 1) + n
T(n) = 1 + n.(n-1)/2
Logo, T(n) = O(n
2
)
Soluo para o problema da pizza:
T(1) = 2
T(n) = T(n 1) + n , para n2
T(n) = T(n-1) + n
T(n) = T(n-2) + (n-1) + n
T(n) = T(n-3) + (n-2) + (n-1) + n
...
T(n) = T(n-i) + (n-i+1) + ... + (n-1) + n
T(n) = 2 + 2 + 3 + ... + (n 1) + n
T(n) = 1 + n.(n-1)/2
Logo, T(n) = O(n
2
)
Mtodo do Desdobramento Exemplo 2
Soluo para o problema da Torre de Hanoi:
T(1) = 1
T(n) = 2.T(n 1) + 1 , para n2
T(n) = 2.T(n 1) + 1
T(n) = 2.(2.T(n-2) + 1) + 1 = 4.T(n-2) + 2 + 1
T(n) = 4.(2.T(n-3) + 1) + 2 + 1 = 8.T(n-3) + 4 + 2 + 1
...
T(n) = 2
i
.T(n-i) + 2
i-1
+ 2
i-2
... + 2
1
+ 1
T(n) = 2
n-1
+ 2
n-2
+ 2
n-3
+ ... + 2
1
+ 1
Isso uma soma geomtrica
Logo, T(n) = 2
n
1 = O(2
n
)
Soluo para o problema da Torre de Hanoi:
T(1) = 1
T(n) = 2.T(n 1) + 1 , para n2
T(n) = 2.T(n 1) + 1
T(n) = 2.(2.T(n-2) + 1) + 1 = 4.T(n-2) + 2 + 1
T(n) = 4.(2.T(n-3) + 1) + 2 + 1 = 8.T(n-3) + 4 + 2 + 1
...
T(n) = 2
i
.T(n-i) + 2
i-1
+ 2
i-2
... + 2
1
+ 1
T(n) = 2
n-1
+ 2
n-2
+ 2
n-3
+ ... + 2
1
+ 1
Isso uma soma geomtrica
Logo, T(n) = 2
n
1 = O(2
n
)
Mtodo Master
Teorema que resolve quase todas as recorrncias.
T(n) da forma a.T(n/b) + f(n), a,b > 1
Casos:
1. Se f(n) O(n
log
a
b-
), para algum > 0, temos que:
T(n) (n
log
a
b
).
2. Se f(n) (n
log
a
b
), temos que:
T(n) (n
log
a
b
.log n).
3. Se f(n) (n
log
a
b +
), para algum > 0 e se a.f(n/b)c.f(n)
para algum c > 0 e n suficientemente grande, temos que:
T(n) (f(n)).
Teorema que resolve quase todas as recorrncias.
T(n) da forma a.T(n/b) + f(n), a,b > 1
Casos:
1. Se f(n) O(n
log
a
b-
), para algum > 0, temos que:
T(n) (n
log
a
b
).
2. Se f(n) (n
log
a
b
), temos que:
T(n) (n
log
a
b
.log n).
3. Se f(n) (n
log
a
b +
), para algum > 0 e se a.f(n/b)c.f(n)
para algum c > 0 e n suficientemente grande, temos que:
T(n) (f(n)).
Mtodo Master Exemplo 1
MergeSort:
T(n) = 2.T(n/2) + n
a = b = 2
f(n) = n
log
a
b
= 1. Cai no caso 2.
Logo, T(n) = (n.log n)
MergeSort:
T(n) = 2.T(n/2) + n
a = b = 2
f(n) = n
log
a
b
= 1. Cai no caso 2.
Logo, T(n) = (n.log n)
Mtodo Master Exemplo 2
T(n) = 9.T(n/3) + n
a = 9, b = 3
f(n) = n
log
a
b
= 2. Se = 1, Cai no caso 1.
Logo, T(n) = (n
2
)
T(n) = 9.T(n/3) + n
a = 9, b = 3
f(n) = n
log
a
b
= 2. Se = 1, Cai no caso 1.
Logo, T(n) = (n
2
)

Analise PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analise PDF

Încărcat de

Drepturi de autor:

Formate disponibile

1

Anlise e Tcnicas de Algoritmos 2007.2 Jorge Figueiredo, DSC/UFCG

S-ar putea să vă placă și