Crescimento de Função
George Darmiton da Cunha Cavalcanti CIn – UFPE
Introdução
Muitas são as classes de problemas da matemática discreta:
Dada uma seqüência de inteiros, encontrar o maior;
Dado um conjunto, encontrar todos os seus subconjuntos;
Dada uma rede, encontrar o menor caminho entre dois nós.
O primeiro passo para solucionar esses problemas é construir um modelo matemático do problema
Algoritmo
É um conjunto finito e preciso de instruções
para resolver um problema.
Exemplo de um algoritmo
Encontrar o maior valor em uma lista de inteiros.
Passos:
1) O primeiro valor será o máximo temporário
2) Compare o próximo item na lista com o máximo
temporário. Torná-lo o máximo temporário caso ele seja maior que o máximo temporário;
3) Repetir os passos 1-2 enquanto houver itens na lista;
4) O máximo temporário é o maior valor da lista.
Pseudocódigo do exemplo
procedure max(a
1, a
2,...,a
n:integers) max = a
1for i=2 to n
if max < a
ithen max = a
i{max is the largest element}
Finding the maximum element in a finite sequence
Algoritmo para busca seqüencial
procedure linearSearch(x:integer, a1, a2,...,an:integers) i = 1
while (i ≤ n and x ≠ ai) i = i + 1
if i ≤ n then location = i else location = 0
{location is the subscript of term that equals x, or is 0 if x is not found}
The linear search algorithm
Algoritmo para busca binária
procedure binarySearch(x: integer, a1, a2,...,an: increasing integers) i = 1
j = n
while i < j begin
m = [(i+j)/2]
if x > am then i = m + 1 else j = m
end
if x == ai then location = i else location = 0
{location is the subscript of term that equals x, or is 0 if x is not found}
The binary search algorithm
Ordenação (Bubble Sort)
3 2 4 1 5 Primeiro passo
2 3 4 1 5
2 3 4 1 5
2 3 1 4 5 Segundo passo
2 3 1 4 5
2 3 1 4 5
2 1 3 4 5
Ordenação (Bubble Sort)
Terceiro passo 2 1 3 4 5
1 2 3 4 5
Quarto passo 1 2 3 4 5
Bubble Sort Algorithm
procedure bubblersort(a
1,...,a
n) for i=1 to n-1
for j=1 to n-i
if a
j> a
j+1then interchange a
jand a
j+1Ordenação (Insertion Sort)
Java Applet Insertion Sort
Ordenação (Insertion Sort)
Ordenação (Insertion Sort)
Ordenação (Insertion Sort)
Insertion Sort Algorithm
procedure insertionsort(a1,...,an) for j=2 to n
begin i=1
while aj > ai i = i+1 m = aj
for k=0 to j – i – 1 aj-k = aj-k-1 ai = m
end
Greedy algorithms
Greedy algorithms são usados para resolver problemas de otimização:
Encontrar a menor rota entre duas cidades;
Distribuir carga entre computadores em uma rede;
Agendamento;
Bin-packing.
Greedy algorithms (exemplo)
Exemplo:
Para se ter $6.39, é possível escolher:
$6, ou seja, 6 × $1, para se ter $6 25¢, para $6.25
10¢, para $6.35
quatro 1¢, para $6.39
Greedy algorithms (exemplo)
Problema: “trocar dinheiro”
Moedas estão disponíveis nos seguintes valores:
dollars (100 centavos) quarters (25 centavos) dimes (10 centavos) nickels (5 centavos) pennies (1 centavo)
Problema
Trocar um valor utilizando o menor número de moedas possível.
Greedy algorithm
“trocar dinheiro”
procedure change(c1,c2,...,cr: values of coins, n: a positive integer)
for i=1 to r
while n ≥ ci begin
add a coin with the value ci to the change n = n – ci
end
c1 > c2 > ... >cr
Crescimento de funções
Vários algoritmos podem ser utilizados para resolver um dado problema
Fatores que devem ser levados em consideração
Tempo de Execução
Espaço de armazenamento
Problemas da área de Análise de Algoritmos
Análise de uma algoritmo em particular Análise de uma classe de algoritmos
Custo de um Algoritmo
Existem várias maneiras para se medir o custo Uma delas é medir o tempo de computação de algoritmos em uma máquina real.
Esse tipo de medida é inadequado pois:
Os resultados dependem do compilador Os resultados dependem do hardware
Quando grandes quantidades de memória são utilizadas, as medidas de tempo podem depender desse aspecto
Custo de um Algoritmo
Uma forma mais adequada de se medir o custo de um algoritmo é através de um modelo matemático O conjunto de operações a ser executada deve ser especificado, bem como o custo de cada operação Usualmente, ignora-se o custo de algumas
operações. Exemplo
Em algoritmos de ordenação, considera-se o número de comparações e ignora-se atribuições e manipulação de índices
Notação Big-O
É uma notação bastante usada para estimar o
número de operações que um algoritmo executa na medida em que a entrada cresce
Com essa notação é possível verificar a utilidade prática de um algoritmo na solução de um problema É possível, também, comparar dois algoritmos e indicar qual dos dois é mais eficiente
Notação Big-O
Estimar custo de algoritmo em relação ao tempo e ao espaço.
Definição:
Sejam f e g funções do conjunto dos inteiros (ou conjunto dos números reais) no conjunto dos números reais. Diz-se que f(x) é O(g(x)) se existem constantes C e n0 de forma que:
quando x > n0. Diz-se que f(x) é “O grande de g(x)".
Notação Big-O
A notação “big-Oh” (“O grande”) é utilizada para expressar formalmente um limite superior para a função.
Quanto se diz que f(x) é O(x2), se quer dizer que f nunca cresce mais do que cx2 a partir de um
determinado valor x e para uma constante c.
Usa-se a notação f(x) = O(g(x)) quando f(x) é “O grande de g(x)”. Isso significa que f(x) é limitada superiormente por g(x).
Aqui há um abuso de notação, pois na realidade f(x)
∈ O(g(x)), pois O(g(x)) é o conjunto das funções que g limita superiormente.
Notação Big-O
Em termos de algoritmos, quando se diz que dentre as soluções algorítmicas para um
determinado problema, a melhor é O(x
2) em função da entrada.
Isso significa que se alguém achar um outro
algoritmo cuja função para estimar o tempo é
O(log n) significa que a cota superior (“upper
bound”) para aquele problema diminuiu.
Exemplo
É possível observar que
x<x2 e 1<x2 quando x>1 Assim
0 ≤ x2+2x+1 ≤ x2+2x2+x2 = 4x2, quando x>1 Conseqüentemente, quando C = 4 e n0 = 1
tem-se que f(x) é O(x2)
Exemplo (continuação)
Uma outra alternativa é estimar os valores de f(x) quando x > 2
2x ≤ x2 e 1 ≤ x2 Conseqüentemente
0 ≤ x2+2x+1 ≤ x2+x2+x2 = 3x2 Assim, quando C = 3 e n0 = 2
tem-se que f(x) é O(x2)
Exemplo (continuação)
x2+2x+1 é O(x2)
Notação Big-O
|f(x)| ≤ C|g(x)|, se x>n
0E se |h(x)| > |g(x)| para todo x>n
0, então
|f(x)| ≤ C|h(x)|, se x>n
0Assim, f(x) é O(g(x))
Notação Big-O
Notação Big-O
Combinação de Funções
|f
1(x)| ≤ C
1|g
1(x)|, quando x>k
1|f
2(x)| ≤ C
2|g
2(x)|, quando x>k
2Assim,
|(f
1+ f
2)(x)| = |f
1(x)+ f
2(x)|
≤ |f
1(x)|+ |f
2(x)|
Dado que
|a+b| ≤ |a|+|b|
Combinação de Funções
Quando x é maior que k1 e k2 tem-se:
|f1(x)|+ |f2(x)| ≤ C1|g1(x)|+ C2|g2(x)|
≤ C1|g(x)|+ C2|g(x)|
= (C1+ C2)|g(x)|
= C|g(x)|
Dado que C=C1+C2 e g(x) = max(|g1(x)|,|g2(x)|)
Se f1(x) e f2(x) são O(g(x)), então (f1+f2)(x) é O(g(x)).
Combinação de Funções
Quando x é maior que k1e k2 tem-se:
|f1f2(x)| = |f1(x)| |f2(x)|
≤ C1|g1(x)| C2|g2(x)|
≤ C1C2|(g1g2)(x)|
≤ C|(g1g2)(x)| ,
Dado que C=C1C2 e f1(x)f2(x) é O(g1g2)
Se f1(x) é O(g1(x)) e f2(x) é O(g2(x)), então (f1f2)(x) é O(g1(x)g2(x)).
Notação Big-Omega
A notação Big-O provê um limite superior para uma função f(x).
Um limite inferior, para valores grandes de x,
é calculado usando a notação Big-Omega.
Notação Big-Omega
Definição:
Sejam f e g funções do conjunto dos inteiros (ou conjunto dos números reais) no conjunto dos números reais.
Diz-se que f(x) é Ω(g(x)) se existem constantes C e n0 de forma que:
quando x > n0. Diz-se que f(x) é “Omega grande de g(x)".
Existe uma forte conexão entre as notações big-O e big-ΩΩΩΩ f(x) é ΩΩΩΩ(g(x)) se e somente se g(x) for O(f(x))
Função de Complexidade (ƒ)
Exemplo
Encontrar o maior elemento em um vetor de inteiros A[1..n], n ≥ 1
ƒ(n): é o número de comparações entre elementos de A Logo, ƒ(n) = n-1
Esse algoritmo é ótimo
Função de Complexidade (ƒ)
O exemplo mostrado no slide anterior mostra que o algoritmo é função linear do tamanho da entrada
Porém, existem algoritmos que dependem da organização dos dados de entrada. Exemplo: algoritmos de ordenação
Para esses casos três cenários podem ser destacados
Exemplo – Pesquisa Seqüencial
Problema:
Cada registro possui uma chave única.
Dada uma chave qualquer, o programa encontra o registro que contém essa chave
Solução
O algoritmo mais simples faz uma pesquisa seqüencial ƒ(n): número de registros consultados no arquivo
Casos a considerar
Melhor caso: ƒ(n) = 1 Pior caso: ƒ(n) = n
Caso Médio: ƒ(n) = (n+1)/2
Exemplo
Encontrar o maior e o menor elemento em um vetor de inteiros A[1...n]
Seja ƒ(n) o número comparações entre elementos de A ƒ(n) = 2(n−1), para n >0
Para o melhor caso, pior caso e caso médio
Exemplo
Como melhorar a implementação do slide anterior?
Terminologia usada para a complexidade de algoritmos
Complexidade Fatorial O(n!)
Complexidade Exponencial O(bn), b > 1
Complexidade Polinomial O(np)
Complexidade n log n O(n log n)
Complexidade Linear O(n)
Complexidade Logarítmica O(log n)
Complexidade Constante O(1)
Terminologia Complexidade