Föreläsning 3: Komplexitetsanalys, sökning, rekursion
- Komplexitetsanalys
- Rekursion
- Rekursiva dumsvar
- Rekursiva anrop
- Sifferexempel
- Listexempel
- Hur fungerar det?
- När fungerar det dåligt?
Komplexitetsanalys
Det är intressant att se
tidsåtgången för en algoritm.
Denna anges ofta som funktion av indatas storlek,
som av tradition kallas
n
.
Exempel: För sortering är
n
antalet tal som ska sorteras.
Hur växer tidsåtgången
T(n)
för växande
n
?
    n     |
        log(n)         |
      nlog(n)       |
        n2         |
        2n         |
10 s | 1 s | 10 s | 100 s | 17 min |
100 s | 2 s | 3 min | 2 tim | 1022 år |
10000 s (ca 3 tim) | 4 s | 11 tim | 3 år | |
Vi analyserar oftast
värsta fallet (det är i regel
enklare att räkna på) men man kan också räkna på
medelfallet.
Istället för att ange den exakta tidsfunktionen T(n)
nöjer vi
oss med att ange ordoklassen O(n)
.
Definition
T(n)
är
O(F(n))
om det finns positiva konstanter
c
och
n0
sådana att
0<=T(n)<=cF(n)
för
n>=n0
Vad innebär detta?
-
cF(n)
anger en övre gräns för T(n)
då n
är stort.
- När vi anger ordoklassen kan vi bortse från multiplikation med konstant.
- Vilken logaritm menas med
log
i O(logn)
? Som multiplikation med konstant.
- Vi tar bara med den term som växer snabbast.
Exempel:
T(n)=10n2 + 100n + log10n+1000
säger vi är
O(n2)
.
- För små indata är analys onödig - använd den enklaste algoritmen!
- Inläsning från fil tar längre tid än åtkomst av redan inlästa värden.
- Minnesåtgång kan också vara intressant.
Uppgift: Matrismultiplikation
Vad är komplexiteten för matrismultiplikation?
Sökning
Förutsättningar:
- Vi söker efter något element i en array (vektor) med n element.
- Det element vi söker efter karakteriseras av en söknyckel (eng key) men kan också ha andra data.
Frågor:
- Vad ska hända om det sökta elementet inte finns med?
- Kan det finnas flera element med samma nyckel? Vill man isåfall hitta alla?
Linjärsökning (Sequential search)
Algoritm:
- Sök igenom elementen i tur och ordning.
- Bryt när det sökta elementet påträffas eller när det uppenbaras att det sökta elementet
inte finns med.
Linjärsökning är
O(n)
(i värsta fallet måste vi titta på alla n elementen).
Här följer en funktion för linjärsökning i en heltalslista.
def linearsearch(tal, vektor):
for i in vektor:
if i==tal:
return 1
return 0
Binärsökning
Om arrayen är sorterad är den snabbaste sökningsalgoritmen binärsökning.
Algoritm:
- Beräkna intervallets mittpunkt.
- Avgör om det sökta elementet finns i första eller andra halvan och fortsätt söka där.
Binärsökning är
O(log n)
i värsta fallet:
Vi söker bland
n
element och undrar hur många varv sökningen kan ta.
Antal element att söka bland halveras i varje varv, så första varvet får vi
n/2
, andra varvet
n/4
, tredje varvet
n/8
. Vi är klara när det bara finns ett
element kvar att titta på och då är
n/2x=1
där
x
är antal varv.
Vi två-logaritmerar bägge led och får att
x=2log(n)
.
11 | 13 | 13 | 20 | 22 | 25 | 28 | 30 | 31 | 32 | 32 | 48 | 62 |
11 | 13 | 13 | 20 | 22 | 25 |
     |      |      |      |      |      |      |
     |      |      | 20 | 22 | 25 |
     |      |      |      |      |      |      |
     |      |      |      |      | 25 |
     |      |      |      |      |      |      |
Här följer en funktion för binärsökning:
def binarysearch(key, vector):
left=0
right=len(vector)-1
while left <= right:
middle = (left+right)//2
if key < vector[middle]:
right=middle-1
elif key > vector[middle]:
left=middle+1
else:
return vector[middle]
return -1
Rekursion
Rekursiv kommer från latinet och betyder
återlöpande.
Definitioner kan vara rekursiva; till exempel kan man definiera
begreppet "avkomling" som "barn eller avkomling till barn". Men
rekursiva tankar kan också användas för problemlösning.
- Rekursiv tanke: reducerar problemet till ett enklare problem med samma struktur
- Basfall: det måste finnas ett fall som inte leder till rekursivt anrop
Rekursiva dumsvar
Nästa övning ägnas åt begreppet
rekursivt anrop, alltså när en funktion anropar sej själv.
Det påminner om när man i vardagslivet besvarar en fråga på ett sätt
som framtvingar en liknande fråga som i sin tur besvaras på ett sätt
som framtvingar en liknande fråga etc. Exempel:
Fråga: Hur många år fyller du i år?
Rekursivt svar: Ett år mer än i fjol.
Om man ger sådana dumsvar blir man inte populär, men faktum är att
det går utmärkt att programmera på det sättet. Dock måste man se till
att rekursionen avslutas när man kommer ner till något enkelt
basfall. I mitt fall skulle jag behöva komplettera
dumsvaret så här:
...men år 1975 var jag noll år.
Med koden nedan skulle anropet age(2006)
ge värdet 31.
def age(year);
if year==1975: return 0
else: return 1+age(year-1)
Rekursiva anrop
Många undrar hur datorn gör när den får fram värdet 31 i exemplet ovan.
Egentligen ska man inte bekymra sej om det! Om den rekursiva tanken är
korrekt, så kommer datorn att räkna fram rätt värde. Men för den som envisas
med att vilja veta vad som händer kommer här den sanna beskrivningen.
Anropet age(2006)
ger så småningom upphov till anropet
age(2005)
. Då avbryts tillfälligt exekveringen av
age(2006)
och
en kopia av age
trollas fram och börjar exekvera. Kopian har
en egen variabel year
som sätts till 2005, allt medan
original-age
s year
fortsätter att vara 2006.
Så småningom
har 31 olika age
anropats och alla är tillfälligt avbrutna i
väntan på att den anropade kopian ska komma tillbaka med ett siffervärde.
Och det 32:a anropet, age(0)
returnerar verkligen genast
värdet 0. Då kan den sista age
slutföra beräkningen 1+0 och
returnera värdet 1, etc. Slutligen kan original-age
returnera
värdet 31 till huvudprogrammet, som inte har någon aning om hur mycket
arbete som skett bakom kulisserna!
Sifferexempel
Fråga: Hur många siffror har heltalet n?
Rekursivt svar: En siffra mer än om man stryker
sista siffran i n, ...men tal mindre än tio är ensiffriga.
def antalsiffror(n)
if n<10: return 1
return 1+antalsiffror(n/10)
Fråga: Vilken siffersumma har heltalet n?
Rekursivt svar: Sista siffran plus siffersumman om man stryker
sista siffran i n, ...men noll har siffersumman noll.
def siffersumma(n):
if n==0:
return 0
return (n%10) + siffersumma(n/10)
Triangeltalet S(N) är summan av de N första heltalen. S(4)=1+2+3+4
Fråga: Vad är värdet på S(N)?
Rekursivt svar: S(N) = S(N-1) + N ... men S(1)=1.
Här följer en rekursiv funktion för beräkning av triangeltalen:
def s(n):
if n==1: return 1
return s(n-1) + n
Listexempel
Vi tänker oss en länkad lista av objekt, där varje objekt innehåller
ett tal och en next-pekare. Variabeln
top
pekar på den
översta posten.
Fråga: Hur många noder finns i stacken?
Rekursivt svar: En nod mer än i stacken under
topposten ...men en tom stack har noll poster.
def antal(p):
if p is None: return 0
return 1+antal(p.next)
Anropet
antal(top)
ger nu rätt svar!
Hur fungerar det?
När man skriver egna rekursiva funktioner bör man lita på
att det rekursiva anropet
fungerar - man behöver inte analysera anropsgången för varje fall.
Men för att förstå varför rekursion kan vara extra minneskrävande är
det vara bra att känna till hur programspråken hanterar
rekursiva anrop.
- För varje anrop skapas en aktiveringspost som innehåller data
för anropet, t ex parametrar, lokala variabler och anropspunkt.
- Aktiveringsposten pushas på en stack.
- När det rekursiva anropet är klart poppas aktiveringsposten från stacken, varefter
föregående anrop ligger överst på stacken.
s(0) |
s(1) |
s(2) |
s(3) |
s(4) |
huvudprogram |
Aktiveringsposterna tar extra minne i anspråk och stackhanteringen tar extra tid,
så den extremt sparsamme skriver om sina rekursiva funktioner. Vi andra nöjer oss med
kompilatorns optimeringar!
När fungerar det dåligt?
Det finns fall där en rekursiv lösning inte lämpar sig. Ett exempel är Fibonaccitalen.
Leonardo Fibonacci skrev år 1225 en bok där han beskrev denna intressanta talföljd:
Sista december föds en kaninpojke och en kaninflicka. Vid två månaders ålder
och varje månad därefter producerar varje kaninpar ett nytt kaninpar.
Månad |
0 (nov) |
1 (dec) |
2 (jan) |
3 (feb) |
4 (mar) |
5 (apr) |
6 (maj) |
7 (jun) |
8 (jul) |
9 (aug) |
Kaninpar |
0 |
1 |
1 |
2 |
3 |
5 |
8 |
13 |
21 |
34 |
def fib(n):
if n<=1: return n
return fib(n-1)+fib(n-2)
Man kan visa att antalet anrop faktiskt växer snabbare än själva Fibonaccitalen!
(För N=40 är Fibonaccitalet ca hundra miljoner men antalet rekursiva anrop är över 300 miljoner.)
Bättre vore här att använda en for-slinga:
def fib(n):
f0=0
f1=1
for i in range(n-1):
f2=f1+f0
f0=f1
f1=f2
return f1
Den här implementationen går i linjär tid, O(n).
Några saker att minnas
- En rekursiv funktion kan alltid omformuleras utan rekursion, men om det finns flera rekursiva anrop i funktionen
kan det vara besvärligt.
- För många problem är en rekursiv funktion mycket enklare att formulera och ger kortare kod än utan rekursion.
Ofta måste man gå via den rekursiva lösningen i tanken även om man gör en icke-rekursiv lösning.
- Den rekursiva funktionen kräver i regel mer minne (och tar längre tid) än motsvarande icke-rekursiva funktion.