Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

2. Kapitel: Komplexität und Komplexitätsklassen

Ähnliche Präsentationen


Präsentation zum Thema: "2. Kapitel: Komplexität und Komplexitätsklassen"—  Präsentation transkript:

1 2. Kapitel: Komplexität und Komplexitätsklassen
Komplexität, O-Notation Relevante Eigenschaften von Algorithmen: Korrektheit, Terminierung, Komplexität Maße für Komplexität: benötigter Speicherplatz, benötigte Rechenzeit Schwierigkeit: abhängig von Rechner, Programmiersprache

2 Möglichkeit 1: Definition eines idealisierten Modellrechners => RAM (random access machine) Befehlssatz ähnlich Assembler (Laden, Speichern, arithmetische Verknüpfung von Registerinhalten, Sprünge), unendliche Menge von Speicherzellen, die natürliche oder reelle Zahlen speichern, Speicherplatz => Zahl der benötigten RAM-Zellen Laufzeit => Zahl der ausgeführten RAM-Befehle Möglichkeit 2: Genaue Ermittlung bestimmter die Laufzeit charakterisierender Parameter (Beispiel: Sortieren -> Anzahl der Vergleichsoperationen)

3 Hier: keine Formulierung der Alg. als RAM-Programme,
Abschätzung der Laufzeit mit Schwerpunkt Wachstum der Laufzeit in Abhängigkeit von Eingabegröße Komplexität abhängig von Eingabegröße. Einheitskostenmaß: nur Anzahl der Daten berücksichtigt (etwa Anzahl zu sortierender Zahlen) log. Kostenmaß: auch Größe der Daten relevant (etwa Länge von Zahlen im Binärcode) worst case, average case, best case Analysen, amortisierte Kosten In der Regel genügt die Angabe der Größenordnung der Komplexität, wobei es auf konstante Faktoren nicht ankommt.

4 O-Notation: Sei f: N -> R+ eine Funktion. Wir definieren:
O(f) = {g | $ c > 0 : $ n0 > 0 : " n >= n0: g(n) <= cf(n)} Beispiel: 3n4 + 5n3 + 7 log n Î O(n4), denn 3n4 + 5n3 + 7 log n < 3n4 + 5n4 + 7n4 = 15 n4 für n >= 1. Wähle also c = 15, n0 = 1. In O(n4) steht n4 für die Funktion, die n auf n4 abbildet. Häufig schreibt man auch h = O(n4) statt h Î O(n4) O macht Abschätzung nach oben, nach unten: W W(f) = {g | $ c > 0 : $ n0 > 0 : " n>= n0: g(n) >= cf(n)}

5 Alternativdefinition Ottmann/Widmayer:
W(f) = {g | $ c > 0 : $ unendlich viele n: g(n)>= cf(n)} Beispiel: f(n) = 1 falls n gerade, n2 sonst. Originaldefinition liefert f = W(1), Alternativdefinition f = W(n2). Abschätzung von oben und unten (exakte Schranke) Q(f) = O(f) Ç W(f) g aus Q(f) bedeutet also: die Funktion g verläuft ab einem Anfangswert n0 im Bereich [c1f,c2f] für geeignete Konstanten c1, c2.

6 Berechnung der (worst- case- ) Zeitkomplexität
Elementare Operationen (Zuweisung, Ein-/ Ausgabe) : O ( l ) Summenregel: T1 ( n ) und T2 ( n ) seien die Laufzeiten zweier Programmfragmente P1 und P2 ; es gelte: T1 ( n )  O (f ( n ) ) und T2 ( n )  O ( g ( n ) ). Für die Hintereinanderausführung von P1 und P2 ist dann T1 ( n ) + T2 ( n )  O ( max ( f ( n ), g ( n ) ) ) Produktregel: z. B. für geschachtelte Schleifenausführung von P1 und P2 T1 ( n ) * T2 ( n )  O ( f ( n ) * g ( n ) )

7 Fallunterscheidung: Kosten der Bedingungsanweisung ( O ( l ) ) +
Kosten der längsten Alternative Schleife: Produkt aus Anzahl der Schleifendurchläufe mit Kosten der teuersten Schleifenausführung Rekursive Prozeduraufrufe: Produkt aus Anzahl der rekursiven Aufrufe mit Kosten der teuersten Prozedurausführung

8 Zeitkomplexitätsklassen
Drei zentrale Zeitkomplexitätsklassen werden unterschieden: Algorithmus A heißt: linear-zeitbeschränkt fA  O ( n ) polynomial-zeitbeschränkt  k  N, so daß fA  O ( nk ) . exponentiell-zeitbeschränkt  k  N , so daß fA  O ( kn ).

9 Komplexitätsklassen P und NP
P: Die Menge aller Sprachen (Probleme), die ein deterministischer Automat in Polynomialzeit (O(P(n)) akzeptiert. NP: Die Menge aller Sprachen (Probleme), die ein nicht-deterministischer Automat in Polynomialzeit löst. (Beispiel SAT)

10 Definition: Nichtdeterminismus
Algorithmus A heißt nichtdeterministisch, wenn A das Sprachelement OR (in beliebiger Anzahl) enthält: OR (Anw1, Anw2) bedeutet, daß entweder die Anweisung Anw1 oder die Anweisung Anw2 ausgeführt wird. Die Auswahl zwischen den beiden Anweisungen ist willkürlich.

11 P und NP als Wortproblem
Es sei A ein Algorithmus und die Eingabe von A ein Element aus * für ein Alphabet . Für jedes Eingabewort w * sei s(w) = Anzahl der Schritte bis zur Terminierung sA(n) = maximale Schrittzahl, wobei sA: 0 -> 0 mit sA(n) = max {s(w)| mit w  * , |w| =n}

12 Definition: deterministischer und nichtdeterministischer Algorithmus
Ein deterministischer Algorithmus akzeptiert eine Sprache L in der Zeit O(f(n)), wenn der A. für jedes beliebige Wort w innerhalb der Zeitschranke f(|w|] entscheidet, ob w  L gilt oder nicht. Ein nichtdeterministischer Algorithmus akzeptiert eine Sprache L in der Zeit O(f(n)), wenn er für jedes Wort der Sprache L, das die Länge n besitzt, in O(f(n)) Schritten feststellt, dass das Wort zu der Sprache gehört. CL heisst charakteristische Funktion von L  * , wenn TRUE falls w  L CL (w) = FALSE falls w  L

13 Definition: Eine Menge, Sprache oder ein Problem L heißt polynomial-zeitbeschränkt, wenn die charakteristische Funktion CL polynomial-zeitberechenbar ist. Definition: P = { L  * : L polynomial-zeitbeschränkt } heißt die Klasse der pzb-Sprachen. NP = { L  * : L nichtdeterministisch polynomial-zeitbeschränkt } heißt die Klasse der npzb- Sprachen. P = { f: *  * und f polynomial-zeitberechenbar } heißt die Klasse der pzb-Funktionen

14 NP = { f: .  . und f nichtdeterministisch
NP = { f: *  * und f nichtdeterministisch polynomial-zeitberechenbar } heißt die Klasse der npzb-Funktionen. Definitionen: Seien L, L‘  * a) L‘ heißt polynomial reduzierbar auf L dund wenn es existiert eine pzb-Funktion f: *  * mit:  w  * w  L‘ f ( w )  L b) L heißt NP-schwierig dund wenn für jedes L‘ NP gilt: L‘ ist polynomial reduzierbar auf L. c) L heißt NP-vollständig dund wenn L  NP und L ist NP-schwierig.

15 Lösungsstrategien/Arten von Algorithmen
Kleine N: Beschränkte Eingabegrößen Teile-und-Herrsche: Aufteilung eines Problems in Teilprobleme (die rekursiv gelöst werden können) Probabilistische A.: Optimierung der durchschnittlichen Kosten durch Annahmen über statistische Eigenschaften der Eingabe-größen (z.B. Randomisierung, Wahrscheinlichkeitshäufung) Approximierung: Errechnung einer hinreichend guten Lösung in einem beschränkten Suchraum (z.B. durch Heuristiken) Greedy Algorithms: Errechnung lokaler Optima Dynamische Programmierung: Aufteilung eines Problems in Teilprobleme und Wiederverwendung von Lösungen für Teilprobleme

16 Leistungsverhalten bei kleiner Eingabegröße
Asymptotische Komplexität gilt vor allem für große n bei kleineren Problemen haben konstante Parameter wesentlichen Einfluß  Verfahren mit besserer ( asympt. ) Komplexität kann schlechter abschneiden als Verfahren mit schlechter Komplexität T ( n ) Bereiche von n mit günstiger Zeitkomplexität log2 n n > 2048 1000 n <= n <= 2048 100 n log 2 n <= n <= 1024 10 n <= n <= 58 n n = 10 2n <= n <= 9


Herunterladen ppt "2. Kapitel: Komplexität und Komplexitätsklassen"

Ähnliche Präsentationen


Google-Anzeigen