Hlavní navigace

Nezávazné bádání nad časovou náročností programu - I

18. 2. 2021 0:00 Jiří Raška

Počátečním impulzem pro následující nezávazné pojednání byla hra BENDER – Episode 3. Podstatou úkolu bylo zjištění z naměřených dat, jaké asi komplexnosti je program v závislosti na velikosti testovacích vzorků dat.

Zadání úkolu je dosti návodné, takže vás nebudu obtěžovat popisem svého řešení. Jistě vymyslíte vlastní řešení, pokud vás to bude zajímat.

Na druhou stranu je to problematika, která mne zaujala a řekl jsem si, že bych se na ní rád něco přiučil. Takže zde je shrnutí mého bádání nad komplexností programů:

Vyvíjím nějaký geniální software, jak také jinak. Testuji ho na testovacích datech, a všechno vypadá nádherně. Nicméně po nasazení do provozu to najednou začne drhnout, uživatelé si stěžují že je to pomalé a podobně.

Problém může být zakopaný v tom, že testovacích dat je obvykle výrazně méně než těch produkčních. No a ten můj software je sice geniální, ale má příliš velkou složitost, takže pro velká data je to pomalé.

Složitost se obvykle v dokumentaci značí velkým O, např. O(n log n).

Pro základní algoritmy můžeme být někdy schopni odhadnout, jaká složitost našeho řešení asi je. Ale co pro složitější algoritmy? Tam asi pomůže jenom měření testovacích dat, analýza výsledků a predikce časové náročnosti po nasazení do reálného provozu.

A o to jsem se v tomhle povídání pokusil.

In [4]:
import os
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
%matplotlib inline

Analyzovaná data

Pro analýzu potřebuji posbírat nějaká empiricky zjištěná data o mém algoritmu.

Dělám to tak, že si postupně volím velikost testovacích dat, na které pošlu svůj algoritmus. Může to být počet řádků v databázi, nebo velikost souboru vstupních dat, nebo něco podobného. No a následně měřím, jak dlouho mně algoritmus běžel.

Takže výsledek jsou dvojice čísel: ( <velikost vzorku>, <doba běhu algoritmu> ) Velikost vzorku je obvykle celé číslo větší jak nula. Době běhu algoritmu pak reálné číslo, obvykle v sekundách nebo v milisekundách.

Takhle nějak by mohla vypadat analyzovaná data (doba běhu jsou milisekundy):


10 384.8
30 486.4
50 876.6
70 1142.2
90 1861.0
100 2239.5
300 21175.3
500 58231.4
700 115257.1
900 191215.3

V rámci tohoto článku používám data připravená pro testování úkolu BENDER – Episode 3. Takže se jedná o „dobrá“ testovací data připravená tak, aby to rozumně vyšlo.

Co budu na datech zjišťovat

Postupně budu zjišťovat:

  • odhad složitosti algoritmu, tedy vybrat složitost O, která nejblíže odpovídá naměřeným datům
  • parametery funkce, kterou proložím naměřená data (regresní analýza)
  • vyhodnocení funkce pro zadanou velikost produkčních dat

Komplexnost algoritmu

Pro další bádání jsem si vybral následující sadu komplexity algoritmu a k nim příslušných funkcí:

In [5]:
X = 20

compl = {
    'O(1)':         lambda x: np.zeros(x.shape) if isinstance(x, np.ndarray) else 1,
    'O(log n)':     lambda x: np.log2(x),
    'O(n)':         lambda x: x,
    'O(n log n)':   lambda x: x * np.log2(x),
    'O(n^2)':       lambda x: np.power(x, 2),
    'O(n^2 log n)': lambda x: np.power(x, 2) * np.log2(x),
    'O(n^3)':       lambda x: np.power(x, 3),
    'O(2^n)':       lambda x: np.exp2(x),
}
x = np.array(range(1, X))

for name, f in compl.items():
    y = f(x) / f(X)
    plt.plot(x, y, label=name)

plt.legend(bbox_to_anchor=(1.04,1), loc="upper left")
plt.show()
image01

V tomto případě se pokouším zjistit, který průběh výše uvedené funkce nejvíce odpovídá mým naměřeným datům. Nejde mně tedy ani o velikosti jednotlivých čísel, jako spíše o tvar křivky.

Je zde ovšem jedem problém. V případě velkých komplexností, jako je např. O(2n), se můžu pro relativně malé číslo n dostat mimo rozsah reálných čísel.

Proto nejříve provedu normalizaci naměřených dat. Zvolím si nějaké rozumné číslo pro velikost n, něco mezi 20 a 100. Dále pak analyzovaná data převedu do rozsahu 0..n pro velikost vzorku, a 0..1 pro dobu běhu algoritmu.

Na takto normalizovaná data již můžu použít metodu nejmenších čtverců pro porovnání s funkcemi komplexity.

In [6]:
def complexity_phase(x_values, y_values, samples):
    """
    Chooses algorithm complexity, which best suites provided data sample.

    :param x_values: independent variable representing sample data count
    :param y_values: dependent variable representing execution time (usually in seconds)
    :param samples:  number of samples used for normalization
    :return:         algorithm complexity label
    """
    x = np.array(x_values)
    y = np.array(y_values)

    xx = np.linspace(np.min(x), np.max(x), samples, dtype=int)
    yy = np.interp(xx, x, y)

    min_y = np.min(yy)
    max_y = np.max(yy)
    norm_x = np.arange(1, samples + 1)
    norm_y = (yy - min(y)) / (max_y - min_y)

    complexity = {
        'O(1)':         (lambda v: np.ones(v.shape),                2.0),
        'O(log n)':     (lambda v: np.log2(v),                      np.log2(samples)),
        'O(n)':         (lambda v: v,                               samples),
        'O(n log n)':   (lambda v: v * np.log2(v),                  samples * np.log2(samples)),
        'O(n^2)':       (lambda v: np.power(v, 2),                  np.power(samples, 2)),
        'O(n^2 log n)': (lambda v: np.power(v, 2) * np.log2(v),     np.power(samples, 2) * np.log2(samples)),
        'O(n^3)':       (lambda v: np.power(v, 3),                  np.power(samples, 3)),
        'O(2^n)':       (lambda v: np.exp2(v),                      np.exp2(samples)),
    }

    res = []
    for comp, (func, coef) in complexity.items():
        z = np.sum(np.power(norm_y - func(norm_x) / coef, 2))
        res.append((comp, z))
    return min(res, key=lambda a: a[1])[0]

data_path = './AlgorithmComplexity'
data_sets = [
    'data01.txt',
    'data02.txt',
    'data03.txt',
    'data04.txt',
    'data05.txt',
    'data06.txt',
    'data07.txt',
]

for sample in data_sets:
    values_x, values_y = [], []
    with open(os.path.join(data_path, sample), 'r') as f:
        complexity = f.readline().strip()
        for l in f:
            x, y = l.split()
            values_x.append(int(x))
            values_y.append(float(y))

    x = np.array(values_x)
    y = np.array(values_y)

    estimated_complexity = complexity_phase(x, y, 100)

    print(f"{sample}: {estimated_complexity}")
data01.txt: O(1)
data02.txt: O(n)
data03.txt: O(n log n)
data04.txt: O(n^2)
data05.txt: O(n^2)
data06.txt: O(n^3)
data07.txt: O(2^n)

Parametry regresní funkce

Teď, když už mám vybranout funkci komplexnosti, se pokusím spočítat její parametry. Tady mně již jde o skutečné hodnoty, proto žádná normalizace nepřipadá v úvahu.

Do každé funkce jsem doplnil ještě komplesnost O(1), protože spuštění každého algoritmu může mít nějakou režii bez ohledu na velikost vzorku dat.

Dále provedu regresní analázů pro zadanou funkci a testovací data. Výsledkem jsou pak parametry funkce:

In [7]:
REGRESSION_FUNCTIONS = {
    'O(1)':             (lambda x, a: a,                                        "{0:6f}"),
    'O(log n)':         (lambda x, a, b: a + b * np.log2(x),                    "{0:6f} + {1:6f} * log2(x)"),
    'O(n)':             (lambda x, a, b: a + b * x,                             "{0:6f} + {1:6f} * x"),
    'O(n log n)':       (lambda x, a, b: a + b * x * np.log2(x),                "{0:6f} + {1:6f} * x * log2(x)"),
    'O(n^2)':           (lambda x, a, b: a + b * np.power(x, 2, dtype=float),   "{0:6f} + {1:6f} * x^2"),
    'O(n^2 log n)':     (lambda x, a, b: a + b * np.power(x, 2, dtype=float) * np.log2(x),   "{0:6f} + {1:6f} * x^2 * log2(x)"),
    'O(n^3)':           (lambda x, a, b: a + b * np.power(x, 3, dtype=float),   "{0:6f} + {1:6f} * x^3"),
    'O(2^n)':           (lambda x, a, b: a + b * np.power(2, x, dtype=float),   "{0:6f} + {1:6f} * 2^x"),
}

def regression_phase(x_values, y_values, label):
    """
    Computes regression function parameters.

    :param x_values: independent variable representing sample data count
    :param y_values: dependent variable representing execution time (usually in seconds)
    :param label:    complexity label
    :return:         regression function parameters
    """
    x = np.array(x_values, dtype=float)
    y = np.array(y_values, dtype=float)

    popt, pcov = curve_fit(REGRESSION_FUNCTIONS[label][0], x, y)
    return popt

for sample in data_sets:
    values_x, values_y = [], []
    with open(os.path.join(data_path, sample), 'r') as f:
        complexity = f.readline().strip()
        for l in f:
            x, y = l.split()
            values_x.append(int(x))
            values_y.append(float(y))

    x = np.array(values_x)
    y = np.array(values_y)

    params = regression_phase(x, y, complexity)

    print(f"{sample}: {REGRESSION_FUNCTIONS[complexity][1].format(*params)}")
data01.txt: 186000.000000
data02.txt: 300.012861 + 26.093507 * x
data03.txt: -4389.523109 + 6.811732 * x * log2(x)
data04.txt: 1028.894797 + 0.026123 * x^2
data05.txt: -41088.241734 + 5.702016 * x^2 * log2(x)
data06.txt: 1458.612242 + 0.026220 * x^3
data07.txt: 3137.905018 + 0.199635 * 2^x

Odhad doby pro produkční data

A když už mám zjištěnou regresní funkci a její parametry, můžu velice jednoduše odhadnout, jak dluho by mně mohlo trvat spuštění algoritmu pro velikost produkčních dat.

Tak například pro testovacá data data07.txt :

In [8]:
x = 100
a, b = 3137.905018, 0.199635
f = REGRESSION_FUNCTIONS['O(2^n)'][0]
y = f(x, a, b)

print(f"{x=}{y=}")
x=100 y=2.530674275765626e+29

A to je pro dnešek vše, ale pokračování ještě bude.

Sdílet