Wprowadzenie do złożoności obliczeniowej
|
|
- Ignacy Wilczyński
- 5 lat temu
- Przeglądów:
Transkrypt
1 Institute of Informatics Wrocław University of Technology Poland wersja 0.9
2 Obliczalność f : N R { sin(1/n) gdy n jest liczba pierwsza f (n) = cos(1/n) w przeciwnym przypadku
3 Obliczalność f : N R { sin(1/n) gdy n jest liczba pierwsza f (n) = cos(1/n) w przeciwnym przypadku g : N {0, 1} 1 gdy w rozwinięciu dziesiętnym liczby π g(n) = występuje n sasiaduj acych cyfr 1 0 w przeciwnym przypadku
4 Obliczalność f : N R { sin(1/n) gdy n jest liczba pierwsza f (n) = cos(1/n) w przeciwnym przypadku g : N {0, 1} 1 gdy w rozwinięciu dziesiętnym liczby π g(n) = występuje n sasiaduj acych cyfr 1 0 w przeciwnym przypadku h : N {0, 1} 1 gdy n jest nieparzyste i n = k A k h(n) = gdzie: A = {k < n : k n} 0 w przeciwnym przypadku
5 Obliczalność t : R R n2 + {0, 1} t(x, (d 11, d 12,..., d nn )) = { 1 π n i=1 d π(i),π(i+1) < x 0 w przeciwnym przypadku
6 Obliczalność t : R R n2 + {0, 1} t(x, (d 11, d 12,..., d nn )) = F : N Z N N N {0, 1} { 1 π n i=1 d π(i),π(i+1) < x 0 w przeciwnym przypadku 1 gdy istnieja takie liczby x 1,..., x m Z, F(m, (a n ), (b n )) = dla których m i=1 a ix b i i = 0 0 w przeciwnym przypadku
7 Problemy nierozstrzygalne Dany jest skończony zbiór macierzy 3 3 o elementach będacych liczbami całkowitymi F = {A 1, A 2,..., A n }. Czy macierz zerowa jest iloczynem dowolnej liczby elementów zbioru F (z powtórzeniami)?
8 Problemy nierozstrzygalne Dany jest skończony zbiór macierzy 3 3 o elementach będacych liczbami całkowitymi F = {A 1, A 2,..., A n }. Czy macierz zerowa jest iloczynem dowolnej liczby elementów zbioru F (z powtórzeniami)? F = A 1 = , A 2 =
9 Problemy nierozstrzygalne Dany jest skończony zbiór macierzy 3 3 o elementach będacych liczbami całkowitymi F = {A 1, A 2,..., A n }. Czy macierz zerowa jest iloczynem dowolnej liczby elementów zbioru F (z powtórzeniami)? F = A 1 = , A 2 = = A 1 A 2 A 2
10 Problemy nierozstrzygalne Dany jest skończony zbiór macierzy 3 3 o elementach będacych liczbami całkowitymi F = {A 1, A 2,..., A n }. Czy macierz zerowa jest iloczynem dowolnej liczby elementów zbioru F (z powtórzeniami)? F = A 1 = , A 2 = = A 1 A 2 A 2 Nie jest możliwe skonstruowanie algorytmu, który rozwiazuje ten problem [1]. [1] Halava, V. and Harju, T.: Mortality in matrix semigroups. American Mathematical Monthly, vol. 108(7), 2001.
11 Problemy nierozstrzygalne Dane sa dwa skończone zbiory skończonych ciagów symboli ze skończonego zbioru (np. binarne, α i = , etc.). A = {α 1,..., α n } B = {β 1,..., β n } Czy istnieje takie uporzadkowanie (i k ) 1 k K, K 1, 1 i k n, że: α i1 α i2... α ik = β i1 β i2... β ik?
12 Problemy nierozstrzygalne Dane sa dwa skończone zbiory skończonych ciagów symboli ze skończonego zbioru (np. binarne, α i = , etc.). A = {α 1,..., α n } B = {β 1,..., β n } Czy istnieje takie uporzadkowanie (i k ) 1 k K, K 1, 1 i k n, że: A = {0, 01, 110} B = {100, 00, 11} (i 1, i 2, i 3, i 4 ) = (3, 2, 3, 1) α 3 α 2 α 3 α 1 = = β 3 β 2 β 3 β 1 α i1 α i2... α ik = β i1 β i2... β ik? (jeśli istnieje jedno rozwiazanie, to istnieje ich nieskończenie wiele)
13 Problemy nierozstrzygalne Dane sa dwa skończone zbiory skończonych ciagów symboli ze skończonego zbioru (np. binarne, α i = , etc.). A = {α 1,..., α n } B = {β 1,..., β n } Czy istnieje takie uporzadkowanie (i k ) 1 k K, K 1, 1 i k n, że: A = {0, 01, 110} B = {100, 00, 11} (i 1, i 2, i 3, i 4 ) = (3, 2, 3, 1) α 3 α 2 α 3 α 1 = = β 3 β 2 β 3 β 1 α i1 α i2... α ik = β i1 β i2... β ik? (jeśli istnieje jedno rozwiazanie, to istnieje ich nieskończenie wiele) Problem ten jest nierozstrzygalny [2]. [2] Post, E.: A variant of a recursively unsolvable problem, Bulletin of the American Mathematical Society, vol. 52(4), 1946
14 Rodzaje problemów w matematyce Problemy łatwo rozwiazywalne (= funkcje łatwo obliczalne). Problemy rozwiazywalne, ale trudne: Nie jest znany algorytm rozwiazywania (= obliczania funkcji). Nie jest znany "szybki" algorytm rozwiazywania. Problemy nierozwiazywalne w ogólnym przypadku.
15 Maszyna Turinga Definicja (DTM) Deterministyczna maszyna Turinga nazywamy czwórkę (K, Σ, δ, s), w której: K skończony zbiór stanów (instrukcji) Σ skończony zbiór symboli (tzw. alfabet) δ : K Σ (K {YES, NO, H}) Σ {,, } funkcja przejścia s K stan poczatkowy Ponadto zbiór Σ zawiera zawsze symbole: symbol pusty symbol końcowy, a zbiór K Σ nie zawiera syboli specjalnych: YES, NO, H,,,,,.
16 Maszyna Turinga Maszyna Turinga jest formalna reprezentacja pojęcia "algorytm". Dane wejściowe algorytmu sa reprezentowane poprzez ciag symboli x (Σ { }). Efekt działania 1 kroku algorytmu: (q, w, u) (q, w, u ) gdzie: q, q K stan maszyny przed i po wykonaniu kroku w, u Σ słowa po lewej i prawej stronie kursora (poczatkowo: w = x, u = ) w, u Σ słowa po lewej i prawej stronie kursora po wykonaniu kroku
17 Maszyna Turinga Mówimy, że maszyna M przechodzi z konfiguracji (q, w, u) do konfiguracji (q, w, u ) po k krokach, jeżeli istnieje ciag kroków pośrednich (q i, w i, u i ) (q i+1, w i+1, u i+1 ), i = 1,..., k 1, w których pierwsza konfiguracja to (q, w, u), a ostatnia (q, w, u ).
18 Maszyna Turinga Piszemy, M(x) = y, gdzie: y = 1 jeśli istnieje q K, takie że δ(q, ) = (YES,, ) oraz maszyna przechodzi z (s, x, ) do (q,, ) w skończonej liczbie kroków 0 jeśli istnieje q K, takie że δ(q, ) = (NO,, ) oraz maszyna przechodzi z (s, x, ) do (q,, ) w skończonej liczbie kroków w u jeśli istnieje q K, takie że δ(q, ) = (H,, ) oraz maszyna przechodzi z (s, x, ) do (q, w, u ) w skończonej liczbie kroków w przeciwnym przypadku
19 Maszyna Turinga Dodatkowa notacja: M k (x) = y tak jak do tej pory, ale zamiast "w skończonej liczbie kroków" "w co najwyżej k krokach".
20 Języki Językiem nazywamy podzbiór symboli L (Σ { }). Definicja Język L nazywamy rekurencyjnym, jeśli istnieje M: x L M(x) = 1 x/ L M(x) = 0 Definicja Język L nazywamy rekurencyjnie przeliczalnym, jeśli istnieje M: x L M(x) = 1 x/ L M(x) = Maszyna Turinga rozstrzyga język rekurencyjny. Maszyna Turinga rozpoznaje język rekurencyjnie przeliczalny.
21 Języki Przykład 1. L = {x jest binarna reprezentacja liczby m : 1<p,q N m = pq} Maszyna, która rozstrzyga ten język jest algorytmem wyliczajacym funkcję: f (x) = 0, jeśli x jest liczba pierwsza, 1 w przeciwnym przypadku
22 Języki Przykład 3. L = {x : x jest binarna reprezentacja ciagu macierzy 3 3 dla których istnieje ciag mnożeń dajacy w wyniku macierz zerowa} Maszyna, która rozstrzygałaby ten język rozwiazałaby problem "matrix mortality". Taka maszyna nie istnieje, ale istnieje maszyna, która rozpoznaje pozytywne przypadki tego problemu.
23 Notacja asymptotyczna Niech f, g : R R. Definicja (duże O) f (x) O(g(x)) C R x0 R x x0 f (x) C g(x) Definicja (duża Omega) f (x) Ω(g(x)) C R x0 R x x0 f (x) Cg(x) Definicja (duża Theta) f (x) Θ(g(x)) f (x) O(g(x)) f (x) Ω(g(x)) Definicja (małe o) f (x) o(g(x)) C R x0 R x x0 f (x) C g(x) Uwaga: Zwyczajowo pisze się f (x) = O(g(x)), chociaż to nie jest równość.
24 Klasa P Problemy, dla których istnieje DTM osiagaj aca jeden ze stanów YES, NO po wykonaniu co najwyżej O(n k ) kroków, dla dowolnego k N, gdzie: n = długość słowa wejściowego x (liczba symboli). Bardziej formalnie: Język L P L jest rekurencyjny i istnieje DTM, która go rozstrzyga w czasie O(n k ). Tzn.: M x L k N x = n M f (n) (x) {0, 1} f (n) = O(n k ).
25 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny.
26 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach).
27 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach). Testowanie pierwszości liczby (NIE: faktoryzacja), Manindra Agrawal, Neeraj Kayal, Nitin Saxena, PRIMES is in P, Annals of Mathematics vol. 160(2), 2004.
28 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach). Testowanie pierwszości liczby (NIE: faktoryzacja), Manindra Agrawal, Neeraj Kayal, Nitin Saxena, PRIMES is in P, Annals of Mathematics vol. 160(2), Znajdowanie maksymalnego przepływu w grafie.
29 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach). Testowanie pierwszości liczby (NIE: faktoryzacja), Manindra Agrawal, Neeraj Kayal, Nitin Saxena, PRIMES is in P, Annals of Mathematics vol. 160(2), Znajdowanie maksymalnego przepływu w grafie. Wyznaczanie najkrótszego drzewa rozpinajacego grafu.
30 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach). Testowanie pierwszości liczby (NIE: faktoryzacja), Manindra Agrawal, Neeraj Kayal, Nitin Saxena, PRIMES is in P, Annals of Mathematics vol. 160(2), Znajdowanie maksymalnego przepływu w grafie. Wyznaczanie najkrótszego drzewa rozpinajacego grafu. Obliczanie dyskretnej transformaty Fouriera.
31 Przykłady Ważne problemy należace do P: Programowanie liniowe (tzn. minimalizacja liniowej funkcji przy liniowych ograniczeniach) algorytm elipsoidalny. Programowanie kwadratowe dla wypukłej funkcji (tzn. min x T Ax, gdzie A jest dodatnio określona, przy liniowych ograniczeniach). Testowanie pierwszości liczby (NIE: faktoryzacja), Manindra Agrawal, Neeraj Kayal, Nitin Saxena, PRIMES is in P, Annals of Mathematics vol. 160(2), Znajdowanie maksymalnego przepływu w grafie. Wyznaczanie najkrótszego drzewa rozpinajacego grafu. Obliczanie dyskretnej transformaty Fouriera. 2-SAT (spełnialność formuł boolowskich w postaci CNF z 2 literałami w klauzuli, np: (x 1 x 2 ) (x 1 x 3 ))....
32 Typowa złożoność Przeważnie dla algorytmów wielomianowych O(n k ), k 1 5. Często teoretycznie lepszy algorytm nie jest używany w praktyce. Przykład: mnożenie macierzy. Najszybszy znany algorytm: O(n 2.37 ), ale ze względu na zbyt duży stały współczynnik algorytm O(n 3 ) jest dużo szybszy dla "typowych" danych (macierze n < 1000).
33 Niedeterministyczna maszyna Turinga Definicja (NDTM) Nideterministyczna maszyna Turinga nazywamy czwórkę (K, Σ,, s), w której: K skończony zbiór stanów (instrukcji) Σ skończony zbiór symboli (tzw. alfabet) [K Σ] [(K {YES, NO, H}) Σ {,, }] relacja s K stan poczatkowy Ponadto zbiór Σ zawiera zawsze symbole: symbol pusty symbol końcowy, a zbiór K Σ nie zawiera syboli specjalnych: YES, NO, H,,,,,.
34 Klasa N P Język L N P L jest rekurencyjny i rozstrzygalny przez NDTM w czasie O(n k ).
35 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe)
36 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku.
37 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy.
38 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera.
39 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań.
40 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie).
41 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie). Problemy lokalizacji magazynów (k-centrów, k-median).
42 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie). Problemy lokalizacji magazynów (k-centrów, k-median). Wyznaczanie najkrótszego drzewa Steinera.
43 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie). Problemy lokalizacji magazynów (k-centrów, k-median). Wyznaczanie najkrótszego drzewa Steinera. Najkrótsze drzewo rozpinajace o co najwyżej k wierzchołkach w grafie n > k - wierzchołkowym.
44 Przykłady Ważne problemy należace do klasy N P Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie). Problemy lokalizacji magazynów (k-centrów, k-median). Wyznaczanie najkrótszego drzewa Steinera. Najkrótsze drzewo rozpinajace o co najwyżej k wierzchołkach w grafie n > k - wierzchołkowym. 3-SAT (spełnialność formuł boolowskich w postaci CNF z 3 literałami w klauzuli, np.: (x 1 x 2 x 3 ) ( x 1 x 2 x 3 ))....
45 Redukowalność problemów Definicja (redukowalność) Niech L i L będa językami. Wtedy L L (L jest redukowalny do L ) jeśli istnieje taka funkcja f : Σ Σ, obliczalna przez DTM w czasie wielomianowym, dla której: x L f (x) L
46 Redukowalność problemów Jeśli L N P to L k-sat [3] Jeśli istnieje wielomianowy algorytm dla k-sat to istnieje dla wszystkich problemów w N P. A więc w pewnym sensie w problemie k-sat zawarta jest cała "trudność" problemu L. Rolę problemu k-sat może pełnić wiele innych problemów kombinatorycznych, teoriografowych, itp. [4] [3] Stephen Cook: "The complexity of theorem proving procedures". Proceedings of the Third Annual ACM Symposium on Theory of Computing, 1971 [4] Richard M. Karp: "Reducibility Among Combinatorial Problems". In: Complexity of Computer Computations, 1972
47 Redukowalność problemów Definicja Język L N P-complete jeśli: a) L N P b) L N P L L Definicja Język L N P-hard jeśli: L N P L L
48 Klasa N P-complete Większość znanych problemów w N P jest w N P-complete. Przykład: k-sat programowanie 0-1 (wersja decyzyjna) k-sat : zbiór formuł {C 1,..., C p } Przekształcenie: C = [c ij ], i = 1,..., p, j = 1,..., n, gdzie: 1 jeśli x j C i c ij = 1 jeśli x j C i 0 w przeciwnym przypadku b = [b 1,..., b n ], gdzie: b i = 1 [liczba zanegowanych literałów w C i ] Koniunkcja C 1... C p jest spełniona dla zmiennych boolowskich x = (x 1,..., x n ) wtedy i tylko wtedy, gdy Cx = b.
49 Przykłady Wszystkie te problemy sa w N P-complete: Programowanie całkowitoliczbowe (i zerojedynkowe) Programowanie kwadratowe w ogólnym przypadku. Problem plecakowy. Problem komiwojażera. Szeregowanie zadań. Wyznaczanie liczby chromatycznej grafu (kolorowanie). Problemy lokalizacji magazynów (k-centrów, k-median). Wyznaczanie najkrótszego drzewa Steinera. Najkrótsze drzewo rozpinajace o co najwyżej k wierzchołkach w grafie n > k - wierzchołkowym. 3-SAT (spełnialność formuł boolowskich w postaci CNF z 3 literałami w klauzuli, np.: (x 1 x 2 x 3 ) ( x 1 x 2 x 3 ))....
50 Przykłady Problemy wewnatrz N P, ale nie w N P-complete, ani w P (przynajmniej nie wiadomo do tej pory): Faktoryzacja liczby. Stwierdzenie, czy 2 grafy sa izomorficzne. Obliczenie punktu równowagi Nasha gry dwuosobowej o niezerowej sumie.
51 Złożoność pamięciowa Wróćmy do definicji: Mówimy, że maszyna M przechodzi z konfiguracji (q, w, u) do konfiguracji (q, w, u ) po k krokach, jeżeli istnieje ciag kroków pośrednich (q i, w i, u i ) (q i+1, w i+1, u i+1 ), i = 1,..., k 1, w których pierwsza konfiguracja to (q, w, u), a ostatnia (q, w, u ) Definicja Pamięcia wymagana przez maszynę Turinga dla obliczenia M(x) jest k i=1 w iu i, gdzie k liczba kroków wykonana przed zatrzymaniem. Definicja Maszyna turinga M ma złożoność pamięciowa f (n), jeżeli zatrzymuje się (tzn. przyjmuje wartość M(x) ), zanim k i=1 w iu i > f (n), dla n = x, dla x Σ.
52 Algorytmy przybliżone Niech: x dane wejściowe problemu A(x) wartość wyliczona algorytmem przybliżonym OPT(x) wartość optymalna Definicja (ρ-aproksymacja) Algorytm nazywamy ρ-aproksymacyjnym, ρ 1, jeśli dla dowolnych danych wejściowych x zachodzi: max{ A(x) OPT(x), OPT(x) A(x) } ρ Definicja (ɛ-aproksymacja) Algorytm nazywamy ɛ-przybliżonym, 0 ɛ 1, jeśli dla dowolnych danych wejściowych x zachodzi: ρ = 1 lub ɛ = 0 algorytm dokładny ρ = lub ɛ = 1 algorytm heurystyczny A(x) OPT(x) max{a(x), OPT(x)} ɛ
53 Inne klasy złożoności EXP determ. maszyny Turinga działajace w czasie O(2 nk ) problem stopu maszyny Turinga w k krokach uogólnione szachy PSPACE determ. używajace O(n k ) pamięci i dowolnie dużo czasu Q SAT, spełnialność formuł k-sat z dowolnymi kwantyfikatorami (np.: x1 x2 x3 (x 1 x 2 x 3 ) ( x 1 x 2 x 3 )) NEXP niedeterm. działajace w czasie O(2 nk ) L determ. używajace O(log n) pamięci N L niedeterm. używajace O(log n) pamięci NPSPACE niedeterm. używajace O(n k ) pamięci
54 Inne klasy złożoności APX problemy, dla których istnieje algorytm ρ-przybliżony działajacy w czasie O(n k ), dla pewnego ρ 1 PTAS problemy, dla których istnieje algorytm ρ-przybliżony działajacy w czasie O(n k ), dla każdego ρ 1 #P problemy wyliczeniowe dla problemów decyzyjnych, tzn. dla ilu ścieżek NDTM zachodzi M(x) = 1 (np. ile jest drzew rozpinajacych o długości k?)... i kilkadziesiat innych
55 Zależności pomiędzy klasami Hierarchia klas: L N L P N P PSPACE EXP NEXP EXPSPACE Do tej pory wiadomo tylko, że: L PSPACE N P = NEXP PSPACE EXPSPACE
56 Thank you Questions?
Struktury danych i złozoność obliczeniowa. Prof. dr hab. inż. Jan Magott
Struktury danych i złozoność obliczeniowa Prof. dr hab. inż. Jan Magott Formy zajęć: Wykład 1 godz., Ćwiczenia 1 godz., Projekt 2 godz.. Adres strony z materiałami do wykładu: http://www.zio.iiar.pwr.wroc.pl/sdizo.html
Bardziej szczegółowoTeoria obliczeń i złożoność obliczeniowa
Teoria obliczeń i złożoność obliczeniowa Kontakt: dr hab. inż. Adam Kasperski, prof. PWr. pokój 509 B4 adam.kasperski@pwr.wroc.pl materiały + informacje na stronie www. Zaliczenie: Egzamin Literatura Problemy
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 01 Modele obliczeń Jarosław Miszczak IITiS PAN Gliwice 05/10/2016 1 / 33 1 2 3 4 5 6 2 / 33 Co to znaczy obliczać? Co to znaczy obliczać? Deterministyczna maszyna Turinga
Bardziej szczegółowoHierarchia Chomsky ego Maszyna Turinga
Hierarchia Chomsky ego Maszyna Turinga Języki formalne i automaty Dr inż. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G = V skończony zbiór
Bardziej szczegółowoPROBLEMY NIEROZSTRZYGALNE
PROBLEMY NIEROZSTRZYGALNE Zestaw 1: T Przykład - problem domina T Czy podanym zestawem kafelków można pokryć dowolny płaski obszar zachowując odpowiedniość kolorów na styku kafelków? (dysponujemy nieograniczoną
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW RELACJE MIEDZY KLASAMI ZŁOŻONOŚCI Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 KLASY ZŁOŻONOŚCI KLASE ZŁOŻONOŚCI OPISUJE SIE PODAJAC: Model
Bardziej szczegółowoLogika stosowana. Ćwiczenia Złożoność obliczeniowa problemu spełnialności. Marcin Szczuka. Instytut Informatyki, Uniwersytet Warszawski
Logika stosowana Ćwiczenia Złożoność obliczeniowa problemu spełnialności Marcin Szczuka Instytut Informatyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2015/2016 Marcin Szczuka (MIMUW)
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoStruktura danych. Sposób uporządkowania informacji w komputerze.
Struktura danych Sposób uporządkowania informacji w komputerze. Algorytm Skończony, uporządkowany ciąg jasno zdefiniowanych czynności, koniecznych do wykonania pewnego zadania. Al-Khwarizmi perski matematyk
Bardziej szczegółowoMaszyna Turinga języki
Maszyna Turinga języki Teoria automatów i języków formalnych Dr inż. Janusz Majewski Katedra Informatyki Maszyna Turinga (1) b b b A B C B D A B C b b Q Zależnie od symbolu obserwowanego przez głowicę
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoWykład na Politechnice Krakowskiej w dniu 18 stycznia 2012 r. ZADAŃ I ALGORYTMÓW W OPTYMALIZACJI DYSKRETNEJ
Wykład na Politechnice Krakowskiej w dniu 18 stycznia 2012 r. ZŁOŻONOŚĆ OBLICZENIOWA ZADAŃ I ALGORYTMÓW W OPTYMALIZACJI DYSKRETNEJ dr hab. Krzysztof SZKATUŁA, prof. PAN Instytut Badań Systemowych PAN Uniwersytet
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 5 Prof. dr hab. inż. Jan Magott DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
Bardziej szczegółowoZakładamy, że maszyna ma jeden stan akceptujacy.
Złożoność pamięciowa Rozważamy następujac a maszynę Turinga: 1 0 0 1 1 0 1 1 1 1 Taśma wejściowa (read only) 1 0 1 1 0 0 0 1 0 0 1 Taśma robocza (read/write) 0 1 1 0 0 1 0 0 1 Taśma wyjściowa (write only)
Bardziej szczegółowoModele Obliczeń. Wykład 1 - Wprowadzenie. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski
Modele Obliczeń Wykład 1 - Wprowadzenie Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2014/2015 Marcin Szczuka (MIMUW) Modele Obliczeń 2014/2015 1 /
Bardziej szczegółowoJęzyki, automaty i obliczenia
Języki, automaty i obliczenia Wykład 11: Obliczalność i nieobliczalność Sławomir Lasota Uniwersytet Warszawski 6 maja 2015 Plan 1 Problemy częściowo rozstrzygalne 2 Problemy rozstrzygalne 3 Funkcje (częściowo)
Bardziej szczegółowoa 11 a a 1n a 21 a a 2n... a m1 a m2... a mn x 1 x 2... x m ...
Wykład 15 Układy równań liniowych Niech K będzie ciałem i niech α 1, α 2,, α n, β K. Równanie: α 1 x 1 + α 2 x 2 + + α n x n = β z niewiadomymi x 1, x 2,, x n nazywamy równaniem liniowym. Układ: a 21 x
Bardziej szczegółowoJęzyki, automaty i obliczenia
Języki, automaty i obliczenia Wykład 12: Gramatyki i inne modele równoważne maszynom Turinga. Wstęp do złożoności obliczeniowej Sławomir Lasota Uniwersytet Warszawski 20 maja 2015 Plan 1 Gramatyki 2 Języki
Bardziej szczegółowoLista 6 Problemy NP-zupełne
1 Wprowadzenie Uniwersytet Zielonogórski Instytut Sterowania i Systemów Informatycznych Teoretyczne Podstawy Informatyki Lista 6 Problemy NP-zupełne Problem abstrakcyjny Q jest to relacja dwuargumentowa
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część III - Układy kombinacyjne i P-zupełność
Algorytmy Równoległe i Rozproszone Część III - Układy kombinacyjne i P-zupełność Łukasz Kuszner pokój 209, WETI http://www.kaims.pl/ kuszner/ kuszner@eti.pg.gda.pl Oficjalna strona wykładu http://www.kaims.pl/
Bardziej szczegółowoEfektywność Procedur Obliczeniowych. wykład 5
Efektywność Procedur Obliczeniowych wykład 5 Modele procesu obliczeń (8) Jedno-, wielotaśmowa MT oraz maszyna RAM są równoważne w przypadku, jeśli dany problem jest rozwiązywany przez jeden model w czasie
Bardziej szczegółowoZłożoność obliczeniowa. wykład 1
Złożoność obliczeniowa wykład 1 Dwa wykłady: wtorek / środa różnice niewielkie Sprawy organizacyjne wtorek: trochę szybciej, parę dodatkowych rzeczy dedykowana grupa ćw. M. Pilipczuka - ale śmiało mogą
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoPorównanie czasów działania algorytmów sortowania przez wstawianie i scalanie
Więcej o sprawności algorytmów Porównanie czasów działania algorytmów sortowania przez wstawianie i scalanie Załóżmy, że możemy wykonać dane zadanie przy użyciu dwóch algorytmów: jednego o złożoności czasowej
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące.
Algorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące. Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/
Bardziej szczegółowoKombinatoryczne problemy optymalizacyjne to problemy wyboru najlepszego rozwiązania z pewnego zbioru rozwiązań
Kombinatoryczne problemy optymalizacyjne to problemy wyboru najlepszego rozwiązania z pewnego zbioru rozwiązań dopuszczalnych. NP-optymalizacyjny problem Π składa się: zbioru instancji D Π rozpoznawalnego
Bardziej szczegółowoAdam Meissner SZTUCZNA INTELIGENCJA Problem spełnialności (SAT)
Instytut Automatyki, Robotyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Problem spełnialności
Bardziej szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoPrzykłady problemów optymalizacyjnych
Przykłady problemów optymalizacyjnych NAJKRÓTSZA ŚCIEŻKA W zadanym grafie G = (V, A) wyznacz najkrótsza ścieżkę od wierzchołka s do wierzchołka t. 2 7 5 5 3 9 5 s 8 3 1 t 2 2 5 5 1 5 4 Przykłady problemów
Bardziej szczegółowoJęzyki, automaty i obliczenia
Języki, automaty i obliczenia Wykład 10: Maszyny Turinga Sławomir Lasota Uniwersytet Warszawski 29 kwietnia 2015 Plan Maszyny Turinga (Niedeterministyczna) maszyna Turinga M = (A, Q, q 0, F, T, B, δ) A
Bardziej szczegółowoTrudność aproksymacji problemów NP-trudnych
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Anna Niewiarowska Nr albumu: 201074 Trudność aproksymacji problemów NP-trudnych Praca magisterska na kierunku INFORMATYKA Praca wykonana
Bardziej szczegółowo1 Automaty niedeterministyczne
Szymon Toruńczyk 1 Automaty niedeterministyczne Automat niedeterministyczny A jest wyznaczony przez następujące składniki: Alfabet skończony A Zbiór stanów Q Zbiór stanów początkowych Q I Zbiór stanów
Bardziej szczegółowoSieć (graf skierowany)
Sieci Sieć (graf skierowany) Siecia (grafem skierowanym) G = (V, A) nazywamy zbiór wierzchołków V oraz zbiór łuków A V V. V = {A, B, C, D, E, F}, A = {(A, B), (A, D), (A, C), (B, C),..., } Ścieżki i cykle
Bardziej szczegółowoEGZAMIN - Wersja A. ALGORYTMY I STRUKTURY DANYCH Lisek89 opracowanie kartki od Pani dr E. Koszelew
1. ( pkt) Dany jest algorytm, który dla dowolnej liczby naturalnej n, powinien wyznaczyd sumę kolejnych liczb naturalnych mniejszych od n. Wynik algorytmu jest zapisany w zmiennej suma. Algorytm i=1; suma=0;
Bardziej szczegółowoPierścień wielomianów jednej zmiennej
Rozdział 1 Pierścień wielomianów jednej zmiennej 1.1 Definicja pierścienia wielomianów jednej zmiennej Definicja 1.1 Niech P będzie dowolnym pierścieniem. Ciąg nieskończony (a 0, a 1,..., a n,...) elementów
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Prof. dr hab. inż. Jan Magott Formy zajęć: Wykład 1 godz., Ćwiczenia 2 godz., Projekt 1 godz.. Strona kursu: http://www.zio.iiar.pwr.wroc.pl/sdizo.html Struktury
Bardziej szczegółowoMaszyna Turinga. Algorytm. czy program???? Problem Hilberta: Przykłady algorytmów. Cechy algorytmu: Pojęcie algorytmu
Problem Hilberta: 9 Czy istnieje ogólna mechaniczna procedura, która w zasadzie pozwoliłaby nam po kolei rozwiązać wszystkie matematyczne problemy (należące do odpowiednio zdefiniowanej klasy)? 2 Przykłady
Bardziej szczegółowoO ISTOTNYCH OGRANICZENIACH METODY
O ISTOTNYCH OGRANICZENIACH METODY ALGORYTMICZNEJ Dwa pojęcia algorytmu (w informatyce) W sensie wąskim Algorytmem nazywa się każdy ogólny schemat procedury możliwej do wykonania przez uniwersalną maszynę
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Automat ze stosem Automat ze stosem to szóstka
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW NIEDETERMINISTYCZNE MASZYNY TURINGA Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 NIEDETERMINISTYCZNE MASZYNY TURINGA DEFINICJA: NIEDETERMINISTYCZNA
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 01 Od maszyn Turinga do automatów komórkowych Jarosław Miszczak IITiS PAN Gliwice 03/03/2016 1 / 16 1 2 3 Krótka historia Znaczenie 2 / 16 Czego dowiedzieliśmy się
Bardziej szczegółowoDopełnienie to można wyrazić w następujący sposób:
1. (6 punktów) Czy dla każdego regularnego L, język f(l) = {w : każdy prefiks w długości nieparzystej należy do L} też jest regularny? Odpowiedź. Tak, jęsli L jest regularny to też f(l). Niech A będzie
Bardziej szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 6. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 6. Prof. dr hab. inż. Jan Magott Problemy łatwe i trudne Problemy łatwe to problemy rozwiązywalne w czasie wielomianowym. Problemy trudne to takie, których
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy
Bardziej szczegółowo15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej
15. Macierze Definicja Macierzy. Dla danego ciała F i dla danych m, n IN funkcję A : {1,...,m} {1,...,n} F nazywamy macierzą m n ( macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
Bardziej szczegółowoWprowadzenie do złożoności obliczeniowej
problemów Katedra Informatyki Politechniki Świętokrzyskiej Kielce, 16 stycznia 2007 problemów Plan wykładu 1 2 algorytmów 3 4 5 6 problemów problemów Plan wykładu 1 2 algorytmów 3 4 5 6 problemów problemów
Bardziej szczegółowoHierarchia Chomsky ego
Hierarchia Chomsky ego Gramatyki nieograniczone Def. Gramatyką nieograniczoną (albo typu 0) nazywamy uporządkowaną czwórkę G= gdzie: % Σ - skończony alfabet symboli końcowych (alfabet, nad którym
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowo1 Macierze i wyznaczniki
1 Macierze i wyznaczniki 11 Definicje, twierdzenia, wzory 1 Macierzą rzeczywistą (zespoloną) wymiaru m n, gdzie m N oraz n N, nazywamy prostokątną tablicę złożoną z mn liczb rzeczywistych (zespolonych)
Bardziej szczegółowoZłożoność algorytmów. Wstęp do Informatyki
Złożoność algorytmów Złożoność pamięciowa - liczba i rozmiar struktur danych wykorzystywanych w algorytmie Złożoność czasowa - liczba operacji elementarnych wykonywanych w trakcie przebiegu algorytmu Złożoność
Bardziej szczegółowo) a j x j b; x j binarne (j N) całkowitoliczbowe; przyjmujemy (bez straty ogólności): c j > 0, 0 <a j b (j N), P n
PDczęść4 8. Zagadnienia załadunku 8.1 Klasyczne zagadnienia załadunku (ozn. N = {1, 2,..., n} Binarny problem ( (Z v(z =max c j x j : a j x j b; x j binarne (j N zakładamy, że wszystkie dane sa całkowitoliczbowe;
Bardziej szczegółowo9. Schematy aproksymacyjne
9. Schematy aproksymacyjne T.H. Cormen, C.E. Leiserson, R.L. Rivest, C. Stein Wprowadzenie do algorytmów, WNT (2004) O.H. Ibarra, C.E. Kim Fast approximation algorithms for the knapsack and sum of subset
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowoImię, nazwisko, nr indeksu
Imię, nazwisko, nr indeksu (kod) (9 punktów) Wybierz 9 z poniższych pytań i wybierz odpowiedź tak/nie (bez uzasadnienia). Za prawidłowe odpowiedzi dajemy +1 punkt, za złe -1 punkt. Punkty policzymy za
Bardziej szczegółowoZasady analizy algorytmów
Zasady analizy algorytmów A więc dziś w programie: - Kilka ważnych definicji i opisów formalnych - Złożoność: czasowa i pamięciowa - Kategorie problemów - Jakieś przykłady Problem: Zadanie możliwe do rozwiązania
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Gramatyki bezkontekstowe I Gramatyką bezkontekstową
Bardziej szczegółowoAlgorytmy aproksymacyjne dla problemów stochastycznych
Algorytmy aproksymacyjne dla problemów stochastycznych Piotr Sankowski Uniwersytet Warszawski PhD Open, listopad 12-13, 2008 - p. 1/45 Plan Wykład I - 2-etapowe algorytmy stochastyczne: Wstęp Wykład II
Bardziej szczegółowoAlgorytmy aproksymacyjne dla problemów stochastycznych
Algorytmy aproksymacyjne dla problemów stochastycznych Marcin Mucha Uniwersytet Warszawski Warszawa 29.04.2011 - p. 1/44 Plan - Wykład II Boosted sampling: drzewo Steinera, problemy addytywne: lokalizacja
Bardziej szczegółowoDr inż. Robert Wójcik, p. 313, C-3, tel Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska
Dr inż. Robert Wójcik, p. 313, C-3, tel. 320-27-40 Katedra Informatyki Technicznej (K-9) Wydział Elektroniki (W-4) Politechnika Wrocławska E-mail: Strona internetowa: robert.wojcik@pwr.edu.pl google: Wójcik
Bardziej szczegółowo2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego
2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną G = gdzie: N zbiór symboli nieterminalnych, T zbiór symboli terminalnych, P zbiór
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoPrzykład: Σ = {0, 1} Σ - zbiór wszystkich skończonych ciagów binarnych. L 1 = {0, 00, 000,...,1, 11, 111,... } L 2 = {01, 1010, 001, 11}
Języki Ustalmy pewien skończony zbiór symboli Σ zwany alfabetem. Zbiór Σ zawiera wszystkie skończone ciagi symboli z Σ. Podzbiór L Σ nazywamy językiem a x L nazywamy słowem. Specjalne słowo puste oznaczamy
Bardziej szczegółowoOBLICZALNOŚĆ I NIEOBLICZALNOŚĆ
OBLICZALNOŚĆ I NIEOBLICZALNOŚĆ Dwa konteksty obliczalności OBLICZALNE i NIEOBLICZALNE problemy (kontekst informatyczny) liczby (kontekst matematyczny) Problem nieobliczalny jest to problem nierozwiązywalny
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoRozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F
Bardziej szczegółowoUkłady liniowo niezależne
Układy liniowo niezależne Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 3.wykład z algebry liniowej Warszawa, październik 2016 Mirosław Sobolewski (UW) Warszawa, październik 2016 1
Bardziej szczegółowoZnajdowanie skojarzeń na maszynie równoległej
11 grudnia 2008 Spis treści 1 Skojarzenia w różnych klasach grafów Drzewa Grafy gęste Grafy regularne dwudzielne Claw-free graphs 2 Drzewa Skojarzenia w drzewach Fakt Wybierajac krawędź do skojarzenia
Bardziej szczegółowoWykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką
Bardziej szczegółowoZłożoność obliczeniowa
Złożoność obliczeniowa Jakub Michaliszyn 26 kwietnia 2017 Są problemy rozstrzygalne i nierozstrzygalne Są problemy rozstrzygalne i nierozstrzygalne Jak rozwiązywać te, które są rozstrzygalne? Są problemy
Bardziej szczegółowoMetody numeryczne. Janusz Szwabiński. Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/50
Metody numeryczne Układy równań liniowych, część II Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/50 Układy równań liniowych, część II 1. Iteracyjne poprawianie
Bardziej szczegółowoTopologia zbioru Cantora a obwody logiczne
Adam Radziwończyk-Syta Michał Skrzypczak Uniwersytet Warszawski 1 lipca 2009 http://students.mimuw.edu.pl/~mskrzypczak/dokumenty/ obwody.pdf Zbiór Cantora Topologia Definicja Przez zbiór Cantora K oznaczamy
Bardziej szczegółowoUniwersytet Kazimierza Wielkiego w Bydgoszczy Zespół Szkół nr 5 Mistrzostwa Sportowego XV Liceum Ogólnokształcące w Bydgoszczy
Uniwersytet Kazimierza Wielkiego w Bydgoszczy Zespół Szkół nr 5 Mistrzostwa Sportowego XV Liceum Ogólnokształcące w Bydgoszczy Matematyka, królowa nauk Edycja X - etap 2 Bydgoszcz, 16 kwietnia 2011 Fordoński
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja QR i SVD. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja QR i SVD P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Transformacja Householdera Niech u R N, u 0. Tworzymy macierz W sposób oczywisty P T = P. Obliczmy
Bardziej szczegółowoMetody optymalizacji dyskretnej. Metody przybliżone
Metody optymalizacji dyskretnej Metody przybliżone Metody optymalizacji dyskretnej Większość problemów optymalizacji dyskretnej pochodzących z praktyki (szeregowanie, harmonogramowanie, transport, plany
Bardziej szczegółowomacierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same
1 Macierz definicja i zapis Macierzą wymiaru m na n nazywamy tabelę a 11 a 1n A = a m1 a mn złożoną z liczb (rzeczywistych lub zespolonych) o m wierszach i n kolumnach (zamiennie będziemy też czasem mówili,
Bardziej szczegółowoO MACIERZACH I UKŁADACH RÓWNAŃ
O MACIERZACH I UKŁADACH RÓWNAŃ Problem Jak rozwiązać podany układ równań? 2x + 5y 8z = 8 4x + 3y z = 2x + 3y 5z = 7 x + 8y 7z = Definicja Równanie postaci a x + a 2 x 2 + + a n x n = b gdzie a, a 2, a
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Podniesienie poziomu wiedzy studentów z zagadnień dotyczących analizy i syntezy algorytmów z uwzględnieniem efektywności
Bardziej szczegółowoKlasyczne i kwantowe podejście do teorii automatów i języków formalnych p.1/33
Klasyczne i kwantowe podejście do teorii automatów i języków formalnych mgr inż. Olga Siedlecka olga.siedlecka@icis.pcz.pl Zakład Informatyki Stosowanej i Inżynierii Oprogramowania Instytut Informatyki
Bardziej szczegółowoWyk lad 4 Macierz odwrotna i twierdzenie Cramera
Wyk lad 4 Macierz odwrotna i twierdzenie Cramera 1 Odwracanie macierzy I n jest elementem neutralnym mnożenia macierzy w zbiorze M n (R) tzn A I n I n A A dla dowolnej macierzy A M n (R) Ponadto z twierdzenia
Bardziej szczegółowoAutomatyczne dowodzenie twierdzeń metodą rezolucji
Automatyczne dowodzenie twierdzeń metodą rezolucji 16 kwietnia 2010 Rezolucja zdaniowa Formuły rachunku zdań: zbudowane ze zmiennych zdaniowych za pomocą spójników logicznych,,,, i nawiasów Wartości logiczne:
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoUkłady równań liniowych i metody ich rozwiązywania
Układy równań liniowych i metody ich rozwiązywania Łukasz Wojciechowski marca 00 Dany jest układ m równań o n niewiadomych postaci: a x + a x + + a n x n = b a x + a x + + a n x n = b. a m x + a m x +
Bardziej szczegółowoAlgebra liniowa. Macierze i układy równań liniowych
Algebra liniowa Macierze i układy równań liniowych Własności wyznaczników det I = 1, det(ab) = det A det B, det(a T ) = det A. Macierz nieosobliwa Niech A będzie macierzą kwadratową wymiaru n n. Mówimy,
Bardziej szczegółowoGramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka
Gramatyki, wyprowadzenia, hierarchia Chomsky ego Teoria automatów i języków formalnych Dr inŝ. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G =
Bardziej szczegółowoZadania z algebry liniowej - sem. I Przestrzenie liniowe, bazy, rząd macierzy
Zadania z algebry liniowej - sem I Przestrzenie liniowe bazy rząd macierzy Definicja 1 Niech (K + ) będzie ciałem (zwanym ciałem skalarów a jego elementy nazywać będziemy skalarami) Przestrzenią liniową
Bardziej szczegółowoObliczanie. dr hab. inż. Joanna Józefowska, prof. PP 1
Obliczanie 1 Obliczanie Co to jest obliczanie? Czy wszystko można obliczyć? Czy to, co intuicyjnie uznajemy za obliczalne można obliczyć za pomocą mechanicznej procedury? 2 Czym jest obliczanie? Dawid
Bardziej szczegółowoBaza w jądrze i baza obrazu ( )
Przykład Baza w jądrze i baza obrazu (839) Znajdź bazy jądra i obrazu odwzorowania α : R 4 R 3, gdzie α(x, y, z, t) = (x + 2z + t, 2x + y 3z 5t, x y + z + 4t) () zór ten oznacza, że α jest odwzorowaniem
Bardziej szczegółowoMetody numeryczne I. Janusz Szwabiński. Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/61
Metody numeryczne I Dokładność obliczeń numerycznych. Złożoność obliczeniowa algorytmów Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/61 ... the purpose of
Bardziej szczegółowoAlgebra liniowa z geometrią
Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........
Bardziej szczegółowoALGEBRA LINIOWA. Wykład 2. Analityka gospodarcza, sem. 1. Wydział Zarządzania i Ekonomii Politechnika Gdańska
ALGEBRA LINIOWA Wykład 2 Analityka gospodarcza, sem 1 Wydział Zarządzania i Ekonomii Politechnika Gdańska dr inż Natalia Jarzębkowska, CNMiKnO semzimowy 2018/2019 2/17 Macierze Niech M = {1, 2,, m} i N
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowoWykład z modelowania matematycznego. Zagadnienie transportowe.
Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoZłożoność informacyjna Kołmogorowa. Paweł Parys
Złożoność informacyjna Kołmogorowa Paweł Parys Serock 2012 niektóre liczby łatwiej zapamiętać niż inne... (to zależy nie tylko od wielkości liczby) 100...0 100 100... 100 100 100 25839496603316858921 31415926535897932384
Bardziej szczegółowoZLOŻONOŚĆ OBLICZENIOWA - WYK. 2
ZLOŻONOŚĆ OBLICZENIOWA - WYK. 2 1. Twierdzenie Sipsera: Dla dowolnej maszyny M działającej w pamięci S(n) istnieje maszyna M taka, że: L(M) = L(M ), M działa w pamięci S(n), M ma własność stopu. Dowód:
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW MASZYNY O DOSTEPIE SWOBODNYM (RAM) Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 INSTRUKCJE MASZYNY RAM Instrukcja Argument Znaczenie READ
Bardziej szczegółowoTeoria Złożoności Zadania
Teoria Złożoności Zadania Łukasz Czajka 14 czerwca 2008 1 Spis treści 1 Zadanie 1 3 2 Zadanie 5 8 2 1 Zadanie 1 Niech A NP 1. Istnieje zatem jedno-taśmowa niedeterministyczna maszyna Turinga M o alfabecie
Bardziej szczegółowoKomiwojażer na płaszczyźnie
Komiwojażer na płaszczyźnie Paweł Gawrychowski Uniwersytet Wrocławski & Max-Planck-Institut für Informatik 18 marca 2014 Paweł Gawrychowski Komiwojażer na płaszczyźnie 18 marca 2014 1 / 31 Paweł Gawrychowski
Bardziej szczegółowo1 Zbiory i działania na zbiorach.
Matematyka notatki do wykładu 1 Zbiory i działania na zbiorach Pojęcie zbioru jest to pojęcie pierwotne (nie definiuje się tego pojęcia) Pojęciami pierwotnymi są: element zbioru i przynależność elementu
Bardziej szczegółowo