Cap1 Algoritmi e Strutture Dati

Ingegneria degli algoritmi
Capitolo 1
Un’introduzione informale
agli algoritmi
Ingegneria degli algoritmi Giuseppe F. Italiano
Cos’è un algoritmo?
Abū Jaʿfar Muhammad ibn Mūsā al-Khwārizmī
•  Nato nell’attuale Khwarezm (Uzbekistan) ca 780
•  Autore di al-Kitāb al-mukhtaṣar fī ḥisāb al-ǧabr wa al-
muqābala (soluzioni eq. lineari 2° grado, algebra)
•  Algoritmi de numero Indorum (suo libro tradotto in
latino) introdusse notazione posizionale e numero 0 nel
mondo occidentale nel XII secolo
Francobollo commemorativo
russo del 1983 (1200 anni
dopo la sua nascita)
2
Cos’è un algoritmo?
Insieme di istruzioni, definite passo per passo, in
modo da poter essere eseguite meccanicamente e
tali da produrre un determinato risultato
•  Esempio: algoritmo preparaCaffè
3
Cosa NON è un algoritmo?

Algoritmo di Martin (How to become a millionaire)
Get a million dollars.
Don’t pay taxes.
If you get caught,
Say “I forgot.”
S. Martin, “You Can Be A Millionaire”, Saturday Night Live, January 21, 1978.
Reprinted in Comedy Is Not Pretty, Warner Bros. Records, 1979.
Non è un algoritmo ma è un esempio di “riduzione” tra

problemi: riduce il problema di diventare milionario al
problema di ottenere un milione di dollari.
4
Perché studiare algoritmi?

1.  Parte centrale (core) dell’informatica
5
•  Gli algoritmi sono alla base di programmi:

i.e., forniscono descrizione astratta di un
metodo (procedimento) per giungere alla
soluzione di un dato problema
6 da Demetrescu et al. Mc Graw Hill 2004


2.  Sempre più presenti nella nostra vita (Google,
GPS, traffico, Netflix, etc) – The Algorithms
Economy!
7
Un mondo basato su algoritmi
8
9
10
The Algorithms Economy


2.  Sempre più presenti nella nostra vita (Google,
GPS, traffico, Netflix, etc) – The Algorithms
Economy!
3.  Domande su algoritmi e strutture dati in
colloqui di assunzione a Microsoft, Amazon,
Facebook, Google, Yahoo etc… (e.g., http://
www.dsalgo.com/2013/02/index.php.html)
12
13
14
Se tutto questo non vi basta ...
15
16
17
18
Pseudocodice
Per mantenere massimo grado di generalità,
descriveremo algoritmi in pseudocodice:
–  ricorda linguaggi di programmazione reali
come Python, C, C++ o Java
–  può contenere alcune frasi in italiano
Traduzione in particolare linguaggio di

programmazione può essere fatta in modo
immediato e quasi meccanico
Progetto ed analisi di algoritmi

Vedremo come progettare ed analizzare
algoritmi che:
–  producono correttamente risultato desiderato
–  siano efficienti in termini di tempo di
esecuzione ed occupazione di memoria
Scopo progettazione chiaro:

abbiamo bisogno di algoritmi per scrivere
un programma!
Perché analizzare algoritmi?

•  Analisi teorica più affidabile di quella
sperimentale: vale su tutte le possibili istanze di
dati su cui l’algoritmo opera
•  Ci aiuta a scegliere tra diverse soluzioni allo
stesso problema
•  Permette di predire le prestazioni del software,
prima ancora di scriverne prime linee di codice

Introduzione a progetto e
analisi di algoritmi efficienti
tramite un esempio “giocattolo”:
Calcolo dei numeri di Fibonacci
(problema semplice ma
con molte soluzioni)
22
L’isola dei conigli

Leonardo da Pisa (noto anche come Fibonacci)
si interessò di molte cose, tra cui il seguente
problema (dinamica delle popolazioni):
Quanto velocemente si espande una popolazione di

conigli sotto appropriate condizioni?
In particolare, se partiamo da una coppia di

conigli (in un’isola deserta), quante coppie si
avranno nell’anno n?
23
Modello e ipotesi sui conigli

•  Una coppia di conigli genera due coniglietti
ogni anno
•  I conigli cominciano a riprodursi soltanto al

secondo anno dopo la loro nascita
•  I conigli sono immortali (!)
L’ultima ipotesi può sembrare irrealistica

Semplifica il problema: risolvere e verificare
24
Tasso di riproduzione dei conigli

Fn : numero di coppie di conigli presenti nell’anno n
F1 = 1 (una sola coppia)
F2 = 1 (troppo giovani per procreare)
F3 = 2 (prima coppia di coniglietti)
F4 = 3 (seconda coppia di coniglietti)
F5 = 5 (prima coppia di nipotini)
Per completezza supporremo F0 = 0
25
I conigli di Fibonacci
L’albero dei conigli

La riproduzione dei conigli può quindi essere descritta da:
27
Regola di espansione
•  In generale in un certo anno ci saranno tutte le

coppie dell’anno precedente, più una nuova coppia
di conigli per ogni coppia presente due anni prima
•  Abbiamo quindi relazione di ricorrenza:
Fn-1 + Fn-2 se n ≥ 3
Fn =
1 se n = 1,2
•  Problema algoritmico: come calcoliamo Fn ?

28
Un possibile approccio
•  Possiamo usare direttamente una soluzione alla
relazione di Fibonacci:
dove:
è la sezione aurea di un segmento

29
Sezione aurea
30
Sezione aurea
31
Algoritmo fibonacci1
32
Correttezza?
•  Qual è l’accuratezza di Φ e Φˆ necessaria per
ottenere un risultato corretto?
•  Ad esempio, se usiamo solo 3 cifre decimali:
n fibonacci1(n) arrotondamento Fn
3 1.99992 2 2
16 986.698 987 987
18 2583.1 2583 2584
33
Poiché fibonacci1 non dà risultati corretti,
come approccio alternativo potremmo utilizzare
direttamente la definizione (ricorsiva) :
algoritmo fibonacci2(intero n) → intero

if (n ≤ 2) then return 1
else return fibonacci2(n-1) +
fibonacci2(n-2)
Opera solo con interi
E’ una soluzione accettabile? recursive-fibonacci.c
34
Domande tipiche di questo corso

•  Quanto tempo richiede fibonacci2 ?
•  Come misuriamo il tempo?
– in secondi? (dipende da piattaforma)
– in istruzioni macchina? (dipende da
compilatore…)
•  Prima approssimazione:
– numero linee di codice mandate in esecuzione
(indipendente da piattaforma e compilatore)

Tempo di esecuzione
fibonacci2(n-2)
Se n ≤ 2, una sola linea di codice
Se n = 3, 4 linee di codice:
•  2 per la chiamata fibonacci2(3)
Tempo di esecuzione
fibonacci2(n-2)
Se n ≤ 2: 1 linea di codice (tempo costante);

Se n ≥ 3: 2 linee di codice più
•  chiamata a fibonacci2(n-1)
•  chiamata a fibonacci2(n-2)
37
Relazione di ricorrenza
Per n ≥ 3 in ogni chiamata si eseguono 2 linee
di codice, oltre a quelle eseguite nelle
chiamate ricorsive:
2 + T(n-1) + T(n-2) se n ≥ 3
T(n) =
1 se n = 1, 2
A parte il 2, è come per i conigli di Fibonacci!

Relazioni di ricorrenza
In generale, tempo richiesto da algoritmi ricorsivi
genera relazioni di ricorrenza
Il tempo di ogni funzione è pari al tempo speso
all’interno della chiamata più il tempo speso nelle
chiamate ricorsive
Risolvendo la relazione di ricorrenza otteniamo
l’espressione del tempo
Come si risolvono relazioni di ricorrenza?

Alberi della ricorsione

•  Utile per risolvere relazioni di ricorrenza
•  Nodi corrispondenti a chiamate ricorsive
•  Figli di un nodo corrispondenti alle sottochiamate
40
Alberi della ricorsione
Per calcolare F(5) :

4 nodi interni, 2 linee di codice ciascuno
5 foglie, 1 linea di codice ciascuna
Totale = 4 * 2 + 5 * 1 = 13 linee di codice
41
Numero di linee di codice per F(n)

•  Etichettiamo nodi dell’albero con numero di linee
di codice eseguite nella chiamata corrispondente:
–  ogni nodo interno conta 2
–  ogni foglia conta 1
•  Per calcolare T(n) basta contare nell’albero della

ricorsione:
–  numero di foglie
–  numero di nodi interni

Calcolare numero di foglie
•  Ogni foglia dell’albero della ricorsione

contribuisce 1 al valore di F(n)
•  Numero di foglie dell’albero della ricorsione di

fibonacci2(n) è pari a F(n)
43
Calcolare numero di nodi interni
•  Dimostreremo per induzione che
•  Numero di nodi interni di un albero in cui ogni

nodo ha zero oppure due figli è pari al numero di
foglie - 1
44
Dimostrazione
P (k) : se albero ha k foglie ha (k-1) nodi interni
Induzione sul numero di foglie:
•  Base. P (1) : 1 foglia, 0 nodi interni. Banale.
•  Passo induttivo. P (k) implica P (k+1)
Per generare albero con k+1 foglie, attacchiamo
due figli ad una (vecchia) foglia
Numero di foglie: k -1 + 2 = k + 1
Numero di nodi interni: (k -1) + 1 = k
45
Calcolare T(n)
•  Numero di foglie dell’albero della ricorsione di
fibonacci2(n) è pari a F(n)
•  Numero di nodi interni dell’albero della

ricorsione di fibonacci2(n) è pari a F(n) - 1
•  In totale numero di linee di codice eseguite è

F(n) + 2 ( F(n) – 1 ) = 3 F(n) - 2
46
Possiamo fare di meglio?

fibonacci2 è un algoritmo molto lento:
T(n) ≈ F(n) ≈ Φn
Perché è lento?
Continua a ricalcolare più volte la
soluzione dello stesso sottoproblema!
Those who cannot remember the past are
doomed to repeat it.
George Santayana, The Life of Reason, Introduction and Reason in
Common Sense (1905)
47

Per evitare di risolvere più volte lo stesso
sottoproblema, memorizziamo la soluzione dei
vari sottoproblemi in un array.
Fib[i] memorizza Fi
Per calcolare Fib[i] utilizziamo le soluzioni

memorizzate per Fib[i-1] e Fib[i-2]
Programmazione Dinamica
48
2 3 5 8 13 21 34 55 89 144
1 1
1 2 3 4 5 6 7 8 9 10 11 12

sia Fib un array di n interi
Fib[1] ← Fib[2] ← 1
for i = 3 to n do
Fib[i] ← Fib[i-1] + Fib[i-2]
return Fib[n]
50
1.  Definire opportunamente sottoproblemi
(tabella)
2.  Inizializzare la tabella
3.  Dove sta la soluzione?
4.  Riempire la tabella (da condizioni iniziali a
soluzione)
Perché Programmazione Dinamica?

The 1950s were not good years for mathematical research. We had a
very interesting gentleman in Washington named Wilson. He was
secretary of Defense, and he actually had a pathological fear and
hatred of the word ‘research’. I’m not using the term lightly; I’m
using it precisely. His face would suffuse, he would turn red, and he
would get violent if people used the term ‘research’ in his presence.
You can imagine how he felt, then, about the term ‘mathematical’.
The RAND Corporation was employed by the Air Force, and the Air
Force had Wilson as its boss, essentially. Hence, I felt I had to do
something to shield Wilson and the Air Force from the fact that I was
really doing mathematics inside the RAND Corporation. What title,
what name, could I choose?
Richard Bellman, on the origin of his term ‘dynamic
programming’ (1984)
52
Cambiamento di prospettiva
Siamo passati da:
Those who cannot remember the past are
doomed to repeat it.
George Santayana, The Life of Reason, Introduction and Reason in
Common Sense (1905)
a:
Those who cannot forget the past are doomed
to remember it.
Jane Ace
53
Quanto è più veloce di fibonacci2?
array-fibonacci.c
sia Fib un array di n interi
Fib[1] ← Fib[2] ← 1
for i = 3 to n do
Fib[i] ← Fib[i-1] + Fib[i-2]
return Fib[n]
3 linee di codice sono eseguite sempre

Prima linea del ciclo eseguita (n-1) volte [ 1 per n=1]
Seconda linea del ciclo eseguita (n-2) volte [ 0 per n=1]
T(n) = 3 + n-1 + n-2 = 2n [ T(1) = 3+1 = 4 ]
54
fibonacci3 vs. fibonacci2

•  2n molto meglio di 3Fn-2
•  L’algoritmo fibonacci3 impiega tempo
proporzionale a n piuttosto che esponenziale in n
(fibonacci2)
•  Tempo effettivo richiesto da implementazioni in C dei
due algoritmi su piattaforme diverse:
55
Occupazione di memoria
•  Tempo di esecuzione non è sola risorsa che ci
interessa.
•  Tempo di programmazione e lunghezza del
codice (Ingegneria del Software)
•  Anche quantità di memoria richiesta può essere
cruciale.
•  Se algoritmo lento, basta attendere più a lungo
•  Ma se algoritmo richiede più spazio (RAM) di
quello a disposizione, rischiamo di non ottenere
mai la soluzione!
56
•  fibonacci3 usa un array di dimensione n
•  In realtà non ci serve mantenere tutti i valori di Fn
precedenti, ma solo gli ultimi due, riducendo lo
spazio a poche variabili in tutto:
iter-fibonacci.c
a←b←1
for i = 3 to n do
c ← a+b
a←b
b←c
return b
57
1.  Definire opportunamente sottoproblemi
(tabella)
2.  Inizializzare la tabella
3.  Dove sta la soluzione?
4.  Riempire la tabella (da condizioni iniziali a
soluzione)
5.  Ci dobbiamo portare appresso tutta la tabella?
Notazione asintotica (1 / 4)
•  Misurare T(n) come numero di linee di
codice mandate in esecuzione è una misura
molto approssimativa del tempo di
esecuzione
•  Ipotesi: ogni linea di codice genera codice
assembler equivalente
59
•  Vorremmo un modo per descrivere ordine di
grandezza di T(n) ignorando dettagli
inessenziali come costanti moltiplicative…
•  Si utilizza a questo scopo la notazione
asintotica O( )
60
•  Diremo che f(n) = O ( g(n) ) se f(n) ≤ c g(n)
per qualche costante c, ed n abbastanza grande
cg (n )
f(n) = Ο( g(n) )
f(n)
n0 n
61
•  Ad esempio, possiamo rimpiazzare:

– T(n) = 3Fn con T(n) = O(Fn)
– T(n) = 2n e T(n) = 4n con T(n) = O(n)
– T(n) = Fn con O(2n)
•  Notazione O semplifica la vita:
– Trascurare dettagli di basso livello
– Confrontare facilmente algoritmi
– fibonacci3 e fibonacci4 sono O(n):
molto meglio di fibonacci2 - O(2n) !
62

•  Possiamo calcolare Fn in tempo inferiore a
O(n)?
•  E’ possibile dimostrare (per induzione) la
seguente proprietà di matrici:
n
1 1 Fn+1 Fn
=
1 0 Fn Fn-1
•  Useremo questa proprietà per progettare un

algoritmo più efficiente di fibonacci4
63
Potenze ricorsive
•  Da dove deriva questa proprietà?
Fn+1 1 1 Fn
=
Fn 1 0 Fn-1
n
1 1 Fn+1 Fn
=
1 0 Fn Fn-1
64
•  Tempo di esecuzione è ancora O(n)

•  Cosa abbiamo guadagnato?
65
Calcolo di potenze
•  Possiamo calcolare la potenza n-esima elevando

al quadrato la potenza (n/2)-esima
•  Se n è dispari?
Eseguiamo una ulteriore moltiplicazione
•  Esempio: calcolare 38
32 = 9 34 = (9)2 = 81 38 = (81)2 = 6561
66
Divide et impera
The control of a large force is the same principle

as the control of a few men: it is merely a
question of dividing up their numbers.
Sun Zi, The Art of War (c. 400 C.E., VI cent. BC),
translated by Lionel Giles (1910)
67
Divide et impera
Tecnica top-down:
1.  Dividi il problema in più sottoproblemi
2.  Risolvi (ricorsivamente) i sottoproblemi
3.  Ricombina soluzioni dei sottoproblemi per
ottenere la soluzione del problema originario
Esempi: ricerca binaria, mergesort, quicksort, …
68
69
Tempo di esecuzione
•  Tutto il tempo è speso nella funzione
potenzaDiMatrice
–  All’interno della funzione si spende tempo costante
–  Si esegue una chiamata ricorsiva con input n/2
•  L’equazione di ricorrenza è pertanto:
T(n) = O(1) + T(n/2)

•  Come risolverla?
70
Metodo dell’iterazione
T(n) ≤ c + T(n/2) ≤ c + c + T(n/4) = 2c + T(n/22)
In generale:
T(n) ≤ c k + T(n/2k)
Per k = log2 n si ottiene
T(n) ≤ c log2 n + T(1) = O(log2 n )
fibonacci6 è quindi esponenzialmente più

veloce di fibonacci3! matrix-fibonacci.c
71
Riepilogo
Tempo di Occupazione di
esecuzione memoria
fibonacci2 O(2n) O(n)

fibonacci3 O(n) O(n)
fibonacci4 O(n) O(1)
fibonacci5 O(n) O(1)
fibonacci6 O(log n) O(log n)
72
Lunghezza dell’input: |x| = log n

Lunghezza dell’output: Y
esecuzione memoria
2|x|
fibonacci2 O( 2 ) O(2|x| Y)
fibonacci3 O( 2|x| ) O(2|x| Y)
fibonacci4 O( 2|x| ) O(|x|+Y)
fibonacci6 O( |x| ) O( |x| Y )
73

Abbiamo davvero bisogno di matrici?
Una matrice è solo una notazione astratta: ciò che importa
sono le operazioni (normali operazioni aritmetiche).
Usare matrici rischia di produrre un algoritmo poco
efficiente in pratica. Per dirne una, calcoliamo sempre due
volte (separatamente) Fk per un numero logaritmico di k…
k
1 1 Fk+1 Fk
=
1 0 Fk Fk-1
74
Abbiamo davvero bisogno di matrici?

Per trovare un algoritmo che non usa matrici,
concentriamoci sulla “meccanica” dei calcoli:
k
1 1 Fk+1 Fk
=
1 0 Fk Fk-1
2k
1 1 Fk+1 Fk Fk+1 Fk F2k+1 F2k
= =
1 0 Fk Fk-1 Fk Fk-1 F2k F2k-1
75
2k
1 1 Fk+1 Fk Fk+1 Fk F2k+1 F2k
= =
1 0 Fk Fk-1 Fk Fk-1 F2k F2k-1
Da cui possiamo ricavare:
F2k+1 = ( Fk+1 ) 2 + ( Fk ) 2
F2k = Fk Fk+1 + Fk Fk-1
F2k-1 = ( Fk ) 2 + ( Fk-1 ) 2
F2k+1 = ( Fk+1 ) 2 + ( Fk ) 2
F2k = Fk ( Fk + 2 Fk-1 )
F2k-1 = ( Fk ) 2 + ( Fk-1 ) 2
Ovvero: Fk-1, Fk, Fk+1 è F2k-1, F2k, F2k+1
F0, F1, F2 è F1, F2, F3 è F3, F4, F5 è F7, F8, F9 è

è  F15, F16, F17 è F31, F32, F33 è F63, F64, F65 è
è  F127, F128, F129 è F255, F256, F257 è
è  F511, F512, F513 è F1023, F1024, F1025 è …
Meglio ancora: F2k = Fk ( Fk + 2 Fk-1 )

F2k-1 = ( Fk ) 2 + ( Fk-1 ) 2
Ovvero: Fk-1, Fk è F2k-1, F2k
F0, F1 è F1, F2 è F3, F4 è F7, F8 è F15, F16 è

è F31, F32 è F63, F64 è F127, F128 è F255, F256 è
è  F511, F512 è F1023, F1024 è …
fibonacci6 vs. fibonacci7

Fk+1 Fk Fk+1 Fk F2k+1 F2k
=
Fk Fk-1 Fk Fk-1 F2k F2k-1
8 moltiplicazioni, 4 somme + array indexing
F2k = Fk ( Fk + 2 Fk-1 )
F2k-1 = ( Fk ) 2 + ( Fk-1 ) 2
3 moltiplicazioni, 2 somme, 1 shift

recurrence-fibonacci.c
79
Lunghezza dell’input: |x| = log n

Lunghezza dell’output: Y
esecuzione memoria
2|x|
fibonacci2 O( 2 ) O(2|x| Y)
fibonacci3 O( 2|x| ) O(2|x| Y)
fibonacci6 O( |x| ) O( |x| Y )
fibonacci7 O( |x| ) O(|x|+Y)
80
81
Cosa abbiamo imparato?

1.  Cruciale progettare algoritmi efficienti
2.  Come misurare tempo/spazio?
–  metrica indipendente da piattaforme e tecnologie
3.  In funzione di cosa esprimiamo risorse?
–  dimensione dell’input (per Fn non è n ma log n)
4.  Come confrontare algoritmi diversi?
–  stima dell’ordine di grandezza – notazione O( )
5.  Progetto/analisi richiedono strumenti matematici
–  e.g., relazioni di ricorrenza, induzione, etc…

Cap1 Algoritmi e Strutture Dati

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Cap1 Algoritmi e Strutture Dati

Caricato da

Copyright:

Formati disponibili

Ingegneria degli algoritmi

• Esempio: algoritmo preparaCaffè

Cosa NON è un algoritmo?

Non è un algoritmo ma è un esempio di “riduzione” tra

Perché studiare algoritmi?

Perché studiare algoritmi?

• Gli algoritmi sono alla base di programmi:

6 da Demetrescu et al. Mc Graw Hill 2004

Perché studiare algoritmi?

Un mondo basato su algoritmi

Un mondo basato su algoritmi

Un mondo basato su algoritmi

The Algorithms Economy

Perché studiare algoritmi?

Perché studiare algoritmi?

Perché studiare algoritmi?

Perché studiare algoritmi?

Se tutto questo non vi basta ...

Perché studiare algoritmi?

Perché studiare algoritmi?

Perché studiare algoritmi?

Traduzione in particolare linguaggio di

Progetto ed analisi di algoritmi

Scopo progettazione chiaro:

Perché analizzare algoritmi?

21 da Demetrescu et al. Mc Graw Hill 2004

Calcolo dei numeri di Fibonacci

L’isola dei conigli

Quanto velocemente si espande una popolazione di

In particolare, se partiamo da una coppia di

Modello e ipotesi sui conigli

• I conigli cominciano a riprodursi soltanto al

• I conigli sono immortali (!)

L’ultima ipotesi può sembrare irrealistica

Tasso di riproduzione dei conigli

L’albero dei conigli

• In generale in un certo anno ci saranno tutte le

• Problema algoritmico: come calcoliamo Fn ?

è la sezione aurea di un segmento

algoritmo fibonacci2(intero n) → intero

Domande tipiche di questo corso

35 da Demetrescu et al. Mc Graw Hill 2004

Se n ≤ 2: 1 linea di codice (tempo costante);

38 da Demetrescu et al. Mc Graw Hill 2004

39 da Demetrescu et al. Mc Graw Hill 2004

Alberi della ricorsione

Alberi della ricorsione

Per calcolare F(5) :

Numero di linee di codice per F(n)

• Per calcolare T(n) basta contare nell’albero della

42 da Demetrescu et al. Mc Graw Hill 2004

Calcolare numero di foglie

• Ogni foglia dell’albero della ricorsione

• Numero di foglie dell’albero della ricorsione di

Calcolare numero di nodi interni

• Dimostreremo per induzione che

• Numero di nodi interni di un albero in cui ogni

• Numero di nodi interni dell’albero della

• In totale numero di linee di codice eseguite è

Possiamo fare di meglio?

Possiamo fare di meglio?

Per calcolare Fib[i] utilizziamo le soluzioni

algoritmo fibonacci3(intero n) → intero

•  Esempio: algoritmo preparaCaffè

•  Gli algoritmi sono alla base di programmi:

•  I conigli cominciano a riprodursi soltanto al

•  I conigli sono immortali (!)

•  In generale in un certo anno ci saranno tutte le

•  Problema algoritmico: come calcoliamo Fn ?

•  Per calcolare T(n) basta contare nell’albero della

•  Ogni foglia dell’albero della ricorsione

•  Numero di foglie dell’albero della ricorsione di

•  Dimostreremo per induzione che

•  Numero di nodi interni di un albero in cui ogni

•  Numero di nodi interni dell’albero della

•  In totale numero di linee di codice eseguite è

•  Ad esempio, possiamo rimpiazzare:

•  Useremo questa proprietà per progettare un

•  Tempo di esecuzione è ancora O(n)

•  Possiamo calcolare la potenza n-esima elevando

•  L’equazione di ricorrenza è pertanto: