Algoritmi e Strutture Dati (Mod. B)

Presentazione sul tema: "Algoritmi e Strutture Dati (Mod. B)"— Transcript della presentazione:

1 Algoritmi e Strutture Dati (Mod. B)
Programmazione Dinamica (Parte I)

2 Numeri di Fibonacci Algoritmo ricorsivo
Definizione ricorsiva (o induttiva) F(1) = F(0) = 1 F(n) = F(n-1) + F(n-2) Algoritmo ricorsivo Fib(n: intero) if n = 0 or n = 1 then return 1 else return Fib(n-1) + Fib(n-2)

3 Tempo di esecuzione dell’algoritmo
F(5) Tempo di esecuzione è O(2n) F(4) F(3) F(3) F(2) F(1) F(2) F(1) F(0) F(1) F(0)

4 La complessità in spazio è O(n).
Algoritmo II Fib(n:intero) f[0] = 1 f[1] = 1 for i=2 to n f[i] = f[i-1] + f[i-2] return f[n] Un array f [] di dimensione n. La complessità in spazio è O(n). La complessità in tempo è O(n). 21 7 13 6 8 5 3 2 1 f [ ] 4 n

5 La complessità in spazio è O(n).
Algoritmo II Fib(n:intero) f[0] = 1 f[1] = 1 for i=2 to n f[i] = f[i-1] + f[i-2] return f[n] Un array f [] di dimensione n. La complessità in spazio è O(n). La complessità in tempo è O(n). 21 7 13 6 8 5 3 2 1 f [ ] 4 n

6 La complessità in spazio è O(n).
Algoritmo II Fib(n:intero) f[0] = 1 f[1] = 1 for i=2 to n f[i] = f[i-1] + f[i-2] return f[n] Un array f [] di dimensione n. La complessità in spazio è O(n). La complessità in tempo è O(n). 21 7 13 6 8 5 3 2 1 f [ ] 4 n

7 La complessità in spazio è O(1). La complessità in tempo è O(n).
Algoritmo II Fib(n:intero) f[1] = f[2] = 1 for i=2 to n f[0] = f[1] f[1] = f[2] f[2] = f[0] + f[1] return f[2] Un array f [] di dimensione 2. La complessità in spazio è O(1). La complessità in tempo è O(n). 21 7 13 6 8 5 3 2 1 f [2] 4 n f [1] f [0] -

8 Programmazione Dinamica
Strategia sviluppata intorno agli anno ‘50 nel campo dei problemi di ottimizzazione Applicazione nei casi in cui: ci sia più di una soluzione al problema alle soluzioni è associabile un indice di “bontà” (ad esempio: costo, preferenza, etc.) si vuole determinare la soluzione con indice ottimo (la soluzione ottima del problema, rispetto all’indice di “bontà”)

9 Programmazione Dinamica
Caratterizzare la struttura di una soluzione ottima Definire ricorsivamente il valore di una soluzione otti-ma La soluzione ottima ad un problema contiene le soluzioni ottime ai sottoproblemi Calcolare il valore di una soluzione ottima “bottom-up” (cioè calcolando prima le soluzioni ai casi più semplici) Si usa una tabella per memorizzare le soluzioni dei sottoproblemi Evitare di ripetere il lavoro più volte: non ricalcolare le soluzioni di sottoproblemi già calcolate. Cotruire la (una) soluzione ottima.

10 Catena di moltiplcazione tra matrici
Problema: Data una sequenza di matrici compat-ibili 2 a 2 al prodotto A1, A2, A3, …, An, vogliamo calcolare il loro prodotto. La moltiplicazione di matrici si basa sulla molti- plicazione scalare come operazione elementare. Vogliamo calcolare il prodotto impiegando il numero minore possibile di moltiplicazioni Il prodotto di matrici non è commutativo... ...ma è associativo [ (A1  A2)  A3 = A1  (A2  A3) ]

11 Moltiplicazione tra matrici
73 35 A: B: = 75 P: A: r  c B: p  q (ma deve valere che c = p ) A  B: r  q : richiede r  c  q (r  p  q) moltiplicazioni scalari

12 Moltiplicazione tra 2 matrici
Prod-Matrici(A[r,c],B[p,q],P[r,q]: matrice) if c  p then ERRORE “dimensioni non compatibili” return else for i = 1 to r do for j = 1 to q do sum = 0 for k = 1 to c do sum = sum + A[i,k] B[k,j] P[i,j] = sum Tempo di esecuzione = (r  c  q) (n3)

13 Catena di moltiplcazione tra matrici
3 matrici: A B C Dimensioni: 1001 , 1100 , 1001 (( A B ) C ) Num Moltiplicazioni Memoria (A B ) 1100 = ((A B ) C ) 1001 = (A ( B C )) (B C ) 1001 = (A (B C )) 11 =

14 Catena di moltiplcazione tra matrici
4 matrici: A B C D Dimensioni: 5010, 1040, 4030, 305 ((( A B ) C ) D ) : moltiplicazioni ( A B ) 1040 = 20000 (( A B ) C ) 4030 = 60000 (( A B ) C ) D 5030 5 = 87500

15 Catena di moltiplcazione tra matrici
4 matrici: A B C D Dimensioni: 5010, 1040, 4030, 305 ((( A B ) C ) D ) : moltiplicazioni (( A ( B C )) D ) : moltiplicazioni (( A B )( C D )) : moltiplicazioni ( A (( B C ) D )) : moltiplicazioni ( A ( B ( C D ))) : moltiplicazioni

16 Criterio di scelta Determinare il numero di moltiplicazioni scalari necessari per i prodotti tra le matrici in ogni parentesizzazione Scegliere la parentesizzazione che richiede il numero minimo di moltiplicazioni (criterio di otti-malità) Ma quante sono le parentesizzazioni possibili? per n = 3 sono 2 per n = 4 sono 5 per n > 4 quante sono?

17 Definizione di parentesizzazione
Definizione: Un prodotto di matrici A1A2A3…An si dice completamente parentesizzato se: consiste di una unica matrice (n = 1) oppure per qualche 1  k  n, è il prodotto, delimitato da pare-ntesi, tra i prodotti completamente parentesizzati A1A2A3…Ak e Ak+1A2A3…An A  B C A  B  C D A  B  C  D (A B) ((A B) C ) (((A B ) C ) D)

18 Definizione di parentesizzazione
Definizione: Un prodotto di matrici A1A2A3…An si dice completamente parentesizzato se: consiste di una unica matrice (n = 1) oppure per qualche 1  k  n, è il prodotto, delimitato da pare-ntesi, tra i prodotti completamente parentesizzati A1A2A3…Ak e Ak+1A2A3…An C  D B B  C  D A A  B  C  D (C D) (B (C D)) (A (B (C D) ) )

19 Definizione di parentesizzazione
Definizione: Un prodotto di matrici A1A2A3…An si dice completamente parentesizzato se: consiste di una unica matrice (n = 1) oppure per qualche 1  k  n, è il prodotto, delimitato da pare-ntesi, tra i prodotti completamente parentesizzati A1A2A3…Ak e Ak+1A2A3…An C  D A  B A  B  C  D (C D) (A B) ((A B ) (C D) )

20 Quanti modi ci sono di parentesizzare?
A1, A2, A3, …, An Sia P(n) il numero di modi di calcolare il pro-dotto di n matrici. Supponiamo che l’ultima moltiplicazione sia (A1, A2, …, Ak ) (Ak+1, …, An) 1  k  n-1 per ogni scelta di parentesizzazione di (A1,A2,…,Ak ) ci sono P(n-k) possibili parentesizzazioni dell’altra porzione (Ak+1,…,An) e per ogni scelta di parentesizzazione di (Ak+1,…,An) ci sono P(k) possibili parentesizzazioni dell’altra porzione (A1,A2 ,…, Ak).

21 Quanti modi ci sono di parentesizzare?
A1, A2, A3, …, An Sia P(n) il numero di modi di calcolare il pro-dotto di n matrici. Supponiamo che l’ultima moltiplicazione sia (A1, A2, …, Ak ) (Ak+1, …, An) 1  k  n-1 Allora ci sono P(k) P(n-k) modi per un k fissato P(n) = 1kn-1 P(k) P(n-k) P(1) = 1 4862 1430 429 132 42 14 5 2 1 P(n) 10 9 8 7 6 4 3 n

22 Quanti modi ci sono di parentesizzare?
Allora ci sono P(k) P(n-k) modi per un k fissato Questa è una equazione di ricorrenza 4862 1430 429 132 42 14 5 2 1 P(n) 10 9 8 7 6 4 3 n

23 Quanti modi ci sono di parentesizzare?
Allora ci sono P(k) P(n-k) modi per un k fissato Questa è una equazione di ricorrenza... … la cui soluzione è la sequenza dei numeri catalani

24 Quanti modi ci sono di parentesizzare?
Questa è una equazione di ricorrenza... … la cui soluzione è la sequenza dei numeri catalani Quindi: enumerare tutte le possibilità, calcolare il nu-mero di moltiplicazioni e scegliere la parentesizza-zione a costo minore non è praticabile (perché il numero di possibilità è esponenziale)!

25 Soluzione con programmazione dinamica
Caratterizzare la struttura di una soluzione ottima Definire ricorsivamente il valore di una soluzione ottima Calcolare il valore di una soluzione ottima “bottom-up” (dal basso verso l’alto) Cotruzione di una soluzione ottima. Vediamo ora una ad una le 4 fasi del processo di sviluppo

26 Notazione Denoteremo nel seguito con:
c : numero di righe della matrice A1 ci : numero di righe della prima matrice Ai ci : numero di colonne della matrice Ai A1…n : sia una parentesizzazione che il risultato del prodotto A1A2…An Al…r : sia una parentesizzazione che il risultato del prodotto Al…Ar

27  Caratterizzare della soluzione ottima
Una soluzione al problema della prentesizzazione ottima di n matrici divide il problema nei due sottoproblemi: quello del prodotto delle prime k matrici A1…k e quello delle rimanenti n-k Ak+1…n(per qualche k). La soluzione finale (A1…n) è il risultato del prodotto delle due matrici A1…k e Ak+1…n. Il costo del prodotto A1…n è la somma del costo del prodotto di A1…k più il costo di Ak+1…n, più il costo del prodotto finale tra le due matrici risultanti, cioè c0ckcn.

28  Caratterizzare della soluzione ottima
La soluzione finale (A1…n) è il risultato del prodotto delle due matrici A1…k e Ak+1…n. Il costo del prodotto A1…n è la somma del costo del prodotto di A1…k più il costo di Ak+1…n, più il costo del prodotto finale tra le due matrici risultanti, cioè c0ckcn. Ma come devono essere fatte le soluzioni ai due sottoproblemi A1…k e Ak+1…n per garantire che la soluzione complessiva (A1…n = A1…k  Ak+1…n) sia anch’essa ottima?

29  Caratterizzare della soluzione ottima
Quello che ci serve che valga è che la struttura delle soluzioni ai sottoproblemi sia analoga a quella del problema complessivo. Cioè che soluzioni ottime ai sottoproblemi permettano di costruire la soluzione ottima al problema complessivo. Teorema: Se A1…n = A1…k  Ak+1…n è una parentesizzazione ottima del prodotto A1A2…An, allora A1…k e Ak+1…n sono parentesizzazioni ottime dei prodotti A1…Ak e Ak+1…An, rispettivamente.

30  Caratterizzare della soluzione ottima
Teorema: Se A1…n = A1…k  Ak+1…n è una parentesizzazione ottima del prodotto A1A2…An, allora A1…k e Ak+1…n sono parentesizzazioni ottime dei prodotti A1…Ak e Ak+1…An, rispettivamente. Dimostrazione: Supponiamo che A1…n = A1…k  Ak+1…n sia una parentesizzazione ottima di A1A2…An ma che almeno uno tra A1…k e Ak+1…n non sia una parentesizzazione ottima del rispettivo prodotto. Il costo c[A1…n] = c[A1…k] + c[Ak+1…n] + c0ckcn Supponiamo che esista una parentesizzazione migliore A’1…k delle prime k matrici (cioè c[A’1…k] < c[A1…k]). Allora basterebbe sostiture A’1…k al posto A1…k per ottene-re anche una parentesizzazione migliore per A1…n .

31  Caratterizzare della soluzione ottima
Teorema: Se A1…n = A1…k  Ak+1…n è una parentesizzazione ottima del prodotto A1A2…An, allora A1…k e Ak+1…n sono parentesizzazioni ottime dei prodotti A1…Ak e Ak+1…An, rispettivamente. Questo teorema fornisce la caratterizzazione della struttura della soluzione ottima. Ci dice che ogni soluzione ottima al problema della parentesizzazione contiene al suo interno le soluzioni ottime dei due sottoproblemi. L’esistenza di sottostrutture ottime nella soluzione ottima di un problema è una delle caratteristiche che vanno ricercate per decidere se la tecnica di Programmazione Dinamica è applicabile.

32  Definizione del valore di una soluzione ottima
Il secondo passo consiste nel definire ricorsi-vamente il valore della soluzione ottima (alla parentesizzazione) in termini delle soluzioni ottime (alle parentesizzazioni) dei sottopro-blemi.

33 Definiamo m(1,n) ricorsivamente cone segue:
Notazione Sia m(l,r) il numero ottimo di moltiplicazioni necessario calcolare il prodotto Al …r dove 1  l  r  n Definiamo m(1,n) ricorsivamente cone segue: Caso Base: m(l,r) = 0 se l = r

34  Definizione del valore di una soluzione ottima
Definiamo m(1,n) ricorsivamente cone segue: Caso Base: m(l,r) = 0 se l = r Caso Induttivo Supponiamo che l’ultima moltiplicazione sia Al…k  Ak+1…l dove l  k  r-1 m(l,r) = m(l,k) + m(k+1,r) + cl-1 ck cr

35  Definizione del valore di una soluzione ottima
Caso Base: m(l,r) = 0 se l = r Caso Induttivo Al…k  Ak+1…l dove l  k  r-1 m(l,r) = m(l,k) + m(k+1,r) + cl-1 ck cr Ma per risolvere il nostro problema ci interessa sapere per quale valore di k si ottiene il valore minimo per m(l,r)

36  Definizione del valore di una soluzione ottima
Caso Base: m(l,r) = 0 se l = r Caso Induttivo Al…k  Ak+1…l dove l  k  r-1 m(l,r) = m(l,k) + m(k+1,r) + cl-1 ck cr Ma non conosciamo il valore di k... … quindi dobbiamo tentarli tutti!

37  Calcolo del valore di una soluzione ottima
Il terzo passo consiste nel calcolare il valore della soluzione ottima (alla parentesizza-zione) in termini delle soluzioni ottime (alle parentesizzazioni) dei sottoproblemi.

38  Calcolo del valore di una soluzione ottima
A partire dall’equazione sotto, sarebbe facile definire un algoritmo ricorsivo che calcola il costo minimo m(1,n) di A1…n Purtroppo vedremo che tale approccio porta ad un algoritmo di costo esponenziale, non migliore dell’enumerazione esaustiva.

39 m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti
6 5 4 3 2 1 L R - 6 5 4 3 2 1 L R 6 5 4 3 2 1 L R m(l,r) = 0 se l = r, m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti m(1,2) = min1  k < 2{ m(1,k) + m(k+1,2) + c1ckc2 } = m(1,1) + m(2,2) + c0c1c2

40 m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti
6 5 4 3 2 1 L R - 6 5 4 3 2 1 L R 6 5 4 3 2 1 L R m(l,r) = 0 se l = r, m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti m(2,4) = min2k<4{ m(2,k) + m(k+1,4) + c1ckc4 } = min { m(2,2) + m(3,4) + c1c2c4 , m(2,3) + m(4,4) + c1c3c4 }

41 m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti
6 5 4 3 2 1 L R - 6 5 4 3 2 1 L R 6 5 4 3 2 1 L R m(l,r) = 0 se l = r, m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti m(2,5) = min2k<5{ m(2,k) + m(k+1,5) + c1ckc5 } = min { m(2,2) + m(3,5) + c1c2c5 , m(2,3) + m(4,5) + c1c3c5 , m(2,4) + m(5,5) + c1c4c5 }

42 m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti
6 5 4 3 2 1 L R - 6 5 4 3 2 1 L R 6 5 4 3 2 1 L R m(l,r) = 0 se l = r, m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti m(1,5) = min1k<5{ m(1,k) + m(k+1,5) + c0ckc5 } = min { m(1,1) + m(2,5) + c0c1c5 , m(1,2) + m(3,5) + c0c2c5 , m(1,3) + m(4,5) + c0c3c5 , m(1,4) + m(5,5) + c0c4c5 }

43 m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti
6 5 4 3 2 1 L R - 6 5 4 3 2 1 L R 6 5 4 3 2 1 L R m(l,r) = 0 se l = r, m(l,r) = minlk<r{ m(l,k) + m(k+1,r) + cl-1ckcr } altrimenti m(1,6) = min1k<6{ m(1,k) + m(k+1,6) + c0ckc6 } = min { m(1,1) + m(2,6) + c0c1c6 , m(1,2) + m(3,6) + c0c2c6 , m(1,3) + m(4,6) + c0c3c6 , m(1,4) + m(5,6) + c0c4c6 , m(1,5) + m(6,6) + c0c5c6 }