Grådige algoritmer. Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
|
|
- Svend Nygaard
- 7 år siden
- Visninger:
Transkript
1 Grådige algoritmer
2 Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
3 Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Dynamisk programmering: 1. Beregn først værdien af optimale løsninger for alle problemstørrelser bottom-up. 2. Opbyg så løsningen top-down ud fra denne information.
4 Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Dynamisk programmering: 1. Beregn først værdien af optimale løsninger for alle problemstørrelser bottom-up. 2. Opbyg så løsningen top-down ud fra denne information. Grådig algoritme: 1. Opbyg løsningen top-down ud fra hvad der lige nu ser ud som bedste valg (uden information om resten af løsningen).
5 Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Dynamisk programmering: 1. Beregn først værdien af optimale løsninger for alle problemstørrelser bottom-up. 2. Opbyg så løsningen top-down ud fra denne information. Grådig algoritme: 1. Opbyg løsningen top-down ud fra hvad der lige nu ser ud som bedste valg (uden information om resten af løsningen). Dvs. simplere (og som regel hurtigere) end dynamisk programmering. For at metoden virker, skal man kunne finde en bedste valg -regel (også kaldet grådig regel), som kan vises at give en optimal løsning.
6 Et simpelt skeduleringsproblem... Tid Find maksimal mængde ikke-overlappende aktivititer.
7 Et simpelt skeduleringsproblem... Tid Find maksimal mængde ikke-overlappende aktivititer. Grådig valg -regel: blandt de ikke-valgte aktiviteter, som er ikke-overlappende med allerede valgte, vælg den med tidligst sluttid.
8 Et simpelt skeduleringsproblem Argument for, at det virker: Enhver optimal løsnings første aktivitet kan, uden at inducere overlap, ændres til at have det grådige valgs første aktivitet. Der findes altså en optimal løsning, hvis første aktivitet er lig det grådige valg. Resten af denne løsning må selv være en optimal løsning blandt de resterende (ikke-overlappende) aktiviteter. Disse aktiviteter er netop hvad den grådige algoritme fortsætter med.
9 Et simpelt skeduleringsproblem Argument for, at det virker: Enhver optimal løsnings første aktivitet kan, uden at inducere overlap, ændres til at have det grådige valgs første aktivitet. Der findes altså en optimal løsning, hvis første aktivitet er lig det grådige valg. Resten af denne løsning må selv være en optimal løsning blandt de resterende (ikke-overlappende) aktiviteter. Disse aktiviteter er netop hvad den grådige algoritme fortsætter med. Så flg. invariant vedligeholdes: Der findes en optimal løsning til det oprindelige problem, som består af de allerede valgte aktiviteter, samt en optimal løsning blandt de resterende (dvs. ikke-overlappende med allerede valgte) aktiviteter. Algoritmen stopper, når antal resterende aktiviteter er nul. På dette tidspunkt fortæller invarianten, at de valgte aktiviteter er en optimal løsning til det oprindelige problem.
10 Et simpelt skeduleringsproblem
11 Rygsæksproblemet Rygsæk som kan bære W kg. Ting med værdi og vægt. Ting nr. i Vægt w i Værdi v i
12 Rygsæksproblemet Rygsæk som kan bære W kg. Ting med værdi og vægt. Ting nr. i Vægt w i Værdi v i Mål: tag mest mulig værdi med uden at overskride vægtgrænsen.
13 Rygsæksproblemet Fractional version af problemet (dele af ting kan medtages i rygsækken) kan løses med en grådig algoritme: vælg tingene efter aftagende nytte = værdi/vægt.
14 Rygsæksproblemet Fractional version af problemet (dele af ting kan medtages i rygsækken) kan løses med en grådig algoritme: vælg tingene efter aftagende nytte = værdi/vægt. Denne grådige algoritme virker IKKE for 0-1 versionen af problemet (kun hele ting kan medtages):
15 Rygsæksproblemet Fractional version af problemet (dele af ting kan medtages i rygsækken) kan løses med en grådig algoritme: vælg tingene efter aftagende nytte = værdi/vægt. Denne grådige algoritme virker IKKE for 0-1 versionen af problemet (kun hele ting kan medtages):
16 Rygsæksproblemet 0-1 version: Kan løses med dynamisk programmering (når W og w i er er heltal):
17 Rygsæksproblemet 0-1 version: Kan løses med dynamisk programmering (når W og w i er er heltal): Om en optimal løsning for en rygsæk med kapacitet w, hvis indhold skal vælges blandt ting nr. 1, 2,...,i, gælder at den: enten medtager ting nr. n og resten af løsningen er optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W w n eller medtager ikke ting nr. n, og er så selv optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W
18 Rygsæksproblemet 0-1 version: Kan løses med dynamisk programmering (når W og w i er er heltal): Om en optimal løsning for en rygsæk med kapacitet w, hvis indhold skal vælges blandt ting nr. 1, 2,...,i, gælder at den: enten medtager ting nr. n og resten af løsningen er optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W w n eller medtager ikke ting nr. n, og er så selv optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W Lad k(i, w) betegne værdien af en optimal løsning for en rygsæk med kapacitet w hvis indhold skal vælges blandt ting nr. 1, 2,...,i. { 0 if i = 0 or w 0 k(i, w) = max(k(i 1, w w i ) + v i, k(i 1, w)) if i, w > 0
19 Rygsæksproblemet 0-1 version: Kan løses med dynamisk programmering (når W og w i er er heltal): Om en optimal løsning for en rygsæk med kapacitet w, hvis indhold skal vælges blandt ting nr. 1, 2,...,i, gælder at den: enten medtager ting nr. n og resten af løsningen er optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W w n eller medtager ikke ting nr. n, og er så selv optimal for ting nr. 1 til (n 1) med rygsæk kapacitet W Lad k(i, w) betegne værdien af en optimal løsning for en rygsæk med kapacitet w hvis indhold skal vælges blandt ting nr. 1, 2,...,i. { 0 if i = 0 or w 0 k(i, w) = max(k(i 1, w w i ) + v i, k(i 1, w)) if i, w > 0 Fyld n W -tabel for k(i, w) (0 i n, 0 w W ) på struktureret måde (målet er k(n, W )). Find derefter en løsning top-down ved at følge de optimale valg (lavet i anden linien af rekursionsformlen ovenfor).
20 Huffman-koder Kodning af sekvens af tegn (fil) via binære koder (for at gemme på disk, sende over netværk,... ). Ønsker kortest mulig fil (kompression).
21 Huffman-koder Kodning af sekvens af tegn (fil) via binære koder (for at gemme på disk, sende over netværk,... ). Ønsker kortest mulig fil (kompression). Eksempel:
22 Huffman-koder Kodning af sekvens af tegn (fil) via binære koder (for at gemme på disk, sende over netværk,... ). Ønsker kortest mulig fil (kompression). Eksempel: Fixed-length version: 3 ( ) = bits Variable-length version: = bits
23 Prefix-kode = træer Prefix-fri kode: ingen kode for et tegn er starten (prefix) af koden for et andet tegn ( dekodning utvetydig). Så tegn svarer til knuder med nul børn (blade).
24 Prefix-kode = træer Prefix-fri kode: ingen kode for et tegn er starten (prefix) af koden for et andet tegn ( dekodning utvetydig). Så tegn svarer til knuder med nul børn (blade). For en givet fil (tegn og deres frekvenser), find bedste variable-length prefix-kode. Dvs. for Cost(tree) = kodet fil, find træ med lavest cost.
25 Prefix-kode = træer Prefix-fri kode: ingen kode for et tegn er starten (prefix) af koden for et andet tegn ( dekodning utvetydig). Så tegn svarer til knuder med nul børn (blade). For en givet fil (tegn og deres frekvenser), find bedste variable-length prefix-kode. Dvs. for Cost(tree) = kodet fil, find træ med lavest cost. Optimale træer kan ikke have knuder med kun eet barn (alle tegn i undertræet for en sådan knude kan forkortes med een bit, jvf. (a) ovenfor). Så kun knuder med to eller nul børn findes.
26 Huffmans algoritme Byg op nedefra (fra mindste til største frekvenser) ved hele tiden at lave flg. grådige valg : slå de to deltræer med de to mindste samlede frekvenser sammen:
27 Køretid Givet en en tabel med n tegn og deres frekvenser laver Huffmans algoritme n 1 iterationer. (Der er n træer til start, eet træ til slut, og hver iteration mindsker antallet med præcis een.)
28 Køretid Givet en en tabel med n tegn og deres frekvenser laver Huffmans algoritme n 1 iterationer. (Der er n træer til start, eet træ til slut, og hver iteration mindsker antallet med præcis een.) Ved at bruge en (min-)prioritetskø, f.eks. implementeret ved en heap, kan hver iteration udføres med: to ExtractMin-operationer een Insert-operation O(1) andet arbejde.
29 Køretid Givet en en tabel med n tegn og deres frekvenser laver Huffmans algoritme n 1 iterationer. (Der er n træer til start, eet træ til slut, og hver iteration mindsker antallet med præcis een.) Ved at bruge en (min-)prioritetskø, f.eks. implementeret ved en heap, kan hver iteration udføres med: to ExtractMin-operationer een Insert-operation O(1) andet arbejde. Hver prioritetskø-operation tager hver O(log n) tid.
30 Køretid Givet en en tabel med n tegn og deres frekvenser laver Huffmans algoritme n 1 iterationer. (Der er n træer til start, eet træ til slut, og hver iteration mindsker antallet med præcis een.) Ved at bruge en (min-)prioritetskø, f.eks. implementeret ved en heap, kan hver iteration udføres med: to ExtractMin-operationer een Insert-operation O(1) andet arbejde. Hver prioritetskø-operation tager hver O(log n) tid. Så samlet køretid for de n iterationer er O(n log n).
31 Korrekthed Huffman algoritme slår i første skridt de to mindste tegn sammen. Mere præcist: For en eller anden nummerering c 1, c 2, c 3,..., c n af tegnene i inputalfabetet, for hvilken der gælder at de tilsvarende frekvenser er ikke-faldende f 1 f 2 f 3 f n, slår Huffmans algoritme tegn c 1 og c 2 sammen. Denne formulering dækker alle mulige valg af de to mindste tegn, også for input såsom disse tre: Tegn a b c d e f g Frekvens Frekvens Frekvens
32 Korrekthed Lemma: For ethvert input (n 2) med Tegn c 1 c 2 c 3... c n Frekvens f 1 f 2 f 3... f n f 1 f 2 f 3 f n, findes et optimalt træ hvor bladene for tegnene x = c 1 og y = c 2 er søskende.
33 Korrekthed Lemma: For ethvert input (n 2) med Tegn c 1 c 2 c 3... c n Frekvens f 1 f 2 f 3... f n f 1 f 2 f 3 f n, findes et optimalt træ hvor bladene for tegnene x = c 1 og y = c 2 er søskende. Bevis: Lad T være et optimalt træ. Se på et blad af størst dybde i T. Da n 2, har bladet en forælder. Denne forælder har mere end nul undertræer, altså har den to (i optimale træer har ingen knuder eet undertræ, se tidligere). Dens andet undetræ må også være et blad, ellers er det første blad ikke et dybeste blad.
34 Korrekthed Lemma: For ethvert input (n 2) med Tegn c 1 c 2 c 3... c n Frekvens f 1 f 2 f 3... f n f 1 f 2 f 3 f n, findes et optimalt træ hvor bladene for tegnene x = c 1 og y = c 2 er søskende. Bevis: Lad T være et optimalt træ. Se på et blad af størst dybde i T. Da n 2, har bladet en forælder. Denne forælder har mere end nul undertræer, altså har den to (i optimale træer har ingen knuder eet undertræ, se tidligere). Dens andet undetræ må også være et blad, ellers er det første blad ikke et dybeste blad. Altså findes to blade som er søskende og begge er af størst dybde. Lad deres tegn være a = c i og b = c j, for i < j.
35 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b
36 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b
37 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b Lad d være a s blads dybde minus x s blads dybde. Da er forandringen i filens længde ved byt af x = c 1 og a = c i lig d f 1 d f i = d (f 1 f i ).
38 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b Lad d være a s blads dybde minus x s blads dybde. Da er forandringen i filens længde ved byt af x = c 1 og a = c i lig d f 1 d f i = d (f 1 f i ). Eftersom d 0 (da a s blad var af størst dybde) og (f 1 f i ) 0 (da i 1, se tabel ovenfor), kan filens længde ikke blive større. Dvs. træet kan ikke blive dårlige ved byt af x og a.
39 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b Lad d være a s blads dybde minus x s blads dybde. Da er forandringen i filens længde ved byt af x = c 1 og a = c i lig d f 1 d f i = d (f 1 f i ). Eftersom d 0 (da a s blad var af størst dybde) og (f 1 f i ) 0 (da i 1, se tabel ovenfor), kan filens længde ikke blive større. Dvs. træet kan ikke blive dårlige ved byt af x og a. Tilsvarende kan vises for et byt af x og b, og for et byt af y og b.
40 Korrekthed Mulige situationer: c 1 c 2... Handling x y a b Ingen a b Byt y og b a b Byt x og b a b Byt x og a, samt y og b Lad d være a s blads dybde minus x s blads dybde. Da er forandringen i filens længde ved byt af x = c 1 og a = c i lig d f 1 d f i = d (f 1 f i ). Eftersom d 0 (da a s blad var af størst dybde) og (f 1 f i ) 0 (da i 1, se tabel ovenfor), kan filens længde ikke blive større. Dvs. træet kan ikke blive dårlige ved byt af x og a. Tilsvarende kan vises for et byt af x og b, og for et byt af y og b. Da træet var optimalt før byt, er det også efter.
41 Korrekthed Lemma: Huffmans algoritme returnerer et optimalt træ.
42 Korrekthed Lemma: Huffmans algoritme returnerer et optimalt træ. Bevis: Vi vil vise via induktion at det gælder for input med n tegn, for alle n.
43 Korrekthed Lemma: Huffmans algoritme returnerer et optimalt træ. Bevis: Vi vil vise via induktion at det gælder for input med n tegn, for alle n. Basis n = 1: Her returnerer Huffmans et træ som er et blad. Dette er eneste mulige træ (da knuder har enten to eller nul børn), og derfor optimalt.
44 Korrekthed Lemma: Huffmans algoritme returnerer et optimalt træ. Bevis: Vi vil vise via induktion at det gælder for input med n tegn, for alle n. Basis n = 1: Her returnerer Huffmans et træ som er et blad. Dette er eneste mulige træ (da knuder har enten to eller nul børn), og derfor optimalt. Induktionsskridtet n 1: Lad input I være og se på input I Tegn c 1 c 2 c 3... c n Frekvens f 1 f 2 f 3... f n med f 1 f 2 f 3 f n, Tegn z c 3... c n Frekvens f 1 + f 2 f 3... f n
45 Korrekthed Lad T være Huffmans output på input I. Lad T være Huffmans output på input I (optimalt træ pr. induktionsantagelse). Lad T være et optimalt træ på input I hvor bladene for tegnene x = c 1 og y = c 2 er søskende (eksisterer iflg. lemma). Lad T være T hvor bladene for tegnene x og y samt deres forælder er erstattet af bladet z (med frekvens f 1 + f 2 ).
46 Korrekthed Lad T være Huffmans output på input I. Lad T være Huffmans output på input I (optimalt træ pr. induktionsantagelse). Lad T være et optimalt træ på input I hvor bladene for tegnene x = c 1 og y = c 2 er søskende (eksisterer iflg. lemma). Lad T være T hvor bladene for tegnene x og y samt deres forælder er erstattet af bladet z (med frekvens f 1 + f 2 ). For et træ τ for input I, lad Expand(τ) være τ med bladet med tegnet z erstattet af et træ med en rod og to blade med tegnene x = c 1 og y = c 2.
47 Korrekthed Lad T være Huffmans output på input I. Lad T være Huffmans output på input I (optimalt træ pr. induktionsantagelse). Lad T være et optimalt træ på input I hvor bladene for tegnene x = c 1 og y = c 2 er søskende (eksisterer iflg. lemma). Lad T være T hvor bladene for tegnene x og y samt deres forælder er erstattet af bladet z (med frekvens f 1 + f 2 ). For et træ τ for input I, lad Expand(τ) være τ med bladet med tegnet z erstattet af et træ med en rod og to blade med tegnene x = c 1 og y = c 2. Cost(Expand(τ)) = Cost(τ) + f 1 + f 2. Expand(T ) = T (pga. Huffman-algoritmens virkemåde). Expand(T ) = T (pga. definition af T ).
48 Korrekthed Lad T være Huffmans output på input I. Lad T være Huffmans output på input I (optimalt træ pr. induktionsantagelse). Lad T være et optimalt træ på input I hvor bladene for tegnene x = c 1 og y = c 2 er søskende (eksisterer iflg. lemma). Lad T være T hvor bladene for tegnene x og y samt deres forælder er erstattet af bladet z (med frekvens f 1 + f 2 ). For et træ τ for input I, lad Expand(τ) være τ med bladet med tegnet z erstattet af et træ med en rod og to blade med tegnene x = c 1 og y = c 2. Cost(Expand(τ)) = Cost(τ) + f 1 + f 2. Expand(T ) = T (pga. Huffman-algoritmens virkemåde). Expand(T ) = T (pga. definition af T ). Cost(T ) Cost(T ) = Cost(Expand(T )) = Cost(T ) + f 1 + f 2 Cost(T ) + f 1 + f 2 = Cost(Expand(T )) = Cost(T ).
Grådige 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 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 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 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 merePrioritetskøer og hobe. Philip Bille
Prioritetskøer og hobe Philip Bille Plan Prioritetskøer Træer Hobe Repræsentation Prioritetskøoperationer Konstruktion af hob Hobsortering Prioritetskøer Prioritetskø Vedligehold en dynamisk mængde S af
Læs mereSortering. Eksempel: De n tal i sorteret orden
Sortering 1 / 32 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 9 2 / 32 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden
Læs mereSortering af information er en fundamental og central opgave.
Sortering Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 9 Mange opgaver er hurtigere i sorteret information (tænk på ordbøger, telefonbøger,
Læs mereSortering. Eksempel: De n tal i sorteret orden
Sortering 1 / 34 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 9 2 / 34 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden
Læs merePrioritetskøer. Prioritetskøer Træer og hobe Repræsentation af hobe Algoritmer på hobe Hobkonstruktion Hobsortering. Philip Bille
Prioritetskøer Prioritetskøer Træer og hobe Repræsentation af hobe Algoritmer på hobe Hobkonstruktion Hobsortering Philip Bille Prioritetskøer Prioritetskøer Træer og hobe Repræsentation af hobe Algoritmer
Læs mereDatastrukturer (recap)
Dictionaries Datastrukturer (recap) Data: Datastruktur = data + operationer herpå En ID (nøgle) + associeret data. Operationer: Datastrukturens egenskaber udgøres af de tilbudte operationer (API for adgang
Læs mereMinimum udspændende Træer (MST)
Minimum udspændende Træer (MST) Træer Et (frit/u-rodet) træ er en uorienteret graf G = (V, E) som er Sammenhængende: der er en sti mellem alle par af knuder. Acyklisk: der er ingen kreds af kanter. Træer
Læs mereSortering af information er en fundamental og central opgave.
Sortering 1 / 36 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 6, 9 Mange opgaver er hurtigere i sorteret information (tænk på ordbøger, telefonbøger,
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2016 Projekt, del III Institut for matematik og datalogi Syddansk Universitet 20. april, 2016 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs merePrioritetskøer. Prioritetskøer. Prioritetskøer. Prioritetskøer
Philip Bille. Vedligehold en dynamisk mængde S af elementer. Hver element x er tilknyttet en nøgle x.key og satellitdata x.data. MAX(): returner element med største nøgle. EXTRACTMAX(): returner og fjern
Læs mereSortering. De n tal i sorteret orden. Eksempel: Kommentarer:
Sortering Sortering Input: Output: n tal De n tal i sorteret orden Eksempel: Kommentarer: 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 9 Sorteret orden kan være stigende eller faldende. Vi vil i dette kursus
Læs merePrioritetskøer. Prioritetskøer. Prioritetskøer. Prioritetskøer
Philip Bille (priority-queues). Vedligehold en dynamisk mængde S af elementer. Hver element x er tilknyttet en nøgle x.key og satellitdata x.data. MAX(): returner element med største nøgle. EXTRACTMAX():
Læs mereMindste udspændende træ. Mindste udspændende træ. Introduktion. Introduktion
Philip Bille Introduktion (MST). Udspændende træ af minimal samlet vægt. Introduktion (MST). Udspændende træ af minimal samlet vægt. 0 0 Graf G Ikke sammenhængende Introduktion (MST). Udspændende træ af
Læs mereSammenhængskomponenter i grafer
Sammenhængskomponenter i grafer Ækvivalensrelationer Repetition: En relation R på en mængde S er en delmængde af S S. Når (x, y) R siges x at stå i relation til y. Ofte skrives x y, og relationen selv
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Optimeringsproblem: man ønsker at finde bedste den kombinatoriske struktur blandt mange mulige. Dynamisk programmering Optimeringsproblem: man ønsker at finde
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2017 Projekt, del III Institut for matematik og datalogi Syddansk Universitet 6. april, 2017 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereDatastrukturer (recap)
Dictionaries Datastrukturer (recap) Data: Datastruktur = data + operationer herpå En ID (nøgle) + associeret data. Operationer: Datastrukturens egenskaber udgøres af de tilbudte operationer (API for adgang
Læs mereInvarianter. Invariant: Et forhold, som vedligeholdes af algoritmen gennem (dele af) dens udførelse. Udgør ofte kernen af ideen bag algoritmen.
Invariant: Et forhold, som vedligeholdes af algoritmen gennem (dele af) dens udførelse. Udgør ofte kernen af ideen bag algoritmen. Invariant: Et forhold, som vedligeholdes af algoritmen gennem (dele af)
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Optimeringsproblem: man ønsker at finde bedste den kombinatoriske struktur (struktur opbygget af et endeligt antal enkeltdele) blandt mange mulige. Eksempler:
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2019 Projekt, del III Institut for matematik og datalogi Syddansk Universitet 10. april, 2019 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereSkriftlig Eksamen Algoritmer og Datastrukturer (DM507)
Skriftlig Eksamen Algoritmer og Datastrukturer (DM507) Institut for Matematik og Datalogi Syddansk Universitet, Odense Mandag den 7. juni 00, kl. 9 Alle sædvanlige hjælpemidler (lærebøger, notater, osv.)
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2010 Projekt, del III Institut for matematik og datalogi Syddansk Universitet 24. april, 2010 (let justeret 10. maj og 21. maj 2010) Dette projekt udleveres i tre
Læs mereSkriftlig Eksamen Algoritmer og Datastrukturer (DM507)
Skriftlig Eksamen Algoritmer og Datastrukturer (DM507) Institut for Matematik og Datalogi Syddansk Universitet, Odense Onsdag den 0. juni 009, kl. 9 Alle sædvanlige hjælpemidler (lærebøger, notater, osv.)
Læs mereDatastrukturer (recap) Datastruktur = data + operationer herpå
Dictionaries Datastrukturer (recap) Datastruktur = data + operationer herpå Datastrukturer (recap) Data: Datastruktur = data + operationer herpå En ID (nøgle) + associeret data (ofte underforstået, også
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2013 Projekt, del I Institut for matematik og datalogi Syddansk Universitet 5. marts, 2013 Dette projekt udleveres i to dele. Hver del har sin deadline, således
Læs mereMinimum udspændende Træer (MST)
Minimum udspændende Træer (MST) Træer Et (frit/u-rodet) træ er en uorienteret graf G = (V, E) som er Sammenhængende: der er en sti mellem alle par af knuder. Acyklisk: der er ingen lukket kreds af kanter
Læs mereMindste udspændende træ. Mindste udspændende træ. Introduktion. Introduktion
Philip Bille Introduktion (MST). Udspændende træ af minimal samlet vægt. Introduktion (MST). Udspændende træ af minimal samlet vægt. 0 0 Graf G Ikke sammenhængende Introduktion (MST). Udspændende træ af
Læs mereMinimum udspændende Træer (MST)
Minimum udspændende Træer (MST) Træer Et (frit/u-rodet) træ er en uorienteret graf G = (V, E) som er Sammenhængende: der er en sti mellem alle par af knuder. Acyklisk: der er ingen kreds af kanter. Træ
Læs mereMindste udspændende træ
Mindste udspændende træ Introduktion Repræsentation af vægtede grafer Egenskaber for mindste udspændende træer Prims algoritme Kruskals algoritme Philip Bille Mindste udspændende træ Introduktion Repræsentation
Læs mereSkriftlig Eksamen Algoritmer og Datastrukturer (dads)
Skriftlig Eksamen Algoritmer og Datastrukturer (dads) Datalogisk Institut Aarhus Universitet Mandag den 27. maj 2002, kl. 9.00 13.00 Opgave 1 (25%) Denne opgave handler om multiplikation af positive heltal.
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. Kursusnavn: Algoritmer og datastrukturer I Kursus nr. 005. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer Vægtning
Læs mereKorteste veje i vægtede grafer. Længde af sti = sum af vægte af kanter på sti.
Korteste veje Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. δ(u, v) = længden af en korteste
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den. maj 00. Kursusnavn Algoritmer og datastrukturer I Kursus nr. 005. Tilladte hjælpemidler: Alle skriftlige hjælpemidler. Vægtning af opgaverne:
Læs mereForén og find. Introduktion Hurtig find Hurtig forening Vægtet forening Stikompression Dynamiske sammenhængskomponenter.
Forén og find Introduktion Hurtig find Hurtig forening Vægtet forening Stikompression Dynamiske sammenhængskomponenter Philip Bille Forén og find Introduktion Hurtig find Hurtig forening Vægtet forening
Læs mereKorteste veje i vægtede grafer. Længde af sti = sum af vægte af kanter på sti.
Korteste veje Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. δ(u, v) = længden af en korteste
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2012 Projekt, del II Institut for matematik og datalogi Syddansk Universitet 15. marts, 2012 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereAlgoritmer og invarianter
Algoritmer og invarianter Iterative algoritmer Algoritmen er overordnet set een eller flere while eller for-løkker. Iterative algoritmer Algoritmen er overordnet set een eller flere while eller for-løkker.
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den. maj 00. Kursusnavn Algoritmer og datastrukturer Kursus nr. 06. Tilladte hjælpemidler: Alle hjælpemidler. Vægtning af opgaverne: Opgave
Læs mereForén og find. Introduktion Hurtig find Hurtig forening Vægtet forening Stikompression Dynamiske sammenhængskomponenter.
Forén og find Introduktion Hurtig find Hurtig forening Vægtet forening Stikompression Dynamiske sammenhængskomponenter Philip Bille Forén og find Introduktion Hurtig find Hurtig forening Vægtet forening
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. Kursusnavn: Algoritmer og datastrukturer Kursus nr. 06. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer Vægtning
Læs mereKorteste veje i vægtede grafer. Længde af sti = sum af vægte af kanter på sti.
Korteste veje Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. δ(u, v) = længden af en korteste
Læs mereSkriftlig Eksamen Algoritmer og Datastrukturer (dads)
Skriftlig Eksamen Algoritmer og Datastrukturer (dads) Datalogisk Institut Aarhus Universitet Tirsdag den 27. maj 2003, kl. 9.00 3.00 Opgave (25%) For konstanten π = 3.4592... gælder identiteten π 2 6 =
Læs mereDynamisk programmering. Flere eksempler
Dynamisk programmering Flere eksempler Eksempel 1: Længste fælles delstreng Alfabet = mængde af tegn: {a,b,c,...,z}, {A,C,G,T}, {,1} Eksempel 1: Længste fælles delstreng Alfabet = mængde af tegn: {a,b,c,...,z},
Læs mereSkriftlig Eksamen DM507 Algoritmer og Datastrukturer
Skriftlig Eksamen DM507 Algoritmer og Datastrukturer Institut for Matematik og Datalogi Syddansk Universitet, Odense Mandag den 6. juni 2016, kl. 15:00 19:00 Besvarelsen skal afleveres elektronisk. Se
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Har en hvis lighed med divide-and-conquer: Begge opbygger løsninger til større problemer
Læs mereBinære søgetræer. Binære søgetræer. Nærmeste naboer. Nærmeste nabo
Philip Bille Nærmeste naboer. Vedligehold en dynamisk mængde S af elementer. Hvert element har en nøgle key[] og satellitdata data[]. operationer. PREDECESSOR(k): returner element med største nøgle k.
Læs mereDanmarks Tekniske Universitet
side af 2 sider Danmarks Tekniske Universitet Skriftlig prøve, den 2. maj 200. Kursusnavn Algoritmer og datastrukturer I Kursus nr. 0205. Tilladte hjælpemidler: Alle skriftlige hjælpemidler. Vægtning af
Læs mereRolf Fagerberg. Forår 2013
Forår 2013 Mål for i dag Dagens program: 1 2 3 4 5 6 Forudsætninger: DM536 og DM537 Timer: 50% forelæsninger, 50% øvelser Forudsætninger: DM536 og DM537 Eksamenform: Skriftlig eksamen: Timer: 50% forelæsninger,
Læs mereDanmarks Tekniske Universitet
side af 2 sider anmarks Tekniske Universitet Skriftlig prøve, den 23. maj 20. Kursusnavn: lgoritmer og datastrukturer Kursus nr. 02326. Varighed: 4 timer Tilladte hjælpemidler: lle skriftlige hjælpemidler.
Læs mereDanmarks Tekniske Universitet
side af 2 sider Danmarks Tekniske Universitet Skriftlig prøve, den 23. maj 20. Kursusnavn: Algoritmer og datastrukturer I Kursus nr. 0205. Varighed: 4 timer Tilladte hjælpemidler: Alle skriftlige hjælpemidler.
Læs mereKorteste veje. Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs. Philip Bille
Korteste veje Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs Philip Bille Korteste veje Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje
Læs mereAlgoritmeanalyse. Øvre grænse for algoritme. Øvre grænse for problem. Nedre grænse for problem. Identificer essentiel(le) operation(er)
Algoritmeanalyse Identificer essentiel(le) operation(er) Øvre grænse for algoritme Find øvre grænse for antallet af gange de(n) essentielle operation(er) udføres. Øvre grænse for problem Brug øvre grænse
Læs mereKorteste veje. Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs. Philip Bille
Korteste veje Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs Philip Bille Korteste veje Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje
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 mereDefinition : Et træ er en sammenhængende ikke-orienteret graf uden simple kredse. Sætning : En ikke-orienteret graf er et træ hvis og kun hvis der er
Definition : Et træ er en sammenhængende ikke-orienteret graf uden simple kredse. Sætning : En ikke-orienteret graf er et træ hvis og kun hvis der er en unik simpel vej mellem ethvert par af punkter i
Læs mereBinære søgetræer. Nærmeste naboer Binære søgetræer Indsættelse Predecessor og successor Sletning Trægennemløb. Philip Bille
Binære søgetræer Nærmeste naboer Binære søgetræer Indsættelse Predecessor og successor Sletning Trægennemløb Philip Bille Binære søgetræer Nærmeste naboer Binære søgetræer Indsættelse Predecessor og successor
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: n 3/2. n logn (3/2) n. 2 3logn (3/2) n
Side af 0 sider Opgave (4%) Ja Nej n er O(n / )? n +n er O(n )? (logn) er O( logn )? n er O()? /n er O(logn)? Opgave (4%) Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen: logn
Læs mere22 Hobe. Noter. PS1 -- Hobe. Binære hobe. Minimum-hob og maximum-hob. Den abstrakte datatype minimum-hob. Opbygning af hobe. Operationen siv-ned.
22 Hobe. Binære hobe. Minimum-hob og maximum-hob. Den abstrakte datatype minimum-hob. Opbygning af hobe. Operationen siv-ned. Indsættelse i hobe. Sletning af minimalt element i hobe. Repræsentation. 327
Læs mereSkriftlig Eksamen DM507 Algoritmer og Datastrukturer
Skriftlig Eksamen DM507 Algoritmer og Datastrukturer Institut for Matematik og Datalogi Syddansk Universitet, Odense Tirsdag den 24. juni 2014, kl. 10:00 14:00 Besvarelsen skal afleveres elektronisk. Se
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 mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: (logn) 2 2 n 1/n (logn) n. n 2
Side af sider Opgave (%) Ja Nej n er O(n n)? n er O(n+n )? ( n ) er O( n )? logn er O(n / )? n +n er O(n)? Opgave (%) Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen: (logn)
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2012 Projekt, del III Institut for matematik og datalogi Syddansk Universitet 29. april, 2012 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: 23n log n. 4 n (log n) log n
Eksamen. kvarter 00 Algoritmer og Datastrukturer (00-ordning) Side af sider Opgave (%) Ja Nej n er O(n )? n er O(n )? n er O(n + 0 n)? n + n er O(n )? n log n er Ω(n )? Opgave (%) Opskriv følgende funktioner
Læs mereDanmarks Tekniske Universitet
side af 2 sider Danmarks Tekniske Universitet Skriftlig prøve, den 2. maj 200. Kursusnavn Algoritmer og datastrukturer Kursus nr. 02326. Tilladte hjælpemidler: Alle hjælpemidler. Vægtning af opgaverne:
Læs mereMindste udspændende træ
Mindste udspændende træ Introduktion Repræsentation af vægtede grafer Egenskaber for mindste udspændende træer Prims algoritme Kruskals algoritme Philip Bille Mindste udspændende træ Introduktion Repræsentation
Læs mereGrafer og graf-gennemløb
Grafer og graf-gennemløb Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges). Dvs. ordnede par af knuder. Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges).
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 mereSkriftlig Eksamen Algoritmer og Datastrukturer (dads)
Skriftlig Eksamen Algoritmer og Datastrukturer (dads) Datalogisk Institut Aarhus Universitet Onsdag den. august 200, kl. 9.00.00 Opgave (25%) Lad A = A[] A[n] være et array af heltal. Længden af det længste
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2016 Projekt, del I Institut for matematik og datalogi Syddansk Universitet 29. februar, 2016 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereDatastrukturer. Datastruktur = data + operationer herpå
Prioritetskøer Prioritetskøer? Datastrukturer Datastruktur = data + operationer herpå Datastrukturer Data: Datastruktur = data + operationer herpå Ofte en ID + associeret data. ID kaldes også en nøgle
Læs mereIntervalsøgning. Algoritmisk geometri. Motivation for intervaltræer. Intervalsøgning. Lad der være givet en database over ansatte i en virksomhed
Algoritmisk geometri Intervalsøgning 1 2 Motivation for intervaltræer Intervalsøgning Lad der være givet en database over ansatte i en virksomhed Ansat Alder Løn Ansættelsesdato post i databasen Vi kan
Læs mereDynamisk programmering. Flere eksempler
Dynamisk programmering Flere eksempler Eksempel 1: Længste fælles delstreng Alfabet = mængde af tegn: {a,b,c,...,z}, {A,C,G,T}, {,1} Streng = sekvens x 1 x 2 x 3... x n af tegn fra et alfabet: helloworld
Læs mereGrafer og graf-gennemløb
Grafer og graf-gennemløb Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges). Dvs. ordnede par af knuder. Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges).
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 mereGrafer og graf-gennemløb
Grafer og graf-gennemløb Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges). Dvs. ordnede par af knuder. Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges).
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 mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 3. maj 0. Kursusnavn: Algoritmer og datastrukturer I Kursus nr. 005. Varighed: timer Tilladte hjælpemidler: Alle skriftlige hjælpemidler.
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: (logn) 7 n 1/2 2 n /n 3 2logn n 2 /logn
Eksamen august 0 Algoritmer og Datastrukturer (00-ordning) Side af sider Opgave (%) n er Ω(n)? n er O( n )? n er O(8logn)? + er O(n)? n er O(n / )? Opgave (%) Opskriv følgende funktioner efter stigende
Læs mereGrafer og graf-gennemløb
Grafer og graf-gennemløb Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges). Dvs. ordnede par af knuder. Figur: Terminologi: n = V, m = E (eller V og E (mis)bruges som V og E ).
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer
Læs mereDanmarks Tekniske Universitet
Eksamen 005, F0 side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 00. Kursusnavn Algoritmik og datastrukturer I Kursus nr. 005. Tilladte hjælpemidler: Alle skriftlige hjælpemidler.
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer (af samme type). 2. Løs delproblemerne ved rekursion (dvs. kald algoritmen
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2019 Projekt, del I Institut for matematik og datalogi Syddansk Universitet 27. februar, 2019 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereDanmarks Tekniske Universitet
ksamen 06, side af sider anmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. ursusnavn: lgoritmer og datastrukturer ursus nr. 06. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer
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 mereDanmarks Tekniske Universitet
Eksamen 02105, F14 side 1 af 14 Danmarks Tekniske Universitet Skriftlig prøve, den 22. maj 2014. Kursusnavn: Algoritmer og datastrukturer 1 Kursusnummer: 02105 Hjælpemidler: Skriftlige hjælpemidler. Det
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2018 Projekt, del II Institut for matematik og datalogi Syddansk Universitet 20. marts, 2019 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereDanmarks Tekniske Universitet
Eksamen 005, F side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. Kursusnavn: Algoritmer og datastrukturer I Kursus nr. 005. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed:
Læs mereDanmarks Tekniske Universitet
Eksamen 0205, Forår 205 side af 5 Danmarks Tekniske Universitet Skriftlig prøve, den 22. maj 205. Kursusnavn: Algoritmer og datastrukturer Kursusnummer: 0205 Hjælpemidler: Skriftlige hjælpemidler. Det
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: n 7 n 1 7 7/n. 7nlogn. 7n 7nlogn n7
Side af 0 sider Opgave (%) Ja Nej /n er O(n )? n (logn) er O(n 3 )? n + n er O(3 n )? n er O((logn) 3 )? nlogn er Ω(n)? Opgave (%) Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen:
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 mereDanmarks Tekniske Universitet
ksamen 036, side af sider anmarks Tekniske Universitet Skriftlig prøve, den 3. maj 0. Kursusnavn: lgoritmer og datastrukturer Kursus nr. 036. Varighed: timer Tilladte hjælpemidler: lle skriftlige hjælpemidler.
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2015 Projekt, del I Institut for matematik og datalogi Syddansk Universitet 3. marts, 2015 Dette projekt udleveres i to dele. Hver del har sin deadline, således
Læs mereBinære søgetræer. Binære søgetræer. Nærmeste naboer. Nærmeste nabo
Philip Bille er. Vedligehold en dynamisk mængde S af elementer. Hvert element har en nøgle x.key og satellitdata x.data. operationer. PREDECESSOR(k): returner element x med største nøgle k. SUCCESSOR(k):
Læs mereDM507 Algoritmer og datastrukturer
DM507 Algoritmer og datastrukturer Forår 2018 Projekt, del II Institut for matematik og datalogi Syddansk Universitet 13. marts, 2018 Dette projekt udleveres i tre dele. Hver del har sin deadline, således
Læs mereDanmarks Tekniske Universitet
side af 3 sider anmarks Tekniske Universitet Skriftlig prøve, den 29. maj 203. ursusnavn: lgoritmer og datastrukturer ursus nr. 02326. jælpemidler: Skriftlige hjælpemidler. et er ikke tilladt at medbringe
Læs mere