La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Tempo di computazione (Running Time) di programmi Misure del tempo: Misure del tempo: metodi principali 1.Benchmarking 2.Analisi Benchmarking: usato per.

Presentazioni simili


Presentazione sul tema: "Tempo di computazione (Running Time) di programmi Misure del tempo: Misure del tempo: metodi principali 1.Benchmarking 2.Analisi Benchmarking: usato per."— Transcript della presentazione:

1 Tempo di computazione (Running Time) di programmi Misure del tempo: Misure del tempo: metodi principali 1.Benchmarking 2.Analisi Benchmarking: usato per confrontare programmi. Si cerca una collezione di input che sia rappresentativa dellinsieme dei possibili dati reali. Il giudizio di confronto viene espresso sugli input scelti. Es. per algoritmi di sorting si può scegliere la collezione: prime 20 cifre codici postali italiani numeri telefonici di Roma

2 Tempo di computazione (Running Time) di programmi ANALISI: analizza il r.t. di un dato programma Si raggruppano input per dimensione (es. ordinamento: dimensione= numero elementi da ordinare, sisteme di n equazioni in n incognite: dimensione=n) Running time: funzione T(n), con n=dimensione input, che rappresenta il numero di unità di tempo usate dallalgoritmo Unità di tempo varia: es. numero di istruzioni semplici in linguaggio usato (C). Tempo effettivo dipende da vari paramentri: velocità del processore usato, compilatore,….

3 Tempo di computazione (Running Time) di programmi Worst case (caso peggiore): su diversi input di stessa dimensione n si possono avere r.t. differenti T(n)=worst case r.t. = max tempo su qualsiasi input di dimentsione n Es. cerca min A[0..n-1] (dimensione=n) 1.small=0; 2.for(j=1; j<n; j++) 3. if(A[j]<A[small]) 4. small=j; | Linea | Numero operazioni | 1. | 1 | 2. | 1 + n + (n-1) =2n | 3. | n-1 | 4. | n-1 (worst case) TOTALE: 1+2n+2(n-1)=4n-1 T(n)=4n-1

4 Tempo di computazione (Running Time) di programmi Confronto di r.t. Dato un problema consideriamo 2 algoritmi A e B con r.t. T(n) e T(n) T(n)=100n T(n)=2n 2 T(n) n<50, T(n) < T(n) T(n) n>50, T(n) > T(n) n=100, T(n) = 2 T(n) n=1000, T(n) = 20 T(n) n

5 Tempo di computazione (Running Time) di programmi T(n)=100n T(n)=2n 2 Unità di tempo= 1ms (millisec) 1000 operazioni/sec sec (1000ms) | max n per A| max n per B| | (100n=1000*sec)| ( 2n 2 =1000*sec)| 1|10|22| 10|100|70| 100|1000|223| 1000|10000|707| Se calcolatori diventano 100 volte più veloci (unità di tempo =1/100 di ms 100.000 operazioni/sec) In 10 sec A passa da n=100 ad n=10000 (*100) B passa da n=70 ad n=707 (*10)

6 Notazione O-grande e r.t. approssimato Dato un programma ed un input r.t. dipende ancora da 1.Calcolatore usato (velocità di esecuzione istruzioni) 2.Compilatore (numero istruzioni macchina/istruzione C) Quindi non ha senso parlare di tempo in sec per analizzare un algoritmo. Per nascondere effetti di 1. e 2. si usa la notazione O-grande (big-Oh) che ignora le costanti Es. 4m-1=O(m) (ignorando la costante moltiplicativa 4 e quella additiva 1)

7 Notazione O-grande e r.t. approssimato Un r.t. T(n) si assume essere definito solo per n>0 e che T(n)>0 per ogni n. Definizione Dati il r.t. T(n) ed una funzione f(n), definita per ogni intero n>0, T(n)=O(f(n)) Esistono n 0 >0 e c>0 tali che per ogni n>n 0 risulta T(n)<cf(n) N.B. Notazione Asintotica (vale per n grande)

8 Notazione O-grande e r.t. approssimato Definizione Dati il r.t. T(n) ed una funzione f(n), definita per ogni intero n>0, T(n)=O(f(n)) Esistono n 0 >0 e c>0 tali che per ogni n>n 0 risulta T(n)<cf(n) Es. Dato T(0)=0 e T(n)=(n+1)*(n+2), n>0 mostriamo che T(n)= O(n 2 ). (cioè f(n)=n 2 ) Prendiamo n 0 =1, c=6: T(n) =(n+1)(n+2)=n 2 +3n+2 1, n 0 =1<n<n 2 ) =6n 2 =c n 2 = c f(n)

9 Notazione O-grande e r.t. approssimato Costanti non hanno valore T(n)=O(d T(n)), per ogni costante d Infatti: siano n 0 =0, c=1/d. Si ha T(n)=(1/d) d T(n)= c (d T(n))

10 Notazione O-grande e r.t. approssimato Low-order terms non hanno valore Dato il polinomio T(n)=a k n k +a k-1 n k-1 +…+a 1 n+a 0, con a k >0 risulta T(n)=O(n k ) Prova:

11 Notazione O-grande e r.t. approssimato Low-order terms non hanno valore Dato il polinomio T(n)=a k n k +a k-1 n k-1 +…+a 1 n+a 0, con a k >0 risulta T(n)=O(n k )

12 Notazione O-grande e r.t. approssimato Tasso di crescita Ha valore solo il termine che cresce più rapidamente. Se g(n) cresce più rap. di h(n) g(n)+h(n)=O(g(n)) Es. T(n)=2 n +n 3 =O(2 n ), infatti Verificarlo in modo diretto esibendo le costanti n 0 e c

13 Notazione O-grande e r.t. approssimato Transitività Se f(n)=O(g(n)) e g(n)=O(h(n)) allora f(n)=O(h(n)) < c g(n) f(n)=O(g(n)) Esistono c, n tali che f(n) < c g(n) per ogni n>n < c h(n) g(n)=O(h(n)) Esistono c, n tali che g(n) < c h(n) per ogni n>n Quindi, prendiamo n 0 =max { n,n } e c=cc Per nc g(n) Per n>n 0 f(n) < c g(n) < c (c h(n)) = c h(n)

14 Notazione O-grande e r.t. approssimato Si vuole come O-grande la funzione con il minimo tasso di crescita!!! Es. f(n)=12n +3, si ha f(n)=O(n) risulta anche f(n)=O(n 2 ), f(n)=O(n 3 ), f(n)=O(2 n ), …. ma non è quello che vogliamo.

15 Notazione O-grande e r.t. approssimato Esercizio.Mostrare che g(n)+f(n)=O(max{f(n),g(n)}) Esercizio.Mostrare che se T(n)=O(f(n)) e S(n)=O(g(n)) allora T(n)S(n)=O(f(n)g(n))

16 Running Time di programmi Trova f(n) tale che T(n)=O(f(n)) Istruzioni semplici (assegnamento, confronto,…) tempo costante O(1) Cicli for: for (i=1,i<=n,i++) I 1.se I=operazione semplice risulta O(n) 2.Se I ha r.t. O(f(n)) risulta O(nf(n)) es. for(i=1,i<=n,i++) A[i]=1 T(n)=O(n) for(i=1,i<=n,i++) for(j=1,j<=n,i++) A[i]=A[i]+A[j] T(n)=O(n*n) =O(n 2 )

17 Running Time di programmi If (C) I else I: (normalmente C è O(1)) 1.se I,I sono istruzioni semplici O(1) 2.se I ha r.t. O(f(n)) e I ha r.t. O(g(n)) O(max (f(n), g(n)) es. if (A[0]=0) for(i=1,i<=n,i++) A[i]=1; else for(i=1,i<=n,i++) for(j=1,j<=n,i++) A[i]=A[i]+A[j] T(n)=O(max (n, n 2 )) =O(n 2 )

18 Running Time di programmi Cicli while e do while: simili al ciclo for (non conosciamo esplicitamente il numero di iterazioni) es. Dato un array A di n elementi i=0; while (x<>A[i] && i<n) i=i+1; (caso peggiore: n iterazioni) T(n)=nO(1)=O(n)

19 Running Time di programmi Sequenze di istruzioni: si devono sommare i tempi delle singole istruzioni. Si usa la regola della somma. Date con {I 1; I 2 ;. I m; } O(f 1 ) O(f 2 ). O(f m ) Risulta O(f 1 (n)) + O(f 2 (n))+…+ O(f m (n))= O(f i (n)) f j (n)=O(f i (n)) per ogni j diverso da i.

20 Running Time di programmi Chiamate a funzioni: si deve sommare il tempo della funzione chiamata. (se A chiama B: si calcola il r.t. di B e si somma al r.t. delle altre istruzioni di A) Chiamate ricorsive: determiniamo T(n) in modo induttivo 1.Tempo di una chiamata che non usa ricorsione = t (=O(1)) 2.Si esprime T(n) in termini del tempo T(n) della chiamata ricorsiva

21 Running Time di programmi Chiamate ricorsive: determiniamo T(n) in modo induttivo 1.Tempo di una chiamata che non usa ricorsione=t (=O(1)) 2.Si esprime T(n) in termini del tempo T(n) della chiamata ricorsiva Es. int fact(int n) { if (n<=1) return 1; else return n*fact(n-1)} T(1)=t T(n)=T(n-1)+c

22 Running Time di programmi Es. int fact(int n) { if (n<=1) return 1; else return n*fact(n-1)} T(1)=t T(n)=c+ T(n-1) Vogliamo il valore di T(n) (non dipendente da T(n)) Abbiamo T(n)=c+ T(n-1) =c+ c+ T(n-2)= 2c +T(n-2)

23 Running Time di programmi Es. int fact(int n) { if (n<=1) return 1; else return n*fact(n-1)} T(1)=t T(n)=c+ T(n-1) Abbiamo T(n)=c+T(n-1) =c+ c+ T(n-2)= 2c +T(n-2) =2c +c +T(n-3)=3c +T(n-3)

24 Running Time di programmi Es. int fact(int n) { if (n<=1) return 1; else return n*fact(n-1)} T(1)=t T(n)=c+ T(n-1) Abbiamo T(n)=c+T(n-1) =c+ c+ T(n-2)= 2c +T(n-2) =2c +c +T(n-3)=3c +T(n-3) … =ic +T(n-i) (per i=n-1) =(n-1)c+T(1) =(n-1)c+t= O(n)

25 Running Time di programmi Esercizio. Dimostrare per induzione su n che la relazione di ricorrenza T(1)=t T(n)=c+ T(n-1) ha come soluzione T(n)=(n-1)c + t Base n=1. T(1)=t=(1-1)c+t. OK. Passo. Sia n> 1. Assumiamo T(n)=(n-1)c + t. Consideriamo T(n+1) T(n+1)=c + T(n) (per definizione) =c + (n-1)c + t (per i.i.) = nc +t

26 Running Time di programmi Esercizio. Considerare la relazione di ricorrenza T(0)=T(1)= 1 T(n)=2 T(n-2) 1.Determinare T(2), T(3), T(4), T(5): T(2)=2, T(3)=2, T(4)=4, T(5)=4 1.Determinare T(n) in termini di T(n-4): T(n)=4 T(n-4) 2.Determinare T(n) in termini di T(n-6): T(n)=8 T(n-6) 3.Determinare T(n) in termini di T(n-2i): T(n)=2 i T(n-2i) 4.Determinare T(n): se n pari, i=n/2, T(n-2i)=T(0) T(n)=2 n/2 T(0)=2 n/2 se n disp., i=(n-1)/2, T(n-2i)=T(1) T(n)=2 (n-1)/2 T(1) =2 (n-1)/2

27 Soluzioni Relazioni di ricorrenza 1.T(1)=a T(n)= b+T(n-1), n>1 T(n)=(n-1)b+a 2. T(k)=a T(n)=T(n-1)+g(n) T(n)=a + g(k+1)+…+g(n) T(n) = g(n)+T(n-1) = g(n)+g(n-1)+T(n-2)=… … = g(n)+g(n-1)+…+g(k+1)+T(k) 3.T(1)=1 T(n)=T(n-1)+n (g(i)=i) T(n)=1 + 2+…+n=n(n+1)/2

28 Soluzioni Relazioni di ricorrenza 4. T(1)=a T(n)=2T(n/2)+g(n)

29 Soluzioni Relazioni di ricorrenza 4. T(1)=a T(n)=2T(n/2)+g

30 Soluzioni Relazioni di ricorrenza 4. T(1)=a T(n)=2T(n/2)+n

31

32

33

34

35


Scaricare ppt "Tempo di computazione (Running Time) di programmi Misure del tempo: Misure del tempo: metodi principali 1.Benchmarking 2.Analisi Benchmarking: usato per."

Presentazioni simili


Annunci Google