Sortering. Sortering ved fletning (merge-sort) Del-og-hersk. Merge-sort
|
|
- Lene Lauritzen
- 8 år siden
- Visninger:
Transkript
1 Sortering Sortering ved fletning (merge-sort) ! ! ! 4 9 7! 7 2! 2 9! 9 4! Del-og-hersk Merge-sort Del-og-hersk er et generelt paradigme til algoritmedesign Del: opdel input-data S i to disjunkte delmængder, S 1 og S 2 Løs (rekursivt): løs de delproblemer, der svarer til S 1 og S 2 Hersk: kombiner løsningerne for S 1 og S 2 til en løsning for S Basistilfældet for rekursionen er delproblemer af størrelse 0 eller 1 Merge-sort er en sorteringsmetode baseret på del-og-hersk-paradigmet Ligesom heap-sort benyttes et comparator-objekt har den O(n log n) køretid I modsætning til heap-sort benyttes ingen hjælpe-prioritetskø tilgås data sekventielt (hensigtsmæssigt ved sortering på en disk) Merge-sort på en input-sekvens S med n elementer består at tre trin: Del: opdel S i to sekvenser, S 1 og S 2, hver med cirka n/2 elementer Løs: sorter rekursivt S 1 og S 2 Hersk: flet S 1 og S 2 til en sorteret sekvens Algorithm mergesort(s, C) Input sequence S with n elements, comparator C Output sequence S sorted according to C if S.size() > 1 then (S 1, S 2 ) " partition(s, n/2) mergesort(s 1, C) mergesort(s 2, C) S " merge(s 1, S 2 ) 3 4
2 Fletning af to sorterede sekvenser Merge-sort-træ Hersk-trinet i merge-sort består i at flette to sorterede sekvenser A and B til en sorteret sekvens S, der indeholder foreningsmængden af A og B Fletning af to sorterede sekvenser implementeret ved hjælp af en hægtet liste tager O(n) tid Algorithm merge(a, B) Input sequences A and B Output sorted sequence of A # B S " empty sequence while A.isEmpty() $ B.isEmpty() do if A.first().element() < B.first().element() then S.insertLast(A.remove(A.first())) else S.insertLast(B.remove(B.first())) while A.isEmpty() do S.insertLast(A.remove(A.first())) while B.isEmpty() do S.insertLast(B.remove(B.first())) return S 5 En udførelse af merge-sort kan anskueliggøres ved hjælp af et binært træ Hver knude repræsenterer et rekursivt kald af mergesort og indeholder en usorteret sekvens før sin opdeling en sorteret sekvens efter udførelsen Roden er det første kald Bladene er delsekvenser af længde 0 eller ! ! ! 4 9 7! 7 2! 2 9! 9 4! 4 6 Eksempel på udførelse Opdeling Rekursivt kald, opdeling ! ! ! ! ! ! ! ! ! ! ! !
3 Rekursivt kald, opdeling Rekursivt kald, basistilfælde ! ! ! ! ! ! ! ! ! ! ! ! Rekursivt kald, basistilfælde Fletning ! ! ! ! ! ! ! ! ! ! ! !
4 Fletning Recursivt kald,, fletning, fletning ! ! ! ! ! ! ! ! ! ! ! ! Fletning ! ! Analyse af merge-sort Højden af merge-sort-træet er O(log n) ved hvert rekursivt kald halveres sekvensen Den totale arbejdsmængde for knuderne med dybde i er O(n) vi opdeler og fletter 2 i sekvenser, som hver har længden n/2 i vi foretager 2 i+1 rekursive kald Derfor er den samlede køretid for merge-sort O(n log n) dybde #sekv længde 7 2! ! ! ! n n/2 i 2 i n/2 i 15 16
5 Quick-sort Quick-sort er en randomiseret sorteringsalgoritme, der er baseret på del-og-hersk-paradigmet Quick-sort (Hoare, 1962) x ! ! ! 7 9 2! 2 9! 9 Del: vælg et tilfældigt element x (kaldet pivot-elementet) og opdel S i L : elementer mindre end x E : elementer lig med x G : elementer større end x Løs: sorter L og G Hersk: sammenføj L, E og G L x E G x Pseudokode for quick-sort Opdeling Algorithm quicksort(s, C) Input sequence S with n elements, comparator C Output sequence S sorted according to C if S.size() > 1 then x " element of S (L, E, G) " partition(s, x) quicksort(l, C) quicksort(g, C) S " join(l, E, G) 19 Vi opdeler input-sekvensen, som følger: Vi fjerner, et efter et, ethvert element y fra S Vi overfører y til L, E eller G, afhængigt af udfaldet af sammenligningen med pivot-elementet, x Hver indsættelse og fjernelse sker enten i starten eller i slutningen af en sekvens og tager derfor O(1) tid Opdelingen i quick-sort tager derfor O(n) tid Algorithm partition(s, p) Input sequence S, position p of pivot Output subsequences L, E, G of the elements of S less than, equal to, or greater than the pivot, resp. L, E, G " empty sequences x " S.elementAtRank(p) while S.isEmpty() do y " S.remove(S.first()) if y < x then L.insertLast(y) else if y = x then E.insertLast(y) else { y > x } G.insertLast(y) return L, E, G 20
6 Quick-sort-træ En udførelse af quick-sort kan anskueliggøres ved hjælp af et binært træ Hver knude repræsenterer et rekursivt kald af quicksort og indeholder en usorteret sekvens før sin opdeling en sorteret sekvens efter udførelsen Roden er det første kald Bladene er delsekvenser af længde 0 eller 1 Valg af pivot-element Eksempel på udførelse ! ! ! ! ! ! 7 9 2! 2 9 4! 4 9 3! 3 8! 8 2! 2 9! 9 9! 9 4! Opdeling, rekursivt kald, valg af pivot-element Opdeling, rekursivt kald, basistilfælde ! !! ! ! !! ! ! 2 9 4! 4 9 3! 3 8! 8 1! 1 9 4! 4 9 3! 3 8! 8 9! 9 4! 4 9! 9 4!
7 Rekursivt kald,, basistilfælde, forening Rekursivt kald, valg af pivot-element ! ! ! ! ! ! ! 1 4 3! 3 4 3! 3 8! 8 1! 1 4 3! 3 4 8! 8 9! 9 9! 9 4! 4 9! 9 4! Opdeling,, rekursivt kald, basistilfælde Forening, forening ! ! ! ! ! ! ! 1 4 3! 3 4 8! 8 9! 9 1! 1 4 3! 3 4 8! 8 9! 9 9! 9 4! 4 9! 9 4!
8 Køretid i værste tilfælde Det værste tilfælde for quick-sort optræder, når pivot-elementet er det unikke minimum- eller maksimum-element. I dette tilfælde har enten L eller G længden n - 1, og den anden har længden 0 Køretiden er proportional med summen n + (n - 1) Den værste køretid for quick-sort er således O(n 2 ) Forventet køretid Betragt det rekursive kald af quick-sort for en sekvens af længde s Godt kald: længderne af L og G er begge mindre end 3s/4 Dårligt kald: enten har L eller G en længde større end 3s/ ! dybde tid Godt kald Dårligt kald 0 n Et kald er godt med sandsynligheden 1/2 1 n n Dårlige pivotelementer Gode pivotelementer Dårlige pivotelementer Forventet køretid (del 2) Quick-sort på stedet Sandsynlighedsteoretisk faktum: Det forventede antal møntkast, der skal til for at for få k kroner, er 2k For en knude med dybden i forventer vi, at i/2 forfædre er gode kald, hvilket betyder, at længden af input-sekvensen for det aktuelle kald er højst (3/4) i/2 n Derfor har vi For en knude med dybden 2log 4/3 n har den forventede input-sekvens længden 1 Den forventede højde af quick-sort-træet er O(log n) Den samlede arbejdsmængde for alle knuder med samme dybde er O(n) Derfor er den forventede køretid for quicksort O(n log n) forventet højde O(log n) s(a) s(r) s(b) s(c) s(d) s(e) s(f) tid per niveau O(n) O(n) O(n) Quick-sort kan implementeres, så den der kører på stedet (in-place) I opdelingstrinet benyttes erstatningsoperationer for at omordne inputsekvensens elementer således, at elementer mindre end pivot-elementet får rang mindre end h elementer lig med pivot-elementet får rang imellem h and k elementer større end pivot-elementet får rang større end k De rekursive kald behandler elementer med rang mindre end h elementer med rang større end k Algorithm inplacequicksort(s, l, r) Input sequence S, ranks l and r Output sequence S with the elements of rank between l and r rearranged in increasing order if l % r then return i " a random integer between l and r x " S.elemAtRank(i) (h, k) " inplacepartition(s, x) inplacequicksort(s, l, h - 1) inplacequicksort(s, k + 1, r) total forventet tid: O(n log n) 31 32
9 Opdeling på stedet Sammenligningsbaseret sortering Benyt to indices, j og k, til at opsplitte S til L og E # G Gentag, indtil j og k krydser hinanden: Søg til højre, indtil der findes et element > x. Søg til venstre, indtil der mødes et element < x Ombyt de to elementer på indeks j og k j j k k (pivot = 6) Mange sorteringsalgoritmer er baseret på sammenligning De sorterer ved at foretage sammenligninger imellem par af objekter Eksempler: bubble-sort, selection-sort, insertion-sort, heap-sort, merge-sort, quick-sort,... Lad os udlede en nedre grænse for køretiden for enhver algoritme, der bruger sammenligninger til at sortere n elementer x 1, x 2,, x n ja x i < x j? nej Tælling af sammenligninger Lad os tælle sammenligningerne Enhver mulig udførelse af algoritmen svarer til en rod-til-blad-vej i et beslutningstræ x i < x j? Højden af beslutningstræet Højden af beslutningstræet er en nedre grænse for køretiden Enhver mulig input-permutation må føre til hvert sit blad (output) I modsat fald vil nogle input-permutationer, f.eks og , få samme output, hvilket ville være forkert Da der således er n! = 1*2* *n blade, er højden mindst log(n!) minimal højde (tid) x i < x j? x a < x b? x c < x d? x a < x b? x c < x d? x e < x f? x k < x l? x m < x o? x p < x q? log (n!) x e < x f? x k < x l? x m < x o? x p < x q? 35 n! 36
10 Den nedre grænse Enhver sammenligningsbaseret sorteringsalgoritme bruger mindst log(n!) tid i værste tilfælde Bucket-sort og Radix-sort Derfor må enhver sådan algoritme have en køretid, der i værste tilfælde er mindst & n # log ( n!) ' log $! % 2 " n 2 mindst n/2 faktorer er " n/2 = ( n / 2)log ( n / 2). B 1, c 3, a 3, b 7, d 7, g 7, e & & & & & & & Enhver sammenligningsbaseret sorteringsalgoritme kører i!(n log n) tid i værste tilfælde
11 Bucket-sort Lad S være en sekvens af n (nøgle, element)- emner med heltalsnøgler i intervallet [0, N ' 1] Bucket-sort bruger nøgler som indices i et hjælpe-array B af sekvenser (spande) Fase 1: Tøm sekvensen S ved at flytte hvert emne (k, o) til sin spand B[k] Fase 2: For i = 0,, N ' 1, flyt emnerne i spanden B[i] til slutningen af sekvensen S Analyse: Fase 1 tager O(n) tid Fase 2 tager O(n + N) tid Bucket-sort tager altså O(n + N) tid Algorithm bucketsort(s, N) Input sequence S of (key, element) items with keys in the range [0, N ' 1] Output sequence S sorted by increasing keys B " array of N empty sequences while S.isEmpty() do f " S.first() (k, o) " S.remove(f) B[k].insertLast((k, o)) for i " 0 to N ' 1 do while B[i].isEmpty() do f " B[i].first() (k, o) " B[i].remove(f) S.insertLast((k, o)) Eksempel Egenskaber og udvidelser Nøgleinterval [0, 9] B 7, d 1, c 3, a 7, g 3, b 7, e Fase 1 1, c 3, a 3, b 7, d 7, g 7, e & & & & & & & Fase 2 1, c 3, a 3, b 7, d 7, g 7, e Nøgle-type-egenskaben Nøglerne bruges som indices i et array og kan derfor ikke være vilkårlige objekter Der er intet comparator-objekt Stabilitets-egenskaben Den indbyrdes rækkefølge for to elementer med samme nøgle bevares efter udførelsen af algoritmen Udvidelser Heltalsnøgler i intervallet [a, b] Flyt emnet (k, o) til spanden B[k ' a] Nøgler fra en mængde D af mulige tekststrenge, hvor D har en konstant størrelse (f.eks. navnene på Danmarks 100 største byer) Sorter D og beregn rangen r(k) for enhver streng k fra D i den sorterede sekvens Flyt et emne (k, o) til spanden B[r(k)] 43 44
12 Leksikografisk orden Leksikografisk sortering Et d-tupel er en sekvens af d nøgler (k 1, k 2,, k d ) Nøgle k i siges at være i den i te dimension af tuplet Eksempel: De Cartesiske koordinater for et punkt i rummet er et 3-tupel Lad C i være comparator-objektet, der sammenligner to tupler i deres i te dimension Lad stablesort(s, C) være en stabil sorteringsalgoritme, der bruger comparator-objektet C Algorithm lexicographicsort(s) Input sequence S of d-tuples Output sequence S sorted in lexicographic order for i " d downto 1 do stablesort(s, C i ) Den leksikografiske orden for to d-tupler er defineret rekursivt som følger (x 1, x 2,, x d ) < (y 1, y 2,, y d ) ( x 1 < y 1 ) (x 1 = y 1 $ (x 2,, x d ) < (y 2,, y d )) LexicographicSort sorterer en sekvens af d-tupler i leksikografisk orden ved d gange at udføre algoritmen stablesort, en gang for hver dimension Eksempel: (7,4,6) (5,1,5) (2,4,6) (2,1,4) (3,2,4) (2,1,4) (3,2,4) (5,1,5) (7,4,6) (2,4,6) D.v.s. Tuplerne sammenlignes i første dimension, så i anden, o.s.v. LexicographicSort kører i O(dT(n)) tid, hvor T(n) er køretiden for stablesort (2,1,4) (5,1,5) (3,2,4) (7,4,6) (2,4,6) (2,1,4) (2,4,6) (3,2,4) (5,1,5) (7,4,6) Radix-sort Radix-sort af binære heltal Radix-sort er en specialisering af lexicographicsort, som benytter bucketsort som den stabile sorteringsmetode i enhver dimension Radix-sort kan anvendes til tupler, hvor nøglerne i hver dimension i er heltal i intervallet [0, N ' 1] Radix-sort kører i O(d(n + N)) tid Algorithm radixsort(s, N) Input sequence S of d-tuples such that (0,, 0) * (x 1,, x d ) and (x 1,, x d ) * (N ' 1,, N ' 1) for each tuple (x 1,, x d ) in S Output sequence S sorted in lexicographic order for i " d downto 1 do bucketsort(s, N) Betragt en sekvens af n b-bit tal x = x b'1 x 1 x 0 Vi repræsenterer hvert element som et b- tupel af heltal fra intervallet [0, 1] og anvender radix-sort med N = 2 Denne anvendelse af radix-sort kører i O(bn) tid For eksempel kan vi sortere en sekvens af 32-bit heltal i lineær tid Algorithm binaryradixsort(s) Input sequence S of b-bit integers Output sequence S sorted replace each element x of S with the item (0, x) for i " 0 to b ' 1 do replace the key k of each item (k, x) of S with bit x i of x bucketsort(s, 2) 47 48
13 Eksempel Sortering af en sekvens af 4-bit heltal Udvælgelse Udvælgelsesproblemet Lad der være givet et heltal k og n elementer x 1, x 2,, x n, der opfylder en total ordningsrelation. Find det k te mindste element i denne mængde. Vi kan selvfølgelig sortere mængden i O(n log n) tid, og derefter indicere det k te element. k=3 Kan vi løse problemet hurtigere? ! Quick-select Quick-select er en randomiseret udvælgelsesalgoritme Afskær: vælg et tilfældigt element x (pivotelementet) og opdel S i L : elementer mindre end x E : elementer lig med x G : elementer større en x Søg: afhængigt af k, søg svaret i E, eller søg rekursivt i enten L eller G L k < L x x E G k > L + E k = k - L - E L < k < L + E (fundet) 51 52
14 Visualisering af quick-select Forventet køretid En udførelse af quick-select kan anskueliggøres ved hælp af en rekursionsvej Hver knude repræsenterer et rekursivt kald af quick-select og indeholder k og den resterende sekvens Betragt det rekursive kald af quick-select for en sekvens af længde s Godt kald: længderne af L og G er begge mindre end 3s/4 Dårligt kald: enten L eller G has har en længde større end eller lig med 3s/ k=5, S=( ) ! k=2, S=( ) Godt kald Dårligt kald k=2, S=( ) k=1, S=(7 6 5) 5 Et kald er godt med sandsynligheden 1/ Dårlige pivotelementer Gode pivotelementer Dårlige pivotelementer Forventet køretid (del 2) Sandsynlighedsteoretisk faktum 1: Det forventede antal møntkast, der skal til for at få krone, er 2 Sandsynlighedsteoretisk faktum 2: Forventning er en lineær funktion E(X + Y) = E(X) + E(Y) E(cX) = ce(x) Lad T(n) betegne den forventede køretid for quick-select Ved faktum 2: T(n)! T(3n/4) + bn*(forventet antal kald inden et godt kald), hvor b > 0 er en konstant Ved faktum 1: T(n)! T(3n/4) + 2bn T(n) er en opad begrænset af en kvotientrække: T(n)! 2bn + 2b(3/4)n + 2b(3/4) 2 n + 2b(3/4) 3 n + Da kvotienten er mindre end 1, konvergerer rækken. Så T(n) er O(n) 55
Sortering 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 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 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 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 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 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 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 mereSøgning og Sortering. Søgning og Sortering. Søgning. Linæer søgning
Søgning og Sortering Søgning og Sortering Philip Bille Søgning. Givet en sorteret tabel A og et tal x, afgør om der findes indgang i, så A[i] = x. Sorteret tabel. En tabel A[0..n-1] er sorteret hvis A[0]
Læs mereSøgning og Sortering. Philip Bille
Søgning og Sortering Philip Bille Plan Søgning Linæer søgning Binær søgning Sortering Indsættelsesortering Flettesortering Søgning Søgning 1 4 7 12 16 18 25 28 31 33 36 42 45 47 50 1 2 3 4 5 6 7 8 9 10
Læs mereSøgning og Sortering. Søgning Linæer søgning Binær søgning Sortering Indsættelsessortering Flettesortering. Philip Bille
Søgning og Sortering Søgning Linæer søgning Binær søgning Sortering Indsættelsessortering Flettesortering Philip Bille Søgning og Sortering Søgning Linæer søgning Binær søgning Sortering Indsættelsessortering
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 mereMm7: 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 mereSkriftlig Eksamen Algoritmer og Datastrukturer 1. Datalogisk Institut Aarhus Universitet. Mandag den 22. marts 2004, kl
Skriftlig Eksamen Algoritmer og Datastrukturer 1 Datalogisk Institut Aarhus Universitet Mandag den. marts 00, kl..00 11.00 Navn Gerth Stølting Brodal Årskort 1 Dette eksamenssæt består af en kombination
Læs mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: 5n 4. logn. n 4n 5 n/logn. n n/logn 5n
Algoritmer og Datastrukturer (-ordning) Side af sider Opgave (%) n er O(n 7 )? (logn) er O( n)? n(logn) er O(n)? n er O( n )? n er Ω(n )? Opgave (%) Opskriv følgende funktioner efter stigende orden med
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 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 mereProgrammering og Problemløsning, 2017
Programmering og Problemløsning, 2017 Martin Elsman Datalogisk Institut Københavns Universitet DIKU 10. Oktober, 2017 Martin Elsman (DIKU) Programmering og Problemløsning, 2017 10. Oktober, 2017 1 / 15
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 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 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 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 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 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 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 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 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 mereGeometrisk skæring. Afgørelse af om der findes skæringer blandt geometriske objekter Bestemmelse af alle skæringspunkter
Planfejning 1 Skæring 2 Geometrisk skæring Afgørelse af om der findes skæringer blandt geometriske objekter Bestemmelse af alle skæringspunkter Løsningsmetoder: Rå kraft Planfejning (eng. plane sweep)
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 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 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 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 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 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
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 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 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 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 mereBinære søgetræer og skiplister
Søgning 1 Binære søgetræer og skiplister < 6 S 3 + 2 > 9 S 2 15 + 1 4 = 8 S 1 15 23 + S 0 10 15 23 36 + 2 Ordbog ADT (Dictionary) En ordbog lagrer en samling af emner, der kan søges i Hvert emne er et
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 26. marts 2009, kl.
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 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 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 mereDM507 - Algoritmer og datastrukturer
- Algoritmer og datastrukturer Køretid g(n) Udtryk Beskrivelse lim n f(n) o(f) Vokser langsommere end f = 0 O(f) Vokser højst så hurtigt som f < Θ(f) Vokser som f = c(c > 0) Ω(f) Vokser mindst så hurtigt
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 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 mereMålet for disse slides er at diskutere nogle metoder til at gemme og hente data effektivt.
Merging og hashing Mål Målet for disse slides er at diskutere nogle metoder til at gemme og hente data effektivt. Dette emne er et uddrag af kurset DM507 Algoritmer og datastrukturer (2. semester). Mål
Læs mere1. Redegør for Lister, stakke og køer mht struktur og komplexitet af de relevante operationer
1. Redegør for Lister, stakke og køer mht struktur og komplexitet af de relevante operationer på disse. Typer af lister: Array Enkelt linket liste Dobbelt linket Cirkulære lister Typer af køer: FILO FIFO
Læs mereMålet for disse slides er at beskrive nogle algoritmer og datastrukturer relateret til at gemme og hente data effektivt.
Merging og hashing Mål Målet for disse slides er at beskrive nogle algoritmer og datastrukturer relateret til at gemme og hente data effektivt. Dette emne er et uddrag af kurset DM507 Algoritmer og datastrukturer
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 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 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: 4 n n 3n n 2 /logn 5 n n (logn) 3n n 2 /logn 4 n n 5 n
Side af 0 sider Opgave (%) Ja Nej n er O(0n logn)? n er O(n )? n +n er O(n )? n logn er O(n )? n logn er O(n)? Opgave (%) Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen: n
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 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 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 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
side af 2 sider Danmarks Tekniske Universitet Skriftlig prøve, den 26. maj 2009. Kursusnavn Algoritmik og datastrukturer I Kursus nr. 0205. Tilladte hjælpemidler: Alle skriftlige hjælpemidler. Vægtning
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 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 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 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 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 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 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 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 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 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 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 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 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 mereOpskriv følgende funktioner efter stigende orden med hensyn til O-notationen: n+logn logn (logn) 7 (3/2) n
Side af sider Opgave (%) Ja Nej n er O( n )? n er O(log n)? n er O(n )? n + er O(0n)? nlogn er O(n / )? Opgave (%) Opskriv følgende funktioner efter stigende orden med hensyn til O-notationen: nlogn logn
Læs mereMartin Olsen. DM507 Projekt Del I. 19. marts 2012 FOTO: Colourbox
Martin Olsen DM0 Projekt 0 Del I. marts 0 FOTO: Colourbox Indhold Indledning... Opgave... Opgave... Opgave... Opgave... Opgave... Opgave... Opgave... Kildekode til SimpleInv.java... Kildekode til MergeSort.java...
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 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 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 mereDM02 Kogt ned. Kokken. Januar 2006
DM02 Kogt ned Kokken Januar 2006 1 INDHOLD Indhold 1 Asymptotisk notation 2 2 Algoritme analyse 2 3 Sorterings algoritmer 2 4 Basale datastrukturer 3 5 Grafer 5 6 Letteste udspændende træer 7 7 Disjunkte
Læs mereSkriftlig eksamen i Datalogi
Roskilde Universitetscenter side 1 af 11 sider Skriftlig eksamen i Datalogi Modul 1 Sommer 2000 Opgavesættet består af 6 opgaver, der ved bedømmelsen tillægges følgende vægte: Opgave 1 10% Opgave 2 10%
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 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 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 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 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 mereINSTITUT FOR DATALOGI, AARHUS UNIVERSITET. Science and Technology EKSAMEN. Grundkurser i Datalogi. Algoritmer og Datastrukturer 1 (2003-ordning)
INSTITUT FOR DATALOGI, AARHUS UNIVERSITET Science and Technology EKSAMEN Grundkurser i Datalogi Antal sider i opgavesættet (incl. forsiden): 1 Eksamensdag: Tirsdag den 7. juni 16, kl. 9.-11. Tilladte medbragte
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 mereIntroduktion. Introduktion. Algoritmer og datastrukturer. Eksempel: Maksimalt tal
Philip Bille Algoritmer og datastrukturer Algoritmisk problem. Præcist defineret relation mellem input og output. Algoritme. Metode til at løse et algoritmisk problem. Beskrevet i diskrete og entydige
Læs mereIntroduktion. Algoritmer og datastrukturer Toppunkter Algoritme 1 Algoritme 2 Algoritme 3. Philip Bille
Introduktion Algoritmer og datastrukturer Toppunkter Algoritme 1 Algoritme 2 Algoritme 3 Philip Bille Introduktion Algoritmer og datastrukturer Toppunkter Algoritme 1 Algoritme 2 Algoritme 3 Algoritmer
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 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 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 mereSkriftlig Eksamen Algoritmer og Datastrukturer 1. Datalogisk Institut Aarhus Universitet
Side af 1 sider Skriftlig Eksamen Algoritmer og Datastrukturer 1 Datalogisk Institut Aarhus Universitet Dette eksamenssæt består af en kombination af små skriftlige opgaver og multiplechoice-opgaver. Opgaverne
Læs mereSortering. Her: sortering af arrays af objekter
Datalogi C Forelæsning 19/10-2004 - MED RETTELSE s. 16 Henning Christiansen Sortering Her: sortering af arrays af objekter Hvorfor beskæftige sig med sortering? Væsentligt til effektiv implementation af
Læs mereOpgave 1 (10%) I det følgende angiver log n 2-tals-logaritmen af n. Ja Nej. n+3n er O(2n)? n 6 er O(n 5 )? nlogn er O(n 2 /logn)? 4n 3 er O(3n 4 )?
Eksamen juni Algoritmer og Datastrukturer (-ordning) Side af sider Opgave (%) I det følgende angiver log n -tals-logaritmen af n. n+n er O(n)? n 6 er O(n )? nlogn er O(n /logn)? n er O(n )? n er O(n )?
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 mereIntroduktion. Philip Bille
Introduktion Philip Bille Plan Algoritmer og datastrukturer Toppunkter Algoritme 1 Algoritme 2 Algoritme 3 Algoritmer og datastrukturer Hvad er det? Algoritmisk problem: præcist defineret relation mellem
Læs mereSortering i CPH STL. Jakob Sloth, Morten Lemvigh & Mads Kristensen. CPH STL rapport 2003-2 maj 2003; revidered november 2003
Sortering i CPH STL Jakob Sloth, Morten Lemvigh & Mads Kristensen CPH STL rapport 2003-2 maj 2003; revidered november 2003 1 INDHOLD S. 2 Indhold Indhold 2 1 Indledning 5 1.1 Problemstilling..........................
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: Torsdag den 21. marts 2013,
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 mere