Algoritmusok bonyolultsága
|
|
- Krisztina Erzsébet Hegedűs
- 8 évvel ezelőtt
- Látták:
Átírás
1 Algoritmusok bonyolultsága 9. előadás 1 / 18
2 Közelítő algoritmusok ládapakolás (bin packing) Adott n tárgy (s i tömeggel) és végtelen sok 1 kapacitású láda (doboz). Helyezzük el a tárgyakat minél kevesebb ládába! S = (s 1, s 2,..., s n ) úgy, hogy 1 s 1 s 2 s n > 0. Eredmény: B = (B 1, B 2,..., B n ): a B i halmaz tartalmazza az i-edik ládába került tárgyak indexét. LÁDAPAKOLÁS(S) 1. for i := 1 to n 2. do B i = // az i-edik láda tárgyainak indexhalmaza 3. b i := 0 // mennyire van megtelve az i-edik láda 4. for t := 1 to n 5. do j := 1 6. while b j + s t > 1 7. do j := j B j := B j {t} 9. b j := b j + s t 11. return B 2 / 18
3 Ládapakolás példa közelítő algoritmus eredménye: optimális megoldás: / 18
4 Ládapakolás elemzés Az algoritmus négyzetes (a két egymásba ágyazott ciklus miatt): Θ(n 2 ). Tétel A LÁDAPAKOLÁS algoritmus 2-közelítő algoritmus. Legyen az optimális megoldás C láda, és az algoritmus eredménye C láda (nyilván C C.) Két egymás melletti láda esetében nem fordulhat elő, hogy mindkettő csak legfeljebb félig legyen megtöltve, hisz ekkor a második láda tartalma belefért volna az elsőbe. Tehát legalább C 1 láda felénél jobban meg van töltve. Azaz n s i > C 1 n 2, de s i < C, innen pedig C 1 < 2C, i=1 azaz C 2C. i=1 4 / 18
5 Közelítő sémák hátizsákfeladat (knapsack) Adott n tárgy (s i tömeggel) és egy K kapacitású hátizsák. Töltsük meg minél jobban a zsákot! S = (s 1, s 2,..., s n ) úgy, hogy s 1 s 2 s n. HÁTIZSÁK k (S, K ) 1. H := ; max := 0 2. for {1, 2,..., n} minden legfeljebb k elemű T részhalmazára 3. do sum := i T s i 4. for i := 1 to n 5. do if (j T ) and (sum + s j K ) 6. then sum := sum + s j 7. T := T {j} 8. if max < sum 9. then max := sum 10. H := T 11. return H 5 / 18
6 Hátizsákfeladat példa S=(50,42,32,26,20,19,6,3), K=100 Optimális megoldás: 42, 32, 26 összeg: 100 HÁTIZSÁK 0 : 50, 42, 6 összeg: 98 HÁTIZSÁK 1 : 32, 50, 19 összeg: 99 HÁTIZSÁK 2 : 42, 32, 26 összeg: / 18
7 Hátizsákfeladat elemzés ( ) n Az {1, 2,..., n} halmaznak darab i elemű részhalmaza van. i k ( ) n Az algoritmus sorait -szer végezzük el. i ( ) ( ) i=0 n n De = 1 és n i, ezért 0 i k i=0 ( ) n 1 + kn k i A ciklus belsejét legfeljebb n-szer végezzük el, ezért az algoritmus bonyolultsága: ( O n + kn k+1) (, azaz O kn k+1). 7 / 18
8 Hátizsákfeladat elemzés Tétel A HÁTIZSÁK k közelítő algoritmus esetében az optimális megoldás C tömegösszege és az algoritmus által adott C tömegösszeg aránya k (Az. algoritmus ( ) ) k -közelítő algoritmus. Bizonyítás: Legyen s 1 s 2 s n. Az optimális megoldás s i1 s i2... s ip. Ekkor C = p j=1 s i j. Innen: Ha 1 j p, akkor s ij C j. és ha k + 1 j p, akkor s ij C k+1. Ha p k, akkor C = C. Ha p > k, akkor legyen s q az első tömeg, amelyik nincs benne az optimális megoldásban. Ekkor C + s q > K, innen C C + sq C > K C 1. Innen C C + 1 k+1 > 1 és C C > k C k+1 vagy C < k. 8 / 18
9 Részletösszeg-feladat (változat a hátizsákfeladatra) CLRS Adott S={s 1, s 2,..., s n }, ahol minden s i > 0, és adott K > 0. A feladat: létezik-e X S úgy, hogy x = K? NP-teljes feladat x X Gyakorlatban: keressük azt az X S részhalmazt, amelyre x K, és az összeg a lehető legnagyobb. x X Lista: L =< s 1, s 2,..., s k >, ahol s 1 s 2... s k. Ekkor L + x =< s 1 + x, s 2 + x,..., s k + x >. 9 / 18
10 Exponenciális idejű, pontos algoritmus Csak a részletösszeget határozza meg. Az ÖSSZEFÉSÜL két listát egybefésül, kihagyva az ismétlődő elemeket. PONTOS-RÉSZLETÖSSZEG(S, K ) 1. n := S 2. L 0 :=< 0 > 3. for i := 1 to n 4. do L i := ÖSSZEFÉSÜL(L i 1, L i 1 + s i ) 5. töröljük L i -ből a K -nál nagyobb elemeket 6. return L n legnagyobb eleme Példa: S = {1, 2, 4, 6}, K = 9 L 0 =< 0 > L 1 =< 0, 1 > L 2 =< 0, 1, 2, 3 > L 3 =< 0, 1, 2, 3, 4, 5, 6 > L 4 =< 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 > 10 / 18
11 Polinomiális közelítő séma Legyen 0 < δ < 1, és ha y 1 + δ z y, akkor y-t kitöröljük a listából, z az y képviselője az új listában. Ez a művelet a ritkítás. Ha δ = 0, 1, akkor L =< 10, 11, 12, 15, 20, 21, 22, 23, 24, 29 > 24 ritkítása: L =< 10, 12, 15, 20, 23, 29 >, mert pl. 1,1 < 23 < / 18
12 L =< y 1, y 2,..., y m > elemei növekvő sorrendbe vannak RITKÍT(L, δ) 1. m := L 2. L :=< y 1 > 3. last := y 1 4. for i := 2 to m 5. do if y i > last (1 + δ) 6. then tegyük y i -t L végére 7. last := y i 8. return L 12 / 18
13 KÖZELÍTŐ-RÉSZLETÖSSZEG(S, K, ε) 1. n := S 2. L 0 :=< 0 > 3. for i := 2 to n 4. do ÖSSZEFÉSÜL(L i 1, L i 1 + s i ) 5. L i := RITKÍT(L i, ε/2n) 6. töröljük L i -ből a K -nál nagyobb elemeket 7. return L n legnagyobb eleme 13 / 18
14 Példa S =< 104, 102, 201, 101 >, K = 308, ε = 0, 40, ekkor ε/8 = 0, 05 Eredmény: 302 Az optimális megoldás: 307= / 18
15 Gráfszínezés Feladat: minimális számú színnel kifesteni a gráf elemeit (csúcsok, élek, tartományok) úgy, hogy két szomszédos elem nem legyen ugyanolyan színű. síkgráfok tartományainak színezése négyszínprobléma, 1976-ban megoldották (K. Appel és W. Haken) 15 / 18
16 Csúcsok színezése NP-teljes feladat Közelítő algoritmus Adott a G = (V, E) gráf, ahol V = {v 1, v 2,..., v n }. Az algoritmus hozzárendel minden v i csúcshoz egy c i színt. Eredmény a C = (c 1, c 2,..., c n ) vektor. SZEKVENCIÁLIS_SZÍNEZÉS(G) 1. for i = 1 to n 2. do s := 1 3. while N(v i )-ben van s színű csúcs 4. do s := s c i := s színezzük ki v i -t az s színnel 6. return C 16 / 18
17 Példa Eredmény: C = (1, 2, 3, 1, 2). Kromatikus szám: Az a legkisebb c, amennyi színnel ki lehet színezni a gráf csúcsait. Jelölése: χ(g). Fenti példában χ(g) = 3, mivel kevesebb színnel nem lehet kiszínezni, ugyanis v 2 szomszédai egy úton vannak, tehát két szín szükséges a kiszínezésükre, így v 2 már csak egy harmadik színnel színezhető. 17 / 18
18 Az algoritmus polinomiális, O(n 2 ) bonyolultságú. Eredményessége azonban függ a csúcsok sorrendjétől. Például, { legyen G = }(V, E), ahol V = {a 1, b 1, a 2, b 2,..., a n, b n }, E = {a i, b j } i j. A közelítő algoritmus eredménye: 2, ha a csúcsok sorrendje a 1, a 2,..., a n, b 1, b 2,..., b n, n, ha a csúcsok sorrendje a 1, b 1, a 2, b 2,..., a n, b n. 18 / 18
angolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenGráf csúcsainak színezése. The Four-Color Theorem 4 szín tétel Appel és Haken bebizonyították, hogy minden térkép legfeljebb 4 színnel kiszínezhető.
Gráf csúcsainak színezése Kromatikus szám 2018. Április 18. χ(g) az ún. kromatikus szám az a szám, ahány szín kell a G gráf csúcsainak olyan kiszínezéséhez, hogy a szomszédok más színűek legyenek. 2 The
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenDiszkrét matematika II. gyakorlat
Diszkrét matematika II. gyakorlat 9. Gyakorlat Szakács Nóra Helyettesít: Bogya Norbert Bolyai Intézet 2013. április 11. Bogya Norbert (Bolyai Intézet) Diszkrét matematika II. gyakorlat 2013. április 11.
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenProgramozási módszertan. Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat
PM-04 p. 1/18 Programozási módszertan Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenEuler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3
Síkgráfok Kuratowski-tétel: egy gráf akkor és csak akkor síkba rajzolható gráf, ha nincs olyan részgráfja, ami a K 5 -el, vagy a K 3,3 -altopologikusan izomorf (homeomorf). Euler síkgráfokra vonatkozó
RészletesebbenGráfelméleti feladatok. c f
Gráfelméleti feladatok d e c f a b gráf, csúcsok, élek séta: a, b, c, d, e, c, a, b, f vonal: c, d, e, c, b, a út: f, b, a, e, d (walk, lanţ) (trail, lanţ simplu) (path, lanţ elementar) 1 irányított gráf,
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. október 12. 1. Diszkrét matematika 2. 5. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. október 12. Diszkrét matematika
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.
Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenEdényrendezés. Futási idő: Tegyük fel, hogy m = n, ekkor: legjobb eset Θ(n), legrosszabb eset Θ(n 2 ), átlagos eset Θ(n).
Edényrendezés Tegyük fel, hogy a rendezendő H = {a 1,...,a n } halmaz elemei a [0,1) intervallumba eső valós számok. Vegyünk m db vödröt, V [0],...,V [m 1] és osszuk szét a rendezendő halmaz elemeit a
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 5. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom 1. Párhuzamosan
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 12.
Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. március 9. 1. Diszkrét matematika 2. 4. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. március 9. Gráfelmélet Diszkrét
RészletesebbenApproximációs algoritmusok
Approximációs algoritmusok Nehéz (pl. NP teljes) problémák optimális megoldásának meghatározására nem tudunk (garantáltan) polinom idejű algoritmust adni. Lehetőségek: -exponenciális futási idejű algoritmus
RészletesebbenAz optimális megoldást adó algoritmusok
Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.
RészletesebbenBonyolultságelmélet. Monday 10 th October, 2016, 17:44
Monday 10 th October, 2016, 17:44 NP-teljes gráfelméleti problémák Tétel A Hamilton-Út probléma NP-teljes. NP-teljes gráfelméleti problémák Tétel A Hamilton-Út probléma NP-teljes. Ötlet,,Értékválasztó
RészletesebbenDiszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenDinamikus programozás vagy Oszd meg, és uralkodj!
Dinamikus programozás Oszd meg, és uralkodj! Mohó stratégia Melyiket válasszuk? Dinamikus programozás vagy Oszd meg, és uralkodj! Háromszögfeladat rekurzívan: c nj := a nj ha 1 j n c ij := a ij + max{c
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
RészletesebbenProgramozási módszertan. Dinamikus programozás: A leghosszabb közös részsorozat
PM-07 p. 1/13 Programozási módszertan Dinamikus programozás: A leghosszabb közös részsorozat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-07
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2015/2016-2. Szegedi Tudományegyetem Informatikai Tanszékcsoport
Operációkutatás I. 2015/2016-2. Szegedi Tudományegyetem Informatikai Tanszékcsoport Számítógépes Optimalizálás Tanszék 6. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát
Részletesebbenend function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
Részletesebben8. Mohó algoritmusok. 8.1. Egy esemény-kiválasztási probléma. Az esemény-kiválasztási probléma optimális részproblémák szerkezete
8. Mohó algoritmusok Optimalizálási probléma megoldására szolgáló algoritmus gyakran olyan lépések sorozatából áll, ahol minden lépésben adott halmazból választhatunk. Sok optimalizálási probléma esetén
RészletesebbenFeladatok, amelyek gráfokkal oldhatók meg 1) A königsbergi hidak problémája (Euler-féle probléma) a
Feladatok, amelyek gráfokkal oldhatók meg ) A königsbergi hidak problémája (Euler-féle probléma) a b d c A megfelelő gráf: d a b c ) Egy szórakoztató feladat (Hamilton-féle probléma) Helyezzük el az,,,...,
RészletesebbenAlgoritmuselmélet. Bonyolultságelmélet. Katona Gyula Y.
Algoritmuselmélet Bonyolultságelmélet Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 07
Algoritmusok és adatszerkezetek gyakorlat 0 Keresőfák Fák Fa: összefüggő, körmentes gráf, melyre igaz, hogy: - (Általában) egy gyökér csúcsa van, melynek 0 vagy több részfája van - Pontosan egy út vezet
RészletesebbenNagyordó, Omega, Theta, Kisordó
A növekedés nagyságrendje, számosság Logika és számításelmélet, 6. gyakorlat 2009/10 II. félév Számításelmélet (6. gyakorlat) A növekedés nagyságrendje, számosság 2009/10 II. félév 1 / 1 Nagyordó, Omega,
RészletesebbenLogika és számításelmélet. 11. előadás
Logika és számításelmélet 11. előadás NP-teljesség Emlékeztetőül: NP-teljes nyelv Egy L probléma NP-teljes (a polinom idejű visszavezetésre nézve), ha L NP L NP-nehéz, azaz minden L NP esetén L p L. Azaz
RészletesebbenProgramozási segédlet
Programozási segédlet Programozási tételek Az alábbiakban leírtam néhány alap algoritmust, amit ismernie kell annak, aki programozásra adja a fejét. A lista korántsem teljes, ám ennyi elég kell legyen
RészletesebbenGráfszínezési problémák és ütemezési alkalmazásaik
Gráfszínezési problémák és ütemezési alkalmazásaik Marx Dániel Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti tanszék dmarx@cs.bme.hu Neumann János Doktoranduszi
RészletesebbenAlgoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.
Algoritmuselmélet Mélységi keresés és alkalmazásai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 9. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenA félév során előkerülő témakörök
A félév során előkerülő témakörök rekurzív algoritmusok rendező algoritmusok alapvető adattípusok, adatszerkezetek, és kapcsolódó algoritmusok dinamikus programozás mohó algoritmusok gráf algoritmusok
RészletesebbenDiszkrét matematika 1.
Diszkrét matematika 1. 201. ősz 1. Diszkrét matematika 1. 1. előadás Mérai László diái alapján Komputeralgebra Tanszék 201. ősz Kombinatorika Diszkrét matematika 1. 201. ősz 2. Kombinatorika Kombinatorika
RészletesebbenSíkbarajzolható gráfok, duális gráf
Síkbarajzolható gráfok, duális gráf Papp László BME November 8, 2018 Gráfok lerajzolása Definíció: Egy G gráf diagramján a gráf olyan lerajzolását értjük ahol a csúcsok különböző síkbeli pontok, illetve
RészletesebbenA számítástudomány alapjai. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
A számítástudomány alapjai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Bináris keresőfa, kupac Katona Gyula Y. (BME SZIT) A számítástudomány
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenGráfelméleti alapfogalmak
1 Gráfelméleti alapfogalmak Gráf (angol graph= rajz): pontokból és vonalakból álló alakzat. pontok a gráf csúcsai, a vonalak a gráf élei. GRÁ Irányítatlan gráf Vegyes gráf Irányított gráf G H Izolált pont
RészletesebbenBonyolultságelmélet. Thursday 1 st December, 2016, 22:21
Bonyolultságelmélet Thursday 1 st December, 2016, 22:21 Tárbonyolultság A futásidő mellett a felhasznált tárterület a másik fontos erőforrás. Ismét igaz, hogy egy Ram-program esetében ha csak a használt
RészletesebbenSzA X/XI. gyakorlat, november 14/19.
SzA X/XI. gyakorlat, 2013. november 14/19. Színezünk és rajzolunk Drótos Márton drotos@cs.bme.hu 1. Mennyi a következő gráfok kromatikus száma: C 4, C 5, K 2,4, alábbi 2 gráf χ(c 4 ) = 2, páros hosszú
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenRamsey-féle problémák
FEJEZET 8 Ramsey-féle problémák "Az intelligens eljárást az jellemzi, hogy még a látszólag megközelíthetetlen célhoz is utat nyit, megfelelő segédproblémát talál ki és először azt oldja meg." Pólya György:
RészletesebbenSzámjegyes vagy radix rendezés
Számláló rendezés Amennyiben a rendezendő elemek által felvehető értékek halmazának számossága kicsi, akkor megadható lineáris időigényű algoritmus. A bemenet a rendezendő elemek egy n méretű A tömbben
RészletesebbenAmortizációs költségelemzés
Amortizációs költségelemzés Amennyiben műveleteknek egy M 1,...,M m sorozatának a futási idejét akarjuk meghatározni, akkor egy lehetőség, hogy külön-külön minden egyes művelet futási idejét kifejezzük
RészletesebbenSpecifikáció. B logikai formula, a bemeneti feltétel, K logikai formula, a kimeneti feltétel, A az algoritmus, amelyre az állítás vonatkozik.
Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt kimeneti adatot
RészletesebbenAlgoritmuselmélet 2. előadás
Algoritmuselmélet 2. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Február 12. ALGORITMUSELMÉLET 2. ELŐADÁS 1 Buborék-rendezés
RészletesebbenKiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése
Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Dr. Kallós Gábor 2014 2015 1 Az Ordó jelölés Azt mondjuk, hogy az f(n) függvény eleme az Ordó(g(n)) halmaznak, ha van olyan c konstans (c
RészletesebbenMatematikai problémák vizsgálata a Maple programcsomag segítségével
Matematikai problémák vizsgálata a Maple programcsomag segítségével Tengely Szabolcs tengely@science.unideb.hu http://www.math.unideb.hu/~tengely Tengely Szabolcs 2014.04.26 Matematikai problémák és a
RészletesebbenGráfalgoritmusok ismétlés ősz
Gráfalgoritmusok ismétlés 2017. ősz Gráfok ábrázolása Egy G = (V, E) gráf ábrázolására alapvetően két módszert szoktak használni: szomszédsági listákat, illetve szomszédsági mátrixot. A G = (V, E) gráf
Részletesebben1. ábra. Számláló rendezés
1:2 2:3 1:3 1,2,3 1:3 1,3,2 3,1,2 2,1,3 2:3 2,3,1 3,2,1 1. ábra. Alsó korlát rendezési algoritmusokra Minden olyan rendezési algoritmusnak a futását, amely elempárok egymással
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
RészletesebbenAlgoritmuselmélet 1. előadás
Algoritmuselmélet 1. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Február 11. ALGORITMUSELMÉLET 1. ELŐADÁS 1 Források
RészletesebbenOKTV 2005/2006 döntő forduló
Informatika I. (alkalmazói) kategória feladatai OKTV 2005/2006 döntő forduló Kedves Versenyző! A megoldások értékelésénél csak a programok futási eredményeit vesszük tekintetbe. Ezért igen fontos a specifikáció
RészletesebbenGráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:
Gráfok, definíciók Irányítatlan gráf: G = (V,E), ahol E rendezetlen (a,b),a,b V párok halmaza. Irányított gráf: G = (V,E) E rendezett (a,b) párok halmaza; E V V. Címkézett (súlyozott) gráf: G = (V,E,C)
RészletesebbenSpecifikáció. B logikai formula, a bemeneti feltétel, K logikai formula, a kimeneti feltétel, A az algoritmus, amelyre az állítás vonatkozik.
Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt kimeneti adatot
RészletesebbenFelvételi vizsga mintatételsor Informatika írásbeli vizsga
BABEȘ BOLYAI TUDOMÁNYEGYETEM MATEMATIKA ÉS INFORMATIKA KAR A. tételsor (30 pont) Felvételi vizsga mintatételsor Informatika írásbeli vizsga 1. (5p) Egy x biten tárolt egész adattípus (x szigorúan pozitív
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenOptimalizálási eljárások MSc hallgatók számára. 11. Előadás
Optimalizálási eljárások MSc hallgatók számára. Előadás Előadó: Hajnal Péter Jegyzetelő: Bajusz Barbara 203. április 24.. Vektorerelációk és SDP.. A maximális vágás probléma Adott egy w : E(G) R + elsúlyozott
RészletesebbenSorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK
Sorozatok határértéke SOROZAT FOGALMA, MEGADÁSA, ÁBRÁZOLÁSA; KORLÁTOS ÉS MONOTON SOROZATOK Sorozat fogalma Definíció: Számsorozaton olyan függvényt értünk, amelynek értelmezési tartománya a pozitív egész
RészletesebbenMelykeres(G) for(u in V) {szin(u):=feher Apa(u):=0} for(u in V) {if szin(u)=feher then MBejar(u)}
Mélységi keresés Ez az algoritmus a gráf pontjait járja be, eredményképpen egy mélységi feszítőerdőt ad vissza az Apa függvény által. A pontok bejártságát színekkel kezeljük, fehér= érintetlen, szürke=meg-
Részletesebbenbármely másikra el lehessen jutni. A vállalat tudja, hogy tetszőlegesen adott
. Minimális súlyú feszítő fa keresése Képzeljük el, hogy egy útépítő vállalat azt a megbízást kapja, hogy építsen ki egy úthálózatot néhány település között (a települések között jelenleg nincs út). feltétel
RészletesebbenDöntéselőkészítés. VII. előadás. Döntéselőkészítés. Egyszerű Kőnig-feladat (házasság feladat)
VII. előadás Legyenek adottak Egyszerű Kőnig-feladat (házasság feladat) I, I 2,, I i,, I m személyek és a J, J 2,, J j,, J n munkák. Azt, hogy melyik személy melyik munkához ért ( melyik munkára van kvalifikálva)
RészletesebbenÖsszetett programozási tételek Rendezések Keresések PT egymásra építése. 10. előadás. Programozás-elmélet. Programozás-elmélet 10.
Összetett programozási tételek Sorozathoz sorozatot relő feladatokkal foglalkozunk. A bemenő sorozatot le kell másolni, s közben az elemekre vonatkozó átalakításokat lehet végezni rajta: Input : n N 0,
RészletesebbenFelvételi tematika INFORMATIKA
Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.
RészletesebbenAlgoritmusok helyességének bizonyítása. A Floyd-módszer
Algoritmusok helyességének bizonyítása A Floyd-módszer Algoritmusok végrehajtása Egy A algoritmus esetében a változókat három változótípusról beszélhetünk, melyeket az X, Y és Z vektorokba csoportosítjuk
RészletesebbenProgramozási módszertan. Dinamikus programozás: szerelőszalag ütemezése Mátrixok véges sorozatainak szorzása
PM-06 p. 1/28 Programozási módszertan Dinamikus programozás: szerelőszalag ütemezése Mátrixok véges sorozatainak szorzása Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenGyakorlatok. P (n) = P (n 1) + 2P (n 2) + P (n 3) ha n 4, (utolsó lépésként l, hl, u, hu-t léphetünk).
Gyakorlatok Din 1 Jelölje P (n) azt a számot, ahányféleképpen mehetünk le egy n lépcsőfokból álló lépcsőn a következő mozgáselemek egy sorozatával (zárójelben, hogy mennyit mozgunk az adott elemmel): lépés
RészletesebbenINFORMATIKAI ALAPISMERETEK
Informatikai alapismeretek középszint 1021 ÉRETTSÉGI VIZSGA 2011. május 13. INFORMATIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ NEMZETI ERŐFORRÁS MINISZTÉRIUM
RészletesebbenAlgoritmuselmélet. Gráfok megadása, szélességi bejárás, összefüggőség, párosítás. Katona Gyula Y.
Algoritmuselmélet Gráfok megadása, szélességi bejárás, összefüggőség, párosítás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2. előadás
RészletesebbenKorlátozás és szétválasztás elve. ADAGOLO adattípus
Korlátozás és szétválasztás elve ADAGOLO adattípus Értékhalmaz: E Adagolo : A E Műveletek: A : Adagolo, x : E {Igaz} Letesit(A) {A = /0} {A = A} Megszuntet(A) {Igaz} {A = A} Uresit(A) {A = /0} {A = A}
RészletesebbenÜtemezési feladatok. Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd
1 Ütemezési feladatok Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd tekintettel a feladat gyakorlati fontosságára sok különböző modell tanulmányozására került sor, és a témakör
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
RészletesebbenDr. Schuster György február / 32
Algoritmusok és magvalósítások Dr. Schuster György OE-KVK-MAI schuster.gyorgy@kvk.uni-obuda.hu 2015. február 10. 2015. február 10. 1 / 32 Algoritmus Alapfogalmak Algoritmus Definíció Algoritmuson olyan
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. ősz 1. Diszkrét matematika 2.C szakirány 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenKupac adatszerkezet. A[i] bal fia A[2i] A[i] jobb fia A[2i + 1]
Kupac adatszerkezet A bináris kupac egy majdnem teljes bináris fa, amely minden szintjén teljesen kitöltött kivéve a legalacsonyabb szintet, ahol balról jobbra haladva egy adott csúcsig vannak elemek.
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenSzámláló rendezés. Példa
Alsó korlát rendezési algoritmusokra Minden olyan rendezési algoritmusnak a futását, amely elempárok egymással való összehasonlítása alapján működik leírja egy bináris döntési fa. Az algoritmus által a
RészletesebbenAlgoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8.
Algoritmuselmélet 2-3 fák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 8. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet 8. előadás
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenDinamikus programozás - Szerelőszalag ütemezése
Dinamikus programozás - Szerelőszalag ütemezése A dinamikus programozás minden egyes részfeladatot és annak minden részfeladatát pontosan egyszer oldja meg, az eredményt egy táblázatban tárolja, és ezáltal
RészletesebbenTuesday, March 6, 12. Hasító táblázatok
Hasító táblázatok Halmaz adattípus U (kulcsuniverzum) K (aktuális kulcsok) Függvény adattípus U (univerzum) ÉT (értelmezési tartomány) ÉK (érték készlet) Milyen az univerzum? Közvetlen címzésű táblázatok
RészletesebbenGráfok 2. Legrövidebb utak, feszítőfák. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 2. Legrövidebb utak, feszítőfák előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor Óbudai Egyetem,Neumann János Informatikai Kar Legrövidebb utak keresése Minimális feszítőfa keresése Gráfok 2
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenPermutáció n = 3 esetében: Eredmény: permutációk száma: P n = n! romámul: permutări, angolul: permutation
Visszalépéses módszer (Backtracking) folytatás Permutáció n = 3 esetében: 1 2 3 2 3 1 3 1 2 Eredmény: 3 2 3 1 2 1 123 132 213 231 312 321 permutációk száma: P n = n! romámul: permutări, angolul: permutation
RészletesebbenEötvös Loránd Tudományegyetem Természettudományi Kar. Gráfok színezése. BSc Szakdolgozat
Eötvös Loránd Tudományegyetem Természettudományi Kar Gráfok színezése BSc Szakdolgozat Készítette: Tóth Ádám Matematika BSc, Matematikai elemző szakirány Témavezető: Hermann György Doktorandusz, Számítógéptudományi
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 7. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenSíkgráfok (négyszín-tétel, Kuratowski-tétel, Euler-formula)
Síkgráfok (négyszín-tétel, Kuratowski-tétel, Euler-formula) Kombinatorika 11. előadás SZTE Bolyai Intézet Szeged, 2016. április 26. 11. ea. Síkgráfok 1/9 Definíció. Egy gráf síkgráf, ha lerajzolható úgy
RészletesebbenSíkbarajzolható gráfok Április 26.
Síkbarajzolható gráfok 2017. Április 26. Síkgráfok Egy gráf síkgráf=síkba rajzolható gráf, ha lerajzolható úgy a síkba, hogy élei csak a szögpontokban metszik egymást. Ha egy gráf lerajzolható a síkba,
Részletesebben