2. Musterlösung. Problem 1: Das Postamtplatzierungsproblem ** = min w i ( x p x i ) + w i ( y p y i ) i=1. w i + w m w i. 0 wegen (3) w m+1 m,m+1
|
|
- Gertrud Lenz
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 2. Musterlösung Problem 1: Das Postamtplatzierungsproblem ** Sei OE x 1 x 2 x n. Gesucht ist ein Punkt p = (x, y) mit ( n n ) min w i (p, p i ) = min w i ( x p x i + y p y i ) p p ( n ) n = min w i ( x p x i ) + w i ( y p y i ) p (1) (2) Wir betrachten also zwei unabhängige einimensionale Probleme,.h wir suchen min x n w i (x, x i ) un min y n w i (y, y i ). Wir bestimmen im folgenen ie x-koorinate (für ie y-koorinate ergibt sich eine analoge Berechnung): Falls x i = x j für i j gilt, fassen wir ie beien Gewichte zusammen. Sei W := 1/2 n w i. Für en gewichteten Meian x m er x-werte gilt: w i W w i (3) x i<x m x i>x m Sei W m = n w i(x m, x i ). Betrachte OBA ie linke Seite von x m (rechte Seite ist analog). Es gilt x i<x m w i + w m W. Für jeen Punkt x mit x = x m + gilt: ( ) ( ) W = W m + w i + w m w i (4) x i<x m x i>x m ( ) = W m + w i + w m w i W m (5) x i<x m x i>x m 0 wegen (3) Beachte, ass obige Ungleichung auch ähnlich gilt wenn x x m+1. Sei azu m,m+1 = x m+1 x m W = W m + w i + w m w i w m+1 m,m+1 x i<x m x i>x m+1 über m,m+1 war x m+1 rechts } {{ } 0 wie vorher (sogar schlimmer) + w m+1 ( m,m+1 ) W m 0 nun x m+1 links (6) Somit gilt also x : W Wm Man fine also mit G-Meian (vgl. Übungsblatt 1) in linearer Zeit ie gewichteten Meiane x m un y m. Der Punkt (x m, y m ) ist er gesuchte Punkt p.
2 Problem 2: Union-Fin *** Da alle Union-Operationen vor allen Fin- un Makeset-Operationen ausgeführt weren, vergrößert sich ie Höhe eines Knoten nach en Union-Operationen nicht mehr. Der Aufwan für ie Union- un Makeset- Operationen liegt in O(m). Danach weren nur noch Fins auf eine Menge von Bäumen angewenet. (a) Zunächst ist klar, ass ie Operationen Union un Makeset insgesamt einen Aufwan in O(m) haben un höchstens m Knoten für nachfolgene Fin-Operationen zur Verfügung stellen. Wie bei er Analyse es allgemeinen Falles, berechnen wir ie Gesamtkosten nach er Ganzheitsmethoe. Dazu teilen teilen wir ie Kosten für ie Fin-Operationen in zwei Teile auf: Für eine Operation Fin(i) seien i = i 0, i 1,..., i l 1, i l ie Knoten auf em Weg von i zur Wurzel i l. Die Pfakompression sorgt afür, ass bei einem Fin(i) für alle Knoten außer i l 1 un i l ie Höhe auf eins verringert wir. Die konstanten Kosten c 1 für i l un i l 1 ornen wir er Fin-Operation zu. Die Kosten für i k mit 0 k l 2 ornen wir em Knoten i k zu, er bei er Fin-Operation bewegt wir. Da jeer Knoten höchstens einmal bewegt wir, ergibt sich für ie Gesamtkosten K aller Fin-Operationen K = Kosten für ie Fins m c 1 Kosten für ie O(m) Fins = O(m) + Kosten für ie Knoten + m c 2 #Knoten #Bewegungen pro Knoten (b) Die obige Analyse macht von er balancing-annahme keinen Gebrauch. Deswegen ergibt sich auch hier Gesamtaufwan O(m). (c) Sei n m ie Anzahl er vorangegangenen Makeset-Operationen. Die Höhe eines Knotens ist hier im schlimmsten Fall in Θ(log n) also kann jee Fin-Operation Aufwan Θ(log n) haben. Damit ergibt sich im schlechtesten Fall ein Gesamtaufwan von Θ(m log n). Setzt man n = m/2, ann ist klar ass er Gesamtaufwan auch in Θ(m log m) ist. Problem 3: Tiefenbestimmungsproblem ** Die folgene Funktion erzeugt einen Baum mit einem Knoten. Algorithmus 1 : Make-Tree(v) Eingabe : Knoten v Ausgabe : Neuer Baum mit Wurzel v [v] := 0 Vor[i] := 1 Algorithmus 2 wir als Subroutine er Algorithmen 3 un 4 aufgerufen. Er liefert zu einem Knoten seine Tiefe un ie Wurzel seines Baumes. Die Funktion Fin-Depth gibt leiglich as erste Argument von Fin zurück. Mit Attach wir ein Baum mit Wurzel v an einem beliebigen Knoten r eines aneren Baums angehängt. Laufzeitanalyse Der Zeitaufwan von Make-Tree bzw. Fin-Depth ist analog zum Zeitaufwan von MakeSet bzw. Fin. Der Aufwan für Attach entspricht em Aufwan für eine Union- un eine Fin- Operation. Der Gesamtaufwan liegt also bei O(2m G(2m)). Wegen er Monotonie von G gilt für alle m: G(2m) G(2 m ) G(m) + 1 2G(m). Daraus folgt G(2m) O(G(m)) un somit liegt er Gesamtaufwan bei O(m G(m)).
3 Algorithmus 2 : Fin(v) Eingabe : Knoten v Ausgabe : Das Paar (epth(v), r(v)) (Tiefe un Wurzel von v) r := v j := v epth := [v] solange Vor[j] > 0 tue j := Vor[v] epth := epth + [j] r := j Wenn r v // Pfakompression j := v pepth := 0 solange Vor[j] > 0 tue temp := Vor[j] Vor[j] := r [j] := epth pepth pepth := pepth + [j] j := temp (epth(v), r(v)) := (epth, r) Algorithmus 3 : Fin-Depth(v) Eingabe : Knoten v Ausgabe : Die Tiefe epth(v) von v (r, ) := Fin(i) epth(v) := Algorithmus 4 : Attach(r, v) Eingabe : Wurzel v eines Baumes un ein Knoten r Ausgabe : Der Knoten v wir an r angehängt (, q) := Fin(r) z := Vor[r] + Vor[q] // Größe es neuen Baumes Wenn Vor[q] Vor[v] Vor[r] := q [r] := [r] Vor[q] := z sonst Vor[q] := r [r] := [r] [q] := [r] Vor[r] := z Vor[v] := r
4 Problem 4: Graustufenbiler ** (a) Der im folgenen angegebene Algorithums bilet für jeen Bilpunkt eine Menge un geht anach ie Matrix Spaltenweise von oben nach unten urch. Dabei wir für jees Element er obere un linke Nachbar in er Matrix (falls vorhanen) auf Äquivalenz geprüft. Sollte sich herausstellen, ass ie Bilpunkte äquivalent sin, so weren ihre Mengen vereinigt. Der Inex ist eine kanonische Abbilung von N N N, a wir für Union-Fin N (1-imensional) als Schlüsselmenge nutzen wollen Algorithmus 5 : Äquivalenzklassenbilung Eingabe : Die Bilpunke als (m n)-matrix mit en Graustufenwerten als Einträge. Ausgabe : Einteilung er Bilpunkte in Äquivalenzklassen bzgl. er gegebenen Äquivalenzrelation. Für i = 1,..., m Für j = 1,..., n Inex (i, j) := n (j 1) + i Makeset (Inex(i, j)) Für j = 1,..., n Für i = 1,..., m Wenn grauwert (i, j)=grauwert (i 1, j) Union (Fin(Inex(i, j)), Fin(Inex(i 1, j))) Wenn grauwert (i, j)=grauwert (i, j 1) Union (Fin(Inex(i, j)), Fin(Inex(i, j 1))) (b) Bei jeem Durchlauf er Schleife in Zeile 6 wir ein Bilpunkt (i 0, j 0 ) seiner Äquivalenzklasse zugeornet. Nach jeem solchen Schritt gilt folgene Invariante: i i 0 )} ist seiner Äquivalenz- Jees Element er Menge M := {(i, j) (j < j 0 ) (j = j 0 klasse eingeschränkt auf M zugeornet. Problem 5: -Heaps ** (a) Wir betrachten als Beispielswerte ie Werte von 1 bis 13. Ein 5-Heap bei em ein Vaterknoten einen größeren Wert hat als alle Kinerknoten könnte wie in Abb.1 aussehen. (b) Wie bei binären Heaps sei ein -Heap ein voller -ärer Baum. Ein vollstäniger -ärer Baum er Höhe h hat h h = i = h+1 1 =: n Knoten. Also gilt hier i=0 h + 1 = log (n() + 1). Demnach ist ie Höhe h(n) eines Baumes mit n Knoten h(n) = log ((n)() + 1) = O(log n). Für festes gilt h(n) = O(log 2 n) (c) Die Nummerierung er Arrayelemente beginne wie in er Vorlesung bei 1. Gesucht wir succ(i, j) im
5 Baumstruktur : Array : Abbilung 1: Baumstruktur un Arraystruktur eines 5-Heaps -Heap. Sei l ie Tiefe in er Knoten i liegt (wobei l Wurzel = 0). Dann gilt: Der Inex succ(i, j) ist also: Knoten im vollst. Baum bis Tiefe l 1 : l i=0 i = l 1 Knoten vor i innerhalb Tiefe l : i l 1 1 Knoten vor succ(i, j) innerhalb Tiefe l + 1 : (i l 1 1) Knoten im vollst. Baum bis Tiefe l : l+1 1 succ(i, j) = (i l 1 1) + l j = i l l j = (i 1) j Gesucht wir nun pre(k) im -Heap, aus er Formel für succ(i, j) ergibt sich: k = (i 1) j i = k 1 j = k 1 = + 1 k } {{} >i un i+1 (wegen Absch. rechts) j N >0 un 1 () Heapify funktioniert ganz analog zum binären Fall:
6 Algorithmus 6 : Heapify(A[1 n], i) Eingabe : Array A, so ass unterhalb vom Inex i ie Heap-Eigenschaft erfüllt ist Ausgabe : Array A, so ass ie Heap-Eigenschaft bis einschließlich i erfüllt ist. k := Succ(i, 1) 1 maxinex := k solange k + 1 <= n tue k := k + 1 Wenn A[k] > A[maxinex] maxinex := k Wenn maxinex i tausche A[i] un A[maxinex] rufe Heapify(A, maxinex) auf (e) Heapify wir wieer höchstens i Mal aufgerufen, wobei i ie Höhe es Unterbaumes von i sei. Da ieser Unterbaum voll ist, gilt i O(log n). Somit ist ie Gesamtlaufzeit von Heapify(A, i) in O(log n) = O(log 2 n).
1. Musterlösung. Problem 1: Average-case-Laufzeit vs. Worst-case-Laufzeit
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner Musterlösung Problem : Average-case-Laufzeit vs Worst-case-Laufzeit pt (a) Folgender Algorithmus löst das Problem der
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
Mehr8. Energie, Impuls und Drehimpuls des elektromagnetischen
8. Energie, Impuls un Drehimpuls es elektromagnetischen Feles 8.1 Energie In Abschnitt.5 hatten wir em elektrostatischen Fel eine Energie zugeornet, charakterisiert urch ie Energieichte ω el ɛ 0 E. (8.1
MehrLehrbrief 1 Technik Seite 1 von 7
Lehrbrief 1 Technik Seite 1 von 7 Mathematische Kenntnisse Mathematik? Eigentlich sollte es och um Amateurfunk gehen. Es ist nunmal ein technisches Hobby, einige grunlegene mathematische Kenntnisse sin
Mehr8. Uninformierte Suche
8. Uninformierte Suche Prof. Dr. Ruolf Kruse University of Mageurg Faculty of Computer Science Mageurg, Germany ruolf.kruse@cs.uni-mageurg.e S otationen () otationen: Graph Vorgänger (ancestor) von Knoten
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrSuchen und Sortieren Sortieren. Heaps
Suchen und Heaps (Folie 245, Seite 63 im Skript) 3 7 21 10 17 31 49 28 14 35 24 42 38 Definition Ein Heap ist ein Binärbaum, der die Heapeigenschaft hat (Kinder sind größer als der Vater), bis auf die
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrGrundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny
Grundlagen der Informatik Prof. Dr. Stefan Enderle NTA Isny 2 Datenstrukturen 2.1 Einführung Syntax: Definition einer formalen Grammatik, um Regeln einer formalen Sprache (Programmiersprache) festzulegen.
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrBeispiel für die Berechnung des Wärmedurchgangskoeffizienten eines zusammengesetzten Bauteiles nach DIN EN ISO 6946
Pro Dr-Ing hena Krawietz Beispiel ür ie Berechnung es Wärmeurchgangskoeizienten eines zusammengetzten Bauteiles nach DIN EN ISO 6946 DIN EN ISO 6946: Bauteile - Wärmeurchlasswierstan un Wärmeurchgangskoeizient
MehrFully dynamic algorithms for the single source shortest path problem.
Fully dynamic algorithms for the single source shortest path problem. Michael Baur Wintersemester 2001/2002 Zusammenfassung Im folgenden Paper werde ich Algorithmen für das dynamische Kürzeste-Wege-Problem
MehrPhysik für Bauingenieure
Fachbereich Physik Prof. Dr. Ruolf Feile Dipl. Phys. Markus Domschke Sommersemester 00 4. 8. Juni 00 Physik für Bauingenieure Übungsblatt 9 Gruppenübungen. Konensator Zwei quaratische Metallplatten mit
Mehr- k Maximalwerte aus Menge mit n >> k Elementen (Rangfolgebestimmung von Suchmaschinen!) Die typische Operationen:
6 Partiell geordnete binäre Bäume: Heap (Haufen) Motivation für manchen Anwendungen nur partielle Ordnung der Elemente statt vollständiger nötig, z.b. - Prioritätsschlange: nur das minimale (oder maximale)
Mehr1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert
Inhalt Einführung 1. Arrays 1. Array unsortiert 2. Array sortiert 3. Heap 2. Listen 1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert 3. Bäume
MehrSchwarz Herwig herwig.schwarz@htl-kapfenberg.ac.at Florian Grabner florian.grabner@gmx.at Druckverlust in Rohrleitungen
HTBL-Kapfenberg Drucverlust in Rohrleitungen Seite von 8 Schwarz Herwig herwig.schwarz@htl-apfenberg.ac.at Florian Grabner florian.grabner@gmx.at Drucverlust in Rohrleitungen Mathematische / Fachliche
MehrBalancierte Bäume. Martin Wirsing. in Zusammenarbeit mit Moritz Hammer und Axel Rauschmayer. http://www.pst.ifi.lmu.de/lehre/ss06/infoii/ SS 06
Balancierte Bäume Martin Wirsing in Zusammenarbeit mit Moritz Hammer und Axel Rauschmayer http://www.pst.ifi.lmu.de/lehre/ss06/infoii/ SS 06 2 Ziele AVL-Bäume als einen wichtigen Vertreter balancierter
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrDispersion DADOS. Problemstellung. Technische Daten, DADOS. Rechnung
Dispersion DADOS Problemstellung Für ie Auswertung von Spektren ist es notwenig, ie Nichtlinearität er Wellenlängenskala auf em CCD Chip zu berücksichtigen. Dies wir hier am Beispiel es DADOS urchgerechnet,
MehrDatenstruktur, die viele Operationen dynamischer Mengen unterstützt
Algorithmen und Datenstrukturen 265 10 Binäre Suchbäume Suchbäume Datenstruktur, die viele Operationen dynamischer Mengen unterstützt Kann als Wörterbuch, aber auch zu mehr eingesetzt werden (Prioritätsschlange)
MehrSortierverfahren für Felder (Listen)
Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
Mehr3.2 Binäre Suche. Usr/local/www/ifi/fk/menschen/schmid/folien/infovk.ppt 1
3.2 Binäre Suche Beispiel 6.5.1: Intervallschachtelung (oder binäre Suche) (Hier ist n die Anzahl der Elemente im Feld!) Ein Feld A: array (1..n) of Integer sei gegeben. Das Feld sei sortiert, d.h.: A(i)
MehrAVL-Bäume Analyse. Theorem Ein AVL-Baum der Höhe h besitzt zwischen F h und 2 h 1 viele Knoten. Definition Wir definieren die nte Fibonaccizahl:
AVL-Bäume Analyse (Folie 85, Seite 39 im Skript) Theorem Ein AVL-Baum der Höhe h besitzt zwischen F h und 2 h 1 viele Knoten. Definition Wir definieren die nte Fibonaccizahl: 0 falls n = 0 F n = 1 falls
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrKleiner Satz von Fermat
Kleiner Satz von Fermat Satz Kleiner Satz von Fermat Sei p P. Dann gilt a p a mo p für alle a Z. Wir führen zunächst eine Inuktion für a 0 urch. IA a = 0: 0 p 0 mo p. IS a a+1: Nach vorigem Lemma gilt
MehrDie k kürzesten Wege in gerichteten Graphen
Die k kürzesten Wege in gerichteten Graphen Marc Benkert Wintersemester 001/00 1 Einführung 1.1 Problemstellung In einem gerichteten, gewichteten Graphen G = (V, E) sollen die k kürzesten Wege zu zwei
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrKap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis
Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO DAP2 SS 2009 2./4. Juni 2009 1 2. Übungstest
MehrLernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.
6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrUndirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time
Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer
MehrCodierung, Codes (variabler Länge)
Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls
MehrBinäre Bäume Darstellung und Traversierung
Binäre Bäume Darstellung und Traversierung Name Frank Bollwig Matrikel-Nr. 2770085 E-Mail fb641378@inf.tu-dresden.de Datum 15. November 2001 0. Vorbemerkungen... 3 1. Terminologie binärer Bäume... 4 2.
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
MehrEigene Farbskala erstellen
Farben er Präsentation bestimmen 210 Eigene Farbskala erstellen Im vorigen Kapitel haben Sie gesehen, wie Sie einer gesamten Präsentation oer einzelnen Folien einer Präsentation eine anere Farbskala zuweisen.
MehrFolge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12
Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben
MehrKLIX OUTLOOK. Getränkeautomaten. Johann C. Bredehorst GmbH & Co. KG Bahnhofstr. 15 32105 Bad Salzuflen
Tel. +49 (0) 52 22-93 09 90 Fax +49 (0) 52 22-93 09 920 E-Mail info@j-c-breehorst.e KLIX OUTLOOK Getränkeautomaten Tel. Fax E-Mail +49 (0) 52 22-93 09 90 +49 (0) 52 22-93 09 920 info@j-c-breehorst.e Vielfalt
MehrTutorium Algorithmen & Datenstrukturen
June 16, 2010 Binärer Baum Binärer Baum enthält keine Knoten (NIL) besteht aus drei disjunkten Knotenmengen: einem Wurzelknoten, einem binären Baum als linken Unterbaum und einem binären Baum als rechten
MehrProgrammiertechnik II
Analyse von Algorithmen Algorithmenentwurf Algorithmen sind oft Teil einer größeren Anwendung operieren auf Daten der Anwendung, sollen aber unabhängig von konkreten Typen sein Darstellung der Algorithmen
MehrSOI 2013. Die Schweizer Informatikolympiade
SOI Die Schweizer Informatikolympiade Lösung SOI Wie schreibe ich eine gute Lösung? Bevor wir die Aufgaben präsentieren, möchten wir dir einige Tipps geben, wie eine gute Lösung für die theoretischen
MehrVertriebspartner/In sein
Beginnen Sie eine neue Zukunft. Wir begleiten Sie! Freuvoll! Chancenreich! Fair! Was kann ich tun? urch! Sie Starten Vertriebspartner/In weren Vertriebspartner/In sein Ihre Chance für mehr Einkommen, Freiheit
Mehr1 Verbindungsleitungen
1 Verbinungsleitungen Für ie Funktion aller elektronischen Schaltungen sin Verbinungsleitungen zischen en Bauelementen unverzichtbar. Ihre Aufgabe ist es, Signale von einem Baustein zum nächsten zu transportieren.
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrReihungen. Martin Wirsing. in Zusammenarbeit mit Matthias Hölzl und Nora Koch 11/03
Reihungen Martin Wirsing in Zusammenarbeit mit Matthias Hölzl und Nora Koch 11/03 2 Ziele Die Datenstruktur der Reihungen verstehen: mathematisch und im Speicher Grundlegende Algorithmen auf Reihungen
MehrMathe-Übungsbeispiele für ein fixes Honorar rechnen Freie Zeiteinteilung + Heimarbeit Vergleichbar mit Nachhilfe, aber ohne Schülerkontakt
Mathe-Übungsbeispiele für ein fixes Honorar rechnen Freie Zeiteinteilung + Heimarbeit Vergleichbar mit Nachhilfe, aber ohne Schülerkontakt Gesucht Stuenten, ie minestens ie Vorlesungen aus en ersten 2
Mehr368 4 Algorithmen und Datenstrukturen
Kap04.fm Seite 368 Dienstag, 7. September 2010 1:51 13 368 4 Algorithmen und Datenstrukturen Java-Klassen Die ist die Klasse Object, ein Pfeil von Klasse A nach Klasse B bedeutet Bextends A, d.h. B ist
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrAlgorithmen und Datenstrukturen 1
Algorithmen und Datenstrukturen 1 5. Vorlesung Martin Middendorf / Peter F. Stadler Universität Leipzig Institut für Informatik middendorf@informatik.uni-leipzig.de studla@bioinf.uni-leipzig.de Quick-Sort
Mehr9.4 Binäre Suchbäume. Xiaoyi Jiang Informatik II Datenstrukturen und Algorithmen
9.4 Binäre Suchbäume Erweiterung: Einfügen an der Wurzel Standardimplementierung: Der neue Schlüssel wird am Ende des Suchpfades angefügt (natürlich, weil zuerst festgestellt werden muss, ob der Schlüssel
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrZeichnen von Graphen. graph drawing
Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =
MehrSeminarausarbeitung Entwurf und Analyse von Datenstrukturen. Splay Trees. Mirco Lukas und Alexander Werthmann. Datum: 26.06.2013
Julius-Maximilians-Universität Würzburg Institut für Informatik Lehrstuhl für Informatik I Effiziente Algorithmen und wissensbasierte Systeme Seminarausarbeitung Entwurf und Analyse von Datenstrukturen
Mehr15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrUniversität Karlsruhe Fakultät für Informatik. Algorithmentechnik
Universität Karlsruhe Fakultät für Informatik Algorithmentechnik Skript zur Vorlesung von Prof. Dorothea Wagner, Karlsruhe, Wintersemester 08/09 Stand: 9. November 008 6 4 0 4 5 6 7 8 7 9 8 9 0 4 Skript
MehrVorkurs Informatik WiSe 15/16
Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 16.10.2015 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Suchen Binärsuche Binäre Suchbäume 16.10.2015 Dr. Werner
MehrLaufzeit und Komplexität
Laufzeit und Komplexität Laufzeit eines Algorithmus Benchmarking versus Analyse Abstraktion Rechenzeit, Anzahl Schritte Bester, Mittlerer, Schlechtester Fall Beispiel: Lineare Suche Komplexitätsklassen
MehrÜbersicht. Datenstrukturen und Algorithmen. Übersicht. Divide-and-Conquer. Vorlesung 9: Quicksort (K7)
Datenstrukturen und Algorithmen Vorlesung 9: (K7) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.rwth-aachen.de/i2/dsal0/ Algorithmus 8. Mai 200 Joost-Pieter
MehrMS Michelson-Interferometer
MS Michelson-Interferometer Blockpraktikum Herbst 2007 (Gruppe 2b) 24. Oktober 2007 Inhaltsverzeichnis 1 Grunlagen 2 1.1 Aufbau.................................... 2 1.2 Interferenzmuster...............................
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrLenstras Algorithmus für Faktorisierung
Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit
MehrWiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen
Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
Mehrfrischabpresse.ch Weltgeschehen im Unterricht Fussball WM 2014 Teilnehmer-Länder der Fussball-WM 2014
Weltgeschehen im Unterricht Fussball Teilnehmer-Läner er Fussball- 6 min Material: Länerkarten, evtl. Computerraum Vorzubereiten: Spielkarten für jee 4er-Gruppe farbig kopieren (ABs Quartett - Gruppen
MehrOptische Abbildung mit Einzel- und Tandemobjektiven
Optische Abbilung mit Einzel- un Tanemobjektiven. Wirkungsgra einer Abbilung mit einem Einzelobjektiv Mit einem Einzelobjektiv wir ein strahlener egenstan er Fläche A [m ] un er Ausstrahlung M W m au ein
MehrDer linke Teilbaum von v enthält nur Schlüssel < key(v) und der rechte Teilbaum enthält nur Schlüssel > key(v)
Ein Baum T mit Knotengraden 2, dessen Knoten Schlüssel aus einer total geordneten Menge speichern, ist ein binärer Suchbaum (BST), wenn für jeden inneren Knoten v von T die Suchbaumeigenschaft gilt: Der
MehrBarocker Kontrapunkt Invention: idealtypische ( akademische ) Form
Hans Peter Reutter: Invention 1 Baroker Kontrapunkt Invention: iealtypishe ( akaemishe ) Form Bis zum Ene er Barokzeit sin ie Bezeihnungen für polyphone Formen eigentlih ziemlih austaushbar: Fuge, Rierar,
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
Mehr4. Relationen. Beschreibung einer binären Relation
4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B
MehrDatenstrukturen. Mariano Zelke. Sommersemester 2012
Datenstrukturen Mariano Zelke Sommersemester 2012 Mathematische Grundlagen: Das Handwerkszeug Mariano Zelke Datenstrukturen 2/26 Formeln: n - i = n (n+1) 2 und - i=1 k i=0 a i = ak+1 1 a 1, falls a 1 Rechnen
MehrÜberblick. Lineares Suchen
Komplexität Was ist das? Die Komplexität eines Algorithmus sei hierbei die Abschätzung des Aufwandes seiner Realisierung bzw. Berechnung auf einem Computer. Sie wird daher auch rechnerische Komplexität
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI
MehrEinführung in die Informatik 1
Einführung in die Informatik 1 Datenorganisation und Datenstrukturen Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrShortest Path Algorithmus von Edsger Dijkstra
Shortest Pth Algorithmus von Esger Dijkstr Mihel Dienert 16. Dezemer 2010 Inhltsverzeihnis 1 Shortest Pth Algorithmus 1 1.1 Grphen................................. 1 1.2 Knoten..................................
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrB-Bäume I. Algorithmen und Datenstrukturen 220 DATABASE SYSTEMS GROUP
B-Bäume I Annahme: Sei die Anzahl der Objekte und damit der Datensätze. Das Datenvolumen ist zu groß, um im Hauptspeicher gehalten zu werden, z.b. 10. Datensätze auf externen Speicher auslagern, z.b. Festplatte
MehrLeicht. Leicht. Leicht. Brandschutz ist doch ganz leicht. Leichtbeton mit besten Werten. Bundesverband Leichtbeton e.v.
Leicht Leicht Leicht Branschutz ist och ganz leicht Leichteton mit esten Werten Bunesveran Leichteton e.v. 1 Der Branschutz Die für en Branschutz zustänige Norm ist ie DIN 4102. Die gültige Ausgae atiert
MehrKap. 4.2: Binäre Suchbäume
Kap. 4.2: Binäre Suchbäume Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 11. VO DAP2 SS 2009 26. Mai 2009 1 Zusätzliche Lernraumbetreuung Morteza Monemizadeh:
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
MehrINSTITUT FÜR ANGEWANDTE PHYSIK Physikalisches Praktikum für Studierende der Ingenieurswissenschaften Universität Hamburg, Jungiusstraße 11
INSIU FÜR NGENDE HYSI hysikalisches rakikum für Suierene er Ingenieurswissenschafen Universiä Hamburg, Jungiussraße 11 elier-ärmepumpe 1 Ziel äleleisung, ärmeleisung un ie Leisungsziffer einer elier-ärmepumpe
MehrMental-Training. Das klassische. Methode. Kurt Tepperwein. Kurzübersicht. Schenken Sie sich bewusste Manifestation für ein mentalklares Leben!
Das klassische Schenken Sie sich bewusste Manifestation für ein mentalklares Leben! Mental-Training nach er Kurt Tepperwein Methoe INTERNATIONALE AKADEMIE DER WISSENSCHAFTEN ANSTALT BEWUSSTSEINSBILDENDER
MehrEntwurf und Analyse von Algorithmen WS 1999/2000
Entwurf und Analyse von Algorithmen WS 1999/2000 Prof. Dorothea Wagner Ausarbeitung: Dagmar Handke Matthias Weisgerber Anja Kristina Koch Version vom 29. November 2005 2 Inhaltsverzeichnis 1 Divide-and-Conquer-Verfahren
Mehr3. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
MehrKurs 1613 Einführung in die imperative Programmierung
Aufgabe 1 Gegeben sei die Prozedur BubbleSort: procedure BubbleSort(var iofeld:tfeld); { var hilf:integer; i:tindex; j:tindex; vertauscht:boolean; i:=1; repeat vertauscht := false; for j := 1 to N - i
MehrSuperförster. Deutschland sucht den. Spieldauer: etwa 20 Minuten. 2 bis 4 Spieler ab 9 Jahren. Ein Kartenspiel für. Begeisterung wecken
Ein Kartenspiel für 2 bis 4 Spieler ab 9 Jahren Spielauer: etwa 20 Minuten Worum geht s? Ihr sei Förster un versucht, le eure Aufgaben im W zu erleigen. Für Klimaschutz un Nachhtigkeit gibt es Pluspunkte;
MehrBV: Hotel Augsburger Straße. Details Bodenaufbau Küche
BV: Hotel Augsburger Straße Details Boenaufbau Küche Inex: Stan: 28.09.04 Hinweis: Die Detailblätter, auch neu hinzugekommene oer nicht geänerte, sin urchgängig mit em Inex bezeichnet. Schraml+Partner
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
MehrSpezifikation der zulässigen Parameter. Bemerkungen: Bemerkungen: (2) Design by Contract:
Spezifikation der zulässigen Parameter Bemerkungen: Bei jeder (partiellen) Funktion muss man sich überlegen und dokumentieren, welche aktuellen Parameter bei einer Anwendung zulässig sein sollen. Der Anwender
MehrKapitel 9 Suchalgorithmen
Kapitel 9 Suchalgorithmen Technische Universität München Suchverfahren: Verfahren, das in einem Suchraum nach Mustern oder Objekten mit bestimmten Eigenschaften sucht. Vielfältige Anwendungsbereiche für
MehrMethoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07
Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2
Mehr