Übung 5 Algorithmen II
|
|
- Bernhard Brinkerhoff
- vor 6 Jahren
- Abrufe
Transkript
1 Yroslv Akhremtsev, Demin Hespe Mit Folien von Michel Axtmnn (teilweise) Institut für Theoretische Informtik - 0 Akhremtsev, Hespe: KIT Universität des Lndes Bden-Württemerg und ntionles Forschungszentrum in der Helmholtz-Gemeinschft Institut für Theoretische Informtik
2 Themenüersicht Lempel-Ziv 78 decompression Geometrie (ws und wrum?) Sweepline llgemeines Prinzip Beispiel: Berechnung einer Skyline Intervl Serch Trees Rectngle Intersection Prolem Rechts oder Links? (Orientierung eines Punktes zu einer Linie) 1 Akhremtsev, Hespe: Institut für Theoretische Informtik
3 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
4 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
5 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
6 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
7 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
8 Lempel-Ziv 78 decompression Prent String New node c Akhremtsev, Hespe: Institut für Theoretische Informtik
9 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Akhremtsev, Hespe: Institut für Theoretische Informtik
10 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Akhremtsev, Hespe: Institut für Theoretische Informtik
11 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Akhremtsev, Hespe: Institut für Theoretische Informtik
12 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Akhremtsev, Hespe: Institut für Theoretische Informtik
13 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Node 11 is not in the tree yet 2 Akhremtsev, Hespe: Institut für Theoretische Informtik
14 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Node 11 is not in the tree yet This is only possile if node 7 is the prent of node Akhremtsev, Hespe: Institut für Theoretische Informtik
15 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Node 11 is not in the tree yet This is only possile if node 7 is the prent of node 11 Thus, we descent long rcs 0 1, 1, 7, Akhremtsev, Hespe: Institut für Theoretische Informtik
16 Lempel-Ziv 78 decompression Prent String New node c c 8 0 c Node 11 is not in the tree yet This is only possile if node 7 is the prent of node 11 Thus, we descent long rcs 0 1, 1, 7, 7 11 The symol on the rc 7 11 is 2 Akhremtsev, Hespe: Institut für Theoretische Informtik
17 Lempel-Ziv 78 decompression Prent String New node c c c 8 0 c c Akhremtsev, Hespe: Institut für Theoretische Informtik
18 Lempel-Ziv 78 decompression Prent String New node c c c 8 0 c c Akhremtsev, Hespe: Institut für Theoretische Informtik
19 Lempel-Ziv 78 decompression Prent String New node c c c c 8 0 c c 12 c Akhremtsev, Hespe: Institut für Theoretische Informtik
20 Lempel-Ziv 78 decompression Prent String New node c c c c c c 8 0 c c 12 c c 1 2 Akhremtsev, Hespe: Institut für Theoretische Informtik
21 Geometrische Algorithmen geomtetrische Vrinten eknnter Proleme Spezilfälle oft einfcher llgemeines TSP: nicht pproximierr (wenn P = NP) metric TSP: 1.-Approximtion eucliden TSP: ɛ-approximtion Lufzeit in O(n(log n) O( 1 ɛ d) d 1 ) geometrisch motivierte Proleme Punktloklisierung Bewegungsplnung (Rootik) Sichtrkeitsgrphen/Prüfung Streckenschnitt... 3 Akhremtsev, Hespe: Institut für Theoretische Informtik
22 Geometrische Methoden Dtenstrukturen Bumstrukturen Intervl Tree Qud Tree BinrySpcePrtition Tree k-d-tree Wvelet-Tree (1-dim) (2-dim) (3-dim) (n-dim) (2-dim) Fcetten Deluny Tringulierung Voronoi Digrmm Strukturierter Zugriff Sweepline sortiert topologisch sortiert Akhremtsev, Hespe: Institut für Theoretische Informtik
23 Geometrische Methoden Dtenstrukturen Bumstrukturen Intervl Tree Qud Tree BinrySpcePrtition Tree k-d-tree Wvelet-Tree (1-dim) (2-dim) (3-dim) (n-dim) (2-dim) Fcetten Deluny Tringulierung Voronoi Digrmm Strukturierter Zugriff Sweepline sortiert topologisch sortiert Akhremtsev, Hespe: Institut für Theoretische Informtik
24 Geometrische Methoden Dtenstrukturen Bumstrukturen Intervl Tree Qud Tree BinrySpcePrtition Tree k-d-tree Wvelet-Tree (1-dim) (2-dim) (3-dim) (n-dim) (2-dim) Fcetten Deluny Tringulierung Voronoi Digrmm Strukturierter Zugriff Sweepline sortiert topologisch sortiert Akhremtsev, Hespe: Institut für Theoretische Informtik
25 Geometrische Methoden Dtenstrukturen Bumstrukturen Intervl Tree Qud Tree BinrySpcePrtition Tree k-d-tree Wvelet-Tree (1-dim) (2-dim) (3-dim) (n-dim) (2-dim) Fcetten Deluny Tringulierung Voronoi Digrmm Strukturierter Zugriff Sweepline sortiert topologisch sortiert Akhremtsev, Hespe: Institut für Theoretische Informtik
26 Geometrische Methoden Dtenstrukturen Bumstrukturen Intervl Tree Qud Tree BinrySpcePrtition Tree k-d-tree Wvelet-Tree (1-dim) (2-dim) (3-dim) (n-dim) (2-dim) Fcetten Deluny Tringulierung Voronoi Digrmm Strukturierter Zugriff Sweepline sortiert topologisch sortiert Akhremtsev, Hespe: Institut für Theoretische Informtik
27 Sweep-Line Allgemein Idee strukturierte Areitung eines Prolems nutze Nähe us geometrisch nhe Ojekte eeinflussen sich geometrisch weit entfernte Ojekte (nhezu) unhängig im Allgemeinen reduziere n-dim (n 1)-dim Akhremtsev, Hespe: Institut für Theoretische Informtik
28 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
29 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
30 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
31 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
32 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
33 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
34 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
35 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
36 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
37 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
38 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
39 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
40 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
41 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
42 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
43 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
44 Sweep-Line Beispiel: Skyline Berechnung einer Skyline Höhenänderungen sind einzig relevnte Punkte jede Änderung definiert eindimensionles Prolem (Mximumsildung) Prolem: effiziente Lösung des 1-dimensionlen Prolems ineffizient: O(n 2 ) (vergleiche Linienschnitt) Ziel hier: Algorithmus mit O(n log n) Zeit 6 Akhremtsev, Hespe: Institut für Theoretische Informtik
45 One-Dimensionl Prolem Sortierte Liste Arry O(n) für Einfügen/Löschen Linked List O(n) für Positionsestimmung 7 Akhremtsev, Hespe: Institut für Theoretische Informtik
46 One-Dimensionl Prolem Sortierte Liste Arry O(n) für Einfügen/Löschen Linked List O(n) für Positionsestimmung Lösung: Priority Queue lle Opertionen in mximl O(log n) möglich 7 Akhremtsev, Hespe: Institut für Theoretische Informtik
47 Skyline Ds eigentliche Skyline Prolem: Berechnung nicht dominierter Punktmengen multikriterielle Bewertung von Tupeln (t 1,..., t n ) Dominierungsedingung: dominiert genu dnn wenn - i : i i - i : i < i 8 Akhremtsev, Hespe: Institut für Theoretische Informtik
48 Intervl Serch Trees [17, 19] Consider query q = (l, r). x = root while x = root do if x.intervl intersects (l, r) return x.intervl else if x.left == null or x.left.mx < l x = x.right else x = x.left [, 8] 8 [, 8] 22 2 [21, 2] 2 [1, 18] 22 [7, 10] [16, 22] Akhremtsev, Hespe: Institut für Theoretische Informtik
49 Intervl Serch Trees [17, 19] Consider query q = (l, r). x = root while x = root do if x.intervl intersects (l, r) return x.intervl else if x.left == null or x.left.mx < l x = x.right else x = x.left [, 8] 8 [, 8] 22 2 [21, 2] 2 [1, 18] 22 [7, 10] [16, 22] Akhremtsev, Hespe: Institut für Theoretische Informtik
50 Intervl Serch Trees [17, 19] Consider query q = (l, r). x = root while x = root do if x.intervl intersects (l, r) return x.intervl else if x.left == null or x.left.mx < l x = x.right else x = x.left [, 8] 8 [, 8] 22 2 [21, 2] 2 [1, 18] 22 [7, 10] [16, 22] Akhremtsev, Hespe: Institut für Theoretische Informtik
51 Intervl Serch Trees [17, 19] Consider query q = (l, r). x = root while x = root do if x.intervl intersects (l, r) return x.intervl else if x.left == null or x.left.mx < l x = x.right else x = x.left [, 8] 8 [, 8] 22 2 [21, 2] 2 [1, 18] 22 [7, 10] [16, 22] Akhremtsev, Hespe: Institut für Theoretische Informtik
52 Intervl Serch Trees Correctness for choise of right child mx (c, mx) (, ) left sutree of x (l, r) right sutree of x 10 Akhremtsev, Hespe: Institut für Theoretische Informtik
53 Intervl Serch Trees Correctness for choise of left child mx (c, mx) (l, r) (, ) left sutree of x right sutree of x 11 Akhremtsev, Hespe: Institut für Theoretische Informtik
54 Intervl Serch Trees Complexity Find n intervl tht intersects query intervl: O(log n) Find ll intervls tht intersect query intervl: O(t log n), where t is the numer of such intervls 12 Akhremtsev, Hespe: Institut für Theoretische Informtik
55 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
56 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Akhremtsev, Hespe: Institut für Theoretische Informtik
57 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(3, ) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
58 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(3, )(1, 7) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
59 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(3, )(1, 7)(2, 8) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
60 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(1, 7)(2, 8) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
61 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(1, 7) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
62 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(1, 7)(2, ) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
63 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(2, ) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
64 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree:(2, )(3, ) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
65 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree: (3, ) 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
66 Rectngle Intersection Prolem Complexity n log n + t log n, where t is the numer of intersecting rectngles Intervl Serch Tree: 13 Akhremtsev, Hespe: Institut für Theoretische Informtik
67 Punktorientierung Vorzeichenehftete Fläche Dreiecksfläche ls Summe dreier Trpezflächen Z-koordinte von Kreuzprodukt der Vektoren P 1 P 2 und P 1 P 3 : (x 2 x 1 )(y 3 y 1 ) (y 2 y 1 )(x 3 x 1 ) Verschieung von P 1 nch (0, 0) ergit: A = 1 2 x 2 x 1 x 3 x 1 y 2 y 1 y 3 y 1 Vorzeichen positiv gdw. P 1, P 2, P 3 CCW P1 P3 A1 A2 A3 P2 Unterprolem von Algorithmen Grhm Scn Test uf Enthltensein (Punkt in konvexem Polygon) 1 Akhremtsev, Hespe: Institut für Theoretische Informtik
68 Punktorientierung Vorzeichenehftete Fläche Dreiecksfläche ls Summe dreier Trpezflächen Z-koordinte von Kreuzprodukt der Vektoren P 1 P 2 und P 1 P 3 : (x 2 x 1 )(y 3 y 1 ) (y 2 y 1 )(x 3 x 1 ) Verschieung von P 1 nch (0, 0) ergit: A = 1 2 x 2 x 1 x 3 x 1 y 2 y 1 y 3 y 1 Vorzeichen positiv gdw. P 1, P 2, P 3 CCW P1 P3 A1 A2 A3 P2 Unterprolem von Algorithmen Grhm Scn Test uf Enthltensein (Punkt in konvexem Polygon) 1 Akhremtsev, Hespe: Institut für Theoretische Informtik
69 Ende! Feierend! 1 Akhremtsev, Hespe: Institut für Theoretische Informtik
Übung 13 Algorithmen II
Michael Axtmann michael.axtmann@kit.edu http://algo2.iti.kit.edu/algorithmenii_ws16.php - 0 Axtmann: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
Mehr13 Rekonfigurierende binäre Suchbäume
13 Rekonfigurierende inäre Suchäume U.-P. Schroeder, Uni Pderorn inäräume, die zufällig erzeugt wurden, weisen für die wesentlichen Opertionen Suchen, Einfügen und Löschen einen logrithmischen ufwnd uf.
MehrKürzeste Wege. möglich ist 6. Füge v zu S hinzu und setze d[v] d [v] (u,v) E. Datenstrukturen und Algorithmen 14. Elementare Graphalgorithmen
Algorithmus von Dijkstr: 1. Es sei S ie Menge er enteckten Knoten. Invrinte: Merke optimle Lösung für S: Für lle v S sei [v] = δ(s,v) ie Länge es kürzesten Weges von s nch v 3. Zu Beginn: S={s} un [s]=
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 :
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
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 2 FS 12
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérle de Zurich Politecnico federle di Zurigo Federl Institute of Technology t Zurich Institut für Theoretische Informtik 29 Ferur 2012
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 2 FS 16
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérle de Zurich Politecnico federle di Zurigo Federl Institute of Technology t Zurich Institut für Theoretische Informtik 9. März 2016
MehrAlgorithmen und Datenstrukturen Suchbaum
Algorithmen und Datenstrukturen Suchbaum Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Motivation Datenstruktur zur Repräsentation dynamischer Mengen
MehrAnalytischen Geometrie in vektorieller Darstellung
Anltische Geometrie Anltischen Geometrie in vektorieller Drstellung Anltische Geometrie Gerden Punkt-Richtungs-Form () Mit Hilfe von Vektoren lssen sich geometrische Ojekte wie Gerden und Eenen eschreien
MehrBisher haben wir keine Annahmen bzgl. der Sortierung der gegebenen Werte gemacht, d.h. sie durften in beliebiger Reihenfolge im Array a stehen
4.2.2 Binäre Suche Bisher hben wir keine Annhmen bzgl. der Sortierung der gegebenen Werte gemcht, d.h. sie durften in beliebiger Reihenfolge im Arry stehen Nehmen wir n, dss die Werte im Arry gemäß der
MehrEinführung in die Vektor- und Matrizenrechnung. Vektoren
Einführung in die Vektor- und Mtrizenrechnung Vektoren Sklr und Vektor Größen, deren Werte durch reelle Zhlen usgedrückt werden können, heißen Sklre. Beispiele: Msse, Ldung, Tempertur, etc. Größen, die
MehrStrings & Pattern Matching
Strings & Pttern Mtching Dezemer 05, 2017 Algorithms & Dtstructures 2 Exercises WS 2017 Dipl.-Ing. Bernhrd Anzengruer-Tnse University Linz, Institute for Pervsive Computing Altenerger Strße 69, A-4040
Mehr18. Algorithmus der Woche Der Euklidische Algorithmus
18. Algorithmus der Woche Der Euklidische Algorithmus Autor Friedrich Eisenrnd, Universität Dortmund Heute ehndeln wir den ältesten ereits us Aufzeichnungen us der Antike eknnten Algorithmus. Er wurde
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2016/17 13. Vorlesung Binäre Suchbäume Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Dynamische Menge verwaltet Elemente einer sich ändernden Menge
MehrBegriffsklärung: Dominanz
Einführung Begriffsklärung: Dominanz Gegeben: d-dimensionaler Raum, jeder Punkt p im Raum hat d Attribute: (p 1,,p d ) Definition Dominanz: 1 i d : p i p i und 1 i d : p i < p i Begriffsklärung: Dominanz
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
MehrGrundlagen der Programmierung Prof. H. Mössenböck. 7. Arrays
Grundlgen der Progrmmierung Prof. H. Mössenböck 7. Arrys Eindimensionle Arrys Arry = Tbelle gleichrtiger Elemente [0] [1] [2] [3] Nme bezeichnet ds gesmte Arry Elemente werden über Indizes ngesprochen
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederun 1. Motivtion / Grundlen 2. Sortierverfhren 3. Elementre Dtenstrukturen / Anwendunen 4. Bäume / Grphen 5. Hshin 6. Alorithmische Geometrie 3/1, Folie 1 2010 Prof. Steffen Lne - HD/FbI - Dtenstrukturen
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
MehrAlgorithmen und Datenstrukturen Musterlösung 5
Algorithmen und Datenstrukturen Musterlösung 5 Martin Avanzini Thomas Bauereiß Herbert Jordan René Thiemann
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
Mehr10: Lineare Abbildungen
Chr.Nelius: Linere Alger SS 2008 1 10: Linere Aildungen 10.1 BEISPIEL: Die Vektorräume V 2 und Ê 2 hen diegleiche Struktur. Es git eine ijektive Aildung f : V 2 Ê 2, die durch die Vorschrift definiert
MehrAlgorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
MehrGrundlagen zu Datenstrukturen und Algorithmen Schmitt, Schömer SS 2001
Grundlgen zu Dtenstrukturen und Algorithmen Schmitt, Schömer SS 001 http://www.mpi-sb.mpg.de/~sschmitt/info5-ss01 U N S A R I V E R S A V I E I T A S N I S S Lösungsvorschläge für ds 4. Übungsbltt Letzte
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrG2 Grundlagen der Vektorrechnung
G Grundlgen der Vektorrechnung G Grundlgen der Vektorrechnung G. Die Vektorräume R und R Vektoren Beispiel: Physiklische Größen wie Krft und Geschwindigkeit werden nicht nur durch ihre Mßzhl und ihre Einheit,
MehrRWTH Aachen Lehrgebiet Theoretische Informatik Rossmanith Dreier Hark Kuinke. SS 2017 Blatt
RWTH Achen Lehrgeiet Theoretische Informtik Rossmnith Dreier Hrk Kuinke SS 2017 Bltt 4 22.5.2017 Lösungsvorschlg zur Vorlesung Formle Sprchen, Automten und Prozesse Aufge T11 1. L, d L, er / L. L, d für
MehrWarum Bäume? Teil 1: Suchen. Bäume: Begriffe und Eigenschaften (2) Bäume: Begriffe und Eigenschaften (1)
Wrum Bäume? Teil : Suhen Prolemstellung Elementre Suhverfhren Hshverfhren Binäre Suhäume (Wiederholung us Prog ) Bäume: Begriffe, Eigenshften und Trversierung Binäre Suhäume Gefädelte Suhäume Ausgeglihene
MehrSortierte Folgen 250
Sortierte Folgen 250 Sortierte Folgen: he 1,...,e n i mit e 1 apple applee n kennzeichnende Funktion: M.locate(k):= addressof min{e 2 M : e k} Navigations Datenstruktur 2 3 5 7 11 13 17 19 00 Annahme:
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
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:
MehrAlgebra - Lineare Abbildungen
Algebr - Linere Abbildungen oger Burkhrdt (roger.burkhrdt@fhnw.ch) 8 Hochschule für Technik . Der Vektorrum Hochschule für Technik Hochschule für Technik 4 Vektorrum Definition: Ein Vektorrum über einen
MehrAlgorithmen und Datenstrukturen 1 Kapitel 4.2
Endliche Automten Algorithmen und Dtenstrukturen 1 Kpitel 4.2 Roert Giegerich Technische Fkultät roert@techfk.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Roert Giegerich Endliche Automten
MehrEinführung in die Computerlinguistik Reguläre Ausdrücke und reguläre Grammatiken
Einführung in die Computerlinguistik Reguläre Ausdrüke und reguläre Grmmtiken Lur Heinrih-Heine-Universität Düsseldorf Sommersemester 2013 Regulr expressions (1) Let Σ e n lphet. The set of regulr expressions
MehrKlausur. Informatik 1 Wintersemester 2005/2006 Prof. Dr. Wolfgang May 4. April 2006, Uhr Bearbeitungszeit: 90 Minuten
Klusur Informtik 1 Wintersemester 2005/2006 Prof. Dr. Wolfgng My 4. April 2006, 11-13 Uhr Bereitungszeit: 90 Minuten Aufge erreichre erreichte Punkte Punkte 1 10 / 10 2 14 / 14 3 16 / 16 4 26(+8)* / 26(+8)*
MehrKapitel IV Euklidische Vektorräume. γ b
Kpitel IV Euklidische Vektorräume 1 Elementrgeometrie in der Eene Sei E die Zeicheneene In der Schule lernt mn: (11) Stz des Pythgors: Sei E ein Dreieck mit den Seiten, und c, und sei γ der c gegenüerliegende
Mehr5. Übung Algorithmen II
Johnnes Singler, Prof. Snders 1 Johnnes Singler: KIT Universität des Lndes Bden-Württemberg und ntionles Forschungszentrum in der Helmholtz-Gemeinschft Institut für Theoretische www.kit.edu Informtik Orgnistorisches
MehrG2.3 Produkte von Vektoren
G Grundlgen der Vektorrechnung G. Produkte von Vektoren Ds Sklrprodukt Beispiel: Ein Schienenfhrzeug soll von einem Triler ein Stück s gezogen werden, der neen den Schienen fährt (vgl. Skizze). Wir wollen
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem
MehrBeispiele: cos(x) dx = sin(x) + c (1) e t dt = e t + c (2)
. Stmmfunktion Definition Stmmfunktion: Gegeen sei eine Funktion f(). Gesucht ist eine Funktion F (), so dss d = f(). Die Funktion F() heisst Stmmfunktion. Schreiweise: F () = f()d. Mn spricht uch vom
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 07.06.2017 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=799 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik
MehrVoronoi-Diagramme und Delaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Voronoi-Diagramme & Delaunay-Triangulierungen LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 07.06.2011 Erinnerung:
Mehr2.7.1 Inside-Test Konvexe Hülle Nachbarschaften Schnittprobleme
2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften 2.7.4 Schnittprobleme 1 2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften
MehrAlgorithmen II. Peter Sanders, Thomas Worsch, Simon Gog. Übungen: Demian Hespe, Yaroslav Akhremtsev
Sanders, Worsch, Gog: Algorithmen II - 26. November 2017 Algorithmen II Peter Sanders, Thomas Worsch, Simon Gog Übungen: Demian Hespe, Yaroslav Akhremtsev Institut für Theoretische Informatik, Algorithmik
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
MehrSeminar Algorithmentechnik
Seminar Algorithmentechnik Institut für Theoretische Informatik Lehrstuhl für Algorithmik I Prof. Dorothea Wagner Karlsruhe Seminar Institut Algorithmentechnik für Technologie (KIT) Fakultät für Informatik
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),
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
MehrErinnerung VL
Erinnerung VL.6.16 Graphtraversierung (DFS, topologische Sortierung und mehr) Kürzeste Wege: Problemstellung, Algorithmen Analoger Algorithmus Dijkstras Algorithmus: Idee, Korrektheit Heute: mehr zu Dijkstra,
MehrARBEITSBLATT 5L-8 FLÄCHE ZWISCHEN FUNKTION UND X-ACHSE
Mthemtik: Mg. Schmid WolfgngLehrerInnentem RBEITSBLTT 5L-8 FLÄCHE ZWISCHEN FUNKTION UND X-CHSE Wie wir die Fläche zwischen einer Funktion und der -chse erechnen, hen wir rechentechnische ereits geklärt.
Mehr/LQHDUH*OHLFKXQJVV\VWHPH
/LQHDUH*OHLFKXQJVV\VWHPH (für Grund- und Leistungskurse Mthemtik) 6W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP Nch dem Studium dieses Skripts sollten folgende Begriffe eknnt sein: Linere Gleichung; homogene
MehrRepetitive Strukturen
Repetitive Strukturen Andreas Liebig Philipp Muigg ökhan Ibis Repetitive Strukturen, (z.b. sich wiederholende Strings), haben eine große Bedeutung in verschiedenen Anwendungen, wie z.b. Molekularbiologie,
MehrMathematik 1, Teil B
FH Oldenurg/Ostfrieslnd/Wilhelmshven Fch. Technik, At. Elektrotechnik u. Informtik Prof. Dr. J. Wiee www.et-inf.fho-emden.de/~wiee Mthemtik, Teil B Inhlt:.) Grundegriffe der Mengenlehre.) Mtrizen, Determinnten
MehrReduktion. Seien A Σ und B Γ. Man sagt A ist reduzierbar auf B (A B) gdw. von speziellem Interesse: Polynomialzeitreduktion
Reduktion Seien A Σ und B Γ. Mn sgt A ist reduzierr uf B (A B) gdw. f : Σ Γ. x Σ.x A f(x) B Í* * A B von speziellem Interesse: Polynomilzeitreduktion ( pol ), logrithmische-pltz- Reduktion ( log ). F3
MehrAufgabe 30: Periheldrehung
Aufge 30: Periheldrehung Auf einen Plneten soll zusätzlich zum Grvittionspotentil ds folgende Potentil einwirken U z = η r. (1 Im Folgenden sollen eene Polrkoordinten verwendet werden. Ds können wir mchen,
MehrGeometrische Algorithmen
Sanders / van Stee: Algorithmentechnik February 12, 2008 1 Geometrische Algorithmen Womit beschäftigen sich geom. Algorithmen? Schnitt von Strecken: Bentley-Ottmann-Algorithmus Weitere Beispiele Quelle:
MehrDefinition Suffixbaum
Suffix-Bäume Definition Suche nch einer Menge von Mustern Längste gemeinsme Zeichenkette Pltzreduktion Suffixbäume für Muster Alle Pre Suffix-Präfix Übereinstimmung Sich wiederholende Strukturen Definition
Mehr1.7 Inneres Produkt (Skalarprodukt)
Inneres Produkt (Sklrprodukt) 17 1.7 Inneres Produkt (Sklrprodukt) Montg, 27. Okt. 2003 7.1 Wir erinnern zunächst n die Winkelfunktionen sin und cos, deren Wirkung wir m Einheitskreis vernschulichen: ϕ
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Binärbaum Suchbaum Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 356 Datenstruktur Binärbaum Strukturrepräsentation des mathematischen Konzepts Binärbaum
Mehr4. Lineare Gleichungen mit einer Variablen
4. Linere Gleichungen mit einer Vrilen 4. Einleitung Werden zwei Terme einnder gleichgesetzt, sprechen wir von einer Gleichung. Enthlten eide Terme nur Zhlen, so entsteht eine Aussge, die whr oder flsch
MehrVektoren. Definition. Der Betrag eines Vektors. Spezielle Vektoren
Vektoren In nderen Bereichen der Nturwissenschften treten Größen uf, die nicht nur durch eine Zhlenngbe drgestellt werden können, wie Krft, die Geschwindigkeit. Zur vollständigen Beschreibung z.b. der
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.6.1 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=99 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik 1 Organisatorisches
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 10 (27.5.2016) Binäre Suchbäume II Algorithmen und Komplexität Zusätzliche Dictionary Operationen Dictionary: Zusätzliche mögliche Operationen:
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
MehrÜbungsblatt Nr. 1. Lösungsvorschlag
Institut für Kryptogrphie und Sicherheit Prof. Dr. Jörn Müller-Qude Nico Döttling Dirk Achench Tois Nilges Vorlesung Theoretische Grundlgen der Informtik Üungsltt Nr. svorschlg Aufge (K) (4 Punkte): Semi-Thue-Systeme
Mehr10. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Bäume
MehrAlgorithmen & Datenstrukturen Midterm Test 2
Algorithmen & Datenstrukturen Midterm Test 2 Martin Avanzini Thomas Bauereiß Herbert Jordan René Thiemann
MehrAlgorithmen und Datenstrukturen - Algorithmen auf Zeichenreihen -
Algorithmen uf Zeichenreihen Grundlegende Definitionen BM-Algorithmus BMH-Algorithmus Der KMP-Algorithmus Weitere Verfhren Textkompression Algorithmen und Dtenstrukturen - Algorithmen uf Zeichenreihen
MehrAlgorithmen und Datenstrukturen I - Algorithmen auf Zeichenreihen -
Algorithmen uf Zeichenreihen Grundlegende Definitionen BM-Algorithmus BMH-Algorithmus Der KMP-Algorithmus Weitere Verfhren Textkompression Algorithmen und Dtenstrukturen I - Algorithmen uf Zeichenreihen
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt Semester ARBEITSBLATT 14 MULTIPLIKATION EINES VEKTORS MIT EINEM SKALAR
Mthemtik: Mg. Schmid Wolfgng Areitsltt. Semester ARBEITSBLATT MULTIPLIKATION EINES VEKTORS MIT EINEM SKALAR Zunächst einml müssen wir den Begriff Sklr klären. Definition: Unter einem Sklr ersteht mn eine
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
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
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 13 (18.6.2014) Binäre Suchbäume IV (Rot Schwarz Bäume) Algorithmen und Komplexität Rot Schwarz Bäume Ziel: Binäre Suchbäume, welche immer
MehrINFORMATIK FÜR BIOLOGEN
Technische Universität Dresden 15012015 Institut für Theoretische Informatik Professur für Automatentheorie INFORMATIK FÜR BIOLOGEN Musterklausur WS 2014/15 Studiengang Biologie und Molekulare Biotechnologie
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.04.2012 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu
MehrInformatik II Übung 2
Informatik II Übung 2 Florian Scheidegger florsche@student.ethz.ch Folien mit freundlicher Genehmigung adaptiert von Gábor Sörös und Simon Mayer gabor.soros@inf.ethz.ch, simon.mayer@inf.ethz.ch 7.3.2013
MehrDarstellung von Ebenen
Drstellung von Ebenen. Ebenengleichung in Prmeterform: Sei E eine Ebene. Dnn lässt sich die Ebene drstellen durch eine Gleichung der Form p u x = p + r v u + s v (r, s R). p u v Der Vektor p heißt Stützvektor
Mehr7.9A. Nullstellensuche nach Newton
7.9A. Nullstellensuche nch Newton Wir hben früher bemerkt, dß zur Auffindung von Nullstellen einer gegebenen Funktion oft nur Näherungsverfhren helfen. Eine lte, ber wirkungsvolle Methode ist ds Newton-Verfhren
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.
MehrName... Matrikel-Nr... Studiengang...
Proeklusur zum ersten Teil der Vorlesung Berechenrkeitstheorie WS 2015/16 30. Novemer 2015 Dr. Frnzisk Jhnke, Dr. Dniel Plcín Bereitungszeit: 80 Minuten Nme... Mtrikel-Nr.... Studiengng... 1. So oder so
MehrAlgorithmische Geometrie
Lehrstuhl fu r Informatik I Algorithmische Geometrie Wintersemester 2013/14 Vorlesung: U bung: Alexander Wolff (E29) Philipp Kindermann (E12) Konvexe Hu lle oder Mischungsverha ltnisse 1. Vorlesung Prof.
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
Mehr3.3 Extrema I: Winkel Ebene/Gerade
3 3 ANALYSIS 3.3 Extrem I: Winkel Eene/Gerde In diesem Aschnitt gehen wir von einer Gerde g und einer g nicht enthltenden Eene ε us und wollen unter llen möglichen spitzen Schnittwinkeln zwischen g und
MehrUniversität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III
Nme Vornme Mtrikelnummer Lösungsvorschlg Universität Krlsruhe Institut für Theoretische Informtik o. Prof. Dr. P. Snders 8. März 2006 Klusur: Informtik III Aufgbe 1. Multiple Choice 10 Punkte Aufgbe 2.
MehrAlgorithmische Anwendungen
Algorithmische Anwendungen Schnittpunkte von Liniensegmenten Closest Pair of Points Teilnehmer: Martin Zimmermann 11043834 Martin Shad-Manfaat 11042014 Stefan Barndt 11041000 25.01.07 Inhaltsverzeichnis
MehrMitschrift Repetitorium Theoretische Informatik und Logik
Mitschrift Repetitorium Theoretische Informtik und Logik Teil 1: Formle Sprchen, 15.01.2010, 1. Edit Allgemeine Hinweise für die Prüfung Ds Pumping-Lemm für kontextfreie Sprchen kommt nicht (sehr wohl
MehrMathematik 1 (ohne Taschenrechner)
Knton St.Gllen Bildungsdeprtement St.Gllische Kntonsschulen Gymnsium Aufnhmeprüfung 2016 Mthemtik 1 (ohne Tschenrechner) Duer: 90 Minuten Kndidtennummer: Geburtsdtum: Korrigiert von: Punktzhl/Note: Aufgbe
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 14.04.2014 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu Raum 319 Sprechzeiten:
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
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.
Mehr1. Ableitung von Funktionen mit einer Veränderlichen
. Ableitung von Funktionen mit einer Veränerlichen. Algebrische Interprettion Die Ableitung einer Funktion f f f+ f = lim. 0 = ist efiniert ls In Worten usgerückt ist ie Ableitung er Grenzwert er Änerungsrte
MehrBeispiel für ein eindimensionales Array
1.4.1 1.4 Arrys Die isher enutzten Dten wren recht einfch Zhlen, Texte oder Whrheitswerte. Eine Dtenstruktur dient der Orgnistion von Dten zur Verreitung mit einem Computer-Progrmm. Eine einfche Dtenstruktur
MehrImplementierung eines Baumes (in Python)
Satz: in maximal vollständiger binärer aum der Höhe h enthält 2 h-1 lätter und 2 h -1 Knoten und 2 h-1-1 inneren Knoten. eweis: 1. nduktionsanfang: h= 1 Der aum besteht nur aus der Wurzel, die auch das
MehrMotivation. Kap. 4.2 Binäre Suchbäume ff Kap. 4.3: AVL-Bäume. Überblick. Pseudocode von SEARCH. in binären Suchbäumen. in binären Suchbäumen
Kp. 4.2 inäre Schäme ff Kp. 4.: VL-äme Professor r. Lehrsthl für lgorithm Engineering, LS11 Fkltät für Informtik, TU ortmnd Motition Wrm soll ich hete hier leien? lncierte äme rchen Sie immer wieder! Ws
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:
Mehr1. 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
MehrProf. Dr. Uwe Schmidt. 30. Januar 2017
Prof. Dr. Uwe Schmidt 30. Januar 2017 Aufgaben zur Klausur Algorithmen und Datenstrukturen im WS 2016/17 ( B Inf, B TInf, B MInf, B CGT, B WInf, B Ecom, B ITE) Zeit: 75 Minuten erlaubte Hilfsmittel: keine
Mehr! 1. Rekursive Algorithmen.! 2. Rekursive (dynamische) Datenstrukturen. II.3.2 Rekursive Datenstrukturen - 1 -
! 1. Rekursive Algorithmen! 2. Rekursive (dynamische) Datenstrukturen II.3.2 Rekursive Datenstrukturen - 1 - Ausdruck Ausdruck Grundwert ( Typ ) Präfix-Operator Name Methodenaufruf [ Ausdruck ] ( Ausdruck
Mehr> Parallele Systeme Übung: 4. Übungsblatt Philipp Kegel Wintersemester 2012/2013. Parallele und Verteilte Systeme, Institut für Informatik
> Parallele Systeme Übung: 4. Übungsblatt Philipp Kegel Wintersemester 2012/2013 Parallele und Verteilte Systeme, Institut für Informatik Inhaltsverzeichnis 2 1 Besprechung des 4. Übungsblattes Aufgabe
Mehr