‫به نام خدا‬

‫اللَهُمَّ إنّي اَعوذُ بِکَ مِن عِلمٍ الیَنفَع (خداوندا! پناه ميبرم به تو از علمي که نفعي نداشته باشد)‬

‫طراحی الگوریتم‬
‫‪Algorithm Design‬‬

‫حمیدرضا نیرومند‬
‫‪http://niroomand.ir‬‬
 ‫فهرست‬
‫فصل اول‪ :‬نقش الگوریتمها در پردازش ‪5 .............................................................................‬‬

‫‪ -1-1‬تعریف چند اصطالح ‪5 ........................................................................................‬‬

‫‪ -1-2‬برخي مسائل که با الگوریتمهای این کتاب‪ ،‬قابل حل هستند ‪7 .............................................‬‬
‫‪ -1-3‬ساختمانهای داده مورد بحث در این کتاب ‪8 ...............................................................‬‬
‫‪ -1-4‬تکنیک ‪8 .......................................................................................................‬‬
‫‪ -1-5‬مسائل سخت ‪9 .................................................................................................‬‬
‫‪ -1-7‬پردازش موازی ‪11 ............................................................................................‬‬
‫‪ 1-8-‬الگوریتم بهعنوان یک فناوری ‪11 ............................................................................‬‬
‫‪ 1-9-‬کارایي ‪12 .....................................................................................................‬‬
‫‪ -1-10‬الگوریتمها و دیگر فناوریها ‪12 .............................................................................‬‬
‫فصل دوم‪ :‬آغاز کار با الگوریتمها ‪15 .................................................................................‬‬

‫‪ -2-1‬مقدمه ‪15 .......................................................................................................‬‬

‫‪ -2-2‬الگوریتم مرتبسازی درجي ‪15 .............................................................................‬‬
‫‪ -2-4‬تحلیل الگوریتمها ‪22 .........................................................................................‬‬
‫‪ -2-5‬تحلیل الگوریتم مرتبسازی درجي ‪23 ......................................................................‬‬
‫‪ -2-7‬تحلیل بهترین و بدترین حالت ‪28 ............................................................................‬‬
‫‪ -2-8‬نرخ رشد ‪29 ...................................................................................................‬‬
‫فصل سوم‪ :‬نرخ رشد توابع ‪31 ..........................................................................................‬‬

‫‪ -3-1‬نرخ رشد توابع ‪31 .............................................................................................‬‬

‫‪ -3-2‬نمادهای تقریبي (یا نمادهای همبستگي یا نمادهای مُجانبي) ‪32 ............................................‬‬
‫‪32 ......................................................................................... 𝞱 –Notation‬‬ ‫‪-3-3‬‬
‫‪33 ......................................................................................... O –Notation‬‬ ‫‪-3-4‬‬
‫‪33 ......................................................................................... Ω –Notation‬‬ ‫‪-3-5‬‬
‫‪ -3-6‬ترتیب رشد توابع مختلف ‪34 .................................................................................‬‬
‫‪35 .......................................................................................... o –Notation‬‬ ‫‪-3-8‬‬
‫‪35 ......................................................................................... ω –Notation‬‬ ‫‪-3-9‬‬

‫‪2‬‬
‫‪ -3-10‬نمادهای استاندارد و توابع عمومي ‪36 ........................................................................‬‬
‫‪ -3-11‬یکنواختي ‪36 ..................................................................................................‬‬
‫‪ -3-12‬باقیمانده ‪38 ....................................................................................................‬‬
‫فصل چهارم‪ :‬الگوریتمهای بازگشتي ‪39 ...............................................................................‬‬

‫‪ -4-1‬الگوریتم بازگشتي ‪39 .........................................................................................‬‬

‫‪ -4-2‬مثالي از الگوریتم بازگشتي برنامهی محاسبه فاکتوریل ‪39 ..................................................‬‬
‫‪ -4-3‬جستجوی دودویي به صورت بازگشتي ‪39 ..................................................................‬‬
‫‪ 4-4-‬اعداد فیبوناچي ‪40 .............................................................................................‬‬
‫‪ -4-5‬مطالعه آزاد نسبت طالیي ‪42 .................................................................................‬‬
‫فصل پنجم‪ :‬تکنیکهای طراحي الگوریتم (‪ :)1‬روش تقسیم و غلبه ‪43 .............................................‬‬

‫‪ -5-1‬طراحي الگوریتمها ‪43 ........................................................................................‬‬

‫‪ -5-2‬روش تقسیم و غلبه ‪43 ........................................................................................‬‬
‫‪ -5-3‬جستجوی دودویي ‪48 .........................................................................................‬‬
‫فصل ششم‪ :‬تکنیکهای طراحي الگوریتم (‪ :)2‬روش حافظه پویا ‪49 ................................................‬‬

‫‪ -6-1‬مقدمه ‪49 .......................................................................................................‬‬

‫‪ -6-2‬الگوریتم مرتبسازی سریع ‪49 ...............................................................................‬‬
‫‪ -6-3‬مسأله ضرب ماتریسها ‪50 ....................................................................................‬‬
‫‪ -6-4‬الگوریتم ضرب ‪52 ............................................................................. Strasson‬‬
‫‪ -6-5‬ضرب اعداد بزرگ ‪53 ........................................................................................‬‬
‫‪ -6-6‬برنامهنویسي با حافظه پویا ‪54 .................................................................................‬‬
‫‪ -6-7‬محاسبه تراز چند دانشجو ‪54 .................................................................................‬‬
‫‪ -6-8‬مسأله انتخاب ‪ k‬شیئ از ‪ n‬شیئ ‪56 ...........................................................................‬‬
‫‪ -6-9‬حل مسأله فیبوناچي با استفاده از برنامهنویسي پویا‪58 .......................................................‬‬
‫‪ -6-10‬مسأله فلوید‪59 .................................................................................................‬‬
‫فصل هفتم‪ :‬تکنیکهای طراحي الگوریتم (‪ :)3‬روشهای حریصانه ‪63 .............................................‬‬

‫‪ -7-1‬مسأله خرد کردن پول ‪63 .....................................................................................‬‬

‫‪ -7-2‬مسأله کد هافمن ‪65 ...........................................................................................‬‬

‫‪3‬‬
‫‪ -7-3‬مسأله درخت پوشای کمینه ‪67 ...............................................................................‬‬
‫‪ -7-1‬مسأله فروشنده دورهگرد ‪69 ..................................................................................‬‬
‫‪ -7-2‬الگوریتم کراسکال ‪70 ........................................................................................‬‬
‫‪ -7-3‬الگوریتم دکسترا ‪71 ...........................................................................................‬‬
‫فصل هشتم‪ :‬تکنیکهای طراحي الگوریتم (‪ :)4‬الگوریتمهای عقبگرد ‪73 ..........................................‬‬

‫‪ -8-1‬مسأله ‪ 4‬وزیر ‪73 ...............................................................................................‬‬

‫‪ -8-2‬مسأله حاصل جمع زیرمجموعهها‪77 .........................................................................‬‬
‫‪ -8-3‬مسأله رنگآمیزی گراف با ‪ m‬رنگ (‪78 ............................................... )M–Coloring‬‬
‫‪ -8-4‬مسأله کولهپشتي ‪81 ...........................................................................................‬‬
‫‪ -8-5‬انواع مسأله کولهپشتي ‪82 .....................................................................................‬‬

‫‪4‬‬
 ‫فصل اول‬

‫نقش الگوریتمها در پردازش‬

‫تعریف چند اصطالح‪:‬‬ ‫‪-1-1‬‬

‫‪ -‬مسأله‪ 1:‬مانعي که رسیدن به هدف را مشکل ميکند‪.‬‬

‫‪ -‬انواع هدف‪:‬‬
‫‪( Purpose o‬مقصود)‪ :‬به هدف غایي و نهایي از انجام یک کار گفته ميشود؛ مانند «برنده‬
‫شدن» در یک بازی فوتبال‬
‫‪( Goal o‬هدف)‪ :‬به اهداف کوتاهمدتي که برای رسیدن به هدف نهایي تعریف ميشوند گفته‬
‫ميشود؛ مانند «گل زدن» در بازی فوتبال برای رسیدن به «برنده شدن»‬
‫‪( Objective o‬هدف عینی‪/‬مأموریت)‪ :‬اهداف قابلمشاهده که برای رسیدن به ‪Goal‬ها‬
‫تعریف ميشوند؛ مثالً برای گل زدن «باید در تیم چینش مناسبي داشت»‪.‬‬
‫‪( Policy o‬خط مشی)‪ :‬سیاستهایي که باید برای رسیدن به اهداف برنامهریزی شوند؛ مانند‬
‫«تأمین بودجه تیم»‪« ،‬آنالیز کردن قدرت تیم مقابل» و‪...‬‬

‫‪ -‬تعریف عمومی الگوریتم‪:‬‬

‫یک روش مؤثر برای حل یک مسأله که در قالب توالي محدودی‪2‬از دستورالعملها بیان شده است‪.‬‬

‫‪ -‬تعریف اختصاصی و کامپیوتری الگوریتم‪:‬‬

‫یک الگوریتم یک رویهی‪ 3‬محاسباتي خوببیانشده‪ 4‬است‪ ،‬که مقادیر یا مجموعهای‪ 5‬از مقادیر را به عنوان‬

‫‪1‬‬
‫‪Problem‬‬
‫‪2‬‬ ‫‪Finite‬‬
‫‪3‬‬ ‫‪Procedure‬‬
‫‪4 Well-defined‬‬
‫‪5 Set‬‬

‫‪5‬‬
 ‫ورودی‪ 1‬ميگیرد و مقادیر یا مجموعهای از مقادیر را به عنوان خروجي‪ 2‬تولید ميکند؛ بنابراین ميتواند گفت‪:‬‬
‫یک الگوریتم‪ ،‬یک توالي‪ 3‬از گامهای محاسباتي است که ورودی را به خروجي تبدیل ميکند‪.‬‬

‫ميتوان الگوریتم را ابزاری برای حل یک مسأله محاسباتي که جزئیات آن به خوبي بیان شده‪ ،‬دانست‪ ،‬و یا به‬
‫سادهترین بیان‪ :‬راهي برای کشف رابطهی بین ورودی و خروجي!‬

‫مثال‪ :‬فرض کنید‪ ،‬قرار است تعدادی عدد را مرتب کنید‪« .‬مسألهی مرتبسازی به شکل زیر تعریف ميشود»‪.‬‬

‫ورودی‪ :‬تواليای از ‪ n‬عدد ) 𝑛𝑎 ‪(𝑎1 , 𝑎2 , … ,‬‬

‫خروجي‪ :‬توالي مرتب اعداد ورودی ) 𝑛‪ (𝑎′1 , 𝑎′2 , … , 𝑎′‬با این شرط که‪:‬‬

‫) 𝑛‪(𝑎′1 ≤ 𝑎′ 2 ≤ ⋯ ≤ 𝑎′‬‬

‫برای مثال ورودی‪ )31, 41, 59, 26, 41, 58( :‬با توجه به الگوریتم مرتبسازی‪ ،‬خروجي زیر را‬
‫برميگرداند‪:‬‬

‫خروجي‪)26, 31, 41, 41, 58, 59( :‬‬

‫به آن توالي ورودی در اصطالح یک «نمونه»‪ 4‬از مسأله مرتبسازی گفته ميشود‪ .‬در کل یک نمونه از یک‬
‫مسأله شامل ورودیهایي است که نیاز دارند راهحلِ‪5‬مسأله روی آنها اعمال شود‪.‬‬

‫‪6‬‬
‫از آنجا که بسیاری از برنامهها از مرتبسازی به عنوان گام میاني استفاده ميکنند‪ ،‬الگوریتمهای مرتبسازی‬
‫یکي از عملیات پایهای و اساسي در علم کامپیوتر‪7‬هستند؛ بنابراین در این کتاب تعدادی الگوریتم مرتبسازیِ‬
‫خوب مورد بررسي قرار گرفته است‪.‬‬

‫اینکه کدام الگوریتمِ مرتبسازی برای یک کاربرد خاص مناسب است‪ ،‬بستگي دارد به‪:‬‬

‫‪ .1‬تعداد آیتمهایي که قرار است مرتب شوند‪.‬‬

‫‪1‬‬ ‫‪Input‬‬
‫‪2‬‬ ‫‪Output‬‬
‫‪3 Sequence‬‬
‫‪4‬‬
‫‪Instance‬‬
‫‪5 Solution‬‬
‫‪6 Sorting Algorithms‬‬
‫‪7 Computer Science‬‬

‫‪6‬‬
 ‫‪ .2‬آیتمهایي که از قبل مرتب شده بودهاند‪.‬‬
‫‪ .3‬محدودیتهای‪ 1‬احتمالي که روی آیتمها وجود دارد‪.‬‬
‫‪6‬‬
‫‪ .4‬معماری‪ 2‬کامپیوتر و نوع دستگاه ذخیرهسازی‪3‬که استفاده ميشود؛ مانند رَم‪4‬یا دیسک‪5‬یا نوار‪.‬‬

‫‪ -‬الگوریتم صحیح‪:‬‬
‫به الگوریتمي که بهازای هر نمونه از ورودی‪ ،‬یک خروجي صحیح در پایان‪7‬ارائه کند‪ ،‬الگوریتم صحیح‪ 8‬گفته‬
‫ميشود‪ .‬در اصطالح گفته ميشود‪ :‬یک الگوریتم صحیح‪ ،‬مسأله محاسباتي مدنظر را «حل»‪ 9‬ميکند‪ .‬یک‬
‫‪11‬‬
‫الگوریتم ناصحیح ممکن است بهازای برخي ورودیها هیچ پاسخي‪10‬برنگرداند و یا یک پاسخ اشتباه‬
‫برگرداند‪ .‬بر خالف آنچه انتظار دارید الگوریتمهای ناصحیح ميتوانند گاهي مفید واقع شوند‪ ،‬البتّه اگر‬
‫نرخخطای‪12‬آنها را کنترل کنیم‪.‬‬

‫‪14‬‬
‫یک الگوریتم ميتواند به زبان انگلیسي یا در قالب یک برنامهی کامپیوتری‪13‬و یا حتي در قالب یک طراحي‬
‫سختافزاری‪15‬توصیف شده باشد‪ .‬تنها محدودیت این است که توصیف‪16‬باید یک بیان دقیق از روال محاسباتي‬
‫که باید انجام شود‪ ،‬ارائه کند‪.‬‬

‫برخی مسائل که با الگوریتمهای این کتاب‪ ،‬قابل حل هستند‪:‬‬ ‫‪-1-2‬‬

‫تحلیل ژنهای روی ‪ DNA‬انسان که در پروژه ژن انساني‪ 17‬کاربرد فراواني داشته‬ ‫‪-1-6-1‬‬
‫است‪.‬‬
‫اینترنت دسترسي افراد به حجم عظیمي از اطالعات را آسان کرده‪ ،‬امّا مدیریت و‬ ‫‪-1-6-2‬‬
‫نگهداری این حجم از داده چالشي است که نیاز به الگوریتمهای پیچیده دارد‪ ،‬همینطور یافتن‬

‫‪1‬‬ ‫‪Restrictions‬‬
‫‪2‬‬ ‫‪Architecture‬‬
‫‪3 Storages Devices‬‬
‫‪4 Main Memory‬‬
‫‪5 Disk‬‬
‫‪6 Tape‬‬
‫‪7 Half‬‬
‫‪8 Correct‬‬
‫‪9 Solve‬‬
‫‪1 Answer‬‬ ‫‪0‬‬
‫‪1 Incorrect‬‬ ‫‪1‬‬
‫‪1 Error Rate‬‬ ‫‪2‬‬
‫‪1 Computer Program‬‬ ‫‪3‬‬
‫‪1 Design‬‬ ‫‪4‬‬
‫‪1 Hardware‬‬ ‫‪5‬‬
‫‪1 Specification‬‬ ‫‪6‬‬
‫‪1 Human Genome Project‬‬ ‫‪7‬‬

‫‪7‬‬
‫یک مسیر خوب بین ‪ Client‬و ‪ Server‬یک چالش دیگر به حساب ميآید که نیاز به‬
‫الگوریتمهای خاص خود دارد‪.‬‬
‫تجارت الکترونیک امکان ارائه کاال و خدمات به صورت الکترونیکي را فراهم کرده‬ ‫‪-1-6-3‬‬
‫است امّا چالشهایي مانند حفظ حریم خصوصي اشخاص (از قبیل شماره کارت اعتباری‪،‬‬
‫پسوردها و ‪ )...‬چالشي است که نیاز به الگوریتمهای خاص خود دارد‪.‬‬
‫شرکتهای تجاری مانند یک شرکت نفت (که نیاز به بهترین جا برای حفر چاه‬ ‫‪-1-6-4‬‬
‫دارد)‪ ،‬برای یافتن بهترین راهحلها جهت کسب سود بیشتر با الگوریتمهای خاص خود درگیرند‬
‫و یا حتي یک کاندیدای انتخابات سیاسي نیاز دارد بداند در چه کمپینهایي بیشتر هزینه کند‪ ،‬تا‬
‫شانس برنده شدن در انتخابات‪1‬را افزایش دهد‪.‬‬
‫مسائلي مانند یافتن کوتاهترین مسیر بین دو ‪ Node‬در یک شبکه‪ ،‬مسائل پرکاربردی‬ ‫‪-1-6-5‬‬
‫هستند که الگوریتمهای فراواني برای آنها ارائه شده است‪.‬‬
‫حتي مسأله سادهای مانند لیست کردن قطعات تشکیلدهندهی یک قطعه به شرط اینکه‬ ‫‪-1-6-6‬‬
‫هر قطعه فرزند‪ ،‬خود از قطعات دیگری تشکیل شده باشد‪ ،‬یک مسأله چالشي است که نیاز به‬
‫الگوریتمهای خاص خود دارد‪.‬‬

‫ساختمانهای داده‪2‬مورد بحث در این کتاب‪:‬‬ ‫‪-1-3‬‬

‫یک ساختمان داده روشي برای ذخیرهکردن و سازماندهي دادهها جهت آسانسازی دسترسي به آنها و ویرایش‬
‫آنهاست‪ .‬همیشه یک نوع ساختمان داده برای همین اهداف پاسخگو نیست؛ بنابراین‪ ،‬دانستن نقاط قوّت و‬
‫محدودیتهای ساختمان دادهها بسیار مهم است‪ .‬در این کتاب ساختمان دادههای مختلفي مورد استفاده قرار‬
‫ميگیرند‪.‬‬

‫تکنیک‪:‬‬ ‫‪-1-4‬‬
‫هرچند این کتاب ميتواند مانند یک «کتاب آشپزی»‪3‬برای الگوریتمها مورد استفاده قرار بگیرد امّا‪ ،‬بههرحال‬
‫ممکن است شما با مسألهای مواجه شوید که نميتوانید به راحتي یک الگوریتم از‪-‬پیش‪-‬منتشر‪-‬شده برای آن‬
‫پیدا کنید‪( .‬مانند بسیاری از مسائل و تمرینهای این کتاب)‪.‬‬

‫‪1‬‬ ‫‪Election‬‬
‫‪2‬‬ ‫‪Data Structures‬‬
‫‪3 Cookbook‬‬

‫‪8‬‬
‫این کتاب به شما تکنیکهای طراحي و تحلیل الگوریتم (یعني ماهیگیری) را یاد ميدهد؛ بنابراین شما ميتوانید‬
‫الگوریتمهای دلخواه خود را توسعه داده و نشان دهید که پاسخ صحیحي برميگردانند و کارایي آنها را نیز‬
‫درک کنید‪.‬‬

‫‪1‬‬
‫مسائل سخت‪:‬‬ ‫‪-1-5‬‬
‫اکثر این کتاب دربارهی الگوریتمهای کارا‪ 2‬است‪ .‬معیار‪ 3‬معمول ما برای کارایي‪« ،‬سرعت»‪ 4‬است؛ یعني چقدر‬
‫طول ميکشد تا یک الگوریتم نتیجهاش را تولید کند‪.‬‬

‫‪ -‬مسائل ‪ :NPC‬مسائلي هستند که هیچ راهحل کارایي برای آنها قابل تصور نیست‪ .‬به این مسائل در‬
‫اصطالح ‪ NPC‬یا ‪ NP-Complete‬گفته ميشود‪.‬‬
‫‪ -‬مسائل‪ :NP‬دسته مسائلي هستند که نميتوان در یک زمان چندجملهای‪ ،‬یک پاسخ قطعي برای آن پیدا‬
‫کرد‪ ،‬امّا اگر یک پاسخ کاندید برای آنها ارائه شود ميتوان‪ ،‬در یک زمان چندجملهای صحّت آن‬
‫پاسخ را تأیید یا رد نمود؛ مانند اینکه نميدانیم فرضاً با ‪ 10‬میلیون تومان پول چه شغلي راهاندازی کنیم‬
‫که به سوددهي بینجامد‪.‬‬
‫‪ -‬مسائل ‪ 5:P‬دسته مسائلي هستند که ميتوان در یک زمان چندجملهای‪ ،‬برای آن یک راهحل قطعي پیدا‬
‫کرد‪.‬‬

‫تمرین‪:‬‬ ‫‪-1-6‬‬
‫‪ -1‬دربارهی قانون مور تحقیق کنید‪.‬‬
‫‪ -2‬یک مثال از دنیای واقعي بزنید که نیاز به مرتبسازی داشته باشد و یک مثال از دنیای واقعي که نیاز به‬
‫مسیر پوشا داشته باشد‪.‬‬
‫پاسخ‪ :‬مانند دریافت حقوق بازنشستگان که بر اساس حروف الفبا مرتب شدهاند و یا مراحل پخت یک‬
‫غذا که حتماً باید به ترتیب انجام شوند‪.‬‬
‫مسیر پوشا هم مانند خرید کردن که ميتوان خرید لوازم را طوی انجام داد که ابتدا آنهایي که در یک‬
‫مسیر و به ترتیب هستند انجام شوند و بعد مابقي و یا مسافرت رفتن از یک شهر به شهر دیگر که ترتیب‬

‫‪1‬‬
‫‪Hard Problems‬‬
‫‪2‬‬ ‫‪Efficient‬‬
‫‪3‬‬ ‫‪Measure‬‬
‫‪4 Speed‬‬
‫‪5‬‬
‫‪Polynomial‬‬

‫‪9‬‬
‫در آن رعایت ميشود‪ .‬و یا خرید ماهیانه پوشاک و مواد غذایي و یا پرداخت قبوض و ‪ ...‬که همه را‬
‫باید با یک مبلغ مشخص انجام و پوشش داد‪.‬‬
‫‪ -3‬به جز سرعت چه معیار دیگری برای کارایي سراغ دارید که ممکن است شخص از آن در دنیای واقعي‬
‫استفاده کند‪.‬‬
‫پاسخ‪ :‬هزینه‪ ،‬کیفیّت‪ ،‬فضا و مکان و‪...‬‬
‫‪ -4‬یک ساختمان داده که قبالً با آن آشنا شدهاید انتخاب کنید و دربارهی نقاط قوّت و محدودیتهای آن‬
‫بحث کنید‪( .‬مثال‪ :‬دربارهی ساختمان داده شئ‪1‬صحبت کنید)‬
‫پاسخ‪ :‬مانند آرایهها‪ ،‬پشته‪ ،‬لیست پیوندی‪ ،‬متغیر‪ 2‬عددی‪ ،‬متغیر رشتهای و ‪...‬‬
‫یادآوری‪:‬‬

‫‪LIFO: Last Input Frist Output‬‬

‫ساختمان دادهای که در آن‪ ،‬آخرین ورودی‪ ،‬اولین خروجي است؛ مانند پشته‬

‫‪FIFO: First Input First Output‬‬

‫ساختمان دادهای که در آن‪ ،‬اولین ورودی‪ ،‬اولین خروجي است؛ مانند نوارکاسِت یا صف نانوایي‬

‫‪ -5‬مسأله کوتاهترین مسیر و مسأله فروشنده دورهگرد چه شباهتها و چه تفاوتهایي دارند؟‬

‫پاسخ‪ :‬شباهتها‪ :‬در هردو بحث کوتاهبودن مسیر بر اساس وزن یا همان مسافت مطرح است‪.‬‬
‫تفاوتها‪ :‬نقاط آغاز و پایان در مسأله فروشنده دورهگرد یکي است و همچنین پوشابودن مسیر در این‬
‫مسأله مطرح است در حاليکه در مسأله کوتاهترین مسیر‪ ،‬لزوماً اینطور نیست‪.‬‬
‫‪ -6‬مسألهای در دنیای واقعي بیان کنید که فقط بهترین راهحل است که پاسخ مسأله است‪ ،‬همینطور‬
‫مسألهای مثال بزنید که یک راهحل تقریبي‪ 3‬نیز پاسخگو است‪.‬‬
‫پاسخ‪ :‬مانند استفاده از روش شیميدرماني که در بعضي از موارد سرطاني‪ ،‬بهترین راهحل است و یا‬
‫شرکت در مزایده و یا آتشنشاني که از بهترین راهحلها برای خاموش کردن انواع آتشسوزیها‬
‫استفاده ميکند‪.‬‬

‫‪1‬‬ ‫‪Object‬‬
‫‪2‬‬ ‫‪Float‬‬
‫‪3 Approximately‬‬

‫‪10‬‬
 ‫‪1‬‬
‫پردازش موازی‪:‬‬ ‫‪-1-7‬‬
‫تا سالها ما روی افزایش سرعتِ کالک‪ 2‬پردازشگر حساب ميکردیم امّا محدودیتهای فیزیکي‪ 3‬باعث‬
‫ميشود این افزایش سرعت تا حد مشخصي ممکن باشد؛ برای مثال یکي از این محدودیتها این است که اگر‬
‫سرعت کالک بیش از حد افزایش پیدا کند‪ ،‬دمای پردازشگر به حدی باال خواهد رفت که خطر ذوبشدن‬
‫قطعات را درپي دارد؛ بنابراین امروزه برای محاسبات سنگین بهجای افزایش سرعت کالک از چندین هسته‪ 4‬در‬
‫پردازشگر استفاده ميشود‪ .‬این حالت را ميتوان چند کامپیوتر در یک چیپِ‪ 5‬واحد تصور کرد و در اصطالح‬
‫به آن «کامپیوتر موازی»‪ 6‬گفته ميشود‪ .‬برای اینکه از کامپیوترهای چند هستهای بهترین کارایي را استخراج‬
‫کنیم به الگوریتمهایي نیاز داریم که به آنها الگوریتمهای موازی یا الگوریتمهای چندرشتهای‪ 7‬گفته ميشود و‬
‫در فصل ‪ 27‬در این زمینه بحث خواهد شد‪.‬‬

‫الگوریتم بهعنوان یک فناوری‪:‬‬ ‫‪-1-8‬‬

‫در نظر بگیریدکامپیوترها بهطور نامحدود‪ ،‬سریع و حافظهی آنها آزاد است‪ .‬آیا دلیلي برای مطالعه الگوریتمها‬
‫وجود ميداشت؟ پاسخ بله است‪ .‬اگر بر فرض محال این دو محدودیت را نداشته باشیم امّا روش پیشنهادی در‬
‫این الگوریتم باالخره باید نمایش‪ 8‬داده شود و از آن مهمتر پیادهسازی شود و همینطور ثابت شود که این روش‬
‫پاسخ صحیحي برای مسأله است‪ ،‬اگر راهحل پیشنهادی بیشازحد پیچیده‪ 9‬باشد‪ ،‬در پیادهسازی‪10‬یا نمایش یا‬
‫اثبات درستي آن با مشکل مواجه خواهیم شد‪ .‬البتّه که کامپیوترها بهطور نامحدود‪ ،‬سریع و حافظهی آنها‬
‫بينهایت نیست؛ بنابراین محاسبه زمان و فضای حافظه اجرای یک الگوریتم یک منبع محدود‪ 11‬به حساب‬
‫ميآید‪ .‬شما باید از این منابع بهطور هوشمندانه استفاده کنید و از الگوریتمهایي استفاده کنید که در بحث زمان و‬
‫فضا کارا هستند‪.‬‬

‫تمرین‪ :‬دربارهی مسأله فضا‪-‬زمان‪12‬نیوتن تحقیق کنید‪.‬‬

‫‪1‬‬
‫‪Parallelism‬‬
‫‪2‬‬ ‫‪Clock‬‬
‫‪3‬‬ ‫‪Physical Limitations‬‬
‫‪4 Core‬‬
‫‪5 Chip‬‬
‫‪6 Parallel Computer‬‬
‫‪7 Multithreaded Algorithms‬‬
‫‪8 Demonstrate‬‬
‫‪9 Complex‬‬
‫‪1 Implementation‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪Resource Bounded‬‬
‫‪1 Time Space‬‬ ‫‪2‬‬

‫‪11‬‬
 ‫کارایی‪:1‬‬ ‫‪-1-9‬‬
‫الگوریتمهای مختلفي که برای حل یک مسأله مشابه پیشنهاد ميشود‪ ،‬معموالً در «کارایي» به شدّت با هم‬
‫متفاوتند‪ .‬این تفاوتها زماني که سختافزارها و نرمافزارهای دیگر مورد استفاده برای اجرای آنها با هم متفاوت‬
‫باشد بیشتر نیز خواهد شد؛ به عنوان مثال‪ ،‬در فصل ‪ 2‬ما دو الگوریتم برای مرتبسازی خواهیم دید که اولي به نام‬
‫«مرتبسازی درجي»‪ 2‬شناخته ميشود که این الگوریتم زمان ‪ C1n2‬را برای مرتبسازی ‪ n‬آیتم نیاز دارد‪C1( ،‬‬
‫عدد ثابتي است که وابسته به ‪ n‬نیست) که ميگوییم این الگوریتم با ‪ n2‬متناسب‪ 3‬است‪ ،‬دومین الگوریتم‬
‫«مرتبسازی ادغامي»‪ 4‬است که زمان ‪ C2nlogn‬دارد (‪ C2‬یک عدد ثابت غیر وابسته به ‪ n‬است و منظور از‬
‫‪ logn( log2n ،logn‬در مبنای ‪ )2‬است)‪ .‬مرتبسازی درجي معموالً عدد ثابت کمتری نسبت به مرتبسازی‬
‫ادغامي دارد (یعني ‪ C1 < C2‬است)‪ .‬خواهیم دید که عدد ثابت‪ ،‬تأثیر‪ 5‬بسیار کمي روی زمان دارد؛ بنابراین‬
‫ميتوان زمان اجرای‪ 6‬مرتبسازی درجي را ‪ n‬و زمان اجرای مرتبسازی ادغامي را ‪ logn‬تصور کرد‪ .‬هرچند‬
‫مرتبسازی درجي در تعداد کم سریعتر عمل ميکند؛ برای مثال فرض کنید یک کامپیوتر قوی (کامپیوتر ‪ A‬با‬
‫قدرت پردازش ‪ 10‬میلیارد دستورالعمل در ثانیه‪ )7‬الگوریتم مرتبسازی درجي را اجرا ميکند‪ ،‬و یک کامپیوتر‬
‫ضعیفتر (کامپیوتر ‪ B‬با قدرت پردازش ‪ 10‬میلیون دستورالعمل در ثانیه) الگوریتم مرتبسازی ادغامي را اجرا‬
‫ميکند‪ .‬هر دو قادر هستند ‪ 10‬میلیون عدد را مرتب کنند‪ ،‬در این حالت خواهیم دید که کامپیوتر ‪ 1000 ،A‬برابر‬
‫سریعتر از کامپیوتر ‪ B‬عمل خواهد کرد‪ ،‬در حاليکه نميتوان از این نتیجه گرفت که الگوریتم مرتبسازی‬
‫درجي سریعتر از الگوریتم مرتبسازی ادغامي عمل ميکند‪.‬‬

‫‪8‬‬
‫الگوریتمها و دیگر فناوریها‪:‬‬ ‫‪-1-10‬‬
‫مثال باال نشان داد که ما باید الگوریتمها را مانند سختافزار کامپیوتر بهعنوان یک فناوری در نظر بگیریم‪.‬‬
‫همانطور که انتخاب یک سختافزار سریع در کارایي سیستم موثر است‪ ،‬انتخاب الگوریتمهای کارا نیز در‬
‫کارایي سیستم تأثیر فراواني دارد‪ .‬همانطور که پیشرفتهای سریع در دیگر فناوریهای مرتبط با کامپیوتر پیش‬
‫ميآید‪ ،‬در الگوریتمها نیز پیشرفتهای سریع و مهمي به وجود ميآید‪.‬‬

‫ممکن است الزم باشد الگوریتمها را با توجه به دیگر فناوریهای پیشرفته مانند موارد زیر انتخاب کنیم‪:‬‬

‫‪1‬‬ ‫‪Efficiency‬‬
‫‪2‬‬ ‫‪Insertion Sort‬‬
‫‪3 Proportional‬‬
‫‪4 Merge Sort‬‬
‫‪5 Factor‬‬
‫‪6 Running Time‬‬
‫‪7 10 billion instructions per second‬‬
‫‪8 Algorithms and other Technologies‬‬

‫‪12‬‬
 ‫‪-1-15-1‬معماریهای پیشرفته کامپیوتر و تکنولوژیهای ساخت آنها‬
‫‪3‬‬
‫‪ -1-15-2‬رابطهای کاربری گرافیکي‪ 1‬با جلوههای‪ 2‬زیبا و کاربری آسان‬
‫‪4‬‬
‫‪-1-15-3‬سیستمهای شيگرا‬
‫‪-1-15-4‬فناوریهای یکپارچه‪ 5‬وب‬
‫‪-1-15-5‬شبکههای سریع (کابلي و بيسیم)‬

‫برای مثال یک سرویس تحت وب را تصور کنید که یک مسیر را بین دو نقطه یافته و به راننده پیشنهاد ميکند‬
‫این سرویس عالوه بر اینکه به الگوریتمهای خاصي برای یافتن کوتاهترین مسیر نیاز دارد با الگوریتمهای‬
‫دیگری برای «رِندِر کردن»‪(6‬آماده کردن خروجي نهایي) نقشه و تشخیص آدرسها و اماکن و دیگر الگوریتمها‬
‫درگیر است‪ .‬داشتن یک الگوریتم پایه و تکنیکهای طراحي الگوریتم یکي از ویژگيهایي است که‬
‫برنامهنویس ماهر‪ 7‬را در برنامهنویس تازهکار‪ 8‬متمایز ميکند‪ .‬امّا این ویژگي کافي نیست‪ ،‬آشنایي با دیگر‬
‫فناوریها که با الگوریتمها درگیر است نیز برای یک برنامهنویس ماهر الزم است‪.‬‬

‫هرچند ممکن است شما کارهای خود را بدون دانستن الگوریتمها انجام دهید‪ ،‬امّا داشتن یک پیشزمینهی‬
‫‪11‬‬
‫خوب‪ 9‬دربارهی الگوریتمها باعث ميشود‪ ،‬بهتر و بیشتر از قبل کار‪10‬انجام دهید ‪.‬‬

‫تمرین‪:‬‬ ‫‪-1-11‬‬
‫‪ -1‬یک مثال از یک برنامه کاربردی بزنید که نیاز به محتوای الگوریتمي در سطح اپیلیکیشن دارد و در‬
‫مورد الگوریتمهایي که در این زمینه مشکل خاص دارند‪ ،‬بحث کنید‪.‬‬
‫پاسخ‪ :‬مانند آپدیت کردن ساعت کنار ویندوز و یا نوع نمایش سهبُعدی پنجرهها در سطح اپلیکیشن‬
‫‪ -2‬فرض کنید قرار است در یک ماشین مشابه الگوریتمهای درجي و ادغامي را اجرا کنیم و بهازای ‪n‬‬
‫ورودی‪ ،‬الگوریتمدرجي ‪ 8n2‬گام طي کند و الگوریتم ادغامي𝑛‪ .64nlog‬برای چه مقادیری از ‪n‬‬
‫الگوریتمهای درجي بهتر از الگوریتمهای ادغامي عمل ميکنند؟‬

‫‪1‬‬ ‫‪Graphical User Interfaces = UFI: User-Friendly Interface‬‬

‫‪2‬‬ ‫‪Effects‬‬
‫‪3 Easy-to-Use‬‬
‫‪4 Object-Oriented System‬‬
‫‪5 Integrated‬‬
‫‪6 Rendering‬‬
‫‪7 Skilled Programmer‬‬
‫‪8 Novice Programmer‬‬
‫‪9 Good Background‬‬
‫‪1 Task‬‬ ‫‪0‬‬
‫‪1 Accomplish‬‬ ‫‪1‬‬

‫‪13‬‬
‫‪ -3‬کوچکترین عدد ‪ n‬در الگوریتمي که زمان اجرای آن ‪ 100n2‬بار است‪ ،‬و الگوریتمي که زمان‬
‫اجرای آن ‪ 2n‬است چیست‪ ،‬به شرطي که الگوریتم اول سریعتر از الگوریتم دوم عمل کند؟ (هر دو در‬
‫یک ماشین مشابه اجرا ميشوند‪).‬‬
‫پاسخ‪ :‬به جای ‪ n‬اعداد ‪ 1‬و بیشتر را قرار دهید تا زماني که ‪ 100n2‬کوچکتر ‪ 2n‬از شود‪ .‬خواهیم‬
‫دید که زماني که ‪ n‬برابر با ‪ 15‬باشد‪ ،‬اولي ‪ 22500‬خواهد شد و دومي ‪ 32768‬اما اگر ‪ n‬را ‪ 14‬بگیریم‪،‬‬
‫اولي ‪ 16600‬خواهد شد و دومي ‪ .16384‬پس کوچکترین ‪ ،n‬عدد که شرط مسأله را تأمین کند‪15 ،‬‬
‫خواهد بود‪.‬‬

‫‪14‬‬
 ‫فصل دوم‬

‫آغاز کار با الگوریتمها‬

‫مقدمه‪:‬‬ ‫‪-2-1‬‬
‫این فصل شما را با چارچوبي که ما در کتاب استفاده خواهیم کرد‪ ،‬آشنا ميکند تا یاد بگیرید چطور دربارهی‬
‫طراحي و تحلیل الگوریتمها بیندیشد‪:‬‬

‫الگوریتم مرتبسازی درجی‪:‬‬ ‫‪-2-2‬‬

‫اوّلین الگوریتم‪ ،‬مرتبسازی درجي است که مسأله مطرح شده در فصل قبل را حل ميکند‪:‬‬

‫ورودی‪ :‬یک توالي از ‪ n‬عدد ) 𝑛𝑎 ‪(𝑎1 , 𝑎2 , … ,‬‬

‫خروجي‪ :‬توالي مرتبي به شکل ) 𝑛‪ (𝑎′1 ≤ 𝑎′ 2 ≤ ⋯ ≤ 𝑎′‬بهطوریکه) 𝑛‪(𝑎′1 , 𝑎′2 , … , 𝑎′‬‬

‫اعدادی که قرار است مرتب کنیم به نام «کلید»‪ 1‬نیز شناخته ميشوند‪ .‬اعداد ورودی به شکل یک آرایهی ‪n‬‬
‫عنصری به ما داده ميشوند‪.‬‬

‫در این کتاب ما الگوریتمها را در غالب برنامههایي که به شکل «شبهکد»‪ 2‬نوشته شدهاند توصیف‪ 3‬ميکنیم‪.‬‬
‫شبهکدها شبیه زبانهای ‪ ،C++ ،C‬جاوا‪ ،‬پایثون‪4‬و پاسکال هستند‪ .‬اگر با یکي از این زبانها آشنا باشید با کمي‬
‫تالش ميتوانید شبهکدها را با آن زبان پیادهسازی کنید‪.‬‬

‫تفاوت شبهکد با کد واقعي‪ 5‬این است که در شبهکد شفافترین روش به شکلي مختصر و مفید برای هر‬
‫الگوریتم بیان ميشود‪ .‬تفاوت دیگر شبهکد با کد واقعي این است که شبهکد معموالً به چالشهای‪ 6‬مهندسي‬

‫‪1‬‬ ‫‪Key‬‬
‫‪2‬‬ ‫‪Pseudo Code‬‬
‫‪3 Describe‬‬
‫‪4‬‬
‫‪Python‬‬
‫‪5‬‬ ‫‪Real Code‬‬
‫‪6‬‬ ‫‪Issues‬‬

‫‪15‬‬
‫نرمافزار‪ 1‬چندان توجهي ندارد‪ .‬چالشهایي مانند انتزاعدادهای‪ 2،‬پیمانهای بودن «ماژوالریتي»‪ 3‬و برخورد با‬
‫خطاها‪4‬اغلب در شبهکد نادیده گرفته‪ 5‬ميشود تا ماهیّت‪ 6‬الگوریتم شفافتر‪ ،‬مختصرتر بیان شود‪.‬‬

‫ما با الگوریتم درجي شروع ميکنیم که یک الگوریتم کارا‪ 7‬برای مرتبسازی تعداد کمي عنصر‪ 8‬است‪.‬‬
‫مرتبسازی درجي روشي است که بسیاری از افراد برای مرتبکردن تعدادی کارت در بازی کارت استفاده‬
‫ميکنند‪ .‬اگر به روشي که افراد طي ميکنند‪ ،‬دقت کنیم آنها کارتها را روی میز پخش ميکنند و سپس‬
‫دست چپ خود را که در ابتدا خالي‪ 9‬است بهعنوان محلي برای مرتبسازی در نظر ميگیرند سپس در هر بار‬
‫یک کارت از روی میز برداشته و در محل صحیح‪ 10‬خود در دست چپشان درج ميکنند‪ .‬هر بار که یک‬
‫کارت برداشته ميشود برای یافتن محل صحیح آن از چپ به راست کارتهای موجود در دست چپ با کارت‬
‫فعلي مقایسه ميشود تا به محلي برسیم که کارت موردنظر بزرگتر از آن جایگاه و کوچکتر از جایگاه بعدی‬
‫آن است‪.‬‬

‫شکل ‪( 2-1‬الگوریتم مرتبسازی درجي شبیه به مرتبکردن کارتها در بازی کارت یا پاسور است)‬

‫‪1‬‬ ‫‪Software-Engineering‬‬
‫‪2‬‬ ‫منظور از انتزاع‪ ،‬موهومي و مفهومي بودن یک موضوع است (خیلي قابل لمس نیست) ‪Data Abstraction:‬‬
‫‪3‬‬ ‫‪Modularity‬‬
‫‪4‬‬‫‪Error Handing‬‬
‫نادیده گرفتن ‪5 Ignored‬‬

‫‪6‬‬ ‫‪Essence‬‬
‫‪7‬‬ ‫‪Efficient‬‬
‫‪8 Element‬‬
‫‪9 Empty‬‬
‫‪1 Correct Position‬‬ ‫‪0‬‬

‫‪16‬‬
‫ما شبهکد را در غالب یک رویه‪(1‬یا تابع) به نام‪ Insertion-Sort‬ارائه ميکنیم که بهعنوان پارامتر‪ 2‬ورودی‬
‫یک آرایه به شکل ]𝑛 ‪ 𝐴 [1. .‬دریافت ميکند که شامل توالي به طول ‪ n‬از اعدادی است که قرار است مرتب‬
‫شوند‪ .‬در کد ما طول آرایهی ‪ A‬به شکل ‪ A.Length‬نمایش داده شده است‪ .‬این الگوریتم اعداد ورودی را‬
‫درجا‪ 3‬مرتب ميکند؛ یعني همان آرایهی ‪ A‬را بدون نیاز به آرایهی دیگری آنقدر جابهجا ميکند تا مرتب‬
‫شوند‪ .‬شکل زیر مثالي از مرتبسازی درجي است و روالي را که طي ميشود‪ ،‬نشان ميدهد‪.‬‬

‫شبهکد زیر معروف به الگوریتم مرتبسازی درجي است‪.‬‬

‫مثال‪ :‬جدول تغییرات متغیرها فرضاً برای آرایهی } ‪:𝐴 = { 5, 2, 4, 6, 1, 3‬‬

‫‪1‬‬ ‫‪Procedure‬‬
‫‪2‬‬ ‫‪Parameter‬‬
‫‪3 In place‬‬

‫‪17‬‬
 ‫جدول تغییرات متغیرها‬
‫‪A‬‬ ‫‪J‬‬ ‫‪i‬‬ ‫‪Key‬‬
‫}‪{5,2,4,6,1,3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬
‫}‪{5,5,4,6,1,3‬‬ ‫‪-1‬‬
‫}‪{2,5,4,6,1,3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪4‬‬
‫}‪{2,5,5,6,1,3‬‬ ‫‪0‬‬
‫}‪{2,4,5,6,1,3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪6‬‬
‫‪4‬‬ ‫‪1‬‬
‫}‪{2,4,5,6,6,3‬‬ ‫‪3‬‬
‫}‪{2,4,5,5,6,3‬‬ ‫‪1‬‬
‫}‪{2,4,4,5,6,3‬‬ ‫‪0‬‬
‫}‪{2,2,4,5,6,3‬‬ ‫‪-1‬‬
‫}‪{1,2,4,5,6,3‬‬ ‫‪5‬‬ ‫‪3‬‬
‫}‪{1,2,4,5,6,6‬‬ ‫‪4‬‬
‫}‪{1,2,4,5,5,6‬‬ ‫‪3‬‬
‫}‪{1,2,4,4,5,6‬‬ ‫‪2‬‬
‫}‪{1,2,3,4,5,6‬‬ ‫‪1‬‬
‫‪0‬‬
‫توضیحات مربوط به الگوریتم باال‪:‬‬
‫‪ ‬اندیس ‪ j‬کارت فعلي که قرار است در جای خود در دست چپ درج شود‪ ،‬مشخص ميکند‪.‬‬
‫‪ ‬در هر دور از حلقه ‪ 𝐴[1. . 𝑗 − 1] ،for‬بخشي از آرایه است که تا االن مرتب شده است و بقیه آرایه در‬
‫]𝑛 ‪ 𝐴[𝑗 + 1. .‬قرار دارد‪.‬‬
‫‪ ‬حلقهی ‪ while‬برای شیفت دادن عناصر به یک خانه بعد از خود استفاده ميشود تا خانهی مربوط به عنصر‬
‫فعلي خالي ميشود‪.‬‬
‫‪ ‬یادآوری‪ :‬هر حلقه شامل بخشهای زیر است‪:‬‬

‫)‪for(initialization, maintenance & termination, Iteration-Expression‬‬

‫{‬
‫‪//… body‬‬
‫}‬

‫‪ -1‬عملیات آغازی که در اصطالح به آن ‪Initialization‬گفته ميشود‪.‬‬

‫‪18‬‬
 ‫‪ -2‬شرط اجرای حلقه که در اصطالح به آن ‪ Maintenance‬به معني حفظ و نگهداری گفته ميشود‪.‬‬
‫‪ -3‬عملیات هر گام که در اصطالح به آن ‪ Iteration-Expression‬گفته ميشود‪.‬‬
‫‪ -4‬شرط پایان که در اصطالح به آن ‪ Termination‬گفته ميشود‪.‬‬
‫‪ -5‬بدنهی حلقه که حاوی کدهایي است که در صورت صحّت شرط‪ ،‬اجرا خواهد شد و در اصطالح به آن‬
‫‪ Body‬گفته ميشود‪.‬‬

‫تمرین‪:‬‬ ‫‪-2-3‬‬
‫‪ -1‬مانند شکل ‪ 2.2‬مدلي رسم کنید که عملیات الگوریتم مرتبسازی درجي را روی آرایه زیر نشان دهد‪.‬‬

‫} ‪𝐴 = { 31, 41, 59, 26, 41, 58‬‬

‫‪ -2‬تابع ‪ insertion-sort‬را طوری بنویسید که به جای مرتبسازی صعودی‪ ،‬مرتبسازی نزولي انجام‬
‫دهد‪.‬‬
‫‪ -3‬مسأله جستجو‪1‬را در نظر بگیرید‪:‬‬

‫ورودی‪ :‬توالي از ‪ n‬عدد به شکل )𝑛𝑎 ‪ 𝐴 = (𝑎1, 𝑎2, … ,‬و یک مقدار به نام ‪ V‬که در حال جستجوی آن‬
‫هستیم‪.‬‬

‫خروجي‪ :‬اندیس ‪ i‬بهطوریکه ]𝑖[𝐴 = 𝑉 یا مقدار ‪2NIL‬اگر ‪ V‬در آرایه پیدا نشود‪.‬‬

‫یک تابع برای جستجوی خطي‪3‬بنویسید که این مسأله را حل کند‪.‬‬

‫پاسخ‪:‬‬

‫‪1‬‬ ‫‪Searching Problem‬‬

‫‪2‬‬
‫صفر‬
‫‪3‬‬ ‫‪Linear Search‬‬

‫‪19‬‬
‫‪ -4‬فرض کنید دو آرایه باینری به طول ‪ n‬بیت به نام ‪ A‬و ‪ B‬داریم‪ .‬جمع هرکدام از خانههای دو آرایه را‬
‫در خانهی متناظر آنها در آرایه ‪ C‬ذخیره کنید و سپس آرایه ‪ C‬را چاپ کنید‪ .‬برای این مسأله یک تابع‬
‫تعریف کنید‪( .‬راهنما‪ :‬با توجه به اینکه ممکن است جمع دو عدد یک خانه اضافهتر نیاز داشته باشد‪،‬‬
‫آرایه ‪ C‬را ‪ n+1‬خانهای در نظر بگیرید‪).‬‬
‫پاسخ‪:‬‬

‫‪20‬‬
21
 ‫تحلیل الگوریتمها‪:‬‬ ‫‪-2-4‬‬
‫منظور از تحلیل‪1‬یک الگوریتم پیشبیني‪2‬منابع مورد نیاز الگوریتم است‪ .‬معموالً منابعي مانند حافظه‪3،‬پهنای باند‬
‫ارتباطي‪ 4،‬سختافزار کامپیوتر اصلي نگراني‪ 5‬ما هستند‪ ،‬امّا اغلباوقات زمان محاسبه‪ 6‬تنها چیزی است که ما‬
‫‪7‬‬
‫ميخواهیم اندازه بگیریم‪.‬‬

‫نکته‪ :‬منظور از ‪ Memory‬حافظه موقت و یا ‪ RAM‬ميباشد و منظور از ‪ Story‬حافظه جانبي و یا ‪Hard‬‬

‫‪ Disk‬است‪.‬‬

‫معموالً با تحلیل چند الگوریتم کاندید‪8‬برای یک مسأله ميتوانیم کاراترینشان را شناسایي کنیم‪9.‬ممکن است‬
‫تحلیل به این نتیجه برسد که بیش از یک کاندید قابل اعتماد‪10‬است‪ ،‬امّا اغلب ميتوانیم الگوریتمهای با سطح‬
‫پایینتر‪11‬را از رده خارج کنیم‪12.‬قبل از تحلیل یک الگوریتم باید یک مدل از فناوری پیادهسازی‪13‬الگوریتم که‬
‫در این کتاب استفاده کردهایم‪ ،‬ارائه کنیم؛ مدلي که منابع آن فناوری و هزینههای آن را مشخص کند‪ .‬در این‬
‫کتاب ما از یک پردازشگر‪14‬و ماشیني با حافظهی دسترسي تصادفي‪ )RAM(15‬برای مدل کردن محاسبات و‬
‫درک الگوریتم ها استفاده خواهیم کرد‪ .‬در مدل ‪ RAM‬دستورالعملها‪16‬یکي پس از دیگری پردازش ميشوند‬
‫و هیچ عملیات همزماني‪17‬اتفاق نميافتد‪ .‬مدل ‪ RAM‬شامل دستورالعملهایي است که در کامپیوترهای واقعي‬
‫وجود دارند؛ مانند دستورالعملهای محاسباتي‪(18‬جمع‪19،‬تفریق‪20،‬ضرب‪21،‬تقسیم‪22،‬باقیمانده‪23،‬جزءِصحیح‪24‬و‬

‫‪1‬‬ ‫‪Analyzing‬‬
‫‪2‬‬ ‫‪Predicting‬‬
‫‪3 Memory‬‬
‫‪4 Communication bandwidth‬‬
‫‪5 Concern‬‬
‫‪6 Computational time‬‬
‫‪7 Measure‬‬
‫‪8 Candidate‬‬
‫‪9 Identify‬‬
‫‪1 Viable‬‬ ‫‪0‬‬
‫‪1 Inferior Algorithms‬‬ ‫‪1‬‬

‫از رده خارج کردن =‪1 Discard‬‬ ‫‪2‬‬

‫‪1‬‬ ‫‪3‬‬
‫‪Implementation‬‬
‫‪1‬‬ ‫‪4‬‬
‫‪One Processor‬‬
‫‪1‬‬ ‫‪Random Access Machine 5‬‬
‫‪1‬‬ ‫‪6‬‬
‫‪Instructions‬‬
‫‪1‬‬ ‫‪7‬‬
‫‪Concurrent Operations‬‬
‫‪1‬‬ ‫‪8‬‬
‫‪Arithmetic‬‬
‫‪1‬‬ ‫‪9‬‬
‫‪Add‬‬
‫‪2‬‬ ‫‪0‬‬
‫‪Subtract‬‬
‫‪2‬‬ ‫‪1‬‬
‫‪Multiply‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪Divide‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪Remainder‬‬
‫‪ : Floor24‬منظور از کف یا جزءصحیح یک عدد اعشاری‪ ،‬بزرگترین عدد صحیح کوچکتر از آن عدد است؛ بهطورمثال کف عدد ‪ 5/7‬عدد ‪ 5‬ميشود‪.‬‬

‫‪22‬‬
‫سقف‪ 1‬و ‪ ،)...‬دستورالعملهای جابجایي داده‪( 2‬خواندن یا بارگذاری‪ 3،‬ذخیرهسازی‪ 4،‬کپي‪ )5‬و دستورالعملهای‬
‫کنترلي (دستورالعملهای شرطي‪ 6‬و انشعاب‪ 7‬غیر شرطي‪ 8،‬فراخواني و بازگشت‪ 9‬تودرتو)‪ .‬هر یک از این‬
‫دستورالعملها مقدار زماني ثابتي‪10‬نیاز دارد‪.‬‬

‫نمونه سؤال امتحان‪ :‬قطعه کد زیر مربوط به یک الگوریتم مرتبسازی است‪ ،‬آرایهی {‪ }4،2،1،10،9،7‬را با‬
‫توجه به کد مرتب کنید و در نهایت مشخص کنید قطعه کد مربوط به کدام الگوریتم مرتبسازی است؟ (رسم‬
‫جدول تغییرات متغیرها و شکل کلي مرتب شدن آرایه الزامي است)‪.‬‬

‫تحلیل الگوریتم مرتبسازی درجی‪:‬‬ ‫‪-2-5‬‬

‫زمانيکه الگوریتم مرتبسازی درجي نیاز دارد‪ ،‬به ورودی بستگي دارد؛ برای مثال‪ ،‬مرتبسازی ‪ 1000‬عدد‬
‫زمان بیشتری نسبت به مرتبسازی ‪ 3‬عدد صرف ميکند‪ .‬نکتهی دیگر اینکه این الگوریتم بهازای مقادیری که‬
‫مرتبتر هستند‪ ،‬زمان کمتری صرف ميکند‪ .‬عموماً زمانيکه توسط یک الگوریتم صرف ميشود‪ ،‬نسبت به‬
‫اندازهی ورودی رشد‪11‬ميکند؛ بنابراین مرسوم‪12‬است که زمان اجرای‪13‬یک برنامه را تابعي از اندازهی‬
‫ورودی‪14‬آن در نظر ميگیرند؛ بنابراین برای تحلیل الگوریتم باید ابتدا واژههای «زمان اجرا» و «اندازهی‬
‫ورودی»‪15‬را با دقت بیشتری‪16‬تعریف کنیم‪ .‬بهترین تعریف برای «اندازهی ورودی» به مسألهای که درحال تحلیل‬
‫هستیم‪ ،‬بستگي دارد؛ برای مثال در خیلي از مسائل مانند مرتبسازی اندازهی ورودی برابر است با تعداد‬
‫آیتمهای ورودی؛‪(17‬یعني اندازه ‪ n‬در مسائل مرتبسازی)‪ ،‬امّا در مسائل دیگر مانند ضرب دو عدد صحیح‪،‬‬
‫اندازهی ورودی عبارتاست از‪ :‬تعداد کل لیستهای‪18‬مورد نیاز برای نمایش اعداد ورودی در مبنای ‪.2‬‬

‫‪ : Ceiling1‬منظور از سقف یک عدد اعشاری‪ ،‬بزرگترین عدد صحیح بعد از آن عدد است؛ بهطور مثال سقف عدد ‪ 5/7‬عدد ‪ 6‬ميشود‪.‬‬
‫‪2‬‬ ‫‪Data movement‬‬
‫‪3‬‬ ‫‪Load‬‬
‫‪4 Store‬‬
‫‪5 Copy‬‬
‫‪6 Conditional‬‬
‫‪7 Branch‬‬
‫‪8 Unconditional‬‬
‫‪9 Call and return‬‬
‫‪1 Constant amount of time‬‬ ‫‪0‬‬
‫‪1 Grows‬‬ ‫‪1‬‬
‫‪1 Traditional‬‬ ‫‪2‬‬
‫‪1 Running time‬‬ ‫‪3‬‬
‫‪1 Function of the size of its input‬‬
‫‪4‬‬
‫‪1 Size of input‬‬ ‫‪5‬‬
‫‪1‬‬ ‫‪6‬‬
‫‪More carefully‬‬
‫‪1 Number of items the input‬‬ ‫‪7‬‬
‫‪1 Total number of bits‬‬ ‫‪8‬‬

‫‪23‬‬
 ‫در ابتدای تحلیل هر الگوریتم باید منظور از «اندازهی ورودی» بیان شود‪.‬‬

‫{مطالعه آزاد‪ :‬الگوریتم ژنتیک چیست؟ مزایا و معایب آن و ربط این الگوریتم را با قانون تکامل داروین بیان‬
‫کنید‪.‬‬

‫یک مسأله بیابید که با الگوریتم ژنتیک حل شود‪}.‬‬

‫منظور از «زمان اجرا»ی یک الگوریتم بهازای یک ورودی خاص تعداد عملیات اصلي‪ 1‬یا گامهایي‪ 2‬که در‬
‫‪3‬‬
‫اجرای برنامه طي شده است‪ ،‬ميباشد‪ .‬بهتر است زمان اجرا را تعداد گامها در نظر بگیریم تا غیروابسته به ماشین‬
‫باشد‪ .‬هرچند اجرای هر خط از شبکه زمان متفاوتي نیاز دارد‪ ،‬امّا با زمان اجرای «‪i‬مین» خط را ‪ C1‬در نظر‬
‫ميگیریم و منظور از ‪ C‬کلمه ‪ Constant‬به معني یک زمان ثابت است‪ .‬ما در الگوریتم مرتبسازی درجي‬
‫«هزینه»ی هر دستورالعمل را یک واحد در نظر ميگیریم و بهازای تعداد دفعاتي که آن دستورالعمل اجرا‬
‫ميشود‪ ،‬یک واحد به هزینه اضافه ميکنیم؛ بنابراین داریم‪:‬‬

‫زمان اجرای الگوریتم برابر است با جمع تعداد دفعات اجرای هر دستورالعمل‪ .‬توجه کنید که دستورالعملي که‬
‫‪ Ci‬گام برای اجرا طول ميکشد و ‪ n‬بار اجرا ميشود‪ ،‬کل زمان اجرایش ‪ Cin‬خواهد شد‪ .‬برای محاسبه )‪T(n‬‬
‫(یعني کل زمان اجرای الگوریتم) جمعِ ضربِ هزینه در تعداد دفعات اجرا را بدست آورید؛ بنابراین برای‬
‫الگوریتم باال داریم‪:‬‬

‫‪1‬‬ ‫‪Primitive operations‬‬

‫‪2‬‬ ‫‪Step‬‬
‫‪3 Machine independent‬‬

‫‪24‬‬
‫در این الگوریتم بهترین حالت‪1‬زماني رخ ميدهد همهی عناصر آرایهی ورودی مرتب باشند‪ .‬در این حالت با‬
‫توجه به اینکه𝑦𝑒𝐾 ≤ ] 𝑖 [ 𝐴 (یعني هر عنصر‪ ،‬کوچکتر یا مساوی عنصر بعدی خود است) حلقهی ‪while‬‬
‫هرگز اجرا نميشود؛ پس )‪ T(n‬در بهترین حالت بهصورت زیر خواهد بود؛‬

‫بنابراین ميتوان زمان اجرا را به شکل 𝑏 ‪ 𝑎𝑛 +‬نمایش داد که ثوابت اعداد ‪ b , a‬به ‪ Ci‬وابسته هستند؛ نتیجه‬
‫اینکه )‪ T(n‬یک تابع خطي از ‪ n‬است‪.‬‬

‫اگر آرایه بهطور برعکس باشد (یعني مرتب نزولي) بدترین حالت رخ ميدهد‪ .‬در این حالت حلقهی ‪ for‬بهازای‬
‫) ‪n ( n+1‬‬
‫= 𝑗 ‪ ∑𝑛𝑗=2‬و بهطور سادهتر ميتوان نوشت‪:‬‬ ‫تمام عناصر ورودی یکبار اجرا ميشود؛ یعني ‪− 1‬‬
‫‪2‬‬

‫𝑛‬ ‫)‪n(n−1‬‬
‫∑‬ ‫=)‪(𝑗−1‬‬
‫‪𝑗=2‬‬ ‫‪2‬‬

‫نتیجه اینکه )‪ T(n‬در بدترین حالت برای الگوریتم مرتبسازی درجي عبارتنداز‪:‬‬

‫‪1‬‬ ‫‪Best-case‬‬

‫‪25‬‬
‫ميتوان بدترین حالت را به شکل 𝑐 ‪ 𝑎𝑛2 + 𝑏𝑛 +‬نشان داد که ‪ b ,a‬و ‪ c‬ثوابتي هستند که وابسته به‬
‫هزینههای ‪ Ci‬ميباشند؛ بنابراین این زمان اجرا‪ ،‬توان ‪2‬ای از ‪1 n‬است‪.‬‬

‫مثال‪ T(n) :‬را برای الگوریتم جستجوی خطي بهازای ‪ n‬ورودی در بهترین و بدترین حالت به دست آورید‪.‬‬
‫پاسخ‪:‬‬

‫بهترین حالت‪:‬‬

‫هزینه‬ ‫دفعات اجرا‬

‫‪C1 = 0‬‬ ‫‪1‬‬
‫‪C2 = 0‬‬ ‫‪1‬‬
‫‪C3‬‬ ‫‪1‬‬
‫‪C4 = 0‬‬ ‫‪1‬‬
‫‪C5‬‬ ‫‪1‬‬
‫‪C6‬‬ ‫‪1‬‬
‫‪C7 = 0‬‬ ‫‪1‬‬
‫‪C8‬‬ ‫‪0‬‬
‫‪C9 = 0‬‬ ‫‪1‬‬

‫)‪𝑇(𝑛) = ( 0 ∗ 1 ) + ( 0 ∗ 1 ) + ( 𝑐3 ∗ 1 ) + ( 0 ∗ 1 ) + ( 𝑐5 ∗ 1‬‬
‫)‪+ ( 𝑐6 ∗ 1 ) + ( 0 ∗ 1 ) + ( 𝑐8 ∗ 0 ) + ( 0 ∗ 1‬‬
‫‪= 𝑐3 + 𝑐5 + 𝑐6‬‬

‫بدترین حالت‪:‬‬

‫هزینه‬ ‫دفعات اجرا‬

‫‪C1 = 0‬‬ ‫‪1‬‬
‫‪C2 = 0‬‬ ‫‪1‬‬
‫‪C3‬‬ ‫‪n‬‬
‫‪C4 = 0‬‬ ‫‪n–1‬‬
‫‪C5‬‬ ‫‪n–1‬‬
‫‪C6‬‬ ‫‪1‬‬
‫‪C7 = 0‬‬ ‫‪n–1‬‬
‫‪C8‬‬ ‫‪0‬‬
‫‪C9 = 0‬‬ ‫‪1‬‬

‫‪1‬‬ ‫‪Quadratic function‬‬

‫‪26‬‬
‫‪𝑇(𝑛) = ( 0 ∗ 1 ) + ( 0 ∗ 1 ) + ( 𝑐3 ∗ 𝑛 ) + ( 0 ∗ ( 𝑛 − 1 ) ) + ( 𝑐5 ∗ ( 𝑛 − 1 ) ) +‬‬
‫‪( 𝑐6 ∗ 1 ) + ( 0 ∗ ( 𝑛 − 1 ) ) + ( 𝑐8 ∗ 0 ) + ( 0 ∗ 1) = ( 𝑐3 ∗ 𝑛 ) + ( 𝑐5 ( 𝑛 −‬‬
‫𝑏 ‪1 ) ) + 𝑐6 = 𝑛 𝑐3 + 𝑛 𝑐5 – 𝑐5 + 𝑐6 = 𝑛 ( 𝑐3 + 𝑐5 ) + 𝑐6 – 𝑐5 = 𝑛𝑎 +‬‬

‫تمرین‪:‬‬ ‫‪-2-6‬‬
‫اگر هزینهی اجرای دستورات انتصاب را در آرایه ] ‪ 1 ،𝐴 = [ 31, 41, 59, 26, 41, 58‬در نظر بگیریم و‬
‫هزینهی اجرای حلقهها و ‪ if‬و ‪ else‬را ‪ 2‬و دیگر عملیات را هم ‪ 1‬در نظر بگیریم‪ ،‬حساب کنید بهازای آرایهی‬
‫زیر در بهترین و بدترین حالت‪ ،‬زمان اجرای الگوریتم مرتبسازی درجي چقدر خواهد بود؟‬

‫‪27‬‬
 ‫تحلیل بهترین و بدترین حالت‪:‬‬ ‫‪-2-7‬‬
‫هرچند در تحلیل الگوریتم مرتبسازی درجي ما بهترین و بدترین حالت را محاسبه کردیم‪ ،‬امّا ازاینپس فقط‬
‫روی به دست آوردن زمان اجرای بدترین حالت‪1‬متمرکز ميشویم که عبارت است از «طوالنيترین زمان اجرا‬
‫برای هر ورودی به اندازه ‪ » n‬؛ چراکه‪:‬‬

‫‪ -1‬زمان اجرای بدترین حالت یک الگوریتم‪ ،‬باالترین حدِ‪2‬زمان اجرا را برای هر ورودی به دست ما ميدهد و‬
‫یک ضمانت‪3‬برای این است که آن الگوریتم هرگز بیشتر از این زمان طول نخواهد کشید‪ .‬ما نیاز داریم که‬
‫یک برآورد تجربي‪ 4‬از بدترین زمان اجرا داشته باشیم که امیدوار باشیم که الگوریتم هیچوقت شرایط‬
‫بدتری را تجربه نميکند‪.‬‬
‫‪5‬‬
‫‪ -2‬در برخي الگوریتمها‪ ،‬بدترین حالت خیلي بهندرت رخ ميدهد‪( .‬برای مثال در جستجوی یک پایگاه داده‬
‫برای یک داده خاص درحاليکه آن داده در ‪ Database‬وجود ندارد)‪ ،‬امّا در برخي کاربردها جستجوها‬
‫مکرراً بهدنبال دادهای ميگردند که غایب است‪.‬‬
‫‪ -3‬حالت میانگین‪6‬نیز اغلب اوقات مانند بدترین حالت است‪ .‬برای مثال‪ ،‬فرض کنید ما ‪ n‬عدد تصادفي انتخاب‬
‫ميکنیم و الگوریتم مرتبسازی درجي را روی آنها اعمال ميکنیم‪ .‬چقدر طول خواهد کشید تا در زیر‬
‫آرایهی ]‪ 𝐴[1. . 𝑗 − 1‬عنصر ]𝑗[𝐴 درج شود؟ در حالت میانگین‪ ،‬نیمي از عناصر این زیر‪-‬آرایه کوچکتر‬
‫از ]𝑗[𝐴 و نیمي بزرگتر هستند؛ بنابراین‪ ،‬در حالت میانگین نیمي از عناصر این زیر‪-‬آرایه چک ميشود؛‬
‫بنابراین‪ tj ،‬برابر با ‪ j/2‬است‪ .‬در نتیجه زمان اجرای حالت میانگین نیز تابع درجه دومي‪7‬از اندازه ورودی‬
‫است؛ دقیقاً مانند زمان اجرای بدترین حالت است‪.‬‬
‫‪ -4‬در برخي مسائل ما بهدنبال زمان اجرای حالت میانگین یک الگوریتم هستیم‪ ،‬امّا همانطورکه در فصلهای‬
‫آینده در تکنیک تحلیل احتماالتي‪ 8‬صحبت خواهیم کرد‪ ،‬محدوده‪ 9‬تحلیل حالت میانگین محدود‪10‬است‬
‫چراکه گاهياوقات مشخص نیست مقدار ورودی میانگین یک مسأله خاص چیست‪ .‬در اکثر مواقع ما در‬
‫نظر ميگیریم که ورودیها تقریباً به یک اندازهی مساوی هستند‪ ،‬امّا درعمل‪11‬این فرضیه‪ 1‬ممکن است‬

‫‪1‬‬ ‫‪Longest running time‬‬

‫‪2‬‬ ‫‪Upper bound‬‬
‫‪3 Guarantee‬‬
‫‪4 Educated guess‬‬
‫‪5 Database‬‬
‫‪6‬‬
‫‪Average case‬‬
‫‪7‬‬
‫‪Quadratic function‬‬
‫‪8‬‬ ‫‪Probabilistic analysis‬‬
‫‪9‬‬ ‫‪Scope‬‬
‫‪1 limited‬‬ ‫‪0‬‬
‫‪11‬‬
‫‪In practice‬‬

‫‪28‬‬
‫نقض شود‪ 2.‬در این مواقع از الگوریتمهای تصادفي‪3‬استفاده ميکنیم تا انتخابهای تصادفي از کل دادهها با‬
‫اندازههای مختلف داشته باشد تا اجازه دهد که با کمک تحلیل احتماالتي زمان اجرای مورد انتظار را‬
‫پیشبیني کنیم‪.‬‬

‫‪4‬‬
‫نرخ رشد‪:‬‬ ‫‪-2-8‬‬
‫در تحلیل الگوریتم مرتبسازی درجي ما برای اینکه تحلیل الگوریتم سادهتر شود برخي مفاهیم را حذف‬
‫کردیم؛ مثالً در ابتدا هزینهی واقعي هر عبارت را نادیده گرفتیم و همه را مقدار ثابت ‪ Ci‬در نظر گرفتیم‪.‬‬

‫سپس مشاهده کردیم که در این حالت نیز جزئیات زیادی بهدست ميآید؛ برای مثال زمان اجرای بدترین حالت‬
‫بهصورت 𝑐 ‪ 𝑎𝑛2 + 𝑏𝑛 +‬به دست آمد که به ثوابت‪ b ,a 5‬و ‪ c‬وابسته است و آن ثوابت خود به‬
‫هزینههای ‪ Ci‬وابسته بودند؛ درنتیجه ثوابت وابسته به ‪ Ci‬را نیز نادیده گرفتیم‪.‬‬

‫در ادامه ما یک سادهسازی دیگر انجام ميدهیم که به آن نرخرشد‪6‬یا ترتیبرشد‪7‬گفته ميشود و عبارتاستاز‬
‫اینکه فقط جملهی آغازین‪8‬فرمول‪ an29‬را در نظر ميگیریم‪ .‬چراکه جمالت بعدی در اندازههای عظیم ‪ n‬ناچیز‬
‫خواهد بود‪ .‬همچنین ضریب‪10‬ثابت جملهی اول یعني ‪ 𝑎. 𝑎𝑛2‬را نیز بهدلیل تأثیر محاسباتي کمي که دارد‬
‫حذف ميکنیم‪.‬‬

‫در بدترین حالت الگوریتم مرتبسازی درجي با حذف این موارد تنها ‪ 𝑛2‬ميماند که آن را به شکل‬
‫‪𝜃𝑛2‬‬
‫‪ 11‬نشان ميدهیم و ميخوانیم «تِتای اِندو»‪.‬‬

‫از این پس وقتي گفته ميشود یک الگوریتم کاراتر از الگوریتم دیگر است‪ ،‬به این معني ميباشد که نرخ رشد‬
‫زمان اجرای بدترین حالت مربوط به الگوریتم اول کمتر از الگوریتم دوم است‪ .‬البته دقت کنید که با توجه به‬
‫ضرایب ثابت و جمالت دوم به بعد که حذف کردیم ممکن است الگوریتم دوم برای ورودیهای کوچک زمان‬

‫‪ : assumption1‬تفاوت فرضیه و تئوری این است که فرضیه چیزی است که اثبات نشده ولي تئوری چیزی است که روی آن کار و اثبات شده است‪.‬‬
‫‪2‬‬ ‫نقض شدن ‪Violated‬‬
‫‪3‬‬
‫‪Randomized algorithm‬‬
‫‪4‬‬
‫‪Order of growth‬‬
‫‪5‬‬‫‪Constants‬‬
‫‪6‬‬ ‫‪Rate of growth‬‬
‫‪7 Order of growth‬‬
‫‪8 Leading term‬‬
‫‪9 Formula‬‬
‫‪1 Factor‬‬ ‫‪0‬‬
‫‪1 𝜃 : theta of n-squared‬‬ ‫‪1‬‬

‫‪29‬‬
‫کمتری نسبت به الگوریتم اول صرف کند اما اگر ورودیها به اندازه کافي بزرگ باشد قطعا الگوریتمي که برای‬
‫مثال ) ‪ 𝛩(𝑛2‬است‪ ،‬سریعتر از الگوریتمي که ) ‪ 𝛩(𝑛3‬است عمل ميکند‪.‬‬

‫تمرین‪:‬‬ ‫‪-2-9‬‬
‫‪𝑛3‬‬
‫باشد ‪ θ‬را برای‬ ‫‪ -1‬اگر زمان اجرای یک الگوریتم در بدترین حالت ‪− 100𝑛2 − 100𝑛 + 3‬‬
‫‪100‬‬
‫آن نمایش دهید‪.‬‬
‫پاسخ‪ :‬طبق مطالب گفته شده در باال ضرایب ثابت و جمالت دوم به بعد را حذف ميکنیم؛ بنابراین‬

‫‪ 𝜃 = 𝑛3‬ميباشد‪.‬‬

‫‪ -2‬مرتبسازی ‪ n‬عدد که در آرایه ‪ A‬ذخیره شدهاند را به این شکل که ابتدا کوچکترین عدد را یافته و‬
‫با ]‪ 𝐴[1‬جا به جا کنید و سپس دومین عدد کوچک را با ]‪ 𝐴[2‬جا به جا کنید و این کار را تا عنصر‬
‫‪n-1‬ام ادامه دهید‪ ،‬در نظر بگیرید‪ .‬شبهکد این الگوریتم را بنویسید‪( .‬راهنما‪ :‬این الگوریتم بهنام‬
‫«الگوریتم انتخابي»‪ 1‬شناخته ميشود‪ ).‬چرا این الگوریتم فقط ‪ n-1‬عنصر را بررسي ميکند و نه همهی ‪n‬‬
‫عنصر را؟ بهترین و بدترین حالت را برای این الگوریتم بهدست آورید‪.‬‬

‫پاسخ‪ :‬زیرا با هر بار اجرای حلقه ‪ for‬عدد بزرگتر به سمت خانه ‪n‬اُم و در نهایت در خانه‪n‬اُم قرار ميگیرد‪ .‬به‬
‫همین دلیل در خانه آخر عدد بزرگتر قرار دارد و آن خانه مورد بررسي قرار نميگیرد‪.‬‬

‫‪ -3‬جستجوی خطي را در نظر بگیرید‪ .‬چند عنصر در حالت میانگین باید چِک شود تا عنصر موردنظر پیدا‬
‫شود؟ (فرض کنید که عنصر در آرایه موجود است‪ ).‬در بدترین حالت چطور؟ حالت میانگین و بدترین‬
‫حالت را به شکل ‪ θ‬نمایش دهید‪( .‬منظور از ‪ θ‬این است که ضرایب ثابت و جمالت دوم به بعد را‬
‫حذف کنید)‬

‫پاسخ‪ :‬در بهترین حالت یک بار (‪ ) 𝜃 = 1‬و در بدترین حالت و در حالت میانگین ‪ n‬بار ( 𝑛 = ‪) θ‬‬

‫‪ -4‬چطور ميتوان هر الگوریتمي را طوری تغییر داد که بهترین زمان اجرای خوبي داشته باشیم؟‬

‫‪1‬‬
‫‪Selection Sort‬‬

‫‪30‬‬
 ‫فصل سوم‬

‫نرخ رشد توابع‬

‫نرخ رشد توابع‪:‬‬ ‫‪-3-1‬‬

‫ترتیب یا نرخ رشد زمان اجرای یک الگوریتم که در فصل ‪ 2‬تعریف شد‪ ،‬یک ویژگي‪1‬ساده برای بیان کارایي‬
‫الگوریتم است و به ما اجازه مي دهد که کارایي نسبي الگوریتمهای جایگزین‪2‬با الگوریتم مدنظرمان را با هم‬
‫مقایسه کنیم‪.‬‬

‫اگر اندازه ورودی ‪ n‬به اندازه کافي بزرگ باشد‪ ،‬زمان اجرای بدترین حالت مرتبسازی ادغامي )𝑛 ‪𝛩(𝑛 lg‬‬
‫است؛ بنابراین‪ ،‬رقابت را نسبت به الگوریتم مرتبسازی درجي که زمان اجرای بدترین حالت آن ) ‪ 𝛩(𝑛2‬است‪،‬‬
‫خواهد برد‪ .‬هرچند گاهي اوقات ميتوان بهطور دقیق‪3‬زمان اجرای یک الگوریتم را مشخص کرد؛ (همانطور که‬
‫در مورد الگوریتم مرتبسازی درجي در فصل‪ 2‬این کار را کردیم) اما محاسبه دقیق زمان اجرا آنقدر زحمت‬
‫الزم دارد که معموالً ارزشش را ندارد‪.‬‬

‫اگر اندازهی ورودی خیلي بزرگ باشد‪ ،‬دیگر ضرایب و جمالت دوم به بعد چندجملهای آنقدر نسبت به‬
‫جملهی اول ناچیز خواهد بود که در نظر گرفته نميشود؛ بنابراین در این مواقع ما «کارایي تقریبي»‪ 4‬الگوریتمها‬
‫را مورد مطالعه قرار ميدهیم و معموالً الگوریتمي که کارایي تقریبي آن بهتر باشد‪ ،‬برای همه نوع ورودیها (به‬
‫جز ورودیهای خیلي کوچک‪ )5‬گزینه مناسبي خواهد بود‪.‬‬

‫این فصل روشهای استاندارد مختلفي برای سادهسازی تحلیل تقریبي الگوریتمها ارائه ميکند‪ .‬در ادامه نگاهي به‬
‫«نمادهای تقریبي»‪ 6‬خواهیم داشت‪.‬‬

‫‪1‬‬
‫‪characterization‬‬
‫‪2‬‬
‫‪Alternative‬‬
‫‪- Precision3‬‬
‫‪4‬‬
‫‪Asymptotic Efficiency‬‬
‫‪5‬‬
‫‪Very Small Inputs‬‬
‫‪6‬‬
‫‪Asymptotic Notation‬‬

‫‪31‬‬
 ‫نمادهای تقریبی (یا نمادهای همبستگی یا نمادهای مُجانبی)‪:‬‬ ‫‪- 3 -2‬‬
‫این نمادها برای توصیف زمان اجرای تقریبي یک الگوریتم که در قالب یک تابع تعریف شده و بر روی اعداد‬
‫طبیعي‪ 𝑁 = { 0, 1, 2, … }1‬عمل ميکند‪ ،‬استفاده ميشود‪.‬‬

‫‪: 𝞱 –Notation‬‬ ‫‪-3-3‬‬

‫برای تابع فرضي )‪ ،g(n‬نمادِ 𝞱 (()‪ )𝞱)g(n‬به صورت زیر تعریف ميشود‪:‬‬

‫‪θ(𝑔(𝑛)) = f(𝑛): ∃ 𝑐1 , 𝑐2 , 𝑛0 > 0 ∶ 0 < 𝑐1 𝑔(𝑛) < 𝑓 (𝑛) < 𝑐2 𝑔(𝑛), ∀𝑛 > 𝑛0‬‬

‫این رابطه به این معناست که آهنگ رشد ‪ f‬و ‪ g‬برای مقادیر بزرگ ‪ n‬یکسان است و هیچیک از این دو تابع از‬
‫دیگری جلو نميزند؛ بهطور مثال زمان اجرای مرتبسازی درجي 𝑐 ‪ 𝑎𝑛2 + 𝑏𝑛 +‬است بنابراین‪:‬‬
‫) ‪ . 𝑇(𝑛) = 𝜃(𝑛2‬زیرا ميتوان بهسادگي مقادیر مثبتي برای ‪ c1‬و ‪ c2‬یافت که‪:‬‬

‫‪𝑐1 𝑛2 < 𝑎𝑛2 + 𝑏𝑛 + 𝑐 < 𝑐2 𝑛2‬‬

‫مثال‪ :‬ثابت کنید ) ‪.100𝑛2 + 5𝑛 − 4 ≠ 𝜃(𝑛3‬‬

‫اثبات‪ :‬باید نشان داد که نميتوان مقادیر مثبتي برای ‪ c2 , c1‬و ‪ n0‬یافت که رابطهی‬

‫‪ 𝑐1 𝑛3 < 100𝑛2 + 5𝑛 − 4 < 𝑐2 𝑛3‬برای همه مقادیر ‪ n > n0‬برقرار باشد‪ ،‬به وضوح بهازای هر‬
‫مقدار ‪ c1 > 0‬و برای مقادیر بزرگ ‪ n‬خواهیم داشت‪.) 𝑐1 𝑛3 ≰ 100𝑛2 + 5𝑛 − 4( :‬‬

‫‪1‬‬
‫‪Natural Numbers‬‬

‫‪32‬‬
 ‫‪: O –Notation‬‬ ‫‪-3-4‬‬
‫نماد 𝞱 به صورت تقریبي‪ ،‬یک تابع را از باال به پایین محدود‪1‬ميکند‪ .‬وقتي ما فقط یک «حد باالی تقریبي»‬
‫‪2‬‬

‫داشته باشیم‪ ،‬از نماد ‪ O‬استفاده ميکنیم‪ .‬برای تابع فرضي )‪ ،g(n‬نماد ‪ (O(g(n))) O‬را (که به صورت بیگ اُ‬
‫جي اِن‪3‬یا ))‪ O(g(n‬تلفظ ميشود)‪ ،‬به صورت زیر تعریف ميشود‪:‬‬

‫‪O(𝑔(𝑛)) = f(𝑛): ∃ 𝑐1 𝑛0 > 0 ∶ 0 < 𝑓(𝑛) < c 𝑔(𝑛), ∀𝑛 > 𝑛0‬‬

‫یعني آهنگ رشد تابع )‪ g(n‬برای مقادیر بزرگ ‪ ،n‬بیشتر یا مساوی آهنگ رشد تابع )‪ f(n‬است‪ ،‬در این صورت‬
‫مي گوییم )‪ g(n‬کران باالی مجانبي‪4‬برای )‪ f(n‬است؛ بهطور مثال‪:‬‬

‫‪ n𝑙𝑜𝑔 𝑛 = 𝑂(𝑛2 ).‬یا ) ‪𝑛2 = 𝑂(𝑛2‬‬

‫نکته‪ :‬منظور از ))‪ f = O(g(n‬در واقع))‪ f Ꞓ O(g(n‬است‪.‬‬

‫‪: Ω –Notation‬‬ ‫‪-3-5‬‬

‫همانطورکه نماد ‪ O‬حد باالی تقریبي یک تابع را ارائه ميکند‪ ،‬نماد ‪ Ω‬حد پایین تقریبي یک تابع را ارائه‬
‫ميکند‪ .‬برای تابع فرضي )‪ ،g(n‬نماد )))‪ Ω (Ω (g(n‬را که به صورت بیگ اُمگای جي اِن‪5‬یا ))‪Ω (g(n‬‬

‫‪1‬‬
‫‪Bounds‬‬
‫‪2‬‬
‫‪Asymptotic Upper bound‬‬
‫‪3‬‬
‫”‪“Big-O of g of n‬‬
‫‪ 4‬حد باالی تقریبي‬
‫”‪“Big-Omega of g of n‬‬
‫‪5‬‬

‫‪33‬‬
‫تلفظ ميشود‪ .‬تعریف ریاضیاتي این عالمت به شکل زیر ميباشد که در آن تابع )‪ g(n‬کران پایین مجانبي برای‬
‫تابع )‪ f(n‬است‪.‬‬

‫‪Ω(𝑔(𝑛)) = f(𝑛): ∃ 𝑐1 𝑛0 > 0 ∶ 0 < c 𝑔(𝑛) < 𝑓(𝑛), ∀𝑛 > 𝑛0‬‬

‫برای مثال‪ 𝑛3 = Ω(𝑛2 ) :‬یا و )𝑛 𝑔𝑜𝑙(‪√𝒏 = Ω‬‬

‫ترتیب رشد توابع مختلف‪:‬‬ ‫‪-3-6‬‬

‫نکته مهم‪ :‬به زبان ساده‪ ،‬اگر زمان تقریبي دقیق اجرای یک الگوریتم خواسته شد‪ ،‬یعني 𝞱 و اگر حداکثر زمان‬
‫تقریبي خواسته شد‪ ،‬یعني ‪ O‬و اگر حداقل زمان تقریبي خواسته شد‪ ،‬یعني ‪.Ω‬‬

‫‪34‬‬
 ‫تمرین‪:‬‬ ‫‪-3-7‬‬
‫‪ -1‬فرض کنید (‪ f(n‬و )‪ g(n‬توابع غیرمنفي تقریبي باشند‪ ،‬با استفاده از تعریف نماد 𝞱 ثابت کنید‪:‬‬
‫))‪Max (f(n), g(n)) = 𝞱(f(n) + g(n‬‬
‫‪ -2‬ثابت کنید برای هر مقدار ثابت ‪ a‬و ‪ b‬برای هر مقدار داریم‪:‬‬
‫)‪(n + a)b = 𝞱 (nb‬‬
‫‪ -3‬ثابت کنید که این جمله غلط است‪« :‬زمان اجرای الگوریتم ‪ A‬حداقل )‪ O(n2‬است»‪.‬‬
‫‪ -4‬آیا عبارات زیر درست است؟‬
‫الف‪2n+1 = O(2n) :‬‬
‫ب‪22n = O(2n) :‬‬

‫‪1‬‬
‫‪:o –Notation‬‬ ‫‪-3-8‬‬
‫همانطورکه گفته شد نماد )‪ 2O (Big o‬ممکن است چندان به تابع اصلي نزدیک نباشد؛ برای مثال‬
‫)‪ 2n2 = O(n2‬به تابع اصلي نزدیک است امّا )‪ n2 ،2n = O(n2‬به ‪ 2n‬چندان نزدیک نیست‪ .‬برای نمایش‬
‫حد باالیي که به تابع موردنظر نچسبیده است‪ ،‬از نماد )‪ o (Little o‬استفاده ميکنیم و آن را به صورت زیر‬
‫تعریف ميکنیم‪:‬‬

‫‪𝑜(𝑔(𝑛)) = { 𝑓(𝑛) ∶ 𝑓𝑜𝑟 𝑎𝑛𝑦 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡 𝑐 > 0,‬‬

‫𝑡𝑛𝑎𝑡𝑠𝑛𝑜𝑐 𝑎 𝑠𝑡𝑠𝑖𝑥𝑒 𝑒𝑟𝑒‪𝑡ℎ‬‬
‫‪𝑛0 > 0 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 0 ≤ 𝑓(𝑛) < 𝑐𝑔(𝑛) 𝑓𝑜𝑟 𝑎𝑙𝑙 𝑛 ≥ 𝑛0 }.‬‬

‫برای مثال ‪ o‬کوچک ‪ 2n‬برابر است با )‪ 2n = o(n2‬که اینطور مي خوانیم‪ ،2n :‬اُردِرِ ‪ n2‬است‪.‬‬

‫‪:ω –Notation‬‬
‫‪3‬‬
‫‪-3-9‬‬
‫‪ ɷ‬کوچک نسبت به ‪ Ω‬بزرگ همان نسبت ‪ o‬کوچک به ‪ O‬بزرگ است؛ یعني نماد ‪ ɷ‬کوچک حد پاییني را‬
‫‪𝑛2‬‬
‫برابر است با ‪n‬؛‬ ‫مشخص ميکند که به تابع مدنظر نچسبیده است؛ برای مثال اُمگای مربوط به‬
‫‪2‬‬

‫‪ ω‬را در قالب ریاضي به صورت زیر تعریف ميکنیم‪:‬‬

‫‪ɷ(𝑔(𝑛)) = { 𝑓(𝑛) ∶ 𝑓𝑜𝑟 𝑎𝑛𝑦 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡 𝑐 > 0,‬‬

‫𝑡𝑛𝑎𝑡𝑠𝑛𝑜𝑐 𝑎 𝑠𝑡𝑠𝑖𝑥𝑒 𝑒𝑟𝑒‪𝑡ℎ‬‬

‫‪1‬‬
‫اُ کوچک‬
‫‪2‬‬
‫اُ بزرگ‬
‫‪3‬‬
‫اُمگای کوچک‬

‫‪35‬‬
‫‪𝑛0 > 0 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 0 ≤ 𝑐𝑔(𝑛) < 𝑓(𝑛) 𝑓𝑜𝑟 𝑎𝑙𝑙 𝑛 ≥ 𝑛0 }.‬‬

‫مثال‪ :‬اگر ‪ g(n) = 2n2 + n + 10‬داشته باشیم‪ ،‬نماد ‪ θ‬و ‪ Ω‬و ‪( O‬طبق شکل ترتیب رشد الگوریتم) به‬
‫صورت زیر است‪:‬‬

‫)‪2n2 + n +10 = θ(n2‬‬

‫)‪2n2 + n +10 = Ω(n logn‬‬
‫)‪2n2 + n +10 = ω (n‬‬
‫)‪2n2 + n +10 = O(2n‬‬
‫)!‪2n2 + n +10 = o(n‬‬

‫نمادهای استاندارد و توابع عمومی‪:‬‬ ‫‪-3-10‬‬

‫این بخش مروری دارد به برخي توابع و نمادهای ریاضي استاندارد و روابط بین آنها را کاوش ميکند و‬
‫همچنین کاربرد نمادهای تقریبي را مشخص ميکند‪.‬‬

‫‪1‬‬
‫یکنواختی‪:‬‬ ‫‪-3-11‬‬
‫تابع )‪ f(n‬را دارای «افزایش یکنواخت»‪ 2‬ميدانیم اگر ‪ n‬و ‪m‬ی داشته باشیم که‪:‬‬
‫)𝑛(𝑓 ≤ )𝑚(𝑓 و 𝑛 ≤ 𝑚‬

‫تابع )‪ f(n‬را دارای «کاهش یکنواخت»‪ 3‬ميدانیم اگر ‪ n‬و ‪m‬ی داشته باشیم که‪:‬‬
‫)𝑛(𝑓 ≥ )𝑚(𝑓 و 𝑛 ≤ 𝑚‬
‫تابع )‪ f(n‬را «به شدت افزایشي»‪ 1‬ميدانیم‪ ،‬اگر ‪ n‬و ‪ m‬به صورت )𝑛(𝑓 < )𝑚(𝑓 و باشد 𝑛 < 𝑚‪.‬‬

‫‪1‬‬
‫‪Monotonicity‬‬
‫‪2‬‬
‫‪Monotonically Increasing‬‬
‫‪3‬‬
‫‪Monotonically Decreasing‬‬

‫‪36‬‬
 ‫تابع )‪ f(n‬را «به شدت کاهشي»‪ 2‬مي دانیم‪ ،‬اگر ‪ n‬و ‪ m‬به صورت )𝑛(𝑓 > )𝑚(𝑓 و باشد 𝑛 < 𝑚‪.‬‬

‫برای مثال شکل زیر تابع افزایشي است‪ ،‬ولي به شدت افزایشي نیست چراکه ميتوان ‪ m‬و ‪n‬ی پیدا کرد‬
‫که )𝑛(𝑓 = )𝑚(𝑓 ولي 𝑛 < 𝑚‪.‬‬

‫‪1‬‬
‫‪Strictly Increasing‬‬
‫‪2‬‬
‫‪Strictly Decreasing‬‬

‫‪37‬‬
 ‫‪1‬‬
‫باقیمانده‪:‬‬ ‫‪-3-12‬‬
‫𝑎‬
‫برای هر عدد صحیح ‪ a‬و هر عدد صحیح مثبت ‪ n‬مُد یا باقیمانده تقسیم ‪ a‬بر ‪ n‬به صورت زیر نمایش‬
‫𝑛‬
‫‪2‬‬
‫داده ميشود‪:‬‬
‫𝑎‬
‫⌊ 𝑛 ‪𝑎 𝑚𝑜𝑑 𝑛 = 𝑎 −‬‬ ‫⌋‬
‫𝑛‬
‫یعني ‪ a‬منهای ‪ n‬در کفِ ‪ a‬بر ‪( n‬منظور از «کف»‪ ،‬حذف بخش اعشاری یک عدد است)‬
‫مثال‪:‬‬

‫‪10‬‬
‫⌊ ‪10 mod 3 = 10 − 3‬‬ ‫‪⌋ = 10 − 9 = 1‬‬
‫‪3‬‬
‫تمرین‬ ‫‪-3-13‬‬
‫‪ -1‬نشان دهید اگر )‪ f(n‬و )‪ g(n‬توبع افزایشي باشند‪ ،‬توابع )𝑛(‪ f(𝑛) + g‬و ))‪ f(g(n‬نیز افزایشي‬
‫است و اگر )‪ f(n‬و )‪ g(n‬عالوهبر افزایشي بودن منفي نباشند )‪ f(n‬در )‪ g(n‬یعني )𝑛(‪f(𝑛). g‬‬
‫افزایشي است‪.‬‬

‫‪ -2‬ثابت کنید که‪:‬‬

‫) 𝑛𝑛(‪( 𝑛! = o‬الف‬
‫) 𝑛‪( 𝑛! = 𝜔(2‬ب‬
‫‪ -3‬برنامهای بنویسید که دو ماتریس ‪ 2*2‬را از ورودی دریافت کند و ماتریس ضرب آنها را نمایش‬
‫دهد‪ .‬بررسي کنید که الگوریتم ‪ Strassen‬چطور نتیجه را به دست ميآورد‪.‬‬

‫‪1‬‬
‫‪Modular Arithmetic‬‬
‫⌈⌉ ‪ :‬عالمت سقف و ⌋⌊ ‪ :‬عالمت کف ميباشند‪.‬‬ ‫‪2‬‬

‫‪38‬‬
 ‫فصل چهارم‬

‫الگوریتمهای بازگشتی‬

‫‪1‬‬
‫الگوریتم بازگشتی‪:‬‬ ‫‪-4-1‬‬
‫اگر یک الگوریتم در حین اجرا‪ ،‬خودش‪2‬را فراخواني‪3‬کند به این الگوریتم‪ ،‬الگوریتم بازگشتي گفته ميشود‪.‬‬

‫الگوریتمهای بازگشتي از پرکاربردترین و گاهي پرهزینهترین الگوریتمها در پیادهسازی راه حل مسائل هستند‪.‬‬

‫مثالی از الگوریتم بازگشتی‪ :‬برنامهی محاسبه فاکتوریل‪:‬‬ ‫‪-4-2‬‬

‫یک عدد از ورودی بگیرید و به صورت بازگشتي فاکتوریل آن را حساب کنید‪.‬‬

‫جستجوی دودویی به صورت بازگشتی‪:‬‬ ‫‪-4-3‬‬

‫‪1‬‬
‫‪Recursive Algorithm‬‬
‫‪2‬‬
‫‪Itself‬‬
‫‪3‬‬
‫‪Call‬‬

‫‪39‬‬
 ‫‪1‬‬
‫اعداد فیبوناچی‪:‬‬ ‫‪-4-4‬‬
‫این اعداد به صورت زیر تعریف ميشوند‪:‬‬
‫‪𝑓0 = 0‬‬
‫‪𝑓1 = 1‬‬
‫‪𝑓𝑖 = 𝑓𝑖+1 + 𝑓𝑖−2‬‬ ‫‪𝑓𝑜𝑟 𝑖 ≥ 2‬‬
‫بنابراین توالي زیر تولید خواهد شد‪:‬‬
‫… ‪0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55,‬‬
‫به دست آوردن جمله ‪n‬ام از دنباله فیبوناچي یک مسأله بازگشتي مشهور است‪.‬‬
‫به طور مثال شکل محاسبه جمله هفتم این توالي یعني عدد ‪ ،8‬به صورت زیر است‪:‬‬

‫‪1‬‬
‫‪Fibonacci Numbers‬‬

‫‪40‬‬
 ‫این مسأله به سه روش قابل حل است‪:‬‬
‫‪ -１‬به صورت تکراری (بدون استفاده از الگوریتم بازگشتي)‪:‬‬

‫‪41‬‬
 ‫‪ -２‬به صورت بازگشتي‪:‬‬

‫‪ -３‬با استفاده از برنامهنویسي پویا‪ :‬این روش در فصلهای آینده توضیح داده خواهد شد‪.‬‬

‫‪1‬‬
‫مطالعه آزاد‪ :‬نسبت طالیی‪:‬‬ ‫‪-4-5‬‬
‫‪ φ‬هستند که دو ریشهی معادلهی ‪𝑥 2 = 𝑥 2 + 1‬‬
‫اعداد فیبوناچي مربوط به نسبت طالیي ‪ φ‬و مزدوج آن ̂‬
‫ميباشند‪.‬‬
‫نسبت طالیي یا عدد ‪ φ‬در ریاضیات و هنر هنگامي رخ ميدهد که‪« :‬نسبت بخش بزرگتر به بخش کوچکتر‬
‫برابر با نسبت کل به بخش بزرگتر» باشد‪.‬‬
‫تعریف دیگر آن از این قرار است که‪« :‬عددی مثبت است که اگر به آن یک واحد اضافه کنیم به مربع آن‬
‫خواهیم رسید»‪.‬‬
‫تعریف هندسي آن نیز چنین است‪« :‬طول مستطیلي به مساحت واحد که عرض آن یک واحد کمتر از طولش‬
‫باشد» و آن را به شکل زیر نمایش ميدهیم‪:‬‬
‫𝑏‪𝑎+‬‬ ‫𝑎‬
‫=‬ ‫𝜑 =‬
‫𝑎‬ ‫𝑏‬
‫که ‪ a‬همان طول و ‪ b‬همان عرض مستطیل است و در نهایت ‪ φ‬را برابر عدد زیر در نظر ميگیریم‪:‬‬
‫‪φ ≃ 1/6180339887‬‬
‫روانشناسان بر این باورند که زیباترین مستطیل به دید انسان مستطیلي است که نسبت طول به عرض آن برابر عدد‬
‫طالیي باشد‪ .‬دلیل این امر آن است که این نسبت در شبکیهی چشم انسان رعایت شده و هر مستطیلي که این‬
‫نسبت را دارا باشد به چشم انسان زیبا ميآید‪.‬‬

‫‪1‬‬
‫‪Golden Ratio‬‬

‫‪42‬‬
 ‫فصل پنجم‬

‫تکنیکهای طراحی الگوریتم (‪ :)1‬روش تقسیم و غلبه‬

‫طراحی الگوریتمها‪:‬‬ ‫‪-5-1‬‬

‫تکنیکهای طراحي الگوریتم بسیار زیاد هستند‪ .‬در فصلهای قبل با تکنیک «افزایشي»‪ 1‬در طراحي الگوریتم‬
‫مرتبسازی درجي آشنا شدیم‪ .‬در این بخش با یک روش‪2‬طراحي دیگر به نام «تقسیم و غلبه» آشنا ميشویم و‬
‫از این روش برای طراحي یک الگوریتم مرتبسازی استفاده ميکنیم که بدترین زمان اجرای آن بسیار کمتر از‬
‫مرتبسازی درجي است‪.‬‬

‫‪3‬‬
‫روش تقسیم و غلبه‪:‬‬ ‫‪-5-2‬‬
‫بسیاری از الگوریتمهای مفید در ساختار خود از حالت بازگشتي استفاده ميکنند؛ یعني برای حل یک مسألهی‬
‫فرضي‪ ،‬آن ساختار دائماً خودش را فراخواني ميکند تا به حد کافي مسأله کوچک شده و قابل حل شود‪ .‬این‬
‫فراخواني ممکن است یک یا چندینبار اتفاق بیفتد‪ .‬این نوع الگوریتمها نوعاً از روشي استفاده ميکنند که به‬
‫تقسیم و غلبه مشهور است؛ یعني مسأله را به چندین زیرمسأله ميشکند‪4‬که آن زیرمسأله شبیه مسألهی اصلي‪5‬در‬
‫اندازهی کوچکتری است‪ ،‬سپس زیرمسأله را حل ميکند و پاسخ زیرمسألهها را با هم ترکیب ميکند تا به حل‬
‫مسألهی اصلي بینجامد‪.‬‬

‫روش‪6‬تقسیم و غلبه با سه گام درگیر است‪:‬‬

‫‪ .1‬مرحله تقسیم‪7:‬مسأله به تعدادی مسأله کوچکتر شکسته ميشود‪.‬‬
‫‪ .2‬مرحله غلبه‪1:‬زیرمسألهها از طریق تقسیمهای بازگشتي خود را حل ميکنند‪ ،‬اگر یک زیرمسأله به‬
‫اندازهی کافي کوچک شده باشد بدون تقسیم اضافه حل ميشود‪.‬‬

‫‪1‬‬ ‫‪Incremental‬‬
‫‪2‬‬ ‫‪Approach‬‬
‫‪3‬‬
‫‪Divide-and-conquer‬‬
‫‪4‬‬ ‫‪Break‬‬
‫‪5‬‬ ‫‪Original problem‬‬
‫‪6 Paradigm‬‬
‫‪7 Divide‬‬

‫‪43‬‬
 ‫‪ .3‬مرحله ترکیب‪2:‬پاسخ زیرمسأله با هم ترکیب ميشود تا مسألهی اصلي حل شود‪.‬‬

‫مثال‪ :‬الگوریتم مرتبسازی ادغامي از روش تقسیم و غلبه استفاده ميکند؛ یعني داریم‪:‬‬
‫𝑛‬
‫‪ .4‬مرحله تقسیم‪ :‬توالي ‪ n‬عنصر را به دو زیر توالي‪3‬با عنصر تقسیم ميکند‪.‬‬
‫‪2‬‬
‫‪ .5‬مرحله غلبه‪ :‬دو زیر توالي را با استفاده از مرتبسازی ادغامي مرتب ميکند‪.‬‬
‫‪ .6‬مرحله ترکیب‪ :‬دو زیر توالي مرتب شده را با هم ادغام ميکند تا پاسخ مرتب شدهی نهایي را تولید کند‪.‬‬
‫عملیات تقسیم آنقدر ادامه پیدا ميکند تا تعداد عناصری که باید مرتب شوند ‪ 1‬باشد و البتّه طبیعتاً یک عنصر‬
‫نیازی به مرتبسازی ندارد؛ بنابراین اصل مرتبسازی زماني اتفاق ميافتد که دو عنصر با هم در مرحله بعد‬
‫ترکیب ميشوند‪ .‬مرتبسازی ادغامي را با تابع )𝑟 ‪ 𝑀𝐸𝑅𝐺𝐸 (𝐴, 𝑝, 𝑞,‬انجام ميدهیم که در آن‪ A ،‬آرایهای‬
‫است که باید مرتب شود و ‪ p,q,r‬اندیسهای آرایه هستند بهطوریکه 𝑟 < 𝑞 ≤ 𝑝 ‪.‬‬

‫تابع فرض ميکند زیر آرایه ] 𝑞 … 𝑝 [ 𝐴 و ] 𝑟 … ‪ 𝐴 [ 𝑞 + 1‬مرتب شده هستند‪ .‬تابع آنها را ادغام ميکند‬
‫تا زیرآرایهی ] 𝑟 … 𝑝 [ 𝐴 به دست آید‪.‬‬

‫تابع ‪ MERGE‬زمان )‪ 𝜃 (n‬را صرف ميکند که در آن ‪ 𝑛 = 𝑟 − 𝑝 + 1‬و در حقیقت تعداد عناصری‬

‫است که باید مرتب شوند‪.‬‬
‫شبهکد این تابع به صورت زیر است‪:‬‬

‫‪1‬‬ ‫‪Conquer‬‬
‫‪2‬‬ ‫‪Combine‬‬
‫‪3‬‬
‫‪Subsequence‬‬

‫‪44‬‬
 ‫و کد ‪ C++‬این تابع به صورت زیر است‪:‬‬

‫‪45‬‬
 ‫مرجع کدها‪ :‬سایت ‪http://www.geeksforgeeks.org/merge-sort/‬‬

‫مثال‪ :‬آرایهی ‪ A‬با عناصر ‪ 10 .82 .9 .3 .43 .27 .38‬را در نظر بگیرید‪ .‬با الگوریتم مرتبسازی ادغامي آن را‬
‫مرتب کنید‪.‬‬

‫)‪(𝑛−1‬‬
‫𝑡𝑛𝑖 = 𝑚 به دست آورید‪.‬‬ ‫راهنمایی‪ m :‬را از طریق فرمول‬
‫‪2‬‬

‫مثال‪ :‬آرایهی ‪ A‬با عناصر ‪ 5,2,4,7,1,3,2,6‬را در نظر بگیرید‪ .‬شکل کلي مرتبسازی آرایه ‪ A‬را با کمک‬
‫الگوریتم مرتبسازی ادغامي رسم کنید‪.‬‬

‫مثال ‪ :2‬آرایهی ‪ A‬با عناصر ‪ 38, 27, 43, 3, 9, 82, 10‬را در نظر بگیرید‪ .‬با الگوریتم مرتبسازی ادغامي‬
‫آن را مرتب کنید‪.‬‬

‫‪46‬‬
‫آرایهی ‪ A‬با عناصر}‪ {0, 10, 38, 7, 43, 8, 9, 1, 2, 10‬را در نظر بگیرید‪ .‬شکل کلی مرتبسازی آرایه ‪ A‬را با‬
‫کمک الگوریتم مرتبسازی ادغامی رسم کنید‪.‬‬

‫‪47‬‬
 ‫جستجوی دودویی‪:‬‬ ‫‪-5-3‬‬
‫در این جستجو یک آرایه مرتب داریم که در آن به دنبال یک عنصر ميگردیم‪ ،‬برای یافتن آن ابتدا آرایه را به‬
‫دو قسمت تقسیم ميکنیم و عنصر مورد جستجو را با عنصر وسط آرایه مقایسه ميکنیم‪ ،‬اگر عنصر مورد جستجو‬
‫بزرگتر از عنصر وسط آرایه بود‪ ،‬تِکهی دوم آرایه را به همین روش تا یافتن عنصر موردنظر به دو قسمت تقسیم‬
‫و مقایسه ميکنیم‪.‬‬

‫مثال‪ :‬با توجه به قطعه کد زیر که تابع جستجوی دودویي است‪ ،‬در آرایه زیر به دنبال عدد ‪ 30‬بگردید‪ .‬جدول‬
‫تغییرات متغیرها را رسم کنید‪.‬‬

‫جدول تغییرات متغیرها‪:‬‬

‫‪Start‬‬ ‫‪Stop‬‬ ‫‪Q‬‬ ‫‪Mid‬‬ ‫‪Result‬‬

‫‪0‬‬ ‫‪6‬‬ ‫‪30‬‬ ‫‪3‬‬
‫‪3‬‬ ‫‪6‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪6‬‬
‫‪5ar‬‬ ‫‪5‬‬
‫تمرین‪ :‬آرایه ای با ‪ 7‬عنصر تعریف کرده و مقادیر آن را از ورودی بخوانید‪ .‬سپس با مرتبسازی ادغامي آن را‬
‫مرتب کرده و سپس یک عدد از کاربر گرفته و با جستجوی دودویي مشخص کنید آن عدد در کدام خانه از‬
‫آرایه موجود است؟‬

‫‪48‬‬
 ‫فصل ششم‬

‫تکنیکهای طراحی الگوریتم (‪ :)2‬روش حافظه پویا‬

‫مقدمه‬ ‫‪-6-1‬‬
‫اگر به حل مسأله فیبوناچي به روش بازگشتي دقت کنیم‪ ،‬خواهید دید که اکثر جمالت (مانند )‪ ) Fib(3‬چندین‬
‫بار محاسبه ميشوند‪ ،‬برای جلوگیری از این پردازشهای تکراری ميتوان هر جملهای که به دست آمد را در‬
‫بخشي از حافظه ذخیره کرد و به محض نیاز به آن به جای محاسبه مجدد‪ ،‬از حافظه پاسخ را خواند‪ .‬به این روش‬
‫در اصطالح حافظه پویا گفته ميشود‪.‬‬

‫‪1‬‬
‫الگوریتم مرتبسازی سریع‪:‬‬ ‫‪-6-2‬‬
‫مثال‪ :‬اعداد زیر را با ‪ Quick Sort‬مرتب کنید‪:‬‬

‫‪15, 22, 13, 27, 12, 10, 20, 25‬‬

‫روش حل‪:‬‬

‫این الگوریتم را با دو تابع ‪ Quick Sort‬و ‪ Partition‬به شکل زیر ميتوان پیادهسازی کرد‪:‬‬

‫تابع ‪: Quick Sort‬‬

‫‪1‬‬
‫‪Quick Sort‬‬

‫‪49‬‬
 ‫تابع ‪: Partition‬‬

‫مسأله ضرب ماتریسها‪:‬‬ ‫‪-6-3‬‬

‫برای نگهداری عناصر یک ماتریس از یک آرایه دوبعدی و برای ضرب عناصر دو آرایه‪ ،‬از دو حلقهی تودرتو‬
‫استفاده ميکنیم‪.‬‬

‫مثال‪ :‬اگر ‪ arr1‬و ‪ arr2‬به صورت زیر داده شود‪ ،‬عناصر ‪ arr3‬که ضرب دو ماتریس است‪ ،‬به صورت‬

‫زیر محاسبه ميشوند‪:‬‬

‫‪10 5 3‬‬
‫]‪𝑎𝑟𝑟1 = [ 7 8 9‬‬
‫‪1 2 3‬‬
‫‪5‬‬ ‫‪1‬‬
‫‪𝑎𝑟𝑟2 = [1‬‬ ‫]‪2‬‬
‫‪0‬‬ ‫‪3‬‬
‫‪10 5‬‬ ‫‪3 5 1‬‬ ‫‪55 29‬‬
‫‪[7 8‬‬ ‫]‪9] [1 2] = [43 50‬‬
‫‪1 2‬‬ ‫‪3 0 3‬‬ ‫‪7 14‬‬
‫‪55 29‬‬
‫]‪𝑎𝑟𝑟3 = [43 50‬‬
‫‪7 14‬‬

‫‪50‬‬
‫ضرب دو ماتریس با استفاده از سه حلقه تودرتو قابل محاسبه است که در کد زیر در خط ‪ 46‬تا ‪ 56‬مشخص شده‬
‫است‪:‬‬

‫‪𝑎𝑟𝑟3[0][0] = 𝑎𝑟𝑟1[0][0] ∗ 𝑎𝑟𝑟2[0][0] +‬‬

‫‪𝑎𝑟𝑟1[0][1] ∗ 𝑎𝑟𝑟2[1][0] +‬‬

‫‪𝑎𝑟𝑟1[0][2] ∗ 𝑎𝑟𝑟2[2][0] +‬‬

‫‪𝑎𝑟𝑟3[0][1] = 𝑎𝑟𝑟1[0][0] ∗ 𝑎𝑟𝑟2[0][1] +‬‬

‫‪𝑎𝑟𝑟1[0][1] ∗ 𝑎𝑟𝑟2[1][1] +‬‬

‫‪𝑎𝑟𝑟1[0][2] ∗ 𝑎𝑟𝑟2[2][1] +‬‬

‫در حالت کلي داریم‪:‬‬

‫‪𝑎00‬‬ ‫‪𝑎01 𝑏00‬‬ ‫‪𝑐00‬‬

‫𝑎[‬ ‫]‬ ‫[‬
‫‪𝑎11 𝑏10‬‬ ‫]‬ ‫=‬ ‫[‬ ‫] ‪𝑐10‬‬
‫‪10‬‬

‫) ‪𝑐00 = ( 𝑎00 ∗ 𝑏00 ) + (𝑎01 ∗ 𝑏10‬‬

‫) ‪𝑐10 = ( 𝑎10 ∗ 𝑏00 ) + (𝑎11 ∗ 𝑏10‬‬

‫‪51‬‬
 ‫الگوریتم ضرب ‪: Strasson‬‬ ‫‪-6-4‬‬
‫همانطور که ميدانیم برای کامپیوتر محاسبه ضرب سختتر از محاسبه جمع است؛ بنابراین در حل یک مسأله‬
‫اگر بتوان از تعداد ضربها کاست‪ ،‬آن الگوریتم بهینهتر خواهد بود‪.‬‬

‫الگوریتم ‪ Strasson‬ماتریسها را به روشي ضرب ميکند که تعداد ضربها به ویژه در ابعاد باال بسیار کاهش‬
‫پیدا ميکند‪.‬‬

‫الگوریتم ضرب ‪ Strasson‬برای دو ماتریس ‪ 2*2‬به شکل زیر خواهد بود‪:‬‬

‫‪𝑎00‬‬ ‫‪𝑎01 𝑏00‬‬ ‫‪𝑏01‬‬ ‫‪𝑐00‬‬ ‫‪𝑐01‬‬

‫𝑎[‬ ‫‪𝑎11 ] [𝑏10‬‬ ‫𝑐[ = ]‬ ‫] ‪𝑐11‬‬
‫‪10‬‬ ‫‪𝑏11‬‬ ‫‪10‬‬

‫) ‪𝑚0 = (𝑎00 + 𝑎11 )(𝑏00 + 𝑏11‬‬

‫‪𝑚1 = (𝑎10 + 𝑎11 )𝑏00‬‬

‫) ‪𝑚2 = 𝑎00 (𝑏01 − 𝑏11‬‬

‫) ‪𝑚3 = 𝑎11 (𝑏10 − 𝑏00‬‬

‫‪𝑚4 = (𝑎00 + 𝑎01 )𝑏11‬‬

‫) ‪𝑚5 = (𝑎10 − 𝑎00 )(𝑏00 + 𝑏01‬‬

‫) ‪𝑚6 = (𝑎01 + 𝑎11 )(𝑏10 + 𝑏11‬‬

‫ماتریس ‪ c‬از روابط باال به این صورت حاصل ميگردد‪:‬‬

‫‪𝑚0 + 𝑚3 − 𝑚4 + 𝑚6‬‬ ‫‪𝑚2 + 𝑚4‬‬

‫[=𝑐‬ ‫‪𝑚1 + 𝑚3‬‬ ‫] ‪𝑚0 + 𝑚2 − 𝑚1 + 𝑚5‬‬

‫مثال‪:‬‬

‫‪5 3‬‬ ‫‪4 2‬‬ ‫‪23‬‬ ‫‪16‬‬

‫[‬ ‫[∗]‬ ‫[=]‬ ‫]‬
‫‪2 1‬‬ ‫‪1 2‬‬ ‫‪9‬‬ ‫‪6‬‬
‫‪𝑚0 = ( 5 + 1 )( 4 + 2 ) = 6 ∗ 6 = 36‬‬
‫‪𝑚1 = ( 2 + 1 ) * 4 = 3 * 4 = 12‬‬
‫‪𝑚2 = 5 ∗ ( 2 − 2 ) = 5 ∗ 0 = 0‬‬
‫‪𝑚3 = 1 ∗ ( 1 − 4 ) = 1 ∗ −3 = −3‬‬
‫‪𝑚4 = ( 5 + 3 ) ∗ 2 = 8 ∗ 2 = 16‬‬
‫‪𝑚5 = ( 2 − 5 )( 4 + 2 ) = −3 ∗ 6 = −18‬‬

‫‪52‬‬
‫‪𝑚6 = ( 3 − 1 ) ∗ ( 1 + 2 ) = 2 ∗ 3 = 6‬‬
‫در نتیجه ماتریس ‪ c‬خواهد بود‪:‬‬

‫‪36 + (−3) − 16 + 6‬‬ ‫‪0 + 16‬‬ ‫‪23‬‬ ‫‪16‬‬

‫[=𝑐‬ ‫[=]‬ ‫]‬
‫)‪12 + (−3‬‬ ‫)‪36 + 0 − 12 + (−18‬‬ ‫‪9‬‬ ‫‪6‬‬

‫شبهکد الگوریتم ‪: Strasson‬‬

‫نمونه سؤال‪ :‬الگوریتم ‪ Strasson‬چیست و چگونه مسأله را حل ميکند؟ از چه الگوریتمي برای حل‬
‫مسألهاش استفاده کرده است؟ چه مزایایي نسبت به حالت عادی حل مسأله دارد؟‬

‫پاسخ‪ :‬این لگوریتم روش جدیدی برای حل مسأله ضرب دو ماتریس ‪ n*n‬مربع است که با کاهش تعداد‬
‫ضربها باعث ميشود‪ ،‬پردازشها کاهش یافته و سریعتر نتایج به دست آید‪ .‬کاربرد عملي این الگوریتم در‬
‫ضرب ماتریسهای بزرگ است‪ ،‬هرچند که نسبت به الگوریتمهای جدیدتر کمي کندتر است‪.‬‬

‫تمرین‪ :‬یک الگوریتم جدیدتر و سریعتر نسبت به ‪ Strasson‬پیدا کنید‪.‬‬

‫ضرب اعداد بزرگ‪:‬‬ ‫‪-6-5‬‬

‫دو عدد ‪ u‬و ‪ v‬هر کدام ‪ n‬رقمي را در نظر بگیرید‪ .‬برای محاسبه ‪ u*v‬ميتوان به روش زیر عمل کرد‪:‬‬

‫𝑛‬
‫=𝑚‬
‫‪2‬‬
‫𝑦 ‪𝑢 = 𝑥 ∗ 10𝑚 +‬‬

‫‪53‬‬
‫𝑧 ‪𝑣 = 𝑤 ∗ 10𝑚 +‬‬

‫𝑦𝑧 ‪𝑢 ∗ 𝑣 = ( 𝑥 ∗ 10𝑚 + 𝑦 )( 𝑤 ∗ 10𝑚 + 𝑧) = 𝑥𝑤102𝑚 + (𝑥𝑧 + 𝑦𝑤) ∗ 10𝑚 +‬‬

‫مثال‪ :‬دو عدد ‪ 102436‬و ‪ 724300‬را با هم ضرب کنید‪.‬‬

‫𝑛‬ ‫‪6‬‬
‫=𝑚‬ ‫‪= =3‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪𝑢 = 102436 = 102 ∗ 103 + 436 , 𝑣 = 724300 = 724 ∗ 103 + 300‬‬

‫)‪𝑢𝑣 = ( 102 ∗ 724 ) ∗ 106 + ( 102 ∗ 300 + 436 ∗ 724 ) ∗ 103 + ( 300 ∗ 436‬‬

‫‪1‬‬
‫برنامهنویسی با حافظه پویا‪:‬‬ ‫‪-6-6‬‬
‫برنامهنویسي پویا یک روش نوشتن الگوریتمهاست که در آن مسأله اصلي را به استفاده از یک فرمول بازگشتي‬
‫حل ميکنیم؛ یعني در ابتدا برای مسأله‪ ،‬یک ضابطه بازگشتي ميیابیم‪ .‬سپس با استفاده از یک حافظه سعي بر آن‬
‫داریم‪ .‬که در ابتدا مسأله را برای مقادیر اولیه حل کنیم سپس با ترکیب حلهای مقدماتيتر حل مسأله را در‬
‫حالت باالتر دنبال مينماییم‪ .‬این روند را تا آنجا ادامه ميدهیم که به پاسخي برای مسأله اصلي دست یابیم‪.‬‬

‫روش ‪ DP‬از آنجا ابداع گردید که بتواند راهحلهای تکراری را که ممکن است در روش ‪( D&C‬تقسیم و‬
‫غلبه) به وجود آید را حذف نماید‪.‬‬

‫در اینجا راهحل‪ ،‬راهحلي ‪ Button-Up‬است‪.‬‬

‫محاسبه تراز چند دانشجو‪:‬‬ ‫‪-6-7‬‬

‫فرمول محاسبه تراز‪:‬‬
‫‪𝑇 = 1000𝑧 + 5000‬‬
‫فرمول محاسبه ‪:z‬‬
‫𝑥‪𝑥−‬‬
‫=𝑧‬
‫𝑠‬
‫در این فرمول‪:‬‬
‫‪ x‬نمره خام داوطلب در درس موردنظر است‪.‬‬
‫̅‪ x‬میانگین نمرات کل داوطلبین در درس موردنظر است‪.‬‬
‫‪ s‬همان انحراف از معیار یا ‪ Standard Deviation‬است‪.‬‬

‫‪1‬‬
‫‪Dynamic Programming‬‬

‫‪54‬‬
 ‫فرمول محاسبه ‪:s‬‬
‫𝑧 )𝑥 ‪∑𝑛 (𝑥𝑖 −‬‬
‫‪𝑠 = √ 𝑖=0‬‬
‫𝑁‬
‫‪ N‬تعداد کل شرکتکنندگان است‪.‬‬

‫مثال‪ :‬فرض کنید سه نفر در یک درس فرضي‪ ،‬نمرههای ‪ 100‬و ‪ 200‬و ‪ 300‬را گرفتهاند‪ .‬تراز هر کدام از این سه‬
‫نفر را حساب کنید‪.‬‬

‫‪𝑛 = 3 , 𝑥1 = 100 , 𝑥2 = 200 , 𝑥3 = 300‬‬

‫‪100 + 200 + 300‬‬
‫=𝑥‬ ‫‪= 200‬‬
‫‪3‬‬
‫‪3‬‬‫‪(100 − 200 )2‬‬ ‫‪10000‬‬
‫= ∑‬ ‫=‬ ‫‪= 3333.33‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪3‬‬‫‪(200 − 200 )2‬‬ ‫‪0‬‬
‫= ∑‬ ‫‪= =0‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪3‬‬‫‪(300 − 200 )2‬‬ ‫‪10000‬‬
‫= ∑‬ ‫=‬ ‫‪= 3333.33‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬

‫‪∑31( 𝑥𝑖 − 𝑥 )2‬‬
‫√=𝑠‬ ‫‪= √3333.33 + 3333.33 = 81.65‬‬
‫‪3‬‬

‫𝑥 ‪𝑥1 −‬‬ ‫‪100 − 200‬‬

‫= ‪𝑧1‬‬ ‫=‬ ‫‪= −1.22‬‬
‫𝑠‬ ‫‪81.65‬‬
‫𝑥 ‪𝑥2 −‬‬ ‫‪200 − 200‬‬
‫= ‪𝑧2‬‬ ‫=‬ ‫‪= 0‬‬
‫𝑠‬ ‫‪81.65‬‬
‫𝑥 ‪𝑥3 −‬‬ ‫‪300−200‬‬
‫= ‪𝑧3‬‬ ‫=‬ ‫‪= 1.22‬‬
‫𝑠‬ ‫‪81.65‬‬

‫‪𝑇1 = 1000( −1.22) + 5000 = 3780‬‬

‫‪𝑇2 = 1000( 0 ) + 5000 = 5000‬‬

‫‪𝑇3 = 1000(1.22) + 5000 = 6220‬‬

‫‪55‬‬
‫اگر به محاسبات باال دقت کنید؛ برای هر نفر به صورت تکراری ̅‪ x‬و ‪ s‬مجددا محاسبه شده است‪ .‬این درحالی‬
‫است که محاسبهی هر یک از اینها در آمار باال پردازش باالیی نیاز دارد‪ .‬برای رفع این مشکل میتوان از‬
‫برنامه نویسی پویا استفاده کنیم؛ به این صورت که وقتی برای نفر اول ̅‪ x‬و ‪ s‬محاسبه شد‪ ،‬در بخشی از حافظه‬
‫نگه داشته شود و برای نفرات بعد از همان دادهها استفاده شود‪.‬‬

‫مسأله انتخاب ‪ k‬شیئ از ‪ n‬شیئ (محاسبه )𝐤𝐧()‪:‬‬ ‫‪-6-8‬‬

‫فرض کنید در یک کیسه ‪ 4‬گوی با رنگهای مختلف (سیاه‪ ،‬سقید‪ ،‬قرمز و آبي) وجود دارد‪ ،‬به چند حالت‬
‫ميتوان ‪ 2‬گوی از کیسه خارج کرد؟‬

‫!𝑛‬
‫= )‪(nk‬‬ ‫!𝑘!)𝑘‪(𝑛−‬‬
‫فرمول ‪:‬‬

‫‪4‬‬ ‫!‪4‬‬ ‫!‪4 ∗ 3 ∗ 2‬‬ ‫‪4∗3‬‬

‫=) (‬ ‫=‬ ‫=‬ ‫‪=6‬‬
‫‪2‬‬ ‫!‪(4 − 2 )! 2‬‬ ‫!‪2 ∗ 1 ∗ 2‬‬ ‫‪2∗ 1‬‬

‫‪1‬‬ ‫𝑛 = 𝑘 𝑟𝑜 ‪𝑘 = 0‬‬
‫)‪(nk) = {(𝑛−1) + (𝑛−1‬‬ ‫𝑒𝑠𝑙𝑒‬ ‫برای نوشتن برنامه مسأله ثابت ميکنیم که‪:‬‬
‫𝑘‬ ‫‪𝑘−1‬‬

‫با مثال زیر ثابت ميشود که این رابطه صحیح است‪ ،‬در نتیجه با یک تابع بازگشتي ميتوان مسأله را پیادهسازی‬
‫کرد‪.‬‬

‫‪56‬‬
‫اما بدون استفاده از برنامهنویسي پویا‪ ،‬مسأله‪ ،‬بهینه نخواهد بود‪ ،‬چرا که برخي محاسبات چندین بار انجام شده‬
‫است‪ .‬برای بهینه کردن این مسأله‪ ،‬برنامهنویسي پویا را به شکل زیر پیادهسازی ميکنیم‪:‬‬

‫آرایهای به شکل زیر ایجاد ميکنیم که مقادیر به دست آمده از پردازشهای تکراری در آن ذخیره ميشود و‬
‫هرگاه به پاسخ آن پردازش نیاز بود‪ ،‬از آرایه خوانده و استفاده ميکنیم‪.‬‬

‫𝑛‬
‫) (‬
‫𝑘‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪0‬‬ ‫‪1‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪2‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬

‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪1‬‬

‫‪4‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫…‬ ‫‪1‬‬

‫‪5‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫⋮‬ ‫‪1‬‬

‫‪6‬‬ ‫‪1‬‬ ‫‪6‬‬

‫پیادهسازی مسأله بدون استفاده از برنامهنویسي پویا‪:‬‬

‫پیادهسازی مسأله با استفاده از برنامهنویسي پویا‪:‬‬

‫‪57‬‬
 ‫حل مسأله فیبوناچی با استفاده از برنامهنویسی پویا‪:‬‬ ‫‪-6-9‬‬
‫برای حل این مسأله یک آرایه به تعداد جمله خواسته شده ( )‪n‬تعریف ميکنیم و یک بار برای همیشه جمع هر‬
‫دو خانه را در خانه بعد از آن ميریزیم (یا جمع هر دو خانه را در خانه قبل آنها ميریزیم)‪ ،‬با اینکار آرایهای به‬
‫شکل زیر خواهیم داشت‪:‬‬

‫… ‪0 1 1 2 3 5 8 13 21 33‬‬
‫که بهراحتي خانه ‪n‬اُم آرایه که برابر با پاسخ مسأله هست بدون نیاز به محاسبهِ تکراریِ جملههایِ قبل از آن به‬
‫دست ميآید‪.‬‬

‫‪58‬‬
‫تمرین‪ :‬برنامهی فیبوناچي را با استفاده از بازگشتي و برنامهنویسي پویا نوشته و از لحاظ زمان اجرا با هم مقایسه‬
‫کنید‪.‬‬

‫پاسخ‪ :‬بازگشتي‪ :‬با توجه به اینکه عملیات اصلي در تابع بازگشتي جمع )‪ fib(n – 1) + fib(n - 2‬و بهازای‬
‫‪ T(n - 1) + T(n - 2) + O(1) ،n‬بار اجرا ميشود؛ بنابراین این روش )‪ O(2n‬است‪.‬‬

‫در روش دوم‪ :‬با توجه به اینکه عملیات اصلي]‪ f [i] = f [i - 1] + f [i - 2‬است و این حلقه ‪ n*c‬بار تکرار‬
‫ميشود‪ .‬این روش نیز )‪ O(n‬است‪.‬‬

‫مسأله فلوید‪:‬‬ ‫‪-6-10‬‬

‫یکي از مهمترین مسائل در دنیای امروز یافتن کوتاهترین مسیر بین دو نقطه است؛ برای مثال در گراف جهتدار‬
‫ابرکوتاهترین مسیر بین دو روتر از الگوریتمهای یافتن مسیر استفاده ميشود‪.‬‬

‫الگوریتمهای بسیار زیادی برای یافتن کوتاهترین مسیر ارائه شده است که هر کدام از آنها مزایا و معایبي دارد؛‬
‫برای مثال یکي پیادهسازی آسان ولي )‪ T(n‬باالیي دارد و برعکس‪.‬‬

‫کاربرد فلوید در نرمافزارهایي مانند گوگل مپ و نرمافزارهای مشابه برای یافتن کوتاهترین مسیر بین دو شهر‬
‫است‪.‬‬

‫یکی از الگوریتمها فِلوید‪-‬وارشال است‪ .‬با یک مثال روش کار آن را توضیح میدهیم‪.‬‬

‫مثال‪ :‬کوتاهترین مسیر در گراف زیر را با روش فلوید به دست آورید‪.‬‬

‫گام ‪ :۱‬ماتریس مجاورت (‪ )m‬را برای همهی گرهها بهدست آورید‪( .‬ماتریس مجاورت‪ ،‬ماتریسی است که نشان‬
‫می دهد از هر گره به گره دیگر یک مسیر مستقیم وجود دارد یا خیر؟ اگر وجود داشت‪ ،‬وزن یال نوشته‬

‫‪59‬‬
‫میشود و اگر وجود نداشت عالمت ∞ و طبیعتا از هر گره به همان گره‪ ،‬وزن یال برابر با صفر خواهد بود‪).‬‬
‫‪ D0‬را برابر ‪ m‬بگیرید‪.‬‬

‫‪0‬‬ ‫∞ ‪5‬‬ ‫∞‬

‫‪5‬‬
‫‪D0 = 𝑚 = [ 50‬‬ ‫‪0 15‬‬ ‫]‬
‫‪30‬‬ ‫‪∞ 0‬‬ ‫‪15‬‬
‫‪15‬‬ ‫‪∞ 5‬‬ ‫‪0‬‬
‫دقت کنید که سطر و ستونها همان رأسها هستند؛ یعنی‪:‬‬

‫گام ‪ D1 :2‬را طوری بسازید که مشخصکننده مینیمم مسیرهایي باشد که فقط از ‪ v1‬ميگذرد و یا مسیر مستقیم‬
‫هستند‪.‬‬

‫‪0‬‬ ‫‪5‬‬ ‫∞‬ ‫∞‬ ‫‪0‬‬ ‫‪0‬‬ ‫∞‬ ‫∞‬

‫‪5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪D1 = [ 50‬‬ ‫‪0 15‬‬ ‫]‬ ‫[=‪P‬‬ ‫]‬
‫‪30‬‬ ‫‪35 0‬‬ ‫‪15‬‬ ‫‪0‬‬ ‫‪𝑣1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪20 5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪𝑣1‬‬ ‫‪0‬‬ ‫‪0‬‬

‫گام ‪ D2 :3‬را طوری بسازید که شامل کوتاهترین مسیرهایي باشد که از ‪ v1‬یا ‪ v2‬عبور ميکنند و یا مستقیم‬
‫هستند‪.‬‬

‫‪0‬‬ ‫‪5 20‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0 𝑣2‬‬ ‫‪𝑣2‬‬

‫‪5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪D2 = [ 50‬‬ ‫‪0 15‬‬ ‫]‬ ‫[=‪P‬‬ ‫]‬
‫‪30‬‬ ‫‪35 0‬‬ ‫‪15‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪20 5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬

‫گام ‪ D3 :4‬را طوری بسازید که شامل کوتاهترین مسیرهایي باشد که از ‪ v1‬یا ‪ v2‬یا ‪ v3‬ميگذرد و یا مستقیم‬
‫است‪.‬‬

‫‪0‬‬ ‫‪5 20‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0 𝑣2‬‬ ‫‪𝑣2‬‬

‫‪5‬‬ ‫𝑣‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪D3 = [ 45‬‬ ‫‪0 15‬‬ ‫]‬ ‫‪P=[ 3‬‬ ‫]‬
‫‪30‬‬ ‫‪35 0‬‬ ‫‪15‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪20 5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬

‫‪60‬‬
‫گام ‪ D4 :5‬را طوری بسازید که شامل کوتاهترین مسیرهایي باشد که از ‪ v1‬یا ‪ v2‬یا ‪ v3‬یا ‪ v4‬عبور کند و یا‬
‫مستقیم باشد‪.‬‬

‫‪0‬‬ ‫‪5 15‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0 𝑣4‬‬ ‫‪𝑣2‬‬

‫‪5‬‬ ‫𝑣‬ ‫‪0 𝑣4‬‬ ‫‪0‬‬
‫‪D4 = [ 20‬‬ ‫‪0 10‬‬ ‫]‬ ‫‪P=[ 4‬‬ ‫]‬
‫‪30‬‬ ‫‪35 0‬‬ ‫‪15‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪20 5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬

‫گام ‪ :6‬ماتریس ‪ P‬را در حین ساختن ماتریسهای ‪ D‬به صورت زیر پر کنید‪( .‬همینطور که از ‪ D1‬به ‪ Dk‬پیش‬
‫ميروید)‪ ،‬وقتي کوتاهترین مسیر به دست آمد‪ ،‬رأس جدیدی که باعث به وجود آمدن مسیر کوتاهتر شده را در‬
‫‪ P‬یادداشت کنید‪ .‬اگر از یک رأس به رأس دیگر مسیر مستقیم وجود داشت و این مسیر کوتاهترین مسیر بود در‬
‫‪ ،P‬صفر قراردهید‪.‬‬

‫‪0‬‬ ‫‪0 𝑣4‬‬ ‫‪𝑣2‬‬

‫𝑣‬ ‫‪0 𝑣4‬‬ ‫‪0‬‬
‫‪P=[ 4‬‬ ‫]‬
‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪𝑣1 0‬‬ ‫‪0‬‬

‫گام آخر‪ :‬برای به دست آوردن کوتاهترین مسیر بین دو رأس به ماتریس ‪ P‬نگاه کنید‪ .‬اگر بین آن دو رأس نام‬
‫یک رأس دیگر نوشته شده‪ ،‬مسأله را برای یافتن کوتاهترین مسیر بین آن رأس و ردس مبدأ تبدیل کنید و آنقدر‬
‫این کار را تکرار کنید تا نهایتاً به صفر برسید و صفر به معني این است که بین رأس یک مانده به آخر و رأس‬
‫آخر مسیر مستقیمي وجود دارد که کوتاهترین مسیر است‪.‬‬

‫مثال‪ :‬کوتاهترین مسیر بین ‪ v1‬و ‪ v4‬را به دست آورید‪.‬‬

‫پاسخ‪ :‬طبق ماتریس‪ v1 ،P‬به ‪ v4‬از ‪ v2‬ميگذرد‪ ،‬پس داریم‪:‬‬

‫یعني مسأله از یافتن ‪ v1‬به ‪ v4‬به یافتن کوتاهترین مسیر از ‪ v2‬به ‪ v4‬تبدیل شد‪ .‬مجدداً طبق ماتریس ‪ P‬خانهی‬
‫مربوط به ‪ v2‬به ‪ v4‬صفر است؛ یعني از ‪ v2‬به ‪ v4‬مسیر مستقیمي وجود دارد که کوتاهترین مسیر است‪ ،‬پس در‬
‫نهایت کوتاهترین مسیر بین ‪ v1‬و ‪ v4‬مسیر زیر خواهد بود‪:‬‬

‫‪61‬‬
‫الگوریتم فلوید با سه حلقهی تو در تو به شکل زیر قابل پیادهسازی است‪:‬‬

‫‪62‬‬
 ‫فصل هفتم‬

‫‪1‬‬
‫تکنیکهای طراحی الگوریتم (‪ :)3‬روشهای حریصانه‬

‫دستهای از مسائل وجود دارد که برای حل آنها در طول اجرای برنامه باید همیشه کوچکترین یا بزرگترین‬
‫مقدار از یک مجموعه مقدار انتخاب شود‪ .‬این مسائل با استفاده از الگوریتمهای حریصانه حل ميشود‪.‬‬

‫مسأله خرد کردن پول‪:‬‬ ‫‪-7-1‬‬

‫مثال ‪ :1‬فرض کنید تعدادی سکه به صورت زیر داریم و ميخواهیم ‪ 36‬تومان با استفاده از این سکهها خرد‬
‫کنیم‪ ،‬با این شرط که کمترین تعداد سکه به دست آید‪:‬‬

‫برای حل این مسأله ابتدا سکهها را از بزرگ به کوچک مرتب ميکنیم و سپس بهطور حریصانه ابتدا بزرگترین‬
‫سکه را انتخاب ميکنیم و باقیمانده سکههای انتخاب شده تا مبلغ موردنظر را به دست آورده و مالک انتخاب‬
‫سکههای بعدی قرار ميدهیم؛ بنابراین مراحل به شکل زیر خواهد بود‪:‬‬

‫‪Greedy Algorithms‬‬
‫‪1‬‬

‫‪63‬‬
‫نکته مهم‪ :‬راهحل حریصانه همیشه بهترین پاسخ را به دست نميآورد‪ ،‬چرا که بزرگترین مشکل این روش‬
‫بهینهگی محلی‪1‬است‪ .‬بهینهگي محلي یعني ممکن است یک پاسخ در مقطعي از زمان درست به نظر برسد امّا‬
‫اگر بازهی زماني افزایش پیدا کند‪ ،‬آن پاسخ نسبت به کل‪ ،‬پاسخ صحیحي نیست‪ .‬به شکل زیر دقت کنید‪:‬‬

‫فرض کنید که قرار است برنامهای بنویسید که بلندترین قله را در میان یکسری عدد پیدا کند‪ ،‬اگر شما برنامه را‬
‫طوری نوشته باشید که به محض رسیدن به نقطهای که ]‪ 𝑛𝑢𝑚𝑠 [𝑖] < 𝑛𝑢𝑚𝑠 [𝑖 − 1‬است‪ ،‬آن را قله‬
‫اعالم کند‪ ،‬با توجه به شکل خواهید دید که در نقطهی ‪ A‬برنامه متوقف خواهد شد‪ ،‬در حاليکه نقطهی ‪ B‬نیز‬
‫این ویژگي را دارد و از نقطهی ‪ A‬بلندتر است‪.‬‬

‫مثال ‪ :2‬با استفاده از سکههای زیر ‪ 16‬تومان پول خرد به دست آورید‪ ،‬با همان شرط که حداقل سکهها به دست آید‪.‬‬

‫راهحل‪ :‬اگر با همان الگوریتم قبل مسأله را حل کنیم‪ ،‬خواهیم دید که پاسخ به صورت زیر خواهد بود‪:‬‬

‫در این حالت ميبینیم که پاسخ ‪ 12 ،1 ،1 ،1 ،1‬بهعنوان پاسخ نهایي انتخاب ميشود‪ ،‬در حالي که پاسخ بهینهتر‬
‫‪ 10 ،5 ،1‬است‪.‬‬

‫تمرین‪ :‬برای مسأله باال یک راهحل معتبر ارائه کنید‪.‬‬

‫‪1‬‬
‫‪Local Optima‬‬

‫‪64‬‬
 ‫‪1‬‬
‫مسأله کد هافمن‪:‬‬ ‫‪-7-2‬‬
‫الگوریتم هافمن برای فشردهسازی دادهها استفاده ميشود‪.‬‬

‫فرض کنید قرار است رشتهی زیر را فشرده کنیم‪:‬‬

‫𝑎𝑑𝑒𝑑𝑑𝑐𝑐𝑏𝑏𝑎𝑎𝑑𝑐𝑏𝑎𝑎𝑏𝑎‬

‫هافمن به روش زیر این رشتهها را فشرده ميکند‪:‬‬

‫گام ‪ :1‬فرکانس (تعداد تکرار) هر کاراکتر را به دست آورید‪ ،‬پس داریم‪:‬‬

‫‪𝑎: 6‬‬ ‫‪𝑏: 4‬‬ ‫‪𝑐: 3‬‬ ‫‪𝑑: 4‬‬ ‫‪𝑒: 1‬‬

‫(فرکانس‪ 2،‬تعداد تکرار هر چیز معموالً در واحد زمان است و نام فارسي آن بسامد ميباشد‪).‬‬

‫گام ‪ :2‬از سمت چپ دو کاراکتری را که کمترین تکرار را دارند انتخاب کنید و جمع آنها را به دست آورید‪.‬‬
‫(‪ d:4‬و ‪ b:4‬انتخاب شدهاند و جمع آنها یعني ‪ 8‬در باالی آنها نوشته شده است)‬

‫گام ‪ :3‬مجدداً از سمت چپ دو کاراکتر دیگر را که کمترین تکرار را دارند‪ ،‬انتخاب و جمع آنها را به دست‬
‫آورید‪ .‬فقط توجه کنید که دایرهی مربوط به جمعهای قبلي نیز بهعنوان یک کاراکتر قابل انتخاب خواهند بود‪.‬‬

‫گام ‪ :4‬این کار را تکرار کنید تا کاراکتری برای جمع باقي نماند‪.‬‬

‫گام ‪ :5‬با توجه به گامهای باال درخت هافمن به شکل زیر از پایین به باال ساخته خواهد شد‪ .‬از ریشه شروع کنید‬
‫و به یال سمت چپ‪ ،‬صفر و به یال سمت راست‪ ،‬یک نسبت دهید‪.‬‬

‫‪1‬‬
‫‪Hafman‬‬
‫‪2‬‬
‫‪Frequency: Cycles Per Time Unit‬‬

‫‪65‬‬
 ‫گام آخر‪ :‬کد هافمنِ هر کاراکتر‪ ،‬رشتهای از صفر و یکها از ریشه به سمت آن کاراکتر خواهد بود‪.‬‬

‫با توجه به توضیحات داده شده به جای ذخیره کردن یا ارسال کاراکتر ‪ a‬که ‪ 8‬بیت اشغال خواهد کرد‪ ،‬کد‬
‫هافمن آن یعني ‪ 00‬را ذخیره یا ارسال ميکنیم که مشخص است که حداقل ‪ 6‬بیت بهازای هر ‪ a‬فشردهسازی‬
‫داریم‪ .‬در بقیه حروف نیز به همین صورت‪.‬‬

‫نکته‪ :‬باید یک فضا هم برای ذخیره کردن کد هر حرف در نظر بگیریم که در مقصد بفهمیم که برای مثال‬
‫منظور از ‪ 00‬کاراکتر ‪ a‬بوده است‪.‬‬

‫‪66‬‬
 ‫‪1‬‬
‫مسأله درخت پوشای کمینه‪:‬‬ ‫‪-7-3‬‬
‫درخت پوشای کمینه با درخت فراگیر مینیمم در گرافهای ارزشدار (وزندار) ساخته ميشود‪.‬‬

‫فرض کنید گراف‪ ،‬یک گراف همبند باشد (یعني بین هر دو رأس متمایز آن‪ ،‬یک مسیر وجود داشته باشد)‬
‫منظور از یک درخت پوشا از این گراف‪ ،‬درختي است که شامل همه رئوس این گراف باشد ولي فقط بعضي از‬
‫یالهای آن را در برگیرد‪.‬‬

‫منظور از درخت پوشای مینیمم (برای گراف همبند وزندار) درختي است که بین درختهای پوشای آن‬
‫گراف‪ ،‬مجموع وزن یالهای آن‪ ،‬کمترین مقدار ممکن باشد‪.‬‬

‫مثال‪ :‬گراف همبند زیر را در نظر بگیرید‪ .‬گراف ‪( MST‬درخت پوشای کمینه) آن را به دست آورید‪.‬‬

‫راهحل‪ :‬برای حل مسأله از ‪ v1‬شروع ميکنیم و بهطور حریصانه یالي که کمترین وزن را دارد و به یکي از‬
‫رأسهای پیمایششده متصل است‪ ،‬به عنوان ادامه مسیر انتخاب ميکنیم‪ .‬فقط باید توجه کرد که مسیر الزم‬
‫نیست حتماً به صورت حلقه و بههم پیوسته باشد‪.‬‬

‫مراحل به شکل زیر خواهد بود‪:‬‬

‫‪1‬‬
‫‪Minimum Spanning Tree‬‬

‫‪67‬‬
‫‪1-‬‬

‫‪2-‬‬ ‫‪4-‬‬

‫‪3-‬‬
‫‪5-‬‬

‫با استفاده از تابع ‪ Prim‬به صورت زیر ميتوان این الگوریتم را پیادهسازی کرد‪:‬‬

‫‪68‬‬
 ‫تمرین‪ :‬در گراف همبند زیر درخت ‪ MST‬را به دست آورید‪.‬‬

‫‪1‬‬
‫مسأله فروشنده دورهگرد‪:‬‬ ‫‪-7-1‬‬

‫صورت این مسأله به این شکل است‪ :‬اگر یک فروشنده دورهگرد از نقطه ‪ A‬شروع کند و فواصل بین نقاط‬
‫مشخص باشد‪ ،‬کوتاهترین مسیر که از تمام نقاط یکبار بازدید کند و به ‪ A‬بازگردد‪ ،‬کدام است؟‬

‫در مسأله فروشنده دورهگرد باید از رأس ‪ v1‬به رأسهای دیگر مسیر بههم پیوستهای را پیدا کنید که ضمن گذر‬
‫از همه رئوس به رأس ‪ v1‬برگردد‪ .‬ضمناً این مسیر کمینه نیز باشد و خیلي مهم است که گراف جهتدار باشد‪.‬‬

‫مثال‪ :‬بهترین مسیر برای فروشنده دورهگرد در گراف زیر چیست؟‬

‫پاسخ‪:‬‬

‫‪1‬‬
‫‪Travelling Salesman Problem‬‬

‫‪69‬‬
 ‫الگوریتم کراسکال‪:‬‬ ‫‪-7-2‬‬
‫این الگوریتم نیز برای به دست آوردن درخت پوشای کمینه استفاده ميشود‪ ،‬با این تفاوت که مراحل آن با کمي‬
‫تفاوت به شکل زیر است‪:‬‬

‫مرحله ‪ :1‬یالها را برحسب وزنشان مرتب کنید‪.‬‬

‫)‪( 𝑣1 , 𝑣2 ∶ 1‬‬

‫)‪( 𝑣3 , 𝑣5 ∶ 2‬‬

‫)‪( 𝑣1 , 𝑣3 ∶ 3‬‬

‫)‪( 𝑣2 , 𝑣3 ∶ 3‬‬

‫)‪( 𝑣3 , 𝑣4 ∶ 4‬‬

‫)‪( 𝑣4 , 𝑣5 ∶ 5‬‬

‫)‪( 𝑣2 , 𝑣4 ∶ 6‬‬

‫‪70‬‬
 ‫مرحله ‪ :2‬هر یالي که ایجاد دور نکرد‪ ،‬انتخاب کنید‪.‬‬

‫الگوریتم دکسترا‪:‬‬ ‫‪-7-3‬‬

‫این الگوریتم نیز یکي از الگوریتمهای پیمایش گراف است که‪ ،‬مسأله «کوتاهترین مسیر از مبدأ واحد» را برای‬
‫گرافهای وزنداری که یال یا وزن منفي ندارند حل ميکند و در نهایت با ایجاد درخت کوتاهترین مسیر‪،‬‬
‫کوتاهترین مسیر از مبدأ به همه رأسهای گراف را به دست ميدهد‪.‬‬

‫توضیح‪:‬‬

‫از رأس ‪ v1‬شروع کنید و پس از آن رأسي را انتخاب کنید که مجموع یالهای رسیده تا آن رأس‪ ،‬کمینه شود‪.‬‬

‫‪71‬‬
 ‫مثال‪ :‬درخت پوشای کمینه را با استفاده از الگوریتم دکسترا به دست آورید‪.‬‬

‫تمرین‪ :‬با استفاده از الگوریتم دکسترا کوتاهترین مسیر بین ‪ v1‬و ‪ v5‬را در گراف زیر به دست آورید‪.‬‬

‫‪72‬‬
 ‫فصل هشتم‬

‫‪1‬‬
‫تکنیکهای طراحی الگوریتم (‪ :)4‬الگوریتمهای عقبگرد‬

‫بازگشت به عقب یا عقبگرد‪ ،‬تکنیکي در برنامهنویسي است که در آن برای حل یک مسأله‪ ،‬از یک گراف‬
‫جهتدار (درخت جهتدار) استفاده ميشود‪ .‬در این مسائل ابتدا یک فضای حالت برای مسائل در نظر گرفته‬
‫ميشود و آن فضای حالت به صورت گرافي که‪ ،‬هر رأس آن یک حالت و هر یال آن یک انتخاب از آن حالت‬
‫به حالت بعد است‪ ،‬نمایش داده ميشود‪ .‬مهمترین مسأله در مسائل عقبگرد‪ ،‬تشخیص بنبست در یک شاخه و‬
‫هرس کردن‪2‬آن شاخه است‪.‬‬

‫مسائلي وجود دارند که نه با تقسیم و غلبه و نه با برنامهنویسي پویا حل نميشوند‪ .‬الگوریتم حریصانه نیز در این‬
‫مسائل به جواب بهینه منتهي نميشود‪ .‬تنها راهِ یافتنِ راهحلِ بهینه‪ ،‬تولید کردن تمام راهحلها و آزمایش‬
‫آنهاست‪ ،‬که روشهای عقبگرد به این صورت عمل ميکند‪ .‬در راهبرد عقبگرد سعي ميکنیم بنبستها را‬
‫شناسایي کنیم و از دنبال کردن مسیرهای تکراری جلوگیری کنیم‪ .‬بهطور خالصه راهبرد عقبگرد عبارت است از‬
‫انتخاب دنبالهای از اشیا از یک مجموعه توأم با برآورده کردن یک شرط یا محدودیت‪.‬‬

‫راهبرد عقبگرد در حقیقت نوعي جستجو است‪.‬‬

‫مسأله ‪ 4‬وزیر‪:‬‬ ‫‪-8-1‬‬

‫صورت مسأله‪ :‬فرض کنید یک صفحه شطرنج ‪ 4*4‬داریم و ميخواهیم ‪ 4‬وزیر را بهطوری روی صفحه قرار‬
‫دهیم که هیچ وزیری امکان زدن وزیر دیگر را نداشته باشد؛ یعني هیچ وزیری نباید در دید مستقیم افقي یا‬
‫عمودی یا قطری وزیرهای دیگر باشد‪.‬‬

‫‪Back Tracking‬‬
‫‪1‬‬

‫‪2‬‬
‫‪Pruning‬‬

‫‪73‬‬
 ‫راهحل‪:‬‬

‫‪ .1‬درخت فضای حالت‪1‬را به شکل زیر رسم کنید‪.‬‬

‫‪ .2‬همانطور که مشخص است‪ ،‬این درخت ‪ 4*4*4*4 = 256‬برگ خواهد داشت‪.‬‬

‫‪ .3‬هر سطر برای یک وزیر در نظر گرفته ميشود؛ یعني سطر شماره ‪ i‬برای وزیر ‪i‬اُم‪.‬‬
‫‪ .4‬در حقیقت مسأله اصلي این است که چه شماره ستوني (‪ )j‬را برای وزیر ‪i‬اُم انتخاب کنیم‪.‬‬
‫‪ .5‬هر مسیر از ریشه تا برگ یک راهحل کاندید است که ممکن است صحیح یا غلط باشد‪.‬‬
‫‪ .6‬بنابراین این مسأله در واقع به مسأله جستجوی درخت فضای حالت تغییر ميکند و تبدیل ميشود‪.‬‬

‫‪State Space Tree‬‬

‫‪1‬‬

‫‪74‬‬
 ‫‪ .7‬به دو صورت ميتوان یک درخت را پیمایش کرد‪:‬‬
‫‪ ‬جستجوی ساده‪:‬‬
‫یعني همه گرهها را تک به تک بررسي کنیم و ببینیم که پاسخ صحیح هست یا خیر‪ ،‬که در این حالت‬
‫پردازش بسیاری الزم دارد‪.‬‬
‫‪ ‬جستجوی با راهبرد عقبگرد‪:‬‬
‫یعني گره ای که در آن احتمال پاسخ وجود ندارد را باز نکنید و آن شاخه را از نقطهای که احتمال پاسخ‬
‫بودن را نقض ميکند‪ ،‬هرس کنید‪ ،‬که در این حالت خواهیم دید بسیاری از پردازشها با هرس کردن‬
‫شاخهها حذف خواهد شد‪.‬‬
‫‪ ‬به گرهای که احتمال رسیدن به پاسخ وجود داشته باشد‪« ،‬گره امید بخش» گفته ميشود‪.‬‬

‫با توجه به نکات باال پاسخ این مسأله به شکل زیر خواهد بود‪:‬‬

‫‪75‬‬
 ‫یعني‪:‬‬

‫‪1‬‬
‫‪2‬‬
‫‪4‬‬
‫‪3‬‬

‫الگوریتم کلی مسأله ‪ 4‬وزیر‪:‬‬

‫الگوریتم ‪ 4‬وزیر به صورت بهینه شده‪:‬‬

‫در این الگوریتم گرههایي که احتمال پاسخ ندارند‪ ،‬باز نميشوند‪.‬‬

‫‪76‬‬
 ‫ميتوان این مسأله را به مسأله ‪ n‬وزیر تعمیم داد‪.‬‬

‫تمرین‪ :‬تابع ‪ Promising‬را به زبان فارسي توصیف کنید؛ یعني منظور از امید بخش بودن یک گره چیست؟‬

‫پاسخ‪ :‬تفاضل شماره ستون فرزند (‪ )k‬و والد (‪ )i‬نباید از ‪ 1‬کمتر باشد؛ یعني‪:‬‬

‫‪| 𝑐𝑜𝑙 (𝑖) − 𝑐𝑜𝑙 (𝑘)| > 1‬‬

‫مسأله حاصل جمع زیرمجموعهها‪:‬‬ ‫‪-8-2‬‬

‫صورت مسأله‪ :‬مجموعهای مانند } 𝑛𝑤 ‪ {𝑤1 , 𝑤2 , … ,‬داریم که ميخواهیم زیرمجموعهای از این مجموعه‬
‫انتخاب کنیم؛ به این شرط که 𝑤 = 𝑖𝑤 ∑ ‪.‬‬

‫مثال‪ :‬از مجموعهی زیر‪ ،‬زیر مجموعهای انتخاب کنید که جمع آنها ‪ 6‬شود‪:‬‬

‫}‪{2, 4, 5‬‬

‫راهحل‪ :‬درخت حالت این مسأله به صورت زیر است‪:‬‬

‫}‪{𝑤1: 2, 𝑤2: 4, 𝑤3: 5‬‬

‫‪77‬‬
‫همانطور که مشاهده ميکنیم درخت فضای حالت این مسأله بسیار پیچیده خواهد شد‪ ،‬ميتوان مسأله را به‬
‫صورت درخت دودویي در نظر گرفت که در هر حال‪ ،‬یکي از عناصر انتخاب ميشود یا نميشود؛ بنابراین‬
‫داریم‪:‬‬

‫مسأله رنگآمیزی گراف با ‪ m‬رنگ (‪:)M–Coloring‬‬ ‫‪-8-3‬‬

‫صورت مسأله‪ :‬گراف زیر را با سه رنگ طوری رنگ کنید که هیچ دو رنگي مجاور هم قرار نگیرند‪.‬‬

‫‪78‬‬
‫این مسأله در رنگآمیزی نقطههای جغرافیایي یا سلولبندی شبکههای مخابراتي کاربرد دارد‪ .‬برای به دست‬
‫آوردن پاسخ مسأله‪ ،‬درخت فضای حالت را به صورت زیر رسم ميکنیم‪:‬‬

‫پس از ساخت گراف‪ ،‬تکتکِ مسیرها بررسي ميشوند و با توجه به یالهای گراف تصمیم ميگیریم که این‬
‫مسیر پاسخگوی مسأله هست یا خیر‪ .‬به طور مثال‪ ،‬مسیر اول عبارت است از‪:‬‬

‫‪m1,m1,m1,m1‬‬

‫که قطعاً پاسخ مسأله نیست (چون طبق گراف نباید رنگ ‪ v1‬و ‪ v2‬یکسان باشد‪ .‬مسیر دوم‪:‬‬

‫‪m1,m1,m1,m2‬‬

‫این نیز پاسخ درستي نخواهد بود و به همین صورت تمام مسیرها بررسي ميشود‪.‬‬

‫اما این گراف ميتواند طبق الگوریتم عقبگرد‪ ،‬هرس شود و به طور مثال وقتي بعد از ‪ m1‬دوباره ‪ m1‬انتخاب‬
‫ميشود‪ ،‬این شاخه‪« ،‬غیر امیدبخش» تشخیص داده شود و هرس شود و برگهای آن بررسي نشود‪...‬‬

‫مثال‪ :‬نقشهی زیر حداقل به چند رنگ نیاز دارد تا مسأله ‪ M–Coloring‬در مورد آن صدق کند‪.‬‬

‫راهحل‪ :‬برای حل مسأله‪ ،‬آن را به گراف زیر تبدیل ميکنیم‪:‬‬

‫‪79‬‬
‫بنابراین به یک مسأله ‪ M–Coloring‬تبدیل شد که باید درخت حالت مسأله آن را رسم کنیم‪ .‬مسأله را‬
‫یکبار‪ ،‬با یک رنگ حل ميکنیم‪ ،‬که داریم‪:‬‬

‫سپس با دو رنگ‪:‬‬

‫سپس سه رنگ و سپس چهار رنگ‪.‬‬

‫‪80‬‬
‫اگر به همین صورت با دو‪ ،‬سه و چهار رنگ ادامه دهیم‪ ،‬به این نتیجه خواهیم رسید که فقط با چهار رنگ‪ ،‬امکان‬
‫انتخاب رنگهایي وجود دارد که مجاور نباشد‪.‬‬

‫‪1‬‬
‫مسأله کولهپشتی‪:‬‬ ‫‪-8-4‬‬
‫صورت مسأله‪ :‬فرض کنید قرار است یک جهانگرد از بین اشیاء زیر حداقل اشیائي را انتخاب کند که وزن‬
‫آنها بیش از ‪ 15‬کیلوگرم نشود و در عین حال سودمندترین اشیاء باشد‪( .‬منظور از ارزش هر شیئ میزان نیازمندی‬
‫جهانگرد به آن شیئ است)‬

‫مسأله را به صورت زیر در نظر بگیریم قابل فهمتر است‪:‬‬

‫برای حل مسأله ابتدا تناسب سود به وزن را به صورت زیر محاسبه ميکنیم‪:‬‬
‫‪4‬‬
‫= ‪𝑤1‬‬ ‫‪= 0.3‬‬
‫‪12‬‬
‫‪2‬‬
‫= ‪𝑤2‬‬ ‫‪=2‬‬
‫‪1‬‬
‫‪1‬‬
‫= ‪𝑤3‬‬ ‫‪=1‬‬
‫‪1‬‬
‫‪10‬‬
‫= ‪𝑤4‬‬ ‫‪= 2.5‬‬
‫‪4‬‬
‫‪2‬‬
‫= ‪𝑤5‬‬ ‫‪=1‬‬
‫‪2‬‬

‫‪1‬‬
‫‪Knapsack‬‬

‫‪81‬‬
 ‫درخت فضای حالت را بهصورت زیر رسم میکنیم‪:‬‬

‫تمرین‪ :‬این مسأله را با روش حریصانه حل کنید‪.‬‬

‫انواع مسأله کولهپشتی‪:‬‬ ‫‪-8-5‬‬

‫کولهپشتی صفر و یک (‪ :)0 ، 1‬در این دسته مسائل کلِ یک شیئ را ميتوانیم یا نميتوانیم انتخاب کنیم‪.‬‬

‫کولهپشتی کسری‪ :‬در این دسته مسائل ميتوانیم‪ ،‬کسری از یک شیئ را انتخاب کنیم‪.‬‬

‫تمرین‪ :‬برای کولهپشتي کسری یک مثال از دنیای واقعي بزنید‪...‬‬

‫‪82‬‬