1 / 17

Algorithmen und Datenstrukturen 1 Sommersemester 2000

Algorithmen und Datenstrukturen 1 Sommersemester 2000. Prof. Dr. Gerhard Heyer Institut für Informatik Abt. Automatische Sprachverarbeitung Hauptgebäude, 1. Stock, Zi. 1-52. Vorlesung basierend u.a. auf:  Ottmann/Wiedmayer, Algorithmen und Datenstrukturen, Spektrum

hadassah-duke
Download Presentation

Algorithmen und Datenstrukturen 1 Sommersemester 2000

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Algorithmen und Datenstrukturen 1Sommersemester 2000 Prof. Dr. Gerhard Heyer Institut für Informatik Abt. Automatische Sprachverarbeitung Hauptgebäude, 1. Stock, Zi. 1-52 Vorlesung basierend u.a. auf: Ottmann/Wiedmayer, Algorithmen und Datenstrukturen, Spektrum Akademischer Verlag, Heidelberg: 21996 Foliensammlung Prof. Rahm und Prof. Brewka

  2. Organisatorisches Übungen ab 10.4.2000 (1 SWS) Übungsblatt ab 5.4.2000 vierzehntägig nur im Netz (Lernserver) Abgabe der Lösungen jeweils 2 Wochen später, 5 Minuten vor der Vorlesung (erste Abgabe 19.4.2000) Regelmäßige Abgabe der Lösungen Zulassungsbedingung zur Übungsklausur! (50% der Punkte) Übungsklausur 12. Juli 2000 Bestehen der Übungsklausur Zulassungsbedingung zu Prüfungsklausur im Wintersemester! Vorlesungsfolien ... werden wöchentlich ins Netz gestellt (Lernserver)

  3. Organisatorisches Übungsleiter: Dr. Gräbe (Zi 2-51), Dr. Lange (Zi 1-08) Termine für Übungsgruppen: Dr. Gräbe Fr. A 9.15-10.45 Uhr SR 3-11 Fr. B 9.15-10.45 Uhr SR 3-11 Mi. A 11.15-12.45 Uhr SR 2-71 Mi. B 11.15-12.45 Uhr SR 2-71 Dr. Lange Di. A 9.15-10.45 Uhr SR 3-03 Di. B 9.15-10.45 Uhr SR 3-03 Do. A 11.15-12.45 Uhr SR 3-11 Do. B 11.15-12.45 Uhr SR 3-11 Programmiersprache: C

  4. Komplexität von Algorithmen Listen und Listenorperationen Suche in Listen Sortieren Natürliche Bäume und Binärbäume Ausgeglichene Binärbäume Blattsuchbäume (Digitalbäume) Mehrwegbäume Hashing Aktueller Vorlesungs- und Übungsplan auf dem LERNSERVER! Inhalt der Vorlesung

  5. T. Ottman, P. Widmayer, Algorithmen und Datenstrukturen, Spektrum 21996 R. Sedgwick, Algorithmen in C, Addison Wesley 1993 U. Schöning, Algorithmen - kurz gefasst, Spektrum 1997 Empfohlene Lehrbücher Denenberg, Data Structures and their Algorithms, Harper/Collins 1991 Engesser/Claus/Schwill, Informatik Duden, BI 1993 Louden, Mastering Algorithms with C, O’Reilly 1999 Richter/Sander/Stucky, Problem-Algorithmus-Programm, Teubner 1993 Aho, Hopcroft, Ullman, Data Structures and Algorithms (1983) Knuth, The Art of Computer Programming Vol.3 (1973)

  6. Aufgabe: Maximum Subarray Problem gegeben: Folge X von ganzen Zahlen der Länge N gesucht: maximale Summe der Elemente einer zusammenhängenden Teilfolge maxtsumme := 0;for u := 1 to N do for o := u to N do begin{bestimme Summe der Elemente in Teilfolge X[u .. o]} summe := 0; for i := u to o do summe := summe + X[i];maxtsumme := max(summe, maxtsumme) end

  7. Anzahl der Additionen in innerster for-Schleife:1 + 2 + 3 + 4 + 5 + 6 ... + N1 + 2 + 3 + 4 + 5 ... + N-11 + 2 + 3 + 4 ... + N-2...1N + (N-1)2 + (N-2)3 + ... + 1N Dieser Algorithmus benötigt Q(N3) Schritte (Zuweisungen)

  8. Bessere Lösung durch Divide and Conquer Methode: • Allgemein: Divide and Conquer- Verfahren zur Lösung eines Problems der Größe N • . Divide: Falls N > 1 teile Problem in annähernd gleich große Teilprobleme, sonst löse Problem direkt. • . Conquer: Löse (rekursiv) Teilprobleme. • . Merge: Kombiniere Teillösungen zu Gesamtlösung.

  9. Beobachtung: wenn man Folge in 2 Teile A und B teilt, so ist die gesuchte Teilfolge entweder in A, oder in B, oder in beiden. Im letzten Fall sind die Randelemente in der gesuchten Teilfolge, und diese besteht aus 2 maximalen Teilstücken, die beim jeweiligen Rand beginnen (rechtes Randmaximum von A + linkes Randmaximum von B) . Die Randmaxima von X[l], ..., X[r] kann man in linearer Zeit berechnen:lmax := 0;summe := 0;for i := l to r do begin summe := summe + X[i]; lmax := max(lmax, summe)endrmax analog. Anwendung auf Maximum Subarray Problem:

  10. Damit erhält man folgenden D&C-Algorithmus: Algorithmus maxtsum(X);{liefert maximale Teilsumme der Folge X ganzer Zahlen}beginif X enthält nur ein Element athen (if a > 0 then maxtsum := a else maxtsum := 0)elsebeginteile X in linke und rechte Teilfolgen A und B annähernd gleicher Größe; maxtinA := maxtsum(A); maxtinB := maxtsum(B); bestimme rechtes Randmaximum von A, rmax(A); bestimme linkes Randmaximum von B, lmax(B); maxtsum := max(maxtinA, maxtinB, rmax(A) + lmax(B))endend

  11. Sei T(N) Anzahl der Schritte des Algorithmus bei Eingabe einer Folge der Länge N. Es gilt:T(N) = 2 T(N/2) + C . NDa T(1) konstant (T(1) = C1) erhält man T(N) = Q(N log N). Beispiele: T(1) = C1 T(2) = 2C1+ 2C T(4) = 4C1 + 8C T(8) = 8C1 + 24 C T(16) = 16C1 + 64 C T(32) = 32C1 + 160 CGleichungen wie die obige nennt man Rekursionsgleichungen. (Sie treten bei Komplexitätsanalysen oft auf.)

  12. wir durchlaufen Positionen 1,...,N, merken uns jeweils die maximale Summe bismax im bisher inspizierten Anfangsstück sowie rechtes Randmaximum scanmax. Bei Vorrücken um 1 Position ist neue maximale Teilfolge entweder gleich der alten, oder sie enthält neues Randelement und ist dann das neue rechte Randmaximum. Neues rechtes Randmaximum ist scanmax + a, a Wert der nächsten Position, falls diese Summe positiv, sonst 0. scanmax := 0;bismax := 0;for i := 1 to N dobegin if scanmax + X[i] > 0 then scanmax := scanmax + X[i] else scanmax := 0; bismax := max(scanmax, bismax)end Noch besseres Verfahren: Scan-Line-Prinzip.

  13. Algorithmus führt nur N (linear viele) Schritte aus. Optimale Komplexität, da jede Position ja mindestens einmal überprüft werden muß.Beispiel: ___maximale Teilsequenz_____ 8 -17 -6 4 19 -5 -12 21 smax 8 0 0 4 23 18 6 27 bmax 8 8 8 8 23 23 23 27

  14. Komplexität einer Funktion ist untere Schranke für die Effizienz eines Algorithmus. Effizienz eines Algorithmus ist obere Schranke für die Komplexität der durch den Algorithmus realisierten Funktion. Ein A. heisst effizient, wenn er ein vorgegebenes Problem in möglichst kurzer Zeit und/oder möglichst geringem Aufwand an Betriebsmitteln (Laufzeit, Speicherplatz) löst. Unterschied zwischen Problemkomplexität und Algorithmuskomplexität. Grundbegriffe:

  15. Üblicherweise verwendete Funktionen zum Messen des Wachstums: 1) logarithmische: log n2) linear: n3) n log n: n log n4) quadratisch, kubisch, ... n2, n3, ...5) exponentiell: 2n, 3n, ...Unterschied handhabbar (tractable) - nicht handhabbar wird zwischen (4) und (5) gemacht.

  16. Beispiel-Tabellen aus Garey/Johnson. Annahme: 1 Operation braucht 1 Nanosekunde (Millionstel Sekunde)s: Sekunden m: Minutend: Tage (days) y: Jahre (years)c: Jahrhunderte (centuries) Größe /Wachstum 10 20 30 40 50 60 n .00001 s .00002 s .00003 s .00004 s .00005 s .00006 s n2 .0001 s .0004 s .0009 s .0016 s .0025 s .0036 s n3 .001 s .008 s .027 s .064 s .125 s .216 s n5 .1 s 3.2 s 24.3 s 1.7 m 5.2 m 13.0 m 2n .001 s 1.0 s 17.9 m 12.7 d 35.7 y 366c 3n .059 s 58 m 6.5 y 3855 c 2 á 108 c 1.3 á 1013 c

  17. Wie wirken sich technologische Fortschritte(schnellere Computer) aus? Größe des größten Problems, das in 1 Stunde gelöst werden kann: größtes Problem/ genwärtige Rechner RechnerWachstum Rechner 100 mal schneller 1000 mal schneller n N1 100 N1 1000 N1n2 N2 10 N2 31.6 N2n3 N3 4.64 N3 10 N3n5 N4 2.5 N4 3.98 N42n N5 N5 + 6.64 N5 + 9.97 3n N6 N6 + 4.19 N6 + 6.29

More Related