BCC202 - Estrutura de Dados I
|
|
|
- Letícia Ventura de Caminha
- 5 Há anos
- Visualizações:
Transcrição
1 BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) ASN Universidade Federal de Ouro Preto, UFOP Departamento de Computação, DECOM Material elaborado com base nos slides do Prof. Reinaldo Fortes (curso de 2016/01).
2 Conteúdo 1 Comportamento Assintótico de Funções 2 Dominação Assintótica Notação Ω (Ômega) Notação Θ (Theta) Resumo 3 Conclusão 4 Exercícios BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (2)
3 Conteúdo 1 Comportamento Assintótico de Funções 2 Dominação Assintótica Notação Ω (Ômega) Notação Θ (Theta) Resumo 3 Conclusão 4 Exercícios BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (3)
4 Comportamento Assintótico de Funções Função de Complexidade Na aula passada aprendemos a calcular a função de complexidade f (n). Observações importantes: Para valores pequenos de n, praticamente qualquer algoritmo custa pouco para ser executado. Logo: a escolha do algoritmo tem pouquíssima influência em problemas de tamanho pequeno. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (4)
5 Comportamento Assintótico de Funções Comportamento Assintótico A análise de algoritmos deve ser realizada para valores grandes de n. Para isso, estuda-se o comportamento assintótico das funções de custo. Comportamento das funções para valores grandes de n. O comportamento assintótico de f (n) representa o limite do comportamento do custo quando n cresce. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (5)
6 Comportamento Assintótico de Funções Crescimento e Domínio Assintótico A análise de um algoritmo geralmente conta com apenas algumas operações elementares. A medida de custo, ou medida de complexidade, relata o crescimento assintótico da operação considerada. Definição: Uma função f (n) domina assintoticamente outra função g(n) se: Existem duas constantes positivas c e m tais que, para n >= m, temos g(n) <= c f (n). A próxima seção detalha esta definição... BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (6)
7 Conteúdo 1 Comportamento Assintótico de Funções 2 Dominação Assintótica Notação Ω (Ômega) Notação Θ (Theta) Resumo 3 Conclusão 4 Exercícios BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (7)
8 Dominação Assintótica Dominação Assintótica f (n) domina assintoticamente g(n) se: Existem duas constantes positivas c e m tais que, para n >= m, temos g(n) <= c f (n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (8)
9 Dominação Assintótica Dominação Assintótica: Exemplo Sejam g(n) = (n + 1) 2 e f (n) = n 2. As funções g(n) e f (n) dominam assintoticamente uma à outra, desde que: (n + 1) 2 <= 4 n 2, para n >= 1. n 2 <= (n + 1) 2, para n >= 0. g(n) <= c f (n) para n >= m; c = 4 e m = 1 f (n) <= c g(n) para n >= m; c = 1 e m = 1 BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (9)
10 Escrevemos g(n) = O(f (n) para expressar que f (n) domina assintoticamente g(n). Lê-se g(n) é da ordem de no máximo f (n). Exemplo: Quando dizemos que o tempo de execução T (n) de um programa é O(n 2 ), significa que existem constantes c e m tais que, para valores de n >= m, T (n) <= cn 2. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (10)
11 Exemplo gráfico de dominação assintótica que ilustra a notação O. Abaixo, a função f (n) domina assintoticamente a função g(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (11)
12 O valor da constante m mostrado é o menor valor possível, mas qualquer valor maior também é válido. Definição: uma função g(n) é O(f (n)) se existem duas constantes positivas c e m tais que g(n) <= cf (n), para todo n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (12)
13 Operações f (n) = O(f (n)) c O(f (n)) = O(f (n)), c = constante O(f (n)) + O(f (n)) = O(f (n)) O(O(f (n))) = O(f (n)) O(f (n)) + O(g(n)) = O(max(f (n), g(n))) O(f (n)) O(g(n)) = O(f (n) g(n)) f (n) O(g(n)) = O(f (n) g(n)) BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (13)
14 Exemplo 01: g(n) = (n + 1) 2 e f (n) = n 2 g(n) é O(n 2 ) quando m = 1 e c = 4. Isto porque sabe-se que (n + 1) 2 <= 4n 2. Ou seja, existem as constantes positivas c e m tal que g(n) <= cf (n), para n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (14)
15 Exemplo 01: g(n) = (n + 1) 2 e f (n) = n 2 g(n) é O(n 2 ) quando m = 1 e c = 4. Isto porque sabe-se que (n + 1) 2 <= 4n 2. Ou seja, existem as constantes positivas c e m tal que g(n) <= cf (n), para n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (14)
16 Exemplo 02: g(n) = n e f (n) = n 2 Sabemos que g(n) é O(n 2 ), pois para n >= 1, n <= n 2. Entretanto f (n) não é O(n). Suponha que existam constantes c e m tais que para todo n >= m, n 2 <= cn. Se c >= n para qualquer n >= m, então deveria existir um valor para c que pudesse ser maior ou igual a n para todo n. Portanto, não existe a constante positiva c tal que g(n) <= cf (n), para n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (15)
17 Exemplo 02: g(n) = n e f (n) = n 2 Sabemos que g(n) é O(n 2 ), pois para n >= 1, n <= n 2. Entretanto f (n) não é O(n). Suponha que existam constantes c e m tais que para todo n >= m, n 2 <= cn. Se c >= n para qualquer n >= m, então deveria existir um valor para c que pudesse ser maior ou igual a n para todo n. Portanto, não existe a constante positiva c tal que g(n) <= cf (n), para n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (15)
18 Exemplo 03: g(n) = 3n 3 + 2n 2 + n Sabemos que g(n) é O(n 3 ). g(n) também é O(n 4 ). Entretanto, esta afirmação é mais fraca do que dizer que g(n) é O(n 3 ). g(n) também é O(n 40 )? BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (16)
19 Exemplo 03: g(n) = 3n 3 + 2n 2 + n Sabemos que g(n) é O(n 3 ). g(n) também é O(n 4 ). Entretanto, esta afirmação é mais fraca do que dizer que g(n) é O(n 3 ). g(n) também é O(n 40 )? Sim! É fácil mostrar que existem as constantes positivas c e m tal que g(n) <= cf (n), para n >= m. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (16)
20 Exemplo 04: g(n) = log 5 n é O(log n) Recorrendo às propriedades logaritmicas, a mudança de base é definida por: log a x = log bx log b a. Assim, observa-se que log 5 n = log 5 2 log n. Logo, log 5 2 é a constante c, e será fácil encontrar um m que comprove que g(n) é O(log n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (17)
21 Exemplo 04: g(n) = log 5 n é O(log n) Recorrendo às propriedades logaritmicas, a mudança de base é definida por: log a x = log bx log b a. Assim, observa-se que log 5 n = log 5 2 log n. Logo, log 5 2 é a constante c, e será fácil encontrar um m que comprove que g(n) é O(log n). Generalizando log b n = log b c log c n. Logo, a constante c será log b c e deverá ser definida a constante m que comprove que log b n é O(log c n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (17)
22 Exemplo 05: Ordem de complexidade do MaxMin1 1 int MaxMin1 ( int * A, int n, int * pmax, int * pmin ) { 2 int i; 3 * pmax = A [0]; 4 * pmin = A [0]; 5 for ( i = 1; i < n; i ++) 6 if (* pmax < A[ i]) // Comparação envolvendo os elementos 7 * pmax = A[i]; 8 if (* pmin > A[ i]) // Comparação envolvendo os elementos 9 * pmin = A[i]; 10 } Como vimos anteriormente, f (n) = 2(n 1) para n > 0, para o melhor caso, pior caso e caso médio. Então, MaxMin1 é O(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (18)
23 Exemplo 05: Ordem de complexidade do MaxMin1 1 int MaxMin1 ( int * A, int n, int * pmax, int * pmin ) { 2 int i; 3 * pmax = A [0]; 4 * pmin = A [0]; 5 for ( i = 1; i < n; i ++) 6 if (* pmax < A[ i]) // Comparação envolvendo os elementos 7 * pmax = A[i]; 8 if (* pmin > A[ i]) // Comparação envolvendo os elementos 9 * pmin = A[i]; 10 } Como vimos anteriormente, f (n) = 2(n 1) para n > 0, para o melhor caso, pior caso e caso médio. Então, MaxMin1 é O(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (18)
24 Exemplo 06: Operações com a notação O Regra da soma O(f (n)) + O(g(n)). Suponha três trechos cujos tempos de execução são O(n), O(n 2 ) e O(n log n). O tempo de execução dos dois primeiros trechos é O(max(n, n 2 )), que é O(n 2 ). O tempo de execução de todos os três trechos é então O(max(n, n 2, n log n)), que é O(n 2 ). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (19)
25 Notação Ω (Ômega) Notação Ω (Ômega) Especifica um limite inferior para g(n). Definição: Uma função g(n) é Ω(f (n)) se: Existem duas constantes positivas c e m tais que, para n >= m, temos g(n) >= c f (n). Exemplo: Quando dizemos que o tempo de execução T (n) de um programa é Ω(n 2 ), significa que existem constantes c e m tais que, para valores de n >= m, T (n) >= c n 2. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (20)
26 Notação Ω (Ômega) Exemplo gráfico Na figura abaixo, a função f (n) é dominada assintoticamente pela função g(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (21)
27 Notação Ω (Ômega) Exemplos Para mostrar que g(n) = 3n 3 + 2n 2 é Ω(n 3 ) basta fazer c = 1, e então 3n 3 + 2n 2 >= n 3 para n >= 0. Seja g(n) = n, para n ímpar (n >= 1) e g(n) = n 2 para n par (n >= 0). Neste caso g(n) é Ω(n 2 ), bastando considerar c = 1 e m = 2, 4, 6,... BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (22)
28 Notação Θ (Theta) Notação Θ (Theta) Especifica um limite assintótico firme para g(n). Definição: Uma função g(n) é Θ(f (n)) se: Existem três constantes positivas c 1, c 2 e m, tais que, para n >= m, temos: 0 <= c 1 f (n) <= g(n) <= c 2 f (n). Isto é, para todo n >= m, a função g(n) é igual a f (n) a menos de uma constante. BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (23)
29 Notação Θ (Theta) Exemplo gráfico Na figura abaixo, a função f (n) é um limite assintótico firme para a função g(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (24)
30 Notação Θ (Theta) Relação com O e Ω Para uma função ser Θ(f (n)) ela deverá ser, ao mesmo tempo, O(f (n)) e Ω(f (n)). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (25)
31 Notação Θ (Theta) Exemplo: Algoritmos MinMax Relembre as funções de complexidade: Algoritmo Melhor caso Pior caso Caso médio MaxMin1 2 (n-1) 2 (n-1) 2 (n-1) MaxMin2 n (n-1) 3 n/2-3/2 MaxMin3 3 n/2-2 3 n/2-2 3 n/2-2 Observe que todos os algoritmos tem a mesma complexidade assintótica. Todos são O(n) e Ω(n). Portanto, são Θ(n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (26)
32 Resumo Notações O, Ω (Ômega) e Θ (Theta) Notação Ω (Ômega) Notação Θ (Theta) Uma função g(n) é Ω(f (n)) se: Existem duas constantes positivas c e m tais que, para n >= m, temos g(n) >= c f (n). Uma função g(n) é Ω(f (n)) se: Existem duas constantes positivas c e m tais que, para n >= m, temos g(n) >= c f (n). Uma função g(n) é Θ(f (n)) se: Existem três constantes positivas c 1, c 2 e m, tais que, para n >= m, temos: 0 <= c 1 f (n) <= g(n) <= c 2 f (n). BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (27)
33 Conteúdo 1 Comportamento Assintótico de Funções 2 Dominação Assintótica Notação Ω (Ômega) Notação Θ (Theta) Resumo 3 Conclusão 4 Exercícios BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (28)
34 Conclusão Conclusão Nesta aula aprendemos a estudar o comportamento assintótico das funções de custo através da dominação assintótica. Foco principal para as notações O, Ω e Θ. Próxima aula: Análise de Algoritmos (Parte 3) Classes de Problemas. Dúvidas? BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (29)
35 Conteúdo 1 Comportamento Assintótico de Funções 2 Dominação Assintótica Notação Ω (Ômega) Notação Θ (Theta) Resumo 3 Conclusão 4 Exercícios BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (30)
36 Exercícios propostos Exercício 01 Obtenha a função de complexidade f (n) dos algoritmos abaixo. Considere apenas as operações envolvendo as variáveis x e y. Para cada algoritmo, responda: O algoritmo é O(n 2 )? É Ω(n 3 )? É Θ(n 3 ). 1 void Procedimento1 ( int n) { 2 int i, j, x, y; 3 x = y = 0; 4 for (i = 1; i <= n; i ++) { 5 for ( j = i; j <= n; j ++) 6 x = x + 1; 7 for ( j = 1; j < i; j ++) 8 y = y + 1; 9 } 10 } 1 void Procedimento2 () { 2 int i, j, k, x; 3 x = 0; 4 for (i = 1; i <= n; i ++) { 5 for ( j = 1; j <= n; j ++) 6 for ( k = 1; k <= j; k ++) 7 x = x + j + k; 8 x = i; 9 } BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (31)
37 Exercícios propostos Exercício 02 Obtenha a ordem de complexidade do algoritmo abaixo, definido em função dos dois procedimentos do Exercício void Procedimento ( int n) { 2 Procedimento1 ( n); 3 Procedimento2 ( n); 4 } BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) (32)
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 05: Análise de Algoritmos (Parte 2) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 06: Análise de Algoritmos (Parte 3) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
Análise de Algoritmos
Análise de Algoritmos Parte 3 Prof. Túlio Toffolo http://www.toffolo.com.br BCC202 Aula 06 Algoritmos e Estruturas de Dados I Como escolher o algoritmo mais adequado para uma situação? (continuação) Exercício
Medida do Tempo de Execução de um Programa
Medida do Tempo de Execução de um Programa Livro Projeto de Algoritmos Nívio Ziviani Capítulo 1 Seção 1.3.1 http://www2.dcc.ufmg.br/livros/algoritmos/ Comportamento Assintótico de Funções O parâmetro n
ANÁLISE DE ALGORITMOS: PARTE 3
ANÁLISE DE ALGORITMOS: PARTE 3 Prof. André Backes 2 A notação grande-o é a forma mais conhecida e utilizada de análise Complexidade do nosso algoritmo no pior caso Seja de tempo ou de espaço É o caso mais
Complexidade Assintótica
Complexidade Assintótica ACH2002 - Introdução à Ciência da Computação II Delano M. Beder Escola de Artes, Ciências e Humanidades (EACH) Universidade de São Paulo dbeder@usp.br 08/2008 Material baseado
Teoria da Computação. Aula 3 Comportamento Assintótico 5COP096. Aula 3 Prof. Dr. Sylvio Barbon Junior. Sylvio Barbon Jr
5COP096 Teoria da Computação Aula 3 Prof. Dr. Sylvio Barbon Junior 1 Sumário 1) Exercícios Medida de Tempo de Execução. 2) Comportamento Assintótico de Funções. 3) Exercícios sobre Comportamento Assintótico
Aula 02 Notação Assintótica p. 4. Usodanotação O. Notação O. Notação O, Ω, ΘeExemplos. Intuitivamente... O(f(n)) funções que não crescem mais
Notação O Aula 02 Notação Assintótica Notação O, Ω, Θe Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Intuitivamente... O() funções que não crescem mais rápido que funções menores
André Vignatti DINF- UFPR
Notação Assintótica: Ω, Θ André Vignatti DINF- UFPR Limitantes Inferiores Considere o seguinte trecho de código: void main () { /* trecho que le N da entrada padrao */ for (i = 0 ; i< N; i++) puzzle(i);
Comportamento Assintótico. Algoritmos e Estruturas de Dados Flavio Figueiredo (http://flaviovdf.github.io)
Comportamento Assintótico Algoritmos e Estruturas de Dados 2 2017-1 Flavio Figueiredo (http://flaviovdf.github.io) 1 Até Agora Falamos de complexidade de algoritmos com base no número de passos Vamos generalizar
Algoritmo. Exemplo. Definição. Programação de Computadores Comparando Algoritmos. Alan de Freitas
Algoritmos Programação de Computadores Comparando Algoritmos Um algoritmo é um procedimento de passos para cálculos. Este procedimento é composto de instruções que definem uma função Até o momento, vimos
Aula 1. Teoria da Computação III
Aula 1 Teoria da Computação III Complexidade de Algoritmos Um problema pode ser resolvido através de diversos algoritmos; O fato de um algoritmo resolver um dado problema não significa que seja aceitável
Análise e Projeto de Algoritmos
Análise e Projeto de Algoritmos Prof. Eduardo Barrére www.ufjf.br/pgcc www.dcc.ufjf.br eduardo.barrere@ice.ufjf.br www.barrere.ufjf.br Consumo de tempo assintótico Seja A um algoritmo para um problema
André Vignatti DINF- UFPR
Notação Assintótica: O André Vignatti DINF- UFPR Notação Assintótica Vamos expressar complexidade através de funções em variáveis que descrevam o tamanho de instâncias do problema. Exemplos: Problemas
É interessante comparar algoritmos para valores grandes de n. Para valores pequenos de n, mesmo um algoritmo ineficiente não custa muito para ser
É interessante comparar algoritmos para valores grandes de n. Para valores pequenos de n, mesmo um algoritmo ineficiente não custa muito para ser executado 1 Fazendo estimativas e simplificações... O número
Análise de Algoritmos
Análise de Algoritmos Estes slides são adaptações de slides do Prof. Paulo Feofiloff e do Prof. José Coelho de Pina. Algoritmos p. 1 Introdução CLRS 2.2 e 3.1 AU 3.3, 3.4 e 3.6 Essas transparências foram
Complexidade de algoritmos Notação Big-O
Complexidade de algoritmos Notação Big-O Prof. Byron Leite Prof. Tiago Massoni Engenharia da Computação Poli - UPE Motivação O projeto de algoritmos é influenciado pelo estudo de seus comportamentos Problema
ESTRUTURAS DE DADOS prof. Alexandre César Muniz de Oliveira
ESTRUTURAS DE DADOS prof. Alexandre César Muniz de Oliveira 1. Introdução 2. Pilhas 3. Filas 4. Listas 5. Árvores 6. Grafos 7. Complexidade 8. Ordenação 9. Busca Sugestão bibliográfica: ESTRUTURAS DE DADOS
03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II
03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2010/2 Moacir
Elementos de Análise Assintótica
Elementos de Análise Assintótica Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 23 de Março de 2018 Aula de hoje Nesta aula veremos: Elementos de Análise Assintótica
CT-234. Estruturas de Dados, Análise de Algoritmos e Complexidade Estrutural. Carlos Alberto Alonso Sanches
CT-234 Estruturas de Dados, Análise de Algoritmos e Complexidade Estrutural Carlos Alberto Alonso Sanches Bibliografia T.H. Cormen, C.E. Leiserson and R.L. Rivest Introduction to algorithms R. Sedgewick
Projeto e Análise de Algoritmos
Projeto e Análise de Algoritmos Aula 01 Complexidade de Algoritmos Edirlei Soares de Lima O que é um algoritmo? Um conjunto de instruções executáveis para resolver um problema (são
Melhores momentos AULA 1. Algoritmos p.38/86
Melhores momentos AULA 1 Algoritmos p.38/86 Definições x := inteiro i tal que i x < i + 1 x := inteiro j tal que j 1 < x j Exercício A1.B Mostre que n 1 2 n 2 n 2 e n 2 n 2 n + 1 2 para qualquer inteiro
Quantidade de memória necessária
Tempo de processamento Um algoritmo que realiza uma tarefa em 10 horas é melhor que outro que realiza em 10 dias Quantidade de memória necessária Um algoritmo que usa 1MB de memória RAM é melhor que outro
Análise de Algoritmos
Análise de Algoritmos Aula 04 Prof. Fernando Freitas Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então O(f) é considerada a complexidade assintótica ou o
ESTRUTURA DE DADOS CIÊNCIA E TECNOLOGIA DO RIO. Curso de Tecnologia em Sistemas para Internet
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE ESTRUTURA DE DADOS Docente: Éberton da Silva Marinho e-mail: ebertonsm@gmail.com eberton.marinho@ifrn.edu.br Curso de Tecnologia
Análise de Algoritmos
Análise de Algoritmos Parte 1 Prof. Túlio Toffolo http://www.toffolo.com.br BCC202 Aula 04 Algoritmos e Estruturas de Dados I Qual a diferença entre um algoritmo e um programa? Como escolher o algoritmo
Análise de algoritmos
Análise de algoritmos Introdução à Ciência da Computação 2 Baseado nos slides do Prof. Thiago A. S. Pardo Algoritmo Noção geral: conjunto de instruções que devem ser seguidas para solucionar um determinado
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 15: Ordenação: ShellSort Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Computação, DECOM Website: www.decom.ufop.br/reifortes Email: reifortes@iceb.ufop.br
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
1 a Lista de Exercícios
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação Projeto e Análise de Algoritmos - 1 o semestre de 2010 Professor: David Menotti
MCTA028 Programação Estruturada Aula 20 Exercícios de custos de um algoritmo
MCTA028 Programação Estruturada Aula 20 Exercícios de custos de um algoritmo Prof. Jesús P. Mena-Chalco Q-2017 1 Estudo de algoritmos O projeto de algoritmos é influenciado pelo estudo de seus comportamentos.
BC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade
BC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade Prof. Jesús P. Mena-Chalco 1Q-2016 1 1995 2015 2 Custo de um algoritmo e funções de complexidade Introdução
Medida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
1 a Lista Professor: Claudio Fabiano Motta Toledo Estagiário PAE: Jesimar da Silva Arantes
SSC0503 - Introdução à Ciência de Computação II 1 a Lista Professor: Claudio Fabiano Motta Toledo (claudio@icmc.usp.br) Estagiário PAE: Jesimar da Silva Arantes (jesimar.arantes@usp.br) 1. O que significa
Universidade Federal de Mato Grosso do Sul Faculdade de Computação Disciplina de Verão: Algoritmos e Programação II
Universidade Federal de Mato Grosso do Sul Faculdade de Computação Disciplina de Verão: Algoritmos e Programação II Professores: Liana Duenha 10 de março de 2014 Professores: Liana Duenha () Universidade
Lista de Exercícios 6: Soluções Funções
UFMG/ICEx/DCC DCC Matemática Discreta Lista de Exercícios 6: Soluções Funções Ciências Exatas & Engenharias o Semestre de 06 Conceitos. Determine e justifique se a seguinte afirmação é verdadeira ou não
Notação Assintótica Letícia Rodrigues Bueno
Notação Assintótica Letícia Rodrigues Bueno Notação Assintótica Para valores suficientemente pequenos de n, qualquer algoritmo custa pouco para ser executado, mesmo os algoritmos ineficientes; Notação
Teoria dos Grafos Aula 7
Teoria dos Grafos Aula 7 Aula passada Implementação BFS DFS, implementação Complexidade Aplicações Aula de hoje Classe de funções e notação Propriedades da notação Funções usuais Tempo de execução Comparando
Medida do Tempo de Execução de um Programa. Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP
Medida do Tempo de Execução de um Programa Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP Medida do Tempo de Execução de um Programa O projeto de algoritmos é fortemente influenciado pelo estudo
Análise de Algoritmos
Análise de Algoritmos CLRS 2.2 e 3.1 AU 3.3, 3.4 e 3.6 Essas transparências foram adaptadas das transparências do Prof. Paulo Feofiloff e do Prof. José Coelho de Pina. Algoritmos p. 1 Intuitivamente...
Teoria da Computação Aula 9 Noções de Complexidade
Teoria da Computação Aula 9 Noções de Complexidade Prof. Esp. Pedro Luís Antonelli Anhanguera Educacional Análise de um Algoritmo em particular Qual é o custo de usar um dado algoritmo para resolver um
Medida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Medida do Tempo de Execução de um Programa O projeto de algoritmos é fortemente influenciado pelo
Análise de algoritmos. Parte I
Análise de algoritmos Parte I 1 Recursos usados por um algoritmo Uma vez que um procedimento está pronto/disponível, é importante determinar os recursos necessários para sua execução Tempo Memória Qual
Capítulo 6 Análise de Algoritmos Capítulo 6
666 Apêndice C Respostas e Sugestões para os Exercícios de Revisão 42. Consulte a Seção 5.4. 43. (a) Escoamento de memória.(b) Porque não há garantia que o cliente irá usá-la devidamente. 44. (a) Contagem
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 13: Ordenação: MergeSort Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Computação, DECOM Website: www.decom.ufop.br/reifortes Email: reifortes@iceb.ufop.br
Análise de Algoritmos Estrutura de Dados II
Centro de Ciências Exatas, Naturais e de Saúde Departamento de Computação Análise de Algoritmos Estrutura de Dados II COM10078 - Estrutura de Dados II Prof. Marcelo Otone Aguiar marcelo.aguiar@ufes.br
Projeto e Análise de Algoritmos
Projeto e Algoritmos Pontifícia Universidade Católica de Minas Gerais harison@pucpcaldas.br 26 de Maio de 2017 Sumário A complexidade no desempenho de Quando utilizamos uma máquina boa, ela tende a ter
Projeto e Análise de Algoritmos
Projeto e Análise de Algoritmos A. G. Silva Baseado nos materiais de Souza, Silva, Lee, Rezende, Miyazawa Unicamp Ribeiro FCUP 18 de agosto de 2017 Conteúdo programático Introdução (4 horas/aula) Notação
Análise de Complexidade de Algoritmos. mario alexandre gazziro
Análise de Complexidade de Algoritmos mario alexandre gazziro Definição A complexidade de um algoritmo consiste na quantidade de esforço computacional necessária para sua execução. Esse esforço é expresso
Análise de algoritmos. Parte I
Análise de algoritmos Parte I 1 Procedimento X Algoritmo Procedimento: sequência finita de instruções, que são operações claramente descritas, e que podem ser executadas mecanicamente, em tempo finito.
Lista de Exercícios 6 Funções
UFMG/ICEx/DCC DCC Matemática Discreta Lista de Exercícios 6 Funções Ciências Exatas & Engenharias o Semestre de 06 Conceitos. Determine e justifique se a seguinte afirmação é verdadeira ou não para todas
PCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 7 de outubro de 2016 Marco Antonio
INF 1010 Estruturas de Dados Avançadas
INF 1010 Estruturas de Dados Avançadas Complexidade de Algoritmos 1 Introdução Complexidade computacional Termo criado por Juris Hartmanis e Richard Stearns (1965) Relação entre o tamanho do problema e
O Teorema Mestre da Complexidade
O Teorema Mestre da Complexidade Luís Fernando Schultz Xavier da Silveira Departamento de Informática e Estatística - INE - CTC - UFSC 23 de aril de 2010 Conteúdo 1 Enunciado 2 Preliminares Peso das Folhas
Análise de algoritmos
Análise de algoritmos SCE-181 Introdução à Ciência da Computação II Alneu Lopes Thiago A. S. Pardo 1 Algoritmo Noção geral: conjunto de instruções que devem ser seguidas para solucionar um determinado
Algoritmos e Estruturas de Dados I Aula 06 Custos de um algoritmo
Algoritmos e Estruturas de Dados I Aula 06 Custos de um algoritmo Prof. Jesús P. Mena-Chalco 1Q-2019 1 lista 3 7-2 6 NULL Node *Busca(int x, Node *lista) { while (lista!=null && lista->data!=x) lista =
Análise e Projeto de Algoritmos P R O F : L O A N A T. N O G U E I R A
Análise e Projeto de Algoritmos P R O F : L O A N A T. N O G U E I R A Desenvolvimento de Algoritmos Introdução: Dado um problema, como encontramos um algoritmo eficiente para sua solução? Desenvolvimento
Complexidade de Algoritmos. Edson Prestes
Edson Prestes Relembrando Complexidade é também chamada esforço requerido ou quantidade de trabalho (relacionada ao tempo ou espaço). Complexidade no pior caso; Complexidade média. É possível antecipar
Complexidade de Algoritmos
60 Desempenho 50 40 30 20 Algoritmo1 Algoritmo2 Algoritmo3 10 0 Complexidade de Algoritmos INFORMÁTICA BÁSICA Prof. Demétrios Coutinho C a m p u s P a u d o s F e r r o s D i s c i p l i n a d e A l g
3. ANÁLISE DE COMPLEXIDADE PESSIMISTA
3. ANÁLISE DE COMPLEXIDADE PESSIMISTA Este capítulo introduz uma metodologia para analisar a complexidade pessimista (i. e. no pior caso) de um algoritmo com base em sua estrutura. O processo de construção
MAC121 ALGORITMOS E ESTRUTURAS DE DADOS I 2O. SEMESTRE DE 2017
PROVA 1 MAC121 ALGORITMOS E ESTRUTURAS DE DADOS I 2O. SEMESTRE DE 2017 Nome: Número USP: Instruções: (1 ) Esta prova é individual. (2 ) Não destaque as folhas deste caderno. (3 ) A prova consiste de 6
INF 1010 Estruturas de Dados Avançadas
INF 1010 Estruturas de Dados Avançadas Complexidade de Algoritmos 2012 DI, PUC-Rio Estruturas de Dados Avançadas 2012.2 1 Introdução Complexidade computacional Termo criado por Hartmanis e Stearns (1965)
Universidade Federal de Alfenas
Universidade Federal de Alfenas Projeto e Análise de Algoritmos Aula 06 Notação O humberto@bcc.unifal-mg.edu.br Tempo de execução (ms) Última aula teórica Análise experimental 45 40 35 30 25 20 15 10 5
Busca Binária. Aula 05. Busca em um vetor ordenado. Análise do Busca Binária. Equações com Recorrência
Busca Binária Aula 05 Equações com Recorrência Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Idéia: Divisão e Conquista Busca_Binária(A[l...r],k) 1:if r < lthen 2: index = 1
Breve Introdução à Complexidade Assintótica de Algoritmos Letícia Rodrigues Bueno
Breve Introdução à Complexidade Assintótica de Algoritmos Letícia Rodrigues Bueno Introdução Objetivo: possibilitar medir eficiência de algoritmos; Introdução Objetivo: possibilitar medir eficiência de
Algoritmos e Complexidade
PMR2300 Escola Politécnica da Universidade de São Paulo Algoritmos Um algoritmo é um procedimento descrito passo a passo para resolução de um problema em tempo finito. Formalização: máquinas de Turing.
Notas sobre crescimento de função
1 / 14 Notas sobre crescimento de função Anjolina Grisi de Oliveira Centro de Informática Universidade Federal de Pernambuco CIn-UFPE 2 / 14 Motivação Estimar custo de algoritmo em relação ao tempo e espaço.
CES-11. Noções de complexidade de algoritmos. Complexidade de algoritmos. Avaliação do tempo de execução. Razão de crescimento desse tempo.
CES-11 Noções de complexidade de algoritmos Complexidade de algoritmos Avaliação do tempo de execução Razão de crescimento desse tempo Notação O Exercícios COMPLEXIDADE DE ALGORITMOS Importância de análise
Complexidade Assintótica de Programas Letícia Rodrigues Bueno
Complexidade Assintótica de Programas Letícia Rodrigues Bueno Análise de Algoritmos 1. Introdução; Análise de Algoritmos 1. Introdução; 2. Conceitos básicos; Análise de Algoritmos 1. Introdução; 2. Conceitos
BCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 12: Ordenação: Bubble, Selection e Insertion Sort Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Computação, DECOM Website: www.decom.ufop.br/reifortes
7. Introdução à Complexidade de Algoritmos
7. Introdução à Complexidade de Algoritmos Fernando Silva DCC-FCUP Estruturas de Dados Fernando Silva (DCC-FCUP) 7. Introdução à Complexidade de Algoritmos Estruturas de Dados 1 / 1 Análise de Algoritmos
ANÁLISE DE ALGORITMOS
ANÁLISE DE ALGORITMOS Paulo Feofiloff Instituto de Matemática e Estatística Universidade de São Paulo agosto 2009 Introdução P. Feofiloff (IME-USP) Análise de Algoritmos agosto 2009 2 / 102 Introdução
Comportamento assintótico
ANÁLISE DE ALGORITMOS: PARTE 2 Prof. André Backes 2 Na última aula, vimos que o custo para o algoritmo abaixo é dado pela função f(n) = 4n + 3 1 3 Essa é a função de complexidade de tempo Nos dá uma ideia
PCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 16 de agosto de 2018 Marco Antonio
PROGRAMAÇÃO E ALGORITMOS (LEII) Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2016/2017
PROGRAMAÇÃO E ALGORITMOS (LEII) Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2016/2017 Resumo Complexidade Computacional Problemas Instâncias Algoritmos n Número de Passos
Complexidade de Algoritmos
Complexidade de Algoritmos! Uma característica importante de qualquer algoritmo é seu tempo de execução! é possível determiná-lo através de métodos empíricos, considerando-se entradas diversas! é também
Resposta da pergunta 2: Θ(n 3 ). Resposta da pergunta 8: 1. 7 O(n). Sim. 22. n log n O(1). Não. 3. n + 7 O(n). Sim. 4. n + 7 O(1). Não.
SSC0503 - Introdução à Ciência de Computação II Respostas da 1 a Lista Professor: Claudio Fabiano Motta Toledo (claudio@icmc.usp.br) Estagiário PAE: Jesimar da Silva Arantes (jesimar.arantes@usp.br) Resposta
Introdução à Análise de Algoritmos
Quanto tempo leva a execução de determinado algoritmo? Quando temos dois algoritmos que fazem a mesma coisa, qual deles leva menos tempo? A análise do algoritmo preocupa-se com as questões acima. É sempre
Técnicas de projeto de algoritmos: Indução
Técnicas de projeto de algoritmos: Indução ACH2002 - Introdução à Ciência da Computação II Delano M. Beder Escola de Artes, Ciências e Humanidades (EACH) Universidade de São Paulo dbeder@usp.br 08/2008
Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Algoritmos de Ordenação: QuickSort
Algoritmos de Ordenação: QuickSort ACH2002 - Introdução à Ciência da Computação II Delano M. Beder Escola de Artes, Ciências e Humanidades (EACH) Universidade de São Paulo dbeder@usp.br 10/2008 Material
Técnicas de Projeto de Algoritmos
UNIVERSIDADE NOVE DE JULHO - UNINOVE Pesquisa e Ordenação Técnicas de Projeto de Algoritmos Material disponível para download em: www.profvaniacristina.com Profa. Vânia Cristina de Souza Pereira 03 _ Material
Lista de exercícios sobre contagem de operações Prof. João B. Oliveira
Lista de exercícios sobre contagem de operações Prof. João B. Oliveira 1. metodo m ( Vetor V ) int i, res = 0; para i de 1 a V.size res = res + V[i]; return res; Soma de elementos de um vetor, O( ). 2.
Introdução à Análise Algoritmos
Introdução à Análise Algoritmos Notas de aula da disciplina IME 4-182 Estruturas de Dados I Paulo Eustáquio Duarte Pinto (pauloedp arroba ime.uerj.br) abril/218 Ordenação por SELEÇÃO: Idéia: Dado um vetor
7. Introdução à Complexidade de Algoritmos
7. Introdução à Complexidade de Algoritmos Fernando Silva DCC-FCUP Estruturas de Dados Fernando Silva (DCC-FCUP) 7. Introdução à Complexidade de Algoritmos Estruturas de Dados 1 / 1 Análise de Algoritmos
4º 20/10/2003. ÍNDICE
Universidade Federal de Juiz de Fora UFJF. Departamento de Ciência da Computação DCC. Curso de Ciência da Computação. Análise e Projeto de Algoritmos 4º período. Filippe Jabour. Atualizado em 20/10/2003.
Lista de Exercícios 2
Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM Disciplina: BCC201 Introdução a Programação Professores: Túlio A. M. Toffolo e Puca
Capítulo. Análise de Algoritmos. 6.1 Complexidade de Algoritmos 6.1
Capítulo 6 Análise de Algoritmos A eficiência (ou desempenho) de um programa é medida em termos do espaço de armazenamento e pelo tempo que ele utiliza para realizar uma tarefa. Mais precisamente, um programa
Classes, Herança e Interfaces
Escola de Artes, Ciências e Humanidades EACH-USP ACH2002 Introdução à Ciência da Computação II Professor: Delano Medeiros Beder revisada pelo professor: Luciano Digiampietri EACH Segundo Semestre de 2011
Construção de Algoritmos II Aula 06
exatasfepi.com.br Construção de Algoritmos II Aula 06 André Luís Duarte Porque mil anos são aos teus olhos como o dia de ontem que passou, e como a vigília da noite. Salmos 90:4 Recursividade e complexidade
ALGORITMOS AVANÇADOS UNIDADE I Análise de Algoritmo - Notação O. Luiz Leão
Luiz Leão luizleao@gmail.com http://www.luizleao.com Conteúdo Programático 1.1 - Algoritmo 1.2 - Estrutura de Dados 1.2.1 - Revisão de Programas em C++ envolvendo Vetores, Matrizes, Ponteiros, Registros
Lista 1. 8 de abril de Algorithms: Capítulo 0, exercícios 1 e 2. Tardos: Todos exercícios do cap 2 do livro texto, exceto 7 e 8 letra b.
Lista 1 8 de abril de 2013 1 Exercícios Básicos 1.1 Na bibliografia Algorithms: Capítulo 0, exercícios 1 e 2. Tardos: Todos exercícios do cap 2 do livro texto, exceto 7 e 8 letra b. 1.2 Outros 1. Projete
2. Complexidade de Algoritmos
Introdução à Computação II 5952011 2. Complexidade de Algoritmos Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 2.1. Introdução 2.1.1. Revisão de Pseudo-Código 2.1.2.
Algoritmos de Ordenação
Algoritmos de Ordenação ACH2002 - Introdução à Ciência da Computação II Delano M. Beder Escola de Artes, Ciências e Humanidades (EACH) Universidade de São Paulo dbeder@usp.br 10/2008 Material baseado em
Programação II Aula 07
Engenharias de Produção e Petróleo Programação II Aula 07 Adan Lucio P. Rodovia BR 101 Norte, Km. 60, Bairro Litorâneo, CEP 29932-540, São Mateus ES, Tel.: +55 (27) 3312-1511 - CEUNES Métodos de Ordenação
Análise de Algoritmos Parte 4
Análise de Algoritmos Parte 4 Túlio Toffolo tulio@toffolo.com.br www.toffolo.com.br BCC202 Aula 07 Algoritmos e Estruturas de Dados I Como escolher o algoritmo mais adequado para uma situação? (continuação)
Complexidade de Algoritmos
Complexidade de Algoritmos Complexidade de Algoritmos Definição A Complexidade de um Algoritmo consiste na quantidade de trabalho necessária para a sua execução, expressa em função das operações fundamentais,
Introdução. Última alteração: 10 de Outubro de Transparências elaboradas por Charles Ornelas, Leonardo Rocha, Leonardo Mata e Nivio Ziviani
Introdução Última alteração: 10 de Outubro de 2006 Transparências elaboradas por Charles Ornelas, Leonardo Rocha, Leonardo Mata e Nivio Ziviani Projeto de Algoritmos Cap.1 Introdução Seção 1.1 1 Algoritmos,