3.2 Metodi lineari
3.2.2 Casi parti olari: metodi già noti
Nella famiglia di metodi des ritta dall'equazione (3.14), rientrano tre algo-
ritmi he sono stati presentati da diversi autori nei loro lavori. Questi asi
parti olari sono stati sviluppati utilizzando argomentazioni probabilisti he,
inquantoèpossibileinterpretareleapprossimazioniottenute omeparti olari
probabilità.
Perpresentarequestimetodiseguiremomoltodavi inol'esposizionefatta
in[9℄,inquanto,anostroavviso,risultaesserelapiù hiaraed esaurientetra
quelle disponibili al momento attuale, oltre he ad essere l'uni a he tratta
tuttietrei asi. Periprimiduemetodi,altreinformazionisipossonotrovare
in[2℄ ein [11℄.
Depth algorithm
Questoalgoritmoè ilprimo he èstato presentato daKontoleonin[11℄, e si
basa sulla sempli eiterazione funzionale
x0
= a,
xk+1
= a + Ψ(xk⊗ xk),
(3.20)
ossia ssando
αk= 1
,βk
= γk
= 0
adogni iterazione.Osservazione 3.2.10. Ilgeneri opassodell'algoritmodepth osta
2n
3+O(n2)
operazioni. Infatti, ad ogni iterazione, l'uni o al olo dispendioso è il pro-
dotto
Ψ(xk⊗ xk).
Questometodoèl'analogodiquellopropostodaNeutsperil al olodella
matri e
G
nelle atene di Markov di tipo QBD (spesso hiamato natural fun tional iteration). Si veda [5℄, [11℄ o[17℄.Se deniamo la profondità di un albero ome il numero dipunti di dira-
mazionenel ramo più lungo,vale il seguenterisultato ([11℄):
Teorema 3.2.11. Il vettore
xk
ottenuto on(3.20) rappresenta laprobabilità he il pro esso si estingua on una profondità nonsuperiore ak
.Dimostrazione. Pro ediamoperinduzione su
k
: nel asok = 0
latesi è vera per denizione dix0
= a
, per hé l'uni o albero on profondità 0 è l'albero ompostodalla solaradi e. Vediamoilpasso induttivo: seindi hiamo onz
la probabilità he l'albero si estingua on profondità non superiore ak + 1
, data la faseinizialeϕ0
, risultazi
= ai+
n
X
j,k=1
per hé, partendo da un individuo nella fase
i
, questi può morire senza ge- nerare gli( on probabilitàai
), oppure può generare un glio, dando luogo adun puntodidiramazione,e ias uno deidue sottoalberi osì ottenutinonpuò avere profondità maggiore di
k
; queste probabilità sono rappresentate dalle omponenti del vettorexk
, grazie all'ipotesi induttiva. Ris rivendo la relazioneinforma vettoriale,si ottienez
= a + Ψ(xk⊗ xk) = xk+1.
Dal momento he nel aso diestinzione dell'alberola profonditàè ne es-
sariamentenita, questo mostra he
limk→∞xk= q.
Q
Q
QQs
+
T
l
T
T
r
Figura 3.1: un albero
T
on isottoalberiTl
eTr
.Order algorithm
Il se ondo algoritmo presentato da Kontoleon in [11℄ è basato sulla deni-
zione di ordine di un MBT. La denizione he presentiamo (data in [9℄) è
leggermente diversa da quella he sitrovanellavoro originale.
Sia
T
un MBT assegnato e siaA
l'insieme delle sue foglie. Chiamiamo ramo padre diT
, il ramo he parte dalla radi e e ostituito dai soliar hi padre. Per la onvenzione adottata, risulta essere il ramo più a
destrain
T
, e loindi heremo onR
; ramo dei primigli,
L
,ilramo he partedalla radi ee formatodasoli ar higli. È ilramo più a sinistra diT
.y
x
L
R
w
z
Figura3.2: un MBT on profondità8.
Perogni elemento
a∈ A
, indi hiamo onΥ(a)
ilpadre dia
.Ad ogni foglia
a
asso iamo una stringa binariapath(a)
denita nel se- guente modo: vuota, se
a∈ R
, 0 seguito da
path(Υ(a))
, se l'ar o he ongiungea
eΥ(a)
è un ar o padre, 1 seguito da
path(Υ(a))
, se l'ar o he ongiungea
eΥ(a)
è un ar o glio.Inoltre, indi hiamo on
L(a)
il numero di 1 presenti inpath(a)
. Possiamo denire l'ordineO(T )
ome 0, seT
è formato solo dalla radi e e da una foglia( ioè se 'è una atastrofesenza al una nas ita),altrimentiO(T ) = max{L(a) : a ∈ A}.
(3.21) In altre parole, l'ordine diT
è il massimo numero di generazioni di gli presentinell'albero. Peresempio, onsiderandolefogliew, x, y
ez
dell'albero ingura 3.2, si ha Foglia Path Lw
10110011 5x
0101101 4y
0010001 2z
10111 4Poi hé unalbero hesiestinguehane essariamenteordinenito,potrem-
mo al olare la probabilità he l'estinzione avvenga on ordine, al più, pari
a
k
, e poi far tenderek
all'innito. Ciò si può fare ssando(αk, βk, γk) =
(0, 0, 1)
perogni passo, ottenendo l'iterazione funzionalex0
= a,
xk+1
= [I− Ψ(xk⊗ I)]−1a.
(3.22)
Vale infattiilseguente risultato ([11℄):
Teorema 3.2.12. Il vettore
xk
ottenutoda (3.22) rappresentala probabilità he l'albero si estingua on ordine non superiore ak
.Dimostrazione. An heinquesto aso,è omodoprovarelatesi perinduzione
su
k
. Il asok = 0
èovvio,per omeabbiamodenitol'ordine. Supponiamo diaverdimostrato latesi pertutti gliindi i noak
evediamo il asok + 1
: siaz
= P [T < ∞, O(T ) ≤ k + 1|ϕ0].
Alloradeve essere
zi
= ai+
n
X
j,k=1
Ψi,jk(xk)jzk,
per hé,partendodaunsingoloindividuonellafase
i
,questihasoloduepossi- bilità: puòmoriresenzagenerareal unglio( onprobabilitàai
),oppurepuò riprodursi, on la ondizione he i sottoalberisinistroe destrosi estinguano,rispettivamente, onordinenonsuperiorea
k
ek + 1
( onprobabilità,rispet- tivamente,(xk)j
ezk
, grazie all'ipotesi induttiva). S rivendo la pre edente relazioneinforma vettoriale,si ottienez= a + Ψ(xk⊗ z) = a + Ψ(xk⊗ I)z.
Poi hérisulta
xk
≤ q
,illemma3.1.2 igarantis e helamatri eI−Ψ(xk⊗I)
siainvertibile,e quindiz
= [I
− Ψ(xk⊗ I)]−1a
= xk+1,
on ludendo la dimostrazione.
Osservazione 3.2.13. Il osto di ogni iterazione dell'algoritmoorder è
8
3n
3+
O(n2)
operazioni, in quanto è ne essario al olare
Ψ(xk
⊗ I)
e risolvere un sistemalineare.An he il metodo iterativo denito da (3.22) è ben noto a hi lavora on
Proposizione 3.2.14. Partendo dallo stesso vettore iniziale in
h0, ai
, l'al- goritmo dell'ordine impiega meno iterazioni dell'algoritmo in profondità perapprossimare la soluzione on una pre isione ssata.
Dimostrazione. Perquantodimostratoin3.2.3, sappiamo hela onvergenza
deimetodièmonotona. Quindi,perdimostrarelatesi,èsu ienteveri are
he
x
o
k
≥ xdk
per ognik
, dovex
o
k
ex
d
k
sono le approssimazioniottenute on i due algoritmi. Vediamolo perinduzione. Per il aso iniziale non 'è nientedadimostrare,inquantoentrambeleapprossimazionisonouguali. Vediamo
il passo induttivo: poi hé
xok+1
= [I
− Ψ(xok⊗ I)]−1a
xdk+1
= a + Ψ(xdk⊗ xdk),
fa endo ladierenza siottiene
xok+1− xdk+1
= [I
− Ψ(xo
k⊗ I)]−1·
·
a − (I − Ψ(xo
k⊗ I)) a + Ψ(xdk⊗ xdk)
= [I
− Ψ(xok⊗ I)]−1·
· Ψ(xo
k⊗ a) + (xok⊗ I)Ψ(xdk⊗ xkd)− (xdk⊗ xdk) .
Da 3.2.3 sappiamo heF (xdk) = xdk− a − Ψ(xdk⊗ xdk)≤ 0,
da uiΨ(x
d
k⊗ xdk)≥ xdk− a,
equindi,dato he[I− Ψ(x
o
k⊗ I)]−1
≥ 0,
risultaxok+1− xdk+1
≥ [I − Ψ(xok⊗ I)]−1·
· Ψ(xo
k⊗ a) + (xok⊗ xdk)− (xok⊗ a) − (xdk⊗ xdk)
= [I
− Ψ(xo
k⊗ I)]−1Ψ(xok⊗ xkd)− (xdk⊗ xdk) ≥ 0,
per hé, peripotesiinduttiva,
x
o
k≥ xdk
. Thi knesses algorithmIl terzo algoritmo lineare già noto in letteratura è il thi knesses algorithm
(algoritmo degli spessori), presentato da Hautphenne e altri in [10℄, ed
esposto più in dettaglio in [9℄. Prima di s rivere le equazioni funzionali he
lodenis ono, introdu iamoil on etto di spessore diun albero.
Ad ogni
a
∈ A
asso iamo due sequenze binarie,path1(a)
epath2(a)
. La prima ladeniamo ri orsivamentenel seguentemodo:path1(a)
è vuota, se
a
è un elementodiL
, 0,seguito da
path1(Υ(a))
, sel'ar o he ongiungeΥ(a)
eda
è un ar o padre, 1,seguito da
path1(Υ(a))
, sel'ar o he ongiungeΥ(a)
eda
è un ar o glio.La denizione di
path2(a)
è analoga alla pre edente, dove peròL
è sosti- tuito daR
(si noti hepath2
oin ide on il path denito per l'algoritmo dell'ordine).Chiamiamo blo o una sequenza di 0 onse utivi o di 1 onse utivi, e
indi hiamo on
N1(a)
eN2(a)
il numero di blo hi presenti nelle sequenzepath1(a)
epath2(a)
.Se poi deniamo un segmento direzionale ome una sequenza di ar hi
ostituitasolamente daar hi glio o solamenteda ar hi padre, allora
N1(a)
è il numero di segmenti direzionali nel per orso più orto daa
aL
, mentreN2(a)
èil numero disegmenti direzionalinelper orso più orto daa
aR
. DatounalberoT
,deniamolospessoresinistroS1(T )
elospessoredestroS2(T )
nelseguente modo: seT
è omposto dalla solaradi e,alloraS1(T ) =
S2(T ) = 0
, altrimentiS1(T ) = max{N1(a) : a∈ A},
(3.23)S2(T ) = max{N2(a) : a∈ A}.
(3.24) Ad esempio,perlefogliew, x, y
ez
della gura 3.2, risultaFoglia
path1
N1
path2
N2
w
101100 4 10110011 5x
010110 5 0101101 6y
001000 3 0010001 4z
1011100 4 10111 3ed esaminando aduna aduna tutte lefoglie,si può veri are he
S1(T ) = 5
eS2(T ) = 6
.Osservazione 3.2.15. Se
T < ∞
,alloraS1(T ) < ∞
eS2(T ) < ∞.
Infatti, se l'albero si estingue, ne essariamente haun numero niton
dipunti didira- mazione. Maallora non può he essereNi(x)≤ n
per ognia∈ A
e perognii∈ {1, 2}.
(Non valeil vi eversa, ome sivede dall'esempiorappresentato in gura3.3, dove lospessore sinistroelospessore destrosono entrambiugualiad1).
Figura3.3: albero innito on spessori niti.
T
(0)
2
èl'evento heilMBTsiestinguasenzaal unpuntodidiramazione. Taleeventopuò essere ris ritto omeT(0)
2
= Te∩ {S2
≤ 0};
T
(2k−1)
1
è l'evento he il MBT si estingua on spessore sinistro non maggioredi2k− 1
,ossiaT(2k−1)
1
= Te∩ {S1
≤ 2k − 1};
T
(2k)
2
èl'evento heilMBTsiestingua onspessoredestrononmaggiore di2k
, ioèT(2k)
2
= Te∩ {S2
≤ 2k};
Il thi knesses algorithm è un parti olare metodo della famiglia (3.14),
dove si alternano le terne di parametri
(0, 1, 0)
e(0, 0, 1)
. In tal modo si ottienel'iterazione funzionale
x0
= a
xk+1
= [I
− Ψ(I ⊗ xk)]−1a,
k
parixk+1
= [I
− Ψ(xk⊗ I)]−1a,
k
dispari (3.25)Vediamo ome è possibile interpretare ivettori osì ottenuti([9℄):
Teorema 3.2.16. Il vettore
xk
ottenuto tramite(3.25) rappresentalaproba- bilità ondizionataallafaseinizialeϕ0
dell'eventoT
(k)
2
perk
pari, dell'eventoT(k)
1
altrimenti.Dimostrazione. Latesi sidimostraper induzione su
k
. Perk = 0
, siosserva he un albero si può estinguere on spessore destro non maggiore di 0 solose su ede una atastrofe senza he avvengano nas ite, il he avviene on
probabilità
a
, da uix0
= P [T
(0)
2
|ϕ0].
oppurepuòesser iun puntodidiramazione. Nelse ondo aso,ilsottoalbero
sinistro
Tl
può estinguersi on spessore sinistro al più uguale a 1, per hé il ramopiù asinistra diTl
fa partedelramo più asinistradiT
. Il sottoalbero destroTr
,inve e,puòestinguersi onspessoredestrononmaggioredik−1 =
0
per hé, per raggiungere il ramo dei primi gliL
on, al più, 1 segmento direzionale,ène essarioraggiungereilramopiùadestradiTr
( hefapartediR
)ink−1
segmenti,epoiarrivareadL
onunulterioresegmentodirezionale. Daquesto segue he, seindi hiamo onz
ilvettore diprobabilitàP [T
(1)
1
|ϕ0]
, risultazi
= ai+
n
X
j,k=1
Ψi,jkzj(x0)k,
ossia, informavettoriale,
z
= a + Ψ(z⊗ x0) = a + Ψ(I⊗ x0)z,
da ui
z
= [I− Ψ(I ⊗ x0)]−1a
= x1.
Il passo induttivo sidimostrain manierasimile,modi ando opportuna-
mente i passaggiappena des ritti.
Osservazione 3.2.17. Ripetendolestesse onsiderazionifattenell'osservazio-
ne3.2.13, èimmediatoveri are he il osto diogni iterazionedell'algoritmo
thi knesses è
8
3n3+O(n2)
.Adattando il ragionamento fatto in 3.2.14, si dimostra fa ilmente il se-
guente risultato.
Proposizione 3.2.18. Partendo dallo stesso vettore iniziale
a
, l'algorit- mo degli spessori impiega meno iterazioni dell'algoritmo in profondità perapprossimare la soluzione on una pre isione ssata.
Osservazione 3.2.19. In generale, non è possibile stabilire al un risultato
teori o he permetta di onfrontare l'algoritmo dell'ordine on quello degli
spessori. Infatti, ome risulta da (3.22) e (3.25), nel thi knesses non si fa
altro he alternare laformulausatanell'order ela sua simmetri a. Questo
fa apire omenonsiaaatto ompli ato ostruireesempiadho perrendere
uno dei due algoritmipiù e ientedell'altro.