4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima

Documenti analoghi
Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Algoritmi euristici: III Ricerca Locale

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

4.6 Dualità in Programmazione Lineare

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Corso di. Dott.ssa Donatella Cocca

Intorduzione alla teoria delle Catene di Markov

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k

Modelli decisionali su grafi - Problemi di Localizzazione

Grafi ed equazioni topologiche

CPM: Calcolo del Cammino Critico

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia

Variabili statistiche - Sommario

LE FREQUENZE CUMULATE

6. Catene di Markov a tempo continuo (CMTC)

Premessa essa sulle soluzioni

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

Teoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 4

Allenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi

Le operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

CAPITOLO 3 CIRCUITI DI RESISTORI

La soluzione delle equazioni differenziali con il metodo di Galerkin

1 La domanda di moneta

Ottimizzazione dei Progetti

CORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE

Dai circuiti ai grafi

Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri

DATA MINING E CLUSTERING

Esercitazione sulle Basi di di Definizione

Corso di laurea in Economia marittima e dei trasporti

IL GRUPPO SIMMETRICO S n

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)

VERIFICHE DI S.L.U. SECONDO LE NTC 2008 TRAVE IN C.A. PROGETTO E VERIFICA ARMATURA A TAGLIO

Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Lezione 2 a - Statistica descrittiva per variabili quantitative

Il traffico è un gioco?

V n. =, e se esiste, il lim An

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O /

F E risultante t delle forze esterne agenti su P i. F forza esercitata t sul generico punto P ij del sistema da P : forza interna al sistema

Analisi dei flussi 182

$%&'$%()($ * +,* -. )) )/

Introduzione al Machine Learning

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Sommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry

Sviluppo in serie di Fourier. Introduzione e richiami sulle basi di spazi vettoriali. Serie di Fourier di segnali a supporto illimitato

5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard

Geometria molecolare con distanze Euclidee

Programmazione e Controllo della Produzione. Analisi dei flussi

PROGRAMMAZIONE LINEARE. Una piccola introduzione. Ricerca Operativa. Prof. R. Tadei. Politecnico di Torino P. L. / 1.

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Università degli Studi di Urbino Facoltà di Economia

Condensatori e resistenze

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Sommario. Obiettivo. Quando studiarla? La concentrazione. X: carattere quantitativo tra le unità statistiche. Quando studiarla?

Hansard OnLine. Unit Fund Centre Guida

B - ESERCIZI: IP e TCP:

Bipoli resistivi. (versione del ) Bipoli resistivi

NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA

ELETTROTECNICA Ingegneria Industriale

9.6 Struttura quaternaria

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

Precisione e Cifre Significative

LA CALIBRAZIONE NELL ANALISI STRUMENTALE

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Metodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA

Analisi della Varianza

Potenzialità degli impianti

Analisi Matenatica Lezione 5 1 ottobre 2013

Modelli descrittivi, statistica e simulazione

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc /2007

Circuiti elettrici in regime stazionario

Variabili aleatorie discrete. Probabilità e Statistica I - a.a. 04/05-1

Sistemi Real-Time per il Controllo Automatico: Problemi e Nuove Soluzioni

Capitolo 3. Cap. 3-1

Algoritmi greedy. Progettazione di Algoritmi a.a Matricole congrue a 1 Docente: Annalisa De Bonis

LA COMPATIBILITA tra due misure:

PARENTELA e CONSANGUINEITÀ di Dario Ravarro

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze

Esercizi sulle reti elettriche in corrente continua (parte 2)

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami

Rappresentazione dei numeri

Transcript:

Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo numero d monete. Ex. cent. Algortmo del cassere. Ad ogn terazone, aggung una moneta del valore pù alto che non supera la somma rmanente da pagare. Ex..8. 7 Algortmo del cassere Propretà d una soluzone ottma Ad ogn terazone, aggung una moneta del valore pù alto possble che non supera la somma rmanente da pagare. ALGORITMO-DEL-CASSIERE (x, c, c,, cn) Tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, Prop. Il numero d monete da c è. Dm. Se c fossero monete da c potremmo sostturle con una da c. ORDINA gl n tagl d moneta c < c < < cn S φ WHILE x > 0 k n nseeme d monete selezonate WHILE k > 0 IF ck x x x ck ; S S { k } Prop. Numero d monete da c. Prop. Number d monete da 5c. Prop. Number d monete da 0c. Prop. 5 Number d monete da 0c. Prop. 6 Number d monete da 50c. Prop. 7 Number d monete da. BREAK WHILE IF k = 0 RETURN "nessuna soluzone" END WHILE RETURN S Prop. Numero d c + numero d c. Dm. due c e un c possono essere sosttut da un 5c; Domanda. L algortmo del cassere fornsce sempre la soluzone ottma? 8 Prop. 0 Numero d 0c + number d 0c.

Anals dell algortmo del cassere (greedy) L algortmo del cassere per altr tagl d moneta Teorema. L algortmo è ottmo per le monete:,, 5, 0, 0, 50,,. Dm. [per nduzone su x (la somma da cambare)] Consderamo la soluzone ottma Opt per cambare una somma x tale che c k x < c k+ : Greedy scegle prma la moneta d valore c k. Se nella soluzone ottma Opt non c fosse la moneta d taglo c k Opt dovrebbe contenere monete c,, c k che sommano ad x c k dalla tabella s vede che tale collezone d monete non può esstere Qund Opt={c k } soluzone per x c k cents, che, per nduzone, è quella ottenuta dall algortmo del cassere. Domanda. L algortmo del cassere è ottmo per ogn nseme d monete? Rsposta. No. S consder l caso de francoboll: 0c, 70c, 85c, 0c,,.,.5,,.0,.80,. Algortmo del cassere:.80 =.5 + 0c + 0c + 0c. Ottmo:.80 = 0c + 0c. k ck ogn soluzone ottma soddsfa # c # c max valore con monete c,, ck n Opt 5 #c + #c + = 0 #5c + 5 = 5 0 #0c + 0 = 6 50 #0c + #0c +0+0 = 0 Importante. Infatt potrebbe addrttura portare a non dare una soluzone, dove ne esste una. Esempo, con tagl de francoboll senza quello da 0c: Per la somma.70 Casher's algorthm:.70 =.0 +???. Ottmo:.70 = + 70c. Camba-monete n Bonformatca Mass Decomposton Problem. Abbamo un frammento d DNA d massa par a 650±Da e nessun altra nformazone. Come possamo provare ad dentfcarlo? Passo. Qual combnazon d bas esstono con tale massa?. ALGORITMI GREEDY camba-monete schedulng a mnmo rtardo Rsposta. Esstono solo due possbl combnazon: 8 guanne: 6.Da + 8.0Da (una molecola d acqua) 7 ctosne e tmne: 6. Da + 8.0 Da (acqua) DNA Mass Decomposzone Problem = Problema del Cambamonete Pes molecolar de nucleotd = tagl d monete dsponbl molecola da dentfcare = somma da cambare

Schedulng che mnmzza l rtardo Mnmzzare l rtardo: possbl scelte greedy Il problema del mnmo rtardo. Un computer esegue un programma per volta. Job rchede t() untà d tempo e deve essere completato entro d(). Se comnca l esecuzone al tempo s(), termnerà al tempo f() = s() + t(). Rtardo: = max { 0, f() d() }. Scopo: ordne d esecuzone de obs che mnmzza l massmo rtardo L = max. t d 6 8 5 6 5 Lo schema Greedy. Ordna ob seguendo un crtero apparentemente [In ordne d lunghezza] Ordna obs n ordne d tempo d esecuzone crescente t. [In ordne d scadenza] Ordna ob n ordne crescente d scadenza d(). rtardo = rtardo = 0 max rtardo = 6 d = d = 8 d 6 = 5 d = 6 d 5 = d = 0 5 6 7 8 0 5 [In ordne d tempo rmanente] Ordna ob n ordne crescente della dfferenza tra la deadlne e la lunghezza del ob d t. 5 Mnmzzare l rtardo: scelte greedy Mnmzzare l rtardo: scelte greedy Schema Greedy. Ordna ob seguendo un crtero (apparentemente) Schema Greedy. Ordna ob seguendo un crtero (apparentemente) [In ordne d lunghezza] Ordna obs n ordne d tempo d esecuzone crescente t. [In ordne d tempo rmanente] Ordna ob n ordne crescente della dfferenza tra la deadlne e la lunghezza del ob d t. t 0 controesempo t 0 controesempo d 00 0 max rtardo = d 0 max rtardo = d = 00 d = 0 d = 0 d = 0 5 6 7 8 0 5 0 5 6 7 8 0 5 max rtardo = 0 max rtardo = d = 0 d = 00 d = d = 0 6 0 5 6 7 8 0 5 0 5 6 7 8 0 5 7

Mnmzzare l rtardo: n ordne d deadlne Mnmzzare l rtardo: nessun tempo morto EARLIEST-DEADLINE-FIRST (n, t, t,, tn, d, d,, dn) Osservazone. Esste un ordne d esecuzone ottmo senza temp mort. ORDINA n ob n modo che d d dn. d = d = 6 0 5 6 d = 7 8 0 t 0 FOR = TO n Assegna ob all ntervallo [t, t +t]. 5 6 d = d = 6 d = 0 5 6 7 8 0 s t ; f t + t t t t + t RETURN ntervall [s, f], [s, f],, [sn, fn]. d 6 8 5 Osservazone. La soluzone greedy n ordne d scadenza non ha temp mort. max lateness = d = 6 d = 8 d = d = d 5 = d 6 = 5 0 5 6 7 8 0 5 8 Mnmzzare l rtardo: nverson Mnmzzare l rtardo: nverson Def. Dato un ordne d esecuzone S, un nversone è una coppa d ob e tal che: () greedy schedula prma e po (qund d() d() ) () ma precede n S. nversone f() Def. Dato un ordne d esecuzone S, un nversone è una coppa d ob e tal che: d() < d() ma precede n S. nversone f() prma dello scambo [ assumamo che ob sano numerat con d d d n ] dopo lo scambo f '() Osservazone. La soluzone greedy n ordne d scadenza non ha nverson. Osservazone. Se un ordne d esecuzone (senza temp mort) presenta un nversone, allora ha un nversone costtuta da una coppa d ob consecutv. 0 Lemma. Scambando due ob adacent che formavano un nversone, rduce l numero d nverson d uno e non aumenta l max rtardo. Dm. Sa l rtardo prma dello scambo, e sa ' l rtardo dopo lo scambo. ' k = k per ogn k,. '. se è n rtardo, ' = f '() d()! = f() d()! (per defnzone) ( ora fnsce al tempo f() ) f() d()! (perché e formano un nversone).!! (per defnzone)

Mnmzzare l rtardo: anals d greedy Stratege per l anals d algortm Greedy Teorema. L ordne S fornto dall algortmo greedy per ordne d scadenza è ottmo. Dm. [per assurdo] Prendamo una soluzone ottma S* che ha l mnmo numero d nverson, e vedamo che succede. Possamo assumere che S* non abba temp mort. Se S* non ha nverson allora S = S* Se S* ha un nversone, sa una coppa adacente d ob n nversone. Scambando e non ncrementamo l max rtardo rducamo d uno l numero delle nverson Questo contraddce la defnzone d S* l nuovo ordne ha lo stesso rtardo massmo: è una soluzone ottma ha un nversone n meno rspetto ad S*, che doveva essere una soluzone ottma con l mnmo numero d nverson Greedy è pù avant. mostramo che dopo ogn scelta dell algortmo greedy, la sua soluzone è almeno tanto buona quanto quella d un qualsas altro algortmo. Anals strutturale. defnamo un bound "strutturale" garantendo che ogn possble soluzone deve avere almeno un certo valore. Qund mostramo che greedy soddsfa sempre quel bound. Argomento basato sullo scambo. Gradualmente transformamo una qualsas soluzone n quella trovata da greedy, mostrando che ogn passo d tale trasformazone non peggora la qualtà della soluzone. Altr algortm greedy. Gale-Shapley (vsto), Dkstra (cammn mnm n un grafo), Huffman (codc e compressone dat),