Praktische Informatik I - Algorithmen und Datenstrukturen Wintersemester 2006/07
|
|
- Marcus Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 2 Sortieren Untersuchungen haben gezeigt, dass mehr als ein Viertel der kommerziell verbrauchten Rechenzeit auf Sortiervorgänge entfällt. Sortierproblem Gegeben ist eine Folge F von Datensätzen (engl.: items) s 1,..., s N. Jeder Satz s i hat den Schlüssel k i. Man finde eine Permutation π der Zahlen von 1 bis N derart, dass die Umordnung der Datensätze gemäß π die Schlüssel in aufsteigende Reihenfolge bringt: k π(1) k π(2)... k π(n). Prof. Dr. Dietmar Seipel 57
2 Die Ordnungsrelation auf den Schlüsseln kann sein: die natürliche Ordnung auf (reellen) Zahlen z.b. bei Artikelnummern, Personalnummern... die alphabetische und lexikographische Ordnung auf Buchstaben und Strings, z.b. bei Namen. Größen zur Messung der Laufzeit von Sortierverfahren: Anzahl der ausgeführten Schlüsselwertvergleiche (engl.: comparisons) C min (N), C max (N), C mit (N) Anzahl der ausgeführten Bewegungen von Datensätzen (engl.: movements) M min (N), M max (N), M mit (N) Prof. Dr. Dietmar Seipel 58
3 Für beide Parameter interessieren uns die im günstigsten Fall (engl.: best case, Index: min) schlechtesten Fall (engl.: worst case, Index: max) Mittel (engl.: average case, Index: mit) erforderlichen Anzahlen. Die Mittelwerte werden üblicherweise auf die Menge aller N! möglichen Ausgangsordnungen von N zu sortierenden Datensätzen bezogen. Interne Sortierverfahren zu sortierende Datensätze sind vollständig im Hauptspeicher Externe Sortierverfahren Datensätze sind auf einem externen Speichermedium (Diskette, Platte). Prof. Dr. Dietmar Seipel 59
4 2.1 Mergesort Mergesort ( Sortieren durch Mischen ) ist eines der ältesten und bestuntersuchtesten Verfahren zum Sortieren mit Hilfe von Computern. John von Neumann hat es bereits 1945 vorgeschlagen. Mergesort eignet sich auch besonders für das Sortieren von Daten auf Sekundärspeichern, das externe Sortieren. Prof. Dr. Dietmar Seipel 60
5 2.1.1 Der Mergesort Algorithmus Algorithmus Mergesort (F : Folge) { Sortiert die Folge F durch rekursives Teilen nach aufsteigenden Werten } Falls F die Länge N = 0 oder N = 1 hat, so ist F bereits sortiert und bleibt unverändert. Sonst: 1. Divide Teile F in zwei etwa gleich große Teilfolgen F 1 und F Conquer Sortiere F 1 und F 2 rekursiv mit Mergesort Mergesort(F 1 ) F 1 sortiert Mergesort(F 2 ) F 2 sortiert Prof. Dr. Dietmar Seipel 61
6 3. Merge Bilde die Resultatfolge durch Verschmelzen von F 1 und F 2. Lasse dazu je einen Positionszeiger (Index) durch die Teilfolgen F 1, F 2 so wandern: Bewege jeweils in einem Schritt denjenigen der beiden Zeiger um eine Position weiter, der auf den kleineren Schlüssel zeigt. Prof. Dr. Dietmar Seipel 62
7 Implementierung Mergesort public static void mergesort(int[] a, int l, int r) { int i, j, k, m; int[] b = new int[a.length]; if (r > l) { /* Divide */ m = (l + r) / 2; Prof. Dr. Dietmar Seipel 63
8 Mergesort /* Conquer */ mergesort(a, l, m); mergesort(a, m+1, r); /* Merge */ // zuerst alle Werte ins Feld b kopieren: // b = a[l],...,a[m],a[r],...a[m+1] for (i = m; i >= l; i--) b[i] = a[i]; for (j = m+1; j <= r; j++) b[r + m j] = a[j]; Prof. Dr. Dietmar Seipel 64
9 Mergesort } } // dann der Groesse nach die Werte // zurueckschreiben i = l; j = r; for (k = l; k <= r; k++) { if (b[i] < b[j]) { a[k] = b[i++]; } else { a[k] = b[j--]; } } Prof. Dr. Dietmar Seipel 65
10 Beispiel F = (2, 1, 3, 9, 5, 6, 7, 4, 8, 10) wird aufgespalten in F 1 = (2, 1, 3, 9, 5), F 2 = (6, 7, 4, 8, 10). Sortieren von F 1, F 2 ergibt Verschmelzen von F 1 und F 2: F 1 = (1, 2, 3, 5, 9), F 2 = (4, 6, 7, 8, 10) Prof. Dr. Dietmar Seipel 66
11 2.1.2 Aufwandsabschätzung Es gilt C min (N) = C max (N) = C mit (N) := C(N), denn die Komplexität ist in diesem Fall unabhängig von der Eingabe. Ebenso gilt M min (N) = M max (N) = M mit (N) := M(N). Rekursionsgleichung C(1) = 0, C(N) = 2 C ( N 2 ) + N Folglich gilt C min (N) = C max (N) = C mit (N) O(N log(n)). ( ) N M(1) = 0, M(N) = 2 C + 2 N 2 Folglich gilt M min (N) = M max (N) = M mit (N) O(N log(n)). Prof. Dr. Dietmar Seipel 67
12 2.2 Quicksort Quicksort wurde von C. A. R. Hoare (1962) entwickelt. Es ist erfahrungsgemäß (im Mittel) eines der schnellsten, wenn nicht das schnellste interne Sortierverfahren. In situ Sortierverfahren d.h. es wird zur (Zwischen-) Speicherung für die Datensätze kein zusätzlicher Speicher benötigt, außer einer konstanten Anzahl von Hilfsspeicherplätzen für Tauschoperationen. Prof. Dr. Dietmar Seipel 68
13 2.2.1 Der Quicksort Algorithmus Algorithmus Quicksort (F : Folge) { Sortiert die Folge F durch rekursives Teilen nach aufsteigenden Werten } Falls F die Länge N = 0 oder N = 1 hat, so ist F bereits sortiert und bleibt unverändert. Sonst: 1. Divide Wähle ein Pivotelement k von F (z.b. das letzte) und teile F ohne k in Teilfolgen F 1 und F 2 bezüglich k: F 1 enthält nur die Elemente von F ohne k, die k sind, F 2 enthält nur die Elemente von F ohne k, die k sind, Prof. Dr. Dietmar Seipel 69
14 2. Conquer Sortiere F 1 und F 2 rekursiv mit Quicksort Quicksort(F 1 ) F 1 sortiert Quicksort(F 2 ) F 2 sortiert 3. Merge Bilde die Ergebnisfolge F duch Hintereinanderhängen von F 1, k, F 2 in dieser Reihenfolge. Prof. Dr. Dietmar Seipel 70
15 Beispiel F = ( 2, 1, 3, 9, 5, 6, 7, 4, 8, 10 ) ( 2, 1, 3, 9, 5, 6, 7, 4, 8 ) 10 ( ) ( 2, 1, 3, 5, 6, 7, 4 ) 8 ( 9 ) ( 2, 1, 3 ) 4 ( 5, 6, 7 ) ( 2, 1 ) 3 ( ) ( 5, 6 ) 7 ( ) ( ) 1 ( 2 ) ( 5 ) 6 ( ) Tiefe des Aufraufbaumes : 5 Prof. Dr. Dietmar Seipel 71
16 Implementierung public static void quicksort Quicksort (int[] a, int links, int rechts) { int l, r, pivot; if (links < rechts) { /* Divide */ //Pivotelement v ist rechtestes Element pivot = a[rechts]; l = links; r = rechts-1; Prof. Dr. Dietmar Seipel 72
17 Quicksort do { while (a[l] < pivot && l < rechts) l++; while (a[r] > pivot && r > links) r--; if (l < r) vertausche(a, l, r); } while (l < r); //Pivotelement an die richtige Position vertausche(a, l, rechts); } } /* Conquer */ quicksort(a, links, l-1); quicksort(a, l+1, rechts); Prof. Dr. Dietmar Seipel 73
18 Quicksort /** Vertauschen von Feldelementen */ public static void vertausche (int[] a, int i, int j) { int v = a[i]; a[i] = a[j]; a[j] = v; } Prof. Dr. Dietmar Seipel 74
19 2.2.2 Analyse des Aufwande im besten bzw. schlechtesten Fall (i) Ist das Pivotelemet das Element mit kleinstem oder größten Schlüssel, so ist eine der beiden durch Aufteilung entstehenden Teilfolgen jeweils leer und die andere hat jeweils genau ein Element (nämlich das Pivotelement) weniger als die Ausgangsfolge. Damit ist klar, dass gilt C max (N) N 1 k=1 k, d.h. C max (N) Ω ( N 2). Ebenso kann man sich überlegen M max Ω ( N 2). Prof. Dr. Dietmar Seipel 75
20 Beispiel k 1 < k2<... < kn quicksort (a, 1, N) k 1 < k2<... < kn-1 quicksort (a, 1, N-1) k n ( ) k n-1 ( ) k < 1 k 2 quicksort (a, 1, 2) ( k 1 ) k 2 ( ) Tiefe des Aufraufbaumes : N 1 Prof. Dr. Dietmar Seipel 76
21 (ii) Im günstigsten Fall haben die durch Aufteilung entstehenden Teilfolgen stets etwa die gleiche Länge. Dann ist die Rekursionstiefe genau von der Größenordnung von log 2 (N). Da auf jeder Rekursionsstufe zur Aufteilung T(N) Schlüsselvergleiche durchgeführt werden, gilt: C min (N) Θ (n log(n)) Prof. Dr. Dietmar Seipel 77
22 Beispiel ( 7, 5, 1, 3, 2, 6, 4, 9, 13, 11, 15, 14, 10, 12, 8 ) quicksort( a, 1, 15) ( 7, 5, 1, 3, 2, 6, 4 ) quicksort( a, 1, 7) 8 ( 9, 13, 11, 15, 14, 10, 12 ) quicksort( a, 9, 15) ( 1, 3, 2 ) quicksort( a, 1, 3) 4 ( 7, 5, 6 ) ( 9, 11, 10 ) quicksort( a, 5, 7) quicksort( a, 9, 11) 12 ( 13, 15, 14 ) quicksort( a, 13, 15) ( 1 ) 2 ( 3 ) ( 5 ) 6 ( 7 ) ( 9 ) 10 ( 11 ) ( 13 ) 14 ( 15 ) Tiefe des Aufraufbaumes : 3 Prof. Dr. Dietmar Seipel 78
23 Beispiel nach Algorithmus ( 7, 6, 2, 3, 1, 5, 4, 12, 9, 15, 10, 14, 13, 11, 8 ) quicksort( a, 1, 15) ( 7, 6, 2, 3, 1, 5, 4 ) quicksort( a, 1, 7) 8 ( 9, 15, 10, 14, 13, 11, 12 ) quicksort( a, 9, 15) ( 1, 3, 2 ) quicksort( a, 1, 3) 4 ( 7, 5, 6 ) ( 9, 11, 10 ) quicksort( a, 5, 7) quicksort( a, 9, 11) 12 ( 13, 15, 14 ) quicksort( a, 13, 15) ( 1 ) 2 ( 3 ) ( 5 ) 6 ( 7 ) ( 9 ) 10 ( 11 ) ( 13 ) 14 ( 15 ) Tiefe des Aufraufbaumes : 3 Prof. Dr. Dietmar Seipel 79
24 2.2.3 Analyse der mittleren Laufzeit Annahmen 1. Alle N Schlüssel k 1,..., k N sind paarweise verschieden, o.b.d.a. seien die Schlüssel die Zahlen 1,..., N (in beliebiger Reihenfolge). 2. Wir betrachten alle N! möglichen Anordnungen der N Schlüssel als gleichwahrscheinlich. Folgerung Jede der Zahlen k 1, N tritt mit gleicher Wahrscheinlichkeit 1 N als Pivotelement an Position N auf. Es werden bei Pivotelement k durch Aufteilung zwei Folgen mit den Längen k 1 und N k erzeugt. Auch diese sind wieder zufällig. Prof. Dr. Dietmar Seipel 80
25 Rekursionsformel für den Erwartungswert T(1) = 0, T(N) 1 N N (T(k 1) + T(n k)) + k=1 b N }{{} Aufteilungsaufwand für eine geeignete Konstante b. Wir wollen nun zeigen, dass für c = 2 b gilt: T(N) c N log e (N), für alle N 1 Prof. Dr. Dietmar Seipel 81
26 Beweis T(N) 2 N = 2 N N 1 k=0 N 1 k=1 T(k) + b N T(k) + b N vollständige Induktion nach N : Induktionsanfang, N = 1: sei c = 2 b Induktionsschluss, N 1 N: T(1) = 0 = 2 b 1 log e (1) }{{} 0 T(N) 2 N N 1 k=1 T(k) +b N }{{} I.A. c k log e (k) Prof. Dr. Dietmar Seipel 82
27 Sei nun f(x) = x log e (x) f(x) N-1 N x Die Funktion f hat folgende Eigenschaften: a) f(x) ist monoton steigend in [1, ) b) f(x) 0, für x [1, ) Prof. Dr. Dietmar Seipel 83
28 Damit gilt N 1 k=1 k log e (k) part. Int. = N 2 [ x 2 }{{} x log e (x) }{{} u (x) 2 log e(x) v(x) ] N dx N x x 2 2 (partielle Integration: R b a u (x) v(x) dx=[u(x) v(x)] b a R b = N2 2 log e(n) 2 log e (2) }{{} 1,38 [ x 2 4 ] N = N2 2 log e(n) N2 4 + } 1 2 {{ log e(2) } 0 N2 2 log e(n) N2 4 2 a u(x) v (x) dx) Prof. Dr. Dietmar Seipel 84
29 Folglich gilt T(N) 2c ( ) N 2 N 2 log e(n) N2 + b N ( 4 = c N log e (N) + N b c ) 2 = c N log e (N) Analog gilt auch für die mittlere Laufzeit von Schlüsselvergleichen C mit O (N log(n)) Prof. Dr. Dietmar Seipel 85
30 2.3 Untere Schranken für das Sortierproblem Satz (worst case) Jedes Sortierverfahren, das ausschließlich die vollständige Ordnung auf dem Wertebereich W ausnutzt, benötigt im worst case größenordnungsmäßig mindestens N log 2 (N) Vergleiche ( d.h. C max (N) Ω(N log 2 (N))) zum Sortieren von N Werten k 1,..., k N W. Zum Beweis beschränken wir uns auf die Folgen F = (k 1,..., k N ) W N mit k i k j für alle i j, d.h. paarweise verschiedenen Werten k i. D.h. wir zeigen obige Behauptung bereits für diese Teilmenge aller möglichen Eingabefolgen. Prof. Dr. Dietmar Seipel 86
31 Definition (Entscheidungsbaum) Ein Entscheidungsbaum (engl.: decision tree) ist ein bewerteter binärer Wurzelbaum B = (T, b) mit T = (V, E): V : Knotenmenge von T, E V V : Kantenmenge von T, b : E {ja, nein}: Kantenbewertung. Jeder Knoten v V, der nicht Blatt ist, repräsentiert eine Entscheidung (hier einen Vergleich w < w? zweier Werte w, w W ). Jeder Pfeil e = (v, v ) E repräsentiert das Ergebnis der Entscheidung (ja,nein) an seiner Anfangsecke v. Jedes Blatt ṽ repräsentiert das Ergebnis des Entscheidungsprozesses längs des Weges von der Wurzel v 0 bis zu ṽ, d.h. eine Partialordnung. Prof. Dr. Dietmar Seipel 87
32 Beispiel a, b, c W paarweise verschieden v 0 ja a < b nein v 1 ja b < c nein ja a < c nein a < b < c a < c v 2 b < a < c b < c ja nein ja nein a < c < b c < a < b b < c < a c < b < a ~ v v 0 : Koten, Wurzel des Baumes (v 0, v 1 ) : Kante / Pfeil, b((v 0, v 1 )) = ja v 0, v 1, v 2, ṽ): Pfrad von der Wuzel v 0 zu ṽ ṽ: Knoten, Blatt des Baumes Prof. Dr. Dietmar Seipel 88
33 In einem binären Wurzelbaum hat jeder Knoten, der nicht Blatt ist, einen oder zwei Nachfolger; jedes Blatt hat keinen Nachfolger. Jeder Sortieralgorithmus, der ausschließlich die vollständige Ordnung auf der Wertemenge W ausnutzt und sequentiell Wertepaare vergleicht, induziert einen solchen Entscheidungsbaum. Die maximale Anzahl der Vergleiche C max (N) entspricht dann der Höhe h T des induzierten Entscheidungsbaumes. Für eine Eingabefolge F = (k 1,..., k N ) aus paarweise verschiedenen Werten sind N! Permutationen (k i1,..., k in ) als Ergebnisse möglich, d.h. der induzierte Entscheidungsbaum muss mindestens N! Blätter haben. Prof. Dr. Dietmar Seipel 89
34 h t = 2, 4 Blätter Deshalb muss gelten: 2 ht N!, d.h. h T log 2 (N!) Da N N! N (N 1)... 2 }{{} N 2 +1 Faktoren, N 2 +1 N 2 ( N 2 ) N 2 Prof. Dr. Dietmar Seipel 90
35 gilt weiter ( N h t log 2 (N!) log 2 2 = N ( ) N 2 log 2 2 = N 2 (log 2(N) 1). ) N 2 Also gilt C max (N) Ω(N log 2 (N)). Prof. Dr. Dietmar Seipel 91
36 Satz (average case) Jedes Sortierverfahren, das ausschließlich die vollständige Ordnung auf dem Wertebereich W ausnutzt, benötigt im Mittel bei Gleichverteilungsannahme größenordnungsmäßig mindestens N log 2 (N) Vergleiche (d.h. C mit (N) Ω(N log 2 (N))) zum Sortieren von N paarweise verschiedenen Werten k 1,..., k N W. Zum Beweis benutzen wir wieder den induzierten Entscheidungsbaum T, welcher bekanntlich mindestens N! Blätter haben muss. Der Erwartungswert C mit (N) für die Anzahl der Vergleiche lässt sich nun wie folgt ausdrücken: C mit (N) = 1 N! h(v) v Blatt von T Prof. Dr. Dietmar Seipel 92
37 Für einen binären Wurzelbaum T heißt H(T) = v Blatt von T h(v) die Blätterhöhensumme von T. (Im Beispiel oben war H(T) = 16.) Sei nun H(n) = min{h(t) T ist binärer Wurzelbaum mit n Blättern}. Dann wollen wir H(n) nach unten abschätzen und zeigen H(n) n log 2 (n), für alle n N +. Prof. Dr. Dietmar Seipel 93
38 Induktion nach n: n = 1 : H(1) = 0 1 log 2 (1) n = 2 : H(2) = 2 2 log 2 (2) Sei nun n > 2 und die Behauptung bereits bewiesen für alle i n 1. Wir betrachten einen binären Wurzelbaum T 0 mit n Blättern und mit minimaler Blätterhöhensumme H(T 0 ) = H(n). Prof. Dr. Dietmar Seipel 94
39 Sei v 0 die Wurzel von T 0, T l (v 0 ) der linke Teilbaum und T r (v 0 ) der rechte Teilbaum von v 0 : v 0 T l(v 0) T r (v 0) i Blätter n-i Blätter Wegen der Minimalität von T 0 sind auch T l (v 0 ) und T r (v 0 ) minimal zur Blätterzahl i bzw. n i. Prof. Dr. Dietmar Seipel 95
40 Folglich haben wir H(n) = min (n + H(i) + H(n i)) i 1,n 1 I.A. n + min (i log 2(i) + (n i) log 2 (n i)) i 1,n 1 Wir betrachten nun die Funktion f(x) =x log 2 (x) + (n x) log 2 (n x), für x [1, n). f 1 (x) =1 log 2 (x) + x x log e (2) 1 + ( 1) log 2 (n x) + (n x) (n x) log e (2) =log 2 (x) log 2 (n x) Prof. Dr. Dietmar Seipel 96
41 f (x) = 0 log 2 (x) = log 2 (n x) x = n x x = n 2 Für x < n 2 gilt f (x) < 0, Für x > n 2 gilt f (x) > 0. Folglich hat f(x) ein globales Minimum bei x = n 2. Prof. Dr. Dietmar Seipel 97
42 n/2 n f(1) = (n 1) log 2 (n 1) ( n ) ( n ) f = n log 2 2 = n log 2 2 (n) n lim f(x) = n log 2(n) x n Prof. Dr. Dietmar Seipel 98
43 Daraus ergibt sich für den Erwartungswert C mit (N) folgendes: C mit (N) = 1 N! h(v) v Blatt von T = 1 N! H(T) 1 N! H(N!) 1 N! N! log 2(N!) N 2 (log 2(N) 1) Also gilt C mit (N) Ω(N log 2 (N)). Prof. Dr. Dietmar Seipel 99
44 2.4 Heaps und Heapsort Benötigt man aus einer vorgegebenen Menge wiederholt das minimale Element z.b. bei einer Prioritätswartschlange so bietet sich folgende Datenstruktur zur Speicherung der dynamisch veränderlichen Menge an: Der Heap Definition (Heap, Haufen, Halde) Ein Feld a[1...n] mit Komponentenwerten a[i], 1 i N, aus einem vollständig geordneten Wertebereich W heißt Heap, falls gilt: (1) a[i] = a[2i], für 1 i N 2 (2) a[i] = a[2i + 1], fr1 i N 2 1. Prof. Dr. Dietmar Seipel 100
45 Beispiel N = 10: a: i 2i 2i+1 Prof. Dr. Dietmar Seipel 101
46 Ein Heap realisiert implizit eine partielle Ordnung, nämlich einen vollständigen binären Wurzelbaum: a i = a[i], ein Pfeil von a i nach a j bedeutet a i a j. a 1 N = 10 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 10 Prof. Dr. Dietmar Seipel 102
47 Man erkennt, dass a 1 das minimale Element des Heap ist: a[1] a[i], für 1 i N Der Heapsort Algorithmus Im folgenden werden Java Programme angegeben für das Einfügen eines Elementes in einen Heap, das Löschen eines Elementes in einem Heap, den Aufbau eines Heaps, das Sortieren mit Hilfe von Heaps. Prof. Dr. Dietmar Seipel 103
48 Implementierung public class Heapsort { /** Array mit Heap */ int[] a; /** Groesse des Heaps */ int N; Heapsort /** * Tauscht die Elemente a[i] und a[j]. */ void exchange (int i, int j) { } int temp = a[i]; a[i] = a[j]; a[j] = temp; Prof. Dr. Dietmar Seipel 104
49 /** Heapsort * Laesst a[k] im Feld aufsteigen. */ void upheap (int k) { } while ( (k > 1) && (a[k] < a[k/2]) ) { } exchange(k, k/2); k = k / 2; Prof. Dr. Dietmar Seipel 105
50 /** Heapsort * Fuegt das neue Element v in den Heap der * Groesse N ein und erhoeht N um 1 */ void insert (int v) { } N++; a[n] = v; upheap(v); Prof. Dr. Dietmar Seipel 106
51 /** Heapsort * Laesst a[k] im Feld versickern */ void downheap(int k) { int j = 2 * k; // a[k] hat linken Sohn a[j] if (j <= N) { // a[k] hat auch rechten Sohn a[j + 1] if (j + 1 <= N) if (a[j] > a[j + 1]) j++; // jetzt ist a[j] der kleinere Sohn von a[k] Prof. Dr. Dietmar Seipel 107
52 Heapsort } } if (a[k] > a[j]) { exchange(k, j); downheap(j); } Prof. Dr. Dietmar Seipel 108
53 /** Heapsort * Liefert als Resultat das Heapelement a[k], * entfernt a[k] aus dem Heap und stellt die * Heap-Eigenschaft wieder her. */ int remove(int k) { } int v = a[k]; a[k] = a[n]; N--; if ( (k > 1) && a[k] < a[k / 2] ) else upheap(k); downheap(k); return v; Prof. Dr. Dietmar Seipel 109
54 Heapsort /** * Aufbau des Heaps durch downheap */ void heapaufbau() { } for (int k = N/2; k >= 1; k--) downheap(k); Prof. Dr. Dietmar Seipel 110
55 Heapsort /** * Aufbau des Heaps durch insert */ void heapaufbau2() { } int m = N; N = 0; for (int k = 1; k <= m; k++) insert(a[k]); Prof. Dr. Dietmar Seipel 111
56 Heapsort } /** * Sortiert das gegebene Feld b mit den angegebenen * Methoden und gibt das sortierte Feld zurueck. */ int[] heapsort(int[] b) { } //Globale Variablen fuer die Heap-Methoden setzen a = b; N = b.length; int m = N; heapaufbau(); int[] c = new int[m]; for (int k = 1; k <= m; k++) c[k] = remove(1); return c; Prof. Dr. Dietmar Seipel 112
57 Beispiel 4 N = Prof. Dr. Dietmar Seipel 113
58 Einfügen von v = 5 liefert Prof. Dr. Dietmar Seipel 114
59 Löschen an der Stelle k = 3, d.h. a[k] = 6, liefert Prof. Dr. Dietmar Seipel 115
60 Aus einem Heap erhält man eine Sortierung : Löschen von 4 Löschen von Löschen von Löschen von Löschen von 20 leerer Heap Prof. Dr. Dietmar Seipel 116
61 2.4.3 Komplexität des Heapaufbaus nach der Methode heapaufbau1 mit downheap: Stufe 1 2 Stufe 3: 2 = 4 Knoten Ein Heap mit j Stufen speichert zwischen 2 j 1 und 2 j 1 Schlüssel: Deshalb gilt j = log 2 (N + 1). 2 j 1 N 2 j 1 Prof. Dr. Dietmar Seipel 117
62 Auf Stufe k gibt es höchstens 2k 1 Schlüssel. Die Anzahl der Bewege- und Vergleichsoperationen zum Versickern (downheap) eines Elements der Stufe k ist proportional zu j k. j 1 k=1 2 k 1 (j k) = 2 j 1 = 2 j 1 j 1 k=1 j 1 k=1 2 k j (j k) k 2 k }{{} 2 N 2 O(N) Der Aufbau eines Heaps aus einer unsortierten Folge ist also in linearer Zeit möglich. (mittels der Routine heapaufbau ). (Die Routine heapaufbau2 benötigt dagegen im schlechtsten Fall größenordnungsmäßig mindestens N log 2 (N) Operationen.) Prof. Dr. Dietmar Seipel 118
63 2.4.4 Komplexität von Heapsort Die Anzahl der Bewege- und Vergleichsoperationen zum Löschen ( remove ) der Wurzel in einem Heap der Größe N ist proportional zu log 2 (N). Daraus ergibt sich für das N malige Löschen bei Heapsort ein Aufwand der proportional ist zu N log 2 (k) = log 2 (N!) Θ(N log 2 (N)). k=1 Dies dominiert den Aufwand zum Aufbau des Heaps. Die Komplexitäten von Heapsort sind also im worst case : C max (N) O(N log 2 (N)), M max (N) O(N log 2 (N)). Prof. Dr. Dietmar Seipel 119
64 2.5 Elementare Sortierverfahren Sortieren durch Auswahl (Selection Sort) Man bestimme sukzessive für alle i 1, N diejenige Position j i, N, an der das Element mit minimalem Schlüssel unter den Elementen a[i],..., a[n] auftritt und vertausche a[i] mit a[j]. Komplexitäten C min (N), C max (N), C mit (N) Θ ( N 2), M min (N) = M max (N) = M mit (N) = 3 (N 1). Prof. Dr. Dietmar Seipel 120
65 Implementierung Selection Sort void selectionsort(int[] a) { int i, j, min; for (i = 0; i < a.length - 1; i++) { min = i; for (j = i + 1; j < a.length; j++) if (a[j] < a[min]) min = j; exchange(a, i, min); } } Prof. Dr. Dietmar Seipel 121
66 2.5.2 Sortieren durch Einfügen (Insertion Sort) Man füge sukzessive für alle i 1, N das i-te Feldelement a[i] an der richtigen Stelle in die bereits sortierte Folge der Elemente a[1],..., a[i 1] ein. Das verlangt das verschieben von j 0, i 1 größeren Elementen um jeweils eine Position nach rechts. Komplexitäten C min (N) = N 1, C max (N) Θ ( N 2), M min (N) = 2 (N 1), M max (N) Θ ( N 2). Prof. Dr. Dietmar Seipel 122
67 Implementierung Insertion Sort void insertionsort(int[] a) { int i, j, v; for (i = 1; i < a.length; i++) { v = a[i]; j = i; while ( (j > 0) && (a[j-1] > v) ) { a[j] = a[j-1]; j--; } a[j] = v; } } Prof. Dr. Dietmar Seipel 123
68 2.5.3 Sortieren durch (direktes) Austauschen (Bubble Sort) Man durchläuft wiederholt die Liste der Datensätze a[1],..., a[i] und betrachtet dabei je zwei benachbarte Elemente a[j 1] und a[j], mit 2 j i. Ist a[j 1] > a[j], so vertauscht man a[j 1] und a[j]. Komplexitäten C min (N), C max (N), C mit (N) Θ ( N 2), M min (N) = 0, M max (N), M mit (N) Θ ( N 2). Prof. Dr. Dietmar Seipel 124
69 Implementierung Bubble Sort void bubblesort(int[] a) { for (int i = a.length-1; i >= 0; i--) for (int j = 1; j <= i; j++) if (a[j-1] > a[j]) exchange(a, j-1, j); } Größere Elemente haben also die Tendenz, wie Luftblasen im Wasser langsam nach oben aufzusteigen. Prof. Dr. Dietmar Seipel 125
70 Beispiel (Bubble Sort) F = (15, 2, 43, 17, 4, 8, 47) (2, 15, 17, 4, 8, 43, 47) (2, 15, 4, 8, 17, 43, 47) (2, 4, 8, 15, 17, 43, 47) (2, 4, 8, 15, 17, 43, 47) hier könnte man schon stoppen!!. (2, 4, 8, 15, 17, 43, 47) Prof. Dr. Dietmar Seipel 126
71 Testet man nach jedem Durchlauf der äußeren for-schleife, ob sich noch eine Veränderung ergeben hat, so kann man, falls dies nicht der Fall ist, schon früher stoppen. Dann erhält man C min (N) = N 1. die restlichen Komplexitäten ändern sich nicht. Prof. Dr. Dietmar Seipel 127
8. Sortieren II. 8.1 Heapsort. Heapsort. [Max-]Heap 6. Heapsort, Quicksort, Mergesort. Binärer Baum mit folgenden Eigenschaften
Heapsort, Quicksort, Mergesort 8. Sortieren II 8.1 Heapsort [Ottman/Widmayer, Kap. 2.3, Cormen et al, Kap. 6] 9 210 Heapsort [Max-]Heap 6 Inspiration von Selectsort: Schnelles Einfügen Binärer Baum mit
MehrGliederung. 5. Compiler. 6. Sortieren und Suchen. 7. Graphen
5. Compiler Gliederung 1. Struktur eines Compilers 2. Syntaxanalyse durch rekursiven Abstieg 3. Ausnahmebehandlung 4. Arrays und Strings 6. Sortieren und Suchen 1. Grundlegende Datenstrukturen 2. Bäume
MehrKap. 3: Sortieren. Überblick. Unser Sortierproblem. Motivation. Laufzeitmessung. Warum soll ich hier bleiben? Sortierverfahren sind WICHTIG!!!
Kap. 3: Sortieren Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund Überblick Einführung in das Sortierproblem Insertion-Sort Selection-Sort Merge-Sort 4. VO
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
122 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 123 Das Suchproblem Gegeben Menge von Datensätzen.
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
MehrAlle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
MehrInterne Sortierverfahren
Angewandte Datentechnik Interne Sortierverfahren Interne Sortierverfahren Ausarbeitung einer Maturafrage aus dem Fach A n g e w a n d t e D a t e n t e c h n i k Andreas Hechenblaickner 5CDH HTBLA Kaindorf/Sulm
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
MehrAlgorithmen und Datenstrukturen (Th. Ottmann und P. Widmayer) Folien: Einfache Sortierverfahren Autor: Stefan Edelkamp
Algorithmen und Datenstrukturen (Th. Ottmann und P. Widmayer) Folien: Einfache Sortierverfahren Autor: Stefan Edelkamp Institut für Informatik Georges-Köhler-Allee Albert-Ludwigs-Universität Freiburg 1
Mehr2. Felder (Arrays) 2.1 Suchen in Feldern. lineares Suchen: siehe Kapitel 1. Binäres Suchen. Vor.: Elemente (z.b. aufsteigend) sortiert
10 2.1 Suchen in Feldern 2. Felder (Arrays) lineares Suchen: siehe Kapitel 1 Binäres Suchen Vor.: Elemente (z.b. aufsteigend) sortiert ( später) Idee: Divide & Conquer (teile und herrsche) public
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Algorithmen und Datenstrukturen Teil 2 Sortieren Version vom: 7. Dezember 2016 1 / 94
MehrKapitel 6 Elementare Sortieralgorithmen
Kapitel 6 Elementare Sortieralgorithmen Ziel: Kennenlernen elementarer Sortierverfahren und deren Effizienz Zur Erinnerung: Das Sortier-Problem Gegeben: Folge A von n Elementen a 1, a 2,..., a n ; Eine
Mehr2 Sortieren. Beispiel: Es seien n = 8 und a = i : a i : ϕ(i) : a ϕ(i) :
2 Sortieren Das Sortieren einer Datenfolge ist eines der am leichtesten zu verstehenden und am häufigsten auftretenden algorithmischen Probleme. In seiner einfachsten Form besteht das Problem darin, eine
MehrSortieralgorithmen. Selection Sort
intuitivster Suchalgorithmus Sortieralgorithmen Selection Sort In jedem Schritt wird das kleinste Element im noch unsortierten Array gesucht und ans Ende des bisher sortierten Teilarrays gehangen 3 1 4
MehrJAVA - Suchen - Sortieren
Übungen Informatik I JAVA - Suchen - Sortieren http://www.fbi-lkt.fh-karlsruhe.de/lab/info01/tutorial Übungen Informatik 1 Folie 1 Inhalt Suchen/Sortieren binary search mergesort bubblesort Übungen Informatik
Mehr8.1.3 Operation Build-Max-Heap Operation zur Konstruktion eines Heaps Eingabe: Feld A[1..n], n = länge(a) BUILD-MAX-HEAP (A)
Stand der Vorlesung: Datenstruktur Heap: fast vollständiger Binärbaum MaxHeap: sortierter Heap, größtes Element an Wurzel Sortierverfahren: HeapSort: Sortieren eines Feldes A[1.. n] Idee: in place: Feld
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
MehrTechnische Universität München
Stand der Vorlesung: Datenstruktur Heap: fast vollständiger Binärbaum MaxHeap: sortierter Heap, größtes Element an Wurzel Sortierverfahren: HeapSort: Sortieren eines Feldes A[1.. n] Idee: in place: Feld
MehrUntere Schranke für allgemeine Sortierverfahren
Untere Schranke für allgemeine Sortierverfahren Prinzipielle Frage: wie schnell kann ein Algorithmus (im worst case) überhaupt sein? Satz: Zum einer Folge von n Keys mit einem allgemeinen Sortierverfahren
MehrAlgorithmen und Datenstrukturen 1
Algorithmen und Datenstrukturen 1 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de 4. Sortierverfahren Elementare Sortierverfahren - Sortieren durch
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 8 Fortgeschrittene Sortieralgorithmen
Kapitel 8 Fortgeschrittene Sortieralgorithmen Zur Erinnerung: in Kapitel 6 Elementare Sortierverfahren Sortierverfahren, die auf Vergleichen von Werten basieren. Aufwand zum Sortieren von Feldern von n
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
Mehr2 Sortieren durch Vergleichen Eingabefolge a 1, a 2,..., a n 2, 1, 3 Sortieralg. Für festes n ist ein vergleichsbasierter Sortieralg. charakterisiert
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 9. Vorlesung Sortieren in Linearzeit Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Sortieren durch Vergleichen Eingabefolge a 1, a 2,...,
MehrGrundlegende Sortieralgorithmen
Grundlegende Sortieralgorithmen Martin Wirsing in Zusammenarbeit mit Matthias Hölzl und Nora Koch Sortieren in Java Man kann Sortierverfahren in einem imperativem oder einem objektorientierten Stil programmieren.
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
MehrÜbung Algorithmen I
Übung Algorithmen I 20.5.15 Christoph Striecks Christoph.Striecks@kit.edu (Mit Folien von Julian Arz, Timo Bingmann und Sebastian Schlag.) Roadmap Organisation Mergesort, Quicksort Dual Pivot Quicksort
MehrTutoraufgabe 1 (Sortieralgorithmus):
Prof. aa Dr. Ir. Joost-Pieter Katoen Datenstrukturen und Algorithmen SS Tutoriumslösung - Übung 4 (Abgabe 2..2) Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder Tutoraufgabe (Sortieralgorithmus):
MehrProgrammiertechnik II
Sortieren: Einfache Algorithmen Sortieren Abstrakte Operation geg: Menge von items (Elemente) jedes Element besitzt Sortierschlüssel Schlüssel unterliegen einer Ordnung eventuell sind doppelte Schlüssel
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 1 für die Übung
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
Mehrf 1 (n) = log(n) + n 2 n 5 f 2 (n) = n 3 + n 2 f 3 (n) = log(n 2 ) f 4 (n) = n n f 5 (n) = (log(n)) 2
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS Lösung - Präsenzübung.05.0 F. Corzilius, S. Schupp, T. Ströder Aufgabe (Asymptotische Komplexität): (6 + 0 + 6 = Punkte) a) Geben Sie eine formale
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.
Mehrlim log 2n n = > 0 Da es einen Limes gibt, gibt es auch einen Limes inferior, der gleich diesem Limes ist.
Prof. aa Dr. Ir. Joost-Pieter Katoen Christian Dehnert, Jonathan Heinen, Thomas Ströder, Sabrina von Styp Aufgabe 1 (O-Notation): Beweisen oder widerlegen Sie die folgenden Aussagen: (3 + 3 + 4 = 10 Punkte)
MehrÜbersicht. Einfache Verfahren MergeSort Untere Schranke QuickSort Selektieren Schnelleres Sortieren Externes Sortieren. 6 Sortieren.
Übersicht 6 Sortieren Einfache Verfahren MergeSort Untere Schranke QuickSort Selektieren Schnelleres Sortieren Externes Sortieren H. Täubig (TUM) GAD SS 14 221 Statisches Wörterbuch Sortieren Lösungsmöglichkeiten:
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
MehrPro Informatik 2009: Objektorientierte Programmierung Tag 17. Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik
Tag 17 Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik 08.09.2009 Agenda Tag 16 Datenstrukturen Abstrakte Datentypen, ADT Folge: Stack, Queue, Liste, ADT Menge: Bäume:
MehrSuchen und Sortieren
Suchen und Sortieren Suchen Sortieren Mischen Zeitmessungen Bewertung von Sortier-Verfahren Seite 1 Suchverfahren Begriffe Suchen = Bestimmen der Position (Adresse) eines Wertes in einer Datenfolge Sequentielles
Mehr2.2 Allgemeine (vergleichsbasierte) Sortierverfahren
. Allgemeine (vergleichsbasierte) Sortierverfahren Vergleichsbaum: Der Aufbau des Verbleichsbaum ist für jeden Algorithmus und jede Eingabelänge n gleich. Jede Permutation der Eingabe, muss zu einem anderen
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (25 Sortieren vorsortierter Daten)
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (25 Sortieren vorsortierter Daten) 1 Untere Schranke für allgemeine Sortierverfahren Satz Zum Sortieren einer Folge von n Schlüsseln mit einem allgemeinen
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
MehrPraktische Informatik I - Algorithmen und Datenstrukturen Wintersemester 2006/ Algorithmen und ihre formalen Eigenschaften, Datenstrukturen
1 Grundlagen 1.1 Algorithmen und ihre formalen Eigenschaften, Datenstrukturen Ein Algorithmus ist ein mit formalen Mitteln beschreibbares, mechanisch nachvollziehbares Verfahren zur Lösung einer Klasse
MehrProgrammieren I. Kapitel 7. Sortieren und Suchen
Programmieren I Kapitel 7. Sortieren und Suchen Kapitel 7: Sortieren und Suchen Ziel: Varianten der häufigsten Anwendung kennenlernen Ordnung Suchen lineares Suchen Binärsuche oder Bisektionssuche Sortieren
MehrSortieralgorithmen. Jan Pöschko. 18. Januar Problemstellung Definition Warum Sortieren?... 2
Jan Pöschko 18. Januar 2007 Inhaltsverzeichnis 1 Problemstellung 2 1.1 Definition................................... 2 1.2 Warum Sortieren?.............................. 2 2 Einfache Sortieralgorithmen
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 9.6.2017 Giuseppe Accaputo g@accaputo.ch 1 Aufbau des PVK Tag 1: Java Teil 1 Tag 2: Java Teil 2 Tag 3: Algorithmen & Komplexität Tag 4: Dynamische Datenstrukturen,
MehrProgrammiertechnik II
2007 Martin v. Löwis Priority Queues and Heapsort 2007 Martin v. Löwis 2 Priority Queue Abstrakter Datentyp Inhalt: Elemente mit Priorität Operationen: Einfügen: Angabe des Elements und seiner Priorität
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
1 Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Ziele 2 Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
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
MehrKomplexität von Algorithmen OOPM, Ralf Lämmel
Ganz schön komplex! Komplexität von Algorithmen OOPM, Ralf Lämmel 885 Motivierendes Beispiel Algorithmus Eingabe: ein Zahlen-Feld a der Länge n Ausgabe: Durchschnitt Fragen: sum = 0; i = 0; while (i
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrÜbersicht. Datenstrukturen und Algorithmen. Übersicht. Heaps. Vorlesung 8: Heapsort (K6) Joost-Pieter Katoen. 7. Mai 2015
Datenstrukturen und Algorithmen Vorlesung 8: (K6) 1 Joost-Pieter Katoen Lehrstuhl für Informatik Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-15/dsal/ 7. Mai 015 3 Joost-Pieter
MehrAlgorithmen und Datenstrukturen (Th. Ottmann und P. Widmayer) Folien: Suchverfahren Autor: Stefan Edelkamp / Sven Schuierer
Algorithmen und Datenstrukturen (Th. Ottmann und P. Widmayer) Folien: Suchverfahren Autor: Stefan Edelkamp / Sven Schuierer Institut für Informatik Georges-Köhler-Allee Albert-Ludwigs-Universität Freiburg
MehrProgrammiertechnik II
2007 Martin v. Löwis Sortieren: Quicksort und Mergesort Charles Antony Richard Hoare 2007 Martin v. Löwis Geboren 11. 1. 1934 in Colombo (Sri Lanka) Studium in Oxford (Philosophie, Latein, Griechisch)
MehrAlgorithmen und Datenstrukturen Wintersemester 2004/ November T(n) = T(n a) + T(a) + n
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrInformatik B Sommersemester Musterlösung zur Klausur vom
Informatik B Sommersemester 007 Musterlösung zur Klausur vom 0.07.007 Aufgabe : Graphen und Graphalgorithmen + + + () Punkte Für eine beliebige positive, ganze Zahl n definieren wir einen Graphen G n =
MehrÜbungsblatt 1. f(n) = f(n) = O(g(n)) g(n) = O(f(n)) Zeigen oder widerlegen Sie: 3 n = Θ(2 n ) Aufgabe 1.2 Gegeben sei die folgende Funktion:
Übungsblatt 1 Aufgabe 1.1 Beweisen oder widerlegen Sie, dass für die im Folgenden definierte Funktion f(n) die Beziehung f(n) = Θ(n 4 ) gilt. Beachten Sie, dass zu einem vollständigen Beweis gegebenenfalls
MehrTermine für Übungstests. Kap. 3 Sortieren HeapSort ff Priority Queues. Motivation. Überblick. Analyse SiftDown
Kap. Sortieren..5 HeapSort ff..6 Priority Queues Professor Dr. Vorlesung am Do 7.5. entfällt wegen FVV um Uhr Lehrstuhl für Algorithm Engineering, LS Fakultät für nformatik, TU Dortmund 7. VO DAP SS 009
MehrDatenstrukturen und Algorithmen
Joost-Pieter Katoen Datenstrukturen und Algorithmen 1/32 Datenstrukturen und Algorithmen Vorlesung 7: Sortieren (K2) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group
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,
MehrSortierverfahren. Sortierverfahren für eindimensionale Arrays
Sortierverfahren Sortierverfahren Sortieren durch Einfügen Sortieren durch Auswählen Sortieren durch Vertauschen (Bubblesort) Quicksort Sortierverfahren für eindimensionale Arrays 1 Gegeben ist eine beliebige
Mehr7 Weitere Baumstrukturen und Heapstrukturen
7 Weitere Baumstrukturen und Heapstrukturen Man kann kurze Suchzeiten in Baumstrukturen erreichen durch Rebalancierung bei Einfügungen und Löschungen (AVL Bäume, gewichtsbalancierte Bäume, Bruderbäume,
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2016 Patrick Schäfer, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Marius Kloft RUD 26, 0 115 Mittwoch 11 13 Uhr Marius Kloft
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Große Übung #6 Phillip Keldenich, Arne Schmidt 26.02.2017 Heute: Master-Theorem Phillip Keldenich, Arne Schmidt Große Übung 2 Vorbetrachtungen Wir betrachten rekursive Gleichungen
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 01/13 6. Vorlesung Prioritäten setzen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Guten Morgen! Tipps für unseren ersten Test am 0. November: Lesen
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Heaps Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 469 Prioritätswarteschlange Problem Häufig ist das Prinzip einer einfachen Warteschlangen-Datenstruktur
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 11 (4.6.2014) Binäre Suchbäume II Algorithmen und Komplexität Binäre Suchbäume Binäre Suchbäume müssen nicht immer so schön symmetrisch sein
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
MehrBinäre Suchbäume. Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps
Binäre Suchbäume Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps Mengen n Ziel: Aufrechterhalten einer Menge (hier: ganzer Zahlen) unter folgenden Operationen: Mengen n Ziel: Aufrechterhalten einer
MehrSortieralgorithmen. Direkte Sortierverfahren & Shellsort, Quicksort, Heapsort. Vorlesung Algorithmen und Datenstrukturen 2 im SS 2004
Sortieralgorithmen Direkte Sortierverfahren & Shellsort, Quicksort, Heapsort Vorlesung Algorithmen und Datenstrukturen 2 im SS 2004 Prof. Dr. W. P. Kowalk Universität Oldenburg Algorithmen und Datenstrukturen
MehrDefinition Ein Heap (priority queue) ist eine abstrakte Datenstruktur mit folgenden Kennzeichen:
HeapSort Allgemeines Sortieralgorithmen gehören zu den am häufigsten angewendeten Algorithmen in der Datenverarbeitung. Man hatte daher bereits früh ein großes Interesse an der Entwicklung möglichst effizienter
MehrKapitel 2: Sortier- und Selektionsverfahren Gliederung
Gliederung 1. Laufzeit von Algorithmen 2. Sortier- und Selektionsverfahren 3. Paradigmen des Algorithmenentwurfs 4. Ausgewählte Datenstrukturen 5. Algorithmische Geometrie 6. Randomisierte Algorithmen
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
MehrKapitel 2. Sortieren. Adressenverwaltung (lexikographisch) Treerlisten bei Suchanfragen (Relevanz) Verdeckung (z-koordinate) ...
Kapitel 2 Sortieren Das Sortieren ist eines der grundlegenden Probleme in der Informatik. Es wird geschätzt, dass mehr als ein Viertel aller kommerzieller Rechenzeit auf Sortiervorgänge entfällt. Einige
MehrLineare Kongruenzgeneratoren und Quicksort
Seminar Perlen der theoretischen Informatik Dozenten: Prof. Johannes Köbler und Olaf Beyersdorff Lineare Kongruenzgeneratoren und Quicksort Ausarbeitung zum Vortrag Mia Viktoria Meyer 12. November 2002
MehrProf. Dr. Margarita Esponda
Algorithmen und Programmieren II Sortieralgorithmen imperativ Teil I Prof. Dr. Margarita Esponda Freie Universität Berlin Sortieralgorithmen Bubble-Sort Insert-Sort Selection-Sort Vergleichsalgorithmen
MehrGrundlagen der Programmierung 2. Sortierverfahren
Grundlagen der Programmierung 2 Sortierverfahren Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 30. Mai 2006 Sortieren Ziel: Bringe Folge von Objekten in eine Reihenfolge
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
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
MehrÜbungsklausur Algorithmen I
Jun.-Prof. Hofheinz, Jun.-Prof. Meyerhenke (ITI, KIT) 08.06.2015 Übungsklausur Algorithmen I Aufgabe 1. (Algorithm Engineering) Nennen Sie zwei Konzepte, die Algorithm Engineering im Gegensatz zu theoretischer
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 11. Übung Verkettete Listen, Sortieren Insertionsort, Mergesort, Radixsort, Quicksort Clemens Lang Übungen zu AuD 19. Januar 2010 Clemens Lang (Übungen zu AuD) Algorithmen
MehrCounting - Sort [ [ ] [ [ ] 1. SS 2008 Datenstrukturen und Algorithmen Sortieren in linearer Zeit
Counting-Sort Counting - Sort ( A,B,k ). for i to k. do C[ i]. for j to length[ A]. do C[ A[ j ] C[ A[ j ] +. > C[ i] enthält Anzahl der Elemente in 6. for i to k. do C[ i] C[ i] + C[ i ]. > C[ i] enthält
MehrAlgorithmen und Datenstrukturen. Kapitel 3: Sortierverfahren. Skript zur Vorlesung. Algorithmen und Datenstrukturen
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Algorithmen und Datenstrukturen Kapitel 3: Sortierverfahren Skript zur Vorlesung Algorithmen und Datenstrukturen Sommersemester
Mehr3. Binäre Suchbäume. 3.1 Natürliche binäre Suchbäume. EADS 3.1 Natürliche binäre Suchbäume 78/598 ľernst W. Mayr
3. Binäre Suchbäume 3.1 Natürliche binäre Suchbäume Definition 18 Ein natürlicher binärer Suchbaum über einem durch total geordneten Universum U ist ein als interner Suchbaum organisierter Binärbaum (also:
Mehr(a, b)-bäume / 1. Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss.
(a, b)-bäume / 1. Szenario: Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss. Konsequenz: Kommunikation zwischen Hauptspeicher und Festplatte - geschieht nicht Byte für Byte,
MehrKlausur Algorithmen und Datenstrukturen SS August Arbeitszeit 90 min
TU Ilmenau, Fakultät für Informatik und Automatisierung FG Komplexitätstheorie und Effiziente Algorithmen Univ.-Prof. Dr. M. Dietzfelbinger, Dipl.-Ing. C. Mattern Klausur Algorithmen und Datenstrukturen
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
MehrUE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 9. Sortieren
UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1 Übung 9 Sortieren Institut für Pervasive Computing Johannes Kepler Universität Linz Altenberger Straße 69, A-4040 Linz Sortieren :: Problemstellung
MehrManipulation von Mengen
Manipulation von Mengen Thomas Röfer Vorrangwarteschlange Linksbaum Heap HeapSort Union-Find-Strukturen Allgemeiner Rahmen für Mengenmanipulationen Rückblick Hashing Streuspeicherverfahren Hashfunktion
MehrAufgabe 8. 1 Arbeitsweise illustrieren. 2 Korrektheitsbeweis führen. 3 Laufzeitanalyse durchführen.
Aufgabe 8 Betrachten Sie den folgenden Algorithmus namens Bubble-Sort. Bubble-Sort(A[1..n]): 1 for i 1 to length(a) 1 2 do for j length(a) downto i + 1 3 do if A[j 1] > A[j] 4 then A[j 1] A[j] 1 Arbeitsweise
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 16 P Instruktionen: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
Mehr13 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang
13 (2-4)-Bäume (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 2. Die Ordnung (maximale Anzahl der Söhne eines Knotens) ist gleich 4 3. Innere Knoten haben 2 Söhne
MehrSuchen und Sortieren (Die klassischen Algorithmen)
Suchen und Sortieren (Die klassischen Algorithmen) Lineare Suche und Binäre Suche (Vorbedingung und Komplexität) Sortieralgorithmen (allgemein) Direkte Sortierverfahren (einfach aber langsam) Schnelle
MehrKurs 1663 Datenstrukturen" Musterlösungen zur Klausur vom Seite 1. Musterlösungen zur Hauptklausur Kurs 1663 Datenstrukturen 15.
Kurs 1663 Datenstrukturen" Musterlösungen zur Klausur vom 15.08.98 Seite 1 Musterlösungen zur Hauptklausur Kurs 1663 Datenstrukturen 15. August 1998 Kurs 1663 Datenstrukturen" Musterlösungen zur Klausur
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
MehrAlgorithmen und Datenstrukturen
Universität Innsbruck Institut für Informatik Zweite Prüfung 16. Oktober 2008 Algorithmen und Datenstrukturen Name: Matrikelnr: Die Prüfung besteht aus 8 Aufgaben. Die verfügbaren Punkte für jede Aufgabe
MehrSortieren durch Mischen (Mergesort; John von Neumann 1945)
Sortieren durch Mischen (Mergesort; John von Neumann 1945) Gegeben folgendes Feld der Größe 10. 3 8 9 11 18 1 7 10 22 32 Die beiden "Hälften" sind hier bereits vorsortiert! Wir können das Feld sortieren,
MehrAlgorithmen und Datenstrukturen 1-3. Seminar -
Algorithmen und Datenstrukturen 1-3. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Wintersemester 2009/10 Outline Spezielle Listen: Stacks, Queues Sortierverfahren 3. Übungsserie Wiederholung:
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Algorithmen und Datenstrukturen Die Inhalte der Vorlesung wurden primär auf Basis der angegebenen Literatur erstellt. Darüber hinaus sind viele Teile direkt aus der Vorlesung
MehrNAME, VORNAME: Studiennummer: Matrikel:
TU Ilmenau, Fakultat IA Institut für Theoretische Informatik FG Komplexitätstheorie und Effiziente Algorithmen Prof. Dr. (USA) M. Dietzfelbinger Klausur Algorithmen und Datenstrukturen SS08, Ing.-Inf.
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
Mehr