Estruturas de Dados, Algoritmos e Complexidade

Apresentação em tema: "Estruturas de Dados, Algoritmos e Complexidade"— Transcrição da apresentação:

1 Estruturas de Dados, Algoritmos e Complexidade
Katia Guimarães

2 Algoritmos Algoritmo é um processo sistemático para a resolução de um problema. Algoritmo é uma seqüência finita de passos bem definidos que levam à execução de uma tarefa. Exemplo clássico: Receita culinária  Note que a noção de “bem-definido” é em si mesmo vaga. Ex: Mexer até ficar consistente.  A palavra algoritmo não tem acento.

3 Ex: Algoritmo para Trocar um Pneu
1. Folgar os parafusos do pneu a ser trocado 2. Instalar o macaco e levantar o carro do lado do pneu a ser trocado. 3. Remover completamente os parafusos do pneu e retirá-lo do suporte. 4. Remover o pneu estepe do local onde é guardado, colocar o pneu no suporte e recolocar os parafusos. 5. Baixar o carro ao nível da rua. 6. Apertar os parafusos. 7. Guardar o pneu retirado, o macaco e demais ferramentas.

4 Algoritmos Note 1. Pré-suposições do algoritmo
Existem operações que você já sabe fazer, que podem ser básicas ou mais elaboradas. 2. Nível de detalhamento PASSO 2: Instalar o macaco e levantar o carro do lado do pneu a ser trocado. 1. Tire o macaco da mala. 2. Instale o macaco sob o carro próximo ao pneu a ser trocado. 3. Se o carro está em local ladeiroso, colocar um suporte de madeira para evitar que ele se mova. 4. Alavanque o macaco até que haja espaço para o pneu estepe entrar.

5 Algoritmos Computacionais
Entrada: Dados inicialmente conhecidos, os quais permitem encontrar a solução do problema. Saída: Resultado obtido pelo processamento de uma entrada específica (instância). Entrada Saída Algoritmo Definição alternativa de Algoritmo Computacional: Procedimento que transforma dados em informação.

6 Algoritmos Computacionais
Aspectos Básicos Correção: Consiste em verificar a exatidão do método, o que é realizado através de uma prova usando as premissas do problema. Ex. - Todos os valores da entrada são positivos; - A entrada está em ordem alfabética. Complexidade: Visa a obtenção de parâmetros que possam avaliar a eficiência do algoritmo em termos de recursos computacionais (tempo de execução, memória ocupada, no. de nós se processamento distribuído).

7 Algoritmos versus Programas
Especificação do problema: Entendimento das relações existentes entre os dados que são relevantes para o problema (estruturação lógica). 2. Projeto em alto nível: Que transformações deverão ser efetuadas - algoritmo - para resolver o problema. 3. Refinamento e codificação: Refinar o item 2 em termos dos mecanismos disponíveis na linguagem em que o programa será codificado. 4. Verificação de Comportamento: Avaliar o programa obtido para ver se satisfaz as especificações do problema e se tem bom desempenho (tempo e memória), modificando-o, se for o caso.

8 Algoritmos e Estruturas de Dados
versus Complexidade A escolha de estruturas de dados e das operações realizadas são fatores decisivos na eficiência do programa final. O conhecimento de princípios de complexidade computacional é requisito básico para a escolha correta das estrutura de dados e dos algoritmos mais adequados a cada problema.

9 Como Avaliar a Eficiência?
Métodos Empíricos - O tempo de execução é obtido através da execução propriamente dita do algoritmo, considerando-se entradas diversas. (Depende fortemente de tecnologia.) Métodos Analíticos – O tempo de execução é expresso através de expressões matemáticas que traduzem o comportamento do algoritmo em termos do tamanho da entrada. Entre entradas de mesmo tamanho que usam tempos de execução diferentes, considera-se sempre o pior caso.

10 O Que é Tamanho da Entrada?
Ordenação: Número de itens a ordenar. (Tamanho n do vetor para ordenar). Multiplicação de 2 inteiros: Número total de bits necessários para representar a entrada em notação binária. Multiplicação de matrizes: Número de linhas e de colunas das duas matrizes.

11 Exemplo de Análise de Complexidade
Algoritmo Somatório(A: array de inteiros, tam=n) Início soma = 0; i = n; repetir os comandos soma = soma + A[i]; i = i - 1; até que i = 0; output (soma) Fim | | Tempo constante | Trecho realizado | algumas vezes. | Quantas? n Tempo execução = Cte. + (tsom+tatr+tsub+tcomp) * n _______________________ Cte.2

12 Outro Exemplo de Análise
Algoritmo Inversão de seqüência Entrada: Elementos armazenados no vetor S[i], i=1..n. Saída: Sequência invertida dos elementos de S[i]. Início Para i = 1 .. n/2 faça temp = S[i] S[i] = S[n–i+1] S[n–i+1] = temp Fim i 1 2 3 4 … n–i+1 n n-1 n-2 n-3 Laço é executado n/2 vezes. A cada iteração é feita uma troca. Ao final a seqüência está invertida. Tempo de execução: (toperações) * n/2.

13 Observando os Tempos de Execução
Algoritmo Somatório: Cte. + (tsom+tatr+tsub+tcomp) * n = C1 + C2 * n Algoritmo Inversão de Seqüência (toperações) * n/2 = C3 * n/2 O que importa: Ambos os algoritmos são LINEARES

14 Observando os Tempos de Execução
Gostaríamos de substituir as funções encontradas por uma função mais simples, que tenha o mesmo crescimento assintótico. C1 + C2 * n  n C3 * n /  n Se a função tem termos de ordem diferente, gostaríamos de capturar o termo de mais alta ordem: 6 n3 + 4n + 9  n3

15 Notação que Captura esta Noção
Em complexidade computacional usamos uma notação que em funções do tipo C1 + C2 * n ou C3 * n/2 ignora as constantes - Aditivas (como C1) - Multiplicativas (como C2, C3 e 1/2) Ex: Se número de passos = 3n dizemos que o tempo de execução é O(n).

16 Notação que Captura esta Noção
Esta notação também despreza termos de ordem menor. Ex: Se número de passos = n2 + n dizemos que o tempo de execução é O(n2). O objetivo é ressaltar o termo que domina a curva da função.

17 Notação O - Definição Formal
Sejam f e h funções positivas de variável inteira n. Diz-se que f é O(h), escrevendo-se f = O(h), quando existirem - Uma constante c > 0 e - Um valor inteiro n0, tais que: n > n0  f (n)  c . h(n) Dois detalhes: 1. n > n0  A definição desconsidera entradas de tamanho pequeno. 2. Para entradas arbitrariamente grandes, a diferença entre o valor das duas funções é no máximo uma constante multiplicativa c.

18 Detalhe 1: O significado de n0
n > n0  A definição desconsidera entradas de tamanho pequeno.

19 Detalhe 2: O Significado de c
4 vezes 4 vezes

20 Detalhe 2: O Significado de c
Note que, embora aparentemente a distância entre as curvas rosa e azul no início não seja grande, quando n cresce arbitrariamente, a distância entre elas não pode ser definida por uma constante. 4 vezes 4 vezes Como identificar se há existe uma tal constante ou não? Calculando lim (f(n)/g(n)) e lim (g(n)/f(n)). n→∞ n→∞

21 Exemplos de Notação O f = n2 – 1  f = O(n2) f = n2 – 1  f = O(n3)
f =  f = O(1) f = 3n + 5 log n  f = O(n) f = 52n + 5n  f = O(2n)

22 Uso da Notação O Limite superior para o tempo de execução de um algoritmo. INTERPRETAÇÃO: “Algoritmo A executa em tempo (f) no máximo uma constante vezes h.” Relembrando a definição: Sejam f e h funções positivas de variável inteira n. Diz-se que f é O(h) quando existirem - Uma constante c > 0 e - Um valor inteiro n0, tais que: n > n0  f (n)  c . h(n)

23 A Notação Simétrica Ω Definição (notação  ): Sejam f e h funções positivas de variável inteira n. Diz-se que f é (h), escrevendo-se f = (h), quando existirem - Uma constante c > 0 e - Um valor inteiro n0, tais que: n > n0  f(n)  c . h(n) Uso da notação Ω: Limite inferior para o tempo de execução. “O problema X requer pelo menos tempo h.”

24 A Notação Ω Ex: f = n2 – 1  f = (n2) f = (n) f = (1)
Mas não vale: f = (n3)

25 A Notação Θ Se f = O(h) e f = Ω(h), dizemos que f = Θ(h),
ou seja, f é da ORDEM EXATA de h. “Algoritmo A executa em tempo no máximo h.” e “O problema X requer pelo menos tempo h.” Logo, o tempo de execução é ótimo.

26 Pior Caso Muitas vezes o tempo de execução de um algoritmo não depende apenas do tamanho da entrada, mas depende também do conteúdo da entrada. Se um algoritmo toma tempos diferentes para entradas do mesmo tamanho, em geral consideramos sempre o pior caso, ou seja, o tempo que o algoritmo gasta na pior entrada de tamanho n.

27 Caso Médio Para alguns algoritmos em particular, o tempo de execução de um algoritmo não depende muito do conteúdo da entrada. Nestes casos, muitas vezes nós consideramos o tempo médio de execução, ou seja, a média dos tempos de execução para todas as entradas de um mesmo tamanho.

28 Leitura Sugerida  Cap. 3 de Udi Manber: Analysis of Algorithms
Sugestão: Faça exercício 3.5.  Caps. 1 e 2 de T. Cormen et al. 1. Introduction (Analysing Algorithms) 2. Growth of Functions