Algoritmo greedy

Da Wikipedia, l'enciclopedia libera.

Un algoritmo greedy è un algoritmo che cerca di ottenere una soluzione ottima da un punto di vista globale attraverso la scelta della soluzione più golosa (aggressiva o avida, a seconda della traduzione preferita del termine greedy dall'inglese) ad ogni passo locale. Questa tecnica consente, dove applicabile (infatti non sempre si arriva ad una soluzione ottima), di trovare soluzioni ottimali per determinati problemi in un tempo polinomiale (cfr. Problemi NP-Completi, cioè problemi di soluzione non deterministica polinomiale).

Esempi esplicativi[modifica | modifica wikitesto]

Il problema "Dai il minor numero di monete di resto utilizzando monete da 100, 10, 1 eurocent" è un problema risolvibile tramite un algoritmo di tipo greedy: ad ogni passo viene controllato il resto ancora da dare e si aggiunge la moneta con valore maggiore possibile. Quindi per dare un resto di 112 eurocent la macchina farà cadere in sequenza una moneta da 100, poi 10, poi 1, e infine ancora 1 eurocent (per un totale di 4 monete).

Il problema comunemente detto "del Commesso Viaggiatore", cioè "dato un numero di consegne e di ritiri con un mezzo che ha una portata massima P, si organizzi il viaggio che consente di viaggiare il minor numero di km con il maggior carico possibile per ottenere il massimo guadagno", non è un problema risolvibile tramite un algoritmo di tipo greedy, ma solo tramite algoritmi per problemi NP-Completi.

Facciamo notare che il problema del primo esempio, che possiamo chiamare "Minor monete di resto", è risolvibile grazie ad un algoritmo greedy solo per quell'insieme di valori di monete: se infatti avessimo anche monete da 105 eurocent (valori monete: 105, 100, 10, 1), l'algoritmo greedy darebbe un totale di 8 monete (una da 105 e 7 da 1), quando posso trovare una soluzione ottima con 4 monete (100+10+1+1).

Definizione formale[modifica | modifica wikitesto]

In combinatoria e in ottimizzazione per algoritmo greedy si intende un algoritmo che consente di individuare una base di una matroide finita procedendo in modo notevolmente semplice ed efficiente.

Consideriamo l'insieme E e una famiglia F di sottoinsiemi di E ( F \subseteq 2^E) che forma un ideale d'ordine rispetto alla relazione di inclusione:

A \in F \and B \subseteq A \to B \in F

La coppia E,F forma un sistema di indipendenza. Viene definita inoltre la funzione peso w.

Dato un sistema di indipendenza E,F e una funzione peso w, si ricava un insieme M tale che w(M) sia il massimo.

Descrizione dell'algoritmo[modifica | modifica wikitesto]

Si consideri un matroide degli indipendenti M = (E,I). L'algoritmo si serve di un insieme variabile X che viene progressivamente ampliato fino a individuare una base.

  • Inizialmente assegniamo l'insieme vuoto all'insieme variabile X.
  • Procediamo a considerare successivi elementi x in E non contenuti in X;
    • Se X \cup \{x\} è indipendente, allora trasformiamo il precedente X aggiungendogli x, cioè applichiamo l'istruzione X := X \cup \{x\}. In caso contrario il processo si conclude.

Il risultato è chiaramente un insieme indipendente. Esso inoltre è un insieme indipendente massimale, in quanto se B U {x} non è indipendente per qualche sottoinsieme B di X, allora X \cup \{x\} non è indipendente (in caso contrario si andrebbe contro la proprietà di ereditarietà). Quindi se trascuriamo un elemento non avremo l'opportunità di utilizzarlo più tardi.

Matroidi pesati e algoritmi greedy[modifica | modifica wikitesto]

Generalizziamo questo algoritmo per risolvere un problema più difficile.

Una funzione peso w : ER+ per un matroide M=(E, I) assegna un peso strettamente positivo a ciascun elemento di E. Estendiamo la funzione ai sottoinsiemi di E attraverso la somma; w(A) è la somma dei w(x) sugli x in A. Un matroide con una funzione peso associata è detto un matroide pesato.

Come semplice esempio, diciamo di voler trovare la massima foresta di copertura di un grafo. Ovvero, dato un grafo e un peso per ogni arco, trovare una foresta contenente ogni vertice e che massimizzi il peso totale degli archi nell'albero. Questo problema si presenta in alcune applicazioni di clustering. Se guardiamo alla definizione del matroide foresta sopra, vediamo che la massima foresta di copertura è semplicemente il sottoinsieme indipendente con peso totale massimo — tale da ricoprire il grafo, poiché in caso contrario potremmo aggiungere archi senza creare cicli. Ma come lo troviamo?

Un insieme indipendente di massimo peso totale è chiamato insieme ottimale. Gli insiemi ottimali sono sempre basi, perché se può essere aggiunto un arco, dovrebbe essere fatto; ciò aumenta solo il peso totale. Si può dimostrare che esiste un banale algoritmo greedy per calcolare un insieme ottimale di una matroide pesata. Procede come segue:

  • Sia A l'insieme vuoto.
  • Per ogni x in E, preso in ordine (monotonicamente) decrescente di peso
    • se A U {x} è indipendente, allora A diventi A U {x}.

Tale algoritmo trova una base, poiché si tratta di un caso speciale del precedente algoritmo. Sceglie sempre l'elemento di massimo peso possibile preservando l'indipendenza (da cui il termine "greedy"). Ciò produce sempre un insieme ottimale: supponiamo che produca A=\{e_1,e_2,\ldots,e_r\} e che B=\{f_1,f_2,\ldots,f_r\}. Ora per ogni k con 1\le k\le r, consideriamo gli insiemi aperti O_1=\{e_1,\ldots,e_{k-1}\} e O_2=\{f_1,\ldots,f_k\}. Visto che O_1 è più piccolo di O_2, c'è qualche elemento di O_2 che può essere messo in O_1 mantenendo il risultato indipendente. Tuttavia e_k è un elemento di peso massimale che può essere aggiunto a O_1 per mantenere l'indipendenza. Per cui e_k è di peso non inferiore di qualche elemento di O_2, e quindi e_k è of almeno di peso pari a f_k. Poiché questo vale per ogni k, A è più pesante di B.

Il modo più facile per traversare i membri di E nell'ordine desiderato è di ordinarli. Ciò richiede tempo O(|E|log|E|) utilizzando un algoritmo di ordinamento. Abbiamo anche bisogno di test per ogni x per determinare se A U {x} è indipendente; assumendo che il test di indipendenza richieda tempo O(f(|E|)) time, il tempo complessivo per l'algoritmo è O(|E|log|E| + |E|f(|E|)).

Se vogliamo trovare un albero di copertura minimo invece, semplicemente "invertiamo" la funzione peso sottraendola da una grande costante. Più precisamente, sia wmin(x) = W - w(x), dove W superi il peso totale attraverso tutti gli archi del grafo. Molti altri problemi di ottimizzazione su vari tipi di matroidi e funzioni peso possono essere risolti in questo modo banale, sebbene in molti casi possono essere trovati algoritmi più efficienti che sfruttano proprietà più specifiche.

Notare anche che se prendiamo un insieme I di insiemi "indipendenti" che è un down-set ma non una matroide, allora l'algoritmo greedy non funzionerà sempre. Poiché in tal caso ci sono insiemi indipendenti I_1 e I_2 con |I_1|<|I_2|, ma tali che per nessun e\in I_2\setminus I_1 è I_1\cup e indipendente.

Prendiamo un \varepsilon>0 e \tau>0 tali che (1+2\varepsilon)|I_1|+\tau|E|<|I_2|. Pesiamo gli elementi di I_1\cup I_2 nell'intervallo da 2 a 2+2\varepsilon, gli elementi di I_1\setminus I_2 nell'intervallo da 1+\varepsilon a 1+2\varepsilon, gli elementi di I_2\setminus I_1 nell'intervallo da 1 a 1+\varepsilon, e il resto nell'intervallo da 0 a \tau. L'algoritmo greedy sceglierà gli elementi di I_1, e in seguito non potrà scegliere nessun elemento di I_2\setminus I_1. Di conseguenza l'insieme indipendente che costruisce sarà di peso non superiore a (1+2\varepsilon)|I_1|+\tau|E|+|I_1\cup I_2|, che è più piccolo del peso di I_2.

Voci correlate[modifica | modifica wikitesto]

matematica Portale Matematica: accedi alle voci di Wikipedia che trattano di matematica