A posteriori analysis and evaluation of algorithms effectiveness

Abstract

Алгоритмы являются одной из важнейших составляющих эффективной программной системы. В больших проектах правильно написанный алгоритм может сэкономить компании миллионы долларов. В разработке таких алгоритмов не обойтись без предварительного анализа: нужно уметь оценивать те или иные ресурсы, которые алгоритм потребляет во время работы. Самый распространенный ресурс - это время выполнения алгоритма. Он является важнейшим, так как пользователи не любят ждать. Второй по значимости ресурс - это память. Причем, если время выполнения алгоритма вычисляется как количество базовых операций и связано с функцией трудоемкости алгоритма, то память обычно берется не как суммарное количество памяти, которое потребляет алгоритм, а как количество дополнительной памяти, при этом память связана с функцией объема памяти алгоритма. Обычный асимптотический анализ не всегда точен для конечного диапазона длин входов из-за часто больших коэффициентов у компонентов функций ресурсной эффективности. В данной работе будет рассмотрен новый подход на основе эмпирического анализа: по данным, полученным экспериментальным путем, будет построена функция доверительной ресурсоемкости (доверительной памяти) с выбранным коэффициентом доверия, а также для упрощения процесса разработана автоматизированная система в виде сайта.

Algorithms are one of the most important components of an effective software system. In large projects, a well-written algorithm can save a company millions of dollars. In the development of such algorithms, one cannot do without preliminary analysis: you need to be able to evaluate certain resources that the algorithm consumes during operation. The most common resource is the execution time of an algorithm. It is critical because users don't like to wait. The second most important resource is memory. Moreover, if the execution time of the algorithm is calculated as the number of basic operations and is associated with the function of the complexity of the algorithm, then the memory is usually taken not as the total amount of memory that the algorithm consumes, but as the amount of additional memory, while the memory is related to the function of the memory size of the algorithm. Conventional asymptotic analysis is not always accurate for a finite range of input lengths due to the often large coefficients of the components of the resource efficiency functions. In this paper, a new approach based on empirical analysis will be considered: according to the data obtained experimentally, a function of confidential resource intensity (confidential memory) with a selected confidence factor will be built, and also an automated system in the form of a site will be developed to simplify the process.