Datenstrukturen und Algorithmen. Vorlesung 5
|
|
- Jürgen Müller
- vor 5 Jahren
- Abrufe
Transkript
1 Datenstrukturen und Algorithmen Vorlesung 5
2 Inhaltsverzeichnis Vorige Woche: Sortierte Listen Zyrkuläre Listen Verkettete Listen auf Arrays Heute betrachten wir: Skip Listen ADT Set ADT Map Iterator ADT Matrix
3 Skip Liste Nehmen wir an, dass wir eine sortierte Sequenz speichern wollen. Die Elemente können in unterschiedlichen Datenstrukturen gespeichert werden: dynamisches Array verkettete Liste Was für eine Komplexität hat die Einfüge-Operation? Man kann die Einfüge-Operation in zwei Schritte teilen: die Position suchen und dann das neue Element einfügen
4 Skip Liste Die Suche geht offensichtlich schneller, wenn man Elemente überspringen (skip) kann Skip Liste Nehmen wir z.b. an, dass es nicht nur von jedem Knoten ein Zeiger auf den nächsten, sondern darüberhinaus auch von jedem zweiten Knoten einen Zeiger auf den übernächsten Knoten gibt Man kann dieses Prinzip wiederholen, sodass die Liste eine Zugriffsstruktur ähnlich wie die der binären Bäume bekommt
5 Skip Liste H und T sind zwei spezielle Knoten, die dem Head und Tail entsprechen Diese können nicht gelöscht werden, sie bleiben auch wenn die Liste leer ist
6 Skip Liste Man fängt vom Head an und von dem höchsten Niveau Wenn möglich, geht man nach rechts weiter Wenn man nicht nach rechts gehen kann (das nächste Element ist größer als das gesuchte Element), dann geht man ein Niveau nach unten
7 Skip Liste Das untere Niveau enthält alle n Elemente Das nächste Niveau enthält n 2 Elemente Das nächste Niveau enthält n 4 Elemente,... Es gibt also ungefähr log 2 n Niveaus Man überprüft von jedem Niveau höchsten 2 Knoten Die Komplexität der Suchoperation: O(log 2 n)
8 Skip Liste Insert Füge 21 ein: Welches Niveau sollte der neue Knoten haben?
9 Skip Liste Insert Das Niveau eines Knotens wird zufällig ausgewählt (random), aber so dass ungefähr die Hälfte der Knoten auf Niveau 2 sind, ein Viertel der Knoten auf Niveau 3, usw. Wir nehmen an, dass der neue Knoten das Niveau 3 hat
10 Skip Liste Skip Listen sind probabilistische Datenstrukturen, da die Höhe/Niveau eines neuen Knotens randomisiert berechnet wird Es kann ein schlimmster Fall geben, wo jeder Knoten die Höhe 1 hat (also es ist eine normale verkettete Liste) Im Praxis funktionieren Skip Listen gut
11 ADT Set Ein Set/Menge ist ein Container, deren Elemente eindeutig sind, wobei die Reihenfolge der Elemente keine Rolle spielt (die Elemente haben keine entsprechende Positionen) Es gibt keine Operationen basierend auf Positionen Die Elemente sind nicht unbedingt in derselben Reihenfolge gespeichert, in der sie eingefügt wurden Domäne für ADT Set: S = {s s ist ein Set mit Elementen vom Typ TElem}
12 Set Interface init(s) descr: erstellt einen leeren Set pre: wahr post: s S, s ist einen leeren Set add(s, e) descr: fügt ein neues Element zu dem Set ein pre: s S, e TElem post: s S, s = s {e} (TElem e wird in dem Set eingefügt nur falls er noch nicht in dem Set enthalten war, ansonsten bleibt s unverändert)
13 Set Interface remove(s, e) descr: löscht ein Element aus dem Set pre: s S, e TElem post: s S, s = s {e} (Falls e nicht in s enthalten war, dann bleibt s unverändert) find(s, e) descr: sucht ob ein Element in dem Set enthalten ist pre: s S, e TElem wahr, falls e s post: find ቊ falsch, ansonsten
14 Set Interface size(s) descr: gibt die Anzahl der Element aus dem Set zurück pre: s S post: size Anzahl der Elemente aus s iterator(s, i) descr: gibt ein Iterator für einen Set zurück pre: s S post: i I, i ist ein Iterator für s
15 Set Interface destroy(s) descr: zerstört einen Set pre: s S post: s wurde zerstört
16 Set Interface Andere mögliche Operationen (spezifisch für mathematische Mengen): Vereinigung zweier Mengen Durchschnitt zweier Mengen Differenz zweier Mengen
17 SortedSet In einem Set können die Elemente basierend auf einer Ordnungsrelation sortiert werden SortedSet Die einzigen Änderungen zu dem Interface sind bei der init Operation, wo man auch die Relation als Parameter hat Für einen sortierten Set muss der Iterator die Elemente in der Reihenfolge gegeben von der Relation durchlaufen
18 Set Um ADT Set (oder ADT SortedSet) zu implementieren kann man folgende Datenstrukturen für die Repräsentierung benutzen: (dynamisches) Array Verkettete Liste Hashtabellen (balancierte) Binärbäume für sortierte Sets Skip Listen für sortierte Sets
19 ADT Map Eine Map ist ein Container dessen Elemente Paare der Form <key, value> sind Jeder Schlüssel darf in einer Map nur genau einmal vorhanden sein (eindeutig) Jeder Schlüssel hat genau einen zugehörigen Wert (falls es eine Liste von Werten ist, dann redet man von MultiMap) Man kann auf den Wert nur mit Hilfe des Schlüssels zugreifen (es gibt keine Positionen in einer Map) Wen man eine Map implementiert, dann braucht man eine Datenstruktur, in der es einfach ist einen Schlüssel zu finden
20 Map Beispiele für das Benutzen von Maps: Bankkonto: Kontonummer als Schlüssel und alle zugehörige Informationen als Wert Student Id als Schlüssel und alle Informationen über den Student als Wert Domäne von ADT Map: M = {m m ist ein Map mit Elementen e = (k, v), wobei k TKey und v TValue}
21 Map Interface init(m) descr: erstellt eine leere Map pre: wahr post: m M, m ist eine leere Map destroy(m) descr: zerstört eine Map pre: m M post: m wurde zerstört
22 Map Interface add(m, k, v) descr: fügt ein neues key-value Paar zu dem Map ein (die Operation kann auch put genannt werden) pre: m M, k TKey, v TValue post: m M, m = m <k, v> Was passiert wenn es schon ein Paar <k,v> gibt?
23 Map Interface remove(m, k, v) descr: löscht ein Paar mit einem gegebenen Schlüssel aus dem Map pre: m M, k TKey post: v TValue, wobei: v ቊ v, falls < k, v > m und m M, m = m < k, v > o TValue, ansonsten
24 Map Interface search(m, k, v) descr: such den Wert, der dem gegebenen Schlüssel entspricht pre: m M, k TKey post: v TValue, wobei: v ቊ v, falls < k, v > m o TValue, ansonsten
25 Map Interface iterator(m, it) descr: gibt ein Iterator für eine Map zurück pre: m M post: it I, it ist in Iterator für m size(m) descr: gibt die Anzahl der Paare in der Map zurück pre: m M post: size Anzahl der Paare in m
26 Map Interface keys(m, s) descr: gibt die Menge der Schlüssel aus der Map zurück pre: m M post: s S, s ist ein Set, der alle Schlüssel aus m enthält values(m, b) descr: gibt ein Bag von Werten aus der Map zurück pre: m M post: b B, b ist ein Bag, der alle Werte aus m enthält
27 Map Interface pairs(m, s) descr: gibt die Menge der Paare aus der Map zurück pre: m M post: s S, s ist ein Set, der alle Paare aus m enthält
28 Sorted Map Man kann für die Schlüssel in der Map eine Ordnungsrelation definieren, dann benutzt man TComp anstatt TKey Die einzigen Änderungen zu dem Interface sind bei der init Operation, wo man auch die Relation als Parameter hat Für eine sortierte Map muss der Iterator die Paare in der Reihenfolge gegeben von der Relation durchlaufen. In diesem Fall geben die Operationen keys und pairs SortedSets zurück.
29 Map Um ADT Map (oder ADT SortedMap) zu implementieren kann man folgende Datenstrukturen für die Repräsentierung benutzen: (dynamisches) Array Verkettete Liste Hashtabellen (balancierte) Binärbäume für sortierte Sets Skip Listen für sortierte Maps
30 Iterator Alle Containers haben Iteratoren und für jede Repräsentierung des Containers besprechen wir die Implementierung des Iterators Warum sind Iteratoren so wichtig? uniforme Iterierung der Elemente eines Containers (unabhägig von dem Container und von der Repräsentierung)!! für viele Containers bietet der Iterator die einzige Möglichkeit den Container zu durchlaufen
31 Iterator Wenn man in einem Container auf die Positionen der Elemente verzichtet, dann kann man manche Operationen optimieren: Man kann Datenstrukturen benutzen, die eine gute Komplexität für die Operationen haben, aber wo die Positionen der Elemente keine Rolle spielen und wo es schwer ist die Positionen zu erzwingen (z.b. Hashtabellen) Auch wenn der Container Positionen für die Elemente hat, kann es effizienter sein den Container mit dem Iterator zu durchlaufen anstatt mit Hilfe der Positionen (Position inkrementieren und Element zurückgeben)
32 ADT Matrix Ein Matrix ist ein Container, der ein zweidimensionales Array enthaltet Jeder Element hat eine eindeutige Position, bestimmt von zwei Indexe: Zeile und Spalte Die Operationen einer Matrix unterscheiden sich von den Operationen der meisten Containers, weil man in einem Matrix kein Element einfügen oder löschen kann. Man kann nur den Wert eines Elementes ändern.
33 Matrix- Operationen Die minimale Menge der Operationen für ADT Matrix ist: init(matrix, nrl, nrc) erstellt eine neue Matrix mit nrl Zeilen und nrc Spalten nrline(matrix) gibt die Anzahl der Zeilen aus dem Matrix zurück nrcolumns(matrix) - gibt die Anzahl der Spalten aus dem Matrix zurück element(matrix, i, j) gibt das Element von Zeile i und Spalte j zurück modify(matrix, i, j, val) ändert den Wert des Elementes von Zeile i und Spalte j
34 Matrix- Operationen Andere mögliche Operationen: Gebe die Position eines Elementes zurück Erstelle einen Iterator, der die Elemente nach Spalten iteriert Erstelle einen Iterator, der die Elemente nach Zeilen iteriert Usw.
35 Matrix Repräsentierung Meistens benutzt man für eine Matrix eine sequentielle Repräsentierung (die Zeilen der Matrix werden im Speicherplatz auf aufeinanderfolgende Blöcke gespeichert) Falls die Matrix viele 0-Werte ( oder 0 TElem ) enthält, dann redet man von schwachbesetzte oder dünnbesetzte Matrix (sparse) in diesem Fall ist es effizienter die Elemente unterschiedlich von 0 zu speichern
36 Schwachbesetzte Matrix Beispiel Von den 36 Elemente sind nur 10 Elemente unterschiedlich von 0:
37 Schwachbesetzte Matrix Repräsentierung Man kann nur Tupeln der Form (Zeile, Spalte, Wert) speichern, für die Werte unterschiedlich von 0 (oder 0 TElem ) Für die Effizienz speichert man die Elemente sortiert nach (Zeile, Spalte) Die Tupeln können in folgende Datenstrukturen gespeichert werden: (dynamisches) Array Verkettete Listen (balancierte) Binärbäume
38 Schwachbesetzte Matrix Repräsentierung Beispiel Für das vorige Beispiel speichert man folgende Tupeln: <1,3,3>, <1,5,5>, <2,1,2>, <3,6,4>, <4,1,1>, <4,4,7>, <5,2,6>, <5,6,5>, <6,3,9>, <6,4,1> Man muss auch die Dimensionen der Matrix speichern (es kann sein, dass die letzten Zeilen oder Spalten nur 0-Werte enthalten)
39 Schwachbesetzte Matrix Repräsentierung 2 Verkettete Repräsentierung mit Hilfe von zyrkulären Listen Jeder Knoten enthält die Zeile, die Spalte, den Wert (unterschiedlich von 0) und zwei Pointers: zu dem nächsten Element von derselben Zeile und zu dem nächsten Element von derselben Spalte Die letzten Knoten haben ein Pointer zu dem ersten Knoten (zyrkuläre Listen) Jede Zeile und Spalte hat einen speziellen Knoten, der den Anfang der entsprechenden Liste bezeichnet
40 Schwachbesetzte Matrix Repräsentierung 2 Beispiel
41 Schwachbesetzte Matrix Repräsentierung 2 Beispiel Jeder Knoten enthält: die Zeile, die Spalte, den Wert (unterschiedlich von 0), ein Pointer zu dem nächsten Element von derselben Zeile und ein Pointer zu dem nächsten Element von derselben Spalte Element von Zeile 2, Spalte 1 mit dem Wert 1:
42 Schwachbesetzte Matrix Repräsentierung 2 Beispiel
43 Schwachbesetzte Matrix Repräsentierung 2 Die Knoten mit dem Wert H sind Header Knoten. Diese sind keine echte Elemente, sondern bezeichnen nur den Anfang der entsprechenden Zeile oder Spalte Die Knoten werden irgendwo im Speicherplatz gespeichert, nicht unbedingt auf aufeinanderfolgenden Speicherplätze, aber die graphische Repräsentierung wurde intuitiv in Form einer Matrix dargestellt Da die Repräsentierung zyrkuläre Listen benutzt, verweist der letzte Knoten von jeder Zeile und Spalte auf den entsprechenden Header Knoten Es genügt nicht nur die Adresse des 0,0 Header Knotens zu speichern
44 Schwachbesetzte Matrix Repräsentierung 2
45 Schwachbesetzte Matrix Operationen Die Operationen der schwachbesetzten Matrix sind gleich mit den Operationen der regulären Matrix. Die schwierigste Operation ist modify, weil man 4 Fälle unterscheiden muss basierend auf dem aktuellen Wert von Zeile i und Spalte j (old_value) und den neuen Wert (new_value): old_value = 0 und new_value = 0 tu nichts old_value = 0 und new_value 0 füge einen neuen Tupel/Knoten ein mit new_value old_value 0 und new_value = 0 lösche den Tupel/Knoten mit old_value old_value 0 und new_value 0 aktualisiere den Wert aus dem Tupel/Knoten mit new_value
Datenstrukturen und Algorithmen. Vorlesung 8
Datenstrukturen und Algorithmen Vorlesung 8 Inhaltsverzeichnis Vorige Woche: ADT Stack ADT Queue Heute betrachten wir: ADT Deque ADT Prioritätsschlange Binomial-Heap Schriftliche Prüfung Informationen
MehrDatenstrukturen und Algorithmen. Vorlesung 6
Datenstrukturen und Algorithmen Vorlesung 6 Heap (auch Halde oder Haufen) Binäre Heaps sind eine einfache und effiziente Implementierung von Prioritätswarteschlangen (priority queues) Ein binären Heap
MehrVerkettete Listen (Linked Lists) Vorlesung 3
Verkettete Listen (Linked Lists) Vorlesung 3 Verkettete Listen Heute betrachten wir: Einfach verkettete Listen (singly linked lists) Doppelt verkettete Listen (doubly linked lists) Verkettete Listen Eine
MehrVerbund/Struktur (record/struct)
Arrays. Iteratoren. Verbund/Struktur (record/struct) Ein Verbund oder Struktur ist eine statische Datenstruktur Ein Verbund ist eine Menge von Elementen (meistens von unterschiedlichen Typen), die eine
MehrAndere Arten von Listen. Vorlesung 4
Andere Arten von Listen Vorlesung 4 Listen Vorige Woche: Einfach verkettete Listen (singly linked lists) Doppelt verkettete Listen (doubly linked lists) Heute betrachten wir: Sortierte Listen (sorted list/
MehrDatenstrukturen und Algorithmen. Vorlesung 10
Datenstrukturen und Algorithmen Vorlesung 10 Hashtabelle als Erinnerung Hashtabellen sind Tabellen (Arrays), wo aber die Elemente nicht von links nach rechts eingefügt werden, wie bei typischen Arrays
MehrB6.1 Introduction. Algorithmen und Datenstrukturen. Algorithmen und Datenstrukturen. B6.1 Introduction. B6.3 Analyse. B6.4 Ordnungsbasierte Methoden
Algorithmen und Datenstrukturen 11. April 2018 B6. Binäre Suchbäume a Algorithmen und Datenstrukturen B6. Binäre Suchbäume 1 Marcel Lüthi and Gabriele Röger Universität Basel 11. April 2018 a Folien basieren
MehrAlgorithmen und Datenstrukturen. Algorithmen und Datenstrukturen. B6.1 Einführung. B6.2 Symboltabellen. B6.3 Einfache Implementationen
Algorithmen und Datenstrukturen 03. April 2019 B6. Symboltabellen a Algorithmen und Datenstrukturen B6. Symboltabellen 1 Marcel Lüthi and Gabriele Röger Universität Basel 03. April 2019 a Folien basieren
MehrMengen und Multimengen
Überblick 17. Datenstrukturen 17.1 Einleitung 17.2 Listen 17.3 Assoziative Speicher 17.4 Bäume 17.5 Mengen 17.6 Das Collections-Framework in Java 17.7 Zusammenfassung 17 Datenstrukturen 5 Mengen Informatik
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Sortierte Folgen Maike Buchin 30.5., 1.6., 13.6.2017 Sortierte Folgen Häufiges Szenario: in einer Menge von Objekten mit Schlüsseln (aus geordnetem Universum) sollen Elemente
MehrJAVA KURS COLLECTION
JAVA KURS COLLECTION COLLECTIONS Christa Schneider 2 COLLECTION Enthält als Basis-Interface grundlegende Methoden zur Arbeit mit Collections Methode int size() boolean isempty() boolean contains (Object)
MehrMengen und Multimengen
Überblick 21. Datenstrukturen 21.1 Einleitung 21.2 Listen 21.3 Assoziative Speicher 21.4 Bäume 21.5 Mengen 21.6 Das Collections-Framework in Java 21 Datenstrukturen 5 Mengen Einf. Progr. (WS 08/09) 870
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / Vorlesung 10, Donnerstag 9.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 10, Donnerstag 9. Januar 2014 (Verkettete Listen, Binäre Suchbäume) Junior-Prof. Dr.
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 7 (21.5.2014) Binäre Suche, Hashtabellen I Algorithmen und Komplexität Abstrakte Datentypen : Dictionary Dictionary: (auch: Maps, assoziative
MehrAlgorithmen & Datenstrukturen Midterm Test 2
Algorithmen & Datenstrukturen Midterm Test 2 Martin Avanzini Thomas Bauereiß Herbert Jordan René Thiemann
Mehr3. Übungsblatt zu Algorithmen I im SoSe 2017
Karlsruher Institut für Technologie Prof. Dr. Jörn Müller-Quade Institut für Theoretische Informatik Björn Kaidel, Sebastian Schlag, Sascha Witt 3. Übungsblatt zu Algorithmen I im SoSe 2017 http://crypto.iti.kit.edu/index.php?id=799
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / Vorlesung 10, Donnerstag 8.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 10, Donnerstag 8. Januar 2015 (Verkettete Listen, Binäre Suchbäume) Junior-Prof. Dr.
MehrTeil 1: Suchen. Ausgeglichene Bäume B-Bäume Digitale Suchbäume. M.O.Franz, Oktober 2007 Algorithmen und Datenstrukturen - Binärbäume 1-1
Teil : Suchen Problemstellung Elementare Suchverfahren Hashverfahren Binäre Suchbäume (Wiederholung aus Prog 2) Bäume: Begriffe, Eigenschaften und Traversierung Binäre Suchbäume Gefädelte Suchbäume Ausgeglichene
MehrDatenstrukturen und Algorithmen. Vorlesung 14
Datenstrukturen und Algorithmen Vorlesung 14 Inhaltsverzeichnis Vorige Woche: Binäre Suchbäume AVL Bäume Heute betrachten wir: AVL Bäume Prüfung AVL Bäume Definition: Ein AVL (Adelson-Velskii Landis) Baum
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 9 (28.5.2014) Hashtabellen III Algorithmen und Komplexität Offene Adressierung : Zusammenfassung Offene Adressierung: Alle Schlüssel/Werte
MehrGRUNDLAGEN VON INFORMATIONSSYSTEMEN INDEXSTRUKTUREN I: B-BÄUME UND IHRE VARIANTEN
Informationssysteme - Indexstrukturen I: B-Bäume und ihre Varianten Seite 1 GRUNDLAGEN VON INFORMATIONSSYSTEMEN INDEXSTRUKTUREN I: B-BÄUME UND IHRE VARIANTEN Leiter des Proseminars: Dr.Thomas Bode Verfasser
MehrCollections. Arthur Zaczek. Nov 2015
Arthur Zaczek Nov 2015 1 Collections 1.1 Definition Anhäufung von Objekten Werte können hinzugefügt, gesucht und gelöscht werden Implementierung mit verschiedenen Algorithmen, je nach Nutzung 1.2 Grundlegende
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
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2017 Patrick Schäfer, Humboldt-Universität zu Berlin Agenda: Kürzeste Wege, Heaps, Hashing Heute: Kürzeste Wege: Dijkstra Heaps: Binäre Min-Heaps Hashing:
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
MehrSuchbäume. Suchbäume. Einfügen in Binären Suchbäumen. Suchen in Binären Suchbäumen. Prinzip Suchbaum. Algorithmen und Datenstrukturen
Suchbäume Suchbäume Prinzip Suchbaum Der Wert eines Knotens wird als Schlüssel verstanden Knoten kann auch weitere Daten enthalten, die aber hier nicht weiter betrachtet werden Werte der Schlüssel müssen
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
MehrDynamische Datenstrukturen
Dynamische Datenstrukturen B-Bäume größere Datenmengen verwalten Extern speichern Art der Speicherung berücksichtigen sonst kein optimaler Datenzugriff möglich Art der Speicherung großer Datenmengen Magnetplatten
MehrTutoraufgabe 1 (Implementierung eines ADTs):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS Tutoriumslösung - Übung (Abgabe.05.0) F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe (Implementierung eines ADTs): Wir spezifizieren den ADT
MehrSuchstrukturen. Übersicht. 8 Suchstrukturen. Allgemeines. H. Täubig (TUM) GAD SS
Übersicht 8 Suchstrukturen Allgemeines Binäre Suchbäume AVL-Bäume H. Täubig (TUM) GAD SS 14 309 Allgemeines Übersicht 8 Suchstrukturen Allgemeines Binäre Suchbäume AVL-Bäume H. Täubig (TUM) GAD SS 14 310
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
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:
MehrÜbung Algorithmen I
Übung Algorithmen I 10.5.17 Sascha Witt sascha.witt@kit.edu (Mit Folien von Lukas Barth, Julian Arz, Timo Bingmann, Sebastian Schlag und Christoph Striecks) Roadmap Listen Skip List Hotlist Amortisierte
MehrOCP Java SE 8. Collections
OCP Java SE 8 Collections Collections (Interfaces) Iterable Collection Set List Queue SortedSet Deque Collection List erlaubt Duplikate und null behält die Reihenfolge Set erlaubt keine Duplikate Queue
MehrMengen. Binäre Suchbäume. Mengen: Anwendungen (II) Mengen: Lösung mit Listen 12/3/12. Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps
// Mengen Binäre Suchbäume Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps n Ziel: ufrechterhalten einer Menge (hier: ganzer Zahlen) unter folgenden Operationen: n eines Elements n eines Elements
MehrJava Einführung Collections
Java Einführung Collections Inhalt dieser Einheit Behälterklassen, die in der Java API bereitgestellt werden Wiederholung Array Collections (Vector, List, Set) Map 2 Wiederholung Array a[0] a[1] a[2] a[3]...
Mehr13. Hashing. AVL-Bäume: Frage: Suche, Minimum, Maximum, Nachfolger in O(log n) Einfügen, Löschen in O(log n)
AVL-Bäume: Ausgabe aller Elemente in O(n) Suche, Minimum, Maximum, Nachfolger in O(log n) Einfügen, Löschen in O(log n) Frage: Kann man Einfügen, Löschen und Suchen in O(1) Zeit? 1 Hashing einfache Methode
MehrAnwendungsbeispiel MinHeap
Anwendungsbeispiel MinHeap Uns seien n ganze Zahlen gegeben und wir möchten darin die k größten Zahlen bestimmen; zudem gelten, dass n deutlich größer als k ist Wir können das Problem mit Laufzeit in O(n
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
MehrKapitel 4: Bäume i. 1. Einleitung. 2. Ein Datenmodell für Listen. 3. Doppelt-verkettete Listen. 4. Bäume. 5. Das Collections-Framework in Java
Kapitel 4: Bäume i 1. Einleitung 2. Ein Datenmodell für Listen 3. Doppelt-verkettete Listen 4. Bäume 5. Das Collections-Framework in Java Prof. Dr. Peer Kröger: EiP (WS 18/19) Teil 11: Datenstrukturen
MehrNützliche Utility-Klassen des JDK
Nützliche Utility-Klassen des JDK java.util :, Properties, I18N, Scanner java.text : Ausgabeformatierung u.a. java.util.prefs : Hierarchische Konfigurationsdaten (1.5) java.util.logging : Aufzeichnung
MehrAlgorithmen & Datenstrukturen 2 Praktikum 1
Algorithmen & Datenstrukturen 2 Praktikum 1 Thema: Binomial Heaps Sommersemester 2016 Prof. Dr. Christoph Karg Hochschule Aalen Ziel dieses Praktikums ist es, die Binomial Heap Datenstruktur in Form einer
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Suchen. Lineare Suche. Such-Algorithmen. Sommersemester Dr.
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Fortgeschrittene Datenstrukturen Such-Algorithmen
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 9 (25.5.2016) Hashtabellen II, Binäre Suchbäume I Algorithmen und Komplexität Hashtabellen mit Chaining Jede Stelle in der Hashtabelle
MehrSTL-Container und Laufzeit
STL-Container und Laufzeit Eine Übersicht Höhere Programmierung / C++ Yannick Kaiser, LMU 1 C++11 Array konstanter Länge, die bei der Initalisierung angegeben werden muss STL-Kapselung für klassische
MehrCollections. Arthur Zaczek
Collections Arthur Zaczek Nov 2015 1/31 Collections Collections 2/31 Definition Anhäufung von Objekten Werte können hinzugefügt, gesucht und gelöscht werden Implementierung mit verschiedenen Algorithmen,
MehrInformatik. Pointer (Dynamisch) Vorlesung. 17. Dezember 2018 SoSe 2018 FB Ing - SB Umwelttechnik und Dienstleistung - Informatik Thomas Hoch 1
Informatik Vorlesung 08 Pointer (Dynamisch) 17. Dezember 2018 SoSe 2018 FB Ing - SB Umwelttechnik und Dienstleistung - Informatik Thomas Hoch 1 Pointer (Zeiger) Dynam. Speicher Bisher: Speicherbedarf muss
MehrDatenstrukturen sind neben Algorithmen weitere wichtige Bausteine in der Informatik
5. Datenstrukturen Motivation Datenstrukturen sind neben Algorithmen weitere wichtige Bausteine in der Informatik Eine Datenstruktur speichert gegebene Daten und stellt auf diesen bestimmte Operationen
MehrDatenstrukturen. Ziele
Datenstrukturen Ziele Nutzen von Datenstrukturen Funktionsweise verstehen Eigenen Datenstrukturen bauen Vordefinierte Datenstrukturen kennen Hiflsmethoden komplexer Datenstrukten kennen Datenstrukturen
Mehr19 Collections Framework
Collection = Containterklasse, die andere Objekte enthält. Inhalte: Schnittstellen Implementierungen Algorithmen Vorteile: Einheitlicher Zugriff auf Containerobjekte. Abstraktion von den Implementierungsdetails.
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.
Mehr12 Collections Framework. Interfaces Maps and Collections. Collection Interface. Überblick. Collection = Containterklasse, die andere Objekte enthält.
Collection = Containterklasse, die andere Objekte enthält. Inhalte: Schnittstellen Implementierungen Algorithmen Interfaces Maps and Collections Iterable Collection Map Vorteile: Set List Queue SortedMap
MehrEinführung in die STL
Einführung in die STL Fimberger Lucia lfimberg@cosy.sbg.ac.at Nidetzky Marion mnidetzk@cosy.sbg.ac.at Was ist die STL? Abkürzung für Standard Template Library Eine generische Bibliothek Ist kaum objektorientiert,
Mehr19 Collections Framework
Collection = Containterklasse, die andere Objekte enthält. Inhalte: Schnittstellen Implementierungen Algorithmen Vorteile: Einheitlicher Zugriff auf Containerobjekte. Abstraktion von den Implementierungsdetails.
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 11, Donnerstag, 15.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 11, Donnerstag, 15. Januar 2015 (Balancierte Suchbäume) Junior-Prof. Dr. Olaf Ronneberger
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Hashing Maike Buchin 2. und 4.5.2017 Motivation häufig werden Daten anhand eines numerischen Schlüssel abgespeichert Beispiele: Studenten der RUB nach Matrikelnummer Kunden einer
MehrSoftware Entwicklung 1
Software Entwicklung 1 Annette Bieniusa / Arnd Poetzsch-Heffter AG Softech FB Informatik TU Kaiserslautern Datenstruktur Liste Bieniusa/Poetzsch-Heffter Software Entwicklung 1 2/ 42 Formale Definition
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 8 (14.5.2018) Hashtabellen III Algorithmen und Komplexität Hashtabellen mit Chaining Jede Stelle in der Hashtabelle zeigt auf eine verkette
MehrWas ist ein assoziativer Speicher?
Überblick 17. Datenstrukturen 17.1 Einleitung 17.2 Listen 17.3 Assoziative Speicher 17.4 Bäume 17.5 Mengen 17.6 Das Collections-Framework in Java 17.7 Zusammenfassung 17 Datenstrukturen 3 Assoziative Speicher
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 8 (13.5.2016) Hashtabellen I Algorithmen und Komplexität Dictionary mit sortiertem Array Laufzeiten: create: O(1) insert: O(n) find: O(log
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 6 (7.5.2018) Dictionaries, Binäre Suche, Hashtabellen I / Yannic Maus Algorithmen und Komplexität Abstrakte Datentypen : Dictionary Dictionary:
MehrAlgorithmen und Datenstrukturen. Algorithmen und Datenstrukturen. B3.1 Einführung. B3.2 Verkettete Liste. B3.3 Bäume
Algorithmen und Datenstrukturen 22. März 2018 B3. Verkettete Listen und Bäume Algorithmen und Datenstrukturen B3. Verkettete Listen und Bäume B3.1 Einführung Marcel Lüthi and Gabriele Röger B3.2 Verkettete
Mehr11. Elementare Datenstrukturen
11. Elementare Datenstrukturen Definition 11.1: Eine dynamische Menge ist gegeben durch eine oder mehrer Mengen von Objekten sowie Operationen auf diesen Mengen und den Objekten der Mengen. Dynamische
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
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2018 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Organisatorisches: Keine Vorlesung nächste Woche wegen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen B3. Verkettete Listen und Bäume Marcel Lüthi and Gabriele Röger Universität Basel 22. März 2018 Einführung Abstrakter Datentyp / Datenstruktur Abstrakter Datentyp Eine Menge
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (07 - Skiplisten) Prof. Dr. Susanne Albers
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (07 - Skiplisten) Prof. Dr. Susanne Albers Skiplisten. Perfekte Skiplisten 2. Randomisierte Skiplisten 3. Verhalten von randomisierten Skiplisten
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,
MehrInformatik II Bäume zum effizienten Information Retrieval
lausthal Informatik II Bäume zum effizienten Information Retrieval. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Binäre Suchbäume (binary search tree, BST) Speichere wieder Daten als "Schlüssel
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Prioritätswarteschlangen Maike Buchin 18. und 23.5.2017 Prioritätswarteschlange Häufiges Szenario: dynamische Menge von Objekten mit Prioritäten, z.b. Aufgaben, Prozesse, in der
MehrDatenstrukturen und Algorithmen D-INFK
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
MehrTemplate-Klasse Eigenschaften Voraussetzungen Anwendungsgebiete std::vector<t> Reine Sequenz von Ts; Standard* Sortieren Dynamische Größenveränderung
STL Container-Klassen Template-Klasse Eigenschaften Voraussetzungen Anwendungsgebiete std::vector Reine Sequenz von Ts; Sortieren Dynamische Größenveränderung Binäre Suche kein Verwaltungsoverhead Heaps
MehrHashmap: Video Erklärung
Hashmap Hashmap: Video Erklärung Definition und Motivation Array: Zugriff über Index=Zahl Wert(Value) Schlüssel(Key) Maier, Klaus 21 Array Hashtag: Zugriff über einen nichtnumerischen Wert 06431 92310
MehrÜbersicht. Einfache Suche Binäre Suchbäume Hashing Skip-Lists Mengen Sortieren Order-Statistics. 2 Suchen und Sortieren
Übersicht 2 Einfache Suche Binäre Suchbäume Skip-Lists Mengen Sortieren Order-Statistics (Folie 103, Seite 46 im Skript) Wie können wir eine partielle Funktion {1,..., n} N effizient speichern? Wie können
MehrTechnische Universität München SoSe 2015 Institut für Informatik I Mai 2015 Dr. Tobias Lasser. Aufgabe 1 Rechnen mit Landau-Symbolen
Technische Universität München SoSe 2015 Institut für Informatik I-16 27. Mai 2015 Dr. Tobias Lasser Lösungsvorschläge zur Musterklausur zu Algorithmen und Datenstrukturen Aufgabe 1 Rechnen mit Landau-Symbolen
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:
MehrInformatik II: Algorithmen und Datenstrukturen SS 2015
Informatik II: Algorithmen und Datenstrukturen SS 2015 Vorlesung 8b, Mittwoch, 17. Juni 2015 (Balancierte Suchbäume) Prof. Dr. Hannah Bast Lehrstuhl für Algorithmen und Datenstrukturen Institut für Informatik
MehrAssoziative Container in C++ Christian Poulter
Assoziative Container in C++ Christian Poulter Seminar: Die Sprache C++ Mat-Nr.: 53 03 129 EMail: inf@poulter.de Christian Poulter Assoziative Container in C++ Seite 1/10 Inhalt 1. Einleitung: Container...
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 23.6.2016 Giuseppe Accaputo g@accaputo.ch 1 Programm für heute Repetition Datenstrukturen Unter anderem Fragen von gestern Point-in-Polygon Algorithmus Shortest
MehrAbgabe: (vor der Vorlesung) Aufgabe 7.1 (P) Binomial Heap
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 7 Prof. Dr. Helmut Seidl, S. Pott,
MehrDatenstrukturen und Algorithmen. Vorlesung 9
Datenstrukturen und Algorithmen Vorlesung 9 Inhaltsverzeichnis Vorige Woche: ADT Deque ADT Prioritätsschlange Binomial-Heap Heute betrachten wir: Aufgaben Hashtabellen Aufgabe I Rot-Schwarz Kartenspiel:
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.
MehrRechtsbelehrung. Java und OOP Das Buch Christian Silberbauer 144
Rechtsbelehrung Dieser Foliensatz ist urheberrechtlich geschützt. Änderungen an den Folien sind untersagt. Ausschließlich eine nicht-kommerzielle Nutzung ist kostenfrei. Andernfalls wird eine Gebühr fällig.
MehrÜbung Datenstrukturen. Bäume
Übung Datenstrukturen Bäume Übung Binärbaum 7 2 10 1 3 5 9 34 8 7 11 13 17 7 25 19 3 Aufgabe 1 Geben Sie die Reihenfolge der besuchten Knoten nach Prä-, In-, Post- und Levelorder an! Übung Binärbaum Aufgabe
MehrRandomisierte Datenstrukturen
Seminar über Algorithmen DozentInnen: Helmut Alt, Claudia Klost Randomisierte Datenstrukturen Ralph Schäfermeier 13. 2. 2007 Das Verwalten von Mengen, so dass ein schneller Zugriff auf deren Elemente gewährleistet
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 17 (8.7.2014) Minimale Spannbäume II Union Find, Prioritätswarteschlangen Algorithmen und Komplexität Minimaler Spannbaum Gegeben: Zus. hängender,
MehrEinstieg in die Informatik mit Java
1 / 15 Einstieg in die Informatik mit Java Collections Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 15 1 Überblick Collections 2 Hierarchie von Collections 3 Verwendung
MehrBeispiellösungen zu den Übungen Datenstrukturen und Algorithmen SS 2008 Blatt 6
Robert Elsässer u.v.a. Paderborn, 29. Mai 2008 Beispiellösungen zu den Übungen Datenstrukturen und Algorithmen SS 2008 Blatt 6 Aufgabe 1 (6 Punkte): Zunächst sollte klar sein, daß ein vollständiger Binärer
MehrAbgabe: (vor der Vorlesung) Aufgabe 3.1 (P) Master-Theorem
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 3 Prof. Dr. Helmut Seidl, S. Pott,
MehrAbstract Data Structures
Abstract Data Structures October 16, 2012 Algorithms & Datastructures 2 Exercises WS 2012 Dipl.-Ing. University Linz, Institute for Pervasive Computing Altenberger Straße 69, A-4040 Linz kurz@pervasive.jku.at
MehrGrundlagen der Algorithmen und Datenstrukturen Kapitel 7
Grundlagen der Algorithmen und Datenstrukturen Kapitel 7 Christian Scheideler + Helmut Seidl SS 2009 27.05.09 Kapitel 7 1 Wörterbuch S: Menge von Elementen Jedes Element e identifiziert über e.key(). Operationen:
Mehr5. Vorrangwarteschlangen - Priority Queues
5. Vorrangwarteschlangen - Priority Queues Priority Queues unterstützen die Operationen Insert(), Delete(), ExtractMin(), FindMin(), DecreaseKey(), Merge(). Priority Queues per se sind nicht für IsElement()-Anfragen,
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen B4. Priority Queues und Heaps Marcel Lüthi and Gabriele Röger Universität Basel 28. März 2018 Einführung Kollektion von Elementen Grundlegende Operationen sind Einfügen
Mehr