সম্পাদনা (মার্চ ২০১৪) আমার বলা উচিত যে আমি তখন থেকে গণনার মডেলরিডস ধরণের মডেলগুলির জন্য অ্যালগরিদমগুলিতে আরও কাজ করেছি এবং আমার মনে হয় আমি অত্যধিক নেতিবাচক হয়ে উঠছি। ডিভাইড-কমপ্রেস-কনকয়ের কৌশলটি আমি নীচের সম্পর্কে বলি আশ্চর্যরূপে বহুমুখী এবং এটি অ্যালগরিদমের ভিত্তি হতে পারে যা আমার মনে হয় অপ্রয়োজনীয় এবং আকর্ষণীয়।
আমি এমন একটি উত্তর প্রস্তাব দেব যা ব্যাপকতার দিক থেকে মাইকের তুলনায় অনেক নিকৃষ্ট হবে তবে গণনা / অ্যালগরিদমিক তত্ত্বের দৃষ্টিকোণ থেকে model
উত্তেজনা আছে কেন : ম্যাপ্রেডিউস আন্তঃলগ্ন সমান্তরাল এবং অনুক্রমিক গণনা; প্রতিটি প্রসেসরের ইনপুটটির একটি নন্ট্রাইভিয়াল অংশ (যেমন ) অ্যাক্সেস থাকে এবং এটিতে একটি অনর্থক ক্রিয়াকলাপ সম্পাদন করতে পারে; এটি PRAM মডেলের থেকে অনেকটা আলাদা এবং এটি একটি আকর্ষণীয় ধারণা বলে মনে হচ্ছে যা নতুন অ্যালগরিদমিক কৌশলগুলির দিকে পরিচালিত করতে পারে। বিশেষত, কয়েকটি সমস্যা গণনার কয়েকটি (ইনপুট আকারে ধ্রুবক) রাউন্ডে সমাধান করা যেতে পারে, তবে প্রাইমে সময়ে কোনও অনিয়ন্ত্রিত সমস্যা সমাধান করা যায় না ।ও ( লগ এন )O(nϵ)o(logn)
মডেলটি কেন আমার জন্য কিছুটা হতাশায় পরিণত হচ্ছে : কেবলমাত্র অ্যালগরিদমিক কৌশল যা রাউন্ডের অ্যালগরিদমগুলি পেতে এবং কিছুটা নতুন বলে কাজ করে বলে মনে হচ্ছেO(1)
- পার্টিশনটি সমস্যার উদাহরণ (প্রায়শই এলোমেলোভাবে)
- সমান্তরাল প্রতিটি পার্টিশন কিছু গণনার এবং গণনার ফল প্রতিনিধিত্ব কষে
- একটি একক প্রসেসরের উপর নিবিড়ভাবে উপস্থাপিত সমস্ত সাবপ্রব্লেম সমাধানগুলি একত্রিত করুন এবং সেখানে গণনা শেষ করুন
কৌশলটির খুব সাধারণ উদাহরণ: সংখ্যার যোগফল গণনা করুন । প্রতিটি প্রসেসরের কাছে অ্যারের এবং সেই অংশের যোগফল গণনা করে। তারপরে সমস্তও ( √n √O(n−−√)n−−√ যোগফলগুলিকে একক প্রসেসরে একত্রিত করে মোট যোগফল গণনা করা যায়। কিছুটা আকর্ষণীয় অনুশীলন হ'ল এইভাবে সমস্ত উপসর্গের অঙ্কগুলি গণনা করা (অবশ্যই সেই ক্ষেত্রে আউটপুটটি বিতরণ উপায়ে উপস্থাপন করতে হবে)। বা ঘন গ্রাফের একটি বিস্তৃত গাছ গণনা করুন।
এখন, আমি মনে করি এটি প্রকৃতপক্ষে বিভাজন এবং বিজয়ের উপর একটি আকর্ষণীয় মোচড়, এটি মোড় যে বিভাজন পর্যায়ে পরে আপনাকে সাবপ্রব্লেম সলিউশনগুলি সংকোচিত করতে হবে যাতে কোনও একক প্রসেসর বিজয়ী হতে পারে। যাইহোক, এটি সত্যিই মনে হয় আমরা এখন পর্যন্ত একমাত্র কৌশল নিয়ে এসেছি। উদাহরণস্বরূপ বিরল সংযোগের মতো বিরল গ্রাফগুলির সমস্যাগুলিতে এটি ব্যর্থ হয়। স্ট্রিমিং মডেলের সাথে এটির বৈপরীত্য, যা ফ্লাজোলেট এবং মার্টিনের বুদ্ধিমান নমুনা নমুনা অ্যালগরিদম, মিশ্রা এবং গ্রিজের নির্ধারক যুগলকরণ অ্যালগরিদম, সাধারণ স্কেচিং কৌশলগুলির শক্তি ইত্যাদির মতো নতুন ধারণাগুলির সমৃদ্ধ করেছে with
প্রোগ্রামিং দৃষ্টান্ত হিসাবে, মানচিত্র হ্রাস খুব সফল হয়েছে। আমার মন্তব্য মানচিত্র গণনা একটি আকর্ষণীয় মডেল হিসাবে হ্রাস। ভাল তাত্ত্বিক মডেলগুলি কিছুটা বিজোড়। যদি তারা বাস্তবতাকে খুব ঘনিষ্ঠভাবে অনুসরণ করে তবে তারা অপ্রতিরোধ্য, তবে আরও গুরুত্বপূর্ণ, (মেশিন লার্নিংয়ের একটি শব্দ ধার করা) এমন মডেলগুলির জন্য প্রমাণিত তত্ত্বগুলি সাধারণ হয় না, অর্থাৎ অন্যান্য মডেলগুলিতে ধারণ করে না। সে কারণেই আমরা যতটা সম্ভব বিমূর্ততাটি দূরে রাখতে চাই, এখনও আমাদের উপন্যাসের অ্যালগরিদম নিয়ে আসতে চ্যালেঞ্জ জানাতে যথেষ্ট রেখেছি leaving শেষ অবধি, এই নতুন ধারণাগুলি অবশেষে তাদের বাস্তব জগতে ফিরে যাওয়ার উপায় খুঁজে পেতে সক্ষম হওয়া উচিত। PRAM একটি অবাস্তব মডেল যা আকর্ষণীয় ধারণাগুলির দিকে পরিচালিত করেছিল কিন্তু সেই ধারণাগুলি বাস্তব বিশ্বের সমান্তরাল গণনার ক্ষেত্রে খুব কমই প্রযোজ্য বলে প্রমাণিত হয়েছিল। অন্যদিকে, স্ট্রিমিংও অবাস্তব, কিন্তু এটি আলগোরিদিমিক ধারণাগুলিকে অনুপ্রাণিত করেছিল যা বাস্তবে বাস্তব জগতে নিযুক্ত হয়। দেখাগণনা-মিনিট স্কেচ । স্কেচিং কৌশলগুলি প্রকৃতপক্ষে মানচিত্র হ্রাসের ভিত্তিতে ব্যবস্থাগুলিতেও ব্যবহৃত হয়।