ALGORITMOS 2 DIGITALES II

Presentación del tema: "ALGORITMOS 2 DIGITALES II"— Transcripción de la presentación:

1 ALGORITMOS 2 DIGITALES II
Ing. Hugo Fdo. Velasco Peña Universidad Nacional © 2006

2 OBJETIVOS Conocer los principios de evaluación de costos en algoritmos iterativos y recursivos.

3 Ejemplo 1 En algún lugar de la cinta se pueden encontrar dos o mas letras “a” seguidas. Copiar una “b” a continuación de la última “a” λaaaλ → λaaabλ

4 Ejemplo 1: Solución 1 No hay un estado final

5 Ejemplo 1: Solución 2 ?

6 Ejemplo 1: Solución 2 Supone que pueden haber caracteres “b” en la cadena. Supone que después de una “a” sola puede haber una “b”.

7 Ejemplo 1: Solución 3

8 Ejemplo 2 Copiar todas las “a” de la memoria a continuación de las “b”
λλλλaaaλλλbbbbbλλλλλ→λλλλλλλbbbbbaaaλλλ

9 Ejemplo 2: Solución

10 COSTOS En la maquina de Turing, y en general para cualquier algoritmo, los costos se pueden medir de la siguiente forma: Costo de tiempo Costo de espacio

11 COSTO DE TIEMPO Es la cantidad de transiciones cambios de estado que realiza la maquina, contando también aquellas transiciones que parten de un estado y vuelven al mismo. Por ejemplo nuestro programa para la máquina de Turing del ejemplo 1 Para el caso λaaaaλ insume 5 transiciones y la cinta queda de la forma λaaaabλ

12 COSTO DE ESPACIO Se puede medir como la cantidad de estados del programa. Cada estado en la maquina de Turing representa una cierta memoria por lo que medir la cantidad de estados es una buena forma de medir el costo espacial. Nuestro primer algoritmo para la maquina de Turing tiene 4 estados.

13 EFICIENCIA DE UN ALGORITMO
En la maquina de Turing el análisis de la eficiencia de un algoritmo pasa por averiguar si no existe un programa que pueda resolver el mismo problema en forma mas rápida empleando menos transiciones o bien utilizando menos espacio menor cantidad de estados.

14 EFICIENCIA DE UN ALGORITMO
Desarrolle un algoritmo para cambiar una bombilla.

15 OTROS MODELOS COMPUTACIONALES
La maquina de Turing es un modelo poco practico ya que al ser demasiado abstracta programar resulta extremadamente complejo. Además no es una buena referencia para la obtención de programas reales ya que un programa hecho para la maquina de Turing no tiene relación alguna con un programa realizado en un lenguaje de propósito general. Es por esto que destacando la nobleza de la maquina de Turing pasamos a otros modelos un tanto mas cercanos a la realidad.

16 MÁQUINA RAM DE COSTO FIJO
La máquina RAM proviene de Random Access Memory. Es una maquina ideal muy similar a una computadora actual aunque con algunas simplicaciones. Los programas de la maquina RAM se almacenan en memoria (en la maquina de Turing los programas no se almacenan, por lo menos no en la cinta) .

17 MÁQUINA RAM DE COSTO FIJO
Puede suponerse que todos los accesos a memoria tienen el mismo costo en tiempo y que todas las instrucciones tienen un costo constante e idéntico en tiempo. El set de instrucciones de la máquina RAM está compuesto por la gran mayoría de las instrucciones que podemos encontrar en un lenguaje de alto nivel. Un programa para la maquina RAM se escribe en un pseudocodigo especial en el cual vamos a adoptar algunas convenciones básicas.

18 Las llaves solo son necesarias si su ausencia afecta la claridad del código.
Los pasajes de parámetros a una función se hacen por valor. El acceso a un elemento de un arreglo cuesta lo mismo que el acceso a una variable

19 Algoritmo 1 Algoritmo 2 y ← 1 A[2] ← 1 if n < 1 then X ← w else
X ← y end if while n ≥ 0 do n ← n -1 end while ciclo for for i = 0 to 10 do A[i] ← 0 end for a ← 3 b ← a * 5 if b == 5 then a ← 2 else a ← 1 end if

20 El algoritmo 2 tiene 5 instrucciones de las cuales se ejecutan unicamente 4. Por lo tanto el costo del programa en tiempo es de 4*C, siendo C una constante que indica cuanto tiempo tarda en ejecutarse una instrucción. El espacio que necesita el programa es el espacio ocupado por las variables A y B. Es decir 2 * Ec, siendo Ec el espacio que ocupa una variable

21 La máquina RAM de costo fijo es mucho más realista que la máquina de Turing ya que puede verse, claramente, que a partir de un algoritmo escrito para la máquina RAM podemos desarrollar un algoritmo escrito en C, Pascal u otro lenguaje para una computadora actual.

22 Este acercamiento a la realidad en el código de la maquina RAM no se evidencia en cuanto al costo ya que el modelo planteado en el cual todas las instrucciones tienen un costo fijo no es real ya que hay algunas instrucciones que son claramente mas costosas que otras por ejemplo una multiplicación insume mas tiempo que una suma en cualquier computadora

23 MÁQUINA RAM DE COSTO VARIABLE
En la máquina RAM de costo variable cada instrucción Ii tiene asociado un costo Ci que le es propio y que depende del costo de implementar dicha instrucción.

24 Para el Algoritmo 2 en una máquina de costo variable el costo será
3*C1 + 1*C2+ 1*C3 donde C1 costo de una asignación C2 costo de una multiplicación C3 costo de comparar dos números

25 El costo del espacio en la máquina RAM de costo variable es igual al de la máquina RAM de costo fijo.

26 Claramente observamos que pese a ganar claridad en cuanto a la escritura de programas perdemos precisión y se hace más complejo el calculo de costos

27 Potencia1(x,y) Calcula xy
Require: x > 0 if y == 0 then return 1 else result ← x for i = 0 to y – 1 do result ← result * x end for end if return result

28 ¿Cuánto cuesta el algoritmo en tiempo?
La comparación del if se ejecuta siempre y supongamos que y no es cero lo cual va a pasar la mayoría de las veces. Se ejecuta una asignación y luego y - 1 veces una multiplicación. T = C1 + C2 + (y-1)(C3 + C1) C1: costo de comparar dos números C2: costo de realizar una asignación C3: costo de realizar una multiplicación

29 Por ejemplo si queremos hacer 28 el algoritmo calcula
28 = 2 * 2 * 2 * 2 * 2 * 2 * 2 * 2

30 Pero se podría hacer A = 2 * 2(22) B = A * A(24) C = B * B(28) con lo cual en lugar de multiplicaciones se utilizan solamente tres. Por lo tanto podría haber un algoritmo más eficiente.

31 Potencia2(x,y) Calcula xy Require: x > 0 if y == 0 then return 1
else r ← 1 if y >1 then r ← Potencia2(x,y/2) r ← r * r end if if y mod 2 == 1 then r ← r * x return result

32 1 2 3 r1 = 1 7 > 1 r1 = potencia2(2,3) r2 = 1 3 > 1 r2 = potencia2(2,1) r3 = 1 y = 1 y % 2 = 1 r3 = 1 * 2 1 2 3 return 2 r2 = 2 * 2 y % 2 = 1 r2 = 4 * 2 return 8 r = 8 * 8 r = 64 * 2 return 128

33 Como podemos ver el algoritmo es recursivo y en nuestro ejemplo para y = 7 realizo 5 multiplicaciones contra las seis que haríamos en el algoritmo tradicional. Para valores mas grandes de y la diferencia entre el primer y el segundo algoritmo se hace mucho más notoria.

34 ALGORITMOS ITERATIVOS
Los algoritmos iterativos son aquellos que se basan en la ejecución de ciclos que pueden ser de tipo for,while, repeat, etc. La gran mayoría de los algoritmos tienen alguna parte iterativa y muchos son puramente iterativos. Analizar el costo en tiempo de estos algoritmos implica entender cuantas veces se ejecuta cada una de las instrucciones del algoritmo y cual es el costo de cada una de las instrucciones

35 Ciclos simples for i = 1 to n do instrucción end for
El calculo en costo de un ciclo simple puede hacerse utilizando una sumatoria

36 Ciclos anidados independientes
for I = 1 to n do for J = 3 to m do Instrucción end for

37 Ciclos anidados dependientes
for i = 1 to n do for j = i to n do Instrucción end for

38 SORT POR BURBUJEO Uno de los algoritmos de uso mas común es el de ordenamiento. Burbujeo(A,n) Ordena el vector A for i 􀀀 to n 􀀀 do for j i 􀀀 to n do if Aj Ai then SwapAiAj end if end for

39

40 El costo del algoritmo lo vamos a calcular suponiendo que C1 es el costo de efectuar la comparacion y que C2 es el costo de efectuar el SWAP. Sin embargo el SWAP no se hace siempre sino que se hace únicamente cuando la comparación da A[j] > A[i] por ello debemos partir el análisis en tres casos el peor caso, el mejor caso y el caso medio.

41 Peor caso En el peor caso el algoritmo siempre hace el Swap. Esto ocurre cuando el vector viene ordenado en el orden inverso al que utilizamos

42

43 Por ejemplo para n = 8 el peor caso nos da (C1 + C2)( )=21(C1 + C2), un total de 21 Comparaciones y 21 Swaps

44 Mejor caso En el mejor caso el vector ya viene ordenado por lo que nunca efectúa ningún swap el costo total es entonces el costo de las comparaciones que es igual a lo calculado antes.

45 Caso medio En el caso medio el algoritmo efectúa todas las Comparaciones y solo la mitad de los Swaps

46 ORDEN DE UN ALGORITMO El análisis de los algoritmos realizado es muy preciso pero resulta incomodo para entender que tan eficiente es un algoritmo o para poder compararlo contra otro algoritmo. Habitualmente no interesa cuanto tarda exactamente un algoritmo sino que nos interesa saber cual es la tasa de crecimiento del algoritmo en función de los datos de entrada.

47 ORDEN DE UN ALGORITMO DEFINICIÓN
Tasa de crecimiento del tiempo que insume el algoritmo en función de la cantidad o tamaño de los datos de entrada

48 COTAS DE COMPLEJIDAD. MEDIDAS ASINTÓTICAS. NOTACIÓN “O”
Para el estudio de algoritmos existe una notación muy practica y utilizada universalmente en este tipo de problemas conocida como la gran “O” (Big-Oh notation) que define el orden de un algoritmo. Esta notación sirve para clasificar el crecimiento de las funciones

49 O(g(n)) Sea una función f(n) decimos que f(n) pertenece a la familia de funciones O(g(n)) si existe una constante C1 y un numero n0 tales que 0 ≤ f(n) ≤ C1 * g(n) para n ≥ n0 Es decir que a partir de un cierto n la función f(n) queda por debajo de la función g(n) multiplicada por una constante Sirve para acotar el peor caso de un algoritmo

50 Ω(g(n)) Sea una función f(n) decimos que f(n) pertenece a la familia de funciones Ω (g(n)) si existe una constante C1 y un numero n0 tales que C1 * g(n) ≤ f(n) para n ≥ n0 Es decir que a partir de un cierto n la función f(n) siempre es mayor que la función g(n) multiplicada por una constante. Sirve para acotar el mejor caso de un algoritmo.

51 C1 * g(n) ≤ f(n) ≤ C2 * g(n) para n ≥ n0
Sea una función f(n) decimos que f(n) pertenece a la familia de funciones Θ(g(n)) si existen constantes C1 y C2 y un número n0 tales que C1 * g(n) ≤ f(n) ≤ C2 * g(n) para n ≥ n0 Es decir que a partir de un cierto n la función f(n) queda atrapada entre C1 g(n) y C2 g(n)

52 Θ O Ω

53 Como un abuso de notación usaremos
f(n) = Ω(g(n)) f(n) = o(g(n)) f(n) = θ(g(n)) donde el signo igual debe leerse como pertenece

54 O(f(n)) + O(g(n)) = O(f(n)) sii f(n) crece más rápido que g(n)
Por ejemplo n2 + n = O(n2)

55 Aplicando esta notación a los algoritmos estudiados podemos ver que el mejor caso del burbujeo es Ω(n2). El peor caso es O(n2) por lo tanto el algoritmo de burbujeo es Θ(n2). Es decir que es un algoritmo de orden cuadrático. El sort por inserción en cambio en el mejor caso es Ω(n) y en el peor caso es O(n2). En el caso medio el algoritmo es O(n2). Por lo que también tenemos un algoritmo de orden cuadrático pero que en el mejor de los casos es lineal.

56 √n < log n < n < n log(n) < nc < xn < n! < nn
Algunas funciones típicas ordenadas por orden de crecimiento √n < log n < n < n log(n) < nc < xn < n! < nn

57 1. Para cualquier función f se tiene que f Є O(f).
2. f Є O(g) O(f) ⊂ O(g). 3. O(f) = O(g) ⇔ f ∈O(g) y g ∈O(f). 4. Si f ∈O(g) y g ∈O(h) ⇒ f ∈O(h). 5. Si f ∈O(g) y f ∈O(h) ⇒ f ∈O(min(g,h)). 6. Regla de la suma: Si f1 ∈O(g) y f2 ∈O(h) ⇒ f1 + f2 ∈O(max(g,h)). 7. Regla del producto: Si f1 ∈O(g) y f2 ∈O(h) ⇒ f1·f2 ∈O(g·h). 8. Si existe g n lim f n n→∞ = k, dependiendo de los valores que tome k obtenemos: a) Si k ≠0 y k < ∞ entonces O(f) = O(g). b) Si k = 0 entonces f ∈O(g), es decir, O(f) ⊂ O(g), pero sin embargo se verifica que g ∉O(f).