Složitost. Teoretická informatika Tomáš Foltýnek

Transkript

1 Složitost Teoretická informatika Tomáš Foltýnek

2 Teoretická informatika 2 Opakování z minulé přednášky Co říká Churchova teze? Jak lze kódovat Turingův stroj? Co je to Univerzální Turingův stroj? Formulujte problém příslušnosti pro Turingovy stroje. Je tento problém rozhodnutelný? Proč? Jakým způsobem lze dokázat, že existují problémy, které nejsou ani částečně rozhodnutelné? Formulujte problém zastavení pro TS. Jak dokázat, že problém zastavení je nerozhodnutelný? Vysvětlete metodu redukce.

3 Teoretická informatika 3 Rozhodnutelné problémy Je-li problém rozhodnutelný, ještě to neznamená, že je rozhodnutelný v rozumném čase. Za rozumný čas považujeme takový čas, kdy je pro nás výsledek výpočtu ještě využitelný. Rozhodnutelností se zabývá teorie vyčíslitelnosti Časovou náročností se zabývá teorie složitosti O tom bude dnešní přednáška

4 Teoretická informatika 4 Složitost Složitost algoritmu vyjadřuje náročnost algoritmu na výpočetní prostředky počítače v závislosti na délce vstupních dat. Časová složitost náročnost algoritmu na čas procesoru V jakých jednotkách časovou složitost měřit? Značení: T(x) Prostorová složitost náročnost algoritmu na operační paměť V jakých jednotkách prostorovou složitost měřit? Značení: S(x)

5 Teoretická informatika 5 Výpočetní model pro složitost Turingův stroj není vhodný kvůli sekvenčnímu přístupu na pásku RAM stroj Neomezený počet registrů pro uložení libovolně velkých čísel Instrukce READ, STORE, LOAD, ADD, SUB, JUMP, JPOS, JNEG, JZERO, HALT V základních rysech odpovídá reálnému počítači

6 Teoretická informatika 6 Délka výpočtu výrazů T(a) = 1, je-li a konstanta či proměnná T(a b) = 1 + T(a) + T(b), kde {+,-,*,/,div,mod} T(a AND b) = 1 + T(a) [ + T(b)] T(a OR b) = 1 + T(a) [ + T(b)] T(NOT a) = 1 + T(a)

7 Teoretická informatika 7 Čas na vykonání příkazu Elementární příkazy (délka výpočtu 1): načtení/výpis jedné proměnné přiřazení (nutno přičíst čas potřebný na vyhodnocení přiřazované hodnoty) T(IF a THEN b ELSE c) = 1 + T(a) + T(b) T(c) T(FOR i:=1 TO n DO p) = n*(p+2)

8 Teoretická informatika 8 Druhy složitosti Složitost v nejhorším případě: ze všech možných vstupních dat uvažujeme ta, nad nimiž je výpočet (časově) nejnáročnější Složitost v nejlepším případě: ze všech možných vstupních dat uvažujeme ta, nad nimiž je výpočet (časově) nejméně náročný Složitost v průměrném případě: z (časových) náročností všech možných vstupních dat vypočteme průměrnou hodnotu Kterou složitost v praxi nejvíce oceníme? Kterou složitost dokážeme nejsnáze určit?

9 Teoretická informatika 9 Definice časové složitosti Časová složitost algoritmu je funkce, která je pro každou velikost vstupních dat rovna délce nejdelšího výpočtu na všech možných datech této délky Je tedy třeba provést analýzu nejhoršího případu Časová složitost problému je minimum časových složitostí všech algoritmů řešících daný problém

10 Teoretická informatika 10 Definice prostorové složitosti Prostorová složitost algoritmu je funkce, která je pro každou délku vstupních dat rovna největšímu počtu registrů RAM stroje / políček pásky Turingova stroje obsazených během výpočtu Prostorová složitost problému je minimum prostorových složitostí všech algoritmů řešících daný problém Extrasekvenční prostorová složitost je prostorová složitost, do níž nezapočítáváme vstupní údaje

11 Teoretická informatika 11 Vztah času a prostoru Základní rozdíl: prostor lze využít opakovaně, čas ne Za jednu jednotku času můžeme obsadit maximálně jednu jednotku prostoru Anebo využít prostor obsazený dříve K obsazení nové jednotky prostoru vždy potřebujeme nejméně jednu jednotku času Důsledek: Časová složitost je vždy větší nebo rovna prostorové složitosti

12 Teoretická informatika 12 Asymptotická časová složitost Zanedbáváme aditivní konstanty Pro analýzu složitosti nemají praktický význam Zanedbáváme multiplikativní konstanty Lze nahradit rychlejším počítačem, větším počtem počítačů, atd. Zajímá nás jen hrubá charakteristika funkce její chování v nekonečnu Tedy jen její asymptoty Zavedení tříd funkcí

13 Teoretická informatika 13 Třídy funkcí podle asymptotického růstu O(g) = {f c>0, n 0 : n>n 0 : f(n) c g(n) } Třída funkcí, které rostou asymptoticky nejvýše tak rychle, jako funkce g Např. f(x) = ax 2 +b O(x 2 ) pro libovolné a, b Např. f(x) = ax 2 +b O(x 3 ) pro libovolné a, b Ω(g) = {f c>0, n 0 : n>n 0 : c g(n) f(n) } Třída funkcí, které rostou asymptoticky alespoň tak rychle, jako funkce g Např. f(x) = ax 2 +b Ω(x 2 ) pro libovolné a, b Např. f(x) = ax 3 +bx 2 +c Ω(x 2 ) pro libovolné a, b Θ(g) = {f c 1,c 2 >0, n 0 : n>n 0 : c 1 g(n) f(n) c 2 g(n) } Třída funkcí ohraničených funkcí g z obou stran Např. f(x) = ax 2 +b Ω(x 2 ) pro libovolné a, b Např. f(x) = ax 3 +bx 2 +c Ω(x 3 ) pro libovolné a, b Platí: Θ(g) = O(g) Ω(g)

14 Teoretická informatika 14 Složitostní třídy I. Konstantní: O(c) př.: Hello world!, výběr konstanty Logaritmická: O(log c n) pro libovolné c př.: Vyhledávání půlením intervalu, vyhledávání v binárním stromu Lineární: O(n) př.: Sekvenční vyhledávání, překladač Kvadratická: O(n 2 ) př.: Bubble sort, součet matic řádu n Kubická: O(n 3 ) př.: Násobení matic řádu n Polynomiální: O(n c ) pro libovolné c N Exponenciální: O(c n ) pro libovolné c N př.: Problém obchodního cestujícího

15 Teoretická informatika 15 Řešitelnost v rozumném čase Otázka: Kde leží hranice mezi problémy, které považujeme za řešitelné v rozumném čase a těmi, které jsou v rozumném čase neřešitelné?

16 Teoretická informatika 16 Nedeterminismus V teorii složitosti uvažujeme i nedeterministické výpočetní modely Nedeterministický Turingův stroj Nedeterministický RAM stroj Každý nedeterministický model lze převést na deterministický Za cenu nárůstu časové složitosti Je třeba vyzkoušet všechny možnosti

17 Teoretická informatika 17 Složitostní třídy II. DTIME(f(n)) = množina všech problémů řešitelných deterministickým algoritmem s časovou složitostí patřící do O(f(n)) DSPACE(f(n)) = množina všech problémů řešitelných deterministickým algoritmem s prostorovou složitostí patřící do O(f(n)) NTIME(f(n)) = množina všech problémů řešitelných nedeterministickým algoritmem s časovou složitostí patřící do O(f(n)) NSPACE(f(n)) = množina všech problémů řešitelných nedeterministickým algoritmem s prostorovou složitostí patřící do O(f(n))

18 Teoretická informatika 18 Vztahy složitostních tříd I. DSPACE(f(n)) NSPACE(f(n)) Každý problém řešitelný v prostoru f(n) deterministicky, lze v témže prostoru řešit nedeterministicky DTIME(f(n)) NTIME(f(n)) Každý problém řešitelný v čase f(n) deterministicky, lze v témže čase řešit nedeterministicky DTIME(f(n)) DSPACE(f(n)) Prostor lze použít opakovaně, čas nikoliv. Tedy co lze řešit v čase f(n), lze řešit i v prostoru f(n) NTIME(f(n)) NSPACE(f(n)) Taktéž nedeterministicky

19 Teoretická informatika 19 Vztahy složitostních tříd II. NTIME(f(n)) c>0 DTIME(c f(n) ) Při převodu nedeterminismu na determinismus je třeba vyzkoušet všechny možnosti (tj. prohledat c-ární výpočtový strom) NSPACE(f(n)) c>0 DTIME(c f(n) ) Počet všech konfigurací NTS pracujícího v prostoru f(n) je Q Γ f(n). Sestrojíme-li graf, jehož uzly odpovídají konfiguracím a hrany přechodové fci, jedná se o prohledávání tohoto grafu se složitostí v O( U 2 ), tedy v O(c f(n) ). NTIME(f(n)) DSPACE(f(n)) Nedeterministický stroj je náročnější na čas, nikoliv na paměť. Co lze řešit (byť nedeterministicky) v čase f(n), lze řešit i v prostoru f(n)

20 Teoretická informatika 20 Složitostní třídy III. P = k>0 DTIME(n k ) NP = k>0 NTIME(n k ) PSPACE = k>0 DSPACE(n k ) NPSPACE = k>0 NSPACE(n k ) DEXPTIME = k>0 DTIME(2^n k ) NEXPTIME = k>0 NTIME(2^n k ) DLOG = DSPACE(log n) NLOG = NSPACE(log n)

21 Teoretická informatika 21 Vztahy složitostních tříd DLOG NLOG P NP PSPACE DEXPTIME NEXPTIME O všech inkluzích se předpokládá, že jsou ostré. O žádné se to však zatím nepodařilo dokázat Jistě pouze víme, že DLOG PSPACE P DEXPTIME NP NEXPTIME Nejvýznamnější inkluze je mezi P a NP

22 Teoretická informatika 22 Úplné problémy Nechť C je složitostní třída. Problém P nazveme C-úplný, jestliže P C a jestliže pro každý problém patřící do C platí, že jej lze redukovat na P. Tedy Q C: Q P Úplné problémy jsou tedy nejtěžší problémy v dané třídě Je-li rozdíl mezi danou třídou a nižší třídou neprázdný, pak obsahuje právě tyto problémy

23 Teoretická informatika 23 Příklady NP-úplných problémů Problém obchodního cestujícího Problém nalezení nejkratší hamiltonovské kružnice v grafu o n vrcholech Problém splnitelnosti booleovské formule Je dána výroková formule (v KNF). Existuje ohodnocení proměnných takové, že formule je pravdivá? Problém batohu Je dána konečná množina objektů. Každý objekt má svoji hmotnost a cenu. Problém spočívá v nalezení takové podmnožiny objektů, jejichž celková hmotnost je nižší než daná mez a jejichž cena je nejvyšší možná

24 Teoretická informatika 24 P =? NP Nejvýznamnější problém teoretické informatiky Všechny NP-úplné problémy jsou navzájem redukovatelné jeden na druhý Nalezení polynomiálního algoritmu pro jediný z nich znamená nalezení polynomiálního algoritmu pro všechny a tedy dokázání, že P = NP. Důsledek: konec jednosměrných funkcí (hashování, šifrování)