Algorithmen und Datenstrukturen

Transkript

1 Algorithmen und Datenstrukturen Wintersemester 2012/ Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I

2 Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen auf, die Ihnen bei der Vorbereitung in den Kopf kommen! Nutzen Sie die Übungen zum Fragen. Kommen Sie nach der Vorlesung zu mir. Nutzen Sie meine Sprechstunde (Mi, Uhr)

3 Entwurfstechniken Inkrementell Rekursiv Teile und Herrsche Augmentieren (von Datenstrukturen) neu: Dynamisches Programmieren meint hier das Arbeiten mit einer Tabelle, nicht das Schreiben eines Computerprogramms.

4 Vergleich Teile und Herrsche zerlegt Instanz rekursiv in disjunkte Teilinstanzen top-down eher für Entscheidungsoder Berechnungsprobleme Dynamisches Programmieren zerlegt Instanz in überlappende Teilinstanzen, d.h. Teilinstanzen haben z.t. dieselben Teilteilinstanzen. Lösungen von Teilinstanzen werden zwischengespeichert, nicht neu berechnet. meist bottom-up meist für Optimierungsprobleme

5 Fahrplan 1. Struktur einer optimalen Lösung charakterisieren 2. Wert einer optimalen Lösung rekursiv definieren 3. Wert einer optimalen Lösung berechnen (meist bottom-up) 4. Optimale Lösung aus berechneter Information konstruieren

6 Ein Beispiel Zerlegungsproblem Wir haben einen Stab der Länge n und kennen die Preise p 1, p 2,..., p n für Stäbe der Längen 1, 2,..., n. Durch welche Zerlegung unseres Stabs können wir unseren Ertrag maximieren? 9 e 7 e 9 e 10 e 7 e 7 e Länge i Preis p i [in e] e 4 e

7 Ein erster Versuch Wir haben einen Stab der Länge n und kennen die Preise p 1, p 2,..., p n für Stäbe der Längen 1, 2,..., n. Welche Stabzerlegung maximiert den Ertrag? Beispiel: Länge i Preis p i [in e] Ein ADSler schlägt vor: Berechne für i = 1,..., n den Preis pro Meter q i = p i /i. Zerlege Stab in möglichst viele Stücke der Länge i mit q i max. Streiche alle Stablängen i aus der Tabelle und wiederhole den Prozess mit dem Stabrest (falls > 0). Funktioniert dieser Greedy-Algorithmus? Ja? Beweisen! Nein? Gegenbeispiel!

8 Rohe Gewalt Frage: Wieviele Möglichkeiten gibt es einen Stab der Länge n zu zerlegen? n Antw.: Können n 1 mal entscheiden: schneiden oder nicht. 2 n 1 verschiedene Zerlegungen Also können wir es uns nicht leisten alle Zerlegungen durchzugehen und für jede ihren Ertrag zu berechnen.

9 1. Struktur einer optimalen Lösung charakterisieren Def. Beob. Für i = 1,..., n sei e i der maximale Ertrag für einen Stab der Länge i. i }{{}}{{} Ertrag e i n i Ertrag e n i Phänomen der optimalen Teilstruktur! Ein Schnitt zerlegt das Problem in unabh. Teilprobleme. 2. Wert einer optimalen Lösung rekursiv definieren Wissen nicht, welcher Schnitt in einer opt. Lösung vorkommt. Also probieren wir einfach alle möglichen Schnitte aus: e n = max{ p n, e 1 + e n 1, e 2 + e n 2,..., e n 1 + e 1 }

10 2. Wert einer optimalen Lösung rekursiv definieren e n = max{ p n, e 1 + e n 1, e 2 + e n 2,..., e n 1 + e 1 } Kleine Verbesserung: Verbiete weitere Schnitte im linken Teilstück! i n i }{{}}{{} Ertrag e i = p i Ertrag e n i Also gilt: e n = max{ p n, p 1 + e n 1, p 2 + e n 2,..., p n 1 + e 1 } = max 1 i n {p i + e n i }, wobei e 0 := 0. Vorteil: Wert einer opt. Lösung ist Summe aus einer Zahl der Eingabe und einem Wert einer opt. Teillösung.

11 3. Wert einer optimalen Lösung berechnen: top-down Wir wissen: e n = max 1 i n {p i + e n i }, wobei e 0 := 0. StangenZerlegung(int[ ] p, int n = p.length) if n == 0 then return 0 q = for i = 1 to n do q = max{q, p[i] + StangenZerlegung(p, n i)} return q Laufzeit: Sei A(n) die Gesamtzahl von Aufrufen von StangenZerlegung(p, ) beim Ausführen von StangenZerlegung(p, n) A(0) = 1 und A(n) = 1 + n A(n i) = 1 + n 1 A(j) = 2 n Beweis?! i=1 j=0

12 3. Wert einer optimalen Lösung berechnen: mit Tabelle Zeit-Speicher-Tausch (engl. time-memory trade-off ) MemoStangenZerlegung(int[ ] p, int n = p.length) e = new int[0..n] for i = 1 to n do e[i] = return HauptStangenZerlegung(p, n, e) HauptStangenZerlegung(int[ ] p, int n, int[ ] e) if e[n] 0 then return e[n] if n == 0 then e[0] = 0; return 0 q = for i = 1 to n do Laufzeit? Wie Stangenzerlegung (letzte Folie)? Asymptotisch schneller? q = max{q, p[i] + HauptStangenZerlegung(p, n i, e)} e[n] = q; return q

13 3. Wert einer optimalen Lösung berechnen: bottom-up BottomUpStangenZerlegung(int[ ] p, int n) 4 e = new int[0..n] e[0] = 0 3 Neu: kein for j = 1 to n do rekursiver q = 2 Aufruf! for i = 1 to j do q = max{q, p[i] + e[ j i] } 1 e[ j] = q return q Kante (i, j) bedeutet: Teilproblem i benützt Wert einer opt. Lösung von Teilproblem j. 0 Graph der Teilprobleme Beob. Größe des Graphen (d.h. in erster Linie Anz. Kanten) ist proportional zur Laufzeit des DP (Anz. Additionen). Satz. BottUpSZerl() und MemoSZerl() laufen in O ( n ) 2 Zeit.

14 4. Optimale Lösung aus berechneter Info. konstruieren GibZerlegungAus(int[ ] p, int n) l = new int[0..n]; e = new int[0..n] ErweiterteBottomUpZerlegung(p, e, l, n) while n > 0 do print l[n]; n = n l[n] ErweiterteBottomUpZerlegung(int[ ] p, int[ ] e, int[ ] l, int n) e[0] = 0 for j = 1 to n do q = for i = 1 to j do if q < p[i] + e[ j i] then q = p[i] + e[ j i] l[ j] = i e[ j] = q // merken, welche Länge neu dazu kommt

15 Längste Wege Gegeben: Gesucht: ungewichteter gerichteter Graph G = (V, E) mit s, t V, s t und t von s erreichbar. ein längster einfacher s-t-weg, d.h. eine Folge s = v 0, v 1,..., v k = t mit v 0 v 1,..., v k 1 v k E, v i v j (für i j) und k maximal. Fahrplan s u v t s, u, t ist ein längster einfacher s-t-weg. Aber: s,v,t,u ist ein längster einfacher s-u-weg. u,s,v,t ist ein längster einfacher u-t-weg. s,v,t,u,s,v,t ist kein einfacher s-t-weg. 1. Struktur einer optimalen Lösung charakterisieren 2. Wert einer optimalen Lösung rekursiv definieren 3. Wert einer optimalen Lösung berechnen (meist bottom-up) ) Geg. (G, s, t, k), ist es NP-schwer zu entscheiden, ob G einen s-t-weg der Länge k enthält. (Vgl. Hamilton-Weg!)

16 Längste Wege in azyklischen Graphen Gegeben: Gesucht: Beob 1 Beob 2 gewichteter gerichteter kreisfreier Graph G =(V, E; w) mit s, t V, s t und t von s erreichbar. ein längster s-t-weg. In kreisfreien Graphen sind alle Wege einfach. Dieses Problem hat optimale Teilstruktur, denn: Ein längster s-t-weg π gehe durch u, d.h. π π = s su π u ut t. Dann gilt: π su ist längster s-u-weg; π ut ist längster u-t-weg sonst wäre π kein längster s-t-weg. Außerdem gilt V (π su ) V (π ut ) = {u}; sonst gäbe es einen Kreis!

17 Algorithmus nach Fahrplan 1. Struktur einer optimalen Lösung charakterisieren 2. Wert einer optimalen Lösung rekursiv definieren d v = max d u + w(u, v) so! uv E 3. Wert einer optimalen Lösung berechnen (hier bottom-up) G topologisch sortieren d-werte initialisieren: d s = 0 und d v = für alle v s for-schleife durch Knoten v.l.n.r. d-werte berechnen Übrigens: kürzeste Wege in kreisfreien Graphen gehen analog (mit min statt max und + statt )

18 Und jetzt? Im Buch [CLRS] werden weitere, praxisrelevante Probleme mit dynamischem Programmieren gelöst: Ketten von Matrixmultiplikationen Längste gemeinsame Teilfolge (in Zeichenketten) Optimale binäre Suchbäume Lesen Sie Kapitel !!!