01-Einleitung

 Documents

 131 views
of 28
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Description
Vorlesung Informatik 2 Algorithmen und Datenstrukturen 01 – Einleitung Prof. Dr. Th. Ottmann 1 Literatur Ottmann, Widmayer: Algorithmen und Datenstrukturen,…
Share
Transcript
Vorlesung Informatik 2 Algorithmen und Datenstrukturen 01 – Einleitung Prof. Dr. Th. Ottmann 1 Literatur Ottmann, Widmayer: Algorithmen und Datenstrukturen, Spektrum Akademischer Verlag, Heidelberg, Berlin; ISBN: 3-8274-1029-0, 4. Auflage, 2002 Saake, Sattler: Algorithmen und Datenstrukturen: eine Einführung mit Java, dpunkt- Verlag, Heidelberg, 2002; ISBN: 3-89864-122-8 Cormen, Leiserson, Rivest, Stein: Introduction to Algorithms, Second Edition, MIT-Press and McGraw Hill, 2002 Baase, Van Gelder: Computer Algorithms – Introduction to Design & Analysis, Addison-Wesley; ISBN: 0-201-61244-5, Third Edition, 2000 Goodrich, Tamassia : Data Structures and Algorithms in Java, John Wiley & Sons; ISBN: 0-471-38367, Second Edition, 2001 Zahlreiche weitere Bücher von : D. Knuth, S.Baase, R. Sedgewick, Nievergelt / Hinrichs A. Drozdeck,Th. Standisch, Kruse, Wood, u.v.a. 2 Inhaltsübersicht 1. Einleitung, Grundlagen 2. Algorithmenentwurfstechniken 3. Elementare Datenstrukturen 4. Sortieren, Suchen, Auswahl 5. Wörterbücher, Bäume und Hash-Verfahren 6. Graphenalgorithmen 3 Lernziele Algorithmen für wichtige Probleme : Sortieren, Suchen, Wörterbuch-Problem,Berechnung kürzester Pfade, . . . Datenstrukturen : Listen, Stapel, Schlangen, Bäume, Hash-Tabellen, . . . Problemlösetechniken : Divide-and-Conquer, Greedy, vollständige Aufzählung,Backtracking, . . . Ziel: Finden effizienter Algorithmen für Instanzen von Problemen aus einem gegebenen Bereich 4 Beschreibung und Analyse von Algorithmen • Sprache zur Formulierung von Algorithmen Natürliche Sprache, Flussdiagramme, Programmiersprache (Java, C, ...) Pseudocode • Mathematisches Instrumentarium zur Messung der Komplexität (Zeit- und Platzbedarf): Groß-O-Kalkül 5 Pseudocode • Abstrakte Beschreibung eines Beispiel : Finden des größten Elements in Algorithmus einem array • Strukturierter als Beschreibung mit Algorithmus arrayMax(A,n) normalem Sprachvokabular Input array A mit n Integern Output größtes Element von A • Weniger detailliert als ein Programm currentMax A[0] • Bevorzugte Notation zur Beschreibung for i 1 to n – 1 do eines Algorithmus if A[i] > currentMax then • Versteckt Programmentwurfsprobleme currentMax A[i] return currentMax 6 Pseudocode Details • Kontrollfluss • Methodenaufruf - if … then … [else …] var.method(arg[,arg…]) - while … do … • Rückgabewert - repeat … until … return Ausdruck - for … do … • Ausdrücke - Einrücken ersetzt Klammern Zuweisung • Deklaration von Methoden (wie = in Java) Algorithm method(arg[, arg…]) = Gleichheitstest Input … (wie == in Java) Output … n² Superscripts und andere mathematische Formatierungen sind erlaubt 7 Formale Eigenschaften von Algorithmen • Korrektheit • Effizienz Fragen : Wie beweist man die Korrektheit ? Programmverifikation Testen Wie misst man die Effizienz von Algorithmen ? Implementation und Test für „repräsentative“ Beispiele Platz- und Zeitbedarf auf Real RAM Bestimmung signifikanter Parameter 8 Korrektheit • partielle : Wenn der Algorithmus hält, dann liefert er das gewünschte Resultat • totale : Algorithmus hält und liefert das gewünschte Ergebnis Vorbedingung (Eingabe-Bedingung) : Spezifiziert den Zustand vor Ausführung eines Algorithmus Nachbedingung (Ausgabe-Bedingung) : Spezifiziert den Zustand nach Ausführung des Algorithmus {P} A {Q} Beispiel : {?} x = y + 23 {x>0} Hoare Kalkül 9 Beispiel eines (formalen) Korrektheitsbeweises Algorithmus Mult(x,y) Eingabe : Ein Paar x,y von natürlichen Zahlen Ausgabe : Das Produkt von x und y Methode : z 0 ; while (y>0) do { if (y ist gerade) then {y y/2; x x+x} else /* y ist ungerade */ {y y-1; z z+x} } return z; 10 Implementation in Java class Mult { public static void main ( String [] args ) { int x = new Integer (args[0]). intValue(); int y = new Integer (args[1]). IntValue(); System.out.println (“Das Produkt von “ +x+ “ und “ +y+ “ ist “ +mult(x,y)); public static int mult (int x, int y) { int z = 0; while (y>0) if (y % 2 == 0) { y = y / 2; x = x+x ;} else { y = y-1; z = z+x; } return z; } } 11 Nachweis der totalen Korrektheit Beh. (1) Für jedes Paar a,b von natürlichen Zahlen gilt: Mult(a,b) hält nach endlich vielen Schritten . Beh. (2) Sind a und b natürliche Zahlen, dann liefert Mult(a,b) den Wert z = a * b. int z = 0; while (y>0) if (y % 2 == 0) { y = y / 2; x = x+x ;} else { y = y-1; z = z+x; } 12 Schleifeninvariante Invarianz-Bedingung I: y >= 0 und z + x y = a b Beh. 2.1: I gilt vor erstmaliger Ausführung der while-Schleife Beh. 2.2: I bleibt bei einmaliger Ausführung des Rumpfs der while- Schleife richtig. int z = 0; while (y>0) if (y % 2 == 0) { y = y / 2; x = x+x ;} else { y = y-1; z = z+x; } 13 Durchführung von Mult(x,y) an einem Beispiel 1101*101 1 101 00 00 110 1 1000 001 x y z # Iterationen 14 Beschreibung und Analyse von Algorithmen Sprache zur Formulierung von Algorithmen : natürliche Sprache (Englisch), Java, C, Assembler, Pseudocode Mathematisches Instrumentarium zur Messung der Komplexität (Zeit- und Platzbedarf): Groß-O-Kalkül 15 Effizienzanalyse • Speicherplatzkomplexität: Wird primärer (sekundärer) Speicherplatz effizient genutzt? • Laufzeitkomplexität: Steht die Laufzeit im akzeptablen/vernünftigen/optimalen Verhältnis zur Größe der Aufgabe? • Theorie: Kann untere Schranken liefern, die für jeden Algorithmus gelten, der das Problem löst (etwa O(n log n) Schritte für jedes allgemeine Sortierverfahren mit n Elementen) • Spezieller Algorithmus: Liefert obere Schranke für die Lösung eines Problems (etwa O(n2) Schritte für Bubblesort mit n Elementen) • Effiziente Algorithmen und Komplexitätstheorie: Zweige der Theoretischen Informatik zur Erforschung von oberen und unteren Schranken 16 Komplexitätsschranken Komplexität Schranke für speziellen Algorithmus Komplexität des Problems Schranke aus der Theorie Inputgröße 17 Laufzeitanalyse (1) Ein Programm P, das für eine Problembeschreibung x mit Länge n=|x| die Lösung findet, habe Laufzeit TP (n) Der beste Fall (best case): Laufzeit meist leicht bestimmbar, kommt in der Praxis eher selten vor: TP,best(n) = inf{TP(x) | n = |x|} Der schlechteste Fall (worst case): Liefert garantierte Schranken, Laufzeit meist leicht bestimmbar, aber meist zu pessimistisch in der Praxis: TP,worst(n) = sup{TP(x) | n = |x|} Im amortisierten worst case wird der durchschnittliche Aufwand für eine schlechtestmögliche Folge von Eingaben bestimmt (technisch anspruchsvoll). 18 Laufzeitanalyse (2) Der mittlere Fall (average case): Laufzeit oft nur aufwendig bestimmbar, für die Praxis aber sehr relevant: Sei Q(x) die Wahrscheinlichkeit für das Auftreten der Eingabe x mit n = |x| unter allen Eingaben der Länge n: TP,average (n)   T ( x ) Q( x ) x ,n x P Fragen: • Worüber wird gemittelt? • Sind alle Eingaben der Länge n gleich wahrscheinlich? 19 Messung des Leistungsverhaltens 1. Betrachte konkrete Implementierung auf konkreter Hardware. Miss Laufzeit und Platzverbrauch für repräsentative Eingaben. 2. Berechne Verbrauch an Platz und Zeit für idealisierte Referenzmaschine, Random Access Machine (RAM), Registermachine (RM), Turingmachine (TM), . . . 3. Bestimme Anzahl bestimmter (teurer) Grundoperationen, etwa • # Vergleiche, # Bewegungen von Daten (beim Sortieren) • # Multiplikationen/Divisionen (für numerische Verfahren) Bei 2. und 3.: Beschreibe Aufwand eines Verfahrens als Funktion der Größe des Inputs. (Die Input-Größe kann verschieden gemessen werden.) 20 Kostenmaße Einheitskostenmaß: Es gilt die Annahme, dass jedes Datenelement unabhängig von seiner tatsächlichen Größe denselben Speicherplatz belegt (die Einheitsgröße) und gleiche Verarbeitungskosten verursacht. Die Größe der Eingabe ergibt sich aus der Anzahl der Datenelemente. Beispiel: Sortieren von Zahlen Logarithmisches Kostenmaß: Hier gilt die Annahme, dass jedes Datenelement Speicherplatz belegt, der von seiner (numerischen) Größe logarithmisch abhängt. (Für Zahl n > 0 ist die # der Bits zur Darstellung von n gleich log2(n  1) ) Die Größe der Eingabe ergibt sich aus der Summe der logarithmischen Größen der Datenelemente. Beispiel: Zerlegung einer in Dualdarstellung gegebenen Zahl in Primfaktoren 21 Beispiel: Taktzahl (1) Bestimme Aufwand (Taktzahl = Anzahl der Bitwechsel) eines Von-Neumann Addierwerks bei Addition einer 1 zu einer durch n Binärziffern gegebenen Zahl i. 0  i  2n  1 Die Taktzahl ist 1 plus # der 1en am Ende der Darstellung von i. Bester Fall: Die best case Rechenzeit beträgt 1 Takt (Addiere 1 zu 000...0 )   n Schlechtester Fall: Die worst case Rechenzeit beträgt n + 1 Takte (Addiere 1 zu 111...  1) n 22 Beispiel: Taktzahl (2) Mittlerer Fall: Angenommen wird die Gleichverteilung auf der Menge der Eingaben. Es gibt 2(n-k) Eingaben, die mit 01 ...  1 enden und k Takte benötigen. Die Zahl 2n - 1 braucht n + 1 k 1 Takte. Die average case Rechenzeit beträgt also 1   Tadd 1(n)    2n  1  k  n 2n k k  (n  1)   2 n(2n  1  2  n  (n  1))  2  2 n Im Durchschnitt reichen also 2 Takte, um eine Addition von 1 durchzuführen. 23 Nebenrechnung  2n k 1 k  n k  n * 2n n  ...  2 * 2n 2  1 * 2n 1  20  ...  2n  3  2n  2  2n  1  20  ...  2n  3  2n  2  20  ...  2n  3   20  (2n  1)  ...  (21  1)  2n  1  2  n 24 Primitive Operationen • Grundlegende Berechnungen, die von einem Algorithmus ausgeführt werden • Ablesbar aus Pseudocode oder Programmstück • Überwiegend unabhängig von einer (imperativen) Programmiersprache • Exakte Definition ist nicht bedeutend • Beispiele • einen Ausdruck auswerten • einer Variablen einen Wert zuweisen • Indexierung in einem Array • Aufrufen einer Methode • Verlassen einer Methode 25 Zählen von primitiven Operationen Durch Untersuchen des Pseudocode können wir die maximale Zahl von primitiven Operationen, die durch einen Algorithmus ausgeführt wurden, als eine Funktion der Eingabegröße bestimmen. Algorithmus arrayMax(A,n) # Operationen currentMax A[0] 2 for i 1 to n-1 do 2(n-1) if A[i] > currentMax then 2(n-1) currentMax A[i] 2(n-1) { erhöhe Zähler i } return currentMax 1 Total 6n-3 26 Laufzeit abschätzen • Der Algorithmus arrayMax führt im worst case 6n - 3 primitive Operationen aus • Definiere a Zeit, die die schnellste primitive Operation verbraucht hat b Zeit, die die langsamste primitive Operation verbraucht hat • T(n) sei die tatsächliche worst-case Laufzeit von arrayMax . Dann ist : a (6n  3)  T (n)  b(6n  3) • Daher ist die Laufzeit T(n) durch zwei lineare Funktionen beschränkt. 27 Zuwachsrate der Laufzeit • Verändern der Hard- und Softwareumgebung - beeinflusst T(n) um einen konstanten Faktor, aber - ändert die Wachstumsordnung von T(n) nicht • Das lineare Wachstum der Laufzeit T(n) ist eine für den Algorithmus arrayMax charakteristische Eigenschaft. 28
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks