An´ alise de complexidade: Algoritmos polinomiais

' $
Análise de complexidade
Algoritmos polinomiais
& %
' $
Análise de complexidade Algoritmos polinomiais
Complexidade computacional
• Função de complexidade para medir o custo de execução de um programa.

• Esta função pode ser tanto uma medida do tempo para executar o algoritmo
que resolve um problema de tamanho n quanto o espaço de memória requerido
para esta execução.
• Complexidade computacional de um algoritmo se refere à estimativa do
esforço computacional despendido para resolver o problema.
• Pode ser medida pelo número necessário de operações aritméticas e lógicas
como, por exemplo, o número de adições, multiplicações e divisões efetuadas
para resolver um sistema linear de ordem n.
2012
c FFCf 2
& %
' $
Tipos de complexidade
• Os problemas possuem complexidade de tempo que pode ser enquadrada em

dois grupos:
– Algoritmos polinomiais, sendo a função de complexidade da forma
O(cpnp + cp−1np−1 + . . . + c1n + c0).
– Algoritmos exponenciais, onde a função de complexidade tem a forma
O(cn), c > 1.
• Número de multiplicações utilizadas para resolver um sistema triangular
inferior de ordem n usando as substituições sucessivas é O( 12 n2 − 12 n) ou
O(n2).
• Número de adições necessárias para fazer a decomposição LU de uma matriz
de ordem n é O( 13 n3 − 12 n2 + 16 n), ou, simplesmente, O(n3).
2012
c FFCf 3
& %
' $
Tempo relativo das operações aritméticas
• O tempo para executar cada uma das operações aritméticas depende de vários
fatores, tais como, a arquitetura do microprocessador, sua frequência (clock),
número de ciclos e tipo do dado (inteiro ou ponto flutuante).
• Aproximadamente, o tempo relativo para executar uma operação é: adição (e
subtração) = 1, multiplicação = 2 e divisão = 9.
• A função de complexidade será definida, separadamente, para adição,
multiplicação e divisão, sendo uma subtração contada como uma adição.
2012
c FFCf 4
& %
' $
• Algumas propriedades de soma de sequências, sendo a e b constantes:

Xn
a = a(n − m + 1), (1)
i=m
n
X n(n + 1) 1 2 1
i= = n + n, (2)
2 2 2
i=1
n
X n[a(n + 1) + 2b] a 2 a + 2b
(ai + b) = = n + n, (3)
2 2 2
i=1
n
X a(n2 − m2) + (a + 2b)(n − m)
(ai + b) = , (4)
2
i=m
n
X
2 n(n + 1)(2n + 1) a 3 a 2 a
ai = a = n + n + n. (5)
6 3 2 6
i=1
2012
c FFCf 5
& %
' $
Complexidade linear: algoritmo de Horner
Exemplo 1 Seja o algoritmo para avaliar um polinômio de grau n no ponto a.

Algoritmo Horner
{ Objetivo: Avaliar um polinômio de grau n no ponto a }
parâmetros de entrada n, c, a
{ grau, coeficientes e ponto a ser avaliado, onde c é tal que }
{ P (x) = c(1 )xn + c(2 )xn−1 + · · · + c(n)x + c(n+1 ) }
parâmetro de saı́da y { ordenada P (a) }
y ← c(1 )
para i ← 2 até n + 1 faça
y ← y ∗ a + c(i)
fimpara
fimalgoritmo
2012
c FFCf 6
& %
' $
Complexidade linear
• Indicando somente a quantidade das operações aritméticas, tem-se

Algoritmo Horner
para i ← 2 até n + 1 faça
+ : 1, ∗ : 1
fimpara
fimalgoritmo
• A operação de adição (+) e a operação de multiplicação (∗) ocorrem apenas

uma vez e na estrutura para−faça controlada pela variável i.
• Número de operações de adição A(n) e de multiplicação M (n), em função do
grau n do polinômio, em vista de (1), é
n+1
X
A(n) = M (n) = 1 = 1(n + 1 − 2 + 1),
i=2
A(n) = M (n) = n.
2012
c FFCf 7
& %
' $
Complexidade quadrática: substituições sucessivas
Exemplo 2 Considere o algoritmo de substituições sucessivas,

Algoritmo Substituições Sucessivas
{ Objetivo: Resolver o sistema triangular inferior Lx = c }
{ pelas substituições sucessivas }
parâmetros de entrada n, L, c
{ ordem, matriz triangular inferior e vetor independente }
parâmetro de saı́da x { solução do sistema triangular inferior }
x(1 ) ← c(1 )/L(1 , 1 )
para i ← 2 até n faça
Soma ← 0
para j ← 1 até i − 1 faça
Soma ← Soma + L(i, j) ∗ x(j)
fimpara
x(i) ← (c(i) − Soma)/L(i, i)
fimpara
fimalgoritmo
2012
c FFCf 8
& %
' $
Complexidade quadrática: adições
• Mostrando apenas a quantidade das operações aritméticas dentro das

estruturas de repetição,
/: 1
+ : 1, ∗ : 1
fimpara
+ : 1, / : 1
fimpara
fimalgoritmo
• Número de adições A(n) em função da ordem n da matriz, considerando

(1)–(2), é
 
n i−1 n n
X X X X n(n + 1)
A(n) =  (1) + 1 =
 [1(i − 1) + 1] = [i] − 1 = − 1,
2
i=2 j=1 i=2 i=1
1 2 1
A(n) = n + n − 1.
2 2
2012
c FFCf 9
& %
' $
Complexidade quadrática: multiplicações

/: 1
+ : 1, ∗ : 1
fimpara
+ : 1, / : 1
fimpara
fimalgoritmo
• Número de multiplicações M (n) em função da ordem n é

     
Xn Xi−1 X n Xn Xn Xn Xn
M (n) =  (1) = [i − 1] = i− 1 = [i]−1− [1]−1,
i=2 j=1 i=2 i=2 i=2 i=1 i=1

n(n + 1)
M (n) = − 1 − (n − 1),
2
1 2 1
M (n) = n − n.
2 2
2012
c FFCf 10
& %
' $
Complexidade quadrática: divisões

/: 1
+ : 1, ∗ : 1
fimpara
+ : 1, / : 1
fimpara
fimalgoritmo
• Número de divisões D(n) em função de n é

n
X n
X
D(n) = 1 + [1] = 1 + [1] − 1 = 1 + n − 1,
i=2 i=1
D(n) = n.
2012
c FFCf 11
& %
' $
Complexidade quadrática: polinômio de Lagrange
Exemplo 3 Seja o polinômio interpolador de Lagrange de grau n

n n
X Y x − xj
Ln(x) = yi .
xi − xj
i=0 j=0
j 6= i
• Expandindo, resulta a Expressão 1
x − x1 x − x2 x − xn
Ln(x) = y0 × × × ... ×
x0 − x1 x0 − x2 x0 − xn
x − x0 x − x2 x − xn
+ y1 × × × ... ×
x1 − x0 x1 − x2 x1 − xn
x − x0 x − x1 x − xn−1
. . . + yn × × × ... × .
xn − x0 xn − x1 xn − xn−1
2012
c FFCf 12
& %
' $
Polinômio de Lagrange: expressão 1
Algoritmo Lagrange Expressão 1

{ Objetivo: Interpolar usando polinômio de Lagrange }
parâmetros de entrada m, x, y , z
{ número de pontos, abscissas }
{ ordenadas e valor a interpolar }
parâmetro de saı́da r { valor interpolado }
r ←0
para i ← 1 até m faça
p ← y (i)
para j ← 1 até m faça
se i 6= j então
p ← p ∗ ((z − x(j))/(x(i) − x(j)))
fimse
fimpara
r ←r +p
fimpara
fimalgoritmo
2012
c FFCf 13
& %
' $
Polinômio de Lagrange: multiplicações e divisões

se i 6= j então
+ : 2, ∗ : 1, / : 1
fimse
fimpara
+: 1
fimpara
fimalgoritmo
• Número de multiplicações M (m) e divisões D(m) em função do número m de

pontos usados na interpolação, em vista de (1), são dados por
 
 
X m  X m 
 Xm m−1 X Xm
M (m) = D(m) = 
 (1) =

 (1) = [1(m − 1)],
i=1  j = 1  i=1 j=1 i=1
j 6= i
M (m) = D(m) = m(m − 1) = m2 − m.
2012
c FFCf 14
& %
' $
Polinômio de Lagrange: adições

se i 6= j então
+ : 2, ∗ : 1, / : 1
fimse
fimpara
+: 1
fimpara
fimalgoritmo
• Número de adições A(m) em função de m é

 
 
X m   Xm 
 X m m−1X Xm
A(m) = 
 (2) + 1=

 (2) + 1 = [2(m − 1) + 1],
i=1  j = 1  i=1 j=1 i=1
j 6= i
m
[2m − 1] = m(2m − 1) = 2m2 − m.
X
A(m) =
i=1
2012
c FFCf 15
& %
' $
Complexidade em função do grau n
• Número de pontos m usados na interpolação é igual a n + 1, onde n é o grau

do polinômio, então
A(n) = 2m2 − m = 2(n + 1)2 − (n + 1) = 2n2 + 3n + 1,
M (n) = m2 − m = (n + 1)2 − (n + 1) = n2 + n,
D(n) = m2 − m = (n + 1)2 − (n + 1) = n2 + n.
Operações Complexidade
adições 2n2 + 3n + 1
.
multiplicações n2 + n
divisões n2 + n
2012
c FFCf 16
& %
' $
Polinômio de Lagrange: expressão 2
Exemplo 4 O polinômio de Lagrange também pode ser expandido de modo a

resultar a Expressão 2
(x − x1) × (x − x2) × . . . × (x − xn)

Ln(x) = y0 ×
(x0 − x1) × (x0 − x2) × . . . × (x0 − xn)
(x − x0) × (x − x2) × . . . × (x − xn)

+ y1 ×
(x1 − x0) × (x1 − x2) × . . . × (x1 − xn)
(x − x0) × (x − x1) × . . . × (x − xn−1)

. . . + yn × .
(xn − x0) × (xn − x1) × . . . × (xn − xn−1)
2012
c FFCf 17
& %
' $
Algoritmo do polinômio de Lagrange: expressão 2
Algoritmo Polinômio Lagrange

{ Objetivo: Interpolar valor em tabela usando polinômio de Lagrange }
parâmetros de entrada m, x, y , z
{ número de pontos, abscissas, ordenadas e valor a interpolar }
parâmetro de saı́da r { valor interpolado }
r ←0
c ← 1; d ← 1
se i 6= j então
c ← c ∗ (z − x(j)); d ← d ∗ (x(i) − x(j))
fimse
fimpara
r ← r + y (i) ∗ c/d
fimpara
fimalgoritmo
2012
c FFCf 18
& %
' $
Polinômio de Lagrange: adições e multiplicações

se i 6= j então
+ : 2, ∗ : 2
fimse
fimpara
+ : 1, ∗ : 1, / : 1
fimpara
fimalgoritmo
• Número de adições A(m) e multiplicações M (m) em função de m é, por (1),

 
 
Xm  X m 
 X m m−1X Xm
A(m) = M (m) = 
 (2) + 1=

 (2) + 1 = [2(m−1)+1],
i=1  j = 1  i=1 j=1 i=1
j 6= i
m
[2m − 1] = m(2m − 1) = 2m2 − m.
X
A(m) = M (m) =
i=1
2012
c FFCf 19
& %
' $
Polinômio de Lagrange: divisões

se i 6= j então
+ : 2, ∗ : 2
fimse
fimpara
+ : 1, ∗ : 1, / : 1
fimpara
fimalgoritmo
• Número de divisões D(m) em função do número m de pontos usados na

interpolação é
Xm
D(m) = 1 = m.
i=1
2012
c FFCf 20
& %
' $
Complexidade em função do grau n
• Complexidade computacional do algoritmo em função do grau n (= m − 1)

A(n) = 2m2 − m = 2(n + 1)2 − (n + 1) = 2n2 + 3n + 1,
M (n) = 2m2 − m = 2(n + 1)2 − (n + 1) = 2n2 + 3n + 1,
D(n) = m = n + 1.
2012
c FFCf 21
& %
' $
Comparação das complexidades
Operações Complexidade Operações Complexidade

adições 2n2 + 3n + 1 adições 2n2 + 3n + 1
multiplicações n2 + n multiplicações 2n2 + 3n + 1 .
divisões n2 + n divisões n+1
Expressão 1 Expressão 2
• Comparando os resultados das duas expressões, nota-se que o número de
adições é o mesmo e o de multiplicações é da mesma ordem O(n2).
• O número de divisões utilizado pela Expressão 2 é de uma ordem de grandeza
a menos.
• O polinômio de Lagrange serve para exemplificar que uma mesma notação
matemática pode resultar em algoritmos de diferentes complexidades.
• Isto deve ser lembrado ao se elaborar um algoritmo.
2012
c FFCf 22
& %
' $
Complexidade cúbica
Exemplo 5 Considere o algoritmo de decomposição LDLT , sem considerar as

operações para o cálculo do determinante.
Algoritmo Decomposição LDLT
{ Objetivo: Fazer a decomposição LDLT de uma matriz A }
{ simétrica e definida positiva }
parâmetros de entrada n, A { ordem e matriz a ser decomposta }
parâmetros de saı́da A, Det
{ matriz decomposta A = L − I + D e determinante }
Det ← 1
para j ← 1 até n faça
Soma ← 0
para k ← 1 até j − 1 faça
Soma ← Soma + A(j, k)2 ∗ A(k, k)
fimpara
A(j, j) ← A(j, j) − Soma
r = 1 /A(j, j); Det ← Det ∗ A(j, j)
para i ← j + 1 até n faça
Soma ← 0
Soma ← Soma + A(i, k) ∗ A(k, k) ∗ A(j, k)
fimpara
A(i, j) ← (A(i, j) − Soma) ∗ r
fimpara
fimpara
fimalgoritmo
2012
c FFCf 23
& %
' $
complexidade cúbica: adições

+ : 1, ∗ : 2
fimpara
+ : 1, / : 1
+ : 1, ∗ : 2
fimpara
+ : 1, ∗ : 1
fimpara
fimpara
fimalgoritmo
• Número de adições A(n) em função da ordem n da matriz é

  
Xn X j−1 Xn Xj−1 
A(n) = (1) + 1 +  (1) + 1 ,
 
j=1 k=1 i=j+1 k=1
2012
c FFCf 24
& %
' $
Complexidade cúbica: adições cont.
  
n X
X j−1 Xn j−1
X 
A(n) = (1) + 1 +  (1) + 1 ,
 
j=1 k=1 i=j+1 k=1
 
Xn  Xn 
= (j − 1) + 1 + [(j − 1) + 1] ,
 
j=1 i=j+1
n n
{(n + 1)j − j 2}, ver (5)
X X
= {j + j[n − (j + 1) + 1]} =
j=1 j=1
n(n + 1) n(n + 1)(2n + 1)
= (n + 1) − ,
2 6
1 3 1 2 1
A(n) = n + n + n.
6 2 3
2012
c FFCf 25
& %
' $
Complexidade cúbica: multiplicações

+ : 1, ∗ : 2
fimpara
+ : 1, / : 1
+ : 1, ∗ : 2
fimpara
+ : 1, ∗ : 1
fimpara
fimpara
fimalgoritmo
• Considerando (1)–(5), o número de multiplicações M (n) em função da ordem

n é   
Xn X j−1 Xn j−1
X 
M (n) = (2) +  (2) + 1 ,
 
j=1 k=1 i=j+1 k=1
2012
c FFCf 26
& %
' $
Complexidade cúbica: multiplicações cont.

 
Xn  X n 
M (n) = 2(j − 1) + [2(j − 1) + 1] ,
 
j=1 i=j+1
 
Xn  X n Xn 
= 2j − 2 + [2j] − [1] ,
 
j=1 i=j+1 i=j+1
Xn
= {2j − 2 + 2j(n − (j + 1) + 1) − (n − (j + 1) + 1)},
j=1
n n n
2j 2 −
X X X
= (2n+3)j − (n + 2), ver (5)
j=1 j=1 j=1
n(n + 1) n(n + 1)(2n + 1)
= (2n + 3) −2 − n(n + 2),
2 6
1 3 1 2 5
M (n) = n + n − n.
3 2 6
2012
c FFCf 27
& %
' $
Complexidade cúbica: divisões

+ : 1, ∗ : 2
fimpara
+ : 1, / : 1
+ : 1, ∗ : 2
fimpara
+ : 1, ∗ : 1
fimpara
fimpara
fimalgoritmo
• Número de operações de divisão D(n) em função da ordem n da matriz é

Xn
D(n) = 1,
j=1
D(n) = n.
2012
c FFCf 28
& %
' $
Fim
2012
c FFCf 29
& %

Idioma

Bem-vindo(a) ao Scribd!

An´ alise de complexidade: Algoritmos polinomiais

Enviado por

Dados do documento

Data de envio

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

An´ alise de complexidade: Algoritmos polinomiais

Título original:

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

Títulos relacionados

' $

• Função de complexidade para medir o custo de execução de um programa.

• Os problemas possuem complexidade de tempo que pode ser enquadrada em

Tempo relativo das operações aritméticas

• Algumas propriedades de soma de sequências, sendo a e b constantes:

Complexidade linear: algoritmo de Horner

Exemplo 1 Seja o algoritmo para avaliar um polinômio de grau n no ponto a.

• Indicando somente a quantidade das operações aritméticas, tem-se

• A operação de adição (+) e a operação de multiplicação (∗) ocorrem apenas

Complexidade quadrática: substituições sucessivas

Exemplo 2 Considere o algoritmo de substituições sucessivas,

Complexidade quadrática: adições

• Mostrando apenas a quantidade das operações aritméticas dentro das

• Número de adições A(n) em função da ordem n da matriz, considerando

Complexidade quadrática: multiplicações

Algoritmo Substituições Sucessivas

• Número de multiplicações M (n) em função da ordem n é

Complexidade quadrática: divisões

Algoritmo Substituições Sucessivas

• Número de divisões D(n) em função de n é

Complexidade quadrática: polinômio de Lagrange

Exemplo 3 Seja o polinômio interpolador de Lagrange de grau n

• Expandindo, resulta a Expressão 1

Polinômio de Lagrange: expressão 1

Algoritmo Lagrange Expressão 1

Polinômio de Lagrange: multiplicações e divisões

Algoritmo Lagrange Expressão 1

• Número de multiplicações M (m) e divisões D(m) em função do número m de

M (m) = D(m) = m(m − 1) = m2 − m.

Polinômio de Lagrange: adições

Algoritmo Lagrange Expressão 1

• Número de adições A(m) em função de m é

Complexidade em função do grau n

• Número de pontos m usados na interpolação é igual a n + 1, onde n é o grau

Polinômio de Lagrange: expressão 2

Exemplo 4 O polinômio de Lagrange também pode ser expandido de modo a

(x − x1) × (x − x2) × . . . × (x − xn)

(x − x0) × (x − x2) × . . . × (x − xn)

(x − x0) × (x − x1) × . . . × (x − xn−1)

Algoritmo do polinômio de Lagrange: expressão 2

Algoritmo Polinômio Lagrange

Polinômio de Lagrange: adições e multiplicações

Algoritmo Polinômio Lagrange

• Número de adições A(m) e multiplicações M (m) em função de m é, por (1),

Polinômio de Lagrange: divisões

Algoritmo Polinômio Lagrange

• Número de divisões D(m) em função do número m de pontos usados na

Complexidade em função do grau n

• Complexidade computacional do algoritmo em função do grau n (= m − 1)

Comparação das complexidades

Operações Complexidade Operações Complexidade

Exemplo 5 Considere o algoritmo de decomposição LDLT , sem considerar as

complexidade cúbica: adições

Algoritmo Decomposição LDLT

• Número de adições A(n) em função da ordem n da matriz é

Complexidade cúbica: adições cont.