NMIN101 Programování 1 2/2 Z --- NMIN102 Programování /2 Z, Zk

Transkript

1 NMIN101 Programování 1 2/2 Z --- NMIN102 Programování /2 Z, Zk Pavel Töpfer Katedra software a výuky informatiky MFF UK MFF Malostranské nám., 4. patro, pracovna 404 pavel.topfer@mff.cuni.cz Pavel Töpfer, 2018 Programování 1-1 1

2 Cvičení NMIN101 Programování 1 - podle studijních skupin (platí stav uvedený v SISu) - v počítačové učebně K4 nebo K11 - zřídit si účet u služby v učebně K10 NMIN161 Praktikum z programování pro začátečníky - volitelný předmět navíc, nenahrazuje cvičení NMIN101 - praktické procvičování práce na počítači pro úplné začátečníky jednoduché technické úlohy - většina posluchačů nepotřebuje - otevřeny 3 skupiny (+ 1 anglická) - výuka od 3. týdne semestru Počítačová učebna Rotunda na Malé Straně - přihlášení pomocí přihlašovacích údajů do SISu Pavel Töpfer, 2018 Programování 1-1 2

3 Algoritmizace - metody řešení úloh na počítači algoritmy, datové struktury, programovací techniky Správnost algoritmu - konečnost, parciální korektnost (správné výsledky, když výpočet skončí) Efektivita algoritmu (složitost algoritmu) - časová (počet vykonaných operací) - prostorová (paměť potřebná na uložení dat) Programovací jazyk zápis algoritmu v programovacím jazyce = program - syntaxe (gramatika) - sémantika (význam) Programování jako řemeslo - práce v integrovaném prostředí (editor + překladač + ladicí prostředky) - návrh testovacích dat, proces ladění programu Pavel Töpfer, 2018 Programování 1-1 3

4 Náplň zimního semestru Programovací jazyk (Pascal): - proměnné, konstanty, typy - jednoduché a strukturované datové typy - jednoduché a strukturované příkazy - textové soubory - procedury a funkce - základní parametry překladače - příkazy skoku Pavel Töpfer, 2018 Programování 1-1 4

5 Základní algoritmy a programovací techniky: - dělitelnost čísel, Eukleidův algoritmus - test prvočíselnosti, Eratosthenovo síto - Hornerovo schéma, poziční číselné soustavy - algoritmy vyhledávání v poli (sekvenční, binární, zarážka) - jednoduché třídění v poli - práce s maticemi (základní operace) - zásobník a fronta - aritmetika s vyšší přesností ( dlouhá čísla ) - aritmetické notace, převody a vyhodnocování - rekurze backtracking, metoda Rozděl a panuj - prohledávání do hloubky a do šířky - programování her, algoritmus minimaxu Pavel Töpfer, 2018 Programování 1-1 5

6 Aktivní znalost a používání vývojového prostředí - editor, překlad, výpočet, trasování, sledování hodnot proměnných - ladění programů, testování správnosti (Borland Pascal, FreePascal, Lazarus) Pavel Töpfer, 2018 Programování 1-1 6

7 Řešte soustavu N lineárních rovnic o M neznámých. Spočítejte hodnotu π s přesností na 100 desetinných míst. Zašifrujte zadaný textový soubor zvolenou metodou. Rozmístěte na šachovnici osm šachových dam tak, aby se žádné dvě navzájem neohrožovaly. Určete všechny způsoby, jimiž lze zaplatit zadanou částku pomocí známé sady platidel. Nalezněte v bludišti nejkratší cestu z daného místa ven. Pavel Töpfer, 2018 Programování 1-1 7

8 Studijní zdroje Prezentace z přednášek (často budou rozšířené a doplněné) + ukázkové programy - aktuálně vždy po přednášce na webu přednášejícího P.Töpfer: Algoritmy a programovací techniky Prometheus Praha 1995, 2. vydání učebnice přímo určená pro tento základní kurz programování - pokrývá většinu učiva algoritmů v obou semestrech - nevykládá syntaxi programovacího jazyka, používá Pascal - tištěná verze vyprodaná, lze zapůjčit v knihovnách - k zakoupení jako e-kniha na P.Satrapa: Pascal pro zelenáče Neocortex Praha nebo jakákoliv jiná učebnice Pascalu Pavel Töpfer, 2018 Programování 1-1 8

9 Vývoj programu 1. algoritmus programovací jazyk 2. program textový editor 3. zdrojový text programu překladač 4.a) syntaktická chyba zpět na opravu zdrojového textu 4.b) bez syntaktických chyb přeložený program spustit se vstupními daty 5.a) běhová chyba (příp. zacyklení výpočtu) ladicí prostředky, testování, zpět na opravu zdrojového textu 5.b) bez běhové chyby posouzení výsledků 6.a) podezřelé výsledky logická chyba ladicí prostředky, testování, zpět na opravu zdrojového textu 6.b) dobré výsledky ověřit správnost opakovaně pro různá testovací vstupní data Pavel Töpfer, 2018 Programování 1-1 9

10 Největší společný dělitel X, Y dvě kladná celá čísla určit největší společný dělitel NSD(X,Y) Algoritmy: 1. NSD(X,Y) = největší z celých čísel od 1 do X (X < Y), které je dělitelem obou čísel X a Y postupně zkoušet, nejlépe v pořadí od X k 1 do nalezení prvního takového společného dělitele 2. Určit prvočíselné rozklady čísel X a Y jejich maximální společná část určuje NSD(X,Y) Např. 396 = , 324 = NSD(396, 324) = = 36 Pavel Töpfer, 2018 Programování

11 3. Eukleidův algoritmus Idea: když X < Y NSD(X,Y) = NSD(X,Y-X) když X > Y NSD(X,Y) = NSD(X-Y,Y) když X = Y NSD(X,Y) = X Příklad: NSD(396,324) = NSD(72,324) = NSD(72,252) = NSD(72,180) = NSD(72,108) = NSD(72,36) = NSD(36,36) = 36 Algoritmus: dokud X Y dělej od většího z čísel X, Y odečti menší z čísel X, Y Možnost urychlení (pro některé vstupní hodnoty): místo odčítání použít zbytek po celočíselném dělení Pavel Töpfer, 2018 Programování

12 Správnost Eukleidova algoritmu 1. Konečnost - na začátku výpočtu i stále v jeho průběhu je X>0, Y>0 - v každém kroku výpočtu se hodnota X+Y sníží alespoň o 1 nejpozději po X+Y krocích výpočet skončí, je tedy konečný 2. Parciální (částečná) správnost - pro X = Y zjevně platí NSD(X,Y) = X - ukážeme, že pro X > Y platí NSD(X,Y) = NSD(X-Y,Y) Důkaz sporem: Nechť N=NSD(X,Y), tedy N dělí X a zároveň N dělí Y. Proto také N dělí X-Y a je tedy N společným dělitelem X-Y a Y. Pokud by neplatilo, že N=NSD(X-Y,Y), musí existovat A>1 tak, že N.A=NSD(X-Y,Y). Tedy N.A dělí X-Y i Y, takže N.A dělí i jejich součet, což je X. Jelikož N.A dělí Y a zároveň N.A dělí X, je N.A společným dělitelem X, Y, což je spor s tím, že N=NSD(X,Y). Proto N=NSD(X-Y,Y). Pavel Töpfer, 2018 Programování

13 Efektivita algoritmu (složitost algoritmu) - časová počet vykonaných operací rychlost výpočtu programu - prostorová (paměťová) velikost datových struktur využívaných algoritmem paměť potřebná na uložení dat při výpočtu programu Kritéria pro hodnocení kvality algoritmu a programu (příp. praktické použitelnosti programu). Obě kritéria mohou mířit proti sobě (nelze najednou optimalizovat paměť i čas), musíme zvolit, čemu dáme přednost (dnes obvykle čas). výměna času za paměť Pavel Töpfer, 2018 Programování

14 Funkce vyjadřující počet vykonaných operací (resp. velikost potřebné paměti) v závislosti na velikosti vstupních dat. Jako velikost vstupních dat obvykle stačí uvažovat např. počet zpracovaných čísel, nikoliv konkrétní hodnoty (jedná-li se o hodnoty standardní velikosti). Obecně by se musela uvažovat velikost vstupních dat v bitech. Funkce časové a prostorové složitosti jsou většinou rostoucí (nad většími daty bývá výpočet delší). Pavel Töpfer, 2018 Programování

15 Přesné vyjádření funkce časové složitosti (např. 3.N N - 4) je jednak obtížné, jednak většinou zbytečné. Podstatná je řádová rychlost růstu této funkce pro rostoucí N. Zanedbáme pomaleji rostoucí členy a konstanty asymptotická časová složitost O(N 2 ). Symbol velké O f = O(g) c n 0 n > n 0 : f(n) < c.g(n) tzn. funkce f se dá shora odhadnout funkcí g (až na multiplikativní konstantu a pro dostatečně velká n) Opačný odhad (zdola): f = (g) Přesný odhad: f = (g) f = O(g) f = (g) Pavel Töpfer, 2018 Programování

16 Poznámka: Funkce 3.N N - 4 patří nejen do třídy O(N 2 ), ale podle definice také třeba do třídy O(N 5 ). Odhad složitosti O(N 5 ) je zde sice správný, ale zbytečně hrubý a nepřesný, vždy se snažíme o co nejlepší (nejnižší) odhad. Proto je pro nás mnohem cennější (ale mnohdy také obtížnější) odvodit odhad asymptotické časové složitosti algoritmu (N 2 ) než jenom O(N 2 ). Pavel Töpfer, 2018 Programování

17 Asymptotická časová složitost Typické asymptotické časové složitosti algoritmů: O(1), O(log N), O(N), O(N.log N), O(N 2 ), O(N 3 ),, O(2 N ) Hledáme algoritmus s co nejmenší asymptotickou časovou složitostí, tedy co nejrychlejší pro velká N. Pro malá N může být třeba i horší než nějaký jiný algoritmus, ale pro malá N to nevadí, doba výpočtu je vždy dostatečně krátká. - polynomiální obvykle zvládnutelné i pro velká N - exponenciální pro větší N časově nezvládnutelné, použitelné jen v případě, že vstupní data budou vždy malá Pavel Töpfer, 2018 Programování

18 Exponenciální časová složitost Příklad: Ke zpracování vstupních dat velikosti N algoritmus vykoná 2 N operací. Rychlost počítače: 10 9 operací za sekundu (řádově GHz dnešní PC). N doba výpočtu 20 1 ms 30 1 s min dní let let let let let Pro vyšší N (cca 50) je algoritmus prakticky nepoužitelný. Nepomůže nám ani rychlejší počítač! Pavel Töpfer, 2018 Programování

19 Složitost algoritmu v různých případech Pro každá vstupní data velikosti N nemusí trvat výpočet stejně dlouho, rozdíl může být jen v konstantě, nebo i v asymptotické složitosti Časová složitost algoritmu v nejhorším případě = maximální počet operací vykonaných algoritmem pro nějaká data velikosti N nejčastěji používaná pro hodnocení algoritmů Časová složitost algoritmu v nejlepším případě = minimální počet operací vykonaných algoritmem pro nějaká data velikosti N prakticky se nepoužívá Časová složitost algoritmu v průměrném případě = průměrný (očekávaný) počet operací vykonaných algoritmem pro data velikosti N (průměr pro všechna možná vstupní data velikosti N) dobře charakterizuje kvalitu algoritmu, ale je obtížné odvodit ji Pavel Töpfer, 2018 Programování

20 Složitost problému - složitost nejlepšího algoritmu (z hlediska časové složitosti), kterým lze řešit daný problém Nelze odvodit ze složitosti nějakého konkrétního algoritmu ani třeba všech běžně známých algoritmů, charakterizuje problém obecně (jaký nejlepší algoritmus řešící problém může v principu existovat) odvození je obtížné, pro řadu problémů neznáme. Příklady: 1. Nalézt maximum z daných N čísel časová složitost problému O(N) - existuje algoritmus s časovou složitostí O(N) triviální - nemůže existovat algoritmus s lepší časovou složitostí maximem může být kterékoliv z N čísel, takže na každé se musí algoritmus podívat 2. Seřadit daných N čísel podle velikosti (problém třídění) časová složitost problému O(N. log N) - existuje algoritmus s časovou složitostí O(N. log N) např. heapsort - nemůže existovat algoritmus s lepší časovou složitostí oboje si ukážeme později Pavel Töpfer, 2018 Programování