Übersicht. Datenstrukturen und Algorithmen. Die Teile-und-Beherrsche-Methode. Übersicht. Vorlesung 3: Rekursionsgleichungen (K4)
|
|
- Heinrich Kurzmann
- vor 5 Jahren
- Abrufe
Transkript
1 Datenstrukturen und Algorithmen Vorlesung 3: (K4) 1 e für rekursive Algorithmen Prof. Dr. Erika Ábrahám 2 Theorie Hybrider Systeme Informatik 2 datenstrukturen-und-algorithmen/ Diese Präsentation verwendet in Teilen Folien von Joost-Pieter Katoen. 3 Lösen von 24. April 2014 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 2/36 e für rekursive Algorithmen e für rekursive Algorithmen Die Teile-und-Beherrsche-Methode 1 e für rekursive Algorithmen 2 3 Lösen von Teile-und-Beherrsche (divide-and-conquer) Teile das Problem in eine Anzahl von Teilproblemen auf Beherrsche die Teilprobleme kleine Teilprobleme: direktes Lösen große Teilprobleme: Teile-und-Beherrsche Verbinde die Lösungen der Teilprobleme zur Lösung des Ausgangsproblems Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 3/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 4/36
2 e für rekursive Algorithmen e für rekursive Algorithmen Summenberechnung Pascalsches Dreieck Iterative Berechnung (n IN) sum(n) = Rekursive Berechnung (n IN) n i 0 falls n = 0 sum(n) = sum(n 1) + n sonst Rekursive Berechnung (n, m IN, m n) pas(n, m) = 1 falls m = 0 m = n pas(n 1, m 1) + pas(n 1, m) sonst. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 5/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 6/36 e für rekursive Algorithmen Multiplikation von Binärzahlen der Länge n Bisher: Addition und Multiplikation haben Zeitaufwand O(1) Addition: O(n) Bitoperationen Multiplikation: Auch O(n)? 1. Multiplikationsalgorithmus (a 1... a n ) (b 1... b n ) = (a 1... a n ) b 1 (a 1... a n ) b 2... (a 1... a n ) b n Summenbildung n 1 Additionen von Zahlen der Länge 2n O(n 2 )! e für rekursive Algorithmen Multiplikation von Binärzahlen der Länge n Beobachtung Seien a, b Binärzahlen mit n = 2 m bits. Dann a = a 1... a n/2 a n/ a n b = b 1... b n/2 b n/ b n }}}}}}}} a a b b a b = (a 2 n 2 + a ) (b 2 n 2 + b ) = a b 2 n + a b 2 n 2 + a b 2 n 2 + a b 2. Multiplikationsalgorithmus a b falls n = 1 mul(a, b, n) = mul(a, b, n 2 ) 2n + mul(a, b, n 2 ) 2 n 2 + mul(a, b, n 2 ) 2 n 2 + mul(a, b, n 2 ) sonst. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 7/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 8/36
3 1 e für rekursive Algorithmen Rekursionsgleichung 2 3 Lösen von Eine Rekursionsgleichung ist eine Gleichung oder eine Ungleichung, die eine Funktion durch ihre eigenen Funktionswerte für kleinere Eingaben beschreibt. Wir benutzen um die Laufzeit von rekursiven Algorithmen zu beschreiben. Zur Ermittlung der Laufzeit lösen wir diese Gleichungen. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 9/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 10/36 für O(Worst-Case-Laufzeit) für Worst-Case-Laufzeit Rekursionsgleichung für eine obere Grenze der Worst-Case Laufzeit T A (n) eines Algorithmus A mit Parameterlänge n aufstellen Elementare Operationen und ihre Kosten werden bestimmt. Bei sequentieller Komposition werden die Kosten addiert. Bei bedingter Verzweigung wird das Maximum der beiden Zweige genommen. Der Aufruf eines Unterprogrammes B mit Parameterlänge f (n) wird mit den Kosten T B (f (n)) der Ausführung des Unterprogrammes versehen. Auch rekursive Aufrufe werden wie Unterprogramm-Aufrufe behandelt. : Teile-und-Beherrsche (divide-and-conquer) Teile das Problem in eine Anzahl von Teilproblemen auf Beherrsche die Teilprobleme kleine Teilprobleme: direktes Lösen große Teilprobleme: Teile-und-Beherrsche Verbinde die Lösungen der Teilprobleme zur Lösung des Ausgangsproblems Laufzeit = Laufzeit Teilen + Laufzeit Beherrschen + Laufzeit Verbinden Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 11/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 12/36
4 Summenberechnung Pascalsches Dreieck Rekursive Berechnung (n IN) Laufzeit 0 falls n = 0 sum(n) = sum(n 1) + n sonst. T sum (n) = 0 falls n = T sum (n 1) + 1 sonst. Rekursive Berechnung (n, m IN, m n) pas(n, m) = Laufzeit 1 falls m = 0 m = n pas(n 1, m 1) + pas(n 1, m) sonst. T pas (n, m) = 0 falls m = 0 m = n 3 + T pas (n 1, m 1) + T pas (n 1, m) + 1 sonst. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 13/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 14/36 Multiplikation von Binärzahlen der Länge n Lösen von 2. Multiplikationsalgorithmus a b falls n = 1 mul(a, b, n) = mul(a, b, n 2 ) 2n + mul(a, b, n 2 ) 2 n 2 + mul(a, b, n 2 ) 2 n 2 + mul(a, b, n 2 ) sonst. 1 e für rekursive Algorithmen 2 Laufzeit 1 falls n = 1 T mul (n) = d 1 n + 4 T mul ( n 2 ) + d 2 n sonst. 3 Lösen von Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 15/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 16/36
5 Lösen von Ansätze zur Lösung von Lösen von Lösungsansätze Substitutionsmethode: Lösung raten, per Induktion Korrektheit beweisen Rekursionsbaum-Methode: Rekursionsbaum aufstellen, Summenformeln beschränken : Liefert Lösungen für einer bestimmten Form, einfach aber nicht immer anwendbar Substitutionsmethode besteht aus zwei Schritten: 1. Rate die Form der Lösung, durch z.b. durch scharfes Hinsehen oder kurze Eingaben ausprobieren und einsetzen. 2. Vollständige Induktion um die Konstanten zu finden und zu zeigen, dass das Geratene eine Lösung ist. Bemerkungen Diese Methode ist sehr leistungsfähig, aber kann nur angewendet werden wenn es relativ einfach ist, die Form der Lösung zu erraten. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 17/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 18/36 Lösen von Substitutionsmethode: Summenberechnung Laufzeit 0 falls n = 0 T sum (n) = T sum (n 1) + 2 sonst. Vermutung: T sum (n) O(n) Zeige: c > 0. n 0 0. n n 0. T sum (n) c n Induktionsanfang n 0 = 0: T sum (0) = 0 c 0 for all c > 0. Induktionsannahme: T sum (k) c k für alle 0 k < n Induktionsschritt: T sum (n) = T sum (n 1) + 2 c (n 1) + 2 = c n + (2 c) c n für c 2. Lösen von : Annahmenverstärkung Induktiv vs. invariant Eine asymptotische Schranke kann nicht immer direkt mit der vollständigen Induktion bewiesen werden. induktiv invariant T (n) = T ( n/2 ) + T ( n/2 ) + 1 T (n) O(n) Zu zeigen: c > 0. n 0 0. n n 0. T (n) c n T (n) = T ( n/2 )+T ( n/2 )+1 c n/2 +c n/2 +1 = c n + 1 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 19/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 20/36
6 Lösen von : Annahmenverstärkung T (n) = T ( n/2 ) + T ( n/2 ) + 1 T (n) O(n) Zu zeigen: c > 0. n 0 0. n n 0. T (n) c n T (n) = T ( n/2 )+T ( n/2 )+1 c n/2 +c n/2 +1 = c n + 1 Verstärke die Invariante und zeige T (n) O(n 1) und n 1 O(n) Zu zeigen: c > 0. n 0 0. n n 0. T (n) c (n 1) T (n) = T ( n/2 ) + T ( n/2 ) + 1 c( n/2 1) + c( n/2 1) + 1 = c (n 1) + (1 c) c (n 1) für c 1. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 21/36 Lösen von : Variablentransformation Manchmal hilft eine Variablentransformation beim Lösen. T (n) = 2 T ( n ) + log n für n > 0 (Im Folgenden vernachlässigen wir die Rundung von Werten.) T (n) = 2 T ( n) + log n Variablentransformation m = log n ( T (2 m ) = 2 T 2 m/2) + m Umbenennung T (2 m ) = S(m) S(m) = 2 S(m/2) + m Substitutionsmethode S(m) c m log m S(m) O (m log m) m = log n T (n) O (log n log log n) Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 22/36 1 e für rekursive Algorithmen 2 3 Lösen von Lösen von Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 23/36 Lösen von Raten der Lösung durch Grundidee Stelle das Ineinander-Einsetzen als Baum dar, indem man Buch über das aktuelle Rekursionsargument und die nichtrekursiven Kosten führt. Rekursionsbaum 1. Jeder Knoten stellt die Kosten eines Teilproblems dar. Die Wurzel stellt die zu analysierenden Kosten T (n) dar. Die Blätter stellen die Kosten der Basisfälle dar, z.b. T (0) oder T (1). 2. Wir summieren die Kosten innerhalb jeder Ebene des Baumes. 3. Die Gesamtkosten := summieren über die Kosten aller Ebenen. Hinweis Ein Rekursionsbaum ist sehr nützlich, um eine Lösung zu raten, die dann mit Hilfe der Substitutionsmethode überprüft werden kann. Der Baum selber reicht jedoch meistens nicht als Beweis. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 24/36
7 Lösen von Lösen von Rekursionsbaum: Der Rekursionsbaum von T (n) = 3 + n sieht etwa so aus: Rekursionsbaum: log 4 n T (n) n n 3 Aktuelles Rekursionsargument T (n) n Nichtrekursive Kosten T () T () T () T () T () T () 9 T () T () T () T () T () T () T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (n) = 3 log 4 n = n log 4 3 log 4 n 1 }} Summe über alle Ebenen ( ) 3 i n 4 }} Kosten pro Ebene + c n log 4 3 }} Gesamtkosten für die Blätter mit T (1) = c Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 25/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 26/36 Rekursionsbaum: Lösen von Eine obere Schranke für die Komplexität erhält man nun folgendermaßen: T (n) = < = log 4 n 1 ( 3 4 ) i n + c n log 4 3 Vernachlässigen kleinerer Terme ( ) 3 i n + c n log 4 3 Geometrische Reihe (3/4) n + c nlog 4 3 Umformen = 4 n + c n log 4 3 Asymptotische Ordnung bestimmen setze ein, dass log 4 3 < 1 T (n) O(n). Korrektheit Lösen von Wir können die Substitutionsmethode benutzen, um die Vermutung zu bestätigen dass: T (n) O(n) eine obere Schranke von T (n) = 3 + n ist. T (n) = 3 + n 3c + n = 3 4 c n + n = Induktionshypothese ( 3 4 c + 1 ) n für c 4 folgt: c n Und wir stellen fest, dass es ein n 0 gibt, sodass T (n 0 ) c n 0 ist. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 27/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 28/36
8 Lösen von Lösen von 1 e für rekursive Algorithmen 2 3 Lösen von Allgemeine Form der Rekursionsgleichung Eine Rekursionsgleichung für die Komplexitätsanalyse sieht meistens folgendermaßen aus: ( ) n T (n) = a T + f (n) b wobei a > 0, b > 1 gilt und f (n) eine gegebene Funktion ist. Intuition: Das zu analysierende Problem teilt sich jeweils in a Teilprobleme auf Jedes dieser Teilprobleme hat die Größe n b Die Kosten für das Aufteilen eines Problems und Kombinieren der Teillösungen sind f (n). Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 29/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 30/36 Lösen von Erinnerung: Rekursionsbaum T (n) = a T ( ) n b + f (n) log b n T (n/b 2 ) f (n/b 2 ) T (n/b) f (n/b)... T (n/b 2 ) f (n/b 2 ) T (n) f (n)... T (n/b) f (n/b) T (n/b 2 ) f (n/b 2 )... T (n/b 2 ) f (n/b 2 ) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (1) T (n) = log b n 1 }} Summe über alle Ebenen a log b n = n log b a a i f (n/b i) }} Kosten pro Ebene + c n log b a }} Gesamtkosten für die Blätter mit T (1) = c f (n) af (n/b) a 2 f (n/b 2 ) Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 31/36 Das T (n) = a T Lösen von ( n b ) + f (n) mit a 1 und b > 1. Anzahl der Blätter im Rekursionsbaum: n E mit E = log b a. Wenn Dann 1. f (n) O(n E ε ) für ein ε > 0 T (n) Θ(n E ) 2. f (n) Θ(n E ) T (n) Θ(n E log n) 3. f (n) Ω(n E+ε ) für ein ε > 0 und a f (n/b) d f (n) für ein d < 1 und n hinreichend groß T (n) Θ(f (n)) Bemerke, dass das nicht alle Fälle abdeckt. Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 32/36
9 Das verstehen Lösen von In jedem der 3 Fälle wird die Funktion f (n) mit n E = n log b a verglichen. : Intuition Wenn Dann 1. f (n) polynomiell kleiner ist als n E T (n) Θ(n E ) 2. f (n) und n E die gleiche Größe haben T (n) Θ(n E log n) 3. f (n) ist polynomiell größer als n E und erfüllt a f (n/b) d f (n) Nicht abgedeckte Fälle: T (n) Θ(f (n)) 1. f (n) ist kleiner als n E, jedoch nicht polynomiell kleiner. 2. f (n) ist größer als n E, jedoch nicht polynomiell größer. 3. f (n) ist polynomiell größer als n E, erfüllt nicht a f (n/b) d f (n). Lösen von Anwendung des s T (n) = 4 T (n/2) + n Somit: a = 4, b = 2 und f (n) = n; E = log 4/ log 2 = 2. Da f (n) = n O(n 2 ε ), gilt Fall 1: T (n) Θ(n 2 ) T (n) = 4 T (n/2) + n 2 Somit: a = 4, b = 2 und f (n) = n 2 ; E = log 4/ log 2 = 2. Da f (n) = n 2 O(n 2 ε ), gilt Fall 1 nicht. Aber weil f (n) = n 2 Θ(n 2 ), gilt Fall 2: T (n) Θ(n 2 log n) Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 33/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 34/36 Lösen von Anwendung des s T (n) = 4 T (n/2) + n 3 Somit: a = 4, b = 2 und f (n) = n 3 ; E = log 4/ log 2 = 2. Wegen E = 2 gelten Fälle 1 und 2 offenbar nicht. Da f (n) = n 3 Ω(n 2+ε ) für ε = 1, könnte Fall 3 gelten. Überprüfe: gilt f (n/2) d 4 f (n) für ein d < 1 und hinreichend große n? Dies liefert 1 8 n3 d 4 n3, und dies gilt für alle 1 2 d < 1 (und n) Somit gilt Fall 3 tatsächlich und wir folgern: T (n) Θ(n 3 ) Lösen von Das ist nicht immer anwendbar T (n) = 4 T (n/2) + n2 log n Also gilt: a = 4, b = 2 und f (n) = n 2 / log n; E = 2. Fall 1 ist nicht anwendbar: n 2 / log n O(n 2 ε ), da f (n)/n 2 = (log n) 1 O(n ε ). Fall 2 ist nicht anwendbar: n 2 / log n Θ(n 2 ). Fall 3 ist nicht anwendbar: f (n) Ω(n 2+ε ), da f (n)/n 2 = (log n) 1 O(n +ε ). Das hilft hier überhaupt nicht weiter! Durch Substitution erhält man: T (n) Θ(n 2 log log n) Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 35/36 Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 36/36
VL-04: Rekursionsgleichungen. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger
VL-04: Rekursionsgleichungen (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger SS 2017, RWTH DSAL/SS 2017 VL-04: Rekursionsgleichungen 1/37 Organisatorisches Vorlesung: Gerhard Woeginger (Zimmer
MehrRekursionsbäume Aufstellen eines Baumes dessen Knoten die Laufzeit auf jeder Rekursionsstufe darstellen und Aufsummieren
Algorithmen und Datenstrukturen 74 3 Rekursionen Vor allem bei rekursiven Algorithmen besitzt die Laufzeitfunktion eine naheliegende rekursive Formulierung, d.h. die Laufzeitfunktion ist konstant für den
MehrÜbersicht. Datenstrukturen und Algorithmen. Rekursionsgleichungen. Übersicht. Vorlesung 6: Mastertheorem (K4) Joost-Pieter Katoen
Übersicht Datestrukture ud Algorithme Vorlesug 6: (K) Joost-Pieter Katoe Lehrstuhl für Iformatik 2 Software Modelig ad Verificatio Group 1 Substitutiosmethode Rekursiosbäume http://moves.rwth-aache.de/teachig/ss-15/dsal/
MehrÜbersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20.
Übersicht Datenstrukturen und Algorithmen Vorlesung 5: (K4) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.informatik.rwth-aachen.de/i2/dsal12/ 20.
MehrKapitel 2: Analyse der Laufzeit von Algorithmen Gliederung
Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / Vorlesung 9, Donnerstag 18.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 9, Donnerstag 18. Dezember 2014 (Teile und Herrsche, Mastertheorem) Junior-Prof. Dr.
MehrDatenstrukturen. Mariano Zelke. Sommersemester 2012
Datenstrukturen Mariano Zelke Sommersemester 2012 Mariano Zelke Datenstrukturen 2/19 Das Teilfolgenproblem: Algorithmus A 3 A 3 (i, j bestimmt den Wert einer maximalen Teilfolge für a i,..., a j. (1 Wenn
MehrÜbersicht. Datenstrukturen und Algorithmen. Divide-and-Conquer. Übersicht. Vorlesung 9: Quicksort (K7)
Datenstrukturen und Algorithmen Vorlesung 9: (K7) Joost-Pieter Katoen Algorithmus Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-5/dsal/ 2 7.
MehrAlgorithmen und Datenstrukturen Effizienz und Funktionenklassen
Algorithmen und Datenstrukturen Effizienz und Funktionenklassen Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Lernziele der Vorlesung Algorithmen Sortieren,
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
MehrAlgorithmen und Datenstrukturen 4. Vorlesung
Algorithmen und Datenstrukturen 4 Vorlesung Karl-Heinz Niggl 25 April 26 FG KTuEA, TU Ilmenau AuD 25426 Lösen von Rekursionsgleichungen Die worst-case Laufzeit T A eines rekursiven Algorithmus A ist oft
MehrAlgorithmen und Datenstrukturen SoSe 2008 in Trier. Henning Fernau Universität Trier
Algorithmen und Datenstrukturen SoSe 2008 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Algorithmen und Datenstrukturen Gesamtübersicht Organisatorisches / Einführung Grundlagen: RAM,
MehrAlgorithmenbegriff: Berechenbarkeit. Algorithmenanalyse. (Berechnung der Komplexität)
Über-/Rückblick Algorithmenbegriff: Berechenbarkeit Turing-Maschine RAM µ-rekursive Funktionen Zeit Platz Komplexität Algorithmentechniken Algorithmenanalyse (Berechnung der Komplexität) Rekursion Iteration
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.
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge von Datensätzen. Beispiele
MehrPräsenzübung Datenstrukturen und Algorithmen SS 2014
Prof. aa Dr. E. Ábrahám F. Corzilius, S. Schupp, T. Ströder Präsenzübung Datenstrukturen und Algorithmen SS 2014 Vorname: Nachname: Studiengang (bitte genau einen markieren): Informatik Bachelor Informatik
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
119 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Exponentielle Suche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 120 Das Suchproblem Gegeben
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Exponentielle Suche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 4 (30.4.2018) Sortieren IV Algorithmen und Komplexität Analyse Merge Sort Laufzeit T(n) setzt sich zusammen aus: Divide und Merge: O n
MehrÜbungen zu Algorithmentechnik WS 09/10
Übungen zu Algorithmentechnik WS 09/10 1. Kurzsitzung Thomas Pajor 22. Oktober 2009 1/ 25 Eure Übungsleiter Tanja Hartmann t.hartmann@kit.edu Raum 306, Gebäude 50.34 Thomas Pajor pajor@kit.edu Raum 322,
MehrKapitel 5: Paradigmen des Algorithmenentwurfs. 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 (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / Vorlesung 9, Donnerstag 19.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 9, Donnerstag 19. Dezember 2013 (Teile und Herrsche, Mastertheorem) Junior-Prof. Dr.
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 017 Marc Bux, Humboldt-Universität zu Berlin Agenda 1. Vorrechnen von Aufgabenblatt 1. Wohlgeformte Klammerausdrücke 3. Teile und Herrsche Agenda 1.
Mehr1 Raumwechsel: Gr. 15 (Do 10-12, F-235) ab sofort in G Studie zum Arbeitsverhalten von Studierenden unter Leitung
Organisatorisches Algorithmen und Datenstrukturen Kapitel 3: Divide & Conquer Frank Heitmann heitmann@informatik.uni-hamburg.de 1 Raumwechsel: Gr. 15 (Do 10-12, F-235) ab sofort in G-021. 2 Studie zum
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
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Untere Schranken für Sortieren Sortieren mit linearem Aufwand Mediane und Ranggrössen 2 Wie schnell können wir sortieren?
Mehr( )= c+t(n-1) n>1. Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften Ziel: Methoden kennen
Mehr1. Übung zur Vorlesung Algorithmentechnik am
1. Übung zur Vorlesung Algorithmentechnik am 23.10.2008 1/ 52 Übersicht Organisatorisches Landau-Symbole & Laufzeiten Amortisierte Analyse Rekursionsauflösung Heaps und Fibonacci Heaps 2/ 52 Organisatorisches
MehrStand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Technische Universität München Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften
Mehr1. Asymptotische Notationen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. String Matching 5. Ausgewählte Datenstrukturen
Gliederung 1. Asymptotische Notationen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. String Matching 5. Ausgewählte Datenstrukturen 1/1, Folie 1 2009 Prof. Steffen Lange - HDa/FbI - Effiziente
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein
Mehr1. Musterlösung. Problem 1: Average-case-Laufzeit vs. Worst-case-Laufzeit ** i=1
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner. Musterlösung Problem : Average-case-Laufzeit vs. Worst-case-Laufzeit ** (a) Im schlimmsten Fall werden für jedes Element
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)
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
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (03 Verschiedene Algorithmen für dasselbe Problem) Prof. Dr. Susanne Albers Das Maximum-Subarray Problem Das Maximum-Subarray Problem: Gegeben: Folge
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
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Sortieralgorithmen Einleitung Heapsort Quicksort 2 Motivation Sortieren ist Voraussetzung für viele Anwendungen Nach
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
Mehr1.3 Erinnerung: Mergesort
Mergesort 1.3 Erinnerung: Mergesort Um n Zahlen/Objekte a 1,..., a n zu sortieren, geht der Mergesort-Algorithmus so vor: Falls n n 0 : Sortiere mit einem naiven Algorithmus (z. B. Insertion Sort). Sonst:
MehrKomplexität von Algorithmen:
Komplexität von Algorithmen: Ansatz: Beschreiben/erfassen der Komplexität über eine Funktion, zur Abschätzung des Rechenaufwandes abhängig von der Größe der Eingabe n Uns interessiert: (1) Wie sieht eine
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
MehrDivide & Conquer. Problem in Teilprobleme aufteilen Teilprobleme rekursiv lösen Lösung aus Teillösungen zusammensetzen
Teile & Herrsche: Divide & Conquer Problem in Teilprobleme aufteilen Teilprobleme rekursiv lösen Lösung aus Teillösungen zusammensetzen Probleme: Wie setzt man zusammen? [erfordert algorithmisches Geschick
MehrGrundlagen Theoretischer Informatik 3 SoSe 2012 in Trier. Henning Fernau Universität Trier
Grundlagen Theoretischer Informatik 3 SoSe 2012 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Grundlagen Theoretischer Informatik 3 Gesamtübersicht Organisatorisches; Einführung Algorithmenanalyse:
Mehr6 Quicksort. die mittlere Laufzeit Θ(n log n) beträgt und. die in der asymptotischen Notation verborgenen Konstanten sehr klein sind.
Algorithmen und Datenstrukturen 132 6 Quicksort In diesem Abschnitt wird Quicksort, ein weiterer Sortieralgorithmus, vorgestellt. Trotz einer eher langsamen Worst-Case Laufzeit von Θ(n 2 ) ist Quicksort
MehrAlgorithmen und Datenstrukturen 04
(17. Mai 2012) 1 Besprechung Blatt 3 Hinweise 2 Induktion Allgemeines Beispiele 3 Rekursion Lineare Rekursion und Endrekursion Entrekursivierung Weitere Rekursionstypen 4 O-Kalkül Allgemein Wichtige Formeln
MehrÜbersicht. Datenstrukturen und Algorithmen. Laufzeit von Algorithmen. Übersicht. Vorlesung 2: Asymptotische Effizienz (K3) Begründung Grenzwerte
Übersicht Datenstrukturen und Algorithmen Vorlesung 2: (K3) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-15/dsal/ 10.
MehrUebersicht. Asymptotische Notation. Komplexitätsanalyse. Mengenschreibweise. O-Notation (obere Schranke) Datenstrukturen & Algorithmen
Dtenstrukturen & Algorithmen Uebersicht Mthemtische Hilfsmittel zur Komplexitätsnlyse Wchstum von Funktionen Rekursionsgleichungen Mtthis Zwicker Universität Bern Frühling 2010 2 Komplexitätsnlyse Wie
Mehr2. Klausur Datenstrukturen und Algorithmen SS 2014
Prof. aa Dr. E. Ábrahám F. Corzilius, S. Schupp, T. Ströder 2. Klausur Datenstrukturen und Algorithmen SS 2014 Vorname: Nachname: Studiengang (bitte genau einen markieren): Informatik Bachelor Informatik
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2015/16 2. Vorlesung Sortieren mit anderen Mitteln Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2-11 Teile und herrsche Idee: teile den Kartenstapel
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2016/17 2. Vorlesung Sortieren mit anderen Mitteln Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2-1 Teile und herrsche Idee: teile den Kartenstapel
MehrKapitel 3: Sortierverfahren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrOrdnen Sie die folgenden Funktionen nach ihrer asymptotischer Komplexität in aufsteigender Reihenfolge: i=1 4i + n = 4 n. i=1 i + 3n = 4 ( n(n+1)
für Informatik Prof. aa Dr. Ir. Joost-Pieter Katoen Tutoriumslösung - Übung (Abgabe 9.04.05) Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder Tutoraufgabe (Asymptotische Komplexität):
Mehr14. Sortieren II Heapsort. Heapsort. [Max-]Heap 7. Heapsort, Quicksort, Mergesort. Binärer Baum mit folgenden Eigenschaften
Heapsort, Quicksort, Mergesort 14. Sortieren II 14.1 Heapsort [Ottman/Widmayer, Kap. 2.3, Cormen et al, Kap. 6] 397 398 Heapsort [Max-]Heap 7 Inspiration von Selectsort: Schnelles Einfügen Binärer Baum
Mehr2. Effizienz von Algorithmen
Effizienz von Algorithmen 2. Effizienz von Algorithmen Effizienz von Algorithmen, Random Access Machine Modell, Funktionenwachstum, Asymptotik [Cormen et al, Kap. 2.2,3,4.2-4.4 Ottman/Widmayer, Kap. 1.1]
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 1 16. September 2011 Grundlagen: Algorithmen und
MehrWiederholung. Divide & Conquer Strategie
Wiederholung Divide & Conquer Strategie Binäre Suche O(log n) Rekursives Suchen im linken oder rechten Teilintervall Insertion-Sort O(n 2 ) Rekursives Sortieren von a[1..n-1], a[n] Einfügen von a[n] in
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
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Klausur Wichtige Hinweise: 2.7.07, Beginn 9 Uhr Bitte spätestens 8:4 Uhr vor Ort sein Sporthalle + Audimax Informationen
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 1 Einführung 2 Grundlagen von Algorithmen
Mehr8. 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
MehrHeapsort, Quicksort, Mergesort. 8. Sortieren II
209 Heapsort, Quicksort, Mergesort 8. Sortieren II 210 8.1 Heapsort [Ottman/Widmayer, Kap. 2.3, Cormen et al, Kap. 6] 211 Heapsort Inspiration von Selectsort: Schnelles Einfügen Inspiration von Insertionsort:
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 II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrKapitel ADS:II. II. Algorithm Engineering
Kapitel ADS:II II. Algorithm Engineering Problemklassen und Lösungsstrategien Phasen des Algorithm Engineering Exkurs: Programmiersprachen Pseudocode Rekursion Maschinenmodell Laufzeitanalyse Algorithmenimplementierung
MehrOrdnen Sie die folgenden Funktionen nach ihrer asymptotischer Komplexität in aufsteigender Reihenfolge: i=1 4i + n = 4 n. i=1 i + 3n = 4 ( n(n+1)
für Informatik Prof. aa Dr. Ir. Joost-Pieter Katoen Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder Tutoraufgabe (Asymptotische Komplexität): Ordnen Sie die folgenden Funktionen nach
MehrKostenmodell. Daniel Graf, Tobias Pröger. 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016)
Kostenmodell Daniel Graf, Tobias Pröger 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016) Erklärung: Diese Mitschrift ist als Ergänzung zur Vorlesung gedacht. Wir erheben keinen Anspruch
MehrAlgorithmen I - Tutorium 28 Nr. 2
Algorithmen I - Tutorium 28 Nr. 2 11.05.2017: Spaß mit Invarianten (die Zweite), Rekurrenzen / Mastertheorem und Merging Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK
MehrAlgorithmen und Datenstrukturen Kapitel 2: Korrektheit von Algorithmen und Laufzeitanalyse rekursiver Algorithmen (mittels Rekurrenzgleichungen)
Algorithmen und Datenstrukturen Kapitel 2: und Laufzeitanalyse rekursiver Algorithmen (mittels ) Frank Heitmann heitmann@informatik.uni-hamburg.de 21. Oktober 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrDatenstrukturen und Algorithmen
Datenstrukturen und Algorithmen Jedes Programm verwendet Datenstrukturen und Algorithmen um seine Aufgabe zu erfüllen Diese müssen offenbar zunächst sorgfältig dem speziellen Problem entsprechend ausgewählt
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 3. Vorlesung Laufzeitanalyse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Recap: Diskutieren Sie mit Ihrer NachbarIn! 1. 2. 3. Was sind
MehrADS: Algorithmen und Datenstrukturen 1
ADS: Algorithmen und Datenstrukturen 1 Teil 15: Fragestunde Uwe Quasthoff Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 30. Januar 2018 [Letzte Aktualisierung: 30/01/2018,
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Präsenzübung Musterlösung Dienstag, 28.05.2013 Aufgabe 1 (Allgemeine Fragen [20 Punkte]) 1. Tragen Sie in der folgenden Tabelle die Best-, Average- und Worst-Case-
Mehr2 Wachstumsverhalten von Funktionen
Algorithmen und Datenstrukturen 40 2 Wachstumsverhalten von Funktionen Beim Vergleich der Worst-Case-Laufzeiten von Algorithmen in Abhängigkeit von der Größe n der Eingabedaten ist oft nur deren Verhalten
Mehr1 Divide-and-Conquer-Algorithmen
1 Divide-and-Conquer-Algorithmen 1.1 Multiplikation ganzer Zahlen Wir multiplizieren zwei ganze Zahlen x und y, die in Binärdarstellung gegeben sind. Der Einfachheit halber nehmen wir an, die beiden Zahlen
MehrSortieren II / HeapSort Heaps
Organisatorisches VL-07: Sortieren II: HeapSort (Datenstrukturen und Algorithmen, SS 2017) Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Email: dsal-i1@algo.rwth-aachen.de Webseite: http://algo.rwth-aachen.de/lehre/ss17/dsa.php
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Weitere Grundlagen Maike Buchin 20.4.2017 Wiederholung wir interessieren uns für effizienten Algorithmen und Datenstrukturen Laufzeiten messen wir asymptotisch in der Oh-Notation
Mehra) Geben Sie für die folgenden Paare von Mengen jeweils die Teilmengenbeziehung mit Hilfe der Symbole, und = an. lässt sich wie folgt umformen:
Prof. aa Dr. Ir. Joost-Pieter Katoen Datenstrukturen und Algorithmen SoSe 0 Klausur 0.09.0 Christian Dehnert Jonathan Heinen Thomas Ströder Sabrina von Styp Aufgabe (O-Notation: (9 + 4 + 7 = 0 Punkte a
Mehr3. Suchen. Das Suchproblem. Suche in Array. Lineare Suche. 1 n. i = n Gegeben Menge von Datensätzen.
Das Suchproblem Gegeben Menge von Datensätzen. 3. Suchen Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle Jeder Datensatz hat einen Schlüssel k. Schlüssel sind vergleichbar: eindeutige Antwort auf
MehrAlgorithmen und Datenstrukturen 1 Kapitel 5
Algorithmen und Datenstrukturen 1 Kapitel 5 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Kapitel 5: Effizienz von Algorithmen 5.1 Vorüberlegungen Nicht
MehrAbschnitt 7: Komplexität von imperativen Programmen
Abschnitt 7: Komplexität von imperativen Programmen 7. Komplexität von imperativen Programmen 7 Komplexität von imperativen Programmen Einf. Progr. (WS 08/09) 399 Ressourcenbedarf von Algorithmen Algorithmen
MehrKap. 3: Sortieren (3)
Kap. 3: Sortieren (3) Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund 6. VO DAP2 SS 2009 30. April 2009 Überblick Quick-Sort Analyse von Quick-Sort Quick-Sort
MehrAlgorithmen und Datenstrukturen I. Grundlagen. Prof. Dr. Oliver Braun. Fakultät für Informatik und Mathematik Hochschule München
Algorithmen und Datenstrukturen I Fakultät für Informatik und Mathematik Hochschule München Letzte Änderung: 18.03.2018 18:16 Inhaltsverzeichnis Algorithmus..................................... 2 Problem
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,
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Geometrisches Problem: Problem: Nächstes Paar Eingabe: n Punkte in der Ebene Ausgabe: Das Paar q,r mit geringstem Abstand
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Sommersemester 2018 Tobias Lasser Computer Aided Medical Procedures Technische Universität München Multiplikation langer Zahlen Schulmethode: gegeben Zahlen
MehrHeapsort, Quicksort, Mergesort. 8. Sortieren II
209 Heapsort, Quicksort, Mergesort 8. Sortieren II 210 8.1 Heapsort [Ottman/Widmayer, Kap. 2.3, Cormen et al, Kap. 6] Heapsort 211 Inspiration von Selectsort: Schnelles Einfügen Inspiration von Insertionsort:
MehrAlgorithmen und Datenstrukturen Kapitel 2: Korrektheit von Algorithmen und Laufzeitanalyse rekursiver Algorithmen (mittels Rekurrenzgleichungen)
Algorithmen und Datenstrukturen Kapitel 2: und Laufzeitanalyse rekursiver Algorithmen (mittels Rekurrenzgleichungen) Frank Heitmann heitmann@informatik.uni-hamburg.de 21. Oktober 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 4 Abgabe: Montag, 13.05.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes Gruppenmitglieds
Mehr1. Übung Algorithmentechnik
1. Übung Algorithmentechnik Institut für Theoretische Informatik 04.11.2008 1/ 42 Aufgabe 1 Aufgabe (Amortisierte Analyse) Modellieren Sie eine Queue mit zwei Stacks so, dass die amortisierten Kosten von
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
MehrInduktive Beweise und rekursive Definitionen
Induktive Beweise und rekursive Definitionen Vorlesung Logik in der Informatik, HU Berlin 1. Übungsstunde Beweis durch vollständige Induktion über N Aufgabe 1 Zeige, dass für alle n N gilt: n 2 i = 2 n+1
MehrHausaufgaben. zur Vorlesung. Vollständige Induktion. 1. Beweist folgende Formeln (zu beweisen ist nur die Gleichheit mit dem. i=1 (4 + i)!
WS 015/1 Hausaufgaben zur Vorlesung Vollständige Induktion 1. Beweist folgende Formeln zu beweisen ist nur die Gleichheit mit dem! -Zeichen : a 5 + + 7 + 8 + + 4 + n n 4 + i! nn+9 b 1 + + 9 + + n 1 n 1
MehrSS18 Algorithmen und Datenstrukturen 9. Kapitel Divide-and-Conquer-Algorithmen
SS18 Algorithmen und Datenstrukturen 9. Kapitel Divide-and-Conquer-Algorithmen Martin Dietzfelbinger Juni 2018 FG KTuEA, TU Ilmenau Algorithmen und Datenstrukturen SS18 Kapitel 9 Ziele (des zweiten Teils)
Mehr5. Übungsblatt zu Algorithmen I im SoSe 2016
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Dennis Hofheinz Lukas Barth, Lisa Kohl 5. Übungsblatt zu Algorithmen I im SoSe 2016 https://crypto.iti.kit.edu/index.php?id=algo-sose16
MehrAlgorithmen und Datenstrukturen I Grundlagen
Algorithmen und Datenstrukturen I Grundlagen Prof. Dr. Oliver Braun Letzte Änderung: 01.11.2017 14:15 Algorithmen und Datenstrukturen I, Grundlagen 1/24 Algorithmus es gibt keine präzise Definition Handlungsvorschrift
MehrDatenstrukturen: Mathematische Grundlagen. 26. Juli / 27
Datenstrukturen: Mathematische Grundlagen 26. Juli 2015 1 / 27 Asymptotik Die Groß-Oh Notation: f = O(g) Es gibt eine positive Konstante c > 0 und eine natürliche Zahl n 0 N, so dass f (n) c g(n) für alle
MehrInformatik I Komplexität von Algorithmen
Leistungsverhalten von Algorithmen Informatik I Komplexität von Algorithmen G. Zachmann Clausthal University, Germany zach@in.tu-clausthal.de Speicherplatzkomplexität: Wird primärer & sekundärer Speicherplatz
MehrKapitel 2. Weitere Beispiele Effizienter Algorithmen
Kapitel 2 Weitere Beispiele Effizienter Algorithmen Sequentielle Suche Gegeben: Array a[1..n] Suche in a nach Element x Ohne weitere Zusatzinformationen: Sequentielle Suche a[1] a[2] a[3] Laufzeit: n Schritte
MehrMusterlösung zur 7. Übung
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof Dipl. Inform. Andreas Hildebrandt Programmierung II, SS 2003 Musterlösung zur 7. Übung Aufgabe 1: Rekurrenz, Substitutionsmethode
Mehr