Σχεδίαση Αλγορίθμων -Τμήμα Πληροφορικής ΑΠΘ - Εξάμηνο 4ο

Transcript

1 Πολλαπλασιασμός μεγάλων ακεραίων (1) Για να πολλαπλασιάσουμε δύο ακεραίους με n 1 και n 2 ψηφία με το χέρι, θα εκτελέσουμε n 1 n 2 πράξεις πολλαπλασιασμού Πρόβλημα ρβημ όταν έχουμε πολλά ψηφία: A = B = Ας δούμε ένα απλούστερο παράδειγμα: 23*14, - Όμως 23 = , 14 = Άρα 23*14 = (2*1)10 2 +(2*4+3*1) (3*4) 10 0 Αν A = 2135, B = 4014: Α*Β= ( ) ( ) = ( )

2 Πολλαπλασιασμός μεγάλων ακεραίων (2) Βασική παρατήρηση: α) 23*14 = (2*1)10 2 +(2*4+3*1) (3*4) 10 0 = (2*1)10 2 +[(2+3)*(1+4)-2*1-3*4] (3*4) 10 0 β) 2135 *4014 = ( ) = [(21+35) +35) (40+14) 21*40-35*14] Γενικώς: : a=a 1 a 0, b=b 1 b 0 και ζητείται c=a*b c = a*b = c. +c. +c n n/ όπου c 2 =a 1 *b 1, c 0 =a 0 *b 0, c 1 =(a 1 +a 0 )*(b 1 +b 0 )-(c 2 +c 0 ) Αναδρομική εξίσωση: M(n) = 3M(n/2), M(1) = 1 Αποδοτικότητα; M(n) = 3 log log 2 n = n log log 2 3 n

3 Πολλαπλασιασμός πινάκων αλά Strassen Ο Strassen παρατήρησε [1969] ότι το γινόμενο δύο πινάκων A και B (μεγέθους 2 n x2 n ) μπορεί να υπολογισθεί ως εξής: C 00 C 01 A 00 A 01 B 00 B 01 = * C 10 C 11 A 10 A 11 B 10 B 11 = M 1 +M 4 - M 5 +M 7 M 3 +M 5 M 2 + M 4 M 1 + M 3 -M 2 + M 6 18

4 Υποπίνακες του Strassen M 1 = (A 00 + A 11) ) * (B 00 + B 11 M 2 = (A 10 + A 11 ) * B 00 M 3 =A 00 *(B 01 - B 11 ) M 4 = A 11 * (B 10 - B 00 ) M 5 = (A 00 + A 01 ) * B 11 M 6 = (A 10 -A 00 ) * (B 00 + B 01 M 7 = (A 01 -A 11 ) * (B 10 + B 11 11) ) 01) ) 11 ) 19

5 Αποδοτικότητα του αλγορίθμου Strassen Αν το n δεν είναι δύναμη του 2, τότε οι πίνακες παραγεμίζονται με μηδενικά Πλήθος πολλαπλασιασμών: Πλήθος προσθέσεων: Αναδρομή: Άλλοι αλγόριθμοι λό έχουν βελτιώσει βλ αυτό το αποτέλεσμα αλλά είναι ακόμη περισσότεροι σύνθετοι 20

6 Το πρόβλημα του πλησιέστερου ζεύγους Πρόβλημα: βρες τα πλησιέστερα σημεία μεταξύ n σημείων σε ένα k-διάστατο χώρο Υποθέτουμε ότι τα σημεία ταξινομούνται με βάση τις τιμές των τετμημένων x Διαιρούμε τα σημεία σε δύο υποσύνολα S 1 και S 2 με n/2 σημεία με βάση μία κατακόρυφη γραμμή στο x=c Επιλέγουμε το πλησιέστερο ζεύγος μεταξύ των ζευγών του αριστερού υποσυνόλου (απόσταση d 1 ), μεταξύ των ζευγών του δεξιού υποσυνόλου (απόσταση d 2 ), και το πλησιέστερο ζεύγος με σημεία και από τις δύο πλευρές Πρέπει να εξετάσουμε μία λωρίδα πλάτους 2d, όπου d=min[d 1,d 2 ] 21

7 Το πρόβλημα του πλησιέστερου ζεύγους (2) Γεωμετρική εξήγηση Αναδρομή T(n) = 2T(n/2) + M(n) Αποδοτικότητα O(n logn) Βελτιστότητα 22

8 Αλγόριθμος QuickHull Υπολογίζει το Κυρτό Περίβλημα με έμπνευση από τη Γρήγορη Ταξινόμηση: Υποθέτουμε ότι τα σημεία είναι ταξινομημένα ως προς την συντεταγμένη x Προσδιορίζουμε δύο ακραία σημαία P 1 και P 2 (μέρη του περιβλήματος) Το σύνολο σημείων S διαιρείται σε δύο υποσύνολα S 1 και S 2 Υπολογίζουμε το κυρτό περίβλημα για το S 1 Ομοίως, υπολογίζουμε το κυρτό περίβλημα για το S 1 P max P 1 23 P 2

9 Αλγόριθμος QuickHull (2) Υπολογισμός του κυρτού (επάνω) περιβλήματος για το S 1 Βρίσκουμε το πιο απομακρυσμένο σημείο P max από τη γραμμή P 1 P 2 Υπολογίζουμε το περίβλημα για τα σημεία αριστερά της γραμμής P 1 P max Υπολογίζουμε το περίβλημα για τα σημεία αριστερά της γραμμής P max P 2 Εύρεση του σημείου P max Το P max μεγιστοποιεί μγ την επιφάνεια του τριγώνου ργ P maxp 1P 2 Σε περίπτωση ισοπαλίας, επιλέγεται το P max που μεγιστοποιεί τη γωνία P max P 1 P 2 Τα σημεία μέσα στο τρίγωνο P max P 1 P 2 αγνοούνται εφεξής Πως θα βρεθεί γεωμετρικά το σημείο P max και τα σημεία στα αριστερά της γραμμής P 1 P max ; 24

10 Αλγόριθμος QuickHull (3) Πως θα βρεθεί γεωμετρικά το σημείο P max και τα σημεία στα αριστερά της γραμμής P 1 P max Δίνονται τα σημεία P 1 (x 1,y 1 ), P 2 (x 2,y 2 ), P max (x max,y max ) Το εμβαδόν του τριγώνου είναι μισό του μεγέθους της ορίζουσας x 1 y 1 1 x 2 y 2 1 =x 1 y 2 +x max y 1 +x 2 y max max x max max y 2 x 2 y 1 -x 1 y max x max y max 1 Το πρόσημο της έκφρασης είναι θετικό αν και μόνο αν το σημείο P max είναι στα αριστερά της γραμμής P 1 P 2 25

11 Αποδοτικότητα Αλγορίθμου QuickHull (4) Η εύρεση του πλέον απομακρυσμένου σημείου από την ευθεία P 1 P 2 μπορεί να βρεθεί σε γραμμικό χρόνο Έτσι προκύπτει η ίδια πολυπλοκότητα με τη γρήγορη ταξινόμηση: Χειρότερη περίπτωση: Θ(n 2 ) Μέση περίπτωση: Θ(n log n) Αν τα σημεία δεν είναι αρχικά ταξινομημένα στον άξονα x, αυτό επιτυγχάνεται με κόστος Θ(n log n) ) Άλλοι αλγόριθμοι για το κυρτό περίβλημα: Σάρωση του Graham, DCHull Επίσης σε Θ(n log n) 26

12 Δυαδική Αναζήτηση Πολύ αποδοτικός αλγόριθμος για αναζήτηση σε ταξινομημένο πίνακα: K vs A[0]... A[m]... A[n-1] Αν K = A[m], σταμάτησε (επιτυχημένη αναζήτηση. Διαφορετικά, συνέχισε την αναζήτηση με όμοιο τρόπο στον πίνακα A[0..m-1] αν K < A[m] ή στον A[m n-1] 1] αν K > A[m] l 0; r n-11 while l r do m (l+r)/2 if K = A[m] return m else if K < A[m] r m-1 else l m+1 return -1 27

13 Ανάλυση Δυαδικής Αναζήτησης Χρονική αποδοτικότητα Χειρότερη περίπτωση: C w (n) = 1+C C w ( n/2 /2 ), C w (1) = 1 Λύση: C w (n) = log 2 (n+1) +1) Αυτό είναι πολύ γρήγορο: π.χ. π.χ., C w (10 (10 6 ) = 20 Βέλτιστη μέθοδος για αναζήτηση σε ταξινομημένο πίνακα. Περιορισμοί: η είσοδος πρέπει να είναι ταξινομημένη και στη μορφή πίνακα, όχι, πχ, συνδεδεμένη λίστα. ΟΧΙ καλό παράδειγμα α τεχνικής «διαίρει δαίρε και βασίλευε». Υπάρχει ανάλογη τεχνική για τη συνεχή περίπτωση. 28

14 Αλγόριθμοι Δυαδικών Δένδρων Τα δυαδικά δένδρα έχουν έτοιμη τη δομή για αλγορίθμους διαίρει και βασίλευε. Π.χ., κλασικές διασχίσεις (προ/ προ/μετα/ενδο-διατεταγμένη) Algorithm Inorder(T) if T a a Inorder(T left ) b c b c print(root of T) d e d e Inorder(T right ) Αποδοτικότητα: Θ(n) 29

15 Αλγόριθμοι Δυαδικών Δένδρων (2) Άλλο παράδειγμα: υπολογισμός ύψους T L T R h(t) ) = max{h(t L ), h(t R )} + 1 if T and h( ) ) = -1 Αποδοτικότητα: Θ(n) 30