NFP136- Cours 6 ALGORITHMES GLOUTONS

Transcription

1 NFP36- Cours 6 ALGORITHMES GLOUTONS PLAN Problèmes d'optimisation Algorithmes gloutons Arbre couvrant minimal Choix d'activités Codage de Huffman Matroïdes

2 6. PROBLEMES D OPTIMISATION 2

3 un problème plusieurs solutions une solution une valeur problème d'optimisation: recherche d'une solution de valeur optimale (min ou max) algorithme de résolution: reconnaissance d'une solution évaluation d'une solution sélection d'une des meilleures solutions 3

4 problèmes d'optimisation faciles difficiles EXEMPLES E) chemin min A 3 B 5 3 C E 2 G problème facile (v=9;abecg) 2 D 6 F

5 E2) sac-à-dos (en nombres entiers) problème "assez" difficile aliments A B C poids unitaire 6 3 hg valeur nutritive unitaire 0 6 poids max des aliments: 7 2 solutions optimales:.a + 2.B +.C v = 0 (p=7).b v = 0 (p=6) 5

6 E3) voyageur de commerce problème difficile ici, 2 solutions optimales A 2 2 B E 2 3 D 5 3 C ACBDEA et ACEBDA v = 2 nombre de solutions: 2 (n-!)

7 problème de petite taille énumération possible problème de grande taille énumération impossible optimisation discrète optimisation continue 7

8 problèmes faciles algorithme de complexité polynomiale (cf cours 2) problèmes "difficiles" - tous les algorithmes connus sont de complexité exponentielle - problèmes dits NP-complets ou NPdifficiles cours VARI:problèmes "faciles" 8

9 6.2 ALGORITHMES GLOUTONS 9

10 choix glouton = choix localement optimal optimum local optimum global fonction concave (ou convexe) optimum local = x x 2 x 3 optimum global (et local) continu entier x et x 3 : optima locaux x 2 optimum global 0

11 algorithme glouton: pas toujours optimal EXEMPLE un algo glouton pour le PVC: - trier les arêtes (coûts croissants) - sélectionner dans l'ordre les arêtes non "parasites" A 2 B 2 D 2 3 E 5 3 C ([A,E],[B,D],[A,B], [A,D],[B,E],[A,C], [E,D],[C,E],[C,D]) (opt=2 [A,B,D,C,E,A] valeur 3 [ACEBDA])

12 algorithme glouton: à chaque étape choix le plus intéressant à cet instant facile à concevoir difficile de vérifier l'optimalité efficace (faible complexité) 2

13 6. 3 ARBRE COUVRANT MINIMAL 3

14 6.3. LE PROBLÈME relier des objets avec une longueur totale minimale des liens graphe valué associé: - sommets = objets - arête = lien possible - poids d'une arête = longueur du lien

15 EXEMPLE A solution optimale: sans cycle et connexe ARBRE par tous les sommets COUVRANT de longueur totale min MINIMAL B D E 5 5 F 5 G 5

16 6.3.2 ALGORITHME DE KRUSKAL rappel: arbre m = n- arêtes entrée: G = (X,U,P) n sommets, m arêtes sortie: A arbre couvrant min de G 6

17 procedure kruskal (in G: graphe; out A: arbre): entier k=0; {arêtes} V= ; début trier les arêtes de G par ordre de poids croissant ; tant que k < n- faire fait ; parcourir la liste triée ; sélectionner la première arête, w, qui ne forme pas de cycle avec les précédentes ; k = k+ ; V = V U {w} ; A = graphe (X,V) ; fin 7

18 EXEMPLE liste triée: - a 2 b g 3 c h 3 2 i f d 3 e STOP n = 9 stop après 8 sélections P(A) = ( ) =

19 implémentation peu facile (sera faite en exercices dirigés) complexité O(m logm) (TRI) 9

20 6.3.3 PREUVE DE L OPTIMALITE G=(X,U) le graphe A=(X,V) l'arbre couvrant obtenu par Kruskal p(u) : poids de l'arête u 20

21 propriété soit w U -V, w=[x,y] et c w : chaîne de x à y dans A; alors, p(w) max u cw p(u) x w cw y Car s il existait une arête a de c w de poids plus fort que p(w), w aurait été sélectionnée avant a 2

22 A': arbre optimal de poids p(a') montrons que p(a) = p(a') soit u A'-A x x x a x b u x x x x x C C 2 x x x a x b x x v x x x u V'-V v c u A'=(X,V') A=(X,V) relie C et C 2 dans A' relie C et C 2 dans A 22

23 propriété p(u) p(v) et A' minimal p(v) p(u) p(u) = p(v) soit A"=A'+{v}-{u}: p(a")=p(a') A"optimal et v A" soit u' A"-A,... (idem... A''')... fin: A'' '' = A et p(a'' '') = p(a') = p(a) Fin preuve 23

24 6. CHOIX D ACTIVITES 2

25 6.. LE PROBLÈME A = {a,a 2,..,a n } activités a i [d i,f i [ d i début, f i fin de a i a i et a j compatibles si d i f j ou d j f i problème: choisir le plus grand nombre d'activités compatibles 25

26 6..2 ALGORITHME CHOIX_ACTIVITÉ choix glouton : maximiser le temps restant après l'activité choisie Algorithme choix_activité (in A: liste initiale d'activités; out A*: liste d'activités choisies): début trier et numéroter les a i dans l'ordre croissant des f i ; f f 2 f n A* = {a } ; j = ; pour i = à n faire j représente la dernière activité sélectionnée si d i f j alors A* = A*U{a i } ; j = i ; finsi; fait ; fin 26

27 complexité: O(nlogn)+O(n) tri boucle O(nlogn) EXEMPLE d i date de début de l'activité a i f i date de fin de l'activité a i activités triées selon les f i i di fi

28 temps 8 8

29 Soit B solution optimale B A* card B card A* B ordonné selon les f i : a k,a k2,..,a kn avec f k f k2... f kn si a k a, soit B'= B-{a k }+{a } - f f k f k2... f kn B' admissible - card B' = card B B' optimal sinon B'= B 6..3 OPTIMALITE Conclusion : il existe une solution optimale commençant par un choix glouton 29

30 problème restant = problème initial avec A' = {a i A t.q. d i f } choix glouton suivant de B': a 2... fin: B'' '' = A* et card B'' '' = card B = card A* Fin preuve 30

31 6. 5 CODAGE DE HUFFMAN 3

32 compression de données gain de place de 20 à 90% C = {caractères} c i C chaîne binaire unique EXEMPLE C = alphabet d-0 f-0 m dfd = 000 MAIS mf = 000 (= dfd!)

33 codage préfixe : aucun mot de code n'est préfixe d'un autre mot décodage facile EXEMPLE caractère a b c d e f code face face concevoir le codage et décoder efficacement 33

34 arbre associé A (binaire et complet) a 000 b c d e f décodage: f c e a 3

35 arbre associé A (binaire et complet) a 000 b c d e f décodage: f ace autre possibilité 0 A 0 a 0 0 c b d e 0 face = f 35

36 choix d'un arbre tableau des fréquences d'apparition des caractères dans le fichier (c f(c)) h A (c): hauteur de la branche c = nombre de bits pour c nombre de bits requis pour encoder un fichier selon l'arbre A B(A) =! c"c f(c) h A (c) 36

37 EXEMPLE a b c d e f fréq code A' code A'' code H B(A') = 300 ( )*3 B(A")= 328 (5*+3*+2*3+6*2+9*2+5*2) B(H) = 22 (5*+3*3+2*3+6*3+9*+5*)

38 code de Huffman caractères fréquents mots courts nombre de feuilles = card(c) feuille c C "val"= f(c) "val" d'un = somme des nœud interne "val" des 2 fils 38

39 Algorithme HUFFMAN (in C: liste triée de caractères; in f: fréquence des caractères; out A: arbre de Huffman): Utilise la procédure construire(a,z,x,y) quiajoute à A un nœud z ayant pour fils gauche x et pour fils droit y liste_ordonnée L ; entier n; début n = card(c) ; L = C; tri de L selon les f(c) croissants; pour i = à n- faire x := L.min(); L.supprimer_min(); y := L.min(); L.supprimer_min(); f(z) = f(x) + f(y); construire (z,x,y); L.insérer (z); fin fait ; complexité: O(nlogn) 39

40 Un arbre d'exemple avec la phrase "this is an example of a huffman tree" wikipédia 0

41 6. 5 MATROIDES complément facultatif du cours

42 6.5. DÉFINITION E = {e,e 2,..,e n } I P(E) matroïde: couple M = (E,I) t.q. F I et F' F F' I S E, [F I et F' I et F, F' sous-ensembles maximaux de S] card F = card F I famille de sous-ensembles «indépendants» I et i, {e i } I 2

43 Contre-exemple: E= ensemble des sommets d un graphe I = ensemble des ensembles stables a b S=Ensemble Stable=sous-ensemble de sommets du graphe tel que deux sommets de S ne sont pas voisins. Tout ensemble inclus dans S est donc stable. S est maximal si l ajout d un sommet quelconque le rend non stable. c d e {a,c,e}, {a,d} et {b} Sont des stables maximaux qui n ont pas le même cardinal. 3

44 EXEMPLE graphe G=(X G,E G ) M G matroïde graphique M G = (E G,I G ) I G = {F E G t.q. G'=(X G,F) sans cycle} sous-ensembles maximaux = arbres couvrants même cardinal: n- arêtes

45 6.5.2 MATROIDES PONDERES M = (E,I,w) e E w e = poids de e F E w(f) =! w e e"f = poids de F problème: trouver F I t.q. w(f) minimal (ou maximal) 5

46 algorithme glouton_min (in M = (E,I,w): matroïde; out F: élément de I): début F = ; trier et numéroter les éléments de E par ordre de poids croissant; pour i = à n faire si FU{e i } I alors F = FU{e i } ; fin fait ; finsi 6

47 théorème M matroïde pondéré : l'algorithme glouton donne toujours l'optimum complexité si test en O(f(n)) O(nlogn) + O(nf(n)) tri boucle pour (dépend de f(n)) 7