Algoritmi Euristici Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Universit`a degli Studi di Milano Lezioni: Mercoled`ı 08.30 - 10.30 Ricevimento: su appuntamento Tel.: 02 503 16235 E-mail: [email protected] Web page: http://homes.di.unimi.it/~cordone/courses/2014-ae/2014-ae.html Venerd`ı 08.30 - 10.30 Lezione 5: Analisi sperimentale di prestazione Milano, A.A. 2014/15 1 / 28 Efficacia di un algoritmo euristico L’efficacia di un algoritmo euristico pu` o essere sottoposta ad • analisi teorica (a priori): dimostrare che l’algoritmo fornisce soluzioni con una data garanzia di qualit`a sempre o con una data frequenza • analisi sperimentale (a posteriori): misurare le prestazioni dell’algoritmo su un campione di istanze di benchmark L’analisi teorica `e complicata dal fatto che • spesso l’impatto di un’operazione sulla soluzione non ` e diretto, ma deriva da interazioni con altre operazioni • se vi sono passi casuali, si richiede un trattamento statistico anche usando il criterio del caso pessimo Le conclusioni dell’analisi teorica possono essere insoddisfacenti in pratica perch´e fondate su assunzioni poco rappresentative • un caso pessimo infrequente • una distribuzione di probabilit` a delle istanze irrealistica This material is partly based on slides provided with the book “Stochastic Local Search” by H. H. Hoos und T. St¨ utzle, (Morgan Kaufmann, 2004) - see www.sls-book.net for further information. 2 / 28 Analisi sperimentale L’approccio sperimentale `e molto comune nella scienza • la matematica ` e un’eccezione, fondata sull’approccio formale • ma l’algoritmica ` e un’eccezione nell’eccezione Perci` o si tende a dimenticare le basi del metodo sperimentale scientifico 1 partire dall’osservazione 2 formulare un modello (ipotesi di lavoro) finch´e non si ottiene un modello soddisfacente 3 a) b) c) d) progettare esperimenti computazionali per validare il modello condurre gli esperimenti e raccoglierne i risultati analizzare i risultati con metodi quantitativi rivedere il modello in base ai risultati Che cosa si intende con “modello” nello studio degli algoritmi? 3 / 28 Obiettivi dell’analisi L’analisi sperimentale indaga • in fisica le leggi che regolano il comportamento dei fenomeni • in algoritmica le leggi che regolano il comportamento degli algoritmi Si tratta di 1 ottenere indici sintetici di efficacia e di efficienza di un algoritmo 2 confrontare l’efficacia di algoritmi diversi per indicare il migliore 3 descrivere il legame fra efficacia o efficienza di un algoritmo e parametri delle istanze (dimensione n, ecc. . . ) 4 suggerire miglioramenti all’algoritmo 4 / 28 Benchmark Non potendo testare tutte le istanze, occorre definire un campione Un campione significativo deve coprire diverse • dimensioni, in particolare per l’analisi sperimentale della complessit` a • caratteristiche strutturali (per i grafi: densit` a, grado, diametro, . . . ) • tipologie • di applicazione: logistica, telecomunicazioni, produzione, . . . • di generazione: realistiche, artificiali, trasformazioni di altri problemi • di distribuzione probabilistica: uniforme, normale, esponenziale, . . . Non ha senso cercare un campione strettamente “equiprobabile” perch´e • si devono evitare le istanze che richiedono troppo tempo • bisogna raccogliere dati in quantit` a sufficiente a fare estrapolazioni • ci si deve concentrare sulle istanze pi` u difficili • avranno un impatto pi` u forte (anche ipotizzando l’equiprobabilit` a) • sono quelle da cui si pu` o imparare di pi` u • ci si deve concentrare sulle istanze pi` u frequenti in pratica • avranno un’utilit` a maggiore per le applicazioni 5 / 28 Riproducibilit`a Il metodo scientifico richiede risultati riproducibili e controllabili • per quanto riguarda le istanze, occorre usare • istanze gi` a pubblicamente disponibili • nuove istanze rese disponibili • per quanto riguarda l’algoritmo, occorre specificare • esattamente e completamente i dettagli implementativi • il linguaggio di programmazione • il compilatore • per quanto riguarda l’ambiente, occorre specificare • • • • la macchina usata il sistema operativo la memoria disponibile ... La riproduzione di risultati ottenuti da altri `e estremamente difficile 6 / 28 Analisi della qualit`a della soluzione Consideriamo l’esecuzione dell’algoritmo A come un esperimento casuale • l’insieme delle istanze I costituisce lo spazio degli esiti • la differenza relativa δA (I ) ` e la variabile aleatoria sotto indagine Le prestazioni di A sono descritte dalle propriet`a statistiche di δA (I ) • i parametri di uso pi` u comune e classico • il valore atteso di δA (I ) • la varianza di δA (I ) tendono a “subire” l’influsso dei valori estremi (specie quelli cattivi) • di recente, si cominciano a preferire altre statistiche descrittive • pi` u dettagliate • pi` u “stabili” 7 / 28 Solution Quality Distribution (SQD) La descrizione completa si ottiene con la funzione di distribuzione, che indica la probabilit`a che δA (I ) ≤ α per ogni α ∈ R La funzione di distribuzione di δA (I ) fornisce il diagramma SQD 8 / 28 Solution Quality Distribution (SQD) Per qualsiasi algoritmo, la funzione di distribuzione di δA (I ) • ` e nulla per α < 0 • tende a 1 per α → +∞ • ` e costante a tratti (I `e un insieme discreto) • ` e monotona non decrescente Inoltre, se si considerano • algoritmi esatti, ` e una funzione a gradino, pari a 1 per ogni α ≥ 0 • algoritmi α ¯ -approssimati, `e una funzione pari a 1 per ogni α ≥ α ¯ 9 / 28 Protocollo per generare il diagramma SQD In pratica, si ricostruisce un diagramma campionario della funzione 1 Si genera un campione B ⊂ I di istanze indipendenti (con |B| = k sufficientemente grande) 2 Si applica l’algoritmo a ogni istanza I ∈ B e si costruisce l’insieme ∆A,B = {δA (I ) : I ∈ B} 3 4 Si ordina ∆A,B per valori non decrescenti: ∆A,B = {δ1 , . . . , δk } j Si riportano nel grafico i punti δj , per j = 1, . . . , k k 10 / 28 Diagrammi SQD parametrici Dati i problemi teorici e pratici nella definizione di un campione significativo spesso il diagramma `e parametrizzato rispetto a • un parametro strutturale delle istanze (dimensione n, . . . ) • un parametro probabilistico della distribuzione assunta per le istanze Questo rende pi` u limitate le conclusioni, ma pi` u significativo il campione Inoltre, permette di individuare delle tendenze generali 11 / 28 Statistiche descrittive e boxplot Una rappresentazione pi` u compatta `e data da statistiche descrittive come • il valore atteso e la varianza campionarie (pi` u classici) • la mediana e i vari quantili campionari (pi` u “stabili”) • il diagramma box-plot (o box and whiskers plot), che riporta • mediana campionaria (q0.5 ) • quartile inferiore e superiore campionari (q0.25 e q0.75 ) • valori estremi campionari (spesso indicando a parte gli “outlier”) 12 / 28 Confronto fra algoritmi con i diagrammi SQD Come si fa a dire che un algoritmo `e meglio di un altro? • dominanza stretta: ottiene risultati migliori su tutte le istanze δA2 (I ) ≤ δA1 (I ) per ogni I ∈ I Di solito, avviene solo in casi banali (per es., A2 “contiene” A1 ) • dominanza probabilistica: la funzione di distribuzione ha valori pi` u alti per ogni valore di α FA2 (α) ≥ FA2 (α) per ogni α ∈ R Esempio: l’algoritmo ILS trova con alta probabilit`a differenze minori di MMAS, ma anche maggiori. Non c’`e dominanza: ILS `e meno “robusto” 13 / 28 Confronto fra algoritmi con i diagrammi boxplot Un confronto pi` u sintetico si pu` o condurre con i diagrammi boxplot Se i diagrammi sono completamente separati, c’`e dominanza stretta La dominanza probabilistica si pu` o intuire dalla posizione relativa dei cinque quartili disponibili (q0 , q0.25 , q0.5 , q0.75 , q1 ) 14 / 28 Test statistici I diagrammi sono per` o sempre empirici: come sapere se la differenza empirica fra due algoritmi dati, A1 e A2 , `e significativa? (A ) (A ) Per semplicit`a studiamo le mediane q0.51 e q0.52 , ignorando la robustezza (per confrontare intere distribuzioni c’`e il test di Kolmogorov-Smirnov) Le variabili aleatorie δA1 (I ) e δA2 (I ) son definite sullo spazio degli esiti I • si formula l’ipotesi nulla H0 : le due distribuzioni hanno la stessa mediana teorica • si sceglie un livello di significativ` a α, che sar`a la probabilit`a massima • di rifiutare H0 nell’ipotesi che sia vera, • cio` e di considerare diverse due mediane che invece sono identiche • cio` e di considerare diversamente efficaci due algoritmi equivalenti (a livello di mediana dell’errore) Valori tipici sono α = 5% o α = 1% • si estrae un campione di istanze B e gli si applicano i due algoritmi • si applica alle coppie di valori ottenuti il test di Wilcoxon, ottenendo una probabilit`a p che indica quant’`e probabile la relazione fra le coppie di valori osservati, supponendo vera H0 • se p < α, si rifiuta H0 15 / 28 Test di Wilcoxon (ipotesi) ` un test non parametrico, cio`e non fa ipotesi sulla distribuzione di E probabilit`a dei valori testati Questo lo rende adatto a valutare algoritmi euristici, dato che la distribuzione della differenza relativa δ (I ) per tali algoritmi non `e nota Si basa sulle seguenti ipotesi: • i dati sono accoppiati e vengono dalla stessa popolazione (si ottengono applicando A1 e A2 alle stesse istanze, estratte da I) • ogni coppia di dati ` e estratta indipendentemente dalle altre (le istanze vengono generate in maniera fra loro indipendente) • i dati sono misurati su scale almeno ordinali (non contano i valori ottenuti, ma il loro ordine relativo) 16 / 28 Test di Wilcoxon (esecuzione) Il test esegue le seguenti operazioni 1 calcola le differenze assolute |δA1 (I ) − δA2 (I )| per i = 1, . . . , k 2 le ordina per valori crescenti e attribuisce un rango Ri a ciascuna 3 somma separatamente i ranghi delle coppie con differenza positiva e quelli delle coppie con differenza negativa + W = − W = P Ri i:δA1 (Ii )>δA2 (Ii ) P Ri i:δA1 (Ii )<δA2 (Ii ) Se l’ipotesi nulla H0 fosse vera, le due somme dovrebbero coincidere 4 5 la differenza fra W + e W − consente di calcolare il valore di p (i 2k esiti indicano se la prima, seconda. . . differenza `e positiva o no: si conta quanti hanno |W + − W − | pari o superiore all’osservazione) se p < α, la differenza `e significativa • se W + < W − , A1 ` e meglio di A2 • se W + > W − , A1 ` e peggio di A2 17 / 28 Conclusioni possibili Il test di Wilcoxon pu` o suggerire • che uno dei due algoritmi sia significativamente migliore dell’altro • che i due algoritmi siano statisticamente equivalenti Se il campione `e composto da classi di istanze parametricamente distinte, algoritmi complessivamente equivalenti potrebbero non esserlo sulle singole classi di istanze; lo studio rivelerebbe • classi di istanze a cui conviene applicare A1 • classi di istanze a cui conviene applicare A2 • classi di istanze sulle quali i due algoritmi si equivalgono 18 / 28 E il tempo? Il confronto di algoritmi che richiedono tempi diversi `e in generale iniquo (a meno che risparmiare tempo non sia esplicitamente definito inutile) Un algoritmo `e migliore di un altro quando contemporaneamente 1 ottiene risultati migliori 2 richiede un tempo inferiore Analisi che prescindono dal tempo di calcolo possono valere se • si considera un algoritmo singolo senza fare confronti • si confrontano varianti di un algoritmo che richiedono ugual tempo di calcolo (tipicamente, ottenute variando un parametro numerico) • si confrontano algoritmi che hanno molte operazioni in comune e differiscono solo per operazioni di durata relativamente trascurabile 19 / 28 Analisi del tempo di calcolo (diagramma RTD) Anche T (I ) si pu` o descrivere come variabile aleatoria in In : la funzione di distribuzione fornisce il diagramma Run Time Distribution (RTD) Diagrammi significativi si ottengono solo tenendo fissa la dimensione n (e altri parametri rilevanti suggeriti dall’analisi del caso pessimo) Se tutti i parametri influenti sono stati individuati, il diagramma RTD degenera in un diagramma a gradino, con valore di soglia E [T (I ) |I ∈ In ] 20 / 28 Analisi del tempo di calcolo (diagrammi di scaling) L’andamento del tempo medio di calcolo al variare di n pu`o comunque essere significativamente inferiore alla stima nel caso pessimo Uno studio sull’andamento empirico del tempo di calcolo richiede di • estrarre una sequenza di campioni Bn per valori crescenti di n • applicare l’algoritmo e calcolare i valori medi di T (I ) per ogni n P T (I ) I ∈Bn • tracciare i punti n, |Bn | • ipotizzare un’interpolante con l’aiuto dell’analisi teorica • tarare i parametri dell’interpolante 21 / 28 Relazione fra qualit`a e tempo di calcolo ` in generale scorretto confrontare E • algoritmi lenti con risultati buoni • algoritmi veloci con risultati cattivi Molti algoritmi trovano pi` u di una soluzione durante l’esecuzione, e quindi possono fornire un risultato anche se terminati prematuramente Definiamo δA (I , t) la differenza relativa della miglior soluzione trovata dall’algoritmo A dopo un tempo t • per convenzione, poniamo δA (I , t) = +∞ quando all’istante t l’algoritmo non ha ancora trovato soluzioni ammissibili • δA (I , t) ` e una funzione monotona non crescente di t • quando l’algoritmo termina, δA (I , t) rimane costante La cosa `e interessante soprattutto per algoritmi dotati di memoria o passi casuali, dato che il loro tempo di calcolo `e fissato dall’utente 22 / 28 Classificazione La relazione asintotica fra qualit`a del risultato e tempo di calcolo consente di classificare gli algoritmi in • completi: per ogni istanza I ∈ I trovano la soluzione ottima in tempo finito ∃t¯I ∈ R+ : δA (I , t) = 0 per ogni t ≥ t¯, I ∈ I Tipico esempio: gli algoritmi esatti • probabilisticamente approssimativamente completi: per ogni istanza I ∈ I, la probabilit`a che trovino la soluzione ottima tende a 1 per t → +∞ lim Pr [δA (I , t) = 0] = 1 per ogni I ∈ I t→+∞ Tipico esempio: molte metaeuristiche randomizzate • essenzialmente incompleti: per alcune istanze I ∈ I, la probabilit` a che trovino la soluzione ottima `e strettamente < 1 per t → +∞ ∃I ∈ I : lim Pr [δA (I , t) = 0] < 1 t→+∞ Tipico esempio: gli algoritmi greedy, quelli di ricerca locale, . . . 23 / 28 Generalizzazione approssimata Un’ovvia generalizzazione sostituisce la ricerca dell’ottimo con quella di un dato livello di approssimazione δA (I , t) = 0 → δA (I , t) ≤ α • algoritmi α-completi: per ogni istanza trovano una soluzione α-approssimata in tempo finito (per es., gli algoritmi α-approssimati) • algoritmi probabilisticamente approssimativamente α-completi: per ogni istanza I ∈ I, la probabilit`a che trovino una soluzione α-approssimata tende a 1 per t → +∞ • algoritmi essenzialmente α-incompleti: per alcune istanze I ∈ I, la probabilit`a che trovino una soluzione α-approssimata `e strettamente < 1 per t → +∞ A questo punto, possiamo tornare a vedere In come spazio degli esiti e caratterizzare statisticamente un algoritmo in termini di compromesso fra • l’aspetto qualitativo, descritto dalla soglia t • l’aspetto temporale, descritto dalla soglia α 24 / 28 La probabilit`a di successo Definiamo probabilit`a di successo πA,n (α, t) la probabilit`a che l’algoritmo A trovi in tempo ≤ t una soluzione di livello ≤ α πA,n (α, t) = Pr [δA (I , t) ≤ α|I ∈ In ] Ne derivano diversi diagrammi secondari 25 / 28 Diagrammi Qualified Run Time Distribution (QRTD) I diagrammi QRTD descrivono l’andamento del tempo necessario a raggiungere prefissati livello di qualit`a Sono utili quando il tempo di calcolo non `e una risorsa stringente Se l’algoritmo `e completo, il diagramma `e lo stesso per ogni α Se l’algoritmo `e α ¯ -approssimato, il diagramma `e lo stesso per ogni α ≥ α ¯ e coincide col diagramma RTD dell’algoritmo 26 / 28 Diagrammi Solution Quality Distribution (SQD) I diagrammi SQD descrivono l’andamento del livello di qualit`a raggiunto in un dato tempo di calcolo Sono utili quando il tempo di calcolo `e una risorsa stringente Se l’algoritmo `e α-completo, il diagramma tende per t + ∞ a un gradino con soglia α = 0 (soluzione ottima) Per gli algoritmi incompleti, invece, si tende a una distribuzione asintotica 27 / 28 Diagrammi Solution Quality statistics over Time (SQT) Infine si possono tracciare le linee di livello associate ai diversi quantili Queste descrivono il compromesso fra qualit`a e tempo di calcolo Un algoritmo robusto avr`a linee molto ravvicinate fra loro 28 / 28
© Copyright 2024 Paperzz