1 / 49

Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)

Datenstrukturen, Algorithmen und Programmierung 2 (DAP2). Organisatorisches. Praktikum Falls Sie einen eigenen Laptop mit einem C-Compiler besitzen, können Sie diesen gerne zum Praktikum mitbringen. Organisatorisches. Lernräume Montag: 14.30-17.30 Uhr (OH14, Raum 340)

zayit
Download Presentation

Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)

  2. Organisatorisches Praktikum • Falls Sie einen eigenen Laptop mit einem C-Compiler besitzen, können Sie diesen gerne zum Praktikum mitbringen

  3. Organisatorisches Lernräume • Montag: 14.30-17.30 Uhr (OH14, Raum 340) • Dienstag: 15-18 Uhr (OH14, Raum 340) • Mittwoch: 13-16 Uhr (OH14, Raum 340) • Donnerstag: 9-12 Uhr (GB V, Raum 105)

  4. 1. Teil der Vorlesung – Grundlagen der Algorithmenanalyse Inhalt • Wie beschreibt man einen Algorithmus? • Wie beweist man die Korrektheit eines Algorithmus? • Rechenmodell • Laufzeitanalyse

  5. Laufzeitanalyse InsertionSort(Array A)  Eingabegröße n • for j  2 to length[A] do  length[A] = n • key  A[j] • i  j-1  verschiebe alle Elemente aus • while i>0 and A[i]>key do  A[1…j-1], die größer als key • A[i+1]  A[i]  sind eine Stelle nach rechts • i  i-1 • A[i+1]  key  Speichere key in Lücke Fragestellung Wie kann man die Laufzeit eines Algorithmus vorhersagen?

  6. Laufzeitanalyse Laufzeit hängt ab von • Größe der Eingabe (Parameter n) • Art der Eingabe(Insertionsort ist schneller auf sortierten Eingaben) Analyse • Parametrisiere Laufzeit als Funktion der Eingabegröße • Finde obere Schranken (Garantien) an die Laufzeit

  7. Laufzeitanalyse Worst-Case Analyse • Für jedes n definiere Laufzeit T(n) = Maximum über alle Eingaben der Größe n • Garantie für jede Eingabe • Standard Average-Case Analyse • Für jedes n definiere Laufzeit T(n) = Durchschnitt über alle Eingaben der Größe n • Hängt von Definition des Durchschnitts ab (wie sind die Eingaben verteilt)

  8. Laufzeitanalyse Laufzeit hängt auch ab von • Hardware (Prozessor, Cache, Pipelining) • Software(Betriebssystem, Programmiersprache, Compiler) Aber • Analyse soll unabhängig von Hard- und Software gelten

  9. Laufzeitanalyse Maschinenmodell • Eine Pseudocode-Instruktion braucht einen Zeitschritt • Wird eine Instruktion r-mal aufgerufen, werden r Zeitschritte benötigt • Formales Modell: Random Access Machines (RAM Modell) Idee • Ignoriere rechnerabhängige Konstanten • Betrachte Wachstum von T(n) für n „Asymptotische Analyse“

  10. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] • i  j-1 • while i>0 and A[i]>key do • A[i+1]  A[i] • i  i-1 • A[i+1]  key

  11. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 • while i>0 and A[i]>key do • A[i+1]  A[i] • i  i-1 • A[i+1]  key

  12. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do • A[i+1]  A[i] • i  i-1 • A[i+1]  key

  13. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do n-1 + S t • A[i+1]  A[i] • i  i-1 • A[i+1]  key t : Anzahl Wiederholungen der while-Schleife bei Laufindex j j j

  14. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do n-1 + S t • A[i+1]  A[i]S t • i  i-1 • A[i+1]  key t : Anzahl Wiederholungen der while-Schleife bei Laufindex j j j j

  15. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do n-1 + S t • A[i+1]  A[i]S t • i  i-1 S t • A[i+1]  key t : Anzahl Wiederholungen der while-Schleife bei Laufindex j j j j j

  16. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do n-1 + S t • A[i+1]  A[i]S t • i  i-1 S t • A[i+1]  key n-1 t : Anzahl Wiederholungen der while-Schleife bei Laufindex j j j j j

  17. Laufzeitanalyse InsertionSort(Array A) Zeit: • for j  2 to length[A] do n • key  A[j] n-1 • i  j-1 n-1 • while i>0 and A[i]>key do n-1 + S t • A[i+1]  A[i]S t • i  i-1 S t • A[i+1]  key n-1 t : Anzahl Wiederholungen der while-Schleife bei Laufindex j j j j 5n-4+3S t j j

  18. Laufzeitanalyse Worst-Case Analyse • t =j-1 für absteigend sortierte Eingabe (schlechtester Fall) j

  19. Laufzeitanalyse Worst-Case Analyse • t =j-1 für absteigend sortierte Eingabe (schlechtester Fall) j

  20. Laufzeitanalyse Worst-Case Analyse • t =j-1 für absteigend sortierte Eingabe (schlechtester Fall) • Abstraktion von multiplikativen Konstanten  O-Notation (gleich) j

  21. Laufzeitanalyse Beispiel • Problem: Nullvektortest • Eingabe: Feld A[1,…,n] (n-dimensionaler Vektor) • Ausgabe: true, wenn A[i]=0, für alle 1in; false, sonst Nullvektortest(Array A) 1. outputtrue 2. i1 3. whileoutput=trueandindo 4. if A[i] <> 0 thenoutputfalse 5. ii+1 6. returnoutput

  22. Laufzeitanalyse • Invariante: • Nach dem k-ten Schleifendurchlauf gilt: • i=k+1 und • output=true, gdw. A[j]=0 für alle 1jk Beispiel • Problem: Nullvektortest • Eingabe: Feld A[1,…,n] (n-dimensionaler Vektor) • Ausgabe: true, wenn A[i]=0, für alle 1in; false, sonst Nullvektortest(Array A) 1. outputtrue 2. i1 3. whileoutput=trueandindo 4. if A[i] <> 0 thenoutputfalse 5. ii+1 6. returnoutput

  23. Laufzeitanalyse Nullvektortest(Array A) 1. output true 2. i1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Laufzeit • Jede Anweisung braucht einen Zeitschritt

  24. Laufzeitanalyse Laufzeit parametrisiert durch Länge der Eingabe n. Hier ist n = length[A]. Nullvektortest(Array A) 1. output true 2. i1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Laufzeit • Jede Anweisung braucht einen Zeitschritt

  25. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Laufzeit • Jede Anweisung braucht einen Zeitschritt

  26. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Laufzeit • Jede Anweisung braucht einen Zeitschritt

  27. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Laufzeit • Jede Anweisung braucht einen Zeitschritt Anzahl Durchläufe abhängig vonEingabe.

  28. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do 4. if A[i] <> 0 then output false 5. ii+1 6. return output Definition • t=max{i: A[j]=0 für alle 0j<i; in} Anzahl Durchläufe abhängig vonEingabe. t=3

  29. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false 5. ii+1 6. return output Definition • t=max{i: A[j]=0 für alle 0j<i; in} t=3

  30. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 6. return output Definition • t=max{i: A[j]=0 für alle 0j<i; in} t=3

  31. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output Definition • t=max{i: A[j]=0 für alle 0j<i; in} t=3

  32. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 Definition • t=max{i: A[j]=0 für alle 0j<i; in} t=3

  33. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4

  34. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4 Worst-Case Laufzeit • T(n) = maximale Laufzeit von Nullvektortest bei Eingabe der Länge n

  35. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4 Worst-Case Laufzeit • T(n) = maximale Laufzeit von Nullvektortest bei Eingabe der Länge n • T(n) ≤ 3n+4, da t maximal n ist

  36. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4 Worst-Case Laufzeit • T(n) = maximale Laufzeit von Nullvektortest bei Eingabe der Länge n • T(n) ≤ 3n+4, da t maximal n ist • T(n) ≥ 3n+4, da bei Eingabe eines Nullvektors 3n+4 Schritte benötigt werden

  37. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4 Worst-Case Laufzeit • T(n) = maximale Laufzeit von Nullvektortest bei Eingabe der Länge n • Also: T(n) = 3n+4

  38. Laufzeitanalyse Diskussion • Die konstanten Faktoren sind wenig aussagekräftig, da wir bereits bei den einzelnen Befehlen konstante Faktoren ignorieren • Je nach Rechnerarchitektur und genutzten Befehlen könnte also z.B. 3n+4 langsamer sein als 5n+7 • Betrachte nun Algorithmus A mit Laufzeit 100n und Algorithmus B mit Laufzeit 5n² • Ist n klein, so ist Algorithmus B schneller • Ist n groß, so wird das Verhältnis Laufzeit B / Laufzeit A beliebig groß • Algorithmus B braucht also einen beliebigen Faktor mehr Laufzeit als A(wenn die Eingabe lang genug ist)

  39. Laufzeitanalyse Idee (asymptotische Laufzeitanalyse) • Ignoriere konstante Faktoren • Betrachte das Verhältnis von Laufzeiten für n • Klassifiziere Laufzeiten durch Angabe von „einfachen Vergleichsfunktionen“ Beispiel • Die Laufzeit von Algorithmus Nullvektortest verhält sich für n(bei Ignorieren von Konstanten) wie f(n) = n.

  40. Laufzeitanalyse O-Notation • O(f(n)) = {g(n) :  c>0, n >0, so dass für alle n≥n gilt g(n) cf(n)} • (wobei f(n), g(n)>0) Interpretation • g(n)O(f(n)) bedeutet, dass g(n) für n höchstens genauso stark wächst wie f(n) • Beim Wachstum ignorieren wir Konstanten 0 0

  41. Laufzeitanalyse Beispiele • 10nO(n) • 10nO(n²) • n²O(1000n) • O(1000n) = O(n) Hierarchie • O(log n)O(log²n)O(log n)O(n )O(n)O(n) • O(n)O(n²)O(n )O(2 ) • (für c>=2 und 0<e1/2) e c n c

  42. Laufzeitanalyse W-Notation • W(f(n)) = {g(n) :  c>0, n >0, so dass für alle n≥n gilt g(n)  cf(n)} • (wobei f(n), g(n)>0) Interpretation • g(n)W(f(n)) bedeutet, dass g(n) für nmindestens so stark wächst wie f(n) • Beim Wachstum ignorieren wir Konstanten 0 0

  43. Laufzeitanalyse Beispiele • 10nW(n) • 1000nW(n²) • n²W(n) • W(1000n) = W(n) • f(n) = W(g(n))  g(n) = O(f(n))

  44. Laufzeitanalyse Q-Notation • g(n)  Q(f(n))  g(n)=O(f(n)) und g(n)=W(f(n)) Beispiele • 1000n  Q(n) • 10n²+1000n Q(n²) • n  Q(n) 1-sin n

  45. Laufzeitanalyse o-Notation • o(f(n))  {g(n): c>0 n >0, so dass für alle n≥n gilt cg(n)<f(n)} • (f(n), g(n) >0) w-Notation • f(n)w(g(n))  g(n)o(f(n)) 0 0

  46. Laufzeitanalyse Beispiele • no(n²) • no(n) Eine weitere Interpretation • Grob gesprochen sind O,W,Q,o,w die „asymptotischen Versionen“ von ,,=,<,> (in dieser Reihenfolge) Schreibweise • Wir schreiben häufig f(n)=O(g(n)) anstelle von f(n)O(g(n))

  47. Laufzeitanalyse Nullvektortest(Array A) Zeit 1. output true 1 2. i1 1 3. while output=true and in do t+1 4. if A[i] <> 0 then output false t 5. ii+1 t 6. return output 1 3t+4 Worst-Case Laufzeit • T(n) = maximale Laufzeit von Nullvektortest bei Eingabe der Länge n • Also: T(n) = 3n+4 = Q(n)

  48. Laufzeitanalyse Worst-Case Analyse (Insertion Sort) • t =j-1 für absteigend sortierte Eingabe (schlechtester Fall) j

  49. Zusammenfassung Rechenmodell • Abstrahiert von maschinennahen Einflüssen wie Cache, Pipelining, Prozessor, etc. • Jede Pseudocodeoperation braucht einen Zeitschritt Laufzeitanalyse • Normalerweise Worst-Case, manchmal Average-Case (sehr selten auch Best-Case) • Asymptotische Analyse für n • Ignorieren von Konstanten  O-Notation

More Related