Mm5: Counting, probabilities and randomized algorithms - Oktober 24, 2008
|
|
- Augusta Ravn
- 8 år siden
- Visninger:
Transkript
1 Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm5: Counting, probabilities and randomized algorithms - Oktober 24,
2 Algorithms and Architectures II 1. Introduction to analysis and design of algorithms(rlo) 2. Recursive algorithms and recurrences (RLO) 3. More about recurrences (RLO) 4. Greedy algorithms, backtracking and more recurrences(rlo) 5. Counting, probabilities and randomized algorithms (RLO) 6. More sorting algorithms: Heap sort and quick sort (RLO) 7. A little bit more about sorting - and more times for exercises (RLO) 8. Hash tables, Hashing and binary search trees (RLO) 9. Binary search trees, red-black trees (JJE) 10. Red-black trees continued + string matching (JJE) 2
3 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 3
4 To klasser af tilfældige algoritmer Las Vegas a Las Vegas algorithm is a randomized algorithm that never gives incorrect results; that is, it always produces the correct result or it informs about the failure Monte carlo are a class of computational algorithms that rely on repeated random sampling to compute their results. 4
5 Lidt omkring sandsynlighed Frequentists talk about probabilities only when dealing with well defined random experiments. The probability of a random event denotes the relative frequency of occurrence of an experiment's outcome, when repeating the experiment. Frequentists consider probability to be the relative frequency "in the long run" of outcomes. Sandsynlighed er således defineret som antallet af begivenheder A ud af N totale begivenheder Pr( A) = N N a 5
6 6 Indikator funktion Vi definerer en indikator funktion som Dermed kan en sandsynlighed også udtrykkes som (Lemma 5.1) = hvis A ikke er sket 0 er sket hvis 1 ) ( A A I = = = = N i A a A I N X E N N A 1 ) ( 1 ] [ ) Pr(
7 Sandsynlighedsanalyse brug af indikator funktion Fødselsdagsparadokset Spørgsmålet er hvor mange personer der skal være i et rum, før der er 50% sandsynlighed for at to af dem er født på samme dag nogen gæt? Og så det samme problem ved brug af indikator funktion Bemærk forskellen: Først kiggede vi på sandsynligheden Dernæst kiggede vi på den forventede værdi 7
8 Eksempel verifikation af mismatch probability Tilgang af dynamisk information fra noder i netværk Eksemplet ovenfor angiver en reaktiv tilgang Vi udviklede en stokastisk model der angiver sandsynligheden for at benytte forkert data Problemet er at finde ud af om vores model er rigtig! 8
9 Eksempel metode Grundlæggende ide for evaluering af model Registrer de modtagne værdier til tidspunktet de er modtage Registrer event værdierne til samme tidspunkt Sammenlign, og indiker en værdi hvis forskellig R E I( E, R, U, D) = I{ abs( E R E ) > Na Ved brug af kan Pr( Avi ) = nu sammenligne hvis de involverede processer er af ens N karakter R 0} 9
10 Eksempel resultat og evaluering Mismatch Probability [*] Mismatch probability (Reactive, Cached, Cbar=5), Ebar=10, μ=1, Ubar=4, Dbar=3 1 Reactive Reactive, cached Proactive, event (Full) Proactive, event (Inc) Proactive, per (τ=2) Event interarrival time [s] Konklusion: Det er søreme et tilfælde hvis model og simulering ikke passer overens!! 10
11 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 11
12 Hire assistant algoritme og kompleksitetsanalyse Funktion Hire-Assistant(n) Cost Gentagelser 1 Best = 0-2 For i = 1 to n - 3 do Interview candidate i c i 4 if candidate i is better than candidate best - 5 then best = i - 6 Hire candidate best c h 1 n n n m m Vi kigger nu kun på prisen for at interviewe versus hyringen af folk T(n) = O(c i n+c h m); c i <<c h Klart at T(n) = O(c h n) i værste tilfælde, men hvad med gennemsnitlig? Spørgsmålet er hvad er m? Tavlenoter.. Dermed er T(n) = O(c h Ln(n)) gennemsnitlig!! (meget bedre end O(c h n)) 12
13 Input afhængig kompleksitet Udgangspunkt er tre forskellige rankerings vektorer A 1 = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} A 2 = {10, 9, 8, 7, 6, 5, 4, 3, 2, 1} A 3 = {5, 2, 1, 8, 4, 7, 10, 9, 3, 6} Med input A 1, vil der blive hyret 10 assistenter Dårligste situation, T(n) = O(n) Med input A 2, vil der blive hyret 1 assistent Bedste situation, T(n) = O(1) Men input A 3, vil der blive hyret 3 assistenter Et eller andet sted midt imellem, T(n) = O(c h Ln(n)) 13
14 Randomized algoritmer Funktion Hire-Assistant(n) 1 Randomly permutate input vector 2 Best = 0 3 For i = 1 to n 4 do Interview candidate i 5 if candidate i is better than candidate best 6 then best = i 7 Hire candidate best Cost c i - - c h Gentagelser 1 1 n n n m m Hvad nu hvis vi permuterer vores input, så vi aldrig får bedst/værste tilfælde, men altid noget derimellem? Svar: Vi kan nu med sikkerhed benytte resultatet fra tidligere, dvs. T(n) = O(c h Ln(n)) Somme tider er det bedre at kende kompleksiteten med sikkerhed 14
15 Tilfældig permutering af array En generel metode til at permutere et array A[1..n] F.eks. A = {1, 2, 3, 4}, og P = {36, 3, 97, 19} P er en prioritetsnøgle der anvendes til sorteringen B er output vektoren = S(A, P) = {2, 4, 1, 3} (vis koncept på tavlen) En implementering af algoritmen kan se således ud Permute-by-sorting(A) n = length(a) for i = 1 to n do P[i] = Random(1,n 3 ) sort A using P as sort key Algoritmen tager T(n) = Θ(nLog 2 (n)) tid pga. sorteringen i step 4 Nu kan vi så lige hygge os med at kontrollere den også levere en uniform fordelt sortering, der er grundlag for kompleksitetsberegningen 15
16 En anden og bedre metode Randomize-in-place En bedre metode er at permutere på stedet. Random-in-place(A) gør det på O(n) tid Random-in-place(A) 1 n = length(a) 2 for i = 1 to n 3 do swap A[i] with A[Random(i,n)] Producerer en uniformt tilfældig fordelt permutation 16
17 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 17
18 Genetiske Algoritmer Charles Darwin publicerede I 1859 The Origin of Species by Means of Natural Selection Den stærkeste overlever! Stærkere gener overlever livets kård Svagere gener uddør Det er miljøet der dikterer hvad vi forstår ved godt eller dårligt helbred Genetiske algoritmer er sandsynlighedsbaserede søge algoritmer 18
19 Det omrejsende rockband (the travelling salesman) problem 19
20 Det omrejsende rockband Begrænsninger der skal tages i betragtning af rock bandet Minimering af tiden brugt i luften/på vejen Minimering af prisen for rejsen i Euro eller DKR Derudover spiller bandet ikke så godt, så derfor Er det ikke nogen god ide at bandet tager tilbage til samme by igen Eksempler: tre tilfældig valgte ture $ : Madrid, Vienna, Moscow, Berlin, Brussels, Munich, Milan, Barcelona, London, Hamburg, Warsaw, Dublin, Kiev, Paris, Rome $ : London, Rome, Brussels, Kiev, Hamburg, Warsaw, Barcelona, Paris, Munich, Dublin, Vienna, Moscow, Madrid, Milan, Berlin $ : Madrid, Milan, Kiev, Vienna, Warsaw, London, Barcelona, Hamburg, Paris, Munich, Dublin, Berlin, Moscow, Rome, Brussels Spørgsmålet er nu: Er en af de ture blandt de bedste vi kan finde, der tager vores begrænsninger i betragtning? Findes der bedre måder at lave turen på? 20
21 Darwin inde i en computer! Overlevende befolkning = Nuværende befolkning + Miljø Ny befolkning = Overlevende befolkning + Næste generation Start Ny befolkning Stop Valg/ Miljømæssigt pres Reproduktion & Mutation En løsning er fundet 21
22 Beskrivelse af vores befolkning, eller væsnet der skal overleve Problemet: Hvordan beskriver vi vores væsen i vores program? Datamatisk beskrivelse af kromosomer. Eksempel med beskrivelse af rock bandets tur Binær beskrivelse til at finde den rigtige retning Turen for rockbandet kunne være {London, Dublin, Paris, Brussels, Hamburg, Berlin, Warsaw,.} der er beskrevet således {1,0,2,3,8,4,5,...} eller binært som {0001,0000,0010,0011,1000,0100,0101,...} Code Decoded Meaning Dublin London Paris Brussels Direction codes 22
23 Beskrivelse af helbredet Jo bedre form væsnet er i, jo større sandsynlighed har det for at overleve Et væsens helbred er individuelt til problemet der skal løses Et eksempel: Rockbandets tur En parameter er rejsetiden Vi definerer en matrix der beskriver rejsetiden mellem byerne En parameter der beskriver turen i Euro Vi definerer en matrix der beskriver rejseprisen mellem byerne En cost funktion kan defineres N C = w p pricei + wt i= 1 time Helbreddet kunne defineres således i F London Berlin Warsaw London Berlin Warsaw 1 = C London 0 1.5h 2.5h London Berlin 1.5h 0 0.5h Berlin Warsaw 2.5h 0.5h 0 Warsaw
24 Skabelsen af et samfund af væsner Initiering af algoritmen ved at definere N antal væsner Et væsens genome er beskrevet af en række kromosomer Et væsens genome værdier kan baseres på Tilfældigt valgte værdier blandt gyldige kromosomer Kvalificerede initierende gæt En kombination af de to Dette er vores initierende befolkning New population Start Stop Selection/ Environment press Reproduction & mutation 24
25 Vedligeholdelse af population I første iteration er der ikke meget at vedligeholde - Befolkningen består af den initierende bestand Efter første iteration dannes en befolkning af den overlevende befolkning, plus den nye generation New population Start Stop Selection/ Environment press Reproduction & mutation 25
26 Hvem vil overleve vores fjendtlige miljø? Først beregner vi overlevelsesevnen for hvert væsen Hvis, der eksisterer en løsning på vores problem (mere eller mindre), så stopper legen her (overlevelsesevnen er stor nok ) Lidt upolitisk korrekt, men elitisme er et koncept der Sikrer at vores bedste væsner altid får reproduceret sig selv Udrensning af de værste væsner Men vær lidt forsigtig med elitisme Populationen bliver nemt for homogen til at sikre sig en videre evolutionær udvikling! New population Start Stop Selection/ Environment press Reproduction & mutation 26
27 Reproduction er en tilfældig process Hvem skal parre sig med hvem? Overfladen er bestemt ved Drrrrr rrrr rrr Det er basalt set et spil roullette overlevelsesevnen af de Tik tik tik tik tik individuelle væsner i forhold til den totale masse. Jo bedre overlevelsesevne, jo større areal, jo større chance 1 for at blive valgt til 2 3 reproduktion New population Start Stop Selection/ Environment press Reproduction & mutation 27
28 Og nu til selve reproduktionsakten Når nu to par har fundet sammen, så vil de have nogle børn Et eksempel på hvordan en søn/datter er skabt Mor {10,11,10,01,01,01} + Far {11,11,10,01,10,11} {01,10,11,10,11,10} Nyt barn Der findes forskellige metoder til at krydse kromosoner Delvist afbildning af krydsning Alternativ positionering af krydsning Maksimal bevarelses krydsning Og mange andre 28
29 Mutant børn Mutation af kromosomer i børnene er anvendt for at sikre forskelligheder i befolkningen Tilfædig ændring af kromosomer og genomer, eksempel: Mor {10,11,10,01,01,01} + Far {11,11,10,01,10,11} {01,10,11,10,11,10} Nyt barn {01,11,11,10,11,00} Nyt muteret barn Ugyldige mutationer bør fjernes, eller som minimum håndteres på en eller anden måde af algoritmen Hastigheden/hyppigheden hvormed der sker mutationer, har en indflydelse på hvor hurtigt en løsning kan opnås, men ved for lav rate risikerer man at der ikke sker nok ved for høj rate risikerer man at der sker for meget 29
30 Udfordringer og fordele ved genetiske algoritmer Genetiske algoritmer er brugbare hvis Et givent problem kan specificeres i forhold til et set af parametre og der kan defineres en fornuftig cost/helbreds værdi Hvis der er for mange parametre til fuldstændigt at udforske parameter rummet indenfor rimelig tid Men, men, men Genetiske algoritmer kan ikke presses ned over alle typer problemer, selv dem der ser relevante ud Det kan være meget svært at definere en fornuftig beskrivelse af et væsen Det kan være meget svært at definere en fornuftig helbredsfunktion Det er ikke garanteret at en optimal løsning for et givet problem bliver fundet 30
31 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 31
32 Dannelse af tilfældige tal Er en videnskab i sig selv Dannede sekvenser af tal skal opfylde en mængde statistiske krav for at være uafhængige Hvad er tilfældighed? Noget af et filosofisk spørgsmål. Hvordan opnår vi tilfældighed i en computer? Eksempler: måling af støj fra zener dioder, tidsinterval mellem partikel ankomst ved radioaktiv nedbrydelse af materiale, Atmosfærisk og termisk støj Hvad er pseudotilfældige tal, og hvorfor har vi dem? Tal der er generet af deterministiske algoritmer, der overholder de givne statiske krav Fordelen er at en given rækkefølge kan gentages 32
33 Et eksempel på hvor dyrt og besværligt det kan være En bestemt type mikrochips har indbygget en hardware Random Number Generator (RNG) der består af Fire uafhængig kørende oscillators med hver forskellig hastighed Output fra de to af dem er XOR et og dette signal benyttes til at kontrollere bias på den trejde oscillator Output fra den trejde oscillator bruges til at clocke den fjerde oscillator der producerer de rå bits Varme variationer, silikone variationer samt lokale elektriske betingelser sikrer forskelligheden i de fire oscillatorer, der igen sikrer tilfældighed Derudover har chipsene indbygget endnu en RNG af samme type, og det endelige output er en blanding af de to RNG s!!! Så ja, det er noget af en videnskab at lave tilfældige tal!! 33
34 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 34
35 Opsummering og konklusion Vi så i dag på random algoritmer, for hvilket indikator funktionen spiller en væsentlig rolle 1 I( A) = 0 hvis A er sket hvis A ikke er sket Anvendes bl.a. til estimering af sandsynligheder Verificering af stokastiske modeller Analyse af kompleksitet ved anvendelse af indikator funktion Andre eksempler på anvendelse af tilfældigheder til løsning af problemer Konceptuel gennemgang af genetiske algoritmer Endelig et par ord om generering af tilfældige tal Det er ikke nødvendigvis simpelt at genere gode tilfældige tal! 35
36 Dagsorden Først lidt om sandsynligheder Indikator funktion Eksempel på anvendelse af indikator funktion Anvendelse til analyse af algoritmer og algoritme kompleksiteter Hyring af salgsmand problemet Genetiske algoritmer Lidt om generering af tilfældige tal Opsummering og konklusioner Opgaver 36
37 Dagens hik 37
38 Opgaver Gennemgå eksempel 5.4.2, eller på tavlen Øvelse 5.4-1, 5.4-3, Problem
Mm7: A little bit more about sorting - and more times for exercises - November 4, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm: A little bit more about sorting - and more times for exercises - November 4, 2008 1 Algorithms and Architectures
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm3: More about recurrences - October 10, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm3: More about recurrences - October 10, 2008 1 Algorithms and Architectures II 1. Introduction to analysis and
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm2: Rekursive algoritmer og rekurrens - October 10, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm2: Rekursive algoritmer og rekurrens - October 10, 2008 1 Algorithms and Architectures II 1. Introduction to analysis
Læs mereMm6: More sorting algorithms: Heap sort and quick sort - October 29, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm6: More sorting algorithms: Heap sort and quick sort - October 9, 008 Algorithms and Architectures II. Introduction
Læs mereMm8: Hash tables, Hashing and binary search trees - November 7, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm8: Hash tables, Hashing and binary search trees - November 7, 2008 1 Algorithms and Architectures II 1. Introduction
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm2: Rekursive algoritmer og rekurrens - October 12, 2010
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm2: Rekursive algoritmer og rekurrens - October 12, 2010 1 Algorithms and Architectures II 1. Introduction to analysis and design of algorithms
Læs mereMm4: Greedy algorithms, backtracking and more recurrences - October 21, 2008
Algorithms and Architectures I Rasmus Løvenstein lsen (RL), Jimmy Jessen Nielsen (JJE) Mm4: Greedy algorithms, backtracking and more recurrences - ctober 21, 2008 Algorithms and Architectures II 1. Introduction
Læs mereMm1: Introduction to analysis and design of algorithms - October 7, 2008
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jimmy Jessen Nielsen (JJE) Mm1: Introduction to analysis and design of algorithms - October 7, 2008 Algorithms and Architectures II 1. Introduction
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm8: Hash tables og Hashing - November 10, 2010
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm8: Hash tables og Hashing - November 10, 2010 1 Algorithms and Architectures II 1. Introduction to analysis and design of algorithms (RLO
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm1: Introduction to analysis and design of algorithms - October 11, 2010
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO) Mm1: Introduction to analysis and design of algorithms - October 11, 2010 1 Algorithms and Architectures II 1. Introduction to analysis and
Læs mereAlgorithms & Architectures I 2. lektion
Algorithms & Architectures I 2. lektion Design-teknikker: Divide-and-conquer Rekursive algoritmer (Recurrences) Dynamisk programmering Greedy algorithms Backtracking Dagens lektion Case eksempel: Triple
Læs mereAlgorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jens Myrup Pedersen (JMP) Mm4: Sorting algorithms - October 23, 2009
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jens Myrup Pedersen (JMP) Mm4: Sorting algorithms - October 3, 009 Algorithms and Architectures II. Introduction to analysis and design of
Læs mereEt generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel:
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel: Opbyg løsningen skridt for skridt ved hele tiden af vælge lige
Læs mereECE 551: Digital System * Design & Synthesis Lecture Set 5
ECE 551: Digital System * Design & Synthesis Lecture Set 5 5.1: Verilog Behavioral Model for Finite State Machines (FSMs) 5.2: Verilog Simulation I/O and 2001 Standard (In Separate File) 3/4/2003 1 ECE
Læs mereDifferential Evolution (DE) "Biologically-inspired computing", T. Krink, EVALife Group, Univ. of Aarhus, Denmark
Differential Evolution (DE) Differential Evolution (DE) (Storn and Price, 199) Step 1 - Initialize and evaluate Generate a random start population and evaluate the individuals x 2 search space x 1 Differential
Læs mere4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 28. august 2003 Morten Frydenberg, Institut for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (udfra
Læs mereNetværksalgoritmer 1
Netværksalgoritmer 1 Netværksalgoritmer Netværksalgoritmer er algoritmer, der udføres på et netværk af computere Deres udførelse er distribueret Omfatter algoritmer for, hvorledes routere sender pakker
Læs mereGeneralized Probit Model in Design of Dose Finding Experiments. Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US
Generalized Probit Model in Design of Dose Finding Experiments Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US Outline Motivation Generalized probit model Utility function Locally optimal designs
Læs mereParallelisering/Distribuering af Genetiske Algoritmer
Parallelisering/Distribuering af Genetiske Algoritmer Hvorfor parallelisere/distribuere? Standard GA algoritme Modeller Embarassing parallel Global (fitness evaluering) Island (subpopulation) Grid/Cellular
Læs mereSafe Park parkeringsur: Brugervejledning
Safe Park parkeringsur: Brugervejledning Frasigelse Oplysningerne i dette dokument kan ændres uden varsel. Der tages intet ansvar for tekniske eller redaktionelle fejl eller udeladelser heri, ej heller
Læs mereMm1: Introduction to analysis and design of algorithms - October 6, 2009
Algorithms and Architectures I Rasmus Løvenstein Olsen (RLO), Jens Myrup Pedersen (JMP) Mm1: Introduction to analysis and design of algorithms - October 6, 2009 Algorithms and Architectures I 1. Introduction
Læs mereSkriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM58) Institut for Matematik og Datalogi Syddansk Universitet, Odense Torsdag den 1. januar 01 kl. 9 13 Alle sædvanlige hjælpemidler
Læs mereAlgoritmedesign med internetanvendelser ved Keld Helsgaun
Algoritmedesign med internetanvendelser ved Keld Helsgaun 1 Analyse af algoritmer Input Algoritme Output En algoritme er en trinvis metode til løsning af et problem i endelig tid 2 Algoritmebegrebet D.
Læs mere19 Hashtabeller. Noter. PS1 -- Hashtabeller. Hashing problemet. Hashfunktioner. Kollision. Søgning og indsættelse.
19 Hashtabeller. Hashing problemet. Hashfunktioner. Kollision. Søgning og indsættelse. Sammenligning af hashtabeller og søgetræer. 281 Hashing-problemet (1). Vi ønsker at afbilde n objekter på en tabel
Læs mereVina Nguyen HSSP July 13, 2008
Vina Nguyen HSSP July 13, 2008 1 What does it mean if sets A, B, C are a partition of set D? 2 How do you calculate P(A B) using the formula for conditional probability? 3 What is the difference between
Læs mereDM02 opgaver ugeseddel 2
DM0 opgaver ugeseddel af Fiona Nielsen 16. september 003 Øvelsesopgaver 9/9, 10/9 og 11/9 1. Vis, at 1 3 + 3 3 + 5 3 +... + (n 1) 3 = n 4 n. Omskriver til summationsformel: (i 1) 3 = n 4 n Bevis ved induktion
Læs mereTilfældige tal. Denne artikel introducerer generering af tilfældige tal og viser lidt om hvad man kan og ikke mindst hvad man ikke bør bruge.
Denne guide er oprindeligt udgivet på Eksperten.dk Tilfældige tal Denne artikel introducerer generering af tilfældige tal og viser lidt om hvad man kan og ikke mindst hvad man ikke bør bruge. Den forudsætter
Læs mereProject Step 7. Behavioral modeling of a dual ported register set. 1/8/ L11 Project Step 5 Copyright Joanne DeGroat, ECE, OSU 1
Project Step 7 Behavioral modeling of a dual ported register set. Copyright 2006 - Joanne DeGroat, ECE, OSU 1 The register set Register set specifications 16 dual ported registers each with 16- bit words
Læs mereRygtespredning: Et logistisk eksperiment
Rygtespredning: Et logistisk eksperiment For at det nu ikke skal ende i en omgang teoretisk tørsvømning er det vist på tide vi kigger på et konkret logistisk eksperiment. Der er selvfølgelig flere muligheder,
Læs mereDer er derfor, for at alle kan sende, kun tilladt, at sende intermitterende. Altså korte pakker. ( Dette skal dog verificeres!!)
MHz KIT Rev: /- Det er ikke tilladt, at man bare udsender radiobølger på den frekvens, man ønsker. Forskellige frekvenser er udlagt til forskellige formål. Nogle til politiet, militæret, FM-radio-transmission,
Læs mere28 Algoritmedesign. Noter. PS1 -- Algoritmedesign
28 Algoritmedesign. Algoritmeskabelon for Del og Hersk. Eksempler på Del og Hersk algoritmer. Binær søgning i et ordnet array. Sortering ved fletning og Quicksort. Maksimal delsums problem. Tætteste par
Læs mereHamilton-veje og kredse:
Hamilton-veje og kredse: Definition: En sti x 1, x 2,...,x n i en simpel graf G = (V, E) kaldes en hamiltonvej hvis V = n og x i x j for 1 i < j n. En kreds x 1, x 2,...,x n, x 1 i G kaldes en hamiltonkreds
Læs merewhat is this all about? Introduction three-phase diode bridge rectifier input voltages input voltages, waveforms normalization of voltages voltages?
what is this all about? v A Introduction three-phase diode bridge rectifier D1 D D D4 D5 D6 i OUT + v OUT v B i 1 i i + + + v 1 v v input voltages input voltages, waveforms v 1 = V m cos ω 0 t v = V m
Læs mereDet er muligt at chekce følgende opg. i CodeJudge: og
Det er muligt at chekce følgende opg. i CodeJudge:.1.7 og.1.14 Exercise 1: Skriv en forløkke, som producerer følgende output: 1 4 9 16 5 36 Bonusopgave: Modificer dit program, så det ikke benytter multiplikation.
Læs mereDATALOGI 1E. Skriftlig eksamen torsdag den 3. juni 2004
Københavns Universitet Naturvidenskabelig Embedseksamen DATALOGI 1E Skriftlig eksamen torsdag den 3. juni 2004 Opgaverne vægtes i forhold til tidsangivelsen herunder, og hver opgaves besvarelse bedømmes
Læs mereA ABERDEEN BILLUND. FORKLARING TIL DESTINATIONSLISTE: På Rammeaftale 16.08 Flyrejser har alle leverandører/flyselskaber skulle byde ind på følgende:
Air Canada Air France Austrian Airlines British Airways/Iberia Brussels Airlines Finnair KLM LOT Polish Airlines Lufthansa Norwegian SAS Swiss International Airlines United Airlines FORKLARING TIL DESTINATIONSLISTE:
Læs mereØ3.2: Modellering af en PC
Ø3.2: Modellering af en PC En PC består af en CPU og et bundkort: CPU er har følgende parametre: Slottypen: Slot A, Slot 1, Socket 7 Clockfrekvensen: 900 MHz, 1000 MHz, 1100MHz, 1200 MHz Modellen: Pentium
Læs merePARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU
PARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU OUTLINE INEFFICIENCY OF ATTILA WAYS TO PARALLELIZE LOW COMPATIBILITY IN THE COMPILATION A SOLUTION
Læs mereBarnets navn: Børnehave: Kommune: Barnets modersmål (kan være mere end et)
Forældreskema Barnets navn: Børnehave: Kommune: Barnets modersmål (kan være mere end et) Barnets alder: år og måneder Barnet begyndte at lære dansk da det var år Søg at besvare disse spørgsmål så godt
Læs mereIdeer til datalogiprojekter. Keld Helsgaun
Ideer til datalogiprojekter Keld Helsgaun 1 Keld Helsgaun Forskning: kombinatorisk optimering heuristisk søgning (kunstig intelligens) programmeringsværktøjer Undervisning: programmering, datastrukturer
Læs mereBRP Sortering og søgning. Hægtede lister
BRP 18.10.2006 Sortering og søgning. Hægtede lister 1. Opgaver 2. Selection sort (udvælgelsessortering) 3. Kompleksitetsanalyse 4. Merge sort (flettesortering) 5. Binær søgning 6. Hægtede lister 7. Øvelser:
Læs mereDANSK INSTALLATIONSVEJLEDNING VLMT500 ADVARSEL!
DANSK INSTALLATIONSVEJLEDNING VLMT500 Udpakningsinstruktioner Åben indpakningen forsigtigt og læg indholdet på et stykke pap eller en anden beskyttende overflade for at undgå beskadigelse. Kontroller at
Læs mereHandlingens rum versus det sociale rum
Handlingens rum versus det sociale rum Marie Louise Bjørn & Pernille Clausen Nymand Stud.mag. i Læring og Forandringsprocesser Institut for Læring og Filosofi Aalborg Universitet Abstract Formålet med
Læs mereDATALOGISK INSTITUT, AARHUS UNIVERSITET. Det Naturvidenskabelige Fakultet EKSAMEN. Grundkurser i Datalogi
DATALOGISK INSTITUT, AARHUS UNIVERSITET Det Naturvidenskabelige Fakultet EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 12 (tolv) Eksamensdag: Torsdag den 11. august 2011,
Læs mereSkriftlig Eksamen Beregnelighed (DM517)
Skriftlig Eksamen Beregnelighed (DM517) Institut for Matematik & Datalogi Syddansk Universitet Mandag den 31 Oktober 2011, kl. 9 13 Alle sædvanlige hjælpemidler (lærebøger, notater etc.) samt brug af lommeregner
Læs mereVejledning til brugen af bybrandet
Vejledning til brugen af bybrandet Indhold Hvorfor bruge bybrandet? s. 3-4 Inspiration/ big idea s. 5-10 Syv former for bybranding s. 11-18 Brug af logoet s. 19-21 Find desuden flere cases, designelementer
Læs merePatientinvolvering & Patientsikkerhed er der en sammenhæng? #patient16
Patientinvolvering & Patientsikkerhed er der en sammenhæng? #patient16 Konferencens hashtag: #patient16 Følg os på Twitter: @patientsikker Praktisk info og præsentationer: patientsikkerhed.dk/patient16
Læs mereGrundlæggende køretidsanalyse af algoritmer
Grundlæggende køretidsanalyse af algoritmer Algoritmers effektivitet Størrelse af inddata Forskellige mål for køretid Store -notationen Klassiske effektivitetsklasser Martin Zachariasen DIKU 1 Algoritmers
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereSortering ved fletning (merge-sort)
Sortering 1 Sortering ved fletning (merge-sort) 7 2 9 4 2 4 7 9 7 2 2 7 9 4 4 9 7 7 2 2 9 9 4 4 2 Del-og-hersk Del-og-hersk er et generelt paradigme til algoritmedesign Del: opdel input-data S i to disjunkte
Læs mereProfitten i det første år kan da beregnes som (i kr.)
Chapter 13: Simulation Simulation er en kvantitativ metode til bestemmelse af et real life systems basale karakteristika under usikkerhed v.h.a. eksperimenter indenfor en modelramme, der repræsenterer
Læs mereSign variation, the Grassmannian, and total positivity
Sign variation, the Grassmannian, and total positivity arxiv:1503.05622 Slides available at math.berkeley.edu/~skarp Steven N. Karp, UC Berkeley FPSAC 2015 KAIST, Daejeon Steven N. Karp (UC Berkeley) Sign
Læs mereDesign by Contract. Design and Programming by Contract. Oversigt. Prædikater
Design by Contract Design and Programming by Contract Anne Haxthausen ah@imm.dtu.dk Informatics and Mathematical Modelling Technical University of Denmark Design by Contract er en teknik til at specificere
Læs mereBRP 6.9.2006 Kursusintroduktion og Java-oversigt
BRP 6.9.2006 Kursusintroduktion og Java-oversigt 1. Kursusintroduktion 2. Java-oversigt (A): Opgave P4.4 3. Java-oversigt (B): Ny omvendings -opgave 4. Introduktion til næste kursusgang Kursusintroduktion:
Læs mereStruktureret Test og Værktøjer Appendiks til bogen Struktureret Test
Struktureret Test og Værktøjer Appendiks til bogen Struktureret Test Struktureret Test og Værktøjer... 1 Appendiks til bogen Struktureret Test... 1 1. Definition og formål... 2 2. Kategorisering... 2 2.1
Læs mereDoodleBUGS (Hands-on)
DoodleBUGS (Hands-on) Simple example: Program: bino_ave_sim_doodle.odc A simulation example Generate a sample from F=(r1+r2)/2 where r1~bin(0.5,200) and r2~bin(0.25,100) Note that E(F)=(100+25)/2=62.5
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Uafhængighedstestet
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Uafhængighedstestet Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev
Læs mereOpslagsbog om computer. Af Erik Veidorf og Mike T. Krogh.
Opslagsbog om computer Af Erik Veidorf og Mike T. Krogh. Indhold: Side 1-------------------------------------------------------------------------------------------------------------CD-Rom/disk drev/ Side
Læs mereINSTITUT FOR DATALOGI, AARHUS UNIVERSITET EKSAMEN. Grundkurser i Datalogi. Algoritmer og Datastrukturer 1 (2003-ordning)
INSTITUT FOR DATALOGI, AARHUS UNIVERSITET EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 12 (tolv) Eksamensdag: Fredag den 10. august 2012, kl. 9.00-11.00 Eksamenslokale: Finlandsgade
Læs mereDATALOGISK INSTITUT, AARHUS UNIVERSITET. Det Naturvidenskabelige Fakultet EKSAMEN. Grundkurser i Datalogi
DATALOGISK INSTITUT, AARHUS UNIVERSITET Det Naturvidenskabelige Fakultet EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 1 (tolv) Eksamensdag: Fredag den 7. august 009, kl.
Læs mereAlgoritmisk geometri
Algoritmisk geometri 1 Intervalsøgning 2 Motivation for intervaltræer Lad der være givet en database over ansatte i en virksomhed Ansat Alder Løn Ansættelsesdato post i databasen Antag, at vi ønsker at
Læs mereINSTITUT FOR DATALOGI, AARHUS UNIVERSITET. Det Naturvidenskabelige Fakultet EKSAMEN. Grundkurser i Datalogi
INSTITUT FOR DATALOGI, AARHUS UNIVERSITET Det Naturvidenskabelige Fakultet EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 12 (tolv) Eksamensdag: Fredag den 16. august 2013,
Læs mereGrådige algoritmer. Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Læs mereTrolling Master Bornholm 2015
Trolling Master Bornholm 2015 (English version further down) Sæsonen er ved at komme i omdrejninger. Her er det John Eriksen fra Nexø med 95 cm og en kontrolleret vægt på 11,8 kg fanget på østkysten af
Læs mereHeuristics for Improving
Heuristics for Improving Model Learning Based Testing Muhammad Naeem Irfan VASCO-LIG LIG, Computer Science Lab, Grenoble Universities, 38402 Saint Martin d Hères France Introduction Component Based Software
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereMaskindirektivet og Remote Access. Arbejdstilsynet Dau konference 2015 Arbejdsmiljøfagligt Center Erik Lund Lauridsen
Maskindirektivet og Remote Access Arbejdstilsynet Dau konference 2015 Arbejdsmiljøfagligt Center Erik Lund Lauridsen ell@at.dk Marts 2015 1 MD - Personsikkerhed og Remoten Hvad er spillepladen for personsikkerhed
Læs mereTM4 Central Station. User Manual / brugervejledning K2070-EU. Tel Fax
TM4 Central Station User Manual / brugervejledning K2070-EU STT Condigi A/S Niels Bohrs Vej 42, Stilling 8660 Skanderborg Denmark Tel. +45 87 93 50 00 Fax. +45 87 93 50 10 info@sttcondigi.com www.sttcondigi.com
Læs mereDiffusion of Innovations
Diffusion of Innovations Diffusion of Innovations er en netværksteori skabt af Everett M. Rogers. Den beskriver en måde, hvorpå man kan sprede et budskab, eller som Rogers betegner det, en innovation,
Læs mereDanmark i forandring
Danmark i forandring Kommunernes syn på udvikling i landdistrikterne KL s nye strategiprojekt om Danmark i forandring Vækstplan for turisme Lokale Aktionsgrupper Grøn nedrivning Danmark i hastig forandring
Læs mereHvordan vælger jeg dokumentprofilen?
Hvordan vælger jeg dokumentprofilen? Valget af OIOUBL profil i en konkret dokumentudveksling vil bl.a. afhænge af, hvilke OIOUBL profiler den anden part i udvekslingen understøtter. Et konkret eksempel
Læs mereStrings and Sets: set complement, union, intersection, etc. set concatenation AB, power of set A n, A, A +
Strings and Sets: A string over Σ is any nite-length sequence of elements of Σ The set of all strings over alphabet Σ is denoted as Σ Operators over set: set complement, union, intersection, etc. set concatenation
Læs mereMeasuring Evolution of Populations
Measuring Evolution of Populations 2007-2008 5 Agents of evolutionary change Mutation Gene Flow Non-random mating Genetic Drift Selection Populations & gene pools Concepts a population is a localized group
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereANVENDELSE AF EVALUERING PÅ DEN LANGE BANE
ANVENDELSE AF EVALUERING PÅ DEN LANGE BANE INDIREKTE ANVENDELSE NETE KROGSGAARD NISS PROGRAM Intro om betydningen af anvendelse Nedslåethed Håb for professionen SFI s (gode) måde at håndtere det på Fælles
Læs mereBasic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereProbabilistic properties of modular addition. Victoria Vysotskaya
Probabilistic properties of modular addition Victoria Vysotskaya JSC InfoTeCS, NPK Kryptonite CTCrypt 19 / June 4, 2019 vysotskaya.victory@gmail.com Victoria Vysotskaya (Infotecs, Kryptonite) Probabilistic
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: (logn) 5. 5n 2 5 logn. 2 logn
Eksamen august 0 Algoritmer og Datastrukturer (00-ordning) Side af sider Opgave (%) n +n er O(n )? Ja Nej n er O(n )? n+n er O(n. )? n+n er O(8n)? n logn er O(n )? Opgave (%) Opskriv følgende funktioner
Læs mereUndervisning Fiskeribetjente, 6/6-2012, Hirtshals. Oskar. Discard- data. Marie Storr-Paulsen, Jørgen Dalskov. DTU Aqua. Moniteringssektion
Undervisning Fiskeribetjente, 6/6-2012, Hirtshals Discard- data Oskar, Jørgen Dalskov DTU Aqua Moniteringssektion Total fangst Mål art Bi- fangst arter Salgbar Ikke salgbar (Under mindstemål) Salgbar Ikke
Læs mereFredag 12. januar David Pisinger
Videregående Algoritmik, DIKU 2006/07 Fredag 2. januar David Pisinger Kryptering Spartanere (500 f.kr.) strimmelrulle viklet omkring cylinder Julius Cæsar: substituering af bogstaver [frekvensanalyse]
Læs mereEt udtryk på formena n kaldes en potens med grundtal a og eksponent n. Vi vil kun betragte potenser hvor grundtallet er positivt, altså a>0.
Konkrete funktioner Potenser Som udgangspunkt er brugen af potenser blot en forkortelse for at gange et tal med sig selv et antal gange. Hvis a Rskriver vi a 2 for a a a 3 for a a a a 4 for a a a a (1).
Læs mereNote om Monte Carlo eksperimenter
Note om Monte Carlo eksperimenter Mette Ejrnæs og Hans Christian Kongsted Økonomisk Institut, Københavns Universitet 9. september 003 Denne note er skrevet til kurset Økonometri på. årsprøve af polit-studiet.
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: 7 n 1/ log n. (log n) 4
Eksamen august 00 Algoritmer og Datastrukturer (00-ordning) Side af sider Opgave (%) n er O(n )? n(log n) er O(n )? n n + (log n) er O(n )? n er O(n )? n er Ω( n )? Opgave (%) Opskriv følgende funktioner
Læs mereEksamensopgaver datalogi, dl/vf 2010 side 1/5. 1. Lodtrækningssystem
Eksamensopgaver datalogi, dl/vf 2010 side 1/5 1. Lodtrækningssystem Der skal fremstilles et program, som kan foretage en lodtrækning. Programmet skal kunne udtrække en eller flere personer (eller andet)
Læs mereHENRIK HARDER, OLE B. JENSEN, JES MADSEN & VICTOR ANDRADE Aalborg Universitet 2014. http://www.bikeability.dk/ 13-09-2013 1
Cykel infrastruktur investeringer HENRIK HARDER, OLE B. JENSEN, JES MADSEN & VICTOR ANDRADE Aalborg Universitet 2014 http://www.bikeability.dk/ 13-09-2013 1 UDGANGSPUNKTET I dette oplæg er fokus på hvilken
Læs mereAnvendelse af vejrradar -Plan A. Lektor Michael R. Rasmussen Institut for Byggeri og Anlæg mr@civil.aau.dk
Anvendelse af vejrradar -Plan A Teknologisk Institut d. 3 September 2009 Lektor Michael R. Rasmussen Institut for Byggeri og Anlæg mr@civil.aau.dk 1 Data availability DMI radar data (C-band): - Rømø -
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereNetværk & elektronik
Netværk & elektronik Oversigt Ethernet og IP teori Montering af Siteplayer modul Siteplayer teori Siteplayer forbindelse HTML Router (port forwarding!) Projekter Lkaa Mercantec 2009 1 Ethernet På Mars
Læs mereAlgoritmer og datastrukturer Course No. 02105 Cheat Sheet 2012. May 15, 2012
Algoritmer og datastrukturer Course No. 02105 Cheat Sheet 2012 May 15, 2012 1 CONTENTS 2012 CONTENTS Contents 1 Kompleksitet 3 1.1 Køretid................................................ 3 1.2 Asymptotisk
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen (bemærk at log n betegner totals logaritmen): n 2 (log n) 2 2.
Eksamen august Algoritmer og Datastrukturer (-ordning) Side af sider Opgave (%) n + n er O(n )? n / er O(n / )? n er O(n log n)? n er O((log n) )? n er Ω(n )? Ja Nej Opgave (%) Opskriv følgende funktioner
Læs mereEksamensopgaver datalogi, dlc 2011 side 1/5. 1. Lodtrækningssystem
Eksamensopgaver datalogi, dlc 2011 side 1/5 1. Lodtrækningssystem Der skal fremstilles et program, som kan foretage en lodtrækning. Programmet skal kunne udtrække en eller flere personer (eller andet)
Læs mereAllan C. Malmberg. Terningkast
Allan C. Malmberg Terningkast INFA 2008 Programmet Terning Terning er et INFA-program tilrettelagt med henblik på elever i 8. - 10. klasse som har særlig interesse i at arbejde med situationer af chancemæssig
Læs merePrivat-, statslig- eller regional institution m.v. Andet Added Bekaempelsesudfoerende: string No Label: Bekæmpelsesudførende
Changes for Rottedatabasen Web Service The coming version of Rottedatabasen Web Service will have several changes some of them breaking for the exposed methods. These changes and the business logic behind
Læs mereIndholdsfortegnelse :
Rapporten er udarbejdet af Daniel & Kasper D. 23/1-2001 Indholdsfortegnelse : 1.0 STEPMOTEREN : 4 1.1 Stepmotorens formål : 4 1.2 Stepmotorens opbygning : 4 2.0 PEEL-KREDSEN 4 2.1 PEEL - Kredsen Generelt
Læs mereSortering fra A-Z. Henrik Dorf Chefkonsulent SAS Institute
Sortering fra A-Z Henrik Dorf Chefkonsulent SAS Institute Hvorfor ikke sortering fra A-Å? Det er for svært Hvorfor ikke sortering fra A-Å? Hvorfor ikke sortering fra A-Å? Hvorfor ikke sortering fra A-Å?
Læs mereFNE Temaeftermiddag Grafisk rapport. Kompetence 12-04-2011. Program. Fortolkning af AMPS resultater
-04-0 FNE Temaeftermiddag Grafisk rapport A M P S I N S T R U K T Ø R E V A E J L E R S E N W Æ H R E N S D.. M A R T S 0 Fortolkning af grafisk rapport Formidling Program Fortolkning af AMPS resultater
Læs mereHow consumers attributions of firm motives for engaging in CSR affects their willingness to pay
Bachelor thesis Institute for management Author: Jesper Andersen Drescher Bscb(sustainability) Student ID: 300545 Supervisor: Mai Skjøtt Linneberg Appendix for: How consumers attributions of firm motives
Læs mereSortering i lineær tid
Sortering i lineær tid Nedre grænse for sammenligningsbaseret sortering Nedre grænser kræver en præcis beregningsmodel. Nedre grænse for sammenligningsbaseret sortering Nedre grænser kræver en præcis beregningsmodel.
Læs mereØkonomisk analyse af forskellige strategier for drægtighedsundersøgelser
Økonomisk analyse af forskellige strategier for drægtighedsundersøgelser Jehan Ettema, SimHerd A/S, 28-10-15 Indholdsfortegnelse Metoden... 2 Design af scenarierne... 2 Strategier for drægtighedsundersøgelser...
Læs mereDATALOGISK INSTITUT, AARHUS UNIVERSITET. Det Naturvidenskabelige Fakultet EKSAMEN. Grundkurser i Datalogi
DATALOGISK INSTITUT, AARHUS UNIVERSITET Det Naturvidenskabelige Fakultet EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 1 (tretten) Eksamensdag: Tirsdag den 8. april 2008,
Læs mere