5.3.4 Hexagon-Algorithmus
|
|
- Gert Kappel
- vor 6 Jahren
- Abrufe
Transkript
1 5.3.4 Hexagon-Algorithmus Der Hexagon-Algorithmus nutzt die Verbandseigenschaften des BTG für eine Optimierung aus. Verwendet dazu den explizit erstellten BTG in Form eines Feldes. Der Algorithmus besteht aus 3 Phasen: 1. Konstruktion des BTG 2. Zuweisung von Eingabe-Tupeln an die Äquivalenzklasse (Knoten im BTG) 3. Entfernen von dominierten Tupeln Prof. Kießling
2 Knotenidentifizierung per Kantengewichte Eine Kante von einem Knoten zu einen anderen zeigt Dominanz: (0,0) (0,1): ist dominiert von (0,0) bezüglich P 2 (0,1) (1,0) (1,0): ist dominiert von (0,0) bezüglich P 1 Kanten können also nach den ihnen zugeordneten Präferenzen unterschieden werden. Für P = (P 1,, P m ) gibt es als m verschiedene Kantentypen. Gewicht einer Kante, die bezüglich P i dominiert wird: weight ( P i ) = m j= i +1 ( max( P j )+1) falls definiert, ansonsten 1. Prof. Kießling
3 Beispiel: (0,0) level 0 weight(p 2 ) = 1 weight(p 1 ) = max(p 2 ) + 1 = 4 (0,1) (1,0) level 1 (0,2) (1,1) (2,0) level 2 (0,3) (1,2) (2,1) level 3 Ziel: Ordne den Knoten mit Hilfe von Kantengewichten eine eindeutige Knoten-ID zu. (1,3) (2,3) (2,2) level 4 level 5 Prof. Kießling
4 Eindeutige Knoten-ID: Eindeutige natürliche Zahl für jeden Knoten: NID( a 1,..., a m ) = ( weight ( P i ) a i ) i = 1 Eigenschaften: Die Summe der Kantengewichte auf jedem beliebigem Pfad vom eindeutigem Top-Element zu irgendeinem Knoten ist identisch und gibt die Knoten-ID an. Alle Zahlen aus dem Intervall [0, BTG -1] sind zulässige Knoten-IDs. m weight(p 2 ) = 1 weight(p1) = 4 2:(0,2) 3:(0,3) 1:(0,1) 7:(1,3) 0:(0,0) 5:(1,1) 6:(1,2) 11:(2,3) 4:(1,0) 10:(2,2) Prof. Kießling :(2,0) 9:(2,1)
5 Konstruktion des BTG Berechne die BTG-Größe BTG 1) Initialisiere die richtig dimensionierten Felder - next[ BTG ] für eine Breitensuche - nodes[ BTG ] als Speicher für Eingabe-Tupeln 1) In einer Laufschleife von [0, BTG -1] über alle Knoten tue: - Berechne das Level des jeweiligen Knotens. - Setze next[knoten-id] des jeweiligen Knotens. 0:(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
6 Zuweisung der Eingabe-Tupeln zu BTG-Knoten 1) In einer Laufschleife über alle Eingabe-Tupeln tue: - Berechne die Knoten-ID - Trage das aktuelle Tupel im Speicher von nodes[knoten-id] ein. 0:(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
7 Entfernen von dominierten Tupeln 1) In einer Laufschleife über alle Knoten eines Levels mit aufsteigendem Level (folge next[ ]: Breitensuche) tue: a) Entferne alle Knoten aus next[ ], die von keinem Eingabe-Tupel belegt sind bzw. b) Entferne alle Knoten die von dominanten Knoten beherrscht werden (Tiefensuche): Folge dazu allen Kanten des aktuellen Knotens, wobei das Gewicht der rekursiv besuchten ausgehenden Kanten immer kleiner gleich dem Gewicht der eingehenden Kante sein muss. Die Reihenfolge der Startkanten ist aufsteigend gemäß Gewicht. 0:(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
8 Zwischenergebnis: 0:(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
9 1) In einer Laufschleife tue: a) Entferne alle Knoten aus next[ ], die von keinem Eingabe-Tupel belegt sind bzw. b) Entferne alle Knoten aus next[ ], die von dominanten Knoten beherrscht werden (Tiefensuche): Folge dazu allen Kanten des aktuellen Knotens, wobei das Gewicht der rekursiv besuchten ausgehenden Kanten immer kleiner gleich dem Gewicht der eingehenden Kante sein muss. Die Reihenfolge der Startkanten ist aufsteigend gemäß Gewicht. 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 1. Startkante: weight(p 2 ) = 1 11:(2,3) Prof. Kießling
10 1) In einer Laufschleife tue: a) Entferne alle Knoten aus next[ ], die von keinem Eingabe-Tupel belegt sind bzw. b) Entferne alle Knoten aus next[ ], die von dominanten Knoten beherrscht werden (Tiefensuche): Folge dazu allen Kanten des aktuellen Knotens, wobei das Gewicht der rekursiv besuchten ausgehenden Kanten immer kleiner gleich dem Gewicht der eingehenden Kante sein muss. Die Reihenfolge der Startkanten ist aufsteigend gemäß Gewicht. 3:(0,3) 5:(1,1) 8:(2,0) 9:(2,1) 10:(2,2) 2. Startkante: weight(p 1 ) = 4 11:(2,3) Prof. Kießling
11 Zwischenergebnis: 5:(1,1) 8:(2,0) 3:(0,3) 9:(2,1) 5:(1,1) 8:(2,0) 10:(2,2) 11:(2,3) 3:(0,3) Über link[5] und link[8] endet der Algorithmus, ohne dass 1a) oder 1b) angewendet werden können. Prof. Kießling
12 Beispiel zu Hexagon: ID color hp level P1 level P2 t 1 green t 2 white t 3 yellow t 4 blue t 5 red t 6 black t 7 silver t 8 red P 1 = POS/POS(color,{black, silver}; {red}, ~ P1 )) P 2 = BETWEEN 20 (hp, [120, 150], ~ P1 )) P = P 1 P 2 max(p 1 ) = 2 max(p 2 ) = 3 BTG = (2+1) * (3+1) = 12 weight(p 2 ) = 1 weight(p 1 ) = 4 next[12], nodes[12] Prof. Kießling
13 I. Konstruktion des BTG: 0:(0,0) max(p 1 ) = 2 max(p 2 ) = 3 1:(0,1) 4:(1,0) BTG = (2+1) * (3+1) = 12 2:(0,2) 5:(1,1) 8:(2,0) weight(p 2 ) = 1 weight(p 1 ) = 4 3:(0,3) 6:(1,2) 9:(2,1) Felder für Verwaltung: next[12], nodes[12] 7:(1,3) 11:(2,3) 10:(2,2) Prof. Kießling
14 II. Einfügen: ID color hp level P1 level P2 nid t 1 green t 2 white t 3 yellow t 4 blue t 5 red t 6 black :(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) t 7 silver :(1,3) 10:(2,2) t 8 red :(2,3) Prof. Kießling
15 Hexagon Beispiel: Löschen III. Löschen: a) Kein Eintrag in nodes[0] 0:(0,0) 1:(0,1) 4:(1,0) 2:(0,2) 5:(1,1) 8:(2,0) 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
16 weight(p 2 ) = 1 weight(p 1 ) = 4 0:(0,0) b) Eintrag t 7 (0,1) in nodes[1] 1:(0,1) 4:(1,0) a) kein Eintrag in nodes[2], gelöscht 2:(0,2) 5:(1,1) 8:(2,0) b) Eintrag t 6 (0,3) in nodes[3] wird dominiert, daher gelöscht. b) terminiert. 3:(0,3) 6:(1,2) 9:(2,1) 7:(1,3) 10:(2,2) 11:(2,3) Prof. Kießling
17 weight(p 2 ) = 1 weight(p 1 ) = 4 0:(0,0) b) Eintrag t 7 (0,1) in nodes[1] 1:(0,1) 4:(1,0) a) kein Eintrag in nodes[5], gelöscht weight(p 2 ) = 1 b) Eintrag t 8 (1,2) in nodes[6] wird dominiert, daher gelöscht. 2:(0,2) 3:(0,3) 5:(1,1) 6:(1,2) 8:(2,0) 9:(2,1) b) Eintrag t 5 (1,3) in nodes[7] wird dominiert, daher gelöscht. 7:(1,3) 10:(2,2) Terminiert. 11:(2,3) Prof. Kießling
18 b) Eintrag t 7 (0,1) in nodes[1] weight(p 2 ) = 1 weight(p 1 ) = 4 1:(0,1) 0:(0,0) 4:(1,0) b) Einträge t 1 (2,1) und t 2 (2,1) in nodes[9] werden dominiert, daher gelöscht. weight(p 1 ) = 4 5:(1,1) 6:(1,2) 8:(2,0) 9:(2,1) a) kein Eintrag in nodes[10], gelöscht 7:(1,3) 10:(2,2) b) Eintrag t 4 (2,3) in nodes[11] wird dominiert, daher gelöscht. 11:(2,3) b) Terminiert. Prof. Kießling
19 0:(0,0) a) Kein Eintrag in nodes[4], daher gelöscht. 4:(1,0) 1:(0,1) 4:(1,0) 8:(2,0) 9:(2,1) 10:(2,2) 11:(2,3) Prof. Kießling
20 4:(1,0) 1:(0,1) III terminiert: 4:(1,0) 1:(0,1) 4:(1,0) 8:(2,0) 8:(2,0) Die BMO-Menge gesteht aus {t 3, t 7 }. 0:(0,0) ID color hp level P1 level P2 nid t 1 green t 2 white t 3 yellow t 4 blue t 5 red t 6 black t 7 silver t 8 red Prof. Kießling
21 Leistungsfähigkeit von Hexagon Die Beurteilung der Leistungsfähigkeit eines Algorithmus lässt sich einerseits durch sein Komplexitätsmaß oder andrerseits durch einen Benchmark über Daten mit unterschiedlichen Verteilungen im Wettbewerb mit vergleichbaren Algorithmen bestimmen. Prof. Kießling
22 Komplexität Zur Bestimmung der Komplexität von σ[p](r) mittels Hexagon sei bekannt: Pareto-Präferenz P = P 1 P m, wobei alle P i reguläre WOPs sind. Die Anzahl der Tupel der Relation R sei gegeben als R = n. Prof. Kießling
23 Dann ist die Komplexität (worst-case = best-case) gegeben durch: Speicherbedarf in DB-Cache (unabhängig von n): Beachte: Hexagon ist nur anwendbar, falls der DB-Cache groß genug ist für den BTG! Zeit-Bedarf: Lesen und Einfügen der Tupel in den BTG: O(n) // IO-Kosten Löschen durch Tiefensuche: O( BTG ) // CPU-Kosten Prof. Kießling
24 Benchmark Mit Hilfe verschiedener Testmengen als Input für einen Benchmark kann die Leistungsfähigkeit von Algorithmen für die Berechnung der Ergebnismenge des Pareto- Konstruktors miteinander verglichen werden. LESS: LESS ++ : Hexagon: basiert auf einen BNL-Algorithmus. basiert auf LESS-Algorithmus, erweitert um Pruning-Methoden, wie sie auch von BNL ++ benutzt werden. BTG-basierter Algorithmus Prof. Kießling
25 Unter der Voraussetzung, dass die Daten der Algorithmen vollständig im Hauptspeicher gehalten werden können, ergibt sich in Abhängigkeit von der Anzahl der mit Pareto verknüpften Präferenzen folgendes Laufzeitverhalten: Prof. Kießling
26 Eine weiterer Benchmark vergleicht die Abhängigkeit von der Tupelanzahl von Testmengen mit folgenden statistischen Eigenschaften: Korrelierte Daten: Daten, die in einer Dimension als gut betrachtet werden, sind auch in einer anderen Dimension gut. Beispiel: Studierende: kurze Studiendauer gute Abschlussnote Antikorrelierte Daten: Daten, die in einer Dimension als gut betrachtet werden, sind in einer oder in allen anderen Dimensionen schlecht. Beispiel: Hotels: hohe Qualität niedriger Preis Statistisch unabhängige Daten Hinweis: Es wird ein logarithmischer Maßstab in den nachfolgenden Abbildungen verwendet. Prof. Kießling
27 Laufzeit in Abhängigkeit von der Anzahl der Eingabetupel bei korrelierten Daten: Prof. Kießling
28 Laufzeit in Abhängigkeit von der Anzahl der Eingabetupel bei antikorrelierten Daten: Prof. Kießling
29 Laufzeit in Abhängigkeit von der Anzahl der Eingabetupel bei statistisch unabhängigen Daten: Prof. Kießling
30 5.3.6 Scalagon Algorithmus Scalagon: Kombination von Hexagon und BNL (M. Endres, P. Roocks and W. Kießling Scalagon: An Efficient Skyline Algorithm for All Seasons. Database Systems for Advanced Application (DASFAA) 2015) Prof. Kießling
31 Diskretisiere Wertebereich auf [1,...,S 1 ] x [1,...,S 2 ] Beispiel: Domäne D = [1,...,30] x [1,...,40] Beispiel für Skalierungsfaktor s = 10: D / s = [1,...,3] x [1,...,4] Verbandsstruktur bleibt erhalten (0, 0) (S1, 0) (0, S2) (S1, S2) Prof. Kießling
32 Phase 1: Entferne dominierte Kacheln - Pareto-Ordnung P auf Tupeln induziert Produktordnung P* auf Kacheln: (0, 0) (1, 0) (0, 1) (x 1, x 2 ) < P* (y 1, y 2 ) <=> x 1 < P1 y 1 x 2 < P2 y 2 (0, 2) Beispiel: Kachel (0,1) dominiert Kachel (1,2). Kachel (0,2) dominiert Kachel (1,3). Kachel (1,1) dominiert Kachel (2,2). (2, 0) (0, 3) Kachel (1,0) dominiert nicht Kachel (2,0) bezüglich der Produktordnung P*. - ähnlich wie Standard-Hexagon (2, 2) (2, 3) (1, 3) Prof. Kießling
33 Ergebnis der Phase 1 nicht dominierte Kacheln nicht dominierte Kacheln Prof. Kießling
34 Phase 2: Standard-BNL gemäß Pareto-Ordnung P über alle übrig gebliebenen Tupel - finde die besten Tupel aus allen nicht-dominierten Kacheln. Prof. Kießling
35 Kritischer Punkt: Wahl des Skalierungsfaktors α s 1 := := s d := ( N / α) 1/d (N ist die Grundmenge der Tupel) Beispiel: N = 10000, d = 2 α = 0,1 : s 1 := := s d := ( / 0,1) 1/2 = 316 α = 1 : s 1 := := s d := ( / 1) 1/2 = 100 α = 10 : s 1 := := s d := ( / 10) 1/2 = 31 α = 100 : s 1 := := s d := ( / 100) 1/2 = 10 α = 9900: s 1 := := s d := ( / 9900) 1/2 = 1 lim α 0 : jedes Tupel auf eigener Kachel (ähnlich Hexagon) lim α : alle Tupel auf einer Kachel (ähnlich BNL) α -Werte zwischen 10 und 50 sind meist zutreffend. Prof. Kießling
36 Performance in 2 Dimensionen (10 7 Tupel, Korrelation von -0,7) Prof. Kießling
37 - Vergleich BNL / Hexagon / Scalagon mit α = 2 => bringt keinen Vorteil Prof. Kießling
38 - Vergleich BNL / Hexagon / Scalagon mit α = 10 => deutlicher Geschwindigkeitsvorteil vor Hexagon. BNL und Scalagon sind fast gleich gut ( Tupel sind für BNL kein Problem) Prof. Kießling
39 - Vergleich BNL / Hexagon / Scalagon mit α = 10 => deutliche Geschwindigkeitsvorteil vor BNL und Hexagon! Prof. Kießling
40 5.3.7 Zusammenfassung Datenbank-Technologie bietet eine exzellente Unterstützung für Präferenzen und Personalisierung mit Hinblick auf: Leichte Modellierung (Präferenzen durch Konstruktoren für strikte partielle Ordnungen) Hohe Effizienz (Transformationen in Preference Relational Algebra, Optimierung der Join-Reihenfolge mit Präferenzen, BNL ++, Hexagon) Hinweis: Transitivität ist essentiell! Ansonsten wird die Berechnung der Präferenz-Selektion ineffizient. Weitere Optimierungsmöglichkeiten: Speicheroptimierung bei dünn besetzten BTGs Durch d-parameter kann bereits in der Modellierung Einfluss auf die Größe des BTGs genommen werden. Prof. Kießling
41 5.3.8 Weiterführende Literatur S. Borzsonyi, D. Kossmann and K. Stocker: The Skyline Operator IEEE Conf. on Data Engineering pp , Heidelberg, Germany, BNL P. Godfrey, R. Shipley and J. Gryz: Algorithms and Analyses for Maximal Vector Computation VLDB Journal, 16(1): 5 28, LESS M. Endres, P. Roocks, W. Kießling: Scalagon: An Efficient Skyline Algorithm for All Seasons Database Systems for Advanced Application (DASFAA) 2015 Prof. Kießling
42 T. Preisinger: Graph-based Algorithms for Pareto Preference Query Evaluation Dissertation, Universität Augsburg, Juli T. Preisinger, W. Kießling and M. Endres: The BNL++ Algorithm for Evaluating Pareto Preference Queries Proceedings of the ECAI 2006 Multidisciplinary Workshop on Advances in Preference Handling Riva del Garda, Italy, August T. Preisinger, W. Kießling: The Hexagon Algorithm for Pareto Preference Queries Proceedings of the 3rd Multidisciplinary Workshop on Advances in Preference Handling in conjunction with VLDB 2007, Vienna, Austria, September Prof. Kießling
43 S. Mandl, O. Kozachuk (EXASOL AG), M. Endres, W. Kießling (Universität Augsburg): Preference Analytics in EXASolution Datenbanksysteme für Business, Technologie und Web (BTW), 16 Hamburg, Germany, March Prof. Kießling
Technische 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
MehrAlgorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation
Algorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation Daniel Reinhold Shenja Leiser 6. Februar 2006 2/28 Gliederung Einführung Transitive Hülle Definition Iterative Algorithmen 1. Naive
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
MehrUniversität des Saarlandes
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Kurt Mehlhorn WiSe 2015/2016 Übungen zu Ideen der Informatik http://www.mpi-inf.mpg.de/departments/algorithms-complexity/teaching/winter15/ideen/
MehrSuchmaschinen. Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6
Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6 Aufgabe 1: Pareto mit SV-Semantik Suchmaschinen Pareto Definition: x < P
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
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/
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
MehrVorlesung Suchmaschinen Semesterklausur Sommersemester 2014
Universität Augsburg, Institut für Informatik Sommersemester 04 Prof. Dr. W. Kießling 5. Juli 04 Dr. M. Endres, F. Wenzel Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Sommersemester 04 Hinweise:
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
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
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
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
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann Blatt Nr. 8 Übung zur Vorlesung Grundlagen: Datenbanken im WS14/15 Harald Lang (harald.lang@in.tum.de) http://www-db.in.tum.de/teaching/ws1415/grundlagen/
MehrVorlesung Suchmaschinen Semesterklausur Wintersemester 2013/14
Universität Augsburg, Institut für Informatik Wintersemester 2013/14 Prof. Dr. W. Kießling 10. Oktober 2013 F. Wenzel, D. Köppl Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Wintersemester 2013/14
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
MehrDatenstrukturen und Algorithmen
Datenstrukturen und Algorithmen Musterlösung zu Hausübungsblatt Daniel Warner 8. Mai 007 Aufgabe 5 Nachfolgend ist der Algorithmus Merge-Sort im Pseudocode dargestellt []. Merge-Sort(A, p, r) 1 if p
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrKapitel 12: Schnelles Bestimmen der Frequent Itemsets
Einleitung In welchen Situationen ist Apriori teuer, und warum? Kapitel 12: Schnelles Bestimmen der Frequent Itemsets Data Warehousing und Mining 1 Data Warehousing und Mining 2 Schnelles Identifizieren
MehrAutoSPARQL. Let Users Query Your Knowledge Base
AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik
MehrStar Join & Kostenbasierte Optimierung. Architektur von Datenbanksystemen II
Star Join & Kostenbasierte Optimierung Architektur von Datenbanksystemen II Star Join Übungsaufgabe zum 09.06.2015 JOIN-ALGORITHMUS für folgendes Scenario Große Faktentabelle F mit sehr vielen Einträgen
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
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrBreiten- und Tiefensuche in Graphen
Breiten- und Tiefensuche in Graphen Inhalt Theorie. Graphen. Die Breitensuche in der Theorie am Beispiel eines ungerichteten Graphen. Die Tiefensuche in der Theorie am Beispiel eines gerichteten Graphen
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrAlgorithmen und Datenstrukturen in der Bioinformatik Viertes Übungsblatt WS 05/06 Musterlösung
Konstantin Clemens Johanna Ploog Freie Universität Berlin Institut für Mathematik II Arbeitsgruppe für Mathematik in den Lebenswissenschaften Algorithmen und Datenstrukturen in der Bioinformatik Viertes
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrDatenbanken Unit 4: Das Relationale Modell & Datenintegrität
Datenbanken Unit 4: Das Relationale Modell & Datenintegrität 15. III. 2016 Outline 1 Organisatorisches 2 SQL 3 Relationale Algebra Notation 4 Datenintegrität Organisatorisches Erster Zwischentest: nach
MehrMengenlehre. Jörg Witte
Mengenlehre Jörg Witte 25.10.2007 1 Grbegriffe Die Menegenlehre ist heute für die Mathematik grlegend. Sie spielt aber auch in der Informatik eine entscheidende Rolle. Insbesondere fußt die Theorie der
MehrNichtdeterministische Platzklassen
Sommerakademie 2010 Rot an der Rot AG 1: Wieviel Platz brauchen Algorithmen wirklich? Nichtdeterministische Platzklassen Ulf Kulau August 23, 2010 1 Contents 1 Einführung 3 2 Nichtdeterminismus allgemein
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
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
MehrRaumbezogene Datenbanken (Spatial Databases)
Raumbezogene Datenbanken (Spatial Databases) Ein Vortrag von Dominik Trinter Alexander Christian 1 Inhalte Was ist ein raumbezogenes DBMS? Modellierung Abfragen Werkzeuge zur Implementierung Systemarchitektur
MehrIMPLEMENTIERUNG VON OPERATIONEN AUF RELATIONEN
Joins 1 IMPLEMENTIERUNG VON OPERATIONEN AUF RELATIONEN Literatur Priti Mishara, Maragaret H. Eich, Join Processing in Relational Databases, ACM Computing Surveys, Vol. 24, No. 1, March 1992 Goetz Graefe,
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Baumsuche und Graphensuche Malte Helmert Universität Basel 13. März 2015 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 5. 7.
MehrOperationen auf endlichen Automaten und Transduktoren
Operationen auf endlichen Automaten und Transduktoren Kursfolien Karin Haenelt 1 Notationskonventionen L reguläre Sprache A endlicher Automat DEA deterministischer endlicher Automat NEA nichtdeterministischer
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,
MehrSchema Mapping. Armin Roth 25.04.2013. arminroth.de. Armin Roth (arminroth.de) II Schema Mapping 25.04.2013 1 / 23
Schema Mapping Armin Roth arminroth.de 25.04.2013 Armin Roth (arminroth.de) II Schema Mapping 25.04.2013 1 / 23 Agenda 1 Wiederholung: Schema Mapping 2 Logische Mappings 3 Erzeugung der Anfragen Armin
MehrProseminar Kodierverfahren bei Dr. Ulrich Tamm Sommersemester 2003 Thema: Codierung von Bäumen (Prüfer Codes...)
Proseminar Kodierverfahren bei Dr. Ulrich Tamm Sommersemester 2003 Thema: Codierung von Bäumen (Prüfer Codes...) Inhalt: Einleitung, Begriffe Baumtypen und deren Kodierung Binäre Bäume Mehrwegbäume Prüfer
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
MehrAbstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015
Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken
MehrEXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution
EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität
MehrAngewandte Informatik
Angewandte Informatik Analyse des Graphs G zur Bestimmung von Parallel- undreihenschaltung Prof. Dr. Nikolaus Wulff Gewichteter Multigraph Die Adjazenzmatrix eines Graphen eignet sich auch zur Analyse
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
MehrKonzeptueller Entwurf
Konzeptueller Entwurf UML Klassendiagrame UML Assoziationen Entspricht Beziehungen Optional: Assoziationsnamen Leserichtung ( oder ), sonst bidirektional Rollennamen Kardinalitätsrestriktionen UML Kardinalitätsrestriktionen
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
MehrCayuga. A General Purpose Event Monotoring System. David Pfeiffer. 19. Juli 2007
Cayuga A General Purpose Event Monotoring System David Pfeiffer 19. Juli 2007 1 / 24 Themen 1 2 Aufbau Operatoren 3 Das Modell der Zustandsübergang Zustandstypen 4 Beispiel Kritik & Fragen 2 / 24 Was ist
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
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 Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrAktuelles Schlagwort Semi-strukturierte Daten
Aktuelles Schlagwort Semi-strukturierte Daten François Bry, Michael Kraus, Dan Olteanu und Sebastian Schaffert Institut für Informatik, Universität München, Oettingenstraße 67, 80538 München, http://www.pms.informatik.uni-muenchen.de
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
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,...
MehrVorlesung 5: DATENSTRUKTUREN UND ALGORITHMEN
Vorlesung 5: DATENSTRUKTUREN UND ALGORITHMEN 125 Motivation! Wahl der Datenstruktur wichtiger Schritt beim Entwurf und der Implementierung von Algorithmen! Dünn besetzte Graphen und Matrizen bilden keine
MehrLogische Optimierung. Im Allgemeinen wird keine optimale Lösung erzielt, sondern nur eine Verbesserung. Logische Optimierung
Logische Optimierung Höhere, nichtprozedurale Abfragesprachen (SQL, QBE,...) verlangen keine Kenntnisse des Benutzers über die Implementierung, müssen aber in prozedurale Form (z. B. Relationenalgebra)
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,
MehrAnfragebearbeitung 2. Vorlesung Datenbanksysteme vom
Vorlesung Datenbanksysteme vom 21.11.2016 Anfragebearbeitung 2 Architektur eines DBMS Logische Optimierung Physische Optimierung Kostenmodelle + Tuning Physische Optimierung Iterator: einheitliche Schnittstelle
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
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
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (20 Graphen) T. Lauer
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (20 Graphen) T. Lauer 1 Motivation Wie komme ich am besten von Freiburg nach Ulm? Was ist die kürzeste Rundreise durch eine gegebene Menge von Städten?
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Algorithmen und Datenstrukturen Die Inhalte der Vorlesung wurden primär auf Basis der angegebenen Literatur erstellt. Darüber hinaus sind viele Teile direkt aus der Vorlesung
MehrOperator-Kostenmodelle für Fortschrittsschätzung und Opt. Datenbanksystemen
Operator-Kostenmodelle für und Optimierung in Datenbanksystemen 23. Oktober 2012 Übersicht 1 Grundlagen Ziele der Arbeit Grundlagen Kostenmodelle Neues Framework Entwickelte Hilfsmittel 2 3 Ziele der Arbeit
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
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
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrFlüsse, Schnitte, bipartite Graphen. Martin Oettinger
Flüsse, Schnitte, bipartite Graphen Martin Oettinger Übersicht Einführung Algorithmen für maximalen Fluss Preflow-Push Ford-Fulkerson Spezialfall: Maximaler Fluss bei minimalen Kosten Reduktionen Bipartites
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,
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrPraktikum Planare Graphen
1 Praktikum Planare Graphen Michael Baur, Martin Holzer, Steffen Mecke 10. November 2006 Einleitung Gliederung 2 Grundlagenwissen zu planaren Graphen Themenvorstellung Gruppeneinteilung Planare Graphen
MehrGrundlagen von Datenbanken
Agenda: Grundlagen von Datenbanken SS 2010 3. Relationale Algebra Prof. Dr. Stefan Böttcher Universität Paderborn mit Material von Prof. Dr. Gregor Engels Grundlagen von Datenbanken - SS 2010 - Prof. Dr.
MehrOne of the few resources increasing faster than the speed of computer hardware is the amount of data to be processed. Bin Hu
Bin Hu Algorithmen und Datenstrukturen 2 Arbeitsbereich fr Algorithmen und Datenstrukturen Institut fr Computergraphik und Algorithmen Technische Universität Wien One of the few resources increasing faster
MehrAuswahl von Klauseln und Atomen in Prolog
5.6 Prolog... ist die bekannteste Implementierung einer LP-Sprache; wurde Anfang der 1970er von Alain Colmerauer (Marseille) und Robert Kowalski (Edinburgh) entwickelt. konkretisiert den vorgestellten
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
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
MehrDas disjunktive Graphenmodell für Shop-Probleme
Das disjunktive Graphenmodell für Shop-Probleme Definition 1: Ein disjunktiver Graph ist ein Graph G =(V, E) mit V = {(i, j) (i, j) SIJ} {q} {s} Die Knotenmenge ist die Menge der Operationen zuzüglich
MehrFortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid
Fortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid Institut für Statistik LMU München Sommersemester 2013 Zielsetzung
MehrSoftware-Test: Funktionstest
0/23 Software-Test: Funktionstest Andreas Zeller Lehrstuhl Softwaretechnik Universität des Saarlandes, Saarbrücken Funktionale Testverfahren 1/23 Funktionale Testverfahren testen gegen die Spezifikation
MehrANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik
ARFA ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik Ralf Leipner Domain Architect Analytics, Risk Management & Finance 33. Berner Architekten
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrKapitel 8: Physischer Datenbankentwurf
8. Physischer Datenbankentwurf Seite 1 Kapitel 8: Physischer Datenbankentwurf Speicherung und Verwaltung der Relationen einer relationalen Datenbank so, dass eine möglichst große Effizienz der einzelnen
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
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
Mehr