Entwurf und Analyse von Datenstrukturen
|
|
- Katja Kaiser
- vor 6 Jahren
- Abrufe
Transkript
1 Entwurf und Analyse von Datenstrukturen Sommersemester Termin: 17. April 2013 Jan-Henrik Haunert ehem. Mathebau, Raum E27 Alexander Wolff ehem. Mathebau, Raum E29 Lehrstuhl für Informatik I Effiziente Algorithmen und wissensbasierte Systeme
2 Kursraum in Moodle
3 Modus des Seminars je ein Thema für zwei Studierende jede Gruppe hält Kurzvortrag am (max 5 min, 3 Folien) ausführlicher Vortrag an einem eigens für Euch reservierten Termin 45 min Vortrag danach Diskussion danach gemeinsame Lösung von Euch gestellter Übungsaufgaben Spätestens zwei Wochen vor Eurem Vortrag sendet Ihr Eure Folien an jan.haunert@uni-wuerzburg.de; Ihr habt dann noch Gelegenheit für Korrekturen. Am Ende des Semesters gebt Ihr eine schriftliche Ausarbeitung ab (10 Seiten mit der Formatvorlage im Moodle), die alle TeilnehmerInnen in digitaler Form erhalten. Ihr dürft höchstens zweimal fehlen.
4 Ein Beispiel aus dem Themenbereich Fensteranfragen in geographischen Informationssystemen (GIS) Gegeben: ein sehr großer Straßendatensatz
5 Ein Beispiel aus dem Themenbereich Fensteranfragen in geographischen Informationssystemen (GIS) Gegeben: ein sehr großer Straßendatensatz Nur Ausschnitt in Fenster soll gezeichnet werden. Ziel: Finde alle Linien, die (zu Teilen) in Fenster liegen.
6 Ein Beispiel aus dem Themenbereich Fensteranfragen in geographischen Informationssystemen (GIS) Naiver Ansatz: Speicher die Linien in einer Liste. Bei jedem Neuzeichnen gehe die ganze Liste durch.
7 Ein Beispiel aus dem Themenbereich Fensteranfragen in geographischen Informationssystemen (GIS) Naiver Ansatz: Speicher die Linien in einer Liste. Bei jedem Neuzeichnen gehe die ganze Liste durch. Besserer Ansatz: Speicher die Linien in einer speziellen räumlichen Datenstruktur. Bei jedem Neuzeichnen prozessiere eine Fensteranfrage.
8 Demo
9 Vortragsthemen B-Bäume van Emde Boas Trees Splay Trees Randomisierte Suchstrukturen Suffix Trees Binomiale Heaps Fibonacci Heaps Datenstrukturen für disjunkte Mengen Dynamische Datenstrukturen für minimale Spannbäume Highway Hierachies Orthogonale Bereichsanfragen Quadtrees Segment Trees Trapezoidale Karten Binäre Raumpartitionierungen
10 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen.
11 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor)
12 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h)
13 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h) balancierte binäre Suchbäume (hier: Rot-Schwarz-Baum) Worst-Case-Laufzeit aller Operationen: O(log n)
14 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h) Problem: jeder Knoten enthält nur einen Schlüssel sehr viele Lese- und Schreibzugriffe nötig balancierte binäre Suchbäume (hier: Rot-Schwarz-Baum) Worst-Case-Laufzeit aller Operationen: O(log n)
15 B-Bäume Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h) Problem: jeder Knoten enthält nur einen Schlüssel sehr viele Lese- und Schreibzugriffe nötig balancierte binäre Suchbäume (hier: Rot-Schwarz-Baum) Worst-Case-Laufzeit aller Operationen: O(log n) B-Bäume speichern in jedem Knoten mehrere Schlüssel. Auf diese kann in einer Operation zugegriffen werden. Anzahl von Lese- und Schreibzugriffen wird gering gehalten.
16 van Emde Boas Trees Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h) balancierte binäre Suchbäume (hier: Rot-Schwarz-Baum) Worst-Case-Laufzeit aller Operationen: O(log n) van Emde Boas Trees: Schlüssel sind Integer mit m Bit. Methoden der dynamischen Menge brauchen O(log m) Zeit.
17 Splay Trees Ihr kennt Datenstrukturen für dynamische Mengen. (Insert, Delete, Search, Minimum, Maximum, Predecessor, Successor) binäre Suchbäume Worst-Case-Laufzeit aller Operationen: O(h) balancierte binäre Suchbäume (hier: Rot-Schwarz-Baum) Worst-Case-Laufzeit aller Operationen: O(log n) Splay Trees: Schlüssel, die häufig gesucht werden, wandern näher zur Wurzel und werden dadurch schneller gefunden.
18 Randomisierte Suchstrukturen Was passiert, wenn man die Elemente einer Menge in zufälliger Reihenfolge in einen binären Baum einfügt?
19 Randomisierte Suchstrukturen Was passiert, wenn man die Elemente einer Menge in zufälliger Reihenfolge in einen binären Baum einfügt? die erwartete Höhe ist O(log n)
20 Randomisierte Suchstrukturen Was passiert, wenn man die Elemente einer Menge in zufälliger Reihenfolge in einen binären Baum einfügt? die erwartete Höhe ist O(log n) Verwendung in Datenstrukturen für dynamische Mengen randomisierte Laufzeitanalyse erforderlich Zufall hilft!
21 Suffix Trees Suche einer Zeichenkette S innerhalb einer zweiten Zeichenkette P. Mit Suffix Trees in O( S ) Zeit möglich.
22 Binomiale Heaps Ihr kennt Heaps eignen sich für Prioritätsschlangen (ExtractMaximum und Insert in O(log n) Zeit; BuildHeap in O(n) Zeit)
23 Binomiale Heaps Ihr kennt Heaps eignen sich für Prioritätsschlangen (ExtractMaximum und Insert in O(log n) Zeit; BuildHeap in O(n) Zeit)
24 Binomiale Heaps Ihr kennt Heaps eignen sich für Prioritätsschlangen (ExtractMaximum und Insert in O(log n) Zeit; BuildHeap in O(n) Zeit)
25 Binomiale Heaps Ihr kennt Heaps eignen sich für Prioritätsschlangen (ExtractMaximum und Insert in O(log n) Zeit; BuildHeap in O(n) Zeit) Zwei binomiale Heaps können in O(log n) Zeit vereinigt werden!
26 Fibonacci Heaps
27 Fibonacci Heaps Der Schlüssel eines Elements bzw. seine Priorität erhöht sich.
28 Fibonacci Heaps Der Schlüssel eines Elements bzw. seine Priorität erhöht sich. Fibonacci Heaps erlauben, den Schlüssel eines Elements in O(1) armortisierter Zeit zu erhöhen/verringern! Wichtigste Anwendung: Dijkstras Algorithmus für das Kürzeste-Wege-Problem
29 Datenstrukturen für disjunkte Mengen Gegeben: n Elemente, die jeweils zu einer von k Mengen gehören Anfrage: Zu welcher Menge gehört ein gegebenes Element? Operation: Vereinige zwei spezifizierte Mengen zu einer Menge
30 Datenstrukturen für disjunkte Mengen Gegeben: n Elemente, die jeweils zu einer von k Mengen gehören Anfrage: Zu welcher Menge gehört ein gegebenes Element? Operation: Vereinige zwei spezifizierte Mengen zu einer Menge passende Datenstruktur gesucht! Anwendung: z.b. Kruskals Alg. für minimale Spannbäume
31 Datenstrukturen für disjunkte Mengen Gegeben: n Elemente, die jeweils zu einer von k Mengen gehören Anfrage: Zu welcher Menge gehört ein gegebenes Element? Operation: Vereinige zwei spezifizierte Mengen zu einer Menge passende Datenstruktur gesucht! Anwendung: z.b. Kruskals Alg. für minimale Spannbäume die Lösung ist einfach! Schwierigkeit steckt in der (amortisierten) Laufzeitanalyse
32 Dynamische Datenstrukturen für minimale Spannbäume Gegeben: Graph mit Kantengewichten
33 Dynamische Datenstrukturen für minimale Spannbäume Gegeben: Graph mit Kantengewichten Gesucht: Minimaler (bzw. leichtester) Spannbaum
34 Dynamische Datenstrukturen für minimale Spannbäume Gegeben: Graph mit Kantengewichten Gesucht: Minimaler (bzw. leichtester) Spannbaum Problem: Aktualisierung des Spannbaums bei Änderung von Gewichten
35 Highway Hierarchies Finde kürzesten Weg von s V nach t V in Graph G = (V, E).
36 Highway Hierarchies Finde kürzesten Weg von s V nach t V in Graph G = (V, E). Algorithmus von Dijkstra löst Problem
37 Highway Hierarchies Finde kürzesten Weg von s V nach t V in Graph G = (V, E). Algorithmus von Dijkstra löst Problem Beschleunigung durch Ausnutzung der Struktur des Graphen: Manche Kanten sind in vielen kürzesten Wegen enthalten.
38 Orthogonale Bereichsanfragen Gegeben: eine große Punktemenge P in R k und ein Suchbereich [x 1 : x 1 ] [x 2 : x 2 ]... [x k : x k ]. Gesucht: die Punkte aus P, die im Suchbereich liegen
39 Orthogonale Bereichsanfragen Gegeben: eine große Punktemenge P in R k und ein Suchbereich [x 1 : x 1 ] [x 2 : x 2 ]... [x k : x k ]. Gesucht: die Punkte aus P, die im Suchbereich liegen x 2 x 2 x 1 x 1
40 Orthogonale Bereichsanfragen Gegeben: eine große Punktemenge P in R k und ein Suchbereich [x 1 : x 1 ] [x 2 : x 2 ]... [x k : x k ]. Gesucht: die Punkte aus P, die im Suchbereich liegen x 2 x 2 x 1 x 1 Ziel: Datenstruktur mit wenig Speicherbedarf mit schneller Beantwortung der Anfrage
41 Orthogonale Bereichsanfragen Gegeben: eine große Punktemenge P in R k und ein Suchbereich [x 1 : x 1 ] [x 2 : x 2 ]... [x k : x k ]. Gesucht: die Punkte aus P, die im Suchbereich liegen x 2 x 2 x 1 x 1 Ziel: Datenstruktur mit wenig Speicherbedarf mit schneller Beantwortung der Anfrage
42 Orthogonale Bereichsanfragen Gegeben: eine große Punktemenge P in R k und ein Suchbereich [x 1 : x 1 ] [x 2 : x 2 ]... [x k : x k ]. Gesucht: die Punkte aus P, die im Suchbereich liegen x 2 x 2 x 1 x 1 Ziel: Datenstruktur mit wenig Speicherbedarf mit schneller Beantwortung der Anfrage Kd-Bäume Bereichsbäume
43 Quadtrees
44 Quadtrees Allrounder unter den räumlichen Datenstrukturen
45 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile
46 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile
47 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile
48 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile
49 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile
50 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile In der Praxis gut für Bereichsanfragen theoretische Ergebnisse schlechter als für Kd-Bäume und Bereichsbäume
51 Quadtrees Allrounder unter den räumlichen Datenstrukturen Quadtrees zerlegen die Ebene rekursiv in vier Teile In der Praxis gut für Bereichsanfragen theoretische Ergebnisse schlechter als für Kd-Bäume und Bereichsbäume Mögliche Verwendung: Dreiecksvermaschung für finite Elemente (z.b. wie verteilen sich Kräfte in einem Werkstück?)
52 Segment Trees
53 Trapezoidale Karten Gegeben: eine Zerlegung der Ebene in Polygone ein Punkt P in der Ebene
54 Trapezoidale Karten Gegeben: eine Zerlegung der Ebene in Polygone ein Punkt P in der Ebene
55 Trapezoidale Karten Gegeben: eine Zerlegung der Ebene in Polygone ein Punkt P in der Ebene in welchem Polygon liegt P?
56 Trapezoidale Karten Gegeben: eine Zerlegung der Ebene in Polygone ein Punkt P in der Ebene in welchem Polygon liegt P? zur einfacheren Lösung werden Polygone in Trapeze zerlegt daraus wird Datenstruktur aufgebaut (randomisiert!)
57 Binäre Raumpartitionierungen Gegeben: eine Menge von Objekten im Raum ein (virtueller) Kamerapunkt Aufgabe: In welcher Reihenfolge sind Objekte nacheinander zu zeichnen, damit Verdeckungen korrekt sind?
58 Binäre Raumpartitionierungen Gegeben: eine Menge von Objekten im Raum ein (virtueller) Kamerapunkt Aufgabe: In welcher Reihenfolge sind Objekte nacheinander zu zeichnen, damit Verdeckungen korrekt sind? Wie werden Zyklen aufgelöst?
59 Binäre Raumpartitionierungen Gegeben: eine Menge von Objekten im Raum ein (virtueller) Kamerapunkt Aufgabe: In welcher Reihenfolge sind Objekte nacheinander zu zeichnen, damit Verdeckungen korrekt sind? Wie werden Zyklen aufgelöst? binäre Raumpartitionierungen bieten effiziente Lösung randomisierte Laufzeitanalyse!
60 Terminplan (bei 9 Themen) Termin: Organisatorisches, Einführung Kurzvorträge: Worum geht es im Thema? Tag der Arbeit frei Vortrag Vortrag Vortrag Vortrag Vortrag Vortrag Vortrag Vortrag Vortrag Vortrag 10
61 Literatur Cormen, Leiserson, Rivest & Stein (2009). Introduction to Algorithms, dritte Auflage, MIT Press. de Berg, Cheong, van Kreveld, Overmars (2008). Computational Geometry: Algorithms and Applications, dritte Auflage, Springer-Verlag.
62 Literatur Cormen, Leiserson, Rivest & Stein (2009). Introduction to Algorithms, dritte Auflage, MIT Press. de Berg, Cheong, van Kreveld, Overmars (2008). Computational Geometry: Algorithms and Applications, dritte Auflage, Springer-Verlag. Motwani & Raghavan (1995). Randomized Algorithms. Cambridge University Press.
Dynamische Mengen. Realisierungen durch Bäume
Dynamische Mengen Eine dynamische Menge ist eine Datenstruktur, die eine Menge von Objekten verwaltet. Jedes Objekt x trägt einen eindeutigen Schlüssel key[x]. Die Datenstruktur soll mindestens die folgenden
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 10 (3.6.2014) Binäre Suchbäume I Algorithmen und Komplexität Zusätzliche Dictionary Operationen Dictionary: Zusätzliche mögliche Operationen:
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
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
MehrProgrammiertechnik II
Bäume Symboltabellen Suche nach Werten (items), die unter einem Schlüssel (key) gefunden werden können Bankkonten: Schlüssel ist Kontonummer Flugreservierung: Schlüssel ist Flugnummer, Reservierungsnummer,...
MehrGrundlagen der Informatik
1 Vorlesung Grundlagen der Informatik Dr. Frank Sausen Skript und Folien: Prof. Dr. Wolfgang Ertel 6. Oktober 2008 Hochschule Ravensburg Weingarten Technik Wirtschaft Sozialwesen c W. Ertel 2 Inhaltsverzeichnis
MehrDATENSTRUKTUREN UND ALGORITHMEN
DATENSTRUKTUREN UND ALGORITHMEN 2 Ist die Datenstruktur so wichtig??? Wahl der Datenstruktur wichtiger Schritt beim Entwurf und der Implementierung von Algorithmen Dünn besetzte Graphen und Matrizen bilden
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
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)
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
Mehr14. Rot-Schwarz-Bäume
Bislang: Wörterbuchoperationen bei binären Suchbäume effizient durchführbar, falls Höhe des Baums klein. Rot-Schwarz-Bäume spezielle Suchbäume. Rot-Schwarz-Baum mit n Knoten hat Höhe höchstens 2 log(n+1).
MehrAbschnitt 18: Effizientes Suchen in Mengen
Abschnitt 18: Effizientes Suchen in Mengen 18. Effizientes Suchen in Mengen 18.1 Vollständig ausgeglichene binäre Suchbäume 18.2 AVL-Bäume 18.3 Operationen auf AVL-Bäumen 18.4 Zusammenfassung 18 Effizientes
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:
MehrKapitel 9 Suchalgorithmen
Kapitel 9 Suchalgorithmen Suchverfahren: Verfahren, das in einem Suchraum nach Mustern oder Objekten mit bestimmten Eigenschaften sucht. Vielfältige Anwendungsbereiche für Suchverfahren: u.a. Suchen in
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.6 AVL-Bäume 4.8 Rot-Schwarz-Bäume Idee: Verwende Farben, um den Baum vertikal zu
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
MehrAlgorithmische Geometrie 1. Einführung
Algorithmische Geometrie 1. Einführung JProf. Dr. Heike Leitte Computergraphik und Visualisierung Algorithmische Geometrie Veranstaltung: 2 SWS Vorlesung: Mi, 9:15 10:45 1 SWS Übung: Do 14:00 16:00 Übungen:
MehrAlgorithmen - Eine Einführung
Algorithmen - Eine Einführung von Prof. Dr. Thomas H. Cormen Prof. Dr. Charles E. Leiserson Prof. Dr. Ronald Rivest Prof. Dr. Clifford Stein 2., korrigierte Auflage Oldenbourg Verlag München Wien Inhaltsverzeichnis
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 4 für die Übung
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. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/2, Folie 1 2014 Prof. Steffen Lange - HDa/FbI
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
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
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 und Datenstrukturen Kapitel 7 Dynamische Mengen, das Suchproblem &
Algorithmen und Datenstrukturen Kapitel 7 Dynamische Mengen, das Suchproblem & Frank Heitmann heitmann@informatik.uni-hamburg.de 25. November 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/122
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2013/14. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2013/14 Prof. Dr. Sándor Fekete 1 4.6 AVL-Bäume 2 4.8 Rot-Schwarz-Bäume Rudolf Bayer Idee: Verwende Farben, um den
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Binärbaum Suchbaum Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 356 Datenstruktur Binärbaum Strukturrepräsentation des mathematischen Konzepts Binärbaum
MehrGraphalgorithmen 2. Oleksiy Rybakov. 3. Juni Betreuer: Tobias Werth, Daniel Brinkers
Graphalgorithmen 2 Oleksiy Rybakov 3. Juni 2015 Betreuer: Tobias Werth, Daniel Brinkers 1 / 40 Inhaltsverzeichnis 1 Minimale Spannbäume und Datenstrukturen 2 Kürzeste Wege 3 Spezielle Graphen 2 / 40 Minimale
MehrAmortisierte Laufzeitanalyse
Paris-Lodron Universität Salzburg 24 Januar, 2014 Inhaltsverzeichnis 1 Einführung Definition Beispiel:Stapeloperationen Beispiel: Binärzähler (1/2) Beispiel: Binärzähler (2/2) 2 Analyse der Stack mittels
MehrDatenstrukturen. Mariano Zelke. Sommersemester 2012
Datenstrukturen Mariano Zelke Sommersemester 2012 Prioritätswarteschlangen Mariano Zelke Datenstrukturen 2/28 Der abstrakte Datentyp Prioritätswarteschlange : Füge Elemente (mit Prioritäten) ein und entferne
MehrQuadtrees. Christian Höner zu Siederdissen
Quadtrees Christian Höner zu Siederdissen Quadtrees Zum Verständnis benötigt... Was sind Quadtrees Datenstruktur Wofür Quadtrees Operationen auf dem Baum Vor- und Nachteile (spezialisierte Formen) Zum
MehrAlgorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert und Dr. Thomas Stibor
Algorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert und Dr. Thomas Stibor Organisatorisches: Vorlesung 4 SWS, Zentralübung 2 SWS: 6 Credit Points Mi 9:45 11:15 Raum 1200 (Vorlesung) Do 8:00
MehrDatenstrukturen. Sommersemester Kapitel 1: Motivation / Grundlagen. Steffen Lange
Datenstrukturen Sommersemester 2010 Steffen Lange 1/1, Folie 1 2010 Prof. Steffen Lange - HDa/FbI - Datenstrukturen Organisatorisches Vorlesung wöchentlich; zwei Blöcke Folien im Netz (/* bitte zur Vorlesung
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
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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:
MehrTriangulierung von einfachen Polygonen
Triangulierung von einfachen Polygonen Tobias Kyrion Inhaltsverzeichnis 1.1 Die Problemstellung....................... 1 2.1 Ein naiver Algorithmus...................... 2 3.1 Zerlegung in monotone Teilpolygone..............
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 202/3 24. Vorlesung Amortisierte Analyse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Hash-Tabellen Frage: Ziel: Problem: Lösung: Wie groß macht man
MehrAlgorithmen und Datenstrukturen Bereichsbäume
Algorithmen und Datenstrukturen Bereichsbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung k-d Baum BSP Baum R Baum Motivation
Mehr6. Algorithmen der Computer-Geometrie
6. Algorithmen der Computer-Geometrie 1. Einführung 2. Schnitt von zwei Strecken 3. Punkt-in-Polygon-Test 4. Schnitt orthogonaler Strecken 5. Punkteinschlussproblem Geo-Informationssysteme 146 6.1 Computer-Geometrie
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
MehrÜbung Algorithmen I
Übung Algorithmen I.6.5 Christoph Striecks Christoph.Striecks@kit.edu (Mit Folien von Julian Arz, Timo Bingmann und Sebastian Schlag.) Roadmap Hinweise zur Übungsklausur (Weitere) Traversierungen von Binärbäumen
MehrKlausur Algorithmen und Datenstrukturen
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Algorithmen und Datenstrukturen 22.08.2013
MehrFlüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
MehrÜbersicht. Rot-schwarz Bäume. Rot-schwarz Bäume. Beispiel. Eigenschaften. Datenstrukturen & Algorithmen. Rot-schwarz Bäume Eigenschaften Einfügen
Datenstrukturen & Algorithmen Übersicht Rot-schwarz Bäume Eigenschaften Einfügen Matthias Zwicker Universität Bern Frühling 2009 2 Rot-schwarz Bäume Binäre Suchbäume sind nur effizient wenn Höhe des Baumes
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
MehrWie beim letzten Mal - bitte besucht: http://pingo.upb.de/549170 Ihr seid gleich wieder gefragt... Übung Algorithmen I 4.5.16 Lukas Barth lukas.barth@kit.edu (Mit Folien von Julian Arz, Timo Bingmann,
MehrAlgorithmische Geometrie
Algorithmische Geometrie 1-1 Inhaltsverzeichnis 1. Einführung 2. Basiskonzepte 3. Punktsuche 4. Voronoidiagramme und Delaunaytriangulierung 5. Allgemeine Suchstrukturen 1-2 1.1. Was ist? (Computational
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
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
MehrKlausur Informatik B April Teil I: Informatik 3
Informatik 3 Seite 1 von 8 Klausur Informatik B April 1998 Teil I: Informatik 3 Informatik 3 Seite 2 von 8 Aufgabe 1: Fragekatalog (gesamt 5 ) Beantworten Sie folgende Fragen kurz in ein oder zwei Sätzen.
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales
MehrDatenstrukturen & Algorithmen
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik Peter Widmayer
MehrAlgorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert
Algorithmen und Datenstrukturen (AuD) Prof. Dr. Claudia Eckert Organisatorisches: Vorlesung 4 SWS, Zentralübung 2 SWS: 6 Credit Points Mi 10:30-12:00 Raum 1200 (Vorlesung) Do 8:15-9:45 Raum 1200 (Vorlesung)
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2013/14 1. Vorlesung Kapitel 1: Sortieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Das Problem Eingabe Gegeben: eine Folge A = a 1, a 2,..., a
MehrKapitel 3: Untere Schranken für algorithmische Probleme Gliederung
Gliederung 1. Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs 6. Ausgewählte
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrWas bisher geschah ADT Menge mit Operationen: Suche nach einem Element Einfügen eines Elementes Löschen eines Elementes Realisierung durch
Was bisher geschah ADT Menge mit Operationen: Suche nach einem Element Einfügen eines Elementes Löschen eines Elementes Realisierung durch verschiedene Datenstrukturen: lineare Datenstrukturen: Array,
MehrAufgabensammlung zur algorithmischen Geometrie
1 Aufgabensammlung zur algorithmischen Geometrie 2012WS Andreas Kriegl 1. Konvexe Hülle als Durchschnitt. Zeige, daß der Durchschnitt konvexer Mengen wieder konvex ist und somit die konvexe Hülle einer
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrBäume. Text. Prof. Dr. Margarita Esponda SS 2012 O4 O5 O6 O ALP2-Vorlesung, M. Esponda
Bäume O1 O2 Text O3 O4 O5 O6 O7 Prof. Dr. Margarita Esponda SS 2012 22. ALP2-Vorlesung, M. Esponda Inhalt 1. Einführung 2. Warum Bäume? 3. Listen und Arrays vs. Bäume 4. Einfach verkettete binäre Suchbäume
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 11, Donnerstag, 16.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 11, Donnerstag, 16. Januar 2013 (Balancierte Suchbäume) Junior-Prof. Dr. Olaf Ronneberger
MehrEffiziente Algorithmen und Datenstrukturen: Kürzeste Wege
Effiziente Algorithmen und Datenstrukturen: Kürzeste Wege Kürzeste Wege Zentrale Frage: Wie komme ich am schnellsten von A nach B? B A Kürzeste Wege Zentrale Frage: Wie komme ich am schnellsten von A nach
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.
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)
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.
MehrAlgorithmen und Datenstrukturen. PD Ma&hias Thimm
Algorithmen und Datenstrukturen PD Ma&hias Thimm Modulnummer, Addressaten und Voraussetzungen Modulnummer: 04IN1014 Adressaten: Bachelor Informa:k, 2. Jahr Bachelor Computervisualis:k, 2. Jahr Bachelor
MehrErinnerung VL
Erinnerung VL 30.05.2016 Radix-Sort, Abschluss Sortieren Prioritätslisten: Warteschlange mit Prioritäten deletemin: kleinstes Element rausnehmen insert: Element einfügen Binäre Heaps als Implementierung
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrAlgorithmik - Kompaktkurs
Algorithmik - Kompaktkurs Sommersemester 2012 Steffen Lange 0/1, Folie 1 2012 Prof. Steffen Lange - HDa/FbI - Algorithmik Organisatorisches Vorlesung Folien im Netz (/* bitte zur Vorlesung mitbringen */)
MehrMaximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
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
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
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrKD-Bäume. ein Vortrag von Jan Schaefer
ein Vortrag von Jan Schaefer Überblick - Kurzer Rückblick: Quad Trees - KD-Baum bauen - Effizienz des Konstruktionsalgorithmus - Regionen - Bereichssuche - Effizienz des Suchalgorithmus - Anwendungsgebiete
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
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
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
Mehr23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108
23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf
MehrBäume, Suchbäume und Hash-Tabellen
Im folgenden Fokus auf Datenstrukturen, welche den assoziativen Zugriff (über einen bestimmten Wert als Suchkriterium) optimieren Bäume: Abbildung bzw. Vorberechnung von Entscheidungen während der Suche
Mehr12 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang
12 (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
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
MehrEs sei a 2 und b 2a 1. Definition Ein (a, b)-baum ist ein Baum mit folgenden Eigenschaften:
Binäre Suchbäume (a, b)-bäume (Folie 173, Seite 56 im Skript) Es sei a 2 und b 2a 1. Definition Ein (a, b)-baum ist ein Baum mit folgenden Eigenschaften: 1 Jeder Knoten hat höchstens b Kinder. 2 Jeder
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrGeometrische Algorithmen
Geometrische Algorithmen Bin Hu Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Einführung
MehrAlgorithmen und Datenstrukturen
Lehrstuhl für Informatik I Algorithmen und Datenstrukturen Wintersemester 2013/14 Organisatorisches Vorlesung: Übungsbetreuung: Übungen: Programmiertutorium: Alexander Wolff (E29) Krzysztof Fleszar (E13)
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
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
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
MehrKONSTRUKTION VON ROT-SCHWARZ-BÄUMEN
KONSTRUKTION VON ROT-SCHWARZ-BÄUMEN RALF HINZE Institut für Informatik III Universität Bonn Email: ralf@informatik.uni-bonn.de Homepage: http://www.informatik.uni-bonn.de/~ralf Februar, 2001 Binäre Suchbäume
MehrProgrammierung und Modellierung
Programmierung und Modellierung Terme, Suchbäume und Pattern Matching Martin Wirsing in Zusammenarbeit mit Moritz Hammer SS 2009 2 Inhalt Kap. 7 Benutzerdefinierte Datentypen 7. Binärer Suchbaum 8. Anwendung:
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 6 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 2. April
MehrUberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
Mehr