Randomized Algorithms Eduardo Laber Loana T. Nogueira.

Randomized Algorithms

Eduardo LaberLoana T. Nogueira

Quicksort

Objective

Quicksort

Objective

– Sort a list of n elements

An Idea

An Idea

Imagine if we could find an element y S such that half the members of S are smaller than y, then we could use the following scheme

An Idea


Partition S\{y} into two sets S1 and S2

An Idea



S1: elements of S that are smaller than y S2: elements of S that are greater than y

An Idea



S1: elements of S that are smaller than y S2: elements of S that are greater than y

Recursively sort S1 and S2

Suppose we know how to find y


Time to find y: cn steps, for some constant c



we could partition S\{y} into S1 and S2 in n-1 additional steps




T(n) 2T(n/2) + (c+1)n

The total number os steps in out sorting procedure would be given by the recurrence




T(n) 2T(n/2) + (c+1)n

The total number os steps in out sorting procedure would be given by the recurrence

c’nlogn

What´s the problem with the scheme above?

Quicksort

What´s the problem with the scheme above?

Quicksort

How to find y?

Deterministic Quicksort

Let y be the first element of S



Split S into two sets: S< and S>




– S< : elements smaller than y

– S> : elements greater than y




– S< : elements smaller than y

– S> : elements greater than y

Qsort ( S< ), Qsort ( S> )

Performance

– Worst Case: O( n2 )

– Avarage Case: O( nlogn )

Performance

– Worst Case: O( n2 ) (The set is already sorted)

– Avarage Case: O( nlogn )

An Randomzied Algorithm

An Randomzied Algorithm

An algorithm that makes choice (random) during the algorithm execution

Randomized Quicksort (RandQS)


Choose an element y uniformly at random of S


Choose an element y uniformly at random of S – Every element of S has equal probability fo being

chosen



chosen

By comparing each element fo S with y,

determine S< and S>



chosen


determine S< and S>

Recursively sort S< and S>



chosen


determine S< and S>

Recursively sort S< and S>

– OUTPUT: S<, followed by y and then S>

Intuition

For some instance Quicksort works very bad O( n2 )

Intuition

For some instance Quicksort works very bad O( n2 )

Randomization produces different executions for the same input. There is no instance for which RandQS works bad in avarage

Analysis

Analysis

For sorting algorithms: we measure the running time of RandQS in terms of the number of comparisons it performs

Analysis


This is the dominat cost in any reasonable implementation

Analysis


This is the dominat cost in any reasonable implementation

Our Goal: Analyse the expected number of comparisons in an execution of RandQS

Analysis

Si: the ith smallest element of S

Analysis


S1 is the smallest element of S

Analysis


S1 is the smallest element of SSn is the largest element of S

Analysis


Define the random variable


xik = 1, if Si and Sj are compared

0, otherwise

Analysis


Define the random variable


xik = 1, if Si and Sj are compared

0, otherwise

Dado um experimento aleatório com espaço amostral S, uma variável aleatória é uma função que associa a cada elemento amostral um número real

Analysis

Xij is a count of comparisons between Si and Sj:

The total numberof comparisons:

i = 1

n

j > iXij

Analysis



i = 1

n

j > iXij

We are interested in the expected number of comparisons

E[ ] i = 1

n

j > iXij

Analysis



i = 1

n

j > iXij

We are interested in the expected number of comparisons

E[ ] = i = 1

n

j > iXij

i = 1

n

j > iE[Xij]

By the linearity of E[]

Analysis

Pij: the probability that Si and Sj are compared in an execution

Analysis

Pij: the probability that Si and Sj are compared in an execution

Since Xij only assumes the values 0 and 1,

ikikikik PPPXE )1(01ij ij ij ij

Analysis – Binary Tree T of RandQS

Each node is labeled with a distinct element of S

y

T



y

T

S<



y

T

S< S>



y

T

S< S>

The root of T is compared to the elements in the two sub-trees,but no comparisons is perfomed between an element of the left and righ sub-trees



y

T

S< S>

The root of T is compared to the elements in the two sub-trees,but no comparisons is perfomed between an element of the left and righ sub-trees

There is an comparison betweenSi and Sj if and only if one of these elements is an ancestor of the other


Consider the permutation obtained by visiting the nodes of T in increasing order of the level numbers, and in a lef-to-rigth order within each level

Example: S=(3, 6, 2, 5, 4,1)

Example: S=(3, 6, 2, 5, 4,1)

2

Example: S=(3, 6, 2, 5, 4,1)

2

1

{3, 6, 5, 4}{1}

Example: S=(3, 6, 2, 5, 4,1)

2

1 5

{3, 6, 5, 4}

{6}{3, 4}

{1}

Example: S=(3, 6, 2, 5, 4,1)

2

1 5

{3, 6, 5, 4}

4 6

3

{6}{3, 4}

{3}

{1}

Example: S=(3, 6, 2, 5, 4,1)

2

1 5

{3, 6, 5, 4}

4 6

3

{6}{3, 4}

{3}

{1}

= (2, 1, 5, 4, 6, 3)

Back to the Analysis

To compute pij we make two observations:– There is a comparison between Si and Sj if and only

if Si or Sj occurs earlier in the permutation than any element Sl such that i < l < j

Any of the elements Si, Si+1, ..., Sj is likely to be the first of theses elements to be chosen as a partitioning element, and hence to appear first in

The probability that this first element is either Si or Sj is exactly 2/(j-i+1)

Análise

Therefore,

Pij = 2/(j-i+1)

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij =

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij = 2/(j-i+1)

i = 1

n

j > i

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij = 2/(j-i+1)

i = 1

n

j > i

2/ki = 1 k=1

n n-1+1

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij = 2/(j-i+1)

i = 1

n

j > i

2/ki = 1 k=1

n n-1+1

2i = 1 k=1

n n

1/k

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij = 2/(j-i+1)

i = 1

n

j > i

2/ki = 1 k=1

n n-1+1

2i = 1 k=1

n n

1/kSérie Harmônica

Análise

Therefore,

Pij = 2/(j-i+1)

i = 1

n

j > iE[Xij] =

i = 1

n

j > iPij = 2/(j-i+1)

i = 1

n

j > i

2/ki = 1 k=1

n n-1+1

2i = 1 k=1

n n

1/kSérie Harmônica 2 nln n

RandQs x DetQs

Expected time of RandQs: O( nlogn ) A certain expected value may not garantee a reasonable

probability of success. We could have, for example, the following probabilities

nnlog of executing O( n2 ) operations

of executing O( nlogn ) operations1- n

nlog

RandQs x DetQs

For n=100 => in 7 % cases, the algorithm would execute in O( n2 ).

Some times we want to garantee that the algorithm performance will not be far from its avarage one

RandQs x DetQs

For n=100 => in 7 % cases, the algorithm would execute in O( n2 ).

Some times we want to garantee that the algorithm performance will not be far from its avarage one

Objective: Prove that with high probability the RandQS algorithm works well

High Probability Bound


The previous analysis only says that the expected running time is O(nlog n)


The previous analysis only says that the expected running time is O(nlog n)

This leaves the possibility of large “deviations” from this expected value


RECALL:– Quicksort choses a pivot at random from the input

array



array– Splits it into smaller and larger elements



array– Splits it into smaller and larger elements– Recurses on both subarrays




Fix an element x in the input




Fix an element x in the inputx belogs to a sequence of subarrays




Fix an element x in the inputx belogs to a sequence of subarrays

x´s contribution to the running time is proportional to the number of different subarrays it belongs


Every time x is compared to a pivot, its current subarray is split and x goes to one of the subarrays



With high probability, x is compared to O(log n) pivots



With high probability, x is compared to O(log n) pivots

With probability 1- n-c, for some pos. constant c

GOOD and BAD Splits

GOOD and BAD Splits

We say that a pivot is good if each of the subarrays has size at most ¾ (equivalently,at least ¼) of the size of the split subarray

GOOD and BAD Splits


Otherwise, it is bad

GOOD and BAD Splits


Otherwise, it is bad The probability of a good and of a bad split is ½

GOOD and BAD Splits


Otherwise, it is bad The probability of a good and of a bad split is ½

X can participate in at most log4/3 n good splits


Upper bound the probability of less than M/4 good splits in M splits



Set M so that log4/3 n M/4



Set M so that log4/3 n M/4 Let M = 32 ln n:



Set M so that log4/3 n M/4 Let M = 32 ln n log4/3 n 8 ln n

Good choice




exp(-M/8) 1/n4

Good choice




exp(-M/8) 1/n4

The probablility of participating in more than M = 32 ln n splits is less than 1/n4

Good choice


The probability that any element participates in more than M=32 ln n splits is less than 1/n3


The probability that any element participates in more than M=32 ln n splits is less than 1/n3

With probability at least 1-1/n3, the running time of quicksort is O(n log n)

Advantages of Randomized Algorithms

For many problems, randomized algorithms run faster than the best know deterministic algorithms

Many randomized algorithms are simpler to describe and implement than deterministic algorithms for comparable performance

Minimum Cut Problem

Entrada:

– Grafo G=(V,E)

Saída:

– Conjunto S V que minimiza , ou seja, o

número de arestas que tem uma extremidade em S

e outra em

SSe ,

S

Minimum Cut Problem

S S 3, SSe

Notação– d(v) : grau do vértice v no grafo– N(v) : vizinhança de v

Minimum Cut Problem - Applications

Network Reliability: If a graph has a small min-cut, then it is poorly connected

Clustering– Web pages = nodes– Hyperlinks = edges

Divide the graph into cluster with little connection between different clusters.

Contração de arestas

Dado um grafo G=(V,E) e uma aresta e=(u,v), a contração da aresta e produz o grafo G/e=(V’, E’), onde

,,' uvvuVV

evuvuEE de esextremidad sãoe|,'

EvxEuxvuxuvx ,ou,e,|,

Contração de arestas - Exemplo

G G/ea

b

c

d

uv

f

g

a

b

c

d

u v

f

g

e

Lema 1

Lema 1: o tamanho do corte mínimo em G/e é maior ou igual ao tamanho do corte mínimo em G

Lema 1

Lema 1: o tamanho do corte mínimo em G/e é maior ou igual ao tamanho do corte mínimo em G

Prova: podemos associar cada corte em G/e a um corte em G com mesmo tamanho. Basta substituir em S os nós obtidos por contração pelos nós originais.

Lema 2

Lema 2: Se o corte mínimo em um grafo tem

tamanho k, então d(v) k, para todo v V.

Lema 2

Lema 2: Se o corte mínimo em um grafo tem

tamanho k, então d(v) k, para todo v V.

Prova: Caso contrário S={ v } seria um corte de

tamanho menor que k.

Corolário

Corolário 1: Se o corte mínimo em um grafo

tem tamanho k, então |E| k.n/2

Corolário

Corolário 1: Se o corte mínimo em um grafo tem tamanho k, então |E| k.n/2

Prova: Segue do lema 2 e de que

2

Vv

vdE

Randomized MinCut

G0 G

Para i=1 até |V|-2

– selecione aleatoriamente ei em Gi-1

– faça Gi = Gi-1 / ei

Retorne os vértices de um dos supervértices obtidos

Probabilidade

Lema 3: Seja t1, t2, ..., tk uma coleção de eventos. Temos que

k

i

i

jji

k

ii ttt

1

1

11

PrPr Prova:

Base:

1

122 Pr

PrPrt

tttt i okPrPrPr 12121 ttttt

Assuma que vale para k, provar para k+1.

Teorema

Seja C = { e1, e2, ..., ek } um corte mínimo no

grafo G=(V,E). Se nenhuma aresta de C é

escolhida pelo RndMinCut, então as arestas

que sobram no grafo final são as arestas de C.

Teorema - prova

Sejam A e B os dois supervértices obtidos e seja AC e BC as componentes conexas obtidas retirando C.

Como nenhuma aresta de C foi escolhida:

CC

CC

BBABBAAA

oue,ou

Teorema - prova

Logo, A=AC e B=BC

De fato, assuma que a AC e b BC tal que a,b A . Neste caso, existe um caminho em A entre a e b que utiliza somente arestas escolhidas pelo algoritmo. Como qualquer caminho entre a e b tem que utilizar arestas de C, logo uma aresta de C é escolhida. Contradição!

Análise

Seja C o conjunto de arestas de um corte mínimo em G.

Calculamos a probabilidade do algoritmo não escolher nenhuma aresta de C para contração. Se isto acontece, o algoritmo retorna um corte mínimo.

Análise

Sortei : evento indicando que o algoritmo não sorteou uma aresta de C na i-ésima iteração.

2

1

PrCencontrar Pr

mínimo corteencontrar Prn

iisorte

Análise

Temos:

2

1

1

1

2

1

PrPrn

i

i

jji

n

ii sortesortesorte

EC

sorte 1Pr 1

Segue da relação entre o tamanho do corte e o número de arestas (corolário 1) que:

n

nsorte 2Pr 1

Análise

Na segunda iteração o grafo G1 tem n-1 vértices e seu corte mínimo tem tamanho |C|.

Logo,

13

12

1Pr 12

nn

CnC

sortesorte

Análise

Em geral,

Segue que,

121Pr

1

1

insortesorte

i

jji

12

121Pr

2

1

2

1

nninsorte

n

i

n

ii

Análise

Logo, conseguimos um min-cut com probabilidade maior ou igual a

12nn

n=100 => 0,02 % (RUIM)

O que fazer ?

Randomized MinCut 2

Repetir o processo RndMinCut várias vezes e devolver o melhor corte encontrado

Repetindo K vezes a probabilidade de encontrar o corte mínimo é

K

nn

1

211

Análise

Repetindo n2/2 vezes a probabilidade de sucesso é (e-1)/e 64 %

K repetições => O (K.m) tempo

Complexidade do Algoritmo mais rápido de Karger

Running time: O(n2 log n)

Space: O(n2)

Este algoritmo encontra um min-cut com probabilidade

(1/log n) [D. Karger e C. Stein, Stoc 1993]

Quem se habilita ?

Minimum Cut Problem – Deterministic Algorithm Complexity

O(nm log n2/m)

J. Hao and J. B. Orlin[1994] (baseado em fluxo em redes)

Dois tipos de algoritmos randomizados

Algoritmos Las Vegas– Sempre produzem a resposta correta– Tempo de execução é uma variável aleatória

Exemplo: RandQs– Sempre produz seqüência ordenada– Tempo de término varia de execução para

execução em uma dada instância

Dois tipos de algoritmos randomizados

Algoritmos Monte-Carlo– Podem produzir respostas incorretas– A probabilidade de erro pode ser cotada– Executando o algoritmo diversas vezes podemos

tornar a probabilidade de erro tão pequena quanto se queira

Exemplo: Min-Cut

MAX SAT

Entrada n variáveis booleanas : x1,... Xn

m cláusulas : C1,... Cm

Pesos wi >= 0 para cada clausula Ci

Objetivo : Encontrar uma atribuição de verdadeiro/falso para xi que maximize a soma dos pesos das clausulas

satisfeitas

MAX SAT

Algoritmo Aleatorizado

Para i=1,...,nSe random(1/2) = 1

xi true

Senãoxi false

Com probabilidade ½ dizemos que uma variável é verdadeira ou falsa

MAX SAT

Teorema : O algoritmo tem aproximação ½Prova: Considere a variável aleatória xj

Logo,

)()()( jj

jjj

j xEwxwEwE

jj

j xww

contrário caso 0,

satisfeita é j clausula a se ,1jx

MAX SAT

E(xj) = Pr(clausula j ser satisfeita)

Lj : número de literais na clausula j

Obs: A clausula j não é satisfeita somente se todos literais forem 0

Cj = (x1 v x3 v x5 v x6)

Devemos ter x1=0, x3 = 1, x5 =0 e x6 =0

Probabilidade = (1/2)4

Caso Geral=(1/2)Lj

MAX SAT

Probabilidade da clausula j ser satisfeita é 1-(1/2)Lj

Logo,

0,5-aproximação

Obs: é um limite superior

22211)( OPT

wwwE j

j

j

L

j

j

j

jw

MAX SAT

O que aconteceria se toda clausula tivesse exatamente 3 literais?

7/8-aproximação

Hastad 97) Se MAXE3SAT tem aproximação (7/8 + para algum > 0, P = NP

jj

jj wwwE

87

211)(

3

MAX SAT: Desaleatorização

C1 = (x1 v x2 v x3) w1

C2 = ( x2 v x3 ) w2

Cada folha da árvore corresponde a um atribuição:Cada folha esta associada a um peso (soma dos pesos

das clausulas satisfeitas pela atribuição correspondente a folha)

MAX SAT: Desaleatorização

E(c(I)) = 7/8 w1 + w2 /2

Randomized Algorithms Eduardo Laber Loana T. Nogueira.

Documents

Transcript of Randomized Algorithms Eduardo Laber Loana T. Nogueira.