Algoritmusok és Adatszerkezetek I.

Slides:



Advertisements
Hasonló előadás
Készítette: Kosztyán Zsolt Tibor
Advertisements

Nevezetes algoritmusok
Kiszámíthatóság, rekurzív függvények
KÉSZÍTETTE: Takács Sándor
Készletgazdálkodás.
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
A megbízó-ügynök modell (1)
A rendszerszintű diagnosztika alapjai
GRÁFELMÉLET Alapfogalmak 2..
Illés Tibor – Hálózati folyamok
4. VÉGES HALMAZOK 4.1 Alaptulajdonságok
Streaming Algorithms for k-core Decomposition. K-mag dekompozíció Maximális részgráf, amiben minden csúcshoz legalább k részgráfbeli csúcs csatlakozik.
Erősen összefüggő komponensek meghatározása
Az összehasonlító rendezések
Hálózati Biológia A sejt funkcionális működésének megértése.
Papp Róbert, Blaskovics Viktor, Hantos Norbert
A digitális számítás elmélete
IRE 4 /32/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 4.
Utórendezéses edényrendezés RADIX „előre”. Definíció  Az általános utórendezéses edényrendezés speciálisan r alapú d jegyű számokra felírt változata.
1. Univerzális nyelő Csúcsmátrixos ábrázolás esetén a legtöbb gráfalgoritmus futási ideje O(n2) azonban van kivétel. Egy irányított gráf egy csúcsa univerzális.
1 Györgyi Tamás – GYTNAAI.ELTE 2007 Április 03 Algoritmusok És Adatszerkezetek 2 Gráfalgoritmus Bellman-Ford Algoritmusa S a b d e
„Országos” feladat. Feladat: Egy tetszőleges, színes országokat tartalmazó térképen akar eljutni egy kommandós csapat egy országból egy másikba. Viszont.
Szabó Attila, Cross-entrópia alkalmazása a megerősítéses tanulásban.
Online hasonlóságelemzések: Online hasonlóságelemzések: Tapasztalatok (kukorica) hozamfüggvények levezetése kapcsán Pitlik László, SZIE Gödöllő (Forrás:
Készítette: Kosztyán Zsolt Tibor
Kvantitatív módszerek
Dijkstra-algoritmus ismertetése
Intelligens Felderítő Robotok
$ Információ Következmény Döntés Statisztikai X.  Gyakorlati problémák megoldásának alapja  Elemzéseink célja és eredménye  Központi szerep az egyén.
GRÁFELMÉLET.
A Dijkstra algoritmus.
Euler gráf Euler, 1736 Königsbergi hidak
Előadó: Nagy Sára Mesterséges intelligencia Kereső rendszerek.
1 Szélességi Bejárás Györgyi Tamás – GYTNAAI.ELTE 2007 Március 22 Algoritmusok És Adatszerkezetek 2 Gráfalgoritmus S b a d e f h g c.
Algoritmizálás, adatmodellezés tanítása 8. előadás.
Business Mathematics A legrövidebb út.
Bellmann-Ford Algoritmus
Dodekaéder Hamilton köre
GRÁFOK Definíció: Gráfnak nevezzük véges vagy megszámlálhatóan végtelen sok pont és azokat összekötő szintén véges vagy megszámlálhatóan végtelen sok.
Útkeresések.
Menetrend optimalizálása genetikus algoritmussal
Diszjunkt halmazok adatszerkezete A diszjunkt halmaz adatszerkezet diszjunkt dinamikus halmazok S={S 1,…,S n } halmaza. Egy halmazt egy képviselője azonosít.
Algoritmusok és adatszerkezetek
PPKE ITK 2004/05 tanév IV. évfolyam Őszi félév Távközlő rendszerek forgalmi elemzése Tájékoztatás GY. - 7.
Szélességi bejárás Gráf-algoritmusok Algoritmusok és adatszerkezetek II. Gergály Gábor WZBNCH1.
A minimális költségű folyam feladat és megoldási módszerei
PPKE ITK 2009/10 tanév 8. félév (tavaszi) Távközlő rendszerek forgalmi elemzése Tájékoztatás GY
OPERÁCIÓKUTATÁS TÖBBCÉLÚ PROGRAMOZÁS. Operáció kutatás Több célú programozás A * x  b C T * x = max, ahol x  0. Alap összefüggés: C T 1 * x = max C.
Eötvös Konferencia, 2008 április 26. Kovács Máté 1 Útkeresések optimalizálása számítógépes játékokban.
Kvantitatív módszerek
1  BME Híradástechnikai Tsz komhal20.ppt Kommunikációs hálózatok tervezése 20. előadás Izsó Tamás Híradástechnikai tanszék 2000 Budapesti Műszaki.
GRÁFOK Marczis Ádám és Tábori Ármin. Kőnig Dénes ( ) Magyar matematikus Az első tudományos színvonalú gráfelmélet könyv írója.
A Dijkstra algoritmus.
Logikai programozás 6..
Mediánok és rendezett minták
Greedy heurisztikán alapuló közelítő algoritmusok
Gyorsrendezés Elemzések Változatok.
Nem módosítható keresések
P és NP teljes problémák
Algoritmusok és Adatszerkezetek I.
Algoritmusok és Adatszerkezetek I.
Algoritmusok és Adatszerkezetek I.
Algoritmusok és Adatszerkezetek I.
Algoritmusok és Adatszerkezetek I.
Gráfalgoritmusok G=(V,E) gráf ábrázolása
Gráfalgoritmusok G=(V,E) gráf ábrázolása
Algoritmusok és Adatszerkezetek I.
Algoritmusok és Adatszerkezetek I.
Absztrakt problémák Q  I  S, az absztrakt probléma kétváltozós reláció az esetek (I) és a megoldások (S) halmazán Példa: legrövidebb út Eset: gráf és.
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

Algoritmusok és Adatszerkezetek I. Véletlenített-, Közelítő-, és Online algoritmusok 2018. november 27.

Véletlenített algoritmusok

Gyorsrendezés (quick sort) Uralkodás: Az A[p…q−1] és A[q+1…r] résztömböket a gyorsrendezés rekurzív hívásával rendezzük. Összevonás: helyben rendezés, nincs szükség egyesítésre

pivot (őrszem) bárhogyan választhajuk, pl. első elem vagy véletlen

Véletlenített gyorsrendezés legrosszabb eset: O(n2) átlagos eset: O(nlogn) Ha egy ellenséges bemenet-generáló ismeri a pivot választási stratégiát akkor képes „legrosszabb” bementet generálni…

Véletlenített gyorsrendezés Gyorsrendezés egy véletlenített változata: (így nem generálható ellenséges, „legrosszabb” bemenet)

Véletlenített algoritmusok Átlagos eset elemzésnél azzal a feltételezéssel élünk, hogy minden lehetséges bemenet előfordulásanak valószínűsége ugyanakkora Véletlenített algoritmusok: Biztosítsuk (tipikusan előfeldolgozással), hogy a bemenetnek amin ténylegesen dolgozunk egyenletes legyen az eloszlása

Közelítő algoritmusok

Közelítő algoritmusok Optimalizációs feladatok Optimális megoldás megtalálása nagyon lassú (NP-teljes) Közelítő algoritmusok: polinomiális futásidő optimálishoz közeli megoldás

Minimális lefedő csúcshalmaz G=(V,E) irányítatlan gráf csúcslefedés: V egy részhalmaza, úgy, hogy minden E élnek legalább az egyik végpontját tartalmazza minimális lefedő csúcshalmaz: legkevesebb csúcsot tartalmazó csúcslefedés

Minimális lefedő csúcshalmaz Nem létezik O(Vp) algoritmus a minimális lefedő csúcshalmazra

Közelítő algoritmus minimális lefedő csúcshalmazra futásidő: O(V+E)

csúcshalmaz mérete 6 optimális megoldásban 3

Közelítő algoritmusok teljesítménye Hatékonyság (futásidő) C* az optimum értéke az I bemenetre Minimalizálási feladatnál, ha minden I bemenetre a közelítő algoritmus megoldása ≤ ρ(n) · C* akkor azt ρ(n) közelítő algoritmusnak nevezzük

Utazó ügynök probléma (traveling salesman problem, TSP)

Utazó ügynök probléma (traveling salesman problem, TSP) Bemenet: G=(V,E) teljes irányítatlan gráf nemnegatív élköltséggel Hamilton-kör: élek olyan egymáshoz csatlakozó sorozata, minden csúcsot pontosan egyszer érint, és a kiindulási pont megegyezik a végponttal Kimenet: minimális összélköltségű Hamilton-kör Nem létezik (még?) O(Vp) algoritmus az utazó ügynök problémára

Egy közelítő algoritmus TSPre

Egy közelítő algoritmus TSPre

Véletlenített közelítő algoritmsuok Traveling Salesman Problem, four algorithms

Online algoritmusok https://www.inf.u-szeged.hu/~cimreh/Online_algoritmusok.pdf

Online algoritmusok Offline algoritmus: ismeri a teljes bemenetet (teljes információ) Online algoritmus: a bemenetet részenként ismerjük meg, és a döntéseinket a már megkapott információ alapján, a további adatok ismerete nélkül kell meghoznunk.

Portfólió választás Minden időszak elején ismerjük az értékpapír árakat. Online döntés: hogyan alakítsuk ki a portfóliónkat?

Síbérlési feladat Sífelszerelés bérlése napi 1$, megvásárlása B$ Online probléma: nem tudjuk meddig tart a síszezon (hány napot tudunk síelni) minden reggel megtudjuk, még fogunk-e síelni aznap bármelyik reggel dönthetünk úgy, hogy megvesszük a sífelszerelést Feladat: összköltség minimalizálás

Síbérlési feladat Előre ismert: B t=1 t=2 t=3 t=4 Adat: még tart Adat: vége Döntés: bérel Döntés: bérel Döntés: bérel Összköltség: 3$

Síbérlési feladat Előre ismert: B t=1 t=2 t=3 t=4 Adat: még tart Adat: vége Döntés: bérel Döntés: vesz Összköltség: (1+B)$

V-algoritmus V-algoritmus online síbérlési feladatra: az első V-1 napon béreljük V. napon megvásároljuk Mást nem tehetünk  Kérdés V-t hogyan állapítsuk meg?

Online algoritmusok hatékonysága Optimalizálási feladatok Versenyképességi elemzés: legrosszabb esetben optimális offline algoritmussal OPT(I) szemben mekkora költsége van az adott online algoritmusnak ALG(I) C-versenyképes ha minden I bemenetre: ALG(I) ≤ C · OPT(I)

V=B algoritmus versenyképessége

Online síbérlési feladat alsó korlátja

Összegzés Véletlenített algoritmusok Közelítő algoritmusok Ha legrosszabb eset rosszabb, mint átalgos akkor véletlenítéssel elérhetjük az átlagost Közelítő algoritmusok Közel az optimumhoz drasztikusan gyorsabban Online algoritmusok Ha a bemenetet csak részenként ismerjük meg, de döntést kell azonnal hoznunk