Algoritmos e Estruturas de Dados

Algoritmos e Estruturas de Dados
Tópicos diversos

Classes P, NP e NP-Completo
Classe P Problemas que podem ser resolvidos em tempo polinomial, isto é, O (nk) onde n é o tamanho da entrada e k é alguma constante Classe NP NP significa “não deterministicamente polinomial” Assume a existência de um computador hipotético “não determinístico”: toma sempre a decisão certa Problemas que são verificáveis em tempo polinomial Dada uma entrada E para um problema e uma saída S, verificação significa determinar se S é solução do problema S é chamada de certificado

Classes P, NP e NP-Completo
Classe NP (cont.) Exemplo: ciclo hamiltoniano de um grafo <V, E> Certificado é uma seqüência < v1, v2, ... v|V|> Claramente, determinar a correção do certificado pode ser feito em tempo polinomial P  NP Todo problema solúvel em tempo polinomial é verificável em tempo polinomial P  NP ? Seria de se esperar que existem problemas que são NP mas cuja solução requer tempo não polinomial Neste caso o “computador não determinístico” seria um grande avanço da tecnologia Até agora, não foram encontradas provas desta afirmativa

NP-Completude Um problema é NP-completo se ele é NP e pode ser reduzido a um outro problema NP-completo Definição recursiva? Problema original é o de satisfatibilidade (Cook) Dada uma expressão booleana com n termos variáveis, dar um valor a cada variável de tal forma que o resultado seja True Cook provou que o problema pode ser resolvido por computador não determinístico Redução Mapeamento entre um problema e outro Exemplo: O problema do caixeiro viajante pode ser reduzido ao problema do ciclo hamiltoniano

NP-Completude Problema do caixeiro viajante
Num grafo valorado totalmente conexo existe algum ciclo com peso total <= K ? Problema do ciclo hamiltoniano em um grafo G pode ser reduzido a este bastando criar um grafo valorado G’ onde a aresta E tem peso 1 se pertence a G ou 2 caso contrário

NP-Completude Problemas NP-Completos são intratáveis e existem muitos deles Quando um problema se mostra difícil de resolver, provar que ele é NP-completo pode ser de grande valia Prova-se que ele é NP (certificado pode ser testado em tempo polinomial) Prova-se que ele é redutível a outro problema NP-completo Na prática, costuma-se fazer a “segunda melhor coisa” Resolver um subcaso importante Achar soluções aproximadas

Heaps Binomiais Heap que suporta união em tempo O (log n+m) ao invés de O (n+m) como a heap comum Em compensação o tempo de consultar o menor elemento é O(log n) ao invés de O (1) Existe ainda um tipo de heap chamada de heap de Fibonacci que tem tempos ótimos amortizados (não pior caso): Inserção, remoção e mínimo em tempo amortizado O(1) Uma heap binomial é uma floresta de árvores binomiais

Árvores Binomiais Uma árvore binomial Bk é uma árvore ordenada
Se k = 0 então consiste de um único nó Senão, consiste de duas árvores binomiais Bk-1 ligadas de tal forma que o filho mais à esquerda de uma é a raiz da outra

Árvores Binomiais Propriedades de Bk: Tem 2k nós, Tem altura k
Tem nós de altura i A raiz tem grau k, que é maior que o de qualquer outro nó Corolário: Se uma árvore binomial tem n nós, então sua altura máxima e o grau máximo de qualquer nó é lg n

Heaps Binomiais Uma heap binomial H é uma floresta de árvores binomiais onde Cada árvore é ordenada como uma heap mínima, isto é, todos os nós internos são menores que seus filhos A raiz de cada árvore contém o mínimo elemento Todas as raízes de todas as árvores têm graus distintos Se H tem n nós, então ela contém no máximo lg n + 1 árvores binomiais Observe que, em binário, n tem lg n + 1 bits. Como cada árvore binomial de ordem k tem 2k nós, teríamos uma árvore para cada bit de n que fosse igual a 1

Heaps Binomiais Heaps são representadas como listas ordenadas (por grau/altura) de árvores binomiais Exemplo: Uma heap binomial com 13 (=1011B) nós

União de Heaps Binomiais
Faz-se o merge por grau das duas heaps numa única lista ordenada O resultado pode ter apenas 2 árvores de cada grau Para cada par de árvores A e B de mesmo grau, gera-se uma árvore C que é resultante de inserir A como filho mais à esquerda de B ou vice-versa Depende de quem é a menor das duas raízes O resultado da fusão de duas árvores de grau k é uma árvore de grau k+1 Podemos então ter três árvores de mesmo grau na lista Se isso acontecer, fundimos apenas as duas últimas

Exemplo de União de Heaps Binomiais

Consulta e Inclusão em Heaps Binomiais
A consulta do valor mínimo se faz com uma procura seqüencial das raízes das árvores em tempo O (lg n) A inclusão de um valor v numa heap binomial H é feita criando-se uma heap binomial unitária H’ contendo apenas v e computando-se sua união com H

Remoção do Mínimo em Heaps Binomiais
A árvore A contendo a menor raiz é removida da lista de H A raiz x de A é removida, gerando assim uma lista das sub-árvores filhas: A’, A’’, A’’’ etc Uma nova heap H’ é construída com a lista de filhas de A em ordem inversa É computada a união entre H e H’ A operação total é feita em tempo O (lg n)

Exemplo de Remoção em Heaps Binomiais

Tries Ao contrário de árvores de busca, que podem ser consideradas estruturas que organizam dados entre si, as tries organizam o espaço em que os dados estão imersos Bastante usadas em estruturas de dados espaciais As quadtrees, por exemplo, seriam mais bem denominadas quadtries Em uma dimensão, são mais usadas para organizar cadeias de texto O espaço é unidimensional porque podemos pensar numa ordem total entre todas as cadeias (ordem alfabética)

Exemplo de Trie

Compressão de Dados Objetivos Muito importante Exemplos:
Reduzir espaço de armazenagem Reduzir tempo de transmissão Muito importante Informação (e dados) tende a crescer de forma exponencial Exemplos: Compressão de arquivos em geral ZIP, GZIP, BZIP, BOA. Sistemas de arquivos: NTFS. Multimedia. Imagens: GIF, JPEG Som: MP3. Vídeo: MPEG, DivX™, HDTV. Comunicação Modems Faxes

Codificação e Decodificação
Seja M a mensagem que desejamos armazenar/transmitir Codificação: Gerar uma representação “comprimida” C(M) que, espera-se, utilize menos bits Decodificação: Reconstrução da mensagem original ou alguma aproximação M’ Razão de Compressão: bits de C(M) / bits de M Compressão sem perda: M = M’ Texto, programas fonte, executáveis etc RC: 50-75% ou menos Compressão com perda: M ~ M’ Imagens, som, vídeo Idéia é descartar informação não perceptível pelos sentidos RC: 10% ou mais, dependendo do fator de qualidade

Codificação por Seqüências Repetidas
Conhecida como Run-length encoding (RLE). Idéia é explorar longas seqüências da caracteres repetidos Substituir seqüência pelo número de repetições seguido do caractere repetido Se seqüência é tem menos de 3 caracteres, ignorar regra Exemplo: AAAABBBAABBBBBCCCCCCCCDABCBAAABBBBCCCD  4A3BAA5B8CDABCB3A4B3CD Como representar o número de repetições? Alguns esquemas + ou – complicados Pode levar à inflação de um arquivo se as seqüências são curtas Se o arquivo é binário, saída consiste apenas de contagens de repetições Aplicações Imagens preto e branco Compressão aumenta com a resolução

Codificação de Huffman
Idéia é usar caracteres (símbolos) com número variável de bits Caracteres mais comuns na mensagem são codificados com menos bits e caracteres menos comuns com mais Árvore de Prefixos de Huffman Dada uma mensagem, encontra a melhor (menor) codificação para os caracteres Algoritmo: Tabular freqüências dos símbolos Montar uma floresta de tries unitários com todos os símbolos e suas freqüências Repetir Localizar os dois tries com menor freqüência Fi e Fj Uní-los num trie único com freqüência Fi + Fj

Exemplo de Codificação de Huffman
Char Freq Freqüências dos caracteres E 125 T 93 A 80 O 76 I 72 N 71 S 65 R 61 H 55 L 41 D 40 C 31 U 27

T E 80 76 93 125 D L R S N I H 40 41 61 65 71 73 55 C U 31 27

T E 80 76 93 125 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

T E 80 76 81 93 125 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

T E 80 76 81 93 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

T E 80 76 81 93 126 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

156 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

156 174 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

156 174 238 A O T E 81 126 144 113 D L R S N I H 58 C U

156 174 270 238 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

330 156 174 27.0 238 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

330 508 156 174 270 238 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

838 330 508 156 174 270 238 A O T E 80 76 81 93 126 144 125 113 D L R S N I H 40 41 61 65 71 73 58 55 C U 31 27

Char Freq Fixo Huff E 125 0000 110 T 93 0001 000 A 80 0010 000 O 76 0011 011 I 73 0100 1011 N 71 0101 1010 S 65 0110 1001 R 61 0111 1000 H 55 1000 1111 L 41 1001 0101 D 40 1010 0100 C 31 1011 11100 U 27 1100 11101 Total 838 4.00 3.62

Codificação de Huffman
Implementação. Dois passos Tabular freqüências e construir o trie Codificar mensagem percorrendo o trie Usar uma fila de prioridades (heap) Complexidade O(M + N log N) M é o comprimento da mensagem N é o número de caracteres distintos Dificuldades Transmissão do trie Pode ser resolvido com variante progressiva (Knuth): Trie é construído simultaneamente pelo codificador e decodificador Não é ótimo Número de bits por caractere é inteiro Codificação aritmética: permite número “fracionário”de bits por caractere

Algoritmos e Estruturas de Dados

Apresentações semelhantes

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

Apresentações semelhantes

Sobre projeto

Feedback

Login

Autorizar-se através da rede social:

Algoritmos e Estruturas de Dados

Apresentações semelhantes

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

Apresentações semelhantes

Sobre projeto

Feedback