-
Notifications
You must be signed in to change notification settings - Fork 1
/
lecture3.tex
396 lines (342 loc) · 17.4 KB
/
lecture3.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
\documentclass[a4paper,11pt]{article}
\usepackage[utf8]{inputenc}
\usepackage[russian]{babel}
\usepackage[T1]{fontenc}
\usepackage{amssymb,amsmath,graphicx,indentfirst}
\usepackage{caption}
\usepackage{clrscode}
\usepackage[unicode]{hyperref}
\setlength{\parskip}{1ex plus 0.5ex minus 0.2ex}
\author{Олег Смирнов\\
\texttt{oleg.smirnov@gmail.com}}
\date{13 октября 2011 г.}
\title{Построение и анализ алгоритмов -- Лекция 3. Парадигма ``Разделяй и
властвуй''. Быстрое возведение в степень. Числа Фибоначчи. Алгоритм Евклида}
\begin{document}
\maketitle
\tableofcontents
\newpage
\section*{Цель лекции}
\begin{itemize}
\item Метод ``Разделяй и властвуй'' на примере алгоритмов бинарного поиска,
быстрого возведения в степень и вычисления чисел Фибоначчи
\item Алгоритм Евклида для вычисления наибольшего общего делителя
\end{itemize}
\section{Стратегия ``Разделяй и властвуй''}
Идея метода ``Разделяй и властвуй'' (англ. ``divide and conquer'') состоит из
нескольких шагов
\begin{enumerate}
\item Разделение задачи на подзадачи, как правило меньшего размера
\item Решение каждой из подзадач (напрямую, если они достаточно небольшого
объёма -- иначе рекурсивно, разбивая на меньшие части)
\item Объединение полученных решений подзадач
\end{enumerate}
В силу специфики этого метода оценка времени выполнения всегда будет
представляться в виде рекуррентности, которую удобно решать с помощью
основной теоремы, то есть рекуррентности вида:
\begin{equation*}
T(n) = aT(n/b) + f(n)
\end{equation*}
где $a$ -- количество подзадач, $n/b$ -- размер подзадачи, а $f(n)$ -- работа,
которая тратится на разделение и объединение.
\section{Сортировка слиянием}
Рассмотрим пример: сортировку слиянием.
\begin{enumerate}
\item Разделение тривиально, просто выбираем элемент в центре массива и считаем
что мы разделили массив
\item Решение: рекурсивно сортируем два получившихся подмассива
\item Объединение: слияние за линейное время $\Theta(n)$
\end{enumerate}
Псевдокод процедуры объединения:
\begin{codebox}
\Procname{$\proc{Merge}(A, p, q, r)$}
\li $n_1 \gets q - p + 1$ \Comment длина левой части
\li $n_2 \gets r - q$ \Comment длина правой части
\li \Comment создаём массивы $L$ и $R$
\li \For $i \gets 1 $ \To $n_1$
\li \Do $L[i] \gets A[p + i - 1]$
\End
\li \For $j \gets 1 $ \To $n_2$
\li \Do $R[j] \gets A[q + 1]$
\End
\li $L[n_1 + 1] \gets \infty$
\li $R[n_2 + 1] \gets \infty$
\li $i \gets 1$
\li $j \gets 1$
\li \For $k \gets p $ \To $r$
\li \Do \If $L[i] \leqslant R[j]$
\li \Then $A[k] \gets L[i]$
\li $i \gets i + 1$
\li \Else $A[k] \gets R[j]$
\li $j \gets j + 1$
\End
\End
\end{codebox}
\begin{figure}[ht]
\centering
\includegraphics[width=4in]{lecture3/merge.eps}
\caption{Процедура объединения}
\label{fig:merge}
\end{figure}
Псевдокод сортировки:
\begin{codebox}
\Procname{$\proc{Merge\_Sort}(A, p, r)$}
\li \If $p < r$
\li \Then $q \gets \lfloor (p+r)/2 \rfloor$
\li $Merge\_Sort(A, p, q)$
\li $Merge\_Sort(A, q+1, r)$
\li $Merge(A, p, q, r)$
\End
\end{codebox}
Анализируя, получаем рекуррентность $T(n) = 2T(n/2) + \Theta(n)$. Её решением,
согласно второму случаю основной теоремы, будет $\Theta(n log(n))$
\section{Основная теорема}
При использовании основного метода функция $f(n)$ сравнивается с $n^{\log_b a}$
и рассматриваются три случая. Интуитивно понятно, что асимптотическое поведение
решения рекуррентного соотношения определяется большей из двух функций.
\begin{enumerate}
\item Если $f(n) = O(n^{\log_{b}{a - \epsilon}})$ , для некоторой константы
$\epsilon > 0$, т.е. $f(n)$ растет полиноминально медленней, чем
$n^{\log_b a}$ в $n^\epsilon$ раз.\\
Тогда $T(n) = \Theta(n^{\log_b a})$
\item Если $f(n) = \Theta(n^{\log_b a}\lg^k n)$, т.е. $f(n)$ и $n^{log_b a}$
растут с одинаковой скоростью с точностью до множителя $\lg^k n$, для
константы $k \geqslant 0$.\\ Тогда $T(n) = \Theta(n^{\log_b a} \lg^{k+1} n)$
\item Если $f(n) = \Omega(n^{\log_b{a + \epsilon}})$ , для некоторой константы
$\epsilon > 0$, т.е. $f(n)$ растет полиноминально быстрей, чем $n^{\log_b a}$
в $n^\epsilon$ раз \\ \emph{и} $f(n)$ удовлетворяет неравенству $a f(n/b)
\leqslant c f(n)$ для некоторого $c < 1$ \\ Тогда $T(n) = \Theta(f(n))$
\end{enumerate}
В сортировке слиянием $a = 2, b = 2, f(n) = \Theta(n)$, то есть нам нужно
сравнить $\Theta(n)$ и $n^{\log_2 2} = n^1 = n$. Они апроксиматически равны
(случай 2 теоремы, $k = 0$), таким образом, ответом будет $T(n) = \Theta(n \lg
n)$
\section{Бинарный поиск}
Другим примером метода ``разделяй и властвуй'' является бинарный поиск.
Оценка времени выполнения: $T(n) = T(n/2) + \Theta(1)$ (одно подзадача в два
раза меньше основной задачи и константное время для объединения), снова второй
случай основной теоремы и решение $T(n) = \Theta(\lg n)$
\section{Возведение в степень}
Задача: найти целую степень числа, то есть найти $a^n, \text{ где } n \in
\mathbb{N}$. Наивный алгоритм решает задачу за $\Theta(n)$. Алгоритм ``разделяй
и властвуй'' даёт лучшее решение:
\begin{equation*}
a(n) = \begin{cases}
a^{n/2} a^{n/2}, \text{ если n -- чётное} \\
a^{(n-1)/2} a^{(n-1)/2} a, \text{ если n -- нечётное}
\end{cases}
\end{equation*}
Время работы: $T(n) = T(n/2) + \Theta(1) \Rightarrow T(n) = \Theta(\lg n)$
\section{Числа Фибоначчи}
Рекурсивное определение:
\begin{equation*}
F_n = \begin{cases}
0, \text{ если } n = 0 \\
1, \text{ если } n = 1 \\
F_{n-1} + F_{n-2}, \text{ если } n > 1
\end{cases}
\end{equation*}
Наивный рекурсивный алгоритм: $\Omega(\phi^n)$, где $\phi$ -- золотое сечение.
Экспоненциальное время работы -- очень плохо.
Итеративный алгоритм: последовательно считать $F_0, F_1, F_2, \ldots$ для
получения нового числа складывать два предыдущих -- на каждое число одно
сложение, значит время выполнение $T(n) = \Theta(n)$
Наивное возведение в степень: мы можем использовать известную формулу $F_n =
\phi^n / \sqrt{5}$, округлённое в сторону ближайшего целого. Используя оценку из
предыдущего раздела, получим время выполнения $\Theta(\lg n)$. Однако этот метод
не слишком надёжный, т.к. из-за ошибок округления вещественных чисел можем
получить неверный результат.
Теорема:
\begin{equation*}
\begin{bmatrix}
F_{n+1} & F_n \\
F_n & F_{n-1}
\end{bmatrix} =
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix}^n
\end{equation*}
Алгоритм: рекурсивное возведение в квадрат (то же, что применялось для
возведения в степень). Его оценка, как известно $\Theta(\lg n)$.
Возведение матрицы 2 на 2 в квадрат асимптотически ничем не отличается от
возведения числа в квадрат, просто вместо одного умножения придётся делать
восемь и ещё четыре сложения, но все равно константное время $\Theta(1)$
Доказательство теоремы (индукция по $n$):
Базис ($n=1$)
\begin{equation*}
\begin{bmatrix}
F_2 & F_1 \\
F_1 & F_0
\end{bmatrix} =
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix}^1
\end{equation*}
Индукция (для $n > 1$):
\begin{equation*}
\begin{bmatrix}
F_{n+1} & F_n \\
F_n & F_{n-1}
\end{bmatrix} =
\begin{bmatrix}
F_n & F_{n-1} \\
F_{n-1} & F_{n-2}
\end{bmatrix}
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix} =
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix}^{n-1}
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix} =
\begin{bmatrix}
1 & 1 \\
1 & 0
\end{bmatrix}^n
\end{equation*}
\section{Умножение матриц}
Вход: $A = [a_{ij}], B = [b_{ij}]$
Выход: $C = [c_{ij}] = A \cdot B, i \in 1 \ldots n$
\begin{equation*}
\begin{pmatrix}
c_{11} & c_{12} & \ldots & c_{1n} \\
c_{21} & c_{22} & \ldots & c_{2n} \\
\vdots & \vdots & \ddots & \vdots \\
c_{n1} & c_{n2} & \ldots & c_{nn}
\end{pmatrix}
=
\begin{pmatrix}
a_{11} & a_{12} & \ldots & a_{1n} \\
a_{21} & a_{22} & \ldots & a_{2n} \\
\vdots & \vdots & \ddots & \vdots \\
a_{n1} & a_{n2} & \ldots & a_{nn}
\end{pmatrix}
\cdot
\begin{pmatrix}
b_{11} & b_{12} & \ldots & b_{1n} \\
b_{21} & b_{22} & \ldots & b_{2n} \\
\vdots & \vdots & \ddots & \vdots \\
b_{n1} & b_{n2} & \ldots & b_{nn}
\end{pmatrix}
\end{equation*}
Формула для нахождения элементов матрицы произведения:
\begin{equation*}
c_{ij} = \sum_{k=1}^n a_{ik} b_{kj}
\end{equation*}
Наивный алгоритм на псевдокоде:
\begin{codebox}
\li \For $i \gets 1 $ \To $n$
\li \Do \For $j \gets 1 $ \To $n$
\li \Do $c_{ij} \gets 0$
\li \For $k \gets 1 $ \To $n$
\li \Do $c_{ij} \gets c_{ij} + a_{ik} b_{kj}$
\End
\End
\End
\end{codebox}
Три вложенных цикла, т.е. сложность алгоритма будет $\Theta(n^3)$. Рассмотрим
алгоритм в стиле ``разделяй и властвуй''. Идея: представим, что матрица
$n \times n$ -- это $2 \times 2$-матрица $(n/2) \times (n/2)$ подматриц:
\begin{equation*}
\begin{split}
\begin{bmatrix}
r & s \\
t & u
\end{bmatrix}
&=
\begin{bmatrix}
a & b \\
c & d
\end{bmatrix}
\cdot
\begin{bmatrix}
e & f \\
g & h
\end{bmatrix} \\
C &= A \cdot B
\end{split}
\end{equation*}
\begin{equation*}
\text{ 8 \emph{рекурсивных} умножений + 4 сложения матриц } 2 \times 2
\begin{cases}
r = ae + bg \\
s = af + bh \\
t = ce + dg \\
u = cf + dh
\end{cases}
\end{equation*}
Получим рекуррентность: $T(n) = 8T(n/2) + \Theta(n)$
Нужно сравнить $n^{\log_2 8}$ и $\Theta(n)$. Первое полинамильно больше,
получаем первый случай основной теоремы и, стало быть, решение: $T(n) =
\Theta(n^3)$
Решение оказалось точно таким же, как и оригинальное.
\section{Алгоритм Евклида}
Наибольший общий делитель (НОД) двух чисел $m$ и $n$ обычно обозначается как
\begin{equation*}
gcd(m, n)
\end{equation*}
Если $gcd(m, n) = 1$, то числа $m$ и $n$ называются \emph{взаимно простыми}.
Кроме того, $gcd(n, 0) = n$ для любого $n > 0$.
Первый из известных алгоритмов нахождения НОД описан Евклидом в книге
``Начала'' (около 300 г. до н.э.). Он записывается рекурсивной формулой:
\begin{codebox}
\Procname{$\proc{Euclid}(m, n)$}
\li \If $n = 0$
\li \Then \Return $m$
\li \Else \Return $Euclid(n, m \bmod n)$
\End
\end{codebox}
Идея заключается в том, что НОД двух чисел не изменится, если из большего числа
вычесть меньшее. Т.е. если $21$ -- НОД $252$ и $105$, то $205-105 = 147$ и
$21$ по-прежнему является НОД $147$ и $105$. Остаток от последовательного
вычитания второго аргумента из первого и выражается формулой $m \bmod n$.
Работа этого рекурсивного алгоритма не может продолжаться до бесконечности,
т.к. второй аргумент функции всегда строго убывает, и он всегда неотрицательный.
Таким образом, результатом всегда будет правильный ответ.
Существует другой метод поиска НОД, где операции умножения и деления заменены
операциями бинарного сдвига. Этот метод обычно работает быстрее, т.к. сдвиг
намного дешевле других операций. Алгоритм бинарного НОД был известен ещё в
Китае в первом веке н.э., но опубликован был лишь в 1967 году израильским
программистом Джозефом Стайном. Метод использует следующие свойства НОД:
\begin{enumerate}
\item $gcd(0, n) = n$; $gcd(m, 0) = m$; $gcd(m, m) = m$ -- по определению gcd
\item Если $m$, $n$ чётные, то $gcd(m, n) = 2*gcd(m/2, n/2)$, т.к. 2 -- общий
делитель
\item Если $m$ чётное, $n$ нечётное, то $gcd(m, n) = gcd(m/2, n)$, т.к. 2 -- не
общий делитель
\item Если $n$ чётное, $m$ нечётное, то $gcd(m, n) = gcd(m, n/2)$
\item Если $m$, $n$ нечётные и $n > m$, то $gcd(m, n) = gcd((n - m)/2, m)$ --
комбинация из одного шага простого алгоритма Евклида (вычитания) и шагов 3-4
бинарного алгоритма
\item Если $m$, $n$ нечётные и $n < m$, то $gcd(m, n) = gcd((m - n)/2, n)$
\end{enumerate}
Шаги повторяются, пока не будет $m = n$, а затем ещё раз, пока $n = 0$.
Определение алгоритма рекурсивно, но это хвостовая рекурсия, а значит её
можно заменить итерацией.
Время работы алгоритма $O(\log^2 m n)$, т.е. пропорционально квадрату
количества бит $m$ и $n$ вместе.
Существуют расширенные версии обоих вариантов алгоритмов, которые параллельно с
НОД вычисляют полезные константы $a$ и $b$, где
\begin{equation*}
a m + b n = gcd(a, b)
\end{equation*}
Наибольший общий делитель двух чисел имеет ряд важных применений в криптографии
с открытым ключём, в решении Диофантовых уравнений и в ряде других задач
теории чисел.
\section*{Заключение}
\begin{itemize}
\item ``Разделяй и властвуй'' -- одна из нескольких мощных техник для разработки
алгоритмов
\item Оценка времени выполнения этих алгоритмов сводится к рекуррентностям,
которые легко решаются основной теоремой
\item Стратегия ``Разделяй и властвуй'' часто позволяет получить весьма
эффективные алгоритмы
\end{itemize}
\end{document}