Transcript Lehrstuhl für Effiziente Algorithmen

Methoden des
Algorithmenentwurfs
Kapitel 1: Einführung
Christian Scheideler
SS 2009
25.04.2020
Kapitel 1
1
Organisatorisches
Leitung: Prof. Dr. Christian Scheideler
• Sprechstunde: Do, 16-17 Uhr
• Email: [email protected]
Modulinformation:
• Modul II.2.1 Modelle und Algorithmen (MuA)
• V2+Ü1
• 3 ECTS Credits
Zeit und Ort:
• Mi 16-18 Uhr, F0.530
Webseite:
• http://www.cs.upb.de/fachgebiete/fg-ti/lehre0/ss2009/methoden.html
25.04.2020
Kapitel 1
2
Organisatorisches
Übungen:
• Übungsleitung: NN
• Mi 14-16 Uhr, F0.530, 14-tägig ab 29. April
• Übungszettel:
Ausgabe: 14-tägig auf dieser Seite zum Übungstermin
Abgabe: eine Woche danach in der Vorlesung
Rückgabe: eine Woche danach in der Übung
Schein:
Einen Schein erhält, wer die Klausur am Ende des
Semesters besteht. Bei Vorrechnen einer Aufgabe
verbessert sich die Note um 0,3 Punkte.
25.04.2020
Kapitel 1
3
Organisatorisches
Inhalt:
• Teil 1: Approximationsalgorithmen
– 1.1 Einführung [1w]
– 1.2 Approximation mit absoluter Güte [2w]
– 1.3 Approximation mit relativer Güte [2w]
– 1.4 Approximationsschemata [2w]
– 1.5 Lineare Optimierung und
Approximationsalgorithmen [2w]
25.04.2020
Kapitel 1
4
Organisatorisches
• Teil 2: Online-Algorithmen
– 2.1 Deterministische Online-Algorithmen
(Scheduling, Paging, selbstorganisierende
Datenstrukturen) [3w]
– 2.2 Randomisierte Online-Algorithmen
(Scheduling, Paging, selbstorganisierende
Datenstrukturen, Lastbalancierung) [2-3w]
25.04.2020
Kapitel 1
5
Literatur
• Approximationsalgorithmen:
– Rolf Wanka.
Approximationsalgorithmen: Eine Einführung
Vieweg & Teubner Verlag, 2006.
– Klaus Jansen und Marian Margraf.
Approximative Algorithmen und Nichtapproximierbarkeit.
De Gruyter Verlag, 2008.
• Online-Algorithmen:
– Susanne Albers.
Online- und Approximationsalgorithmen.
Universität Freiburg, SS 2004.
Verfügbar über WWW.
– Christian Scheideler.
Universal Routing Strategies for Interconnection Networks.
Springer Verlag, LNCS 1390, 2007.
25.04.2020
Kapitel 1
6
Kapitel 1.1: Einführung
Inhalt:
• Einführung in P vs. NP
• Approximationsalgorithmen
• Beispiele
– Lastbalancierung
– Zentrumswahl
– Rucksackproblem
25.04.2020
Kapitel 1
7
P vs. NP
• Algorithmus: berechnet in endlicher Zeit
aus einer Eingabe eine Ausgabe.
Algorithmus
Eingabe
Ausgabe
• zentrales Problem: möglichst effizienter
Algorithmus (Zeit und Speicher)
25.04.2020
Kapitel 1
8
P vs. NP
• Ein Algorithmus ist „schnell“, falls seine
Laufzeit polynomiell in der Eingabegröße
ist.
• Eingabegröße: Anzahl der Elemente der
Eingabe (z.B. Sortierproblem, Graph) oder
Anzahl Bits / Wörter, aus denen Eingabe
besteht (Multiplikation großer Zahlen)
• Polynomiell: Laufzeit ist O(nk) für eine
Konstante k bei Eingabegröße n.
25.04.2020
Kapitel 1
9
P vs. NP
Laufzeitvergleiche:
n
20
60
100
300
1000
5n
100
300
500
1500
5000
n log n
86
354
665
2469
9966
n2
400
3 600
10 000
90 000
1 000 000
n3
8000
216 000
1 000 000
27 000 000
1 000 000 000
2n
1 048 576
19 Stellen
31 Stellen
91 Stellen
302 Stellen
n!
19 Stellen
82 Stellen
161 Stellen
623 Stellen
unvorstellbar
nn
27 Stellen
107 Stellen
201 Stellen
744 Stellen
Unvorstellbar
25.04.2020
Kapitel 1
10
P vs. NP
P: Klasse aller Entscheidungsprobleme
(Anworten sind aus {Ja, Nein}), die in
polynomieller Zeit entschieden werden
können.
Beispiele: Sortiertheit einer Folge, Auswertung eines Schaltkreises, Wortproblem
für kontextfreie Sprachen, Lineare
Optimierung,…
25.04.2020
Kapitel 1
11
P vs. NP
NP: Klasse aller Entscheidungsprobleme
(Anworten sind aus {Ja, Nein}), für die es für
Eingaben mit Antwort Ja ein Zertifikat gibt, so
dass die Antwort in polynomieller Zeit (in der
Eingabegröße) verifiziert werden kann.
Beispiele: Erfüllbarkeit einer Booleschen Formel,
3-Färbung von Graphen, Rucksackproblem,…
25.04.2020
Kapitel 1
12
P vs. NP
1.1 Beispiele für Probleme in NP:
• Clique = {(G,k) | G=(V,E) ist ein Graph, der einen
vollständigen Teilgraphen aus mindestens k
Knoten besitzt}
• IS = {(G,k) | G=(V,E) ist ein Graph, in dem es eine
Knotenmenge U aus k Knoten gibt, so dass keine
zwei Knoten in U durch eine Kante in G verbunden
sind}
• Hamilton = {G | G=(V,E) ist ein Graph, der einen
Hamilton-Kreis besitzt}
(Ein Hamilton-Kreis ist ein Kreis in G, in dem jeder
Knoten genau einmal besucht wird.)
25.04.2020
Kapitel 1
13
P vs. NP
Offensichtlich ist P eine Teilmenge von NP.
Die 1-Million-Dollar-Frage: Ist P=NP oder nicht?
• Antwort auf diese Frage scheint sehr schwer zu
sein.
• Bisher nur Ergebnisse des Typs:
“Das kann nicht in polynomieller Zeit gelöst
werden, es sei denn, P=NP.”
• Klasse der NP-harten Probleme: sind nicht in P,
es sei denn, P=NP.
25.04.2020
Kapitel 1
14
P vs. NP
Zu Entscheidungsproblemen gibt es häufig
entsprechende Optimierungsprobleme.
Beispiele:
• Optimierungsvariante zu Clique: finde
vollständigen Teilgraphen maximaler Größe.
• Optimierungsvariante zu IS: finde Knotenmenge
maximaler Größe, in der kein Knotenpaar
verbunden ist.
Einsicht: Ist das Entscheidungsproblem nicht in P,
dann ist auch die Optimierungsvariante nicht in
polynomieller Zeit lösbar (und umgekehrt).
25.04.2020
Kapitel 1
15
P vs. NP
1.2 Definition:
Ein kombinatorisches Optimierungsproblem P ist charakterisiert durch vier
Komponenten:
– D: Menge der Eingaben
– S(I) für ein ID: Menge der zur Eingabe I
zulässigen Lösungen
– Die Bewertungsfunktion f:S(I)
IN
– ziel{min, max}
25.04.2020
Kapitel 1
16
P vs. NP
• Gesucht: eine zu ID zulässige Lösung
sopt  S(I), so dass
f(sopt) = ziel{ f(s) | s S(I)}
• f(s) ist der Wert der zulässigen Lösung s.
• Wir schreiben OPT(I) = f(sopt).
Für viele komb. Optimierungsprobleme ist
es schwer, OPT(I) exakt zu bestimmen.
25.04.2020
Kapitel 1
17
P vs. NP
1.3 Beispiel:
(a) Das Traveling Salesperson Problem
(TSP) ist charakterisiert durch:
– D={(Kn,c) | Kn ist der vollständige Graph auf
n Knoten, c:E IN sind die Kantengewichte}
– S((Kn,c)) = { C | C=(vi1,vi2,...,vin,vi1) ist ein
Hamilton-Kreis}
– f(C) = c(vin, vi1) + Sj=1n-1 c(vij, vij+1)
– min
25.04.2020
Kapitel 1
18
P vs. NP
1.3 Beispiel:
(b) Das Rucksackproblem ist charakterisiert
durch:
– D={ (W,vol,p,B) | W={1,...,n}, vol:W IN, B  IN,
p:W
IN und für alle w  W gilt vol(w) ≤ B}
W ist das Warenangebot, vol die Zuordnung von
Volumina zu den Waren, p die Zuordnung von
Werten und B die Kapazität des Rucksacks
– S((W,vol,p,B)) = {A  W | SwA vol(w) ≤ B}
– f(A) = SwA pw
– max
25.04.2020
Kapitel 1
19
Übersicht
•
•
•
•
•
P vs. NP
Approximationsalgorithmen
Lastbalancierung
Zentrumswahl
Rucksackproblem
25.04.2020
Kapitel 1
20
Approximationsalgorithmen
Die NP-Härte eines Entscheidungsproblems
legt nahe, dass die Optimierungsvariante
keinen effizienten Algorithmus besitzt. Man
muss sich also mit Näherungslösungen
zufrieden geben.
1.4 Definition: Sei P ein kombinatorisches
Optimierungsproblem. Ein t(n)-Zeit-Approximationsalgorithmus A berechnet zu Eingabe
ID in Zeit t(|I|) eine Ausgabe sIA  S(I). Wir
schreiben A(I) = f(sIA).
25.04.2020
Kapitel 1
21
Approximationsalgorithmen
• Wir wollen natürlich nach t(n)-Zeit-Approximationsalgorithmen suchen, für die
– t(n) polynomiell in n ist und
– f(sIA) möglichst nah an OPT(I) ist.
Ziele:
• Bestimme untere und obere Schranken für
Approximationsgüte des Algorithmus
• Bestimme untere Schranken für die erreichbare
Approximationsgüte des Problems
• Bestimme Heuristiken, die in der Praxis gut
funktionieren ( Benchmarks)
25.04.2020
Kapitel 1
22
Übersicht
•
•
•
•
•
P vs. NP
Approximationsalgorithmen
Lastbalancierung
Zentrumswahl
Rucksackproblem
25.04.2020
Kapitel 1
23
Lastbalancierung
Eingabe: m identische Maschinen, n Jobs. Job i hat Laufzeit ti.
Einschränkungen:
• Ein einmal ausgeführter Job muss bis zum Ende auf derselben
Maschine ausgeführt werden.
• Jede Maschine kann höchstens einen Job gleichzeitig bearbeiten.
1.5 Definition: Sei J(i) die Teilmenge der Jobs, die Maschine i
zugewiesen werden. Dann ist Li = jJ(i) tj die Last der Maschine i.
1.6 Definition: Der Makespan L ist die maximale Last einer Maschine,
d.h. L = maxi Li
Lastbalancierung: finde Zuweisung, die Makespan minimiert
25.04.2020
Kapitel 1
24
Lastbalancierung: List Scheduling
List-Scheduling Algorithmus:
• Betrachte n Jobs in einer festen Reihenfolge
• Weise Job j der Maschine mit z.Zt. geringster Last zu
List-Scheduling(m, n, (t1,…,tn)):
for i:=1 to m do
Li := 0; J(i):=;
for j:=1 to n do
i:=argmink Lk
// wähle Maschine mit kleinster Last
J(i):=J(i)  {j}
// weise dieser Job i zu
Li:=Li + tj
return (J(1),…,J(m))
Laufzeit: O(n log m) mit Priority Queue
25.04.2020
Kapitel 1
25
Lastbalancierung: List Scheduling
1.7 Satz (Graham): List Scheduling ist 2-approximativ (d.h. für alle
Eingaben I ist List-Scheduling(I)  2OPT(I) ).
 vergleiche Güte des Algorithmus mit optimalem Makespan L*
1.8 Lemma: L* ≥ maxj tj
Beweis: Eine Maschine muss den zeitintensivsten Job bearbeiten.
1.9 Lemma: L* ≥ (1/m) j tj
Beweis:
• Die Gesamtlast ist j tj
• Eine der m Maschinen muss mindestens 1/m der Gesamtlast
bekommen.
25.04.2020
Kapitel 1
26
Lastbalancierung: List Scheduling
1.10 Satz: List Scheduling ist 2-approximativ.
Beweis:
• Betrache Maschine i mit höchster Last Li.
• Sei j der letzte Job in Maschine i.
• Da Job j Maschine i zugeordnet wurde, hatte i vorher die
kleinste Last. Es gilt also Li – tj ≤ Lk für alle k.
vor j
nach j
j
Li - tj
25.04.2020
Li
Kapitel 1
27
Lastbalancierung: List Scheduling
Beweis (Forsetzung):
• Es gilt: Li-tj ≤ Lk für alle k{1,…,m}
• Daraus folgt:
Li – tj ≤ (1/m) 1km Lk
= (1/m) 1kn tk
≤ L*
(Lemma 1.9)
• Also gilt wegen Lemma 1.8:
Li = (Li-tj) + tj ≤ 2L*
25.04.2020
Kapitel 1
28
Lastbalancierung: List Scheduling
Ist die Analyse scharf? Ja!
Beispiel: m Maschinen, m(m-1) Jobs der Länge 1,
ein Job der Länge m
m=10
Makespan = 19
25.04.2020
Kapitel 1
29
Lastbalancierung: List Scheduling
Ist die Analyse scharf? Ja!
Beispiel: m Maschinen, m(m-1) Jobs der Länge 1,
ein Job der Länge m
m=10
Optimaler Makespan = 10
25.04.2020
Kapitel 1
30
Lastbalancierung: LPT Regel
Longest Processing Time (LPT): Sortiere die n Jobs in
absteigender Reihenfolge und führe dann den List
Scheduling Algorithmus aus.
LPT-List-Scheduling(m, n, (t1,…,tn)):
sortiere Jobs, so dass t1≥t2≥…≥tn
for i:=1 to m do
Li := 0; J(i):=;
for j:=1 to n do
i:=argmink Lk
J(i):=J(i)  {j}
Li:=Li + tj
return (J(1),…,J(m))
25.04.2020
Kapitel 1
31
Lastbalancierung: LPT Regel
Beobachtung: Wenn es höchstens m Jobs gibt, dann ist
List Scheduling optimal.
Beweis: Weise jedem Job eigene Maschine zu.
1.11 Lemma: Falls es mehr als m Jobs gibt, dann ist
L*≥2tm+1.
Beweis:
• Betrachte die ersten m+1 Jobs t1,…,tm+1
• Da die ti’s absteigend sortiert sind, benötigt jeder dieser
Jobs mindestens tm+1 Zeit.
• Bei m+1 Jobs muss eine Maschine mindestens zwei
Jobs erhalten.
25.04.2020
Kapitel 1
32
Lastbalancierung: LPT Regel
1.12 Satz: Die LPT Regel liefert eine 3/2-Approximation.
Beweis:
Falls die Maschine i mit größter Last nur einen Job hat, ist
LPT offensichtlich optimal.
Sonst gilt für den letzten Job j auf Maschine i, dass j  m+1
und damit nach Lemma 1.11:
Li = (Li – tj) + tj
 L* + (1/2)L*
 (3/2)L*
Ist 3/2 scharf? Nein!
25.04.2020
Kapitel 1
33
Lastbalancierung: LPT Regel
1.13 Satz: (Graham): Die LPT Regel ist eine 4/3Approximation.
Beweis: aufwändig
Satz 1.13 ist im Wesentlichen scharf.
Beispiel: m Maschinen, n=2m+1 Jobs: jeweils 2
Jobs der Länge m+1,m+2,…,2m und ein Job der
Länge m
Vergleich zu OPT: Übung.
25.04.2020
Kapitel 1
34
Übersicht
•
•
•
•
•
P vs. NP
Approximationsalgorithmen
Lastbalancierung
Zentrumswahl
Rucksackproblem
25.04.2020
Kapitel 1
35
Zentrumswahl-Problem
Eingabe: Menge von n Orten s1,…,sn und eine Zahl kIN.
Zentrumswahl-Problem: Wähle k Zentren C, so dass die
maximale Distanz eines Ortes zum nächsten Zentrum
minimal ist.
k=4
: Zentrum
25.04.2020
Kapitel 1
36
Zentrumswahl-Problem
Eingabe: Menge von n Orten s1,…,sn und eine Zahl kIN.
Zentrumswahl-Problem: Wähle k Zentren C, so dass die maximale
Distanz eines Ortes zum nächsten Zentrum minimal ist.
Notation:
• dist(x,y) = Distanz zwischen x und y
• dist(si, C) = mincC dist(si,c) = Distanz von si zum nächsten Zentrum
• r(C) = maxi dist(si, C) = kleinster Überdeckungsradius
Wir nehmen an, dist ist eine Metrik, d.h.
• dist(x,x) = 0
(Identität)
• dist(x,y) = dist(y,x)
(Symmetrie)
• dist(x,y)  dist(x,z) + dist(z,y) (Dreiecksungleichung)
25.04.2020
Kapitel 1
37
Zentrumswahl-Problem
Beispiel: jeder Ort ist ein Punkt im 2-dimensionalen Euklidischen Raum, dist(x,y) = Euklidische
Distanz
k=4
: Zentrum
25.04.2020
Kapitel 1
38
Zentrumswahl: Greedy Algorithmus
Greedy Algorithmus: Setze das erste Zentrum an der
bestmöglichen Stelle für ein einzelnes Zentrum, füge
dann Zentren hinzu, um den Überdeckungsradius
möglichst stark zu verkleinern.
Kann beliebig schlecht werden!!
Beispiel: k=2
erstes Zentrum
25.04.2020
Kapitel 1
39
Zentrumswahl: Greedy Algorithmus
Greedy Algorithmus: wähle wiederholt als nächstes Zentrum den Ort si mit maximaler Distanz
zu allen bisherigen Zentren
Greedy-Center-Selection(k, n, (s1,s2,…,sn)):
C:=;
wiederhole k-mal
wähle Ort si mit maximalem dist(si,C)
C:=C  {si}
return C
Bemerkung: erstes Zentrum ist beliebiger Ort si
25.04.2020
Kapitel 1
40
Zentrumswahl: Greedy Algorithmus
Bemerkung: Zentren in C sind mindestens r(C) entfernt voneinander
Beweis: r(C) sinkt monoton, jeweils minimale paarweise Entfernung
1.14 Satz: Sei C* die optimale Wahl der Zentren. Dann ist
r(C) ≤ 2r(C*).
Beweis (durch Widerspruch):
• Angenommen, r(C*) < r(C)/2.
• Betrachte die Kreise mit Radius r(C)/2 um jedes ci C.
• Es muss genau ein cC* im Kreis von jedem ci geben (siehe
Bemerkung und Annahme); wir nennen dieses Zentrum c*i
• Betrachte einen beliebigen Ort s und sei c*i sein nächstes Zentrum
in C*. Es gilt:
dist(s,C)  dist(s,ci)  dist(s,c*i) + dist(c*i,ci)  2r(C*)
• Also ist r(C)  2r(C*), ein Widerspruch zur Annahme
25.04.2020
Kapitel 1
41
Zentrumswahl
Wir wissen: Der Greedy Algorithmus ergibt
eine 2-Approximation.
Gibt es auch Polynomialzeitalgorithmen mit
Approximationsgüte 3/2? Oder 4/3?
1.15 Satz: Sofern nicht P=NP ist, gibt es
keinen Polynomialzeitalgorithmus mit
Approximationsgüte < 2 für die Zentrumswahl (für k>2).
25.04.2020
Kapitel 1
42
Übersicht
•
•
•
•
•
P vs. NP
Approximationsalgorithmen
Lastbalancierung
Zentrumswahl
Rucksackproblem
25.04.2020
Kapitel 1
43
Rucksack-Problem
Rucksack-Problem:
• Gegeben sind n Objekte und ein Rucksack
• Objekt i hat Wert pi>0 und wiegt voli>0
• Der Rucksack kann max. Gesamtgewicht B tragen.
Ziel: fülle Rucksack mit Objekten mit max. Gesamtwert
Beispiel: B=11
{3,4} hat Wert 40
25.04.2020
Objekt
Wert
Gewicht
1
1
1
2
6
2
3
18
5
4
22
6
5
28
7
Kapitel 1
44
RP: Greedy Verfahren
Greedy Strategie:
• Berechne Profitdichten d1=p1/vol1,.., dn=pn/voln
• Sortiere Objekte nach Profitdichten
• Angefangen von dem Objekt mit höchster
Profitdichte, füge Objekte zu Rucksack hinzu,
bis kein Platz mehr da
Problem: Greedy Strategie kann weit vom
Optimum entfernt liegen
25.04.2020
Kapitel 1
45
RP: Greedy Verfahren
Beispiel: zwei Objekte mit p1=1 und p2=B-1
und vol1=1 und vol2=B, Rucksackkapazität
ist B
Greedy-Methode: berechnet d1=1 und d2 =
1-1/B und wird nur Objekt 1 in Rucksack
packen, da Objekt 2 nicht mehr passt
Optimale Lösung: packe Objekt 2 in Rucksack (viel besser da Wert B-1 statt 1)
25.04.2020
Kapitel 1
46
RP: Greedy Verfahren
Verbesserte Greedy-Methode:
• Seien die Objekte 1 bis n absteigend nach
Profitdichte sortiert
• Bestimme maximale Objektmenge {1,…,i}
wie bisher mit ji volj  B
• Gib entweder {1,…,i} oder {i+1} aus, je
nachdem, welche Menge den maximalen
Wert hat
25.04.2020
Kapitel 1
47
RP: Greedy Verfahren
1.16 Satz: Die Lösung der verbesserten GreedyMethode ist höchstens einen Faktor 2 von der
optimalen Lösung entfernt.
Beweis:
• Wenn beliebige Bruchteile der Objekte gewählt
werden könnten, wäre die optimale Lösung
{1,…,i+1}, wobei von Objekt i+1 nur der Bruchteil
genommen wird, der noch in den Rucksack
passt.
• Für den optimalen Wert OPT gilt demnach:
OPT  ji+1 volj.
• Also ist max{ji volj, voli+1}  OPT/2
25.04.2020
Kapitel 1
48
Fragen?
25.04.2020
Kapitel 1
49