Algoritmi e Strutture Dati Capitolo 13 - Programmazione dinamica Alberto Montresor Università di Trento This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike License. To view a copy of this license, visit http://creativecommons.org/licenses/by-nc-sa/2.5/ or send a letter to Creative Commons, 543 Howard Street, 5th Floor, San Francisco, California, 94105, USA. © Alberto Montresor 1 Programmazione dinamica Divide-et-impera ✦ Tecnica ricorsiva ✦ Approccio top-down (problemi divisi in sottoproblemi) ✦ Vantaggioso solo quando i sottoproblemi sono indipendenti ✦ Altrimenti, gli stessi sottoproblemi possono venire risolti più volte ✦ Programmazione dinamica ✦ Tecnica iterativa ✦ Approccio bottom-up ✦ Vantaggiosa quando ci sono sottoproblemi in comune ✦ Esempio semplice: il triangolo di Tartaglia ✦ © Alberto Montresor 2 Coefficienti binomiali Coefficienti binomiali ✦ Il numero di modi di scegliere k oggetti da un insieme di n oggetti ✦ I coefficienti di un’equazione di grado n ✦ © Alberto Montresor 3 Triangolo di Tartaglia Versione ricorsiva ✦ Deriva direttamente dalla definizione ✦ Domanda ✦ Complessità? ✦ © Alberto Montresor 4 Triangolo di Tartaglia Versione iterativa ✦ Basata su programmazione dinamica ✦ Domanda ✦ Complessità? ✦ © Alberto Montresor 5 Quando applicare la programmazione dinamica? Sottostruttura ottima ✦ E' possibile combinare le soluzioni dei sottoproblemi per trovare la soluzione di un problema più grande ✦ PS: In tempo polinomiale! ✦ Le decisioni prese per risolvere un problema rimangono valide quando esso diviene un sottoproblema di un problema più grande ✦ Sottoproblemi ripetuti ✦ Un sottoproblema può occorrere più volte ✦ Spazio dei sottoproblemi ✦ Deve essere polinomiale ✦ © Alberto Montresor 6 Programmazione dinamica Caratterizzare la struttura di una soluzione ottima ✦ Definire ricorsivamente il valore di una soluzione ottima ✦ La soluzione ottima ad un problema contiene le soluzioni ottime ai sottoproblemi ✦ Calcolare il valore di una soluzione ottima “bottom-up” (cioè calcolando prima le soluzioni ai casi più semplici) ✦ Si usa una tabella per memorizzare le soluzioni dei sottoproblemi ✦ Evitare di ripetere il lavoro più volte, utilizzando la tabella ✦ Costruire la (una) soluzione ottima. ✦ © Alberto Montresor 7 Catena di moltiplicazione di matrici Problema: ✦ Data una sequenza di matrici A1, A2, A3, …, An, compatibili 2 a 2 al prodotto, vogliamo calcolare il loro prodotto. ✦ Cosa vogliamo ottimizzare ✦ La moltiplicazione di matrici si basa sulla moltiplicazione scalare come operazione elementare. ✦ Vogliamo calcolare il prodotto impiegando il numero minore possibile di moltiplicazioni ✦ Attenzione: ✦ Il prodotto di matrici non è commutativo... ✦ ...ma è associativo: (A1 ⋅ A2) ⋅ A3 = A1 ⋅ (A2 ⋅ A3) ✦ © Alberto Montresor 8 Catena di moltiplicazione tra matrici 3 matrici: ✦ A B 1x100 100x1 # Moltiplicazioni Memoria (A ⋅ B ) ((A ⋅ B ) ⋅ C ) 100×1×100 = 10000 100×100×1 = 10000 20000 10000 100 10100 (B ⋅ C) (A ⋅ (B ⋅ C)) 1×100×1 100×1×1 © Alberto Montresor = = 100 100 200 C 100x1 1 100 101 9 Catena di moltiplicazione tra matrici 4 matrici: A ✦ B C D 50x10 10x40 40x30 30x5 ((( A ⋅ B ) ⋅ C ) ⋅ D ) (( A ⋅ ( B ⋅ C )) ⋅ D ) (( A ⋅ B ) ⋅ ( C ⋅ D )) ( A ⋅ (( B ⋅ C ) ⋅ D )) ( A ⋅ ( B ⋅ ( C ⋅ D ))) : 87500 moltiplicazioni : 34500 moltiplicazioni : 36000 moltiplicazioni : 16000 moltiplicazioni : 10500 moltiplicazioni ((( A ⋅ B ) ⋅ C ) ⋅ D ) : 87500 © Alberto Montresor (A⋅B) 20000 (( A ⋅ B ) ⋅ C ) 60000 (( A ⋅ B ) ⋅ C ) ⋅ D 7500 50×10×40 = 50×40×30 = 50×30× 5 = 10 Applicare la programmazione dinamica Le fasi principali: ✦ Caratterizzare la struttura di una soluzione ottima ✦ Definire ricorsivamente il valore di una soluzione ottima ✦ Calcolare il valore di una soluzione ottima “bottom-up” (dal basso verso l’alto) ✦ Costruzione di una soluzione ottima ✦ Nei lucidi successivi: ✦ Vediamo ora una ad una le quattro fasi del processo di sviluppo applicate al problema della parentesizzazione ottima ✦ © Alberto Montresor 11 Parentesizzazione Definizione: Una parentesizzazione Pi,j del prodotto Ai · Ai+1 · · · Aj consiste ✦ nella matrice Ai, se i = j; ✦ nel prodotto di due parentesizzazioni (Pi,k · Pk+1,j), altrimenti. ✦ (A1·(A2·A3 ))·(A4·(A5·A6 )) Esempio: ✦ (A1·(A2·A3 )) · (A4·(A5·A6 )) → k=3 (A1·(A2·A3 )) (A4·(A5·A6 )) ✦ “Ultima moltiplicazione” ✦ A1 (A2·A3 ) A2 © Alberto Montresor A3 A4 (A5·A6 ) A5 A6 12 Parentesizzazione ottima Parentesizzazione ottima ✦ Determinare il numero di moltiplicazioni scalari necessari per i prodotti tra le matrici in ogni parentesizzazione ✦ Scegliere una delle parentesizzazioni che richiedono il numero minimo di moltiplicazioni ✦ Motivazione: ✦ Vale la pena di spendere un po' di tempo per cercare la parentesizzazione migliore, per risparmiare tempo dopo ✦ Domanda ✦ Quante sono le parentesizzazioni possibili? ✦ n=3 → 2, n=4 → 5, n=5 → ??? ✦ © Alberto Montresor 13 Parentesizzazione ottima Definiamo una relazione di ricorrenza ✦ P(n): numero di parentesizzazioni per n matrici A1 · A2 · A3 ···An ✦ L'ultima moltiplicazione può occorrere in n-1 posizioni diverse ✦ Fissato l'indice k dell'ultima moltiplicazione, abbiamo ✦ P(k) parentesizzazioni per A1 · A2 · A3 ··· Ak ✦ P(n-k) parentesizzazioni per Ak+1 · Ak+2 ··· An ✦ © Alberto Montresor n 1 2 3 4 5 P(n) 1 1 2 5 14 42 132 6 7 8 9 10 429 1430 4862 14 Parentesizzazione ottima Equazione di ricorrenza: ✦ Soluzione: n-1-esimo “numero catalano” ✦ Domanda: Più semplicemente, dimostrare che P(n) = Ω(2n) ✦ Conseguenza: la “forza bruta” (tentare tutte le possibili parentesizzazioni) non funziona ✦ © Alberto Montresor 15 Definizioni Denoteremo nel seguito con: ✦ A1 · A2 · A3 ··· An ✦ il prodotto di n matrici da ottimizzare ci-1 il numero di righe della matrice Ai ci il numero di colonne della matrice Ai A[i..j] il prodotto Ai · Ai+1 ··· Aj ✦ ✦ ✦ P[i..j] ✦ © Alberto Montresor una parentesizzazione di A[i..j] (non necessariamente ottima) 16 Struttura di una parentesizzazione ottima Sia A[i..j] = Ai · Ai+1 ··· Aj una sottosequenza del prodotto di matrici ✦ Si consideri una parentesizzazione ottima P[i..j] di A[i..j] ✦ Esiste una “ultima moltiplicazione”: in altre parole, esiste un indice k tale che P[i..j] = P[i..k] · P[k+1..j] ✦ Domanda: ✦ Quali sono le caratteristiche delle due sotto-parti P[i..k] e P[k+1..j] ? ( P[i..k] ) · ( P[k+1..j] ) ✦ © Alberto Montresor P[i..k] P[k+1..j] ? ? 17 Struttura di una parentesizzazione ottima Teorema (sottostruttura ottima) ✦ Se P[i..j] = P[i..k] · P[k+1..j] è una parentesizzazione ottima del prodotto A[i..j], allora P[i..k] e P[k+1..j] sono parentesizzazioni ottime dei prodotti A[i..k] e A[k+1..j], rispettivamente. ✦ Dimostrazione ✦ Ragionamento per assurdo ✦ Supponiamo esista un parentesizzazione ottima P'[i..k] di A[i..k] con costo inferiore a P[i..k] ✦ Allora, P'[i..k] · P[k+1..j] sarebbe una parentesizzazione di A[i..j] con costo inferiore a P[i..j], assurdo. ✦ © Alberto Montresor 18 Struttura di una parentesizzazione ottima In altre parole: ✦ Il teorema afferma che esiste una sottostruttura ottima: ✦ Ogni soluzione ottima al problema della parentesizzazione contiene al suo interno le soluzioni ottime dei due sottoproblemi Programmazione dinamica: ✦ L'esistenza di sottostrutture ottime è una delle caratteristiche da cercare per decidere se la programmazione dinamica è applicabile ✦ Prossima fase: ✦ Definire ricorsivamente il costo di una soluzione ricorsiva ✦ © Alberto Montresor 19 Definire ricorsivamente il valore di una soluzione ottima Definizione: sia M[i,j] il numero minimo di prodotti scalari richiesti per calcolare il prodotto A[i,j] ✦ Come calcolare M[i,j]? ✦ Caso base: i=j . Allora, M[i,j] = 0 ✦ Passo ricorsivo: i < j. Esiste una parentesizzazione ottima P[i..j] = P[i..k] · P[k+1..j]; sfruttiamo la ricorsione: ✦ M[i,j] = M[i,k] + M[k+1,j] + ci-1 · ck · cj Prodotti per P[i..k] © Alberto Montresor Prodotti per P[k+1..j] Prodotto di una coppia di matrici: n. righe: prima matrice n. colonne: ultima matrice 20 Definire ricorsivamente il valore di una soluzione ottima Ma qual è il valore di k? ✦ Non lo conosciamo.... ✦ ... ma possiamo provarli tutti! ✦ k può assumere valori fra i e j-1 ✦ La formula finale: ✦ M[i,j] = mini ≤ k < j { M[i,k] + M[k+1, j] + ci-1 · ck · cj } ✦ © Alberto Montresor 21 Esempio Li \ R j 1 1 2 3 4 5 2 - 0 3 - - 0 4 - - - 0 5 - - - - 0 6 - - - - - 6 0 0 M[1,2] = min1 ≤ k < 2 { M[1,k] + M[k+1,2] + c0ckc2 } = M[1,1] + M[2,2] + c0c1c2 = c0 c1 c2 © Alberto Montresor 22 Esempio Li \ R j 1 1 2 3 4 5 2 - 0 3 - - 0 4 - - - 0 5 - - - - 0 6 - - - - - 6 0 0 M[2,4] = min2≤k<4{ M[2,k] + M[k+1,4] + c1ckc4 } = min { M[2,2] + M[3,4] + c1c2c4, M[2,3] + M[4,4] + c1c3c4 } © Alberto Montresor 23 Esempio Li \ R j 1 1 2 3 4 5 2 - 0 3 - - 0 4 - - - 0 5 - - - - 0 6 - - - - - 6 0 0 M[2,5] = min2≤k<5{ M[2,k] + M[k+1,5] + c1ckc5 } = min { M[2,2] + M[3,5] + c1c2c5, M[2,3] + M[4,5] + c1c3c5, M[2,4] + M[5,5] + c1c4c5 } © Alberto Montresor 24 Esempio Li \ R j 1 1 2 3 4 5 2 - 0 3 - - 0 4 - - - 0 5 - - - - 0 6 - - - - - 6 0 0 M[1,5] = min1≤k<5{ M[1,k] + M[k+1,5] + c0ckc5 } = min { M[1,1] + M[2,5] + c0c1c5 , M[1,2] + M[3,5] + c0c2c5 , M[1,3] + M[4,5] + c0c3c5 , M[1,4] + M[5,5] + c0c4c5 } © Alberto Montresor 25 Esempio Li \ R j 1 1 2 3 4 5 2 - 0 3 - - 0 4 - - - 0 5 - - - - 0 6 - - - - - 6 0 0 M[1,6] = min1≤k<6{ M[1,k] + M[k+1,6] + c0ckc6 } = min { M[1,1] + M[2,6] + c0c1c6 , M[1,2] + M[3,6] + c0c2c6 , M[1,3] + M[4,6] + c0c3c6 , M[1,4] + M[5,6] + c0c4c6 , M[1,5] + M[6,6] + c0c5c6 } © Alberto Montresor 26 Calcolo “bottom-up” del valore della soluzione Passiamo ora al terzo passo della programmazione dinamica: ✦ “calcolare in modo bottom-up il valore della soluzione ottima” ✦ Ma la definizione ricorsiva di M[i,j] suggerisce di utilizzare un approccio ricorsivo top-down per risolvere il problema: ✦ Lanciamo il problema sulla sequenza completa [1,n] ✦ Il meccanismo ricorsivo individua i sottoproblemi da risolvere ✦ Proviamo... male non fa ;-) ✦ Input: un array c[0..n] con le dimensioni delle matrici, ✦c[0] è il numero di righe della prima matrice ✦ c[i] è il numero di colonne della matrice Ai ✦ © Alberto Montresor 27 Soluzione ricorsiva top-down Domanda: Complessità risultante? © Alberto Montresor 28 Critica all'approccio top-down Alcune riflessioni ✦ La soluzione ricorsiva top-down è Ω(2n) ✦ Non è poi migliore dell'approccio basato su forza bruta! ✦ Qual è il problema? ✦ Il problema principale è che molti problemi vengono risolti più volte ✦ 1…4 1…1 1…2 2…4 3…4 1…3 4…4 2…2 3…4 2…3 4…4 1…1 2…2 3…3 4…4 1…1 2…3 1…2 3…3 3…3 © Alberto Montresor 4…4 2…2 3…3 2…2 3…3 1…1 2…2 29 Calcolare la soluzione ottima in modo bottom-up E' interessante notare che il numero di possibili problemi è molto inferiore a 2n ✦ uno per ogni scelta di i e j (con 1 ≤ i ≤ j ≤ n): ✦ Sottoproblemi con i ≠ j Ogni sottoproblema ✦ Sottoproblemi con i = j È risolvibile utilizzando le soluzioni dei sottoproblemi che sono state eventualmente già calcolate e memorizzate nell'array ✦ Idea chiave della programmazione dinamica: ✦ Mai calcolare più di una volta la soluzione ad un sottoproblema ✦ © Alberto Montresor 30 Calcolare la soluzione ottima in modo bottom-up L’algoritmo parentesizzazione() ✦ prende in ingresso un array c[0..n] con le dimensioni delle matrici ✦ c[0] è il numero di righe della A1 ✦ c[i] è ✦ il numero di righe della matrice Ai+1 ✦ il numero di colonne della matrice Ai ✦ utilizza (e ritorna) due matrici n·n ausiliarie: ✦ M[i,j] che contiene i costi minimi dei sottoproblemi A[i..j] ✦ S[i,j] che contiene il valore di k che minimizza il costo per il sottoproblema ✦ © Alberto Montresor 31 Algoritmo h varia sulle diagonali sopra quella principale i e j assumono i valori delle celle nella diagonale h Calcola tutti i possibili valori e conserva solo il più piccolo © Alberto Montresor L 1 2 3 4 5 6 1 0 2 3 4 5 6 0 0 0 0 32 0 M[ ] Li \i Rj 1 1 2 3 4 5 6 i ci 0 224 176 218 276 350 0 7 2 - 0 64 112 174 250 1 8 3 - - 0 24 70 138 2 4 4 - - - 0 30 90 3 2 5 - - - - 0 90 4 3 6 - - - - - 0 5 5 6 6 M[1,4] = min1 ≤ k ≤ 3{ M[1,k] + M[k+1,4] + c0ckc4 } = min { M[1,1] + M[2,4] + c0c1c4, M[1,2] + M[3,4] + c0c2c4, M[1,3] + M[4,4] + c0c3c4 } = min { 0 + 112 + 7 * 8 * 3, 224 + 24 + 7 * 4 * 3, 176 + 0 + 7 * 2 * 3 } = min { 280, 332, 218 } = 218 © Alberto Montresor 33 Li \ Rj 1 S[ ] 2 3 4 5 6 1 2 3 4 5 6 i ci 0 1 1 3 3 3 0 7 0 2 3 3 3 1 8 0 3 3 3 2 4 0 4 5 3 2 0 5 4 3 0 5 5 6 6 M[1,4] = min1 ≤ k ≤ 3{ M[1,k] + M[k+1,4] + c0ckc4 } = min { M[1,1] + M[2,4] + c0c1c4, M[1,2] + M[3,4] + c0c2c4, M[1,3] + M[4,4] + c0c3c4 } = min { 0 + 112 + 7 * 8 * 3, 224 + 24 + 7 * 4 * 3, 176 + 0 +7*2*3} = min { 280, 332, 218 } = 218 © Alberto Montresor 34 Calcolare la soluzione ottima in modo bottom-up Considerazioni sull'algoritmo ✦ Costo computazionale: O(n3) ✦ Nota ✦ Lo scopo della terza fase era “calcolare in modo bottom-up il valore della soluzione ottima” ✦ Questo valore si trova in M[1,n] ✦ Per alcuni problemi ✦ E' anche necessario mostrare la soluzione trovata ✦ Per questo motivo registriamo informazioni sulla soluzione mentre procediamo in maniera bottom-up ✦ © Alberto Montresor 35 Costruire una soluzione ottima Possiamo definire un algoritmo che costruisce la soluzione a partire dall'informazione calcolata da parentesizzazione(). ✦ La matrice S ci permette di determinare il modo migliore di moltiplicare le matrici. ✦ S[i,j]=k contiene infatti il valore k su cui dobbiamo spezzare il prodotto A[i..j] ✦ Ci dice cioè che per calcolare A[i..j] dobbiamo prima calcolare A[i..k] e A[k+1..j] e poi moltiplicarle tra loro. ✦ Ma questo è un processo facilmente realizzabile tramite un algoritmo ricorsivo ✦ © Alberto Montresor 36 Costruire una soluzione ottima © Alberto Montresor 37 Costruire una soluzione ottima © Alberto Montresor 38 Esempio di esecuzione A1…6 = A1…k×Ak+1…6 = A1…3×A4…6 A1…3 = A1…k×Ak+1…3 =A1×A2…3 A4…6 = A4…k×Ak+1…6 =A4..5×A6 A2…3 = A2…k×Ak+1…3 = A2×A3 A4…5 = A4…k×Ak+1…5 =A4×A5 S[ ] Li \ Rj 1 2 3 4 5 1 2 3 4 5 6 0 1 1 3 3 3 0 2 3 3 3 0 3 3 3 0 4 5 0 5 6 0 A1…6 = ( ( A1 (A2A3) )( (A4A5 ) A6) ) © Alberto Montresor 39 Numeri di Fibonacci Definiti ricorsivamente ✦ F(0) = F(1) = 1 ✦ F(n) = F(n-2)+F(n-1) ✦ Un po' di storia ✦ Leonardo di Pisa, detto Fibonacci ✦ Utilizzati per descrivere la crescita di una popolazione di conigli (!) ✦ In natura: ✦ Pigne, conchiglie, parte centrale dei girasoli, etc. ✦ In informatica: ✦ Alberi AVL minimi, Heap di Fibonacci, etc. ✦ © Alberto Montresor 40 Implementazione ricorsiva Complessità computazionale ✦ Soluzione ✦ T(n) = O(2n) ✦ © Alberto Montresor 41 Implementazione iterativa Complessità ✦ In tempo: O(n) ✦ In spazio: O(n) ✦ Array di n elementi ✦ n 0 1 2 3 4 5 6 f [] 1 1 2 3 5 8 13 21 © Alberto Montresor 7 42 Implementazione iterativa - risparmio memoria Complessità ✦ In tempo: O(n) ✦ In spazio: O(1) ✦ 3 variabili ✦ n 0 1 2 3 4 5 6 7 F0 - - 1 1 2 3 5 8 F1 1 1 1 2 3 5 8 13 F2 1 1 2 3 5 8 13 21 © Alberto Montresor 43 Zaino Input ✦ Un intero positivo C - la capacità dello zaino ✦ n oggetti, tali che l’oggetto i-esimo è caratterizzato da: ✦ un profitto pi e ✦ un volume vi , entrambi interi positivi ✦ Problema ✦ trovare un sottoinsieme S di {1, . . . , n} di oggetti tale che il volume totale non superi la capacità massima e il profitto totale sia massimo ✦ © Alberto Montresor 44 Zaino Caratterizzazione del problema ✦ P(i, c) è il sottoproblema dato dai primi i oggetti da inserire in uno zaino con capacità c ✦ Il problema originale corrisponde a P(n, C) ✦ Teorema - sottostruttura ottima ✦ Sia S(i, c) una soluzione ottima per il problema P(i, c) ✦ Possono darsi due casi: ✦ Se i ∈ S(i, c), allora S(i, c)-{i} è una soluzione ottima per il sottoproblema P(i-1, c-vi ) ✦ Se i ∉ S(i, c), allora S(i, c) è una soluzione ottima per il sottoproblema P(i−1, c) ✦ Dimostrazione ✦ per assurdo ✦ © Alberto Montresor 45 Zaino Tabella per programmazione dinamica ✦ D[i, c] contiene il profitto massimo ottenibile per il problema P(i,c) ✦ Alcune considerazioni ✦ Costo di un algoritmo di programmazione dinamica bottom-up: O(nC) ✦ Non è detto che tutti i problemi debbano essere risolti ✦ © Alberto Montresor 46 Memoization Memoization (annotazione) ✦ Tecnica che fonde l'approccio di memorizzazione della programmazione dinamica con l'approccio top-down di divide-et-impera ✦ Quando un sottoproblema viene risolto per la prima volta, viene memorizzato in una tabella ✦ ogni volta che si deve risolvere un sotto-problema, si controlla nella tabella se è già stato risolto precedentemente ✦ SI: si usa il risultato della tabella NO: si calcola il risultato e lo si memorizza ✦ ✦ In tal modo, ogni sottoproblema viene calcolato una sola volta e memorizzato come nella versione bottom-up ✦ © Alberto Montresor 47 Zaino “annotato” Note sulla soluzione ✦ ⏊ ✦ è un valore speciale per indicare che un certo problema non è stato risolto Gli elementi della tabella D sono inizializzati con il valore ⏊ ✦ © Alberto Montresor 48 Discussione su memoization Caso pessimo ✦ Nel caso pessimo, è comunque O(nC) ✦ Quando si verifica? ✦ Inizializzazione ✦ E’ necessario inizializzare D - costo O(nC) ✦ Se il costo dell’inizializzazione è asintoticamente inferiore al costo di ricombinare i risultati, si ottiene un guadagno ✦ Altrimenti: è possibile utilizzare una tabella hash ✦ Complessità pseudo-polinomiale ✦ La complessità O(nC) è polinomiale nella dimensione dell’input? ✦ © Alberto Montresor 49 Bioinformatica DNA ✦ Una stringa di molecole chiamate basi ✦ Solo quattro basi: Adenina, Citosina, Guanina, Timina ✦ Esempi ✦ Due esempi di DNA: AAAATTGA, TAACGATAG ✦ Date due sequenze, è lecito chiedersi quanto siano “simili” ✦ Una è sottostringa dell'altra? ✦ Distanza di editing: costo necessario per trasformare una nell'altra ✦ La più lunga sottosequenza (anche non contigua) comune ad entrambe ✦ © Alberto Montresor 50 Caratterizzazione del problema Definizione ✦ Una sequenza T è una sotto-sequenza di P se T è ottenuta da P rimuovendo uno o più elementi ✦ Alternativamente: T è definito come il sottoinsieme degli indici l'insieme di elementi di P che compaiono anche in T ✦ Gli elementi rimanenti devono comparire nello stesso ordine, anche se non devono essere necessariamente contigui in P ✦ Esempio ✦ P = “AAAATTGA” , T = “AAATA” ✦ Nota ✦ La sequenza nulla è una sotto-sequenza di ogni sequenza ✦ © Alberto Montresor 51 Caratterizzazione del problema Definizione: ✦ Date due sequenze P e T, una sequenza Z è una sottosequenza comune di P e T se Z è sottosequenza sia di P che di T ✦ Scriviamo Z ∈ CS(P, T) ✦ “Common Subsequence”, o CS ✦ Definizione: ✦ Date due sequenze P e T, una sequenza è una sottosequenza comune massimale di P e T, se Z ∈ CS(P, T) e non esiste una sequenza W ∈ CS(P, T) tale che |W| > |Z| ✦ Scriviamo Z ∈ LCS(P, T) ✦ “Longest Common Subsequence”, o LCS ✦ © Alberto Montresor 52 Caratterizzazione del problema Problema LCS ✦ Input: due sequenze di simboli, P e T ✦ Output: Trovare la più lunga sottosequenza Z comune a P e T ✦ Esempio ✦ P = “AAAATTGA” ✦ T = “TAACGATA” ✦ LCS(P,T) = ???? ✦ Prima di provare con la programmazione dinamica, proviamo di “forza bruta”... ✦ © Alberto Montresor 53 Risoluzione tramite enumerazione Domanda: Quante sono le sotto-sequenze di P? © Alberto Montresor 54 Caratterizzazione della soluzione ottima Data una sequenza P=(p1, …, pn): ✦ denoteremo con P(i) l’i-esimo prefisso di P, cioè la sotto-sequenza ( p1, … , pi ) ✦ Esempio: ✦ P = ABDCCAABD ✦ P(0) denota la sotto-sequenza nulla ✦ P(3) = ABD ✦ P(6) = ABDCCA ✦ © Alberto Montresor 55 Caratterizzazione della soluzione ottima Teorema (Sottostruttura ottima) ✦ Date le due sequenze P=(p1,…, pm) e T=(t1, …, tn), sia Z=(z1,…,zk ) una LCS di P e T ✦ 1. pm= tn → zk = pm = tn e Z(k-1) ∈ LCS( P(m-1), T(n-1) ) 2. pm ≠ tn e zk ≠ pm → Z ∈ LCS( P(m-1), T ) 3. pm ≠ tn e zk ≠ tn → Z ∈ LCS( P, T(n-1) ) Dimostrazione ✦ © Alberto Montresor 56 Dimostrazione Punto 1 ✦ Supponiamo per assurdo che zk ≠ pm = tn ✦ Si consideri W=Zpm. Allora W ∈ CS(P,T) e | W | > | Z |, assurdo ✦ Quindi zk = pm = tn ✦ Supponiamo per assurdo che Z(k-1) ∉ LCS( P(m-1), T(n-1) ) ✦ Allora esiste W ∈ LCS( P(m-1), T(n-1) ) tale che |W| > |Z(k-1)| ✦ Quindi Wpm ∈ CS(P,T) e |Wpm| > |Z|, assurdo ✦ P[1,…,m] T[1,…,n] Z[1,…,k] © Alberto Montresor a a a P[1,…,m-1] T[1,…,n-1] Z[1,…,k-1] 57 Dimostrazione Punto 2 (Punto 3 simmetrico) ✦ Se zk ≠ pm, allora Z ∈ CS(P(m-1), T) ✦ Per assurdo ipotizziamo che Z ∉ LCS(P(m-1), T) allora esiste W ∈ LCS(P(m-1), T) tale che: | W | > | Z | ✦ Allora è anche vero che W ∈ LCS(P, T), contraddicendo l'ipotesi ✦ P[1,…,m] T[1,…,n] Z[1,…,k] © Alberto Montresor a b ? P[1,…,m-1] T[1,…,n] Z[1,…,k] b ? 58 Cosa ci dice il teorema? Se pm = tn, dobbiamo risolvere un sottoproblema ✦ LCS( P(m-1), T(n-1) ) ✦ La definizione ricorsiva è la seguente: ✦ LCS(P,T) = LCS( P(m-1), T(n-1) ) pm ✦ Se pm ≠ tn, dobbiamo risolvere due sottoproblemi ✦ LCS( P(m-1), T ) ✦ LCS( P, T(n-1) ) A questo punto, dobbiamo scegliere la LCS più lunga fra le 2 ✦ La definizione ricorsiva è la seguente: ✦ LCS(P,T) = longest( LCS( P(m-1), T ) , LCS( P, T(n-1) ) ) ✦ © Alberto Montresor 59 LCS basato su programmazione dinamica Definiamo una tabella per memorizzare la lunghezza dei vari sottoproblemi di LCS: ✦ D[0 ... m, 0 ... n] → tabella di (m+1) · (n+1) elementi, dove |P| = m, |T| = n ✦ D[i,j] → lunghezza della LCS di P(i) e T(j) ✦ Goal finale: ✦ Calcolare D[m,n] → lunghezza della LCS di P e T ✦ Formulazione ricorsiva ✦ © Alberto Montresor 60 LCS basato su programmazione dinamica Definiamo una tabella per memorizzare informazioni necessarie ad ottenere la stringa finale ✦ B[0 ... m, 0 ... n] → tabella di (m+1) · (n+1) elementi, dove |P| = m, |T| = n ✦ B[i,j] → “puntatore” alla entry della tabella stessa che identifica il sottoproblema ottimo scelto durante il calcolo del valore D[i,j] ✦ Valori possibili: ✦ ➘ deriva da i-1,j-1 ↓ deriva da i-1,j → deriva da i,j-1 © Alberto Montresor 61 j 0 1 2 3 4 5 6 A T B C B D 0 0 0 0 0 0 0 • TACCBT • ATBCBD i ➘ deriva da i-1,j-1 ↓ deriva da i-1,j 1 T 0 ↓0 ➘ 1 →1 →1 →1 →1 2 A 0 ➘1 ↓1 ↓1 ↓1 ↓1 ↓1 3 C 0 ↓ 1 ↓ 1 ↓ 1 ➘ 2 →2 →2 4 C 0 ↓ 1 ↓ 1 ↓ 1 ➘ 2 ↓ 2 →2 5 B 0 ↓ 1 ↓ 1 ➘ 2 ↓ 2 ➘ 3 →3 6 T 0 ↓1 ➘2 ↓2 ↓2 ↓3 ↓3 → deriva da i,j-1 © Alberto Montresor 0 62 j 0 1 2 3 4 5 6 B E B E D E 0 0 0 0 0 0 • ABDDBE • BEBEDE i ➘ deriva da i-1,j-1 ↓ deriva da i-1,j 1 A 0 ↓0 ↓0 ↓0 ↓0 ↓0 ↓0 2 B 0 ➘1 →1 ➘ 1 →1 →1 →1 3 D 0 ↓ 1 ↓ 1 ↓ 1 ↓ 1 ➘2 →2 4 D 0 ↓1 ↓1 ↓1 ↓1 ➘2 ↓2 5 B 0 ➘ 1 ↓ 1 ➘2 →2 ↓ 2 ↓ 2 6 E 0 ↓ 1 ➘2 ↓ 2 ➘ 3 →3 ➘ 3 → deriva da i,j-1 © Alberto Montresor 0 0 Calcolo del valore della soluzione ottima © Alberto Montresor 64 j 0 1 2 3 4 5 6 B E B E D E 0 0 0 0 0 0 • ABDDBE • BEBEDE i ➘ deriva da i-1,j-1 ↓ deriva da i-1,j 1 A 0 ↓0 ↓0 ↓0 ↓0 ↓0 ↓0 2 B 0 ➘1 →1 ➘ 1 →1 →1 →1 3 D 0 ↓ 1 ↓ 1 ↓ 1 ↓ 1 ➘2 →2 4 D 0 ↓1 ↓1 ↓1 ↓1 ➘2 ↓2 5 B 0 ➘ 1 ↓ 1 ➘2 →2 ↓ 2 ↓ 2 6 E 0 ↓ 1 ➘2 ↓ 2 ➘ 3 →3 ➘ 3 → deriva da i,j-1 © Alberto Montresor 0 0 j 0 1 2 3 4 5 6 A T B C B D 0 0 0 0 0 0 0 • TACCBT • ATBCBD i ➘ deriva da i-1,j-1 ↓ deriva da i-1,j 1 T 0 ↓0 ➘ 1 →1 →1 →1 →1 2 A 0 ➘1 ↓1 ↓1 ↓1 ↓1 ↓1 3 C 0 ↓ 1 ↓ 1 ↓ 1 ➘ 2 →2 →2 4 C 0 ↓ 1 ↓ 1 ↓ 1 ➘ 2 ↓ 2 →2 5 B 0 ↓ 1 ↓ 1 ➘ 2 ↓ 2 ➘ 3 →3 6 T 0 ↓1 ➘2 ↓2 ↓2 ↓3 ↓3 → deriva da i,j-1 © Alberto Montresor 0 66 Alcune ottimizzazioni La matrice B può essere eliminata: ✦ Il valore di D[i,j] dipende solo dai valori D[i-1,j-1], D[i,j-1] e D[i-1,j]. ✦ In tempo costante si può quindi determinare quale di questi tre è stato usato, e perciò quale sia il tipo di freccia ✦ Se ci serve solo calcolare la lunghezza della LCS, possiamo ridurre la tabella D[i,j] a due sole righe di lunghezza min{ n , m } ✦ Ad ogni istante (cioè per ogni coppia i,j), ci servono i valori D[i-1,j-1], D[i,j-1] e D[i-1,j] ✦ Esercizio ✦ © Alberto Montresor 67 Stampa della soluzione ottima Costo computazionale A ogni passo, almeno uno fra i e j viene decrementato: θ(m+n) © Alberto Montresor 68 LCS e diff diff ✦ Esamina due file di testo, e ne evidenzia le differenze a livello di riga. ✦ Lavorare a livello di riga significa che i confronti fra simboli sono in realtà confronti fra righe, e che n ed m sono il numero di righe dei due file ✦ Ottimizzazioni ✦ diff è utilizzato soprattutto per codice sorgente; è possibile applicare euristiche sulle righe iniziali e finali ✦ per distinguire le righe - utilizzo di hash table ✦ © Alberto Montresor 69 String matching approssimato Input ✦ una stringa P = p1 ··· pm (pattern) una stringa T = t1 ··· tn (testo), con m ≤ n ✦ ✦ Definizione ✦ Un’occorrenza k-approssimata di P in T , con 0 ≤ k ≤ m, è una copia della stringa P nella stringa T in cui sono ammessi k “errori” (o differenze) tra caratteri di P e caratteri di T , del seguente tipo: ✦ (1) i corrispondenti caratteri in P e in T sono diversi (sostituzione) (2) un carattere in P non è incluso in T (inserimento) (3) un carattere in T non è incluso in P (cancellazione) Problema: ✦ Trovare un’occorrenza k-approssimata di P in T per cui k sia minimo. ✦ © Alberto Montresor 70 Esempio Input ✦ questoèunoscempio ✦ unesempio ✦ Domanda ✦ Qual è il minimo valore k per cui si trova una occorrenza k-approssimata? ✦ A partire da dove? ✦ Con quali errori? ✦ © Alberto Montresor 71 Sottostruttura ottima Definizione ✦ Tabella D[0...m, 0...n], i cui elementi D[i,j] contengono il minimo valore k per cui esiste una occorrenza k-approssimata di P(i) in T(j) ✦ D[i,j] può essere uguale a ✦ D[i-1,j-1], se pi = tj ✦ avanza su entrambi i caratteri (uguali) D[i-1,j-1]+1, se pi ≠ tj avanza su entrambi i caratteri (sostituzione) D[i-1,j]+1 avanza sul pattern (inserimento) D[i,j-1]+1 avanza sul testo (cancellazione) ✦ ✦ ✦ © Alberto Montresor 72 Sottostruttura ottima Definizione ✦ Tabella D[0...m, 0...n], i cui elementi D[i,j] contengono il minimo valore k per cui esiste una occorrenza k-approssimata di P(i) in T(j) ✦ Ricordate che cerchiamo il minimo: ✦ © Alberto Montresor 73 Ricostruzione della soluzione finale Si noti che: ✦ D[m,j] = k se e solo se c’è un’occorrenza k-approssimata di P in T che termina in tj ✦ la soluzione del problema è data dal valore di D[m,j] più piccolo, per 0 ≤ j ≤ n ✦ © Alberto Montresor 74 Algoritmo String matching approssimato Domanda: complessità? © Alberto Montresor 75 String matching approssimato Variante dello string matching approssimato: Distanza di editing (Distanza di Levenshtein) ✦ Date due stringhe, vogliamo conoscere il numero minimo di operazioni (sostituzione, inserimento, cancellazione) necessarie per trasformare una nell’altra ✦ (o viceversa, visto che inserimento e cancellazione sono simmetriche) ✦ Esempio: ✦ distanza fra google e yahoo? ✦ Algoritmo? ✦ Come (e se) dobbiamo modificare le condizioni iniziali? ✦ Come (e se) dobbiamo modificare la definizione ricorsiva? ✦ © Alberto Montresor 76 Insieme indipendente di intervalli pesati Input ✦ Siano dati n intervalli distinti [a1, b1[, ..., [an,bn[ della retta reale, aperti a destra, dove all’intervallo i è associato un peso wi, 1 ≤ i ≤ n. ✦ Definizione ✦ Due intervalli i e j si dicono digiunti se: bj ≤ ai oppure bi ≤ aj ✦ ai Output: bi aj bj ✦ Trovare un insieme indipendente di peso massimo, ovvero un sottoinsieme di intervalli tutti disgiunti tra di loro tale che la somma dei pesi degli intervalli nel sottoinsieme sia la più grande possibile ✦ Esempio: ✦ Prenotazione di una sala conferenza in un hotel ✦ © Alberto Montresor 77 Pre-elaborazione Per poter applicare la programmazione dinamica, è necessario effettuare una preelaborazione ✦ Ordiniamo gli intervalli per estremi finali non decrescenti ✦ b1 ≤ b2 ≤ ⋅ ⋅ ⋅ ≤ bn ✦ Per ogni intervallo i, sia pi = j il predecessore di i, dove j < i è il massimo indice tale che [aj , bj [ è disgiunto da [ai , bi [ (se non esiste j, allora pi = 0) ✦ Teorema sottostruttura ottima ✦ Sia P[i] il sottoproblema dato dai primi i intervalli e sia S[i] una sua soluzione ottima di peso D[i] ✦ Se l’intervallo i-esimo non fa parte di tale soluzione, allora deve valere D[i] = D[i − 1], dove si assume D[0] = 0; ✦ altrimenti, deve essere D[i] = wi + D[pi] ✦ © Alberto Montresor 78 Definizione ricorsiva Definizione ricorsiva del peso di una soluzione ottima ✦ D[n] è il problema originario ✦ Costo della procedura risultante ✦ O(n log n) per l’ordinamento ✦ O(n log n) per il calcolo degli indici pi ✦ O(n) per il riempimento della tabella ✦ O(n) per la ricostruzione della soluzione ✦ Esercizio: ✦ Scrivere algoritmo per il calcolo degli indici pi ✦ © Alberto Montresor 79 Codice © Alberto Montresor 80