Departamento de Informática – E D L M
Algoritmos
Crescimento de Funções
Estruturas Discretas e Lógica Matemática
Dep. de Informática – UFMA
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Algoritmos
• Um conjunto finito de instruções
precisas para que um computador
realize uma computação e resolva um
problema.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Algoritmos
• Exemplo: encontrar o maior elemento
de uma sequência
Procedure max(a1, a2, …, an: integers)
max := a1
for i := 2 to n
if max < ai then max := ai
{max is the largest element}
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Complexidade
• Em geral nao estamos preocupados com o
tempo e/ou a memória que um algoritmo
utiliza para pequenas entradas de dados.
• Por exemplo:
– Enquanto a diferença em complexidade de
tempo entre a busca linear e a busca binária
para uma sequência com n=10 números é
insgnificante, ela é gigante para n = 230.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Complexidade
• Sejam A e B dois algoritmos que resolvem
a mesma classe de problemas.
• A complexidade de tempo de A é 5.000n, e
a de B é 1.1n para uma entrada com n
elementos.
• Para n = 10
– A requer 50,000 passos
– B requer somente 3
– B parece ser superior a A.
• Para n = 1000
– A requer 5,000,000 passos
– B requer 2.51041
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Complexidade
• Assim, algoritmo B não pode ser
usado em grandes conjuntos de
dados
• O que é importante é o crescimento
da função de complexidade.
• O crescimento do tempo e
espaço(memória) em relação ao
crescimento do tamanho da entrada n
é um bom mecanismo para comparar
algoritmos.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Complexidade
• Comparação: complexidade de tempo
dos algoritmos A e B
Entrada
Algoritmo A
Algoritmo B
n
5,000n
10
50,000
1.1n
3
100
500,000
13,781
1,000
5,000,000
2.51041
1,000,000
5109
4.81041392
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• Em geral é descrito usando a notação
big-O.
• Definição: Seja f e g funções de
inteiros em reais.
• Dizemos que f(x) é O(g(x)) se existem
constantes C e k tais que
|f(x)|  C|g(x)|
sempre que x > k.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• Quando analizamos o crescimento de
funções de complexidade, f(x) e g(x)
são sempre positivas.
• Podemos então simplificar a notação
big-O para:
f(x)  Cg(x) sempre que x > k.
• Para mostrar que f(x) é O(g(x)), temos
somente que encontrar um par (C, k)
(o qual nunca é único unique).
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• A Idéia por trás da notação big-O é
estabelecer um limite superior (upper
boundary) para o crescimento da função
f(x) para grandes valores de x.
• Este limite é definido pela função g(x) que é
usualmente mais simples que f(x).
• Aceitamos a constante C no requisito
f(x)  Cg(x) whenever x > k,
• porque C não cresce com x.
• Estamos somente interessados em valores
grandes de x, assim está OK se
f(x) > Cg(x) for x  k.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
•
•
•
•
•
•
Exemplo:
Mostre que f(x) = x2 + 2x + 1 é O(x2).
Para x > 1 temos:
x2 + 2x + 1  x2 + 2x2 + x2
 x2 + 2x + 1  4x2
Assim, para C = 4 e k = 1:
f(x)  Cx2 whenever x > k.
•  f(x) is O(x2).
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• Se f(x) é O(x2), tambem é O(x3)?
• Sim. x3 cresce mais rápido que x2,
assim x3 cresce mais rápido que f(x).
• Mas estamos interessados sempre na
menor função g(x) que cresce mais
rápido que f(x).
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• Funções g(n) “Populare”
n log n, 1, 2n, n2, n!, n, n3, log n
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Crescimento de Funções
• Um problema que pode ser resolvido em
tempo polinomial é denominado tratável.
• Problemas com complexidade maior são
denominados intratáveis.
• Problemas que não possuem um algoritmo
que o resolvam são denominados não
computáveis
• Mais sobre isso é uma disciplina de Teoria
da Computação ou Computabilidade.
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Regras Úteis para Big-O
• Para qualquer polinômio
f(x)= anxn + an-1xn-1 + … + a0,
onde a0, a1, …, an são números reais,
f(x) is O(xn).
• Se f1(x) é O(g1(x)) e f2(x) é O(g2(x)), então
(f1 + f2)(x) é O(max(g1(x), g2(x)))
• Se f1(x) é O(g(x)) e f2(x) é O(g(x)), então
(f1 + f2)(x) é O(g(x)).
• Se f1(x) é O(g1(x)) e f2(x) é O(g2(x)), então
(f1f2)(x) é O(g1(x) g2(x)).
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Exemplos de Complexidade
•
•
•
•
•
•
•
O que o seguinte algoritmo computa?
proc who_knows(a1, a2, …, an: integers)
m := 0
for i := 1 to n-1
for j := i + 1 to n
if |ai – aj| > m then m := |ai – aj|
{m é a maior diferença entre dois números
na sequência de entrada}
• Comparações: n-1 + n-2 + n-3 + … + 1
•
= (n – 1)n/2 = 0.5n2 – 0.5n
• Complexidade de Tempo é O(n2).
Prof. Anselmo Paiva
Departamento de Informática – E D L M
Complexity Examples
•
•
•
•
•
•
•
•
•
•
Outro algoritmo para o mesmo problema:
proc max_diff(a1, a2, …, an: integers)
min := a1
max := a1
for i := 2 to n
if ai < min then min := ai
else if ai > max then max := ai
m := max - min
Comparações: 2n - 2
Complexidade de tempo é O(n).
Prof. Anselmo Paiva