Seminar. Algorithmische Geometrie
|
|
- Mareke Martin
- vor 5 Jahren
- Abrufe
Transkript
1 Seminar Algorithmische Geometrie WS 2000/2001 Thema: Konvexe Hülle Mirko Dennler 21439
2 Inhaltsverzeichnis Konvexe Hülle 1. Problemstellung 3 2. GRAHAMS SCAN JARVIS' MARCH QUICK HULL MERGE HULL 7-8 2
3 Konvexe Hülle 1. Problemstellung Definition: Eine Menge P R 2 heißt konvex, wenn x, y P die Verbindungsstrecke zwischen x und y ganz in P enthalten ist. Die konvexe Hülle von P ist der Durchschnitt aller konvexen Mengen P' P. Im Rahmen der algorithmischen Geometrie versteht man unter P stets eine endliche Menge von n Punkten. Ich möchte mich bei meinen Ausführungen auf den R 2 beschränken, da Betrachtungen der konvexen Hülle im R 3 wesentlich schwieriger sind. Anwendung der folgenden Berechnungen findet man bei der Mustererkennung (Ähnlichkeiten), dem Image-Processing (Bilderstellung) und der algorithmische Geometrie selbst, aber auch in völlig von der Informatik unabhängigen Gebieten wie der Lagerhaltung, der Güterverteilung und der Statistik. Das wesentliche Problem hier ist folgendes: Sei P = {p 1..p n } R 2 eine endliche Menge von Punkten. Gesucht ist die konvexe Hülle H, d.h. die Menge der Eckpunkte von P. Ein Punkt p i ist Eckpunkt der konvexen Hülle von P, wenn es keine 3 von p i verschiedenen Punkte in P gibt, so dass p i im Dreieck D liegt, welches diese 3 Punkte aufspannen. Sei p 4 ein Punkt, der auf Eckpunkteigenschaft untersucht werden soll und seien p 1, p 2 und p 3 die Punkte des Dreiecks D. Man ermittelt einen inneren Punkt f des Dreiecks D, z.b. den Schwerpunkt. Die Koordinaten der Punkte rechnet man in Polarkoordinaten um und ordnet diese bzgl. der Polarwinkel zu dem ermittelten inneren Punkt f. Danach überprüft man, ob die Strecke f-p 4 die Strecke p j -p k, j k; j, k {1,2,3} schneidet. Wenn das für ein Paar (j, k) der Fall ist, so liegt p 4 nicht im Inneren des Dreiecks D und gehört somit zur konvexen Hülle. Diese Überprüfung hat eine Laufzeit von O(n 3 ). Zur Bestimmung der konvexen Hülle H prüft man alle Punkte aus P, woraus sich eine Laufzeit von O(n 3 ) * n, also O(n 4 ) ergibt. Das Beispiel zeigt eine mögliche Konstellation der Punkte. Beispiel: Die Laufzeit O(n 4 ) scheint allerdings kein besonders anstrebenswerter Aufwand zu sein, woraus sich die Notwendigkeit zur Suche nach effizienteren Algorithmen ergibt. 3
4 2. GRAHAMS SCAN (1972) Dieser Algorithmus stellt genau betrachtet eine Optimierung der eben vorgestellten Dreiecksuntersuchung dar. Als Datenstruktur zur Speicherung der Koordinaten verwendet man eine doppelt verkettete lineare Liste. Der Algorithmus läßt sich im einzelnen wie folgt beschreiben: Eingabe ist P = {p 1..p n } R 2, Ausgabe ist die konvexe Hülle von P. 1.) Bestimme einen inneren Punkt q von P, z.b. den Schwerpunkt dreier Punkte aus P in konstanter Zeit Zeit O(1). 2.) Berechne die Polarkoordinaten aller Punkte aus P bzgl. q. Zeit O(n). 3.) Sortiere alle Punkte aus P bzgl. ihrer Polarwinkel Zeit O(n log n). 4.) Bestimme einen Eckpunkt der konvexen Hülle von P, z.b. den Punkt mit der größten x-koordinate Zeit O(n). 5.) Scan -Vorgang v:= p 0 while R(v) p 0 a) if [v, R(v), R(R(v))] left turn then v:= R(v) b) else delete R(v), v:=l(v) L(v) ist hierbei der Vorgänger von v in P, R(v) der Nachfolger von v in P gemäß der Sortierung ihrer Polarwinkel. Man umläuft q, d.h. man durchläuft die nach aufsteigenden Polarwinkeln sortierte Liste. Anschließend ist zu prüfen, ob 3 aufeinanderfolgende Punkte einen right turn oder einen left turn bilden. Von einem left turn spricht man, wenn die 3 aufeinanderfolgenden Punkte in einem Winkel von mehr als 180 zueinander liegen, ansonsten bilden diese Punkte einen right turn. Wenn 3 Punkte einen right turn bilden, gehört der mittlere Punkt nicht zur konvexen Hülle und wird aus der Liste entfernt. Anschließend bewegt man sich um einen Punkt zum Anfang der Punktliste zurück und überprüft das neue Tripel. Dieser Vorgang ist solange zu wiederholen, bis der nächste left turn auftritt. Am Ende der While-Schleife existieren nur noch left turns. Die Liste der verbleibenden Punkte stellt damit die Folge der Punkte der konvexen Hülle dar. Beispiel: 4
5 Die Punkte p 0 bis p 6 liegen nun geordnet nach ihren Polarwinkeln bzgl. q vor. Das Tripel (p 0, p 1, p 2 ) bildet einen left turn, man überprüft das nächste Tripel (p 1, p 2, p 3 ), auch dieses bildet einen left turn. Das Tripel (p 2, p 3, p 4 ) bildet als erstes einen right turn und p 3 wird aus der Punktliste gelöscht. Das Tripel (p 1, p 2, p 4 ) wird überprüft und es bildet wieder einen left turn. Alle weiteren Tripel bilden wieder left turn's und der Startpunkt ist wieder erreicht. Damit ist der Algorithmus beendet und die konvexe Hülle von P besteht aus den Punkten p 0, p 1, p 2, p 4, p 5, p 6. In welcher Laufzeit kann man nun Schritt 5 ausführen? Zeile a) kann maximal n-1 mal ausgeführt werden, da danach das Ende der Liste erreicht ist. Zeile b) kann maximal n-2 mal ausgeführt werden, da die konvexe Hülle sonst weniger als 2 Punkte enthält. Daraus resultiert für Schritt 5 eine Laufzeit von O(n). Es ergibt sich damit für GRAHAMS SCAN eine Gesamtlaufzeit von O(n log n). Es wird deutlich, dass das Sortieren (Schritt 3) am aufwändigsten ist und somit die Gesamtlaufzeit entscheidend beeinflusst. Nachteile von GRAHAMS SCAN: 1.) Einsatz von Polarkoordinaten (Winkelberechnung notwendig). 2.) Laufzeit unabhängig von der Eckpunktzahl der konvexen Hülle, da Schritt 3 allein Zeit O(n log n) benötigt. 3.) Keine Verallgemeinerung auf Dimension d 3. 4.) Keine Onlineverarbeitung, da es sich um einen statischen Algorithmus handelt. Damit komme ich zum zweiten wesentlichen Algorithmus. 3. JARVIS' MARCH (1973) Der Algorithmus JARVIS' MARCH kann wie folgt beschrieben werden: Eingabe ist P = {p 1..p n } R 2, Ausgabe ist die konvexe Hülle H von P. 1.) Suche zwei Punkte p' und p'' von P mit kleinster bzw. größter y-koordinate p' und p'' sind Eckpunkte der konvexen Hülle Zeit O(n). 2.) Verbinde p' mit allen anderen Punkten. Der Endpunkt der Strecke mit dem kleinsten Winkel (berechnet über Steigungen) zur Abszisse ist Eckpunkt und wird in die Liste der Eckpunkte aufgenommen (gehört also zu H). Anschließend wird dieser Punkt mit allen verbleibenden Punkten aus P verbunden und wiederum der Endpunkt der Strecke mit dem kleinsten Winkel zur x-achse ermittelt. Dieser Vorgang wird solange wiederholt, bis p' erneut erreicht wird. Danach hat der Algorithmus alle Punkte der konvexen Hülle von P gefunden. Beispiel: 5
6 p 1 =(1,1); p 2 =(2,3); p 3 =(3,1); p 4 =(3,5); p 5 =(4,2); p 6 =(5,2); p 7 =(5,3); p 8 =(5,5); p 9 =(6,2) Sei h die Anzahl der Eckpunkte der konvexen Hülle und n die Gesamtanzahl der Punkte aus P. Dann beträgt die Laufzeit O(h*n), da man für alle Eckpunkte die Steigungen aller Punkte aus P untersuchen muss. Im worst-case bedeutet das eine Laufzeit von O(n 2 ), falls h = n ist. Daran zeigt sich, dass JARVIS' MARCH ein effizienter Algorithmus für eine hinreichend kleine Anzahl von Eckpunkten ist. Einige statistische Aussagen ohne Beweis: 1.) Werden n Punkte zufällig aus einem konvexen Polygon mit r Ecken, r = konst., ausgewählt, so beträgt die average-case-laufzeit O(n log n). 2.) Werden n Punkte zufällig aus einer kreisförmigen Punktmenge ausgewählt, so beträgt die average-case-laufzeit O(n 4/3 ). 4. QUICK HULL (1976) Dies ist ein rekursiver Algorithmus, welcher an das Verfahren QUICK SORT angelehnt ist. Man ermittelt 2 Eckpunkte l und r mit der kleinsten und größten x-koordinate. Anschließend konstruiert man eine Gerade g durch l und r. Man teilt die zu untersuchende Menge P in 2 Mengen P 1 und P 2 ein. Alle Punkte, die oberhalb von g liegen, gehören zu P 1, alle anderen zu P 2. Die Punkte l und r gehören zu beiden Mengen. Ich möchte die Vorgehensweise nur für P 1 und alle auf g liegenden Punkte zeigen, da P 2 analog zu P 1 behandelt wird. Man ermittelt einen Zerlegungspunkt h P 1 mit größtem Abstand zu g. Falls es mehrere Punkte mit gleichem Abstand gibt, wählt man den Punkt mit der kleinsten x-koordinate. Der Algorithmus QUICK HULL lässt sich nun wie folgt beschreiben: Eingabe ist P = {p 1..p n } R 2, Ausgabe ist die konvexe Hülle H von P. QUICK HULL (P, l, r): 1.) if P = {l, r} then output list = (l, r) 2.) else h = FURTHEST(P, l, r) oben beschriebene Prozedur, welche h liefert 3.) P 1 := {x P x {l, h} oder x links von Gerade lh} 4.) P 2 := {x P x {h, r} oder x rechts von Gerade hr} 5.) OUTPUT: verkette die Liste QUICK HULL(P 1, l, h) mit QUICK HULL(P 1, h, r) \ {h} Beispiel: h l r g 6
7 h ist aufgrund des größten Abstandes zu g Eckpunkt der konvexen Hülle. Alle Punkte, die im Dreieck D(l, r, h) liegen, können aus der weiteren Betrachtung entfallen. Damit ergeben sich 2 analoge Probleme: die Punkte in P 1 bzgl. der Geraden (l, h) anstelle der Geraden g die Punkte in P 2 bzgl. der Geraden (h, r) anstelle der Geraden g. Der Algorithmus wird rekursiv mit QUICK HULL(P 1, l, h) und QUICK HULL(P 1, h, r) erneut aufgerufen, bis der Trivialfall (Zeile 1) eintritt. Für QUICK HULL ergibt sich analog zum Sortieralgorithmus QUICK SORT eine Worst- Case-Laufzeit von O(n 2 ). Bemerkung: Wenn die Wahrscheinlichkeit, dass die Menge (P 1 \ {l, h}) höchstens i Punkte enthält, mindestens (i+1) / n beträgt, so ist die durchschnittliche Laufzeit des Verfahrens O(n log n). Oft hat QUICK HULL eine gute Laufzeit, da häufig viele Punkte im Dreieck D (l, r, h) liegen und somit wegfallen. Eine genaue Analyse von QUICK HULL ist jedoch schwer, da unklar ist, wieviele Punkte jeweils im Dreieck D (l, r, h) liegen. 5. MERGE HULL Dieser Algorithmus ist von dem bekannten Sortierverfahren MERGE SORT abgeleitet. Der Algorithmus MERGE HULL lässt sich wie folgt beschreiben: Eingabe ist P = {p 1..p n } R 2, Ausgabe ist die konvexe Hülle H von P. MERGE HULL (P): 1.) Wähle eine Konstante k N, k 3. 2.) Falls #P k, so konstruiere die konvexe Hülle "frei", d.h. ohne diesen Algorithmus. 3.) Ansonsten zerlege P in 2 Mengen S 1 und S 2 mit #S i #P/2 mit i = 1, 2. 4.) P 1 := MERGE HULL(S 1 ) 5.) P 2 := MERGE HULL(S 2 ) 6.) MERGE(P 1, P 2 ) Das Ziel ist es, eine Laufzeit von O(n log n) zu erreichen. Das bedeutet, dass der Merge-Vorgang in Zeit O(n) stattfinden muss. Wir wissen, dass die Schritte 4 und 5 von Grahams Scan in Zeit O(n) ausführbar sind. Die Eckpunkte von P 1 und P 2 müssen geordnet nach den Polarwinkeln ihrer Koordinaten bzgl. einem innerem Punkt (wie bei Grahams Scan) vorliegen. Die Arbeit mit Steigungen statt Polarwinkeln kann dabei zeitaufwändige Operationen ersparen (wie bei JARVIS MARCH). Man berechnet also einen inneren Punkt p von P 1 in Zeit O(1) (wie bei GRAHAMS SCAN) und entscheidet anschließend in Zeit O(n), ob p auch innerer Punkt von P 2 ist. Dabei gibt es 2 Möglichkeiten: p ist innerer Punkt von P 2 : Listen der Eckpunkte von P 1 und P 2 liegen sortiert nach ihren Polarwinkeln vor und können in Zeit O(n) gemischt werden. Dabei beginnt man jeweils mit dem kleinsten Element der beiden Listen, vergleicht die Elemente, entfernt das kleinere aus der Liste, ordnet es in eine neue Liste ein und vergleicht wiederum die kleinsten Elemente beider Listen. Ist eine Liste 7
8 p ist nicht innerer Punkt von P 2 : abgearbeitet und die andere Liste nicht leer, so kann diese Liste einfach an die neu erstellte Liste angehängt werden, da die Elemente bereits sortiert vorliegen. Betrachte p als Ursprung und berechne in Zeit O(n) die Steigungen der Verbindungsstrecken von p zu allen anderen Eckpunkten von P 2. Seien u und v Punkte mit den extremsten Steigungen. Punkte aus P 2 auf der gleichen Seite der Geraden g (die die Punkte u und v verbindet) wie p gehören nicht zur konvexen Hülle von P 1 P 2 (diese Punkte können z.b. durch Koordinaten- vergleich herausgefunden werden). Alle anderen Eckpunkte liegen sortiert nach ihren Polarwinkeln vor. Die Liste der verbleibenden Punkte von P 2 und die Liste von P 1 können nun in Zeit O(n) gemischt werden (wie vorher beschrieben). Es hat sich also gezeigt, dass der MERGE-Schritt in Zeit O(n) durchgeführt werden kann und MERGE HULL damit eine Gesamtlaufzeit von O(n log n) hat. Damit ergibt sich für MERGE HULL der gleiche Aufwand wie für GRAHAMS SCAN, jedoch gibt es bei MERGE HULL den Vorteile, dass nur einfache Operationen aufgrund der Arbeit mit Steigungen statt Polarwinkeln durchgeführt werden müssen. Bei den beiden bereits erwähnten Testbeispielen von Jarvis March (n zufällig gewählte Punkte aus einem Polygon bzw. Kreis) hat MERGE HULL nur eine durchschnittliche Laufzeit von O(n), was bedeutet, dass dieser Algorithmus praktische Bedeutung hat. 8
M. Pester 29. Ein konvexes d-polytop ist eine begrenzte d-dimensionale polyedrale Menge. (d = 3 Polyeder, d = 2 Polygon)
M. Pester 29 6 Konvexe Hülle 6.1 Begriffe Per Definition ist die konvexe Hülle für eine Menge S von lich vielen Punkten die kleinste konvexe Menge, die S enthölt (z.b. in der Ebene durch ein umspannes
MehrGrundlagen zur Delaunay-Triangulierung und zur konvexen Hülle. zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"):
Grundlagen zur Delaunay-Triangulierung und zur konvexen Hülle zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"): 1 Erzeugung des Voronoi-Diagramms (siehe Vorlesung "Algorithmische
MehrGeometrie. Hallo Welt! für Fortgeschrittene Simon Kuhnle. 11. Juli
Geometrie Hallo Welt! für Fortgeschrittene 2008 Simon Kuhnle sisikuhn@stud.informatik.uni-erlangen.de 11. Juli 2008 Simon Kuhnle Geometrie 11.07.2008 1 / 33 Übersicht Übersicht 1 Grundlagen 2 ccw 3 Konvexe
MehrÜbersicht über Informatik und Softwaresystemtechnik WS 99/00, Prof. Dr. Andreas Schwill
Konvexe Hülle Hierbei handelt es sich um ein klassisches Problem aus der Algorithmischen Geometrie, dem Teilgebiet der Informatik, in dem man für geometrische Probleme effiziente Algorithmen bestimmt.
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
MehrTriangulierung von einfachen Polygonen
Triangulierung von einfachen Polygonen - Seminarvortrag von Tobias Kyrion - Inhalt: 1.1 Die Problemstellung Quellenangabe 1.1 Die Problemstellung Definition Polygon: endlich viele paarweise verschiedene
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrAlgorithmische Techniken für Geometrische Probleme
Algorithmische Techniken für Geometrische Probleme Berthold Vöcking 14. Juni 2007 Inhaltsverzeichnis 1 Die Sweepline-Technik 2 1.1 Schnitte orthogonaler Liniensegmente............... 2 1.2 Schnitte beliebiger
MehrGeometrie I. Sebastian Redinger Informatik 2 Programmiersysteme Martensstraße Erlangen
Geometrie I Sebastian Redinger 01.07.2015 Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Grundlagen CCW Polygone Picks Theorem Konvexe Hülle - Graham Scan - Jarvis March 2 Gliederung
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeometrische Algorithmen Einige einfache Definitionen: Ist ein Punkt in einem Polygon? Punkt-in-Polygon-Problem. Das Punkt-in-Polygon-Problem
Geometrische Algorithmen Einige einfache Definitionen: Punkt: im n-dimensionalen Raum ist ein n-tupel (n Koordinaten) Gerade: definiert durch zwei beliebige Punkte auf ihr Strecke: definiert durch ihre
MehrKonvexe Hülle. Konvexe Hülle. Mathematik. Konvexe Hülle: Definition. Mathematik. Konvexe Hülle: Eigenschaften. AK der Algorithmik 5, SS 2005 Hu Bin
Konvexe Hülle Konvexe Hülle AK der Algorithmik 5, SS 2005 Hu Bin Anwendung: Computergraphik Boundary Kalkulationen Geometrische Optimierungsaufgaben Konvexe Hülle: Definition Mathematik Konvex: Linie zwischen
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.06.2014 1 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Geometrie I Markus Götze Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Grundlagen Polygone ccw Pick's Theorem Konvexe Hülle Hallo Welt für Fortgeschrittene
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeometrische Algorithmen Voronoi-Diagramme. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Voronoi-Diagramme
Folie 1 von 32 Geometrische Algorithmen Voronoi-Diagramme Folie 2 von 32 Voronoi-Diagramme Übersicht Problemstellung Animation zur Konstruktion eines Voronoi-Diagramms Definition, Eigenschaften eines Voronoi-Diagramms
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrGeometrie 1. Christian Bay Christian Bay Geometrie / 46
Geometrie 1 Christian Bay 02.07.2013 Christian Bay Geometrie 1 02.07.2013 1 / 46 Inhaltsverzeichnis Grundlagen CCW Polygone Picks Theorem Konvexe Hülle Christian Bay Geometrie 1 02.07.2013 2 / 46 Geometrie
MehrAlgorithmische Geometrie Thema: Konvexe Hüllen
Algorithmische Geometrie Thema: Konvexe Hüllen Christoph Hermes Hermes@hausmilbe.de 17. Juni 2003 Ausblick auf den Vortrag 1/32 1 Was sind konvexe Hüllen? Wozu braucht man sie? Wie kann man sie berechnen
MehrHallo Welt! für Fortgeschrittene. Geometrie I. Philipp Erhardt. 19. Juli Philipp Erhardt Geometrie I 19. Juli / 27
Hallo Welt! für Fortgeschrittene Geometrie I Philipp Erhardt 19. Juli 2011 Philipp Erhardt Geometrie I 19. Juli 2011 1 / 27 Gliederung 1 Grundlagen 2 CCW 3 Punkt-in-Polygon 4 Pick s Theorem 5 Konvexe Hülle
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
Mehr6 Quicksort. die mittlere Laufzeit Θ(n log n) beträgt und. die in der asymptotischen Notation verborgenen Konstanten sehr klein sind.
Algorithmen und Datenstrukturen 132 6 Quicksort In diesem Abschnitt wird Quicksort, ein weiterer Sortieralgorithmus, vorgestellt. Trotz einer eher langsamen Worst-Case Laufzeit von Θ(n 2 ) ist Quicksort
Mehr6. Triangulation von Polygonen
1 6. Triangulation von Polygonen 2 Problemstellung 3 Problemstellung 4 Problemstellung 5 Problemstellung 6 Jedes Polygon lässt sich triangulieren. Wir führen einen Induktionsbeweis nach der Anzahl der
MehrAlgorithmische Geometrie
Algorithmische Geometrie Martin Peternell TU Wien 31. Fortbildungstagung für Geometrie 2010, Strobl 1 Themen der Algorithmische Geometrie Entwurf von Algorithmen für geometrische Fragestellungen betreffend
MehrAlgorithmische Geometrie: Lineare Optimierung (I)
Algorithmische Geometrie: Lineare Optimierung (I) Nico Düvelmeyer WS 2009/2010, 17.11.2009 Überblick 1 Geometrie von Gießformen 2 Durchschnitte von Halbebenen 3 Inkrementeller Algorithmus Überblick 1 Geometrie
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Jakob Vogel Computer-Aided Medical Procedures Technische Universität München Komplexität von Programmen Laufzeit kann näherungsweise
MehrGeometrie 1. Roman Sommer. Informatik 2 Programmiersysteme Martensstraße Erlangen
Geometrie 1 Roman Sommer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Grundlagen Punkte, Vektoren Schreibweise: Skalar: Vektor: Komponente: Punkt: (spitzer) Winkel zw. zwei Vektoren:
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 4 (30.4.2018) Sortieren IV Algorithmen und Komplexität Analyse Merge Sort Laufzeit T(n) setzt sich zusammen aus: Divide und Merge: O n
MehrAlgorithmen und Datenstrukturen 1 Kapitel 5
Algorithmen und Datenstrukturen 1 Kapitel 5 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Kapitel 5: Effizienz von Algorithmen 5.1 Vorüberlegungen Nicht
MehrAbschnitt 19: Sortierverfahren
Abschnitt 19: Sortierverfahren 19. Sortierverfahren 19.1 Allgemeines 19.2 Einfache Sortierverfahren 19.3 Effizientes Sortieren: Quicksort 19.4 Zusammenfassung 19 Sortierverfahren Informatik 2 (SS 07) 758
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Algorithmen und Datenstrukturen Teil 3 Suchen in Listen Version vom: 15. November 2016
MehrTriangulierung von einfachen Polygonen
Triangulierung von einfachen Polygonen Tobias Kyrion Inhaltsverzeichnis 1.1 Die Problemstellung....................... 1 2.1 Ein naiver Algorithmus...................... 2 3.1 Zerlegung in monotone Teilpolygone..............
MehrAlgorithmen und Datenstrukturen Heapsort
Algorithmen und Datenstrukturen 2 5 Heapsort In diesem Kapitel wird Heapsort, ein weiterer Sortieralgorithmus, vorgestellt. Dieser besitzt wie MERGE-SORT eine Laufzeit von O(n log n), sortiert jedoch das
MehrÜbung: Algorithmen und Datenstrukturen SS 2007
Übung: Algorithmen und Datenstrukturen SS 2007 Prof. Lengauer Sven Apel, Michael Claÿen, Christoph Zengler, Christof König Blatt 5 Votierung in der Woche vom 04.06.0708.06.07 Aufgabe 12 Manuelle Sortierung
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
MehrHeapsort / 1 A[1] A[2] A[3] A[4] A[5] A[6] A[7] A[8]
Heapsort / 1 Heap: Ein Array heißt Heap, falls A [i] A [2i] und A[i] A [2i + 1] (für 2i n bzw. 2i + 1 n) gilt. Beispiel: A[1] A[2] A[3] A[4] A[5] A[6] A[7] A[8] Heapsort / 2 Darstellung eines Heaps als
Mehr2.4. Triangulierung von Polygonen
Als drittes Problem haben wir in Kapitel 1 die Triangulierung von Polygonen identifiziert, die etwa bei der Überwachung eines Museums durch Kameras auftritt. F70 F71 Definition und Theorie: Definition
MehrGeometrie I. Laura Lawniczak Hallo Welt -Seminar - LS 2
Geometrie I Laura Lawniczak 12.07.2017 Hallo Welt -Seminar - LS 2 Inhalt Grundlagen Abstandsberechnung Punkt-Gerade Punkt-Segment CCW Polygone Punkt in Polygon Pick s Theorem Konvexe Hülle 12.07.2017 Laura
MehrGeometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
MehrGeometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente! Lage zweier Segmente! Prüfung auf Schnittfreiheit! Formeln zum Geradenschnitt! Feststellen
MehrString - Matching. Kapitel Definition
Kapitel 1 String - Matching 1.1 Definition String - Matching ( übersetzt in etwa Zeichenkettenanpassung ) ist die Suche eines Musters ( Pattern ) in einem Text. Es findet beispielsweise Anwendung bei der
MehrKarlsruher Institut für Technologie Institut für Theoretische Informatik. Übungsklausur Algorithmen I
Vorname: Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Jörn Müller-Quade 21.06.2017 Übungsklausur Algorithmen I Aufgabe 1. Kleinaufgaben 8 Punkte Aufgabe 2. Hashing 6 Punkte
Mehr7. Sortieren Lernziele. 7. Sortieren
7. Sortieren Lernziele 7. Sortieren Lernziele: Die wichtigsten Sortierverfahren kennen und einsetzen können, Aufwand und weitere Eigenschaften der Sortierverfahren kennen, das Problemlösungsparadigma Teile-und-herrsche
MehrKapitel 9 Algorithm. Geometrie. Kürzeste Abstände Konvexe Hülle
Kapitel 9 Algorithm. Geometrie Kürzeste Abstände Konvexe Hülle Überblick Teilgebiet der Informatik, in dem es um die Entwicklung effizienter Algorithmen und die Bestimmung der algorithmischen Komplexität
MehrKapitel 10. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 10 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 1)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 1) Nico Düvelmeyer WS 2009/2010, 26.1.2010 Überblick 1 Motivation Interpolation von Höhendaten 2 Triangulierungen von ebenen Punktmengen 3 Delaunay
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 1 16. September 2011 Grundlagen: Algorithmen und
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
MehrStabiles Sortieren. Dieses Prinzip lässt sich natürlich auf beliebiege andere Zahlensystem oder auch komplett anders gestaltete Mengen übertragen.
Prof. Thomas Richter 3. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 27.04.2017 Stabiles
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 03.12.2013 Algorithmische Geometrie: Schnitte von Strecken Sweep-Line INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen und Datenstrukturen 1
Algorithmen und Datenstrukturen 1 6. Vorlesung Martin Middendorf / Universität Leipzig Institut für Informatik middendorf@informatik.uni-leipzig.de studla@bioinf.uni-leipzig.de Merge-Sort Anwendbar für
MehrAufgabe (Schreibtischtest, lexikographische Ordnung)
Aufgabe (Schreibtischtest, lexikographische Ordnung) Führen Sie einen Schreibtischtest für den Algorithmus Bubblesort aus der VL für die folgenden Eingabe-Arrays durch. Geben Sie das Array S nach jedem
MehrKomplexität von Algorithmen:
Komplexität von Algorithmen: Ansatz: Beschreiben/erfassen der Komplexität über eine Funktion, zur Abschätzung des Rechenaufwandes abhängig von der Größe der Eingabe n Uns interessiert: (1) Wie sieht eine
MehrLineare Programmierung
Übung Algorithmische Geometrie Lineare Programmierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 14.05.2014 Übersicht Übungsblatt 4 Lineares
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.05.2011 Motivation Gegeben eine Position p = (p x, p y )
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 017 Marc Bux, Humboldt-Universität zu Berlin Agenda 1. Vorrechnen von Aufgabenblatt 1. Wohlgeformte Klammerausdrücke 3. Teile und Herrsche Agenda 1.
MehrSuchen und Sortieren
Ideen und Konzepte der Informatik Suchen und Sortieren Ordnung ist das halbe Leben Antonios Antoniadis (Basierend auf Folien von Kurt Mehlhorn und Konstantinos Panagiotou) 6. November 2017 6. November
Mehr3.2. Divide-and-Conquer-Methoden
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE 3.2. Divide-and-Conquer-Methoden Divide-and-Conquer-Methoden Einfache Sortieralgorithmen reduzieren die Größe des noch
MehrAlgorithmen und Datenstrukturen
Technische Universität München SoSe 2017 Fakultät für Informatik, I-16 Lösungsblatt 4 Dr. Stefanie Demirci 31. Mai 2017 Rüdiger Göbl, Mai Bui Algorithmen und Datenstrukturen Aufgabe 1 Komplexität Berechnung
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Geometrisches Problem: Problem: Nächstes Paar Eingabe: n Punkte in der Ebene Ausgabe: Das Paar q,r mit geringstem Abstand
MehrÜbung zu Algorithmen und Datenstrukturen (für ET/IT)
Übung zu Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Rüdiger Göbl, Mai Bui Computer Aided Medical Procedures Technische Universität München Fibonacci Zahlen Fibonacci Folge Die Fibonacci
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrBereichsabfragen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.05.2011 Geometrie in Datenbanken In einer Personaldatenbank
MehrElementare Sortierverfahren
Algorithmen und Datenstrukturen I Elementare Sortierverfahren Fakultät für Informatik und Mathematik Hochschule München Letzte Änderung: 18.03.2018 18:16 Inhaltsverzeichnis Sortieren.......................................
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2017 Patrick Schäfer, Humboldt-Universität zu Berlin Agenda: Sortierverfahren 1. Schreibtischtest 2. Stabilität 3. Sortierung spezieller Arrays 4. Untere
MehrAlgorithmische Geometrie: Schnittpunkte von Strecken
Algorithmische Geometrie: Schnittpunkte von Strecken Nico Düvelmeyer WS 2009/2010, 3.11.2009 3 Phasen im Algorithmenentwurf 1. Konzentration auf das Hauptproblem 2. Verallgemeinerung auf entartete Eingaben
MehrGeometrische Algorithmen Segmentschnitt. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Segmentschnitt
Folie 1 von 37 Geometrische Algorithmen Segmentschnitt Folie 2 von 37 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
MehrKonvexe Hülle. Abbildung: [Wikipedia]: Nicht-konvexe Menge (links), konvexe Menge (rechts) KIT Institut für Theoretische Informatik 510
Konvexe Hülle Definition konvexe Menge: Für je zwei beliebige Punkte, die zur Menge gehören, liegt auch stets deren Verbindungsstrecke ganz in der Menge. Abbildung: [Wikipedia]: Nicht-konvexe Menge (links),
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrEs sei P ein einfaches Polygon in der Ebene; P habe n Ecken. Hilfssatz: Zu jedem einfachen Polygon mit mehr als 3 Ecken existiert eine Diagonale.
6. Polygontriangulierung: Wie bewacht man eine Kunstgalerie? 6.1. Grundlegendes zu Polygonen Es sei P ein einfaches Polygon in der Ebene; P habe n Ecken. Definition: Hilfssatz: Zu jedem einfachen Polygon
MehrKap. 3: Sortieren (3)
Kap. 3: Sortieren (3) Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund 6. VO DAP2 SS 2009 30. April 2009 Überblick Quick-Sort Analyse von Quick-Sort Quick-Sort
Mehr8. A & D - Heapsort. Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können.
8. A & D - Heapsort Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können. Genauer werden wir immer wieder benötigte Operationen durch Datenstrukturen unterstützen.
MehrGeometrie I. Tobias Langer Tobias Langer Geometrie I / 59
Geometrie I Tobias Langer 02.07.2010 Tobias Langer Geometrie I 02.07.2010 1 / 59 1 Schulgeometrie Punkte & Geraden Dreieck Kreis Polygon 2 Schnitt von Geraden und Strecken 3 Punkt in Polygon Tobias Langer
Mehr3. Übungsblatt zu Algorithmen I im SoSe 2017
Karlsruher Institut für Technologie Prof. Dr. Jörn Müller-Quade Institut für Theoretische Informatik Björn Kaidel, Sebastian Schlag, Sascha Witt 3. Übungsblatt zu Algorithmen I im SoSe 2017 http://crypto.iti.kit.edu/index.php?id=799
MehrCopyright, Page 1 of 7 Heapsort
www.mathematik-netz.de Copyright, Page 1 of 7 Heapsort Alle grundlegenden, allgemeinen Sortierverfahren benötigen O(n 2 ) Zeit für das Sortieren von n Schlüsseln. Die kritischen Operationen, d.h. die Auswahl
MehrVoronoi Diagrams. Christian Wellenbrock. December 1, 2009
December 1, 2009 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Gesucht:
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrAlgorithmische Anwendungen. Algorithmen zur Berechnung konvexer Hüllen von Punkten
Algorithmische Anwendungen Algorithmen zur Berechnung konvexer Hüllen von Punkten Gruppe: C Team: lila Benz Andreas Matrikel-Nr.: 11036930 Radke Eugen Matrikel-Nr.: 11037089 Inhaltsverzeichnis 1. Einführung...3
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Map Labeling INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2016 Patrick Schäfer, Humboldt-Universität zu Berlin Agenda 1. Vorstellen des vierten Übungsblatts 2. Vorbereitende Aufgaben für das vierte Übungsblatt
MehrG. Zachmann Clausthal University, Germany
lausthal Informatik II Suchen lausthal University, ermany zach@in.tu-clausthal.de Problemstellung egeben ist eine Menge von Datensätzen {A1,...,An} esucht sind die Datensätze, deren Schlüssel (Key) = A[i].key
Mehr5. Übungsblatt zu Algorithmen II im WS 2017/2018
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Thomas Worsch, Dr. Simon Gog Demian Hespe, Yaroslav Akhremstev 5. Übungsblatt zu Algorithmen II im WS
Mehr4. Sortieren 4.1 Vorbemerkungen
. Seite 1/21 4. Sortieren 4.1 Vorbemerkungen allgemeines Sortierproblem spezielle Sortierprobleme Ordne a 1,..., a n so um, dass Elemente in aufsteigender Reihenfolge stehen. Die a i stammen aus vollständig
MehrRekursion. Rekursive Funktionen, Korrektheit, Terminierung, Rekursion vs. Iteration, Sortieren
Rekursion Rekursive Funktionen, Korrektheit, Terminierung, Rekursion vs. Iteration, Sortieren Mathematische Rekursion o Viele mathematische Funktionen sind sehr natürlich rekursiv definierbar, d.h. o die
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil Hash-Verfahren Version vom: 18. November 2016 1 / 28 Vorlesung 9 18. November 2016
MehrDualität + Quad-trees
Übung Algorithmische Geometrie Dualität + Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 30.06.2011 Übersicht Übungsblatt 10 - Dualität
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 15. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 15 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 16 Untere Schranken für das Vergleichsbasierte Sortieren TU
MehrAlgorithmische Geometrie 3. Schnitte von Liniensegmenten
Algorithmische Geometrie 3. Schnitte von Liniensegmenten JProf. Dr. Heike Leitte Computergraphik und Visualisierung Inhaltsverzeichnis 1. Einführung 2. Konvexe Hülle 3. Schnitte von Liniensegmenten 4.
MehrÜbersicht. Datenstrukturen und Algorithmen. Divide-and-Conquer. Übersicht. Vorlesung 9: Quicksort (K7)
Datenstrukturen und Algorithmen Vorlesung 9: (K7) Joost-Pieter Katoen Algorithmus Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-5/dsal/ 2 7.
MehrAufgabe (Schreibtischtest, Algorithmenanalyse)
Aufgabe (Schreibtischtest, Algorithmenanalyse) Führen Sie einen Schreibtischtest für den Algorithmus Positionsort für das folgende Eingabe-Array durch. Geben Sie nach jedem Durchlauf der for-schleife mit
MehrAbschnitt 7: Komplexität von imperativen Programmen
Abschnitt 7: Komplexität von imperativen Programmen 7. Komplexität von imperativen Programmen 7 Komplexität von imperativen Programmen Einf. Progr. (WS 08/09) 399 Ressourcenbedarf von Algorithmen Algorithmen
MehrKryptographische Protokolle
Kryptographische Protokolle Lerneinheit 2: Generierung von Primzahlen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Wintersemester 2018/2019 15.11.2018 Einleitung Einleitung Diese Lerneinheit
Mehr