Számítógép és programozás 2

Átírás

1 Számítógép és programozás 2 8. Előadás Megoldhatóság, hatékonyság

2 Elméleti áttekintés a SzámProg 1 tárgyból Algoritmikus eldönthetőség kérdése Bizonyíthatóság kérdése, Gödel Terminálási probléma (Turing) Chomsky nyelvosztályok Eldönthetőségi probléma a nyelvosztályokban Rekurzívan és parciálisan rekurzívan eldönhető problémák

3 Eldönthetőség, kiszámíthatóság Létezik-e algoritmus (egyszer leírt végleges megoldás minden esetre) egy adott specifikációhoz? Eldönthető: Döntsd el egy egész számról, hogy páros-e! Add meg egy véges sorozat legnagyobb elemét! Vannak nem eldönthető kérdések!

4 Terminálási probléma Nem készíthető program, amely bármely programot elemezve eldönti, hogy végtelen ciklusba kerül-e. Az állítás bizonyítása meglehetősen hasonlít Gödel tételére, illetve Cantor bizonyítására Indirekt bizonyítás: tegyük fel, hogy a terminálási probléma kiszámítható, és van is egy függvényünk, TERM(P,A), ami P függvényről eldönti, hogy A adattal terminál-e.

5 Terminálási probléma Tehát TERM(P,A) = {igaz, hamis} Ahogy Gödelnél, a programok és az adatok egyaránt megszámozhatóak, így használhatjuk azt az esetet, hogy TERM(x,x) Legyen G(A) { if(term(a,a)) while(1); else return hamis; }..és legyen az A paraméter G számértéke! Ez ellentmondás.

6 Chomsky nyelvosztályok Példa nyelvtanra: S asb ab generálja az {ab, aabb, aaabbb,..} nyelvet, mert Minden ilyen szó generálható: n-1-szer az első, és egyszer a második szabály alkalmazásával Csak ilyen szó generálható, mert minden szabály garantálja, hogy ugyanannyi a és b karakter kerül a szóba, és az a-k mindig a közepe elé, a b-k a közepe mögé A kérdés: eldönthető-e tetszőleges szóról, hogy generálja-e a nyelvtan?

7 big O notation, Ordo O(f(n)) jelölés: egy algoritmust jellemez, hogy a futásidejét hogyan lehet becsülni az adat egy paramétere alapján maximumkeresés: O(n) maximumkiválasztásos rendezés: O(n 2 ) quicksort: O(log 2 n) Most futásidő mellett memóriaigényre is használni fogjuk

8 Chomsky nyelvosztályok A szóprobléma eldönthetősége és hatékonysága a szabálykészlettől függ: L3: A a ab L2: A u L1: uav uwv L0: u v ahol A N, a T, u,v,w {N T}* L3 lineárisan eldönthető, L2 köbösen, L1 exponenciálisan, L0 sehogy.

9 Eldönthető, felsorolható L0 felsorolható: A szabályok szisztematikus felhasználásával kapott szavak kötött sorrendben keletkeznek, idővel bármely szó megjelenik így L0 nem eldönthető: ha arra várunk, hogy egy szó kijön-e a szisztematikus szabályalkalmazásból, nem terminálunk, ha a válasz nemleges. L1 eldönthető: a szó csak egyre hosszabb lehet, ami terminálási feltételre ad lehetőséget

10 Nyelvosztályok összefoglalva Chomsky nyelvosztályok L3, reguláris: lineáris időben eldönthető a szóprobléma L2, környezetfüggetlen: köbös időben eldönthető a szóprobléma L1, hosszúságot nem csökkentő szabályok: exponenciális időben eldönthető a szóprobléma L0, tetszőleges szabályok: parciálisan rekurzív, csak akkor ad választ az algoritmus, ha a szóprobléma megoldása az igaz

11 Rekurzívan felsorolható, rekurzívan eldönthető Church, Turing, Kleene, Gödel tételei alapvetően rekurzív függvényekre épültek Miért fontos a rekurzív függvény a számítástudományban? Mert könnyű kiértékelni algoritmikusan Az így készült program helyessége könnyebben bizonyítható

12 Rekurzív függvény kiértékelése max n (S) = S[n], ha S[n] > max n-1 (S) max n-1 (S) különben A ciklusmag a tételben: if (S[n] > max) {max = S[n];} else {max=max;} Nyilvánvaló az egyezés, látható, hogy mechanikusan építhető ciklus olyan rekurzív függvényre, amely csak az előző értékre hivatkozik

13 Kiszámíthatóság összefoglalás Rekurzív függvényekkel felírt problémákat könnyen algoritmizáljuk Church-Turing Tézis: Amit ki lehet számolni valahogy, azt rekurzív függvénnyel is ki lehet számolni Azaz: amit ki lehet számolni valahogy, azt algoritmussal is ki lehet számolni Van, amit nem lehet kiszámolni egyáltalán, pl. terminálási probléma.

14 Döntési probléma Minden feladat, aminek a kimenete egyetlen logikai érték Példák: szóprobléma prímszám-e terminálási probléma Sok feladat átfogalmazható döntési feladatra, de van, ami nem, pl. optimalizálási feladatok

15 Keresési/optimalizálási feladatok Az algoritmus bemenete egy halmaz (leírása) Kimenete egy elem a halmazból, amire teljesül a feltétel (optimalizálásnál egy szélsőértéke a célfüggvénynek) Példák: rendezések: melyik az a permutáció, amelyikre igaz a rendezettség Rubik kocka kirakásához szükséges lépéssorozat minimális?

16 P vs NP A döntés folyamata szerint a megoldó algoritmus P, ha determinisztikus és polinomiális időben végez NP, ha nemdeterminisztikus, és polinomiális időben választ adhat Kitérő: nemdeterminisztikus algoritmus előre nem megadott lépések, véletlenszerű választások, a lehetőségek között ha van kedvező, akkor a lehetőség miatt a megoldás útjának ez tekinthető pl. nemdeterminisztikus automata és a szóprobléma

17 P vs NP P részhalmaza NP-nek Az, hogy P =?= NP, jelenleg nyitott kérdés Sokak szerint a válasz nem, de nincs bizonyítva NP-teljes problémák: olyan problémák, amikre létezik ismert NP megoldás, és egymásra levezethetőek O(n) időben vagyis, ha egyikről kiderül, hogy P, akkor a többi is.

18 Híres NP-teljes problémák Hamilton kör léte Utazó ügynök probléma Pakolási probléma Részösszeg probléma Izomorfizmus gráfokban Gráf színezés (több mint 3000 másik) Sudoku, aknakereső, stb

19 NP-teljes problémák Pozitív: megoldhatóak Negatív: lassan, általános esetben Sok esetben felismerhető egy-egy speciális eset, amivel könnyen választható egyszerűbb megoldás tipikusan gyakran a rejtvényújság Sudoku rejtvényei lineáris időben megfejthetőek pakolási probléma és a váltópénz minimális darabszáma is jó példa: a váltópénz címleteit szándékosan úgy választják meg, hogy a lineáris idejű megoldás optimális legyen

20 NP-teljes problémák Máskor a megoldás minőségével szembeni követelményeket enyhítik Pakolási probléma operációs rendszer munkafolyamatain a memóriában mindig az igényelt memóriánál legkevésbé nagyobb helyet adni: O(n) nem optimális, de nem sokkal rosszabb Heurisztika: gyakorlati tapasztalatból adódó, feltételezésekre építő elem az algoritmusban

21 A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen egy tetszőleges eleme M-nek } amíg X nem megoldás Kicsit lassú Viszont minden keresési feladat őse A keresési feladatok csak abban különböznek, hogy milyen stratégia szerint vizsgálnak meg egy elemet előbb, vagy később

22 Ingyen leves tétel Nincs ingyen leves: nincs mindenre jó keresési stratégia Tetszőleges, egyébként egy részterületen kiváló keresési stratégiához létezik olyan másik részterület, ahol nem jó P(A talál n lépésben) = P(B talál n lépésben) Más szavakkal: az adott részterület sajátságainak kihasználása nélkül pont olyan hatékony minden algoritmus (pl. az előző is)

23 Az ingyen leves tétel következménye Egy használható keresési-optimalizálási megoldásnak rendelkeznie kell ismerettel a problémáról Heurisztika Tanulás reprezentáció

24 Genetikus algoritmus Van egy fit(x) függvényünk, ami a feladat célfüggvénye legyen P egy részhalmaz M-ből ciklus amíg nem vagyunk elégedettek P legjobbjával P elemei közül a nagyobb fit() értékűekhez hasonlókat szaporítunk, az alacsonyabbakat töröljük néhány elemet P-ben véletlenszerűen megváltoztatunk ciklus vége

25 Genetikus algoritmus Mit használunk ki? A fit függvény adott A hasonló szaporítása reprezentációját már heurisztikusan választhatjuk A mutációt is heurisztikusan választhatjuk A múltbeli ismereteinket használjuk, körről körre az eddigi jó megoldásokat megtartjuk feltételezzük, hogy a legjobb megoldáshoz vezető úton jobb és jobb megoldásokon keresztül megyünk a választott heurisztikákkal

26 Genetikus algoritmus példa Hegymászás: adott egy hegy, aminek nem tudjuk hol a csúcsa, de azt tudjuk, hogy nincs másik lokális maximumpont szaporításnál a szülő(k) környékén véletlenszerűen választhatunk így garantálva van, hogy a mindenkori legmagasabban levő példány van legközelebb az optimumhoz Nagyon ritkán ilyen könnyű a feladat erre más megoldások, kiegészítések: maximális meredekség (gradiens), szimulált hűtés

27 Összefoglalás A keresési és döntési feladatokat három osztályba sorolhatjuk: megoldhatatlan lassan megoldható (pl. NP-teljes) polinomiális időben megoldható Az NP-teljes problémák kezelése a brute force mellett heurisztikus megközelítések enyhített feltételek

28 Utazó ügynök probléma