Algorytmy i ich poprawność

Transkrypt

1 Algorytmy i ich poprawność Poprawność programów Jeśli uważasz, że jakiś program komputerowy jest bezbłędny, to się mylisz. Po prostu nie zauważyłeś jeszcze skutków błędu, który jest w nim zawarty

2 Błędy językowe np. zamiast for i := 1 to N do X[i] := i ; napisano for i := 1 do N do X[i] := i ; Powstają w wyniku naruszenia składni języka (programowania), którego używamy do zapisania algorytmu. Błędy językowe Możliwe skutki i znaczenie: zatrzymanie kompilacji lub interpretacji z komunikatem lub bez, przerwanie realizacji programu nawet jeśli kompilator błędu nie wykrył, błędy nieprzyjemne, ale zwykle niezbyt poważne - są względnie łatwe do poprawienia.

3 Błędy semantyczne np. sądziliśmy, że po zakończeniu iteracji for i := 1 to N do X[i] := i zmienna i ma wartość N a nie N+1 Wynikają z niezrozumienia semantyki używanego języka programowania. Błędy semantyczne Możliwe skutki i znaczenie: program nie realizuje poprawnie algorytmu, błędy trudne do przewidzenia i potencjalnie groźne, ale są do uniknięcia przy większej wiedzy i starannym sprawdzaniu znaczenia używanych instrukcji.

4 Błędy logiczne np. w algorytmie zliczania zdań, w których występuje słowo algorytm nie zauważyliśmy, że znak. może występować także wewnątrz zdania ( Na rys. 2 pokazano schemat... ), a używaliśmy jej do wyszukiwania końca zdania. Błędy logiczne Możliwe skutki i znaczenie: algorytm przestaje być poprawnym rozwiązaniem zadania algorytmicznego, dla pewnych zestawów danych wejściowych algorytm podaje wyniki niezgodne z oczekiwanymi, procesor może nie być w stanie wykonać pewnych instrukcji (np. Żądamy dzielenia przez 0), błędy bardzo groźne - mogą być trudne do znalezienia i pozostawać długo w ukryciu nawet w trakcie używania programu w postaci kodu.

5 Błędy algorytmiczne wynikają z wadliwie skonstruowanych struktur sterujących np. niewłaściwych zakresów iteracji, niewłaściwych warunków użytych do zatrzymywania iteracji warunkowych przeniesienia sterowania w niewłaściwe miejsce procesu w wyniku zastosowania wyboru warunkowego (lub instrukcji skoku). Błędy algorytmiczne Możliwe skutki i znaczenie: algorytm dla pewnych dopuszczalnych danych wejściowych daje niepoprawny wynik, wykonanie programu realizującego algorytm jest przerywane w trybie awaryjnym, program realizujący algorytm nie kończy w normalnym trybie swego działania.

6 Przykład błędu algorytmicznego Pętla nieskończona: Co to oznacza? Rozmaitość źródeł błędów różnych typów Złożone programy wymagają: testowania na licznych danych (zestawy testowe) uruchamiania (badanie wyników końcowych i pośrednich; DEBUGGING odpluskwianie) Za pomocą debaggingu nie można udowodnić, że nie ma błędów można jedynie je wykrywać Obydwie metody nie dają gwarancji wykrycia i usunięcia wszystkich błędów.

7 Weryfikacja poprawności programu Intuicyjnie poprawność = zgodność z zamierzeniami Specyfikacja wyraża, co program ma robić, i określa związek miedzy jego danymi wejściowymi i wyjściowymi. Weryfikacja opiera się o sprawdzenie specyfikacji Weryfikacja poprawności programu <wp, wk> Warunek wstępny Warunek końcowy

8 Warunek wstępny i końcowy Warunek wstępny - warunek dotyczący danych wejściowych, który musi być spełniony na początku programu. jeżeli dane nie spełniają tego warunku, to nie ma gwarancji że program będzie działał poprawnie ani nawet że się zatrzyma. Warunek końcowy - co oblicza program przy założeniu że się zatrzyma. warunek końcowy jest zawsze prawdziwy jeżeli zachodzi warunek wstępny. Weryfikacja poprawności programu Aby wykazać, że program jest zgodny ze specyfikacją, trzeba podzielić ją na wiele kroków, podobnie jak dzieli się na kroki sam program. Każdy krok programu ma swój warunek wstępny i warunek końcowy.

9 Weryfikacja poprawności programu Problem: instrukcja przypisania x = v, x-zmienna, v-wyrażenie warunek wstępny: x 0 wyrażenie: x = x+1 warunek końcowy: x 1 Dowodzimy poprawności specyfikacji przez podstawienie wyrażenia x+1 pod każde wystąpienie x w warunku końcowym. Otrzymujemy formułę x+1 1, która wynika z warunku wstępnego x 0 Zatem specyfikacja tej instrukcji podstawienia jest poprawna Weryfikacja poprawności programu Istnieją cztery sposoby łączenia prostych kroków w celu otrzymania kroków bardziej złożonych. 1. bloki instrukcji wykonywane sekwencyjnie 2. instrukcje wyboru 3. instrukcje powtarzania (pętli) 4. wywołania funkcji Każdej z tych metod budowania kodu odpowiada metoda przekształcania warunku wstępnego i końcowego w celu wykazania poprawności specyfikacji kroku złożonego

10 Weryfikacja poprawności programu Aby wykazać prawdziwość specyfikacji instrukcji wyboru, należy dowieść, że warunek końcowy wynika z warunku wstępnego i warunku testu w każdym z przypadków instrukcji wyboru. Funkcje też mają swoje warunki wstępne i warunki końcowe; musimy sprawdzić że warunek wstępny funkcji wynika z warunku wstępnego kroku wywołania, a warunek końcowy pociąga za sobą warunek końcowy kroku wywołania. Wykazanie poprawności programowania dla pętli wymaga użycia niezmiennika pętli. Niezmienniki pętli Niezmiennik pętli określa warunki jakie muszą być zawsze spełnione przez zmienne w pętli, a także przez wartości wczytane lub wypisane (jeżeli takie operacje zawiera). Warunki te muszą być prawdziwe przed pierwszym wykonaniem pętli oraz po każdym jej obrocie. (mogą stać się chwilowo fałszywe w trakcie wykonywania wnętrza pętli, ale musza ponownie stać się prawdziwe przy końcu każdej iteracji)

11 Niezmienniki pętli przykład W praktyce niezmiennik pętli traktowany jest jako założenie indukcyjne, na podstawie którego wykazuje się prawdziwość kroku indukcyjnego. int a=5, b=0; for (int i=0; i<9; i++) } { b++; Zdanie a jest równe 5 jest trywialnym niezmiennikiem pętli. Niezmienniki pętli przykład int NWD(int a, int b) { int c; while (b!=0) { c = a%b; a = b; b = c; } return a; } Niezmiennikiem pętli, pozwalającym dowieść poprawność algorytmu NWD jest zdanie: NWD(a,b)=NWD(b,a mod b).

12 Dowodzenie niezmienników pętli Stwierdzenie jest prawdziwe przed pierwszym wykonaniem pętli, ale po dokonaniu całej inicjacji; wynika ono z warunku wstępnego pętli. Jeśli założymy, że stwierdzenie jest prawdziwe przed jakimś przebiegiem pętli i że pętla zostanie wykonana ponownie, a więc warunek pętli jest spełniony, to stwierdzenie będzie nadal prawdziwe po kolejnym wykonaniu wnętrza pętli. Dowodzenie niezmienników pętli Proste pętle maja zazwyczaj proste niezmienniki. Pętle dzielimy na trzy kategorie pętla z wartownikiem: czyta i przetwarza dane aż do momentu napotkania niedozwolonego elementu pętla z licznikiem: zawczasu wiadomo ile razy pętla będzie wykonana pętle ogólne: wszystkie inne

13 Problem STOP-u Aby udowodnić że program się zatrzyma, musimy wykazać, że zakończą działanie wszystkie pętle programu i wszystkie wywołania funkcji rekurencyjnych. Dla pętli z wartownikiem wymaga to umieszczenia w warunku wstępnym informacji, że dane wejściowe zawierają wartownika. Dla pętli z licznikiem wymaga to dodefiniowania granicy dolnej (górnej) tego licznika. Poprawność programów uwagi końcowe Istnieje wiele innych elementów, które muszą być brane pod uwagę przy dowodzeniu poprawności programu: możliwość przepełnienia wartości całkowitoliczbowych możliwość przepełnienia lub niedomiar dla liczb zmiennopozycyjnych możliwość przekroczenia zakresów tablic prawidłowość otwierania i zamykania plików

14 Niepoprawność algorytmu Wykonanie algorytmu rozwiązania zadania dla pewnego zestawu danych zakończy się prawidłowo, ale wyniki są niepoprawne np. źle sformułowany warunek, powinna być silna nierówność, a jest słaba Działanie algorytmu dla pewnego zestawu danych zostanie przerwane; np. dzielenie przez zero, obliczenie pierwiastka kwadratowego z liczby ujemnej Algorytm dla pewnego zestawu danych działa w nieskończoność (pętle nieskończone); np. przy przeglądaniu listy wskaźnikowej, wskaźnik nie jest przesuwany do następnego elementu listy Weryfikacja poprawności algorytmu Dowód poprawności algorytmu zawsze składa się z dwóch części: dowód, że jeśli algorytm się zakończy, to da poprawny wynik, dowód, że przy poprawnych danych wejściowych algorytm zawsze się zakończy.

15 Algorytmy poprawne częściowo i całkowicie Poprawność częściowa algorytmu Algorytm Alg działający w strukturze danych S jest częściowo poprawny ze względu na specyfikację <wp, wk>, wtedy i tylko wtedy, gdy dla wszystkich danych spełniających warunek początkowy wp, jeżeli algorytm zatrzyma się, to uzyskane wyniki spełniają warunek końcowy wk.

16 Poprawność całkowita algorytmu Powiemy, że algorytm Alg działający w strukturze danych S jest całkowicie poprawny ze względu na specyfikację <wp,wk>, wtedy i tylko wtedy, gdy dla wszystkich danych w strukturze S spełniających warunek początkowy wp, algorytm zatrzymuje się i daje wyniki spełniające warunek końcowy wk. Niezmienniki pętli Niezmiennikiem pętli nazywać będziemy własność (formułę), która jeśli jest prawdziwa na początku wykonania pętli, to jest również prawdziwa po wykonaniu treści pętli.

17 Metoda niezmienników i zbieżników Częściowej poprawności algorytmu można dowodzić poprzez: wybranie punktów kontrolnych związanie z każdym punktem asercji (funkcji logicznej reprezentującej przypuszczenie) ustalenie niezmienników w obrębie iteracji dowiedzenie, że z prawdziwości jednej asercji wynika prawdziwość następnej, że niezmiennik pozostaje prawdziwy w kolejnych iteracjach i pociąga za sobą prawdziwość ostatniej asercji. Metoda niezmienników i zbieżników Całkowitej poprawności algorytmu można dowodzić poprzez: dodatkowe ustalenie zbieżnika (wielkości zależnej od zmiennych i danych, która jest zbieżna) dowiedzenie, że poskończonej liczbie iteracji algorytm się zatrzyma w ostatnim punkcie kontrolnym.

18 Przykład zastosowania metody niezmienników i zbieżników Algorytm odwracający dowolny napis (procedura odwrócone): odwrócone( alama2koty ) = ytok2amala pomocnicze funkcje: głowa( alama2koty ) = a ogon( alama2koty ) = lama2koty operator konkatenacji (złożenia napisów): alama & 2koty = alama2koty dla dowolnego napisu T zachodzi: głowa(t) & ogon(t) = T Przykład zastosowania metody

19 Przykład zastosowania metody Aby wykazać częściową poprawność algorytmu należy udowodnić: Jeśli asercja 1 jest prawdziwa, to 2 też jest prawdziwa (przed rozpoczęciem iteracji) Jeśli w pewnym kroku iteracji asercja 2 jest prawdziwa, to w następnym kroku też jest ona prawdziwa (warunek z asercji 2 jest niezmiennikiem iteracji) Jeśli w ostatnim kroku iteracji asercja 2 jest prawdziwa, to 3 jest też prawdziwa Przykład zastosowania metody Ad 1.: oczywiście zachodzi równość odwrócone( ) & T = T Ad 2.: trzeba sprawdzić czy odwrócone(y) & X = odwrócone(głowa(x) & Y) & ogon(x) dla każdego Y i X Ad 3.: zachodzi równość odwrócone(odwrócone(y) & ) = Y

20 Przykład zastosowania metody Aby wykazać całkowitą poprawność algorytmu należy jeszcze dodatkowo udowodnić, że dla każdego napisu T punkt kontrolny 2 jest przechodzony tylko skończoną liczbę razy tzn. 3 punkt kontrolny jest zawsze osiągany. Długość napisu X jest zbieżnikiem, który może być w tym celu wykorzystany - w każdej iteracji długość X maleje o jeden znak i nie może stać się mniejsza od 0! Co z rekurencją? Metoda niezmienników i zbieżników może być zastosowana także dla dowodzenia poprawności algorytmów rekurencyjnych Łatwiej jest skorzystać z tej metody po usunięciu rekurencji i zastąpieniu jej iteracją.

21 Przykład wieże Hanoi Danych jest n krążków, umieszczonych w porządku rosnących średnic, na drążku A. Zadanie polega na przeniesieniu wszystkich krążków na drążek B z wykorzystaniem pomocniczego drążka C (oba drążki B i C są początkowo puste), ale mniejszy krążek musi zawsze leżeć na większym. Przykład wieże Hanoi A B C

22 Wieże Hanoi rekurencyjnie procedura przenieś N z X na Y używając Z; (1) jeśli N = 1, to wypisz X Y ; (2) w przeciwnym razie (tj. jeśli N > 1) wykonaj co następuje: (2.1) wywołaj przenieś N - 1 z X na Z używając Y; (2.2) wypisz X Y ; (2.3) wywołaj przenieś N -1 z Z na Y używając X; (3) wróć do poziomu wywołania Wieże Hanoi iteracyjnie Algorytm iteracyjny równoważny algorytmowi rekurencyjnemu! Ustaw trzy kołki w kółko. 1. powtarzaj co następuje, aż do uzyskania po kroku 1.1 rozwiązania problemu: 1.1. przenieś najmniejszy z dostępnych krążków z kołka, na którym się znajduje, na kołek następny w kierunku ruchu wskazówek zegara, 1.2. wykonaj jedyne możliwe przeniesienie nie zmieniające położenia najmniejszego krążka, który został przeniesiony w kroku 1.1.

23 Złożoność obliczeniowa Algorytm - definicja raz jeszcze Algorytm jest dokładnie określonym układem skończonej liczby elementarnych instrukcji wraz z porządkiem ich wykonywania. Każda instrukcja ma precyzyjnie określoną interpretację za pomocą podstawowych operacji arytmetycznych i logicznych, a jej wykonanie jest skończone i ma jednoznacznie określony efekt końcowy. Jako elementy komunikacji ze światem w algorytmie można wyróżnić: dane, na których są wykonywane obliczenia i wyniki, które są oczekiwanym rezultatem działań

24 Cechy dobrego algorytmu Każdy dobry algorytm powinien posiadać cechy: następujące mieć określone operacje podstawowe, każdy krok jednoznacznie i precyzyjnie zdefiniowany, każdy możliwy przypadek przewidziany, może korzystać z danych wejściowych, prowadzi do jednej lub więcej danych wyjściowych, wykorzystuje możliwie jak najmniej pamięci, wykonuje się w możliwie jak najkrótszym czasie. Złożoność obliczeniowa Ten sam problem można rozwiązać różnymi metodami. Problemy mogą więc posiadać kilka alternatywnych algorytmów rozwiązujących je. Przy porównywaniu algorytmów zwykle bierze się pod uwagę ich efektywność (szybkość działania) i zapotrzebowanie na zasoby pamięciowe systemu W celu porównywania algorytmów pod względem ich prędkości działania, wprowadzono pojęcie złożoności obliczeniowej.

25 Złożoność obliczeniowa Złożoność obliczeniowa (ang. computational complexity) miara służąca do określania ilości zasobów komputerowych potrzebnych do rozwiązania problemów obliczeniowych. Złożoność obliczeniowa algorytmu charakteryzuje jak szybko rośnie liczba operacji (elementarnych kroków algorytmu) niezbędnych do znalezienia rozwiązania, gdy wzrasta ilość przetwarzanych danych. Złożoność obliczeniowa - cele Cele, dla których wyznaczamy złożoność obliczeniową algorytmów są następujące: można wybrać z grupy algorytmów rozwiązujących ten sam problem, algorytm o najlepszej (najmniejszej) złożoności. można zbadać jak zmieni się złożoność, gdy zwiększymy rozmiar danych wejściowych (wpływ wzrost rozmiaru danych wejściowych na czas wykonywania się algorytmu).

26 Koszt algorytmu Mamy dwa kryteria (miary kosztu) efektywności: liczba zmiennych ilość miejsca potrzebna dla danych liczba instrukcji liczba operacji arytmetycznych liczba wywołań procedury Złożoność obliczeniowa - rodzaje Złożoność pamięciowa Wynika z liczby i rozmiaru struktur danych wykorzystywanych w algorytmie Złożoność czasowa Wynika z liczby operacji elementarnych wykonywanych w trakcie przebiegu algorytmu

27 Pamięciowa złożoność obliczeniowa Pamięciowa złożoność obliczeniowa informuje nas o ilości pamięci komputera wyrażanej w liczbie bajtów lub liczbie zmiennych typów elementarnych wymaganej przez dany algorytm dla n przetwarzanych danych. Liczba bajtów zależy od liczby zmiennych typów elementarnych użytego języka programowania i reprezentacji zmiennych w pamięci maszyny. Czasowa złożoność obliczeniowa Czasowa złożoność obliczeniowa - zależność pomiędzy liczbą operacji elementarnych wykonywanych w trakcie przebiegu algorytmu a rozmiarem danych wejściowych (podawana jako funkcja rozmiaru tych danych)

28 Czasowa złożoność obliczeniowa wielkość złożoności czasowej musi być niezależna od typu maszyny, na której uruchamiamy program za jednostkę czasowej złożoności obliczeniowej przyjęto wykonanie tzw. operacji dominującej (podstawowej), czyli takiej, wokół której koncentruje się przetwarzanie danych w algorytmie. Ilość wykonań operacji dominujących jest proporcjonalna do czasu wykonania algorytmu. Czasowa złożoność obliczeniowa Złożoność czasowa podawana jest jako funkcja rozmiaru danych, której wartości podają liczbę operacji, np. W algorytmie sortowania bąbelkowego dla listy o długości N: F(N) = liczba porównań par sąsiednich elementów W algorytmie rozwiązania wież Hanoi dla N krążków: F(N) = liczba przeniesień pojedynczego krążka z kołka na kołek

29 Złożoność obliczeniowa przykład Szukamy elementu x na liście o długości N. Dane wejściowe to lista i element do wyszukania. Algorytm 1 1. weź pierwszy element listy ; 2. wykonuj: 2.1. sprawdź czy bieżący element jest tym szukanym ; 2.2. sprawdź czy osiągnąłeś koniec listy ; 2.3. weź następny element z listy aż znajdziesz lub przejrzysz całą listę Jeśli operacją elementarną jest sprawdź, to F(N)=2N Złożoność obliczeniowa przykład Szukamy elementu x na liście o długości N. Dane wejściowe to lista i element do wyszukania. Algorytm 2 1. dopisz szukany element na końcu listy ; 2. weź pierwszy element listy ; 3. wykonuj: 3.1. sprawdź czy bieżący element jest tym szukanym ; 3.2. weź następny element z listy aż znajdziesz ; 4. sprawdź czy jesteś na końcu listy Jeśli operacją elementarną jest sprawdź, to F(N)=N+1

30 Co to znaczy w praktyce? jest mitem stwierdzenie, że komputery są tak szybkie, że czas nie stanowi problemu (rozkład na czynniki pierwsze dużych liczb cyfr wymaga milionów lat) potrzebne jest rozwiązywanie coraz większych problemów: komputerowe systemy wspomagania decyzji komputerowe symulacje i prognozy muszą funkcjonować systemy komputerowe czasu rzeczywistego automatyczne sterowanie w złożonych układach Złożoność czasowa decyduje o tym czy dany algorytm jest przydatny. Złożoność pesymistyczna i oczekiwana Rozróżniamy dwa rodzaje czasowej i pamięciowej złożoności obliczeniowej: Pesymistyczna złożoność obliczeniowa W(n) Oczekiwana złożoność obliczeniowa A(n)

31 Złożoność pesymistyczna i oczekiwana Pesymistyczna złożoność obliczeniowa W(n) dotyczy najgorszego przypadku zestawu danych, zatem określa ona największą ilość operacji dominujących (lub komórek pamięci), która może być wymagana dla najgorszego przypadku n danych wejściowych. Oczekiwana złożoność obliczeniowa A(n) dotyczy typowego zestawu danych i określa statystycznie średnią ilość operacji dominujących (komórek pamięci), które należy wykonać dla typowego zestawu danych, aby rozwiązać problem. Złożoność pesymistyczna i oczekiwana Koszt algorytmu Alg dla danych d: t(alg,d) Niech D n będzie zbiorem danych rozmiaru n dla pewnego problemu P oraz Alg algorytmem rozwiązującym problem P. Pesymistyczna złożoność obliczeniowa: W(Alg,n) = sup {t(alg,d) : d D n } Oczekiwana złożoność obliczeniowa: A(Alg,n) = Σ{ p(d) * t(alg,d) : d D n }, gdzie p(d) prawdopodobieństwo wystąpienia danych d.

32 Przykład obliczenia złożoności pesymistycznej i oczekiwanej Rozważmy wyszukiwanie elementu w n elementowym, nieuporządkowanym zbiorze danych. Operacja dominująca sprawdzanie, czy i-ty element zbioru jest elementem poszukiwanym, i = 1,2,3,...,n. Przykład - złożoność pesymistyczna W przypadku najgorszym poszukiwany element jest ostatnim, zatem znaleziony będzie po sprawdzeniu wszystkich elementów tego zbioru. Również stwierdzenie, iż elementu w zbiorze nie ma, wymaga przeglądnięcia wszystkich elementów. Stąd: W(n) = n Za końcową złożoność obliczeniową danego algorytmu przyjmuje się najczęściej jego złożoność pesymistyczną.

33 Przykład - złożoność oczekiwana Jeśli prawdopodobieństwo wystąpienia poszukiwanego elementu na każdej pozycji w zbiorze jest takie samo, to dla każdego elementu wynosi ono: 1 pi =, dla i = 1, 2,..., n n Oczekiwana złożoność obliczeniowa jest równa wartości oczekiwanej zmiennej losowej rozkładu prawdopodobieństwa p i, zatem: n n 1 1 nn ( + 1) n+ 1 A( n) = ipi = i = = n n 2 2 i= 1 i= 1 Porównywanie czasów działania algorytmów Chcemy porównać dwa algorytmy wykonujące to samo zadanie za pomocą jednej pętli ograniczonej, w której liczba iteracji N jest proporcjonalna do rozmiaru danych wejściowych. Złożoności czasowe tych algorytmów wynoszą: F 1 (N) = K 1 + L 1 * N F 2 (N) = K 2 + L 2 * N

34 Porównywanie czasów działania algorytmów Do porównania algorytmów można wykorzystać iloraz: sn ( ) = F1 ( N) F ( N) 2 s(n) = 1 oznacza jednakową szybkość działania s(n) < 1 oznacza, że algorytm pierwszy jest szybszy Porównywanie czasów działania algorytmów Kiedy zachodzi s(n)=1? s(n) = 1 wtedy i tylko wtedy, gdy K 1 = K 2 i L 1 = L 2 Wniosek: w takim przypadku oba algorytmy są identyczne. Który algorytm jest lepszy gdy zachodzą następujące nierówności? : 1 dla N N0 sn ( ) = < 1 dla N > N0

35 Porównywanie czasów działania algorytmów Przyjmuje się, że w celu porównania algorytmów bada się wartość ilorazu s(n) dla bardzo dużych wartości N, czyli dla N Porównywanie czasów działania algorytmów O wyniku porównania czasów działania dwóch algorytmów decyduje wartość: L lim sn ( ) = N L Jest to tzw. analiza asymptotyczna 1 2

36 Porównywanie czasów działania algorytmów Asymptotyczna złożoność algorytmu określenie rzędu wielkości czasu działania algorytmu, tzn. określenie szybkości wzrostu czasu działania algorytmu, gdy rozmiar danych dąży do nieskończoności. Rząd wielkości funkcji : opisuje czas działania algorytmu charakteryzuje efektywność algorytmu za jego pomocą można porównać różne algorytmy Porównywanie czasów działania algorytmów Dwa algorytmy o czasach wykonania F 1 (N) i F 2 (N) mają złożoność tego samego rzędu, jeśli: F1 ( N) lim = C, gdzie 0 < C < N F ( N) 2 Algorytm o czasie wykonania F 1 (N) ma nie wyższy rząd złożoności od algorytmu o czasie wykonania F 2 (N), jeśli: F1 ( N) lim = C < N F ( N ) 2

37 Porównanie rzędów złożoności Dopiero zmniejszenie rzędu złożoności obliczeniowej algorytmu jest istotnym ulepszeniem rozwiązania problemu algorytmicznego! Dlaczego analiza asymptotyczna? Złożoność asymptotyczna = przybliżona miara efektywności Z reguły dane nie są uporządkowane i ocena złożoności algorytmu jest rzeczą niełatwą ale bardzo istotna. Często wystarczają przybliżone, asymptotyczne oszacowania ciągów lub ogólniej funkcji. Opisują one zachowanie funkcji wraz ze wzrostem argumentu. Podczas przekształceń rachunkowych celowo ograniczana jest wiedza o funkcji, dzięki czemu łatwiej jest rachować i otrzymać zadowalającą postać przybliżającą.

38 Złożoność asymptotyczna W oszacowaniach asymptotycznych posługujemy się ogólnie przyjętymi symbolami opisującymi asymptotyczne zachowanie jednej funkcji wobec drugiej. Staramy się wyznaczy złożoność w przypadku optymistycznym, przypadku pesymistycznym oraz przypadku średnim. Często posługujemy się przybliżeniami opartymi o notacje: Notacja O Notacja Ω (Omega) Notacja Θ (Teta) Notacja O * Niech R = R + {0}, oraz niech będą dane funkcje f oraz g: * * f (), x g(): x R R Definicja: Mówimy, że funkcja f(x) jest rzędu O(g(x), jeśli istnieje taka stała c>0 * oraz x0 R, że dla każdego x x 0 zachodzi: f () x cg() x (f nie rośnie szybciej niż g).

39 Notacja O Notacja O używana jest w analizie górnej granicy asymptotycznej. Służy do szacowania czasu działania algorytmu w przypadku pesymistycznym Po raz pierwszy tego symbolu użył niemiecki teorioliczbowiec Paul Bachmann w Prace Edmunda Landau'a spopularyzowały tę notację, stąd czasami jest nazywany symbolem Landau'a. Notacja O Określenia "złożoność co najwyżej O(g(n))" i "złożoność O(g(n))" są matematycznie równoważne. Stwierdzenie, ze algorytm sortowania ma złożoność O(n 2 ) oznacza, ze jeśli zastosujemy go do 2-krotnie dłuższego ciągu danych, czas jego działania wzrośnie mniej więcej 4-krotnie, gdy zaś sortowany ciąg danych wydłuży się 10-krotnie, na uzyskanie wyniku trzeba poczekać około 100 razy dłużej.

40 Notacja O - przykład Załóżmy, iż oczekiwana złożoność obliczeniowa pewnego algorytmu jest następująca: A(n) = n 2 + 3n. Gdy n, czynnik 3n stanie się coraz mniej znaczący w stosunku do czynnika n 2. Stąd wnioskujemy, iż jest to algorytm o złożoności O(n 2 ). Aby to udowodnić, musimy znaleźć stałą c oraz n o, dla których zachodzi: n 2 + 3n cn 2 dla n n o Wystarczy przyjąć c = 4 i n o = 1: n 2 + 3n 4n 2 dla n 1, co dowodzi, iż podany algorytm ma rzeczywiście rząd złożoności obliczeniowej równy O(n 2 ). Własności notacji O Własność 1 (przechodniość) Jeśli f(n) jest O(g(n)) i g(n) jest O(h(n)), to f(n) jest O(h(n)) Własność 2 Jeśli f(n) jest O(h(n)) i g(n) jest O(h(n)), to f(n)+g(n) jest O(h(n)) Własność 3 Funkcja an k jest O(n k ) Własność 4 Funkcja n k jest O(n k+j ) dla dowolnego dodatniego j Wniosek: dowolny wielomian jest O( ) dla n podniesionego do najwyższej w nim potęgi, czyli f(n) = a k n k + a k-1 n k a 1n +a 0 jest O(n k )

41 Własności notacji O( ) Własność 5 Jeśli f(n)=c g(n), to f(n) jest O(g(n)) Własność 6 Funkcja log a n jest O(log b n) dla dowolnych a i b większych niż 1 Własność 7 log a njest O(log 2 n) dla dowolnego dodatniego a * Niech R = R + {0}, oraz niech będą dane funkcje f oraz g: * * f (), x g(): x R R Definicja: Mówimy, że funkcja f(x) jest rzędu Ω(g(x)),, jeśli istnieje taka stała * c>0 oraz x0 R, że dla każdego x x 0 zachodzi: gx () cf() x (f nie rośnie wolniej niż g). Notacja Ω

42 * Niech R = R + {0}, oraz niech będą dane funkcje f oraz g: * * f (), x g(): x R R Definicja: Mówimy, że funkcja f(x) jest rzędu Θ (g(x)),, jeśli istnieją takie stałe * c 1,c 2 >0 oraz x0 R, że dla każdego x x 0 zachodzi: cg() x f() x cg() x 1 2 (f rośnie tak samo jak g). Notacja Θ Uwagi Notacja Ω jest asymptotyczną granicę dolną oszacowuje czas działania algorytmu dla najlepszego przypadku Notacja Θ jest asymptotycznie dokładnym oszacowaniem ogranicza funkcję od góry i od dołu. 1. Równoważność f(n) jest Ω(g(n)) wtedy i tylko wtedy, gdy g(n) jest O(f(n)) 2. Można powiedzieć, że f(n) = Θ(g(n)), gdy f(n) jest jednocześnie rzędu Ο(g(n)) i Ω(g(n)).

43 Złożoność czasowa algorytmów Najczęściej algorytmy mają złożoność czasową proporcjonalną do pewnych funkcji: 1 stałe log n n n log n n 2 n 3 logarytmiczne liniowe liniowo-logarytmiczne 2 n wykładnicza wielomianowe (małe wykładniki) wielomianowe (małe wykładniki) n! ponadwykładnicza n n wielomianowa (duże wykładniki) Rodzaje złożoności Złożoność czasowa stała - O(1) Algorytm wykonuje stałą ilość operacji dominujących bez względu na rozmiar danych wejściowych. W takim algorytmie czas wykonania jest stały i nie zmienia się przy zmianie liczby przetwarzanych elementów. Złożoność czasowa liniowa - O(n) Dla każdej danej algorytm wykonuje stałą ilość operacji dominujących. Czas wykonania jest proporcjonalny do liczby n danych wejściowych. Czas wykonania rośnie liniowo ze wzrostem liczby elementów.

44 Rodzaje złożoności Złożoność czasowa kwadratowa - O(n 2 ) Algorytm dla każdej danej wykonuje ilość operacji dominujących proporcjonalną do liczby wszystkich przetwarzanych danych. Czas wykonania jest proporcjonalny do kwadratu liczby danych n. Inne złożoności tego typu O(n 3 ), O(n 4 )... noszą nazwę wielomianowych złożoności obliczeniowych. Złożoność czasowa logarytmiczna - O(log n) W algorytmie zadanie rozmiaru n da się sprowadzić do zadania rozmiaru n/2. Typowym przykładem jest wyszukiwanie binarne w zbiorze uporządkowanym. Sprawdzenie środkowego elementu pozwala określić, w której z dwóch połówek zbioru może znajdować się poszukiwany element. Pojecie logarytmu - przypomnienie log a x = y wtedy i tylko wtedy, gdy a y = x W określeniu rodzajów złożoności obliczeniowej nie podajemy podstawy logarytmu, ponieważ logarytmy o różnych podstawach z tej samej wartości różnią się od siebie jedynie iloczynem przez stałą: Niech log a x = y oraz log b x= cy Wtedy a y = x, oraz b cy = x Stąd a y = b cy (a) y = (b c ) y Zatem a = b c oraz log b x= c log a x Ponieważ podstawy a i b są stałe, to i c musi być stałe. Z kolei z definicji notacji O wynika, iż klasa złożoności dwóch funkcji różniących się jedynie iloczynem przez stałą jest taka sama.

45 Rodzaje złożoności Złożoność czasowa liniowo logarytmiczna - O(n log n) Zadanie rozmiaru n daje się sprowadzić do dwóch podzadań rozmiaru n/2 plus pewna ilość operacji, których liczba jest proporcjonalna do ilości danych n. Tego typu złożoność obliczeniową posiadają dobre algorytmy sortujące. Złożoność czasowa wykładnicza - O(2 n ), O(n!) Złożoność obliczeniową O(2 n ) posiada algorytm, w którym wykonywana jest stała liczba operacji dla każdego podzbioru n danych wejściowych. Złożoność obliczeniową O(n!) posiada algorytm, w którym wykonywana jest stała liczba operacji dla każdej permutacji n danych wejściowych. Algorytm o złożoności O(2 n ) Złożoność obliczeniowa wykładnicza jest bardzo niekorzystna, ponieważ czas wykonania rośnie szybko wraz ze wzrostem liczby danych wejściowych. Algorytm o takiej złożoności obliczeniowej uważa się za wewnętrznie nierealizowalny i należy go unikać.

46 Algorytm o złożoności O(2 n ) Porównanie 1 - komputer wykonujący milion operacji dominujących w ciągu sekundy 2 - superkomputer wykonujący 1000 miliardów operacji dominujących w ciągu sekundy. Rozmiar danych n Czas wykonania dla komputera 1 1,05 sekund 35,7 lat mld lat 5 x mld lat Czas wykonania dla superkomputera sekund 1126 sekund 40,17 mld lat 5 x mld lat Porównanie szybkości wzrostu funkcji f(n) = 2 n f(n) =0.25 n 2 f(n)=n f(n)= log n

47 Porównanie złożoności Rodzaj złożoności czasowej O(1) O(log n) O(n) O(n log n) O(n 2 ) O(n 3 ) O(2 n ), O(n!) Nazwa rodzaju złożoności obliczeniowej stała logarytmiczna liniowa liniowo-logarytmiczna kwadratowa sześcienna wykładnicza Cechy algorytmu działa prawie natychmiast niesamowicie szybki szybki dosyć szybki wolny dla dużych n wolny dla większych n nierealizowalny dla większych n Przykłady

48 Znajdowanie złożoności asymptotycznej Przykład 1: Prosta pętla for (i=sum=0; i<n; i++) sum+=a[i]; Powyższa pętla powtarza się n razy, podczas każdego jej przebiegu realizuje dwa przypisania: aktualizujące zmienną sum zmianę wartości zmiennej i Mamy zatem 2n przypisań podczas całego wykonania pętli. Asymptotyczna złożoność wynosi O(n) Znajdowanie złożoności asymptotycznej Przykład 2: Pętla zagnieżdżona for (i=0; i<n; i++) { for (j=1, sum=a[0]; j<=i; j++) sum+=a[j]; } zmiennej i nadawana jest wartość początkowa. Pętla zewnętrzna powtarza się n razy, a w każdej jej iteracji wykonuje się wewnętrzna pętla oraz instrukcja przypisania wartości zmiennym i, j, sum. Pętla wewnętrzna wykonuje się i razy dla każdego i {1,...,n-1}, a na każdą iteracje przypadają dwa przypisania: jedno dla sum, jedno dla j. Przypisania wykonywane w całym programie: 1+3n+2( n-1) = 1+3n+n(n-1) = O(n)+O(n 2 ) = O(n 2 ) Asymptotyczna złożoność wynosi O(n 2 ).

49 Znajdowanie złożoności asymptotycznej Wyznaczenie złożoności asymptotycznej jest trudniejsze jeżeli liczba iteracji nie jest zawsze jednakowa. Przykład 3 Znajdź najdłuższą podtablice zawierającą liczby uporządkowane rosnąco. for (i=0; len=1; i<n-1; i++) { for (i1=i2=k=i; k<n-1 && a[k]<a[k+1]; k++,i2++); if(len < i2-i1+1) len=i2-i1+1; } Jeśli liczby w tablicy są uporządkowane malejąco, to pętla zewnętrzna wykonuje się n-1 razy, a w każdym jej przebiegu pętla wewnętrzna wykona się tylko raz. Złożoność algorytmu jest więc O(n). Znajdowanie złożoności asymptotycznej Przykład 3 Znajdź najdłuższą podtablice zawierającą liczby uporządkowane rosnąco. for (i=0; len=1; i<n-1; i++) { for (i1=i2=k=i; k<n-1 && a[k]<a[k+1]; k++,i2++); if(len < i2-i1+1) len=i2-i1+1; } Jeśli liczby w tablicy są uporządkowane rosnąco, to pętla zewnętrzna wykonuje się n-1 razy, a w każdym jej przebiegu pętla wewnętrzna wykona się i razy dla i {1,...,n-1}. Złożoność algorytmu jest więc O(n 2 ).

50 Wyszukiwanie elementu maksymalnego Lista kroków: krok 1: w max d[1]; p max 1 krok 2: Dla i = 2,3,...,n: jeśli w max < d[i], to w max d[i]; p max i krok 3: Zakończ algorytm Jeśli za operacje dominujące przyjmiemy ilość wykonanych porównań elementów zbioru, to złożoność obliczeniowa algorytmu wyszukiwania elementu maksymalnego jest równa T(n) = n 1. Algorytm posiada liniową klasę czasowej złożoności obliczeniowej O(n). Wyszukiwanie najczęstszego elementu Lista kroków: krok 1: w n d[1]; p n 1; l n 1 krok 2: Dla i = 1,2,...,n: wykonuj kroki krok 3: licznik 0 krok 4: Dla j = 1,2,...,n: jeśli d[i] = d[j], to licznik licznik + 1 krok 5: Jeśli licznik > l n, to w n d[i]; p n i; l n licznik krok 6: Zakończ algorytm Wybór n elementów wymaga n operacji. Po każdym wyborze musimy wykonać n porównań wybranego elementu z elementami zbioru w celu zliczenia ilości jego wystąpień. Daje to wynik: T(n) = n 2 Algorytm posiada klasę złożoności obliczeniowej O(n 2 ).

51 Ulepszenia rzędu wielkości Modyfikacja programu przez przeniesienie instrukcji ze środka na zewnątrz pętli. max = maksimum(t); //zwraca największą wartość w tablicy t for(i=0; i<100; i++) t[i] = t[i]* 100/max; po ulepszeniu: max = maksimum(t); //zwraca największą wartość w tablicy t wspol = 100/max; for(i=0; i<100; i++) t[i] = t[i] * wspol; Ulepszenia rzędu wielkości Wyszukanie w liście liniowej L elementu o wartości x. Prosty algorytm zawiera warunek postaci: 1. czy znaleziono w L wartość x i 2. czy został osiągnięty koniec listy L? po ulepszeniu: Na koniec listy dodawany jest element o wartości x. Wyszukiwanie sprowadza się tylko do sprawdzania warunku 1.

52 Ulepszenia rzędu wielkości Wyszukiwanie binarne dla problemu wyszukiwania elementu w posortowanej liście L o długości N. Ulepszenia rzędu wielkości Policzenie porównań Każde porównanie skraca długość listy wejściowej o połowę Proces ten kończy się, gdy lista jest pusta lub znaleziony zostanie poszukiwany element Pesymistyczna liczba porównań ilość możliwych operacji dzielenia wielkości N przez 2, zanim osiągnie 0, czyli log 2 N.

53 Czy można skonstruować jeszcze lepszy algorytm? Każdy poprawny algorytm znajdujący rozwiązanie danego problemu ustanawia dla niego górne ograniczenie złożoności. Możliwości dalszej poprawy rzędu złożoności algorytmu będącego rozwiązaniem problemu wyznacza dolne ograniczenie! Nie przejmuj się efektywnością algorytmu wystarczy poczekać kilka lat Taki pogląd funkcjonuje w środowisku programistów - nie określono przecież granicy rozwoju mocy obliczeniowych komputerów. Mitem jest stwierdzenie, że komputery są tak szybkie, że czas nie stanowi problemu (rozkład na czynniki pierwsze dużych liczb cyfr wymaga milionów lat) Należy zdecydowanie przeciwstawiać się przekonaniu o tym, że ulepszenia sprzętowe uczynią pracę nad efektywnymi algorytmami zbyteczną.

54 Nie przejmuj się efektywnością algorytmu wystarczy poczekać kilka lat Istnieją problemy których rozwiązanie za pomocą zasobów komputerowych jest teoretycznie możliwe, ale praktycznie przekracza możliwości istniejących technologii. Przykładem takiego problemu jest rozumienie języka naturalnego, przetwarzanie obrazów (do pewnego stopnia oczywiście) czy inteligentna komunikacja pomiędzy komputerami a ludźmi na rozmaitych poziomach. Nie przejmuj się efektywnością algorytmu wystarczy poczekać kilka lat Kiedy pewne problemy stają się proste Nowa grupa wyzwań, które na razie można sobie tylko próbować wyobrażać, wytyczy nowe granice możliwości wykorzystania komputerów.

55 Literatura Cormen T.H., Leiserson Ch.E., Rivest R.L., Stein C.: Wprowadzenie do algorytmow. WNT, Warszawa, 2005 Wroblewski P.: Algorytmy, struktury danych i techniki programowania, Wydanie III, Helion, Gliwice, 2003 N. Wirth: Algorytmy + struktury danych = programy. WNT, Warszawa,