cres ciment ode fun coes

PPGI/2009

Prof. Lucídio Cabral - Estrutura de Dados e Complexidade de Algoritmos

1

Crescimento de Funções

Análise de AlgoritmosAnálise de Algoritmos

– tempo de processamento em função dos dados de entrada;

– espaço de memória total requerido para os dados; – comprimento total do código;– correcta obtenção do resultado pretendido;– robustez (como comporta-se com as entradas

inválidas ou não previstas).– quantidade de "trabalho" necessária para a sua

execução, expressa em função das operações fundamentais, as quais variam de acordo com o algoritmo, e em função do volume de dados.

Complexidade

• Porquê o estudo da Complexidade?– Performance

• Escolher entre vários algoritmos o mais eficiente para implementar;

• Desenvolver novos algoritmos para problemas que já têm solução;

• Desenvolver algoritmos mais eficientes (melhorar os algoritmos), devido ao aumento constante do "tamanho" dos problemas a serem resolvidos.

– Complexidade Computacional - torna possível determinar se a implementação de determinado algoritmo é viável.

Complexidade• Tipos de Complexidade

– Espacial • Este tipo de complexidade representa, por exemplo, o

espaço de memória usado para executar o algoritmo.

– Temporal • Este tipo de complexidade é o mais usado podendo

dividir-se em dois grupos: – Tempo (real) necessário à execução do algoritmo.

(como podemos medir?)– Número de instruções necessárias à execução.

• Medidas de Análise – Devem ser independentes da tecnologia

(hardware/software)– Modelos Matemáticos simplificados baseados nos fatores

relevantes:• Tempo de Execução

Uma função que relaciona o tempo de execução com o tamanho de entrada:

t = F(n)– Conjunto de operações a serem executadas.– Custo associado à execução de cada operação.

• Ocupação de Espaço em Memória

Analise de Algoritmos

Complexidade

• Exemplo – Sejam 5 algoritmos A1 a A5 para resolver um mesmo

problema, de complexidades diferentes. (Supomos que uma operação leva 1 ms para ser efetuada.)

– Tk(n) é a complexidade ou seja o número de operações que o algoritmo efetua para n entradas

n A1 T1(n)= n

A2 T2(n)=nlog n

A3 T3(n)=n2

A4 T4(n)=n3

A5 T5(n)=2n

16 0.016s 0.064s 0.256s 4s 1m4s32 0.032s 0.16s 1s 33s 46 Dias

512 0.512s 9s 4m22s 1 Dia 13h 10137 Séculos

tempo necessário para o algoritmo em função de n entradas

Operações primitivas

• Atribuição de valores a variáveis• Chamadas de métodos• Operações aritméticas• Comparação de dois números• Acesso a elemento de um array• Seguir uma referência de objeto (acesso a

objeto)• Retorno de um método

Complexidade de Algoritmos

• Complexidade de pior caso – big-Oh g(n)• Complexidade de melhor caso – big-Omega g(n)

– de uso bem menos freqüente

– em algumas situações específicas

• Complexidade de caso médio – big-Theta g(n)– menos utilizada apesar de importante

– difícil conhecer a distribuição de probabilidades das diferentes entradas

Notações assintóticas

Limite assintótico apertado ou exato

Limite assintótico superior

Limite assintótico inferior

Limite superior que não é assintoticamente apertado Limite inferior que não é assintoticamente apertado

Por que as notações assintóticas são importantes?

• Elas fornecem uma caracterização simples da eficiência de um algoritmo.

• Elas permitem a comparaçãode desempenho entre vários algoritmos.

• Para valores elevados de componentes/entradas, as constantes multiplicativas e termos de baixa ordem de um tempo de execução exato são dominados pelo efeito do tamanho de entrada (o número de componentes).

– O tempo de execução de uma algoritmo sobre uma entrada particular, é o número de operações primitivas ou “passos” executados.

– O tamanho da entrada depende problema sendo estudado. Mas na maioria dos casos este é o número de itens na entrada, por exemplo: o número total de bits.

Resumindo, em geral, quando observamos tamanhos de entrada

suficientemente grandes para tornar a ordem de crescimento do tempo de execução relevante para um algoritmo, nós estamos estudando a eficiência assintótica de um algoritmo.

E um algoritmo que é assintoticamente mais eficiente será efetivamente a melhor escolha. Isto pode não ser verdade para todas as entradas consideradas pequenas!


OBS:


Eg.

Limite assintótico superior

Qual melhor algoritmo?

• Sejam A e B dois algoritmos que o resolvem o problema P, cujos tempos de execução são

TA(n) e TB(n)

• comportamento assintótico – tamanho da entrada arbitrariamente grande– caracterizado pela notação O (big O)

Diagrama

Definição do Big-Oh

Ordens mais comuns

Fonte: Sahni, "Data Structures, Algorithms and Applications in C++"

log n

n

n22n

n

f

n log n

1

(linear)

(quadrática)(exponencial)

(logarítmica)

(constante)

Alguns conceitos

• T (n) = O (1) : constante • T (n) = O (log log n) : super-rápido• T (n) = O (log n) : logarítmico – muito bom • T (n) = O (n) : linear – toda a entrada é visitada• T (n) = O (n log n) : limite de muitos problemas• T (n) = O (n2) : quadrático • T (n) = O (nk) : polinomial no tamanho da entrada• T (n) = O (kn), O (n!), O (nn) : exponencial – ruim!

Teoremas1. Comportamento assintótico da soma de duas

funções cujos comportamentos assintóticos particulares são conhecidos:

Se f1(n) = O(g1(n)) e f2(n) = O(g2(n)), então:

f1(n) + f2(n) = O(max(g1(n)) , g2(n)))

2. O(k f(n)) = O(f(n))

3. O(f(n)) O(g(n)) = O(f(n) g(n))

Eficiência de um Algoritmo, mais um exemplo

Três algoritmo para calcular 1 + 2 + … n para um n > 0

Eficiência de um Algoritmo

Número de operações necessárias

O(n) O(n2) O(1)

A notação f(n) = 8n + 128 é O (n2)?

f(n) c.n2 ?• Seja c =1

8n + 128 n2, então

0 n2 – 8n – 128

0 (n – 16)(n+8) n0 = 16

c =1, no = 16, f (n) c.n2 para todo n n0

A notação • A função atua como um limite superior

assintótico da função f– f = n2 -1 f = (n2)– f = n2 -1 f = (n3) – f = 403 f = (1)– f = 5+2logn +3log2n f =

(log2n)– f = 5+2 log n +3log2n f = (n)– f = 5.2n +5n10 f = (2n)

Limite assintótico inferior

Limite superior que não é assintoticamente apertado

Limite inferior que não é assintoticamente apertado

Notações assintóticas em equações

Relações de Funções Assintóticas

Limites podem ser usados para determinar a ordem de complexidade

c então f (n) = ( g (n)) se c > 0

se lim f (n) / g (n) = 0 or c > 0 então f (n) = ( g(n))

or c > 0então f (n) = ( g (n))

n

Exemplo usando limites

22

3

2

3

23

3lim

5lim

35lim

,que dado )(35

n

n

n

n

n

nn

nnn

nnn

Regra de L’Hopital

Se f(x) e g(x) são ambas funções diferenciáveis com derivadas f’(x) e g’(x), respectivamente, e se

existe direita a limite o que sempre

)('

)('lim

)(

)(lim

então )(lim)(lim

xg

xf

xg

xf

xfxg

xx

xx

Exemplos usando limites

01

/1lim

)'(

)'(loglim

HopitalL' de Regra a Use?log

limlog

lim

,que dado )(log

103

lim10

lim310

lim

,que dado )(310

2

2

33

3

3

3

33

n

n

nn

n

n

nn

nOnn

n

n

n

n

n

nn

nnn

n

e

n

e

n

e

n

e

nnn


lg ( )

lgln

lnlg )'

ln

ln

limlg

lim(lg )'

'lim

ln

n O n

nn

nn

n

n

n

n nn n n

2 2

1

20

( '=1

nln2


n O

e

e e

n kn

k k n k

k

n n

n n n n

n

k

n n

k

n

n

k

n n n k

)' ( ln

lim limln

lim( )

ln... lim

!

ln

ln

ln ln

n( )2

2

2 2 2

2 2 2

1

2 2 2 20

2

2 2

1

2

2

onde k é uma constante inteira positiva

( )'= ln2

cres ciment ode fun coes

Documents