8.2 Luokat L ja NL. Ohjelmistotekniikan laitos OHJ-2300 Johdatus tietojenkäsittelyteoriaan, syksy

Samankaltaiset tiedostot
Bernoullijakauma. Binomijakauma

KUNTIEN ELÄKEVAKUUTUS VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET

Luento 6 Luotettavuus Koherentit järjestelmät

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

7. Menetysjärjestelmät

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Tchebycheff-menetelmä ja STEM

VÄRÄHTELYMEKANIIKKA SESSIO 24: Usean vapausasteen vaimenematon ominaisvärähtely osa 2

Raja-arvot. Osittaisderivaatat.

Jaksolliset ja toistuvat suoritukset

Aluevarausmerkinnät: T/kem Maakuntakaava

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Videokoulu PASSE LEI TA VI NKKE JÄ TA RIN A N K E RT OJ A L L E

Harjoituksen pituus: 90min 3.10 klo 10 12

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Aksiaalinen rakenne koostuu suoralla peräkkäin olevista sauvoista kuvan 2.1 mukaisesti. Aksiaalinen rakenne ei ole yleinen sovelluksissa,

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY

Jarmo Kuusela PL VAASA MAAPERÄTUTKIMUS LAKEUDEN ANKKURI, SEINÄJOKI

Ilkka Mellin (2008) 1/24

Joulukuun vaativammat valmennustehtävät ratkaisut

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Painotetun metriikan ja NBI menetelmä

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

VÄRÄHTELYMEKANIIKKA SESSIO 23: Usean vapausasteen vaimenematon ominaisvärähtely osa 1

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

6. Stokastiset prosessit (2)

Palkanlaskennan vuodenvaihdemuistio 2014

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

HASSEN-WEILIN LAUSE. Kertausta

9 Lukumäärien laskemisesta

ABTEKNILLINEN KORKEAKOULU

4.7 Todennäköisyysjakaumia

Kun annettu differenssiyhtälö z-muunnetaan puolittain, saadaan: 1 1 z Y z zy z z/4 4

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

funktiojono. Funktiosarja f k a k (x x 0 ) k

SOVELLUSOHJELMAT HARJOITUSTYÖ

1, x < 0 tai x > 2a.

S /142 Piirianalyysi 2 1. Välikoe

Mat Lineaarinen ohjelmointi

3 Tilayhtälöiden numeerinen integrointi

C (4) 1 x + C (4) 2 x 2 + C (4)

Tchebycheff-menetelmä ja STEM

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Telecommunication engineering I A Exercise 3

r i m i v i = L i = vakio, (2)

q =, r = a b a = bq + r, b/2 <r b/2.

Viime kerralta: Puheentuotto (vokaalit)

1. välikoe

. C. C Kirjoitetaan sitten auki lineaarisuuden määritelmän oikea puoli: αt{i c1 } + βt{i c2 } = α

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Mat Sovellettu todennäköisyyslasku A

SMG-1100: PIIRIANALYYSI I

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

t P1 `UT. Kaupparek. nro Y-tunnus Hämeenlinnan. hallinto- oikeudelle. Muutoksenhakijat. 1( UiH S<

Eo C)sl. oarl. d to E= J. o-= o cy) =uo. f,e. ic v. .o6. .9o. äji. :ir. ijo 96. {c o o. ';i _o. :fe. C=?i. t-l +) (- c rt, u0 C.

S SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA Aalto-yliopisto, sähkötekniikan korkeakoulu

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Aamukatsaus

Usko, toivo ja rakkaus

b 4i j k ovat yhdensuuntaiset.

Optioiden hinnoittelu binomihilassa

POIKKILEIKKAUKSEN GEOMETRISET SUUREET

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

K Ä Y T T Ö S U U N N I T E L M A Y H D Y S K U N T A L A U T A K U N T A

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Matematiikan tukikurssi

Luento 6 Luotettavuus ja vikaantumisprosessit

PRS-xPxxx- ja LBB 4428/00 - tehovahvistimet

( ) ( ) Tällöin. = 1 ja voimme laskea energiatason i. = P n missä

KITTILÄ Levi MYYDÄÄN LOMARAKENNUS- KIINTEISTÖ 48. Kohde /2 YLEISKARTTA

Sattuman matematiikkaa III

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Baltian Tie 2001 ratkaisuja

PPSS. Roolikäyttäytymisanalyysi Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN Vantaa info@mlp.

Luento 2 / 12. SMG-1200 Piirianalyysi II Risto Mikkonen

Luku 11. Jatkuvuus ja kompaktisuus

1 Tarkastelun lähtökohdat

MATA172 Sami Yrjänheikki Harjoitus Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki!

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24

Terveytemme Termisanasto ja tilastolliset menetelmät

Suoran sovittaminen pistejoukkoon

Transkriptio:

283 8.2 Loat L ja NL Aavaatvsaalyysssä e ole järevää tarastella alleaarsa vaatvsloa, osa oo syötettä e yetä lemaa alle leaarsessa ajassa e sjaa oo syötettä e välttämättä tarvtse tallettaa, jote o meleästä tarastella alleaarsa tlavaatvsloa Lasetamalla tlee to mttaa Oloo Trg oeella työaha lsäs erlle syöteaha, jolle e voda rjottaa mtää Va varsaselta työahalta äytetty tla lasetaa oee vaatmas tlas 284 Loa L o determstsellä Trg oeella logartmsessa tlassa ratastave elte loa L = DPACElog NL o vastaava loa epädetermstslle oelle Aemm tarastelmme ele { 0 0 } tstavaa Trg oetta, joa vaat leaarse tla Aet merjoo lme elee vodaa ratasta jo logartmsessa tlassa Rttää lasea olle lmäärä ja yöste lmäärä seä tehdä tarpeellset tarstset. Lmäärä bäärestys o oretaa logartme syöttee ptde shtee

285 Aemm osotmme, että ogelma PATH: "Oo G:ssä satt pol s:stä t:he?" l P:he Aemp algortm vaat pahmmassa tapasessa leaarse tla Determststä logartmsessa tlassa tomvaa algortma e teta ogelmalle PATH e sjaa epädetermste logartmse tla vaatva algortm o olemassa Lähte solmsta s tosta oretaa m aselta Jos yysolm o t, hyväsy Talleta teto yysestä solmsta työahalle log-tla Epädetermstsest valtse ys seraajsta 286 Pellä tlavaatvslla f shde aavaatvtee 2 Of e eää välttämättä päde Esmers vaotla O vaatva Trg oe vo vaata leaarse O aselte lmäärä Nässä tapasssa aavaatvdella o asymptootte yläraja 2 Of K f log, 2 Of = 2 Of Myös avtch lase pätee sellaseaa f log PATH ss l NL:ää, mtte lltavast L:ää Itse asassa e teta yhtää loa NL ogelmaa, joa votas todstaa oleva L: lopolella 2

287 L =?= NL o ss vastaava ysymys P =?= NP Vodaa määrtellä NL-täydellset elet, loa NL ae vaempa elä Polyome palats e teaa elpaa määrttelyy, osa a loa NL ogelmat ovat polyomsessa ajassa rateava Täte a mt ogelmat pats ja * ovat polyomsest tossa palatettavssa e sjaa äytetää logartmse tla palatvtta L Fto o lasettavssa logartmsessa tlassa, jos se arvo laseva Trg oe äyttää työahaltaa va Olog tla 288 Lase 8.23 Jos A L B ja B L, A L. Korollaar 8.24 Jos jo NL-täydelle el o L:ssä, L = NL Lase 8.25 PATH o NL-täydelle el. Korollaar 8.26 NL P. Todsts. Lasee 8.25 persteella mlle tahasa loa NL elelle A pätee A L PATH. Tla f vaatva Trg oe tom ajassa 2 Of, jote logartmsessa tlassa tomva palatsfto laseva oe tom myös polyomsessa ajassa. Kosa A mp PATH ja PATH P, lasee 7.4 persteella myös A P. 3

289 9. Approsmot Tarastellaa ogelmaa, jossa o aett Persjoo U, jossa o m alota Persjoo osajooje ooelma = {,, } s.e. = U Tavotteea o löytää osapete, = U, jossa o mahdollsmma vähä osajooja Tämä ogelma o mm joopete Mmm et Cover, mc Ys vahmmsta ja ete tttsta ombatorssta optmotogelmsta 290 Ogelma päätösverso Aetta: persjoo U, pete ja ooasl Kysymys: oo U:lla osapetettä s.e. '? Lase 9. Mm joopete -ogelma päätösverso o NPtäydelle. Todsts. elväst mc NP: Arvataa aetsta petteestä : osajoo osapete ' ja tarstetaa determstsest polyomsessa ajassa ratas. 4

29 Polyome palats VC mp mc o helppo modostaa. Ol. G, solmpeteogelma tapas, mssä G = V, E. Valtaa vas f: fv, E, = E, V E,, mssä V E o vero G solmh lttyve aarte modostama ooelma. s joasta v V vastaa joo { e E e = v, w }. elväst f o polyomsessa ajassa lasettavssa ja o palats. 292 2 4 2 2-4 4 3-2 2-3 -3 3 5

293 mc ss o laseallsest vaatva ogelma, emme te slle polyomaasta ratasalgortma Pyrmme löytämää polyomsessa ajassa tomva algortm, joa tottama ratas e välttämättä ole paras mahdolle optmaale, mtta joa vodaa osottaa aa oleva oretaa syöttee ptdesta rppva fto verra optmaalsta ratasa hoomp Tällasta algortma tstaa approsmotalgortms Mertää, että Opt o optmaalse ja App approsmotalgortm tottama ratas stas 294 Kosa mc o mmotogelma, App/Opt Mtä lähempää arvoa tämä shdel o, se paremm totett ratas approsmo optmaalsta ratasa Approsmotalgortmlta ss vaadtaa, että osamäärää rajottaa syöttee ptde fto App Opt o algortm approsmotshde Algortma mtetää -approsmotalgortms Parhammllaa approsmotshde e rp lasaa syöttee ptdesta, vaa o vao 6

295 Tarastellaa seraavaa algortma solmpeteogelmalle Osotamme, että se o 2-approsmotalgortm ogelmalle yöte: taamato vero G = V, E Tloste: olmpete C. C ; 2. E'E; 3. whle E do a. oloo, v mv. joo E' aar; b.cc{,v}; c. Posta E':stä a solmh ja v lttyvät aaret; 4. od; 5. retr C; 296 Esmmäe satae aare valta: b, c b c d a e f g 7

297 Postetaa solmh b ja c lttyvät mt aaret b c d a e f g 298 eraava satae valta: e, f ja se solmh lttyve mde aarte posto b c d a e f g 8

299 Valttavaa o eää d, g aadaa ss 6: solm pete, optmaalsessa o 3 solma esm. b, d, e b c d a e f g 300 Lase 9.2 Edelle algortm o polyomaae 2- approsmotalgortm solmpeteogelmalle. Todsts. Algortm aavaatvs, äyttäe verslstaestystä verolle, o OV + E, jote se o polyomaae. O selvää, että algortm palattama solmjoo C o solmpete Vero G aarlle, osa solmja lsätää C:he rv 3 slmassa es a aaret o petetty. Oloo A algortm rvllä 3a valtseme aarte joo. e ssältäme aarte pettämses mssä tahasa solmpetteessä ertysest myös optmaalsessa solmpetteessä o oltava aa joo A aare toe pää. 9

30 Kosa joo A ssältäme aarte päätepsteet ovat algortm toma persteella tosstaa poeavat, A o alaraja mä tahasa solmpettee oolle. Ertysest Opt A. Tosaalta yo. algortm valtsee rvllä 3a aa aare, joa mpaa pää e velä ole joossa C. Täte App = C = 2 A. Edellset yhdstämällä, saamme App = 2 A 2 Opt, jote App/Opt 2. 302 Myös joopeteogelmalla o ysertae ahe approsmotalgortm Tällä eä mllää mllaaa polyomaasella determstsellä algortmlla e teaa voda saavttaa vaoapprosmotvtta yöte: Persjoo U ja se pete Tloste: Joopete C. XU; C; 2. whle X do a. valtse s.e. X masmot; b.xx\'; c. CC { }; 3. od; 4. retr C; 0

303 2 6 3 4 5 304 Ahe: 4 osajooa 2 6 3 4 5

305 Optmaale: 3 osajooa 3 4 5 306 Ahe algortm o helppo totettaa syöttee ptde U ja shtee polyomsessa ajassa Rv 2 slmaa sortetaa oretaa m U, ertaa ja slma rgo sorts o helpost totetettavssa ajassa O U Kaaa ss vaatvs o O U m U, Myös leaaraae totets o mahdolle Algortm palattama ooelma C o selväst joopete, osa rv 2 slmaa sortetaa es pettämättömä alota e eää ole 2

307 Ahee algortm palattama joopettee stase shtattamses, asetetaa lle valtlle joolle stas Oloo ahee algortm :teä valtsema joo : stas jaetaa tasa ae she ssältyve alode ese, jota tlevat yt es erra petettyä Mer. c o alolle U lastett stas Klle alolle lastetaa stasta va erra, se es erra petetää Jos tlee es erra petettyä joolla, slle lastett stas o c \ 2 308 Klle ahee algortm valtsemalle joolle aetaa stas, jote App C Optmaalse pettee C* stas polestaa o Kosa joae U l vähtää yhtee C*, Edellset yhdstämällä, seraa c ' C* ' ' C* ' App c U c c U c ' C * ' 3

309 Mertää H:lla :tta harmosta la H j j 2 Määrtellää H0 = 0 eraavas osotamme, että mlle tahasa pätee H ' Edellse epäyhtälö persteella tällö App c ' H ' ' C * C* Hmax{ ' : ' } Opt Hmax{ ' : ' } 30 Lemma 9.3 Kalla pätee c H ' ' Todsts. Oloo mv. ja =, 2,, C. Oloo edellee = \ 2 de : alode lmäärä, jota e ole velä petetty ahe algortm o valt joot, 2,, petteesee. Asetetaa 0 = '. Oloo pe des s.e. = 0, el joae : alo l vähtää yhtee joosta, 2,,. Tällö - ja, =, 2,,, pettää esmmäse erra - - alota. 4

5 3 Nyt Kosa o aheest valtt joo, se pettää vähtää mota alota joo ' ta mto ' ols ptäyt valta. Nä olle joa persteella. \ ' c '\ \ '. c 32 osa j -. Edellee sllä smma mt termt moavat tosesa., ' j j j c, 0 j j H H H H j j

33 Kosa vala persteella = 0 ja H0 = 0, edellee = H 0 -H0 = H 0 = H ' jote olemme todstaeet lemma. Harmoselle lvlle H pätee l < H l + Täte edellä ollesta seraa: Lase 9.4 Joopeteogelma aheelle algortmlle pätee App Opt H max{ ' : ' } l U 34 Jossa sovellsssa max { ' : } o pe vao Tällö ahee algortm atama vastas o va pee vao päässä optmaalsesta Ertysest, jos osajoolla ' o yläraja d oolle, App/Opt Hd Esmers solmpete-ogelmassa solmje aste o oretaa 3, ahee joopete -algortm palattama vastas e ole oretaa H3 = /6 < 2 ertaa sr optmaale pete 6

35 Fege, 996: ysää polyomaae algortm e vo approsmoda mc-ogelmaa tardella -l m, mllä tahasa > 0, jolle NP DTIME loglog Täte ahetta algortma oleellsest parempaa approsmotalgortma e voda löytää laví, 996: Ahee algortm approsmotshtee taremp yläraja o: l m-l l m + Itse asassa tämä o myös alaraja ahee algortm approsmotshteelle Asymptoottsest l m-l l m + o ss ahee algortm täsmälle approsmotshde 7