Engenharia de Computação.

Apresentação em tema: "Engenharia de Computação."— Transcrição da apresentação:

1 Engenharia de Computação.
ECE Estruturas de Dados I - 3º período - 60 h - 3 créditos Ementa: Fundamentos de Análise de Algoritmos; Recursividade; Alocação dinâmica de memória; Conceito de Tipos Abstratos de Dados; Listas, Pilhas, Filas e Árvores como Tipos Abstratos de Dados; Implementação de Tipos Abstratos de Dados. Bibliografia Básica: Silva, Osmar Quirino. Estrutura de Dados e Algoritmos usando C: fundamentos e aplicações. Rio de Janeiro: Ciência Moderna, 2007. Tanenbaum, A.M. Estruturas de Dados em C. Makron Books. Schildt, H. C Completo e Total. ed. 3. Makron Books.

2 Start Programar é muito mais que escrever um programa.
Além de resolver o problema o programa deve ser: claro, eficiente e fácil de modificar. Para isso, é necessario: disciplina e metodologia que imponham um estilo de desenvolvimento que garanta a qualidade do produto

3 Introdução a Análise de Algoritmos
Estruturas de dados são formas sistemáticas de organizar e acessar dados. Algoritmo é um procedimento, passo a passo, para realizar alguma tarefa em um tempo finito. A análise de algoritmos permite avaliar a qualidade e eficiência de algoritmos: Complexidade tempo Complexidade espaço

4 Motivação Considere os programas P1 e P2 que resolvem o mesmo problema. Como decidir qual dos dois é o melhor? Solução 1: implementar e testar Problemas: Diversidade de soluções Modificar dados de entrada para poder medir o desempenho medio pode ser inutil Solução 2: Analisar para medir sua qualidade

5 Objetivos da análise Estabelecer uma medida da qualidade de um algoritmo sem a necessidade de implementa-lo. Estratégia: associar a cada algoritmo uma função matemática f(n) que meça sua eficiencia utilizando para isso unicamente as características estruturais do algoritmo. Aplicado também a avaliação de estruturas de dados.

6 Análise de Algoritmo A análise da eficiência de um algoritmo ou estrutura de dado pode basear-se em: 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).

7 Tempo de Execução Depende de:
Velocidade do processador Compilador Estrutura do algoritmo Com exceção da última, os fatores mencionados não são inerentes à solução Portanto, para a análise considera-se apenas a estrutura do algoritmo, além do tamanho dos dados de entrada.

8 Exemplo de análise Considere o problema de inverter uma lista simplesmente encadeada:

9 Solução 1 (inverte direção dos ponteiros):
p = cab; cab = NULL; while (p != NULL) { q = p->next; p->next = cab; cab = p; p = q; }

10 Solução 2 (inverte direção dos nós):
p = cab; int temp; struct no *p,*q,*r; for(q = cab ; q->next != NULL ; q = q->next); for(p = cab ; p != q && p != q->next ; p = p->next) { temp = p->info; p->info = q->info; q->info = temp; for(r = p ; r->next != q ; r = r->next); q = r; }

11 Análise do tempo de execução:

12 Eficiência de um algoritmo
// laco executado 1000 vezes repeticao1() { int i = 1; while(n <= 1000) n = n + 1; } // laco executado 500 vezes repeticao2() { n = n + 2; Nestes casos a eficiência é proporcional ao número de interações, ou seja, f(n) = n

13 Complexidade de um algoritmo
Análise de Algoritmos é medição de complexidade de algoritmo Quantidade de "trabalho" necessária para a sua execução, expressa em função das operações fundamentais (ou primitivas), as quais variam de acordo com o algoritmo, e em função do volume de dados.

14 Operações primitivas (1)
Uma operação primitiva corresponde a uma instrução de baixo nível com um tempo de execução constante, mas que depende do ambiente de hardware e software. Atribuição de valores a variáveis Chamadas de métodos Operações aritméticas Comparações de dois números Acesso a um array Retorno de um método

15 Operações primitivas (2)
Ao invés de determinar o tempo de execução específico de cada operação primitiva, deve-se apenas contar quantas operações serão executadas. Assim será assumido que os tempos das diferentes operações primitivas são similares.

16 Exemplo de contagem do número de operações primitivas
// a[] é um array com n>0 elementos inteiros // retorna o maior elemento do array void maximo(a,n) { int c; c = a[0]; for(i = 1; i < n; i++) { if(a[i] > c) c = a[i]; } return c;

17 void maximo(a,n) { int c; c = a[0]; operações for(i = 1; i < n; i++) { 4 operações if(a[i] > c) operações c = a[i]; operações } return c; operação O mínimo de operações é: 2+1+n+4(n-1)+1 T(n) = 5n O máximo de operações é: 2+1+n+6(n-1)+1 T(n) = 7n - 2

18 Notação Assintótica É mais importante concentrar na taxa de crescimento de tempo de execução como uma função do tamanho da entrada n, ao invés de concentrar nos detalhes (quantidade de operações primitivas) A ideia principal é: encontrar f(n) fácil de calcular e conhecida que se comporte como T(n) – a qtde exata de operações primitivas. T(n) cresce aproximadamente como f(n) Em nenhum caso T(n) se comporta pior que f(n) ao se aumentar o tamanho do problema No exemplo anterior f(n) = n

19 Dominação Assintótica
Definicão :  f(n) domina assintoticamente g(n) se existem duas constantes positivas c e n0 tais que, para n ≥ n0, temos |g(n)| ≤ c |f(n)| Exemplo: Seja g(n) = n e f(n) = -n2 Temos que |n| ≤ |-n2| para todo n є N. Fazendo c = 1 e n0 = 0 a expressão |f(n)| ≤ c |g(n)| é satisfeita. Logo, f(n) domina assintoticamente g(n).

20 Notação O Notação O = big O = grande O = = ordem de magnitude = O
Caracteriza o comportamento assintótico de uma função, estabelecendo um limite superior quanto à taxa de crescimento da função em relação ao crescimento de n.

21 Definição: Considere uma função f(n) não negativa para todos os inteiros n≥0. Dizemos que “f(n) é O(g(n))” e escrevemos f(n) = O(g(n)), se existem um inteiro N e uma constante c>0, tais que para todo o inteiro n ≥ N, |f(n)| ≤ c |g(n)| O(f(n)) representa o conjunto de todas as funções que são assintoticamente dominadas por f(n).

22 Permite ignorar factores constantes e termos de menor ordem, centrando-se nos componentes que mais afectam o crescimento de uma função. A ordem de magnitude de f(n) = n + n2 é n2, ou seja, O(n2) A ordem de uma função é igual a ordem do seu termo que cresce mais rapidamente f(n) = n + 2(n-1) + nk, logo O(f(n)) = O(nk) f(n) = n + 2(n-1) + 3n + 10, logo O(f(n)) = O(n) f(n) = , logo O(f(n)) = O(1)

23 Outro exemplo de dominação assintótica:

24 Ordens mais comuns (1)

25 Ordens mais comuns (2) Terminologia de classes mais comuns de funções:
Constante – O(c) Logarítmica - O(log n) Linear - O(n) Logarítmica linear - O(n log n) Quadrática - O(n2) Polinomial – O(nk), com k ≥ 1 Exponencial – O(an), com a > 1 Fatorial – O(n!)

26 Avaliação de complexidade (1)
Algoritmos de Complexidade Exponencial (ou Fatorial) só podem ser executados "em tempo útil" para instâncias de dimensões muito pequenas. Portanto, no sentido restrito de Solução de um Problema, o termo Algoritmo só deve ser aplicado quando a Complexidade é Polinomial (ou inferior). Métodos de Complexidade Exponencial correspondem a abordagens do tipo pesquisa exaustiva (ou força-bruta) quando não existe Algoritmo para a resolução de um problema.

27 Avaliação de complexidade (2)
Os problemas de Pesquisa num Vetor são solucionado por Algoritmos de complexidade entre O(log2n) e O(n). O problema de Ordenção de um Vetor é solucionado por Algoritmos entre O(n log2n) e O(n2). Os problemas relacionados com operações Matriciais exigem, em princípio, Algoritmos de complexidade O(n3). Não existe ainda um valor mínimo teoricamente estabelecido.

28 Teoremas da notação O Teorema 01: Teorema 02: Teorema 03:
Se T (n) é O (k f(n)) => T (n) também é O( f(n)) O que importa não é o valor exato da função de complexidade e sim sua forma Teorema 02: Se A1 e A2 são algoritmos tais que TA1(n) é O(f1(n)) e TA2 é O(f2(n)), o tempo empregado para executar A1 seguido de A2 é O (max(f1(n),f2(n))) Teorema 03: O(f1(n)) . O(f2(n) = O(f1(n) . f2(n))