Vorlesung Informatik 2 Algorithmen und Datenstrukturen (02 – Funktionenklassen)

1. Vorlesung Informatik 2Algorithmen und Datenstrukturen(02 – Funktionenklassen) Prof. Dr. Th. Ottmann

2. Beschreibung und Analyse von Algorithmen Sprache zur Formulierung von Algorithmen : natürliche Sprache (Englisch), Java, C, Assembler, Pseudocode Mathematisches Instrumentarium zur Messung der Komplexität (des Zeit- und Platzbedarfs von Algorithmen): Groß-O-Kalkül

3. Primitive Operationen • Grundlegende Berechnungen, die von einem Algorithmus ausgeführt werden • Ablesbar aus Pseudocode oder Programmstück • Überwiegend unabhängig von einer (imperativen) Programmiersprache • Exakte Definition ist nicht bedeutend • Beispiele • einen Ausdruck auswerten • einer Variablen einen Wert zuweisen • Indexierung in einem Array • Aufrufen einer Methode • Verlassen einer Methode

4. Zählen von primitiven Operationen Durch Untersuchen des Pseudocode können wir die maximale Zahl von primitiven Operationen, die durch einen Algorithmus ausgeführt wurden, als eine Funktion der Eingabegröße bestimmen. AlgorithmusarrayMax(A,n) # OperationencurrentMaxA[0] 2for i 1 to n-1 do 2(n-1) ifA[i] > currentMaxthen 2(n-1)currentMax A[i] 2(n-1){ erhöhe Zähler i }return currentMax 1 Total 6n-3

5. Laufzeit abschätzen • Der Algorithmus arrayMax führt im worst case 6n - 3 primitive Operationen aus • Definiere a Zeit, die die schnellste primitive Operation verbraucht hatb Zeit, die die langsamste primitive Operation verbraucht hat • T(n) sei die tatsächliche worst-case Laufzeit von arrayMax . Dann ist : • Daher ist die Laufzeit T(n) durch zwei lineare Funktionen beschränkt.

6. Funktionenklassen Groß-O-Notation:Mit -, - und -Notation sollen obere, untere bzw. genaue Schranken für dasWachstum von Funktionen beschrieben werden. Idee:Konstante Summanden und Faktoren dürfen bei der Aufwandsbestimmungvernachlässigt werden. Gründe:• Man ist an asymptotischem Verhalten für große Eingaben interessiert• Genaue Analyse kann technisch oft sehr aufwendig oder unmöglich sein• Lineare Beschleunigungen sind ohnehin immer möglich (Ersatz vonHardware/Software) Ziel: Komplexitätsmessungen mit Hilfe von Funktionenklassen. Etwa sind dieFunktionen, die (höchstens) in der Größenordnung von f sind.

7. Die Θ -Notation Sei eine Funktion gegeben, dann ist folgende Menge vonFunktionen: Die -Notation gibt also eine asymptotisch feste Grenze für eine Funktion. Wenn zu gehört, sagt man und schreibt oder auch (mathematisch fragwürdig) ist Gross-Theta von

8. Veranschaulichung der Θ -Notation c1g(n) f(n) c2g(n) n n0

9. Die O-Notation Sei eine Funktion gegeben, dann ist folgende Menge vonFunktionen: Die -Notation gibt also eine asymptotisch obere Grenze für eine Funktion. Wenn zu gehört, sagt man und schreibt oder auch (mathematisch fragwürdig) ist Gross - O von

10. c g(n) f(n) n n0 Veranschaulichung der O-Notation

11. Die Ω -Notation Sei eine Funktion gegeben, dann ist folgende Menge vonFunktionen: Die -Notation gibt also eine asymptotisch untere Grenze für eine Funktion. Wenn zu gehört, sagt man und schreibt oder auch (mathematisch fragwürdig) ist Gross - Omega von

12. f(n) g(n) n n0 Veranschaulichung der Ω-Notation

13. Bemerkungen zu den O-Notationen In manchen Quellen findet man leicht abweichende Definitionen, etwa Für die relevantesten Funktionen (etwa die monoton steigenden nicht kongruent 0) sind diese Definitionen äquivalent.

14. Der O-Kalkül Einfache Regeln: Additionsregel: Multiplikationsregel: Additionsregel findet Anwendung bei der Berechnung der Komplexität, wennProgrammteile hintereinander ausgeführt werden. Multiplikationsregel findet Anwendung bei der Berechnung der Komplexität, wennProgrammteile ineinander geschachtelt werden.

15. Hierarchie von Größenordnungen Größenordnung O(1)O(log n)O(log2n)O(n)O(n log n)O(n2)O(n3)O(nk)k konstant Name konstante Funktionenlogarithmische Funktionenquadratisch logarithmische Funktionenlineare Funktionenn log n-wachsende Funktionenquadratische Funktionenkubische Funktionenpolynomielle Funktionen f heißt polynomiell beschränkt ,wenn es ein Polynom p mitgibt. fwächst exponentiell , wenn es ein gibt mit .

16. Laufzeit T(n) 1 Sekunde 1 Minute 1 Stunde Laufzeit T(n) neue Problemgröße Skalierbarkeiten Annahme: 1 Rechenschritt 0.001 Sekunden. Maximale Eingabelänge beigegebener Rechenzeit. Annahme: Es kann auf einen 10-fach schnelleren Rechner gewechselt werden.Statt eines Problems der Größe kann in gleicher Zeit dann berechnet werden:

17. Bestimmung des Zeitaufwands • Sei A ein Programmstück, dessen Zeitaufwand cost(A) zu bestimmen ist: • A ist einfache Anweisung (read, write, +, -, . . . ): • A ist Folge von Anweisungen: Additionsregel anwenden • A ist if-Anweisung:(a) if (cond) B; cost(A) = cost(cond) + cost(B)(b) if (cond) B; else C; cost(A) = cost(cond) + max(cost(B), cost(C)) • A ist eine Schleife (while, for, . . . ): • A ist Rekursion . . .

18. Implementation in Java class Mult { public static void main ( String [] args ) { int x = new Integer (args[0]). intValue(); int y = new Integer (args[1]). IntValue(); System.out.println (“Das Produkt von “ +x+ “ und “ +y+ “ ist “ +mult(x,y)); public static int mult (int x, int y) { int z = 0; while (y>0) if (y % 2 == 0) { y = y / 2; x = x+x ;} else { y = y-1; z = z+x; } return z; }}