Learning Outcomes

This assignment achieves the Learning Outcomes of:

●  1) Analyse general problem solving strategies and algorithmic paradigms, and apply them to solving new problems;

●  2) Prove correctness of programs, analyse their space and time complexities;

● 3) Compare and contrast various abstract data types and use them appropriately;

● 4) Develop and implement algorithms to solve computational problems.

In addition, you will develop the following employability skills:

● Text comprehension.

● Designing test cases.

● Ability to follow specifications precisely.

Assignment timeline

In order to be successful in this assessment, the following steps are provided as a suggestion. This is an approach which will be useful to you both in future units, and in industry.

Planning

1. Read the assignment specification as soon as possible and write out a list of questions you have about it.

2. Try to resolve these questions by viewing the FAQ on Ed, or by thinking through the problems over time.

3. As soon as possible, start thinking about the problems in the assignment.

● It is strongly recommended that you do not write code until you have a solid feeling for how the problem works and how you will solve it.

4. Writing down small examples and solving them by hand is an excellent tool for coming to a better understanding of the problem.

● As you are doing this, you will also get a feel for the kinds of edge cases your code will have to deal with.

5. Write down a high-level description of the algorithm you will use.

6. Determine the complexity of your algorithm idea, ensuring it meets the requirements.

Implementing

1. Think of test cases that you can use to check if your algorithm works.

● Use the edge cases you found during the previous phase to inspire your test cases.

● It is also a good idea to generate large random test cases.

●  Sharing test cases is allowed, as it is not helping solve the assignment.

2.  Code up your algorithm (remember decomposition and comments), and test it on the tests you have thought of.

3. Try to break your code. Think of what kinds of inputs you could be presented with which your code might not be able to handle.

● Large inputs

●  Small inputs

● Inputs with strange properties

● What if everything is the same?

● What if everything is different?

● etc...

Before submission

● Make sure that the input/output format of your code matches the specification.

● Make sure your filenames match the specification.

● Make sure your functions are named correctly and take the correct inputs.

● Make sure you zip your files correctly (if required).

Documentation

For this assignment (and all assignments in this unit) you are required to document and com- ment your code appropriately. Whilst part of the marks of each question are for documentation, there is a baseline level of documentation you must have in order for your code to receive marks.

In other words:

INSUFFICIENT DOCUMENTATION MEANS YOU GET 0 FOR THE ENTIRE ASSIGNMENT

This documentation/commenting must consist of (but is not limited to):

● For each function, high-level description of that function. This should be a two or three sentence explanation of what this function does.

● Your main function in the assignment should contain a generalised description of the approach your solution uses to solve the assignment task.

● For each function, specify what the input to the function is, and what output the function produces or returns (if appropriate).

● For each function, the appropriate Big-O or Big-Θ time and space complexity of that function, in terms of the input size.  Make sure you specify what the variables involved in your complexity refer to.  Remember that the complexity of a function includes the

complexity of any function calls it makes.

● Within functions, comments where appropriate. Generally speaking, you would comment complicated lines of code (which you should try to minimise) or a large block of code which performs a clear and distinct task (often blocks like this are good candidates to be their own functions!).

A suggested function documentation layout would be as follows:

There is a documentation guide available on Moodle in the Assignment section, which contains a demonstration of how to document code to the level required in the unit.

1    Should I give a ride?  (10 marks)

As a smart student you are always trying to optimise the driving time to your early morning algorithms lectures so that you can sleep more.  You will be leveraging your algorithms skills to get an optimal solution.

Some of the roads in your city have carpool lanes that can only be used if there are at least 2 persons in the car, so you have to decide if you will be giving a ride to a fellow student or not. You have access to precise travel time information among key locations in your city, both with single car occupancy and with 2 or more persons in the car.  And you have a list of locations in which there are students looking for a ride to the same destination you are going. You can assume that the potential passengers are always on time at the agreed location and there will be no additional time incurred for getting them into the car.  You will either pickup passen- ger(s) with the same destination as you, or go alone the whole trip.  Your absolute priority during those very early morning hours is maximising your sleeping time, so you are looking for the shortest total driving time and will not give a ride if that increases the total driving time.

You are a law-abiding citizen and would never drive in a carpool lane while you are alone in the car!

There are lLl key location points represented by 0, 1, . . . , lLl - 1. Your algorithm will take as input the following:  a departure location start e {0, 1, . . . , lLl - 1}, a destination location end e {0, 1, . . . , lLl - 1}, a list passengers of locations where there are potential passengers, and a list of roads roads with the corresponding travel times. passengers is a list of integers such that each integer i in it is such that i e {0, 1, . . . , lLl - 1} and indicates that there are potential passengers at location i looking for a ride to your destination. The list of roads roads is represented as a list of tuples (a, b, c, d) where:

● a e {0, 1, . . . , lLl - 1} is the starting location of the road.

●  b e {0, 1, . . . , lLl - 1} is the ending location of the road.

● c is a positive integer representing how many minutes you would spend to drive from a to b on that road if you are alone in the car.

●  d is a positive integer representing how many minutes you would spend to drive from a

to b on that road if you are there are 2 or more persons in the car.

Regarding those inputs:

● For any tuple in (a, b, c, d) in roads, you can assume that d s c (as you can still use the non-carpool lanes when there are passengers in the car). For some tuple (a, b, c, d), it might be the case that c = d (as some roads might not have carpool lanes, or the carpools lanes might not be improving the actual travel time on that road).

● You can assume that no roads will have only carpool lanes. I.e., if there is a road from a to b, it will always be possible to travel on it even if you are alone in the car. Therefore for any tuple (a, b, c, d) in roads the values c and d are well-defined.

● You can assume that for every location {0, 1, . . . , lLl - 1} there is at least one road that begins or finishes there.

● You can assume that there is a route to go from start to end and that start  end.

●  The locations specified by start and end will not have potential passengers.

● You cannot assume that the list passengers is given to you in any specific order, but you can assume that there will be no repeated integers in passengers.

● You cannot assume that the list of tuples in roads are given to you in any specific order.

● You cannot assume that the roads are 2-way roads.

● The set of locations P specified in passengers can constitute any subset of {0, 1, . . . , lLl - 1} / {start, end}, therefore you can neither assume lP l is a constant nor assume that P = Θ(lLl).

● The number of roads lRl might be significantly less than lLl2 , therefore you should not assume that lRl = Θ(lLl2 ).

You should implement a function optimalRoute(start,  end, passengers,  roads) that re- turns one optimal route to go from start to end with the minimum possible total travel time. Your function should return the optimal route as a list of integers. If there are multiple route achieving the optimal time, you can return any one of them.

1.1    Complexity

Given an input with lLl key locations and lRl roads, your solution should have time complexity O(lRl log lLl) and auxiliary space complexity O(lLl + lRl).

Note that the number lP l of locations where there are potential passengers looking for a ride to your destination is not stated in the complexity.  If your algorithm has time complexity Ω(lP llRl log lLl), you will be losing a very significant amount of marks for this question.

1.2    Example

Consider the example below:

2    Repurposing Underused Workspace (Dynamic Programming)    (10 marks)

A large technology company owns a huge building and the director of the company wants to find the best area within the building to install the new high performance computing (HPC) facility which will arrive soon.  Unfortunately, the company does not have any empty spaces to be utilised for this purpose. Instead, the director will have to use some of the its currently underused spaces. In fact, office areas have not been fully used since Covid-19.

Staff offices are placed in each level in a rectangular area with m aisles/columns.  Each aisle has n rows where n > m.  The HPC facility will require an area of size n connected sections. This means that only one section from each row has to be removed, so we end up with one empty aisle after some shuffling for the remaining sections within each row.  Once we identify the location of those sections, the director and his team will decide what should be done with team members in these sections.

Occupancy data:

The director knows the occupancy probability for each section, which is an integer between 0 and 100 (inclusive) that represents the percent of working hours this section is usually occupied (on average).

Given a matrix of n rows and m aisles/columns P [0...n - 1][0...m - 1], which contains the occupancy probability values for a total of n . m sections, the task is simply to identify the list of locations (i, j) for n sections which has the lowest total occupancy rate.

Selection conditions:

Specifically, we wish to remove only one section from each of the n rows (Condition #1).

To minimise the amount of shuffling work required before the installation, sections selected for removal in two adjacent rows must be in the same or adjacent columns (Condition #2). This means that any successive sections from the top row to the bottom row in the final selected sections should be adjacent vertically or diagonally.

The final solution would be the list of indices of n sections from top to down that has the total minimum occupancy rate (Condition #3).

To solve this problem, you will write a function select_sections(occupancy_probability). If there are multiple solutions with same total minimum occupancy rate, you can return any one of them.

2.1    Input

occupancy_probability is a list of lists. There are n interior lists. All interior lists are length m (columns/aisles). Each interior list represents a different row of sections. occupancy_probability[i][j] is an integer number between 0 and 100 (inclusive) which represents the occupancy probability for a section located at row i and column/aisle j .

2.2    Output

Your algorithm will return a list of 2 items:

● minimum_total_occupancy is an integer, which is the total occupancy for the selected n sections to be removed

●  sections_location is a list of n tuples in the form of (i, j).  Each tuple represents the location of one section selected for removal. i refers to the row index and can range from 0 to n - 1. j refers to the column index and can range from 0 to m - 1.

2.3    Example

2.4    Complexity

select_sections should run in O(nm) time and space, where n is the number of rows, and m is the number of columns/aisles. In the above example, n = 8, m = 5.