Analisi Algoritmi Ricorsivi Nuova Versione

Analisi di Algoritmi Ricorsivi
Liliana Lo Presti
Algoritmi ricorsivi
• Descriviamo il tempo di esecuzione attraverso una relazione di
ricorrenza
• Il tempo speso dall’algoritmo è pari a: il tempo speso all’interno della
procedura + il tempo speso nelle chiamate ricorsive
• Per la ricercar binaria:
𝑇 𝑛 = 𝑂 1 + 𝑇 𝑛/2
• Il problema diventa quello di manipolare tale relazione per ottenere
un costo che sia funzione di n
Algoritmi ricorsivi – Metodi di analisi
• Metodo dell’iterazione: “Srotoliamo” la relazione
• Metodo della sostituzione: usiamo l’induzione
• Oppure
• Usiamo il teorema fondamentale delle ricorrenze
• Utile quando il problema è risolvibile con la tecnica del divide et impera
Tecnica del divide et impera
• Dato un problema di dimensione n, lo si divide in k sotto-problemi di
dimensione n/b (quindi di dimensione più piccola)
• Si risolvono i sotto-problemi ricorsivamente
• Si combinano le soluzioni dei sotto-problemi per risolvere quello originario
• Il costo di esecuzione può esser scritto come:
𝑛
𝑇 𝑛 =𝑘%𝑇 + 𝑓(𝑛)
𝑏
f(n) è il costo necessario per dividere il problema in k sotto-problemi e combinarne le
soluzioni
Es.: Ricerca binaria
Algorithm 4 Search the value v among the n ordered elements of S
1: function binarySearch(S, v, first, last)
2: if first > last then
3: return 0
4: m b first+last
2 c
5: if S[m] = v then
6: return m
7: else if S[m] > v then
8: return binarySearch(S, v, first, m 1)
9: else
10: return binarySearch(S, v, m + 1, last)
Il problema è suddiviso in sotto-problemi. In questo esempio, un solo sotto-problema è

risolto ogni volta
Albero - wiki
• In informatica, un albero o struttura ad albero (tree in inglese) è la struttura dati che si
riconduce al concetto di albero con radice presente nella teoria dei grafi.
• Un albero si compone di due tipi di sottostrutture fondamentali:
• il nodo, che in genere contiene informazioni,
• l'arco, che stabilisce un collegamento gerarchico fra due nodi: si parla allora di un nodo padre dal
quale esce un arco orientato che lo collega ad un nodo figlio.
• … ogni nodo ha al massimo un unico arco entrante,
• … dai nodi possono uscire diversi numeri di archi uscenti.
• … un unico nodo privo di arco entrante: questo nodo viene detto radice (root)
dell'albero.
• … Ogni nodo che non presenta archi uscenti è detto foglia (leaf node)
• L'altezza o profondità dell'albero è il massimo delle lunghezze dei suoi cammini

massimali, cammini che vanno dalla radice alle sue foglie.
Albero della ricorsione
• Le chiamate ricorsive possono essere rappresentate attraverso un
albero
• Nodo radice rappresenta la prima chiamata
• I figli rappresentano le chiamate ricorsive
• Per semplicità, assumiamo che la ricorsione termini quando n = 1

Albero della ricorsione
1° chiamata Livello 0: k figli, 1 nodo
n
n/b n/b n/b Livello 1: k2 figli, k nodi

K chiamate
K chiamate
n/b2 n/b2 n/b2 n/b2 n/b2 n/b2 Livello 2: k3 figli, k2 nodi
K chiamate
Proprietà
• I sotto-problemi al livello i hanno dimensione !⁄"!
• Considerato che il costo di esecuzione dell’algoritmo è

𝑛
𝑇 𝑛 =𝑘+𝑇 + 𝑓(𝑛)
𝑏
• Escludendo il costo delle chiamate ricorsive, ogni sotto-problema
(ogni nodo) contribuisce al costo di esecuzione complessivo con
𝑓 !⁄"!
!
• Poichè la ricorsione termina quando "! = 1, allora 𝑛 = 𝑏# e 𝑖 = log " 𝑛
• Quindi il numero massimo di livelli nell’albero è pari a 𝑖 = log " 𝑛
Proprietà
• Ogni nodo ha k figli ed il numero di livelli è i
• Il numero totale di nodi al generico livello i è pari a 𝑘 #
• Ogni nodo contribuisce al costo con 𝑓 !⁄"!
• In definitiva:
&'(" !
𝑛
𝑇 𝑛 = 4 𝑘#𝑓
𝑏#
#$%
Per il teorema che segue, è inoltre necessario
sapere che:
Se 𝒇𝟏 𝒏 = 𝑶(𝒈𝟏 𝒏 ) e 𝒇𝟐 𝒏 = 𝑶(𝒈𝟐 𝒏 ), allora
𝑓# 𝑛 + 𝑓$ 𝑛 = 𝑂(max 𝑔# 𝑛 ; 𝑔$ 𝑛 )
Dimostrazione
𝒇𝟏 𝒏 ≤ 𝒄𝟏 𝒈 𝟏 𝒏
𝒇𝟐 𝒏 ≤ 𝒄𝟐 𝒈 𝟐 𝒏
Sia 𝒈𝑴 (𝒏) = 𝒎𝒂𝒙{𝒈𝟏 𝒏 ; 𝒈𝟐 𝒏 }
allora
𝒇𝟏 𝒏 ≤ 𝒄𝟏 𝒈 𝑴 𝒏
𝒇𝟐 𝒏 ≤ 𝒄𝟐 𝒈 𝑴 𝒏
e sommando:
𝒇𝟏 𝒏 + 𝒇𝟐 𝒏 ≤ (𝒄𝟏 +𝒄𝟐 )𝒈𝑴 𝒏
Esempi
Se 𝒇𝟏 𝒏 = 𝑶(𝒏𝟐) e 𝒇𝟐 𝒏 = 𝑶(𝒏 𝒍𝒐𝒈 𝒏), allora
𝑓+ 𝑛 + 𝑓, 𝑛 = 𝑂(𝒏𝟐)
Se 𝒇𝟏 𝒏 = 𝑶(𝒍𝒐𝒈 𝒏) e 𝒇𝟐 𝒏 = 𝑶(𝟏), allora
𝑓+ 𝑛 + 𝑓, 𝑛 = 𝑂(log 𝑛)
Teorema Master
Teorema Master
Teorema Master
Teorema Master
Per le proprietà dei logaritmi
k è il numero di livelli dell’albero.

a è il numero di figli di ogni nodo.
Lc è il numero di foglie (nodi con costo T(1))
Teorema Master
Il costo totale T(n) = Lc + Ic dove Ic è il costo dei nodi interni ed Lc il costo dei nodi foglia
Teorema Master
Il costo totale T(n) = Lc + Ic dove Ic è il costo dei nodi interni ed Lc il costo dei nodi foglia
Teorema Master Ic per livello
Teorema Master Ic per livello
Lc
T(n) =
Teorema Master
T(n) =
Per capire quanto costa l’algoritmo

dobbiamo comparare il costo dei nodi
foglia e del corpo della funzione
Ci sono 3 casi:
Teorema Master
T(n) =
Ci sono 3 casi:
1. Il costo cresce
geometricamente dalla radice
alle foglie
Lc cresce asintoticamente più di Il costo delle foglie predomina!
f(n) di un fattore polinomiale
nepsilon
Teorema Master
T(n) =
Ci sono 3 casi:
1. Il costo cresce 2. Il costo è approssimativamente

geometricamente dalla radice uguale in ciascuno dei logb n
alle foglie livelli dell’albero.
Lc cresce asintoticamente più di La crescita di Lc è
f(n) di un fattore polinomiale asintoticamente uguale a quella
nepsilon di f(n)
Teorema Master
T(n) =
Ci sono 3 casi:
1. Il costo cresce 2. Il costo è approssimativamente 3. Il costo decresce

geometricamente dalla radice uguale in ciascuno dei logb n geometricamente dalla radice alle
alle foglie livelli dell’albero. foglie
Lc cresce asintoticamente più di La crescita di Lc è La crescita di Lc è asintoticamente
f(n) di un fattore polinomiale asintoticamente uguale a quella minore di quella di f(n) di un
nepsilon di f(n) fattore polinomiale nepsilon
Attenzione
• Cosa significa che Lc cresce asintoticamente più di f(n) di un fattore
polinomiale?
&-. / !#$%" &

𝑓 𝑛 <𝑛 "
0(!)
≥ 𝑐𝑛3 = Ω(𝑛3 )
Attenzione
• Cosa significa che Lc decresce asintoticamente più di f(n) di un fattore
polinomiale?
0(!)
𝑓 𝑛 > 𝑛&'(" / ≥ 𝑐𝑛3 = Ω(𝑛3 )
!#$%" &
Teorema fondamentale delle ricorrenze
(detto anche Teorema Master)
• La relazione di ricorrenza
𝑛
𝑘%𝑇 + 𝑓(𝑛) 𝑠𝑒 𝑛 > 1
𝑇 𝑛 =< 𝑏
1 𝑠𝑒 𝑛 = 1
Ha soluzione:
𝜽 𝑛&'(! ) se f 𝑛 = 𝑶 𝑛&'(! )*+ con 𝜖 > 0 Caso 1

𝜽 𝑛&'(! ) log 𝑛 se f 𝑛 = 𝜣 𝑛&'(! ) Caso 2
𝑇 𝑛 = se f 𝑛 = 𝜴 𝑛&'(! ),+ per 𝜖 > 0 e Caso 3

𝜽 𝑓(𝑛) 𝑛
𝑘𝑓 ≤ 𝑐𝑓 𝑛 per c < 1 ed n ≫ 0
𝑏
Teorema fondamentale delle ricorrenze
(detto anche Teorema Master)
• In ciascuno dei 3 casi confrontiamo 𝒇(𝒏) con la funzione 𝒏𝐥𝐨𝐠𝒃 𝒌
• La soluzione della ricorrenza è determinate dalla più grande tra le due funzioni:
• Caso 1: 𝑛&'(! ) è più grande di 𝑓(𝑛), allora 𝑇 𝑛 = 𝜃 𝑛&'(! )
• Caso 3: 𝑓(𝑛) è più grande di 𝑛&'(! ) , allora 𝑇 𝑛 = 𝜃 𝑓(𝑛)
• Caso 2: le due funzioni hanno la stessa dimensione, allora moltiplichiamo per un fattore
logaritmico 𝑇 𝑛 = 𝜃 𝑓(𝑛) log 𝑛 = 𝜃 𝑛&'(! ) log 𝑛
𝒏 Caso 1: 𝐟 𝒏 = 𝑶 𝒏𝒍𝒐𝒈𝒃 𝒌*𝝐 con 𝝐 > 𝟎 ⇒ 𝑻 𝒏 = 𝜽 𝒏𝒍𝒐𝒈𝒃 𝒌
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝑻 𝒏 =6 𝒃 Caso 2: 𝐟 𝒏 = 𝜣 𝒏𝒍𝒐𝒈𝒃 𝒌 ⇒ 𝑻 𝒏 = 𝜽 𝒏𝒍𝒐𝒈𝒃 𝒌 𝒍𝒐𝒈 𝒏
𝟏 𝒏=𝟏
Caso 3: 𝐟 𝒏 = 𝜴 𝒏𝒍𝒐𝒈𝒃 𝒌,𝝐 , 𝝐 > 𝟎,
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + c
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + c
k=3, b=9, f(n)=c
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + c
k=3, b=9, f(n)=c
𝑐 = 𝑂 𝑛&'(( 893 = 𝑂 𝑛+/,93
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + c
k=3, b=9, f(n)=c
𝑐 = 𝑂 𝑛&'(( 893 = 𝑂 𝑛+/,93
siamo nel caso 1 del teorema (non valgono limitazioni inferiori)
𝑇 𝑛 = Θ( 𝑛)
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + n
k=3, b=9, f(n)=n à 𝑛&'(( 8 = 𝑛+/,
𝑛 ≥ 𝑛+/,
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 3T(n/9) + n
k=3, b=9, f(n)=n
)
;3
n= Ω 𝑛&'(( 8;3 =Ω 𝑛 * àpotremmo essere nel terzo caso
! +
3 < ≤ 𝑐𝑛 ogni 𝑐 > 8 . Poiché c<1, siamo nel caso 3
𝑇 𝑛 = Θ(𝑛)
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
Esempi
Sia T(n) = 2T(n/2) + n
k=2, b=2, f(n)=n à log , 2 = 1 à 𝒏𝒍𝒐𝒈𝒃 𝒌= 𝒏𝟏 = 𝒏
n= Θ(𝑛) à siamo nel caso 2
𝑇 𝑛 = Θ(𝑛 log 𝑛)
𝒌7𝑻 + 𝒇(𝒏) 𝒏>𝟏
Esercizi𝟏 𝒏=𝟏
𝒏 ⇒ 𝑻 𝒏 = 𝜽 𝒇(𝒏)
𝒌𝒇 ≤ 𝒄𝒇 𝒏 , 𝒄 < 𝟏
𝒃
• Usando il Teorema Master, calcolare la soluzione delle seguenti

relazioni di ricorrenza
!
1. 𝑇 𝑛 = 4𝑇 ,
+𝑛
!
2. 𝑇 𝑛 = 4𝑇 ,
+ 𝑛,
!
3. 𝑇 𝑛 = 4𝑇 ,
+ 𝑛8
!
4. 𝑇 𝑛 = 3𝑇 8
+𝑛
Soluzioni
1. 𝑇 𝑛 = Θ 𝑛,
2. 𝑇 𝑛 = Θ 𝑛, log 𝑛
3. 𝑇 𝑛 = Θ 𝑛8
4. 𝑇 𝑛 = Θ(𝑛 log 𝑛)
Quando posso applicare il Teorema?
!
• 𝑇 𝑛 =𝑎+𝑇 "
+𝑓 𝑛
• a>0
• b>1
• f(n) gode di condizioni di regolarità ovvero
a f(n/b) <= c f(n) con 0<c<1
Il rapporto tra la funzione f(n) e Lc soddisfa una delle seguenti:
Se f(n) è un polinomio, normalmente possiamo applicare il TM

I dubbi nascono quando nella funzione appare un logaritmo
Cosa possiamo dire di log n?
Cerchiamo di capire la relazione tra log(n) e nz
La funzione logaritmo cresce molto più lentamente di qualsiasi potenza di n con

esponente positivo, ovvero
log 𝑛 ≤ 𝑛 ! 𝑐𝑜𝑛 𝑧 > 0 e per valori di n che tendono a infinito
Questo si può dimostrare calcolando il seguente limite con il de l’Hopital:

log 𝑛 1
lim = lim ! = 0
"→$ 𝑛 ! "→$ 𝑧𝑛
Da cui
log 𝑛 = 𝑂(𝑛 ! ) ogni z>0
Posso usare il teorema master in questo
caso?
• T(n) = 2 T(n/2) + n log n
caso?
• T(n) = 2 T(n/2) + n log n
Individuo f(n): f(n) = n log n

Condizioni su k e b: a=2 >1 e b = 2 > 0 le condizioni sono verificate!
Individuo g(n): logba = 1 quindi Lc = g(n) = n
!@-. !
!
= log 𝑛 che è 𝑂(𝑛3 ) e non Omega!
Non posso usare il teorema master

caso?
• T(n) = 3 T(n/4) + n log n

Individuo g(n): logba < 1 quindi 𝑔 𝑛 = 𝑛%&'! (
")*+ "
= 𝑛-.%&'! ( log 𝑛 ≥ 𝑛-.%&'! ( = 𝑛/ 𝑐𝑜𝑛 𝜖 = 1 − log 0 3>0
""#$! %
Quindi f(n)=Omega(𝑛%&'! ( ) potrei essere nel caso 3. Devo verificare la condizione di

regolarità ecc….
posso usare il teorema master
caso?
• T(n) = 4 T(n/2) + n log n

Individuo g(n): logba = 2 quindi 𝑔 𝑛 = 𝑛#
𝑛# 𝑛
= .
𝑛 𝑙𝑜𝑔 𝑛 log 𝑛
$ $
Ricordando che log n < nz ogni z>0 allora ≥ !
%&'( (
( (
Quindi ≥ ≥ 𝑛$,- 𝑐ℎ𝑒, 𝑐𝑜𝑛 𝑢𝑛 0 < 𝑧 < 1, 𝑝𝑜𝑠𝑠𝑜 𝑖𝑛𝑡𝑒𝑟𝑝𝑟𝑒𝑡𝑎𝑟𝑒 𝑐𝑜𝑚𝑒 𝑛.
)*+ ( (!
Quindi f(n)=O(𝑛#,. ) e siamo nel caso 1 del TM. Quindi T(n) = Theta(n2)
posso usare il teorema master

Analisi dell’albero della ricorsione
• Per poter applicare il teorema Master è necessario che la relazione sia
del tipo
𝑛
𝑘%𝑇 + 𝑓(𝑛) 𝑠𝑒 𝑛 > 1
𝑇 𝑛 =< 𝑏
1 𝑠𝑒 𝑛 = 1
• Una relazione come

𝑛 2𝑛
𝑇 𝑛 =𝑇 +𝑇 +𝑛
3 3
• Non può esser risolta con il teorema Master
• Possiamo però tracciare ed analizzare l’albero della ricorsione
𝑛 2𝑛
𝑇 𝑛 =𝑇 +𝑇 +𝒏
3 3
n Pe
rc
=n
ors
op
iù
lu n
go
n/3 2n/3 =n/3+2n/3=n
n/32 2n/32 2n/32 4n/32 =n/9+2n/9+2n/9+4n/9=n

• Possiamo quindi tracciare l’albero della ricorsione e analizzarlo
𝑛 2𝑛
𝑇 𝑛 =𝑇 +𝑇 +𝒏
3 3
n Ogni livello abbiamo un costo pari ad n
Il numero di livelli è log =/$ 𝑛
n/3 Quindi, un upper bound del tempo è
2n/3
O(n log n)
n/32 2n/32 2n/32 4n/32

Cambiamenti di variabile
• In alcuni casi, un cambio di variabile semplifica il calcolo
• Es.:
𝑇 𝑛 =𝑇 𝑛 + 𝑂(1)
• Ponendo 𝑛 = 2B (ovvero x = log n) si ottiene
𝑇 2B = 𝑇 2B/, + 𝑂(1)
Cambiamenti di variabile
𝑇 2B = 𝑇 2B/, + 𝑂(1)
• Ponendo 𝑅 𝑥 = 𝑇 2B , si ottiene
𝑥
𝑅 𝑥 =𝑅 + 𝑂(1)
2
Che può essere risolta con una delle tecniche già viste (per es. Ricade nel caso 2
del Teo. Master) ottenendo
• 𝑅 𝑥 = Θ(log 𝑥)
• 𝑇 𝑛 = Θ(log log 𝑛)
Analisi di Algoritmi Randomizzati
• Un algoritmo si dice randomizzato se il suo comportamento è
determinato non solo dal suo input ma anche da un generatore di
numeri casuali
• Gli algoritmi non randomizzati sono detti deterministici
• Poichè il tempo di esecuzione di un algoritmo randomizzato non

dipende solo dal suo input ma anche dal generatore di numeri
casuali, per tali algoritmi calcoliamo il tempo atteso
𝐸𝑡 𝐼 = 𝑇CBD 𝐼 = 4 𝑃(𝑅) + 𝑡(𝐼, 𝑅)

ECFGC!HC
I/!J-K L
Analisi di Algoritmi Randomizzati
• Nel caso peggiore, su istanze di dimensione n
𝑇CBD 𝑛 = max 4 𝑃(𝑅) + 𝑡(𝐼, 𝑅)

M(!)
ECFGC!HC
I/!J-K L
Che differenza con analisi del caso medio per algoritmi deterministici
(riportate di seguito)?
𝑇N-IEO 𝑛 = max{𝑡(𝐼)} 𝑇/P. = ∑M(!) (𝑝 𝐼 + 𝑡 𝐼 )

M(!)
Es.: Ricerca randomizzata
Algorithm 14 Ricerca Randomizzata: cerca elemento x nella lista L

1: function ricercaRandomizzata(L, x)
2: permuta casualmente L
3: for all y 2 L do
4: if y = x then
5: return True
6: return False
Quando potrebbe convenire?


3: for all y 2 L do
4: if y = x then
5: return True
6: return False
Quando potrebbe convenire?

Quando l’operazione di confronto è molto più costosa dell’operazione di
permutazione.

3: for all y 2 L do
4: if y = x then
5: return True
6: return False
𝑇CBD 𝑛 = max 4 𝑃(𝑝) + 𝑇(𝑥, 𝑝(𝐿))

B,R
DCIK.D
Con p che indica la permutazione, p(L) che indica la lista permutata
• All’interno di L, x può occupare una posizione qualsiasi tra 1 ed n che indichiamo con
pos(X)
• Partizioniamo le permutazioni in base alla posizione di x in p(L)
F
l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

?@AB.? DE# ?:𝒑𝒐𝒔 𝒙 E𝒊
DF ?(M)
pos(X)
F

?@AB.? DE# ?:?NO P ED
DF ?(M)
• Poichè ci sono n! permutazioni, 𝑃 𝑝 = #⁄F!
pos(X)
F

DF ?(M)
• Solo 𝑛 − 1 ! permutazioni hanno pos(x)= 𝑖. Tali permutazioni richiedono 𝑖 confronti
pos(X)
F

DF ?(M)
• Poichè ci sono n! permutazioni, 𝑃 𝑝 = 𝟏⁄𝒏!
• solo 𝑛 − 1 ! permutazioni hanno pos(x)= 𝑖. Tali permutazioni richiedono 𝒊 confronti
F
𝑛−1 !
l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l 𝒊
𝑛!
?@AB.? DE#
pos(X)
F

DF ?(M)
• solo 𝑛 − 1 ! permutazioni hanno pos(x)= 𝑖. Tali permutazioni richiedono 𝑖 confronti
F
𝑛−1 ! 1 𝑛(𝑛 + 1) 𝑛 + 1
l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l 𝑖= =
𝑛! 𝑛 2 2
?@AB.? DE#
Analisi Ammortizzata - Cenni
• Spesso dobbiamo eseguire un algoritmo ripetutamente nel tempo.
• Alcune operazioni potrebbero richiedere molto tempo per
configurazioni svantaggiose dei dati in input ed essere veloci in altre
configurazioni. L’analisi nel caso peggiore stimerebbe tempi molto
elevati
• In tali casi, è più conveniente analizzare le prestazioni di una
operazione algoritmica in media su una sequenza di esecuzioni,
piuttosto che su una singola esecuzione nel caso peggiore.
• Questo tipo di analisi viene chiamata analisi ammortizzata e spesso
caratterizza in modo più preciso le prestazioni di una operazione
algoritmica
Costo ammortizzato
• Definiamo il costo ammortizzato Tam(n) di una operazione su una
sequenza di k operazioni che richiedono tempo totale T (n, k) nel caso
peggiore come:
Tam(n) = T (n, k) / k
• Esistono tecniche avanzate per il calcolo del costo ammortizzato

(approfondimento personale)
Riepilogo
• Data una relazione di ricorrenza, possiamo risolverla con
• Metodo iterativo
• Metodo di sostituzione (se intuiamo costo computazionale)
• Teorema Master (se espresso in una particolare forma)
• Analizzando l’albero della ricorsione
• Sfruttando un cambiamento di variabile
• Per gli algoritmi randomizzati

• calcoliamo il tempo atteso considerando la distribuzione di probabilità delle
sequenze randomiche

Analisi Algoritmi Ricorsivi Nuova Versione

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

Analisi Algoritmi Ricorsivi Nuova Versione

Caricato da

Copyright:

Formati disponibili

Analisi di Algoritmi Ricorsivi

• Metodo della sostituzione: usiamo l’induzione

• Si combinano le soluzioni dei sotto-problemi per risolvere quello originario

• Il costo di esecuzione può esser scritto come:

Il problema è suddiviso in sotto-problemi. In questo esempio, un solo sotto-problema è

• L'altezza o profondità dell'albero è il massimo delle lunghezze dei suoi cammini

• I figli rappresentano le chiamate ricorsive

• Per semplicità, assumiamo che la ricorsione termini quando n = 1

n/b n/b n/b Livello 1: k2 figli, k nodi

n/b2 n/b2 n/b2 n/b2 n/b2 n/b2 Livello 2: k3 figli, k2 nodi

• Considerato che il costo di esecuzione dell’algoritmo è

Se 𝒇𝟏 𝒏 = 𝑶(𝒍𝒐𝒈 𝒏) e 𝒇𝟐 𝒏 = 𝑶(𝟏), allora

Per le proprietà dei logaritmi

k è il numero di livelli dell’albero.

Per capire quanto costa l’algoritmo

1. Il costo cresce 2. Il costo è approssimativamente

1. Il costo cresce 2. Il costo è approssimativamente 3. Il costo decresce

&-. / !#$%" &

𝜽 𝑛&'(! ) se f 𝑛 = 𝑶 𝑛&'(! )*+ con 𝜖 > 0 Caso 1

𝑇 𝑛 = se f 𝑛 = 𝜴 𝑛&'(! ),+ per 𝜖 > 0 e Caso 3

• In ciascuno dei 3 casi confrontiamo 𝒇(𝒏) con la funzione 𝒏𝐥𝐨𝐠𝒃 𝒌

• Caso 1: 𝑛&'(! ) è più grande di 𝑓(𝑛), allora 𝑇 𝑛 = 𝜃 𝑛&'(! )

• Caso 3: 𝑓(𝑛) è più grande di 𝑛&'(! ) , allora 𝑇 𝑛 = 𝜃 𝑓(𝑛)

• Usando il Teorema Master, calcolare la soluzione delle seguenti

Il rapporto tra la funzione f(n) e Lc soddisfa una delle seguenti:

Se f(n) è un polinomio, normalmente possiamo applicare il TM

La funzione logaritmo cresce molto più lentamente di qualsiasi potenza di n con

Questo si può dimostrare calcolando il seguente limite con il de l’Hopital:

Individuo f(n): f(n) = n log n

Non posso usare il teorema master

Individuo f(n): f(n) = n log n

Quindi f(n)=Omega(𝑛%&'! ( ) potrei essere nel caso 3. Devo verificare la condizione di

Individuo f(n): f(n) = n log n

posso usare il teorema master

• Una relazione come

n/32 2n/32 2n/32 4n/32 =n/9+2n/9+2n/9+4n/9=n

n/32 2n/32 2n/32 4n/32

• Ponendo 𝑛 = 2B (ovvero x = log n) si ottiene

• Poichè il tempo di esecuzione di un algoritmo randomizzato non

𝐸𝑡 𝐼 = 𝑇CBD 𝐼 = 4 𝑃(𝑅) + 𝑡(𝐼, 𝑅)

𝑇CBD 𝑛 = max 4 𝑃(𝑅) + 𝑡(𝐼, 𝑅)

𝑇N-IEO 𝑛 = max{𝑡(𝐼)} 𝑇/P. = ∑M(!) (𝑝 𝐼 + 𝑡 𝐼 )

Algorithm 14 Ricerca Randomizzata: cerca elemento x nella lista L

Quando potrebbe convenire?

Algorithm 14 Ricerca Randomizzata: cerca elemento x nella lista L

Quando potrebbe convenire?

Algorithm 14 Ricerca Randomizzata: cerca elemento x nella lista L

𝑇CBD 𝑛 = max 4 𝑃(𝑝) + 𝑇(𝑥, 𝑝(𝐿))

l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿)) = l l 𝑃(𝑝) % 𝑇(𝑥, 𝑝(𝐿))

• Esistono tecniche avanzate per il calcolo del costo ammortizzato

• Per gli algoritmi randomizzati

Potrebbero piacerti anche