Участник:StasFomin/Innopolis/Wtf

Требуемая страница

• https://eduwiki.innopolis.university/index.php/BSc:_EfficientAlgorithms

Зарегистрироваться-залогинится не дает:

Поэтому копируйте отсюда:

Эффективные алгоритмы для труднорешаемых задач

Квалификация выпускника: бакалавр

Направление подготовки: Направление 01.04.02 «Прикладная математика и информатика».

Направленность (профиль) образовательной программы: «Системное программирование и компьютерные науки». Образовательная программа «Вычислительная математика».

Программу разработал(а): Фомин С.А.

1. Краткая характеристика дисциплины

Изучение дисциплины обеспечивает формирование и развитие компетенций обучающихся в области программного обеспечения и его разработки; искусственного интеллекта и его применения для решения различных прикладных задач в рамках профессиональной деятельности. В ходе освоения дисциплины обучающиеся рассматривают:

• Теорию сложности, для определения
  • классов задач допускающих эффективное решение детерминированными и вероятностными алгоритмами — классы P, RP, ZPP, BPP и т.п.
  • классов задач, для которых считается невозможным существование эффективных алгоритмов точного решения — NP-complete, PSPACE-complete.
  • классов задач, для которых считается невозможным существование эффективных алгоритмов поиска приближенного решения — APX-complete.
• Классические алгоритмы решения задач на графах и множествах (кратчайшие пути, покрытия, сортировки)
• Алгоритмы, подходы и эвристики, для решения NP-полных задач:
  • приближенные алгоритмы с гарантированной точностью, включая алгоритмы с любой, заранее выбранной точностью — PTAS, FPTAS.
  • вероятностные алгоритмы, и эвристики их порождения — методы Монте-Карло, вероятностного округления и т.п.
  • методы дерандомизации — получения детерминированных приближенных алгоритмов из вероятностных.
• Практические методы программирования для реализации всего перечисленного.

2. Перечень планируемых результатов обучения

В ходе курса студенты научатся:

• Оценивать вычислительную сложность алгоритмических задач (в терминах вычислительных ресурсов).
• Классифицировать алгоритмические задачи их в основных сложностных классах — базовое ориентирование в огромном «зоопарке» классов сложности — студенты познакомятся с известными теоремами и открытыми гипотезами о соотношении сложностей задач.
• Устанавливать связи между сложностными классами.
• Выделять сложнорешаемые и практически решаемые алгоритмические задачи.
• Для трудноразрешимых задач, строить приближенные и вероятностные алгоритмы и дерандомизировать некоторые из них — познакомиться с несколькими красивыми и широко используемыми в узких кругах полиномиальными алгоритмами.
• Практически решать на Python классические задачи (возможность в дальнейшем использовать полученные навыки в дальнейшей работе по окончании ВУЗа), применение классических эвристик — «жадность», «динамическое программирование», известных алгоритмов на сортировки и графы и т.п.
• Использовать достижения программной индустрии — ЦЛП-солверы, SAT-солверы, Pyomo-формулировки для постановки и решения задач оптимизации.

Дисциплина участвует в формировании следующих компетенций образовательной программы:

• «СПК-9» — способность осуществлять математическую постановку задачи и решать ее современными оптимизационными методами для оптимального выбора средств защиты информации при ограничениях на их стоимость, габариты, энергопотребление и др.
• «СПК-1» — способность осуществлять поиск, изучение, обобщение и систематизацию научно-технической информации, нормативных и методических материалов в сфере профессиональной деятельности, в том числе на иностранном языке.
• «СПК-7»— способность разрабатывать научно-техническую документацию, готовить научно-технические отчеты, обзоры, публикации по результатам выполненных работ.

Общая характеристика результата обучения по дисциплине

Знания

• теоретических моделей вычисления.
• классов сложности оптимизационных задач.
• методов полиномиальной сводимости классических NP-полных задач.
• методов анализа сложности детерминированных и вероятностных алгоритмов, анализа точности в среднем и «для почти всех исходных данных».

Умения

• постановки оптимизационной формулировки для оптимизационной задачи
• использование ЦЛП и SAT-солверов
• доказательство труднорешаемости оптимизационной задачи
• оценка сложности алгоритма, «в худшем» и «в среднем»
• оценка качества приближения алгоритма, «в худшем» и «в среднем»

Навыки (владения)

• программирование на Python
• работа с Jupyter-ноутбуками
• работа с IDE VSCode/code-server
• использование фреймворка Pyomo, для постановки оптимизационных задач и решения их ЦЛП-солверами
• Использование фреймворка pySAT для решения SAT-задач

3. Структура и содержание дисциплины

Полугодовой курс состоит из двух основных частей:

• Закладываются основы теории сложности вычислений, которые далее при желании можно развивать в различных направлениях.
• Рассказывается о нескольких эффективных алгоритмах и подходах для решения труднорешаемых задач.

Основные вопросы курса: какие бывают вычислительные ресурсы, как подсчитывать их необходимое количество для решения данной алгоритмической задачи, как отличить решаемые на практике задачи от нерешаемых и как наиболее эффективно работать с решаемыми. Много внимания уделяется изучению различных сложностных классов, связей между ними и классификации конкретных задач.

Как правило, в семестре разбираются следующие темы.

Формально об алгоритмах. Вычислительные модели

• Примеры простых алгоритмов
• Random Access Machines
• Одно и много-ленточные Машины Тьюринга
• Универсальная машина Тьюринга
• Вычислимость и разрешимость

Временная и пространственная сложность алгоритмов

• Классы DTIME, P, EXPTIME
• Классы DSPACE, PSPACE

Полиномиальные сводимости и NP-полные задачи

• Полиномиальные сводимости по Куку и Карпу.
• Классы NP, coNP, NPC

Вероятностные вычисления и их сложность

• Классы «эффективно решаемых задач» RP, coRP, BPP
• Класс «Безошибочно решаемых задач» ZPP
• Неамплифицируемый класс PP

Жадные алгоритмы и анализ их качества

• Жадные алгоритмы в задачах о покрытии о покрытии множеств и вершин
• Жадный алгоритм в задаче о рюкзаке:

Полностью полиномиальная аппроксимационная схема (FPTAS) для задачи о рюкзаке

• Динамическое программирование для задачи о рюкзаке
• Использование жадных алгоритмов и эвристик округления для получения FPTAS-алгоритма

Алгоритмы полиномиальные в среднем

• Полиномиальный в среднем алгоритм для задачи о рюкзаке:
• Полиномиальный в среднем алгоритм для SAT:
• Полиномиальный в среднем алгоритм для задачи упаковки:

Приближенный алгоритм для метрической задачи коммивояжера

Вероятностные алгоритмы

• Вероятностная проверка тождеств
• Вероятностный подсчет числа выполняемых наборов для ДНФ
• Вероятностное округление для задач MAX-SAT и MAX-CUT

Дерандомизация

Детерминированный приближенный алгоритм для MAX-SAT, полученный из вероятностного алгоритма.

Неаппроксиминуемость

• Вероятностно проверяемые доказательства. PCP-системы. PCP-теорема
• PCP и аппроксимируемость

4. Методические и оценочные материалы

Задания для практических занятий:

См. примеры:

• «Практикуемся в алгоритмах»
• «Моделирование труднорешаемых задач»
• «Моделирование бизнес-задач»
• «Решаем теоретические упражнения»

Контроль успеваемости обучающихся по дисциплине:

См. примеры тестов:

• https://discopal.ispras.ru/Special:MediawikiQuizzer/Algs-innopolis-exam

Перечень учебно-методического обеспечения дисциплины

Курс соединяет различные разделы теории сложности вычислений и изучение конкретных алгоритмов. Такой набор редко встречается в литературе, а по сложности вычислений на русском языке имеется совсем немного книг. Студентам предлагается использовать книгу лектора, а также книги на английском языке или книги по отдельным частям на русском.

Основная книга

«Эффективные алгоритмы и сложность вычислений»

Дополнительные материалы

• https://discopal.ispras.ru/Дополнительные_материалы_по_сложности_вычислений
• https://discopal.ispras.ru/Дополнительные_материалы_по_приближенным_алгоритмам
• Н.Н. Кузюрин, С.А. Фомин, Эффективные алгоритмы и сложность вычислений», 2007 издательство МФТИ. ISBN 5-7417-0198-1.
• S.Arora, B. Barak, Computational Complexity: A Modern Approach, Cambridge University Press, 2009.
• M. Sipser, Introduction to the Theory of Computation, Course Technology, 2005.
• C.Moore, S. Mertens, The Nature of Computation, Oxford University Press, 2011
• Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн. Алгоритмы: построение и анализ, 3-е издание, Вильямс, 2019.
• O. Goldreich, Computational Complexity: A Conceptual Perspective, Cambridge University Press, 2008.
• A. Wigderson. Mathematics and Computation: A Theory Revolutionizing Technology and Science, Princeton University Press, 2019.
• C.Papadimitriou, Computational Complexity, Addison Wesley, 1994
• В.Н.Крупский. Введение в сложность вычислений, Москва, Факториал Пресс, 2006
• С.А. Абрамов, Лекции о сложности алгоритмов, Москва, МЦНМО, 2009
• Д.В.Мусатов. Курс лекций по сложности вычислений (видеолекций, конспекты).
• М.Гэри, Д. Джонсон, Вычислительные машины и труднорешаемые задачи, Москва, Мир, 1982
• М. Вялый, А. Китаев, А. Шень, Классические и квантовые вычисления, Москва, МЦНМО, 1999.

Необходимое программное обеспечение для студентов

броузер.

Методические указания для обучающихся по освоению дисциплины

Самостоятельная работа учащихся состоит:

• в изучении лекционного материала, доступных видео и конспектов лекций учебно-методической литературы, включая базовую книгу авторов курса
• подготовки к практическим заданиям текущего контроля и промежуточной аттестации:
• тесты по всем материалам курса
• решение теоретических задач по теории сложности
• решение алгоритмических задач на языке Python
• конструктивная постановка и исследование труднорешаемых задач с помощью ЦЛП и SAT-формулировок, с помощью технологий Jupyter Notebook, Pyomo и др.

Вид учебных занятий/деятельности	Деятельность обучающегося
Лекция	Написание конспекта лекций: кратко, схематично, последовательно фиксировать основные положения лекции, выводы, формулировки, обобщения; помечать важные мысли, выделять ключевые слова, термины. Обозначить вопросы, термины или другой материал, который вызывает трудности, пометить и попытаться найти ответ в рекомендуемой литературе. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия.
Практические (лабораторные) занятия	Практические занятия предназначены прежде всего для разбора отдельных сложных положений, тренировки аналитических навыков, а также для развития коммуникационных навыков. Поэтому на практических занятиях необходимо участвовать в тех формах обсуждения материала, которые предлагает преподаватель: отвечать на вопросы преподавателя, дополнять ответы других студентов, приводить примеры, задавать вопросы другим выступающим, обсуждать вопросы и выполнять задания в группах. Работа на практических занятиях подразумевает домашнюю подготовку и активную умственную работу на самом занятии. Работа на практических занятиях в форме устного опроса заключается прежде всего в тренировке навыков применять теоретические положения к самому разнообразному материалу. В ходе практических занятий студенты работают в группах для обсуждения предлагаемых вопросов.
Самостоятельная работа	Самостоятельная работа состоит из следующих частей: 1) чтение учебной, справочной, научной литературы; 2) повторение материала лекций; 3) составление планов устных выступлений; 4) подготовка презентаций. При чтении учебной литературы нужно разграничивать для себя материал на отдельные проблемы, концепции, идеи. Учебную литературу можно найти в электронных библиотечных системах, на которые подписан АНО Университет Иннополис.
Доклад	Публичное, развернутое сообщение по определенной теме или вопросу, основанное на документальных данных. При подготовке доклада рекомендуется использовать разнообразные источники, позволяющие глубже разобраться в теме. Учебную литературу можно найти в электронных библиотечных системах, на которые подписан АНО Университет Иннополис.
Дискуссия	Публичное обсуждение спорного вопроса, проблемы. Каждая сторона должна оппонировать мнение собеседника, аргументируя свою позицию.
Разработка отдельных частей кода	Разработать часть кода, исходя из поставленной задачи и рекомендаций преподавателя. При выполнении работы рекомендуется обращаться к материалам лекций и семинарских (практических) занятий. Если возникают затруднения, необходимо проконсультироваться с преподавателем.
Выполнение домашних заданий и групповых проектов	Для выполнения домашних заданий и групповых проектов необходимо получить формулировку задания от преподавателя и убедиться в понимании задания. При выполнение домашних заданий и групповых проектов необходимо проработать материалы лекций, основной и дополнительной литературы по заданной теме.
Индивидуальная работа	При выполнение индивидуальной работы необходимо взять задание у преподавателя, ознакомиться с требованиями к выполнению работы, изучить поставленную проблему, найти решение проблемы. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия. Оформить результаты работы.
Тестирование (устное/письменное)	При подготовке к тестированию необходимо проработать материалы лекций, семинаров, основной и дополнительной литературы по заданной теме. Основная цель тестирования – показать уровень сформированности знаний по конкретной теме или ее части.

Методы и технологии обучения, способствующие формированию компетенции

• Коллаборативное программирование и другая работа в реальном времени, см. доклад «Современные «интерактивные среды» и «живые лаборатории» — эффективное дистанционное образование по алгоритмам и математическим дисциплинам»
• Обучающие вики-тесты, см. доклад «MediaWikiQuizzer или ВикиЭкзамены — тесты, удобные и для преподавателя и для студента»
• Коллаборативная среда на wiki-платформе, см. доклад «Эффективная «домашка» — задачи студентам на MediaWiki»
• Видеозаписи миникурсов, см. доклад «OBS — швейцарский нож передачи знаний»