Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

1 Algorithmen und Datenstrukturen Informatik B1 (DAI, Physik, Mathematik BSc, Kommedia) Wolfram Luther Peter Hertling Wintersemester 2007/08.

Ähnliche Präsentationen


Präsentation zum Thema: "1 Algorithmen und Datenstrukturen Informatik B1 (DAI, Physik, Mathematik BSc, Kommedia) Wolfram Luther Peter Hertling Wintersemester 2007/08."—  Präsentation transkript:

1 1 Algorithmen und Datenstrukturen Informatik B1 (DAI, Physik, Mathematik BSc, Kommedia) Wolfram Luther Peter Hertling Wintersemester 2007/08

2 2 Übersicht 1.Einführung 2.Grundelemente von Programmiersprachen 3.Speicherverfahren 4.Sortierverfahren 1 5.Von Datenstrukturen zu abstrakten Datentypen 6.Suchbäume und weitere Sortierverfahren 7.Ausgewählte Algorithmen 8.Graphenalgorithmen (Geometrische Algorithmen, FFT,.....) Skriptum im Netz: InfoB1WS08 Pass: binTree

3 3 Kapitel 1: Einführung 1.1 Grundbegriffe 1.2 Phasen oder Ebenen der Programmentwicklung 1.3 Beispiele Teilstring-Prüfung String-Invertierung Multiplikation von Dezimalzahlen 1.4 Die O-Notation

4 4 Abelson & Sussman (1985): We are about to study the idea of a computational process. Computational processes are abstract beings that inhabit computers. As they evolve, processes manipulate other abstract things called data. The evolution of a process is directed by a pattern of rules called a program. People create programs to direct processes.... The computational process, in a correctly working computer, executes programs precisely and accurately.... In programming, we deal with two kinds of objects: procedures and data. Informally, data is "stuff" that represents objects we want to manipulate, and procedures are descriptions of the rules for manipulating the data. Thus, any powerful programming language should be able to describe primitive data and primitive procedures and should have methods for combining and abstracting procedures and data. 1.1 Grundbegriffe

5 5 Grundbegriffe 2 Ottmann (1987, Vorlesungsskriptum): In der Informatik unterscheidet man üblicherweise zwischen Verfahren zur Lösung von Problemen und ihrer Implementation in einer bestimmten Programmiersprache auf bestimmten Rechnern. Man nennt die Verfahren Algorithmen.... Die Entwicklung und Untersuchung von Algorithmen zur Lösung vielfältiger Probleme gehört zu den wichtigsten Aufgaben der Informatik. Die meisten Algorithmen erfordern jeweils geeignete Methoden zur Strukturierung der von den Algorithmen manipulierten Daten. Algorithmen und Datenstrukturen gehören also zusammen. Die richtige Wahl von Algorithmen und Datenstrukturen ist ein wichtiger Schritt zur Lösung eines Problems mit Hilfe von Computern.

6 6 Anforderungen an Programme: Korrektheit Terminierung Effizienz (Laufzeitverhalten und Speicherbedarf) Wartbarkeit (Verständlichkeit, Lesbarkeit, Übersichtlichkeit und Änderbarkeit) Benutzungs"freundlichkeit" (bei interaktiven Programmen) Anwendungsflexibilität (Kombinierbarkeit mit anderen Programmen)

7 7 Anforderungen... Korrektheit und Terminierung müssen auf jeden Fall sichergestellt sein. Bei Effizienz, Wartbarkeit, Benutzungs- freundlichkeit und Anwendungsflexibilität gibt es oft einen Trade-off.

8 8 1.2 Phasen der Programmentwicklung

9 9 Harel 1987

10 Beispiele Teilstring-Prüfung Problem: Ist eine bestimmte Zeichenkette z in einem gegebenen Text T enthalten? Zu entwickeln: Datenstruktur (entfällt hier, da Datentyp string vorhanden). Algorithmus Implementation Dann zu prüfen und zu analysieren: Korrektheit (des Algorithmus) Effizienz (des Algorithmus)

11 11 Operationen: ohne1(String) -> String, anf1(String) -> char algorithmus präfix(p, s: String) -> Boolean { wenn (p leer) dann { ausgabe wahr; exit }; wenn (s leer) dann { ausgabe falsch; exit }; wenn anf1(p) = anf1(s) dann ausgabe präfix(ohne1(p),ohne1(s)) sonst ausgabe falsch } algorithmus TeilString(z, T: String) -> Boolean { res := falsch ; solange (T nicht leer) und (res=falsch) führe_aus { wenn präfix(z,T) dann res := wahr sonst T := ohne1(T) }; ausgabe res } Effizienz: Zeitaufwand <= c |z| |T| Schritte (c eine Konstante) Algorithmus

12 12 import java.io.*; import java.util.*; import java.awt.*; public class TeilString { private static String butFirst(String s) { return s.substring(1,s.length()); } private static boolean emptyString(String s) { return s.equals(""); } private static boolean TeilString(String z, String T) { boolean res = false; while ( res == false && ! emptyString(T) ) { System.out.println(z+" ; "+T); if ( T.startsWith(z) ) res = true; else T = butFirst(T); } return res; } Implementation: Teilstringprüfung in Java 1

13 13 Teilstringprüfung in Java 2 public static void main(String[] args) { String z = args[0]; String MyText = "Java ist gar nicht so uebel!"; String Ergebnis; if ( TeilString(z,MyText) ) Ergebnis = "enthalten"; else Ergebnis = "nicht enthalten"; System.out.println("Text: "+MyText); System.out.println("String "+z+" ist in Text "+Ergebnis+"."); }

14 String-Invertierung Algorithmus (als Flussdiagramm, aus Harel, S. 105):

15 15 Die Korrektheit wird durch Nachweisen der ``Assertions (voriges Diagramm) gezeigt. Invariante ALGORITHMICS

16 Multiplikation von natürlichen Zahlen Problem: Effiziente Multiplikation von Dezimalzahlen. Datenstrukturen und Grundoperationen: Integer mit Addition, Subtraktion, div, mod, Vergleichen Algorithmen: zwei Beispiele Effizienzanalyse

17 17 Multiplikation von Dezimalzahlen Erster Algorithmus: Dekrementieren

18 18 Multiplikation von Dezimalzahlen Zweiter Algorithmus: Halbierungsmethode

19 19 Effizienzanalyse Wir zählen die Operationen: Größenvergleich (v), Summe (s), Differenz (s), Zuweisung (z),Test mod 2 (b), Ganzzahldivision durch 2 (b), Verdopplung (b). Dekrementieren: 2z + (2z + 2s + v)*x = c 1 + c 2 *x Halbierungsmethode: 3z + (a(x)*(z+s) + 3b+2z)*([log 2 x] + 1) + v*([log 2 x] + 2) = c 1 + c 2 *[log x] Hierbei ist 0 0).

20 Die O-Notation Dient zur Beschreibung des Größenwachstums einer Zahlenfunktion; additive und multiplikative Konstanten werden dabei vernachlässigt. f = O(g) genau dann, wenn es ein n o aus N und ein c aus R + gibt, so dass für alle n n o gilt: f(n) c g(n) (``f wächst höchstens so schnell wie g´´). Beispiel: f(n) = 8n+2, g(n)= 3n. Dann f = O(g). Beweis: z.B. mit c = 3 und n o = 2. Beispiel: f = O(1) f = O(n) f= O(n 2 ) f = O(2 n )

21 21 f = O(g) genau dann, wenn es ein n o aus N und ein c aus R + gibt, so dass für alle n n o gilt: f(n) c g(n) (``f wächst höchstens so schnell wie g´´). f = (g) genau dann, wenn g = O(f). (``f wächst mindestens so schnell wie g´´). f = (g) genau dann, wenn f = O(g) und g = O(f). (``f wächst genauso schnell wie g´´). f = o(g) genau dann, wenn für alle c aus R + ein n o aus N existiert, so dass für alle n n o gilt: f(n) < c g(n). (``f wächst langsamer als g´´).

22 22 Satz Seien f: N R o + und g: N R +. Es existiere L := lim _n f(n) / g(n) (ggf. ist L gleich unendlich). Dann gilt: (i) g = O(f) falls L =. (ii) f = (g) falls L > 0 und L endlich. (iii) f = o(g) falls L = 0. Man kann einen schwächeren Satz für die Voraussetzung L = limsup n f(n) / g(n) formulieren.

23 23 Beispiele Beispiel: f(n)=3n 2 + 7n, g(n)= n log 2(n). lim n f(n)/g(n) =, also f = (g). Natürlich auch lim n g(n)/f(n) = 0, also g= O(f) und g=o(f).

24 24 Falls h = O(g) und f = O(g+h), so gilt f = O(g). Falls c > 0 und f = O(cg), so gilt f = O(g). Beispiel: mit f = O(0.3 n 2 + nlog(n)) gilt auch f = O(n 2 ). Einige Regeln (zur Vereinfachung von O-Termen)

25 25 Klassifizierung einiger Standardalgorithmen: KlasseRepräsentanten O(1) konstant O(log n)logarithmisch Suchen auf einem Baum von Objekten O(n)linear Bearbeitung jedes Elements einer Liste O(n log n)linear- logarithmisch effiziente Sortierver- fahren (z.B. HeapSort) O(n 2 )quadratisch "naive" Sortierverf. O(n k )polynomiell O(2 n )exponentiell Backtracking- Algorithmen

26 26 Kapitel 2: Grundelemente von Programmiersprachen 2.1 Syntaktische Elemente 2.2 Typsysteme Einfache Datentypen Zusammengesetzte Datentypen Rekursive Datentypen 2.3 Kontrollstrukturen 2.4 Rekursion Klassifikation und Beispiele Umwandlung rekursiver in iterative Verfahren 2.5 Verzweigte Rekursion und Backtracking-Verfahren Türme von Hanoi Erzeugung fraktaler Muster durch Turtle-Programme Backtracking: Hofstadters MU-Puzzle

27 Syntaktische Elemente Grundelemente: Blöcke (Gültigkeitsbereiche von Vereinbarungen, z.B. der Rumpf einer Funktionsdefinition) zusammengesetzte Anweisungen (Schleifen, bedingte Verzweigungen) einfache Anweisungen (Zuweisungen, Prozeduraufrufe) Ausdrücke (Bedingungen, Terme) Bezeichner (von Konstanten, Variablen, Prozeduren/Funktionen) Konstanten (Zahlen, Zeichenketten)

28 28 Die syntaktische Struktur eines Programmstücks ergibt sich eindeutig aus einer statischen Analyse (des Programmtextes). Beschreibung der syntaktischen Strukturen durch kontextfreie Grammatiken (z.B. in Backus-Naur- Form) oder durch Syntax-Diagramme.

29 29 Beispiel: ::= '(' ')' ::= | ';' ::= 'var' ':' | ':' ::= | ','

30 30 Syntaxdiagramme

31 31 Term

32 Typsysteme Elemente von Typsystemen: Werte (Belegungen von Variablen, Komponenten von Ausdrücken, Ausprägungen von Übergabeparametern) Typen (Mengen von Werten, die unter entsprechenden Operationen abgeschlossen sind, z.B. ganze Zahlen, true/false, Namen der Monate) Ausdrücke (Programmsegmente, die zu Werten evaluiert werden können, z.B. die rechte Seite einer Zuweisung) Typkonstruktoren (programmiersprachliche Konstrukte zur Definition neuer (zusammengesetzter) Datentypen)

33 33 Statische Typisierung: (Pascal, Modula und Java) Der Typ jeder Variablen und jedes Übergabeparameters wird im Programm explizit definiert. Die Typprüfung wird zur Übersetzungszeit durchgeführt. Dynamische Typisierung: (z.B. Prolog, Lisp, Logo). Variablen und Parameter sind nicht typisiert - wohl aber deren aktuelle Werte. Ein Wert kann ggf. potentiell unterschiedliche Typen "bedienen" (z.B. kann eine Ziffer als Integer oder Character interpretiert werden). Die Typüberprüfung findet zur Laufzeit statt. Formen der Typisierung

34 34 Einige einfache Datentypen Vordefinierte Truth-Value = {true, false} Integer = {..., -2, -1, 0, +1, +2, +3,...} Real = {..., -1.0,..., 0.0,..., 1.0,...} Character = {'a',..., 'z', 'A',..., 'Z',...} Aufzählungstyp type Tag = {montag, dienstag, mittwoch, donnerstag, freitag, samstag, sonntag}

35 35 Elementare Datentypen in Java

36 36 Typkonvertierungen in Java boolean kann nicht in einen numerischen Typ überführt werden. Die numerischen Typen bilden eine lineare Ordnung (byte -> short -> int -> long -> float -> double). In dieser Reihe kann ein Wert "niederen" Typs implizit in einen Wert höheren Typs überführt werden. Beispiel: int n;... ; float x = n;... Die Überführung eines höheren in einen niederen Typ erfordert einen sog. cast. Beispiel: float x;... ; x = (float) Math.sin(...);... (da sin einen Wert vom Typ double liefert.)

37 37 Typumwandlungen in Java Mittels der statischen Methode (Funktion) String.valueOf(x) aus der Klasse String können Werte x von einem beliebigen elementaren Typ in einen String überführt werden. Die statische Methode Integer.parseInt(String s) aus der Klasse Integer überführt einen String s in einen int-Wert (falls nicht möglich: exception). Zu jedem elementaren Typ gibt es eine zugeordnete Objektklasse (Wrapper-Klasse, Konvertierung erforderlich!). Auf dieser Ebene sind weitere - einheitlichere - Konvertierungsmöglichkeiten definiert.

38 38 Beispiele Beispiel: int i = 5; int j = 2; float x = i / j; ergibt den Wert 2.0 für x. int i = 5; int j = 2; float x = i / (float) j; ergibt den Wert 2.5 für x.

39 Zusammengesetzte Datentypen werden erst im Programm durch Verwendung von Typ- Konstruktoren (record, set, array,...) definiert. Java kennt hiervon nur den Array-Konstruktor;

40 40 Verbundtyp (record) in Pascal: allgemeine Form: record I 1 : T 1 ;... ; I n : T n end { I k : Feldname, T k : Feldtyp} Beispiel: type TelEintrag = record Name:string[20]; Nr : string[12] end Wertemenge des hierdurch konstruierten Typs: kartesisches Produkt T 1... T n Kardinalität: # (T 1... T n ) = # (T 1 ).... # (T n )

41 41 Explizite Definition von Abbildungen durch Arrays (Java): Schema: Sei m : I T, wobei I eine endliche Indexmenge, T der Typ der Werte (Bildmenge) sei. Für endliche T ergibt sich die Kardinalität: # ( I T ) = # ( T ) # ( I ) Der Ansatz kann iteriert werden, d.h. T kann selbst schon ein Array sein.

42 42 Beispiel: Labyrinth in Pascal type dim_x = [1.. n] ; dim_y = [1.. m] ; Labyrinth = array dim_x, dim_y of boolean ; var Lab: Labyrinth ; procedure wand(i: dim_x, j: dim_y): boolean ; begin wand := Lab[i,j] end {wand} ; Beispiel: Labyrinth in Java... int Lab[][] = new int[n][m] ;... /* Initialisierung erfolgt z.B. in Konstruktor-Methode der Klasse */ public boolean wand(int i, int j) { return Lab[i][j] ; }

43 Rekursive Datentypen Ein Datentyp heißt rekursiv, wenn in seiner Typdefinition der Typ selbst wieder vorkommt; d.h. Werte dieses Typs können wiederum Werte des gleichen Typs als Komponenten enthalten. Beispiel: Liste von Zahlen: ListofInteger := {nil} + (Integer ListofInteger) Vereinbarung in Pascal: type List = ^ListElem; ListElem = record wert : Integer; nachf : List end;


Herunterladen ppt "1 Algorithmen und Datenstrukturen Informatik B1 (DAI, Physik, Mathematik BSc, Kommedia) Wolfram Luther Peter Hertling Wintersemester 2007/08."

Ähnliche Präsentationen


Google-Anzeigen