Uogólnione drzewa Humana
|
|
- Mieczysław Kubicki
- 7 lat temu
- Przeglądów:
Transkrypt
1 czyli ang. lopsided trees Seminarium Algorytmika 2009/2010
2 Plan prezentacji Sformuªowanie 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
3 Plan prezentacji Sformuªowanie Wyj±ciowy problem Problem uogólniony 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
4 Kod preksowy Sformuªowanie Wyj±ciowy problem Problem uogólniony Kod Funkcja h : S W + gdzie S = {s 1,...,s n } jest zbiorem symboli do zakodowania, natomiast W = {w 1,...,w r } to alfabet, przy pomocy którego kodujemy. Kod preksowy (czy raczej bezpreksowy) aden symbol nie jest kodowany jako preks drugiego: s,s S,α W + h(s)α h(s ) Ka»de kodowanie preksowe jest jednoznaczne. Nie ka»de jednoznaczne kodowanie jest preksowe: Np. kodowanie bezsuksowe: S = {a,b},w = {0,1},h(a) = 0,h(b) = 01
5 Kod preksowy Sformuªowanie Wyj±ciowy problem Problem uogólniony Kod Funkcja h : S W + gdzie S = {s 1,...,s n } jest zbiorem symboli do zakodowania, natomiast W = {w 1,...,w r } to alfabet, przy pomocy którego kodujemy. Kod preksowy (czy raczej bezpreksowy) aden symbol nie jest kodowany jako preks drugiego: s,s S,α W + h(s)α h(s ) Ka»de kodowanie preksowe jest jednoznaczne. Nie ka»de jednoznaczne kodowanie jest preksowe: Np. kodowanie bezsuksowe: S = {a,b},w = {0,1},h(a) = 0,h(b) = 01
6 Kod preksowy Sformuªowanie Wyj±ciowy problem Problem uogólniony Kod Funkcja h : S W + gdzie S = {s 1,...,s n } jest zbiorem symboli do zakodowania, natomiast W = {w 1,...,w r } to alfabet, przy pomocy którego kodujemy. Kod preksowy (czy raczej bezpreksowy) aden symbol nie jest kodowany jako preks drugiego: s,s S,α W + h(s)α h(s ) Ka»de kodowanie preksowe jest jednoznaczne. Nie ka»de jednoznaczne kodowanie jest preksowe: Np. kodowanie bezsuksowe: S = {a,b},w = {0,1},h(a) = 0,h(b) = 01
7 Kod preksowy Sformuªowanie Wyj±ciowy problem Problem uogólniony Kod Funkcja h : S W + gdzie S = {s 1,...,s n } jest zbiorem symboli do zakodowania, natomiast W = {w 1,...,w r } to alfabet, przy pomocy którego kodujemy. Kod preksowy (czy raczej bezpreksowy) aden symbol nie jest kodowany jako preks drugiego: s,s S,α W + h(s)α h(s ) Ka»de kodowanie preksowe jest jednoznaczne. Nie ka»de jednoznaczne kodowanie jest preksowe: Np. kodowanie bezsuksowe: S = {a,b},w = {0,1},h(a) = 0,h(b) = 01
8 Kod jako drzewo Sformuªowanie Wyj±ciowy problem Problem uogólniony Kod preksowy najªatwiej przedstawi jako drzewo: Kraw dzie odpowiadaj symbolom alfabetu. Li±cie odpowiadaj ci gom koduj cym Nieco niedydaktyczny przykªad:
9 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Prawdopodobie«stwo wyst powania symboli Z ka»dym symbolem s S dodatkowo wi»emy prawdopodobie«stwo p(s) [0, 1] jego wyst pienia na wej±ciu. Funkcja kosztu Dªugo± ±cie»ki zewn trznej (ang. external path) drzewa kodu: Koszt(h) = Eh(s) = Σ s S h(s) p(s) Poszukujemy kodu o minimalnym koszcie.
10 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Prawdopodobie«stwo wyst powania symboli Z ka»dym symbolem s S dodatkowo wi»emy prawdopodobie«stwo p(s) [0, 1] jego wyst pienia na wej±ciu. Funkcja kosztu Dªugo± ±cie»ki zewn trznej (ang. external path) drzewa kodu: Koszt(h) = Eh(s) = Σ s S h(s) p(s) Poszukujemy kodu o minimalnym koszcie.
11 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Tak sformuªowany problem jest prosty: algorytm Humana. Podstawowa wersja dziaªa dla W = 2, ale mo»na uogólni. Dlaczego to jest ªatwe? Maj c dany zbiór ci gów koduj cych wiemy jak optymalnie przypisa je do symboli. Wiemy,»e dwa najdªu»sze ci gi koduj ce maj ten sam koszt - mo»emy skleja.
12 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Tak sformuªowany problem jest prosty: algorytm Humana. Podstawowa wersja dziaªa dla W = 2, ale mo»na uogólni. Dlaczego to jest ªatwe? Maj c dany zbiór ci gów koduj cych wiemy jak optymalnie przypisa je do symboli. Wiemy,»e dwa najdªu»sze ci gi koduj ce maj ten sam koszt - mo»emy skleja.
13 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Tak sformuªowany problem jest prosty: algorytm Humana. Podstawowa wersja dziaªa dla W = 2, ale mo»na uogólni. Dlaczego to jest ªatwe? Maj c dany zbiór ci gów koduj cych wiemy jak optymalnie przypisa je do symboli. Wiemy,»e dwa najdªu»sze ci gi koduj ce maj ten sam koszt - mo»emy skleja.
14 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Tak sformuªowany problem jest prosty: algorytm Humana. Podstawowa wersja dziaªa dla W = 2, ale mo»na uogólni. Dlaczego to jest ªatwe? Maj c dany zbiór ci gów koduj cych wiemy jak optymalnie przypisa je do symboli. Wiemy,»e dwa najdªu»sze ci gi koduj ce maj ten sam koszt - mo»emy skleja.
15 Problem optymalnego kodu Wyj±ciowy problem Problem uogólniony Tak sformuªowany problem jest prosty: algorytm Humana. Podstawowa wersja dziaªa dla W = 2, ale mo»na uogólni. Dlaczego to jest ªatwe? Maj c dany zbiór ci gów koduj cych wiemy jak optymalnie przypisa je do symboli. Wiemy,»e dwa najdªu»sze ci gi koduj ce maj ten sam koszt - mo»emy skleja.
16 Plan prezentacji Sformuªowanie Wyj±ciowy problem Problem uogólniony 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
17 Sformuªowanie problemu Wyj±ciowy problem Problem uogólniony Nierówne koszty liter alfabetu Koszt litery w oznaczamy jako length(w) N. Nowa funkcja kosztu Koszt(h) = Σ s S length(h(s))p(s)
18 Sformuªowanie problemu Wyj±ciowy problem Problem uogólniony Nierówne koszty liter alfabetu Koszt litery w oznaczamy jako length(w) N. Nowa funkcja kosztu Koszt(h) = Σ s S length(h(s))p(s)
19 Wªasno±ci uogólnionego problemu Wyj±ciowy problem Problem uogólniony Co wiadomo o problemie? Niewiele: nie wiemy, czy jest NP-zupeªny, nie znamy algorytmu wielomianowego. Rozwi zanie wielomianowe dla równych p(s) (tzw. problem Varn codes). Rozwi zania wykªadnicze dla przypadku length(w i ) N (wykªadnik zale»ny tylko od kosztu liter). Schemat aproksymacyjny PTAS.
20 Wªasno±ci uogólnionego problemu Wyj±ciowy problem Problem uogólniony Co wiadomo o problemie? Niewiele: nie wiemy, czy jest NP-zupeªny, nie znamy algorytmu wielomianowego. Rozwi zanie wielomianowe dla równych p(s) (tzw. problem Varn codes). Rozwi zania wykªadnicze dla przypadku length(w i ) N (wykªadnik zale»ny tylko od kosztu liter). Schemat aproksymacyjny PTAS.
21 Wªasno±ci uogólnionego problemu Wyj±ciowy problem Problem uogólniony Co wiadomo o problemie? Niewiele: nie wiemy, czy jest NP-zupeªny, nie znamy algorytmu wielomianowego. Rozwi zanie wielomianowe dla równych p(s) (tzw. problem Varn codes). Rozwi zania wykªadnicze dla przypadku length(w i ) N (wykªadnik zale»ny tylko od kosztu liter). Schemat aproksymacyjny PTAS.
22 Wªasno±ci uogólnionego problemu Wyj±ciowy problem Problem uogólniony Co wiadomo o problemie? Niewiele: nie wiemy, czy jest NP-zupeªny, nie znamy algorytmu wielomianowego. Rozwi zanie wielomianowe dla równych p(s) (tzw. problem Varn codes). Rozwi zania wykªadnicze dla przypadku length(w i ) N (wykªadnik zale»ny tylko od kosztu liter). Schemat aproksymacyjny PTAS.
23 Plan prezentacji Sformuªowanie 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
24 Algorytm naiwny Sformuªowanie Pomysª 1 Nie dziaªa metoda bottom-up, wi c u»yjemy metody top-down. Przeszukujemy dynamicznie przestrze«wszystkich drzew kodów preksowych. Dokªadamy kolejne kraw dzie do li±ci drzew. Problem: wykªadnik w zªo»ono±ci b dzie zale»ny od n oraz r.
25 Algorytm naiwny Sformuªowanie Pomysª 1 Nie dziaªa metoda bottom-up, wi c u»yjemy metody top-down. Przeszukujemy dynamicznie przestrze«wszystkich drzew kodów preksowych. Dokªadamy kolejne kraw dzie do li±ci drzew. Problem: wykªadnik w zªo»ono±ci b dzie zale»ny od n oraz r.
26 Algorytm naiwny Sformuªowanie Pomysª 1 Nie dziaªa metoda bottom-up, wi c u»yjemy metody top-down. Przeszukujemy dynamicznie przestrze«wszystkich drzew kodów preksowych. Dokªadamy kolejne kraw dzie do li±ci drzew. Problem: wykªadnik w zªo»ono±ci b dzie zale»ny od n oraz r.
27 Algorytm prawie naiwny Pomysª 2 Wystarczy rozpatrywa drzewa z peªnymi wierzchoªkami wewn trznymi. Dodajemy sztuczne symbole z prawdopodobie«stwem wyst pienia p(s) = 0.
28 Algorytm prawie naiwny Pomysª 2 Wystarczy rozpatrywa drzewa z peªnymi wierzchoªkami wewn trznymi. Dodajemy sztuczne symbole z prawdopodobie«stwem wyst pienia p(s) = 0.
29 Algorytm O(n C+2 ) Sformuªowanie Pomysª 3 Wystarczy pami ta liczb wierzchoªków na poszczególnych poziomach, zamiast struktury drzewa. Pomysª 4 Mo»emy rozwija li±cie w kolejno±ci rosn cego length(s). Wystarczy tylko pami ta : Liczb wierzchoªków na ostatnich C poziomach Liczb pozostaªych wierzchoªków.
30 Algorytm O(n C+2 ) Sformuªowanie Pomysª 3 Wystarczy pami ta liczb wierzchoªków na poszczególnych poziomach, zamiast struktury drzewa. Pomysª 4 Mo»emy rozwija li±cie w kolejno±ci rosn cego length(s). Wystarczy tylko pami ta : Liczb wierzchoªków na ostatnich C poziomach Liczb pozostaªych wierzchoªków.
31 Algorytm O(n C+2 ) Sformuªowanie Pomysª 3 Wystarczy pami ta liczb wierzchoªków na poszczególnych poziomach, zamiast struktury drzewa. Pomysª 4 Mo»emy rozwija li±cie w kolejno±ci rosn cego length(s). Wystarczy tylko pami ta : Liczb wierzchoªków na ostatnich C poziomach Liczb pozostaªych wierzchoªków.
32 Algorytm O(n C+2 ), c.d. Pozostaje m drze zdeniowa funkcj kosztu. Koszt drzewa Koszt(m;l 1,...,l C ) = Σ m i=1 length(v i)p(s i ) + L Σ n i=m+1 p(s i) Obcinamy drzewo na poziomie L. Liczymy sum dªugo±ci cz ±ci ±cie»ek do li±ci do poziomu L wª cznie. Koszt kraw dzi Niech T = (m;l 1,...,l C ) oraz T = T z rozwini tymi q wierzchoªkami na poziomie l 1 Koszt(T,T ) = Koszt(T ) Koszt(T ) = Σ n i=m+1 p(s i)
33 Algorytm O(n C+2 ), c.d. Pozostaje m drze zdeniowa funkcj kosztu. Koszt drzewa Koszt(m;l 1,...,l C ) = Σ m i=1 length(v i)p(s i ) + L Σ n i=m+1 p(s i) Obcinamy drzewo na poziomie L. Liczymy sum dªugo±ci cz ±ci ±cie»ek do li±ci do poziomu L wª cznie. Koszt kraw dzi Niech T = (m;l 1,...,l C ) oraz T = T z rozwini tymi q wierzchoªkami na poziomie l 1 Koszt(T,T ) = Koszt(T ) Koszt(T ) = Σ n i=m+1 p(s i)
34 Algorytm O(n C+2 ), c.d. Pozostaje m drze zdeniowa funkcj kosztu. Koszt drzewa Koszt(m;l 1,...,l C ) = Σ m i=1 length(v i)p(s i ) + L Σ n i=m+1 p(s i) Obcinamy drzewo na poziomie L. Liczymy sum dªugo±ci cz ±ci ±cie»ek do li±ci do poziomu L wª cznie. Koszt kraw dzi Niech T = (m;l 1,...,l C ) oraz T = T z rozwini tymi q wierzchoªkami na poziomie l 1 Koszt(T,T ) = Koszt(T ) Koszt(T ) = Σ n i=m+1 p(s i)
35 Algorytm O(n C+2 ), c.d. Pozostaje m drze zdeniowa funkcj kosztu. Koszt drzewa Koszt(m;l 1,...,l C ) = Σ m i=1 length(v i)p(s i ) + L Σ n i=m+1 p(s i) Obcinamy drzewo na poziomie L. Liczymy sum dªugo±ci cz ±ci ±cie»ek do li±ci do poziomu L wª cznie. Koszt kraw dzi Niech T = (m;l 1,...,l C ) oraz T = T z rozwini tymi q wierzchoªkami na poziomie l 1 Koszt(T,T ) = Koszt(T ) Koszt(T ) = Σ n i=m+1 p(s i)
36 Analiza zªo»ono±ci Sformuªowanie Wszystkich stanów, jest O(n C+1 ). Przetworzenie pojedynczego stanu wymaga rozpatrzenia n + 1 mo»liwych jego rozwini. Po przemno»eniu otrzymujemy O(n C+2 ).
37 Analiza zªo»ono±ci Sformuªowanie Wszystkich stanów, jest O(n C+1 ). Przetworzenie pojedynczego stanu wymaga rozpatrzenia n + 1 mo»liwych jego rozwini. Po przemno»eniu otrzymujemy O(n C+2 ).
38 Analiza zªo»ono±ci Sformuªowanie Wszystkich stanów, jest O(n C+1 ). Przetworzenie pojedynczego stanu wymaga rozpatrzenia n + 1 mo»liwych jego rozwini. Po przemno»eniu otrzymujemy O(n C+2 ).
39 Algorytm O(n C+1 ) dla W = 2 Pomysª 1 Oznaczenia: length(w 1 ) = α, length(w 2 ) = β. Chcemy zmniejszy liczb wymiarów przestrzeni, któr b dziemy przeszukiwali. Pomysª 2 Wracamy do konstrukcji bottom-up. Denicja Przez ci g charakterystyczny drzewa kodu rozumiemy: B(T ) i = b i = {v V : depth(v) i v jest prawym synem}
40 Algorytm O(n C+1 ) dla W = 2 Pomysª 1 Oznaczenia: length(w 1 ) = α, length(w 2 ) = β. Chcemy zmniejszy liczb wymiarów przestrzeni, któr b dziemy przeszukiwali. Pomysª 2 Wracamy do konstrukcji bottom-up. Denicja Przez ci g charakterystyczny drzewa kodu rozumiemy: B(T ) i = b i = {v V : depth(v) i v jest prawym synem}
41 Algorytm O(n C+1 ) dla W = 2 Pomysª 1 Oznaczenia: length(w 1 ) = α, length(w 2 ) = β. Chcemy zmniejszy liczb wymiarów przestrzeni, któr b dziemy przeszukiwali. Pomysª 2 Wracamy do konstrukcji bottom-up. Denicja Przez ci g charakterystyczny drzewa kodu rozumiemy: B(T ) i = b i = {v V : depth(v) i v jest prawym synem}
42 Algorytm O(n C+1 ) dla W = 2 Ile informacji da si wyci gn z takiego ci gu? Znamy najgª bszy wierzchoªek Mo»emy obliczy indeks jego brata w drzewie: b β α 1 + 1
43 Algorytm O(n C+1 ) dla W = 2 Ile informacji da si wyci gn z takiego ci gu? Znamy najgª bszy wierzchoªek Mo»emy obliczy indeks jego brata w drzewie: b β α 1 + 1
44 Algorytm O(n C+1 ) dla W = 2 Ile informacji da si wyci gn z takiego ci gu? Znamy najgª bszy wierzchoªek Mo»emy obliczy indeks jego brata w drzewie: b β α 1 + 1
45 Algorytm O(n C+1 ) dla W = 2 Mo»emy równie» wyznaczy liczb li±ci poni»ej pewnego poziomu: N i = b i + b i (β α) b i β
46 Algorytm O(n C+1 ) dla W = 2 Mo»emy równie» wyznaczy liczb li±ci poni»ej pewnego poziomu: N i = b i + b i (β α) b i β
47 Algorytm O(n C+1 ) dla W = 2 Dowód: #li±ci = #drzew + #wierzchoªków wewn trznych #wierzchoªków wewn trznych = b i β #drzew = #korzeni = #korzeni b d cych lewymi synami + #korzeni b d cych prawymi synami = (b i b i β ) + (b i (β α) b i β ). #li±ci = b i β + (b i b i β ) + (b i (β α) b i β ) = b i + b i (β α) b i β
48 Algorytm O(n C+1 ) dla W = 2 Dowód: #li±ci = #drzew + #wierzchoªków wewn trznych #wierzchoªków wewn trznych = b i β #drzew = #korzeni = #korzeni b d cych lewymi synami + #korzeni b d cych prawymi synami = (b i b i β ) + (b i (β α) b i β ). #li±ci = b i β + (b i b i β ) + (b i (β α) b i β ) = b i + b i (β α) b i β
49 Algorytm O(n C+1 ) dla W = 2 Dowód: #li±ci = #drzew + #wierzchoªków wewn trznych #wierzchoªków wewn trznych = b i β #drzew = #korzeni = #korzeni b d cych lewymi synami + #korzeni b d cych prawymi synami = (b i b i β ) + (b i (β α) b i β ). #li±ci = b i β + (b i b i β ) + (b i (β α) b i β ) = b i + b i (β α) b i β
50 Algorytm O(n C+1 ) dla W = 2 Dowód: #li±ci = #drzew + #wierzchoªków wewn trznych #wierzchoªków wewn trznych = b i β #drzew = #korzeni = #korzeni b d cych lewymi synami + #korzeni b d cych prawymi synami = (b i b i β ) + (b i (β α) b i β ). #li±ci = b i β + (b i b i β ) + (b i (β α) b i β ) = b i + b i (β α) b i β
51 Algorytm O(n C+1 ) dla W = 2 Dowód: #li±ci = #drzew + #wierzchoªków wewn trznych #wierzchoªków wewn trznych = b i β #drzew = #korzeni = #korzeni b d cych lewymi synami + #korzeni b d cych prawymi synami = (b i b i β ) + (b i (β α) b i β ). #li±ci = b i β + (b i b i β ) + (b i (β α) b i β ) = b i + b i (β α) b i β
52 Algorytm O(n C+1 ) dla W = 2 Koszt ci gu charakterystycznego Koszt(B) = Σ d 1 i=0 ΣN i j=0 p j Mo»na pokaza,»e koszt drzewa oraz koszt ci gu charakterystycznego odpowiadaj cego temu drzewu s sobie równe.
53 Algorytm O(n C+1 ) dla W = 2 Koszt ci gu charakterystycznego Koszt(B) = Σ d 1 i=0 ΣN i j=0 p j Mo»na pokaza,»e koszt drzewa oraz koszt ci gu charakterystycznego odpowiadaj cego temu drzewu s sobie równe.
54 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
55 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
56 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
57 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
58 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
59 Algorytm O(n C+1 ) dla W = 2 Denicja Ci g charakterystyczny jest legalny, gdy istnieje jakie± odpowiadaj ce mu drzewo. Problem: nie ka»dy ci g jest legalny. Mo»na pokaza,»e dla ci gu charakterystycznego optymalnego o pewnym koszcie, istnieje inny ci g charakterystyczny o tym samym koszcie, który jest legalny. Uwaga: nie oznacza to,»e ka»dy ci g optymalny jest legalny! Dowód: indukcyjny. Korzystamy ze sklejania pary najni»szych synów.
60 Algorytm O(n C+1 ) dla W = 2 Przestrze«stanów β -krotki reprezentuj ce β ostatnich elementów ci gu charakterystycznego. Kraw dzie Kraw dzie prowadzimy mi dzy stanami postaci (i 0,...,i β 1 ) oraz (i 1,...,i β ). Wagi kraw dzi Waga(u v) = Waga(i 0,...,i β ) = Σ N β k=0
61 Algorytm O(n C+1 ) dla W = 2 Przestrze«stanów β -krotki reprezentuj ce β ostatnich elementów ci gu charakterystycznego. Kraw dzie Kraw dzie prowadzimy mi dzy stanami postaci (i 0,...,i β 1 ) oraz (i 1,...,i β ). Wagi kraw dzi Waga(u v) = Waga(i 0,...,i β ) = Σ N β k=0
62 Algorytm O(n C+1 ) dla W = 2 Przestrze«stanów β -krotki reprezentuj ce β ostatnich elementów ci gu charakterystycznego. Kraw dzie Kraw dzie prowadzimy mi dzy stanami postaci (i 0,...,i β 1 ) oraz (i 1,...,i β ). Wagi kraw dzi Waga(u v) = Waga(i 0,...,i β ) = Σ N β k=0
63 Algorytm O(n C+1 ) dla W = 2 Graf jest DAG-iem. Stan (0,..., 0) jest jedynym ¹ródªem. Reprezentuje drzewa obci te poni»ej ostatniego wierzchoªka. Stan (n 1,...,n 1) jest jedynym uj±ciem. Reprezentuje wszystkie drzewa z n li± mi. Waga kraw dzi odzwierciedla koszt przesuni cia linii obci cia o jeden poziom w gór. Wniosek: najkrótsza ±cie»ka ze ¹ródªa do uj±cia jest równa kosztowi optymalnego drzewa.
64 Algorytm O(n C+1 ) dla W = 2 Graf jest DAG-iem. Stan (0,..., 0) jest jedynym ¹ródªem. Reprezentuje drzewa obci te poni»ej ostatniego wierzchoªka. Stan (n 1,...,n 1) jest jedynym uj±ciem. Reprezentuje wszystkie drzewa z n li± mi. Waga kraw dzi odzwierciedla koszt przesuni cia linii obci cia o jeden poziom w gór. Wniosek: najkrótsza ±cie»ka ze ¹ródªa do uj±cia jest równa kosztowi optymalnego drzewa.
65 Algorytm O(n C+1 ) dla W = 2 Graf jest DAG-iem. Stan (0,..., 0) jest jedynym ¹ródªem. Reprezentuje drzewa obci te poni»ej ostatniego wierzchoªka. Stan (n 1,...,n 1) jest jedynym uj±ciem. Reprezentuje wszystkie drzewa z n li± mi. Waga kraw dzi odzwierciedla koszt przesuni cia linii obci cia o jeden poziom w gór. Wniosek: najkrótsza ±cie»ka ze ¹ródªa do uj±cia jest równa kosztowi optymalnego drzewa.
66 Algorytm O(n C+1 ) dla W = 2 Graf jest DAG-iem. Stan (0,..., 0) jest jedynym ¹ródªem. Reprezentuje drzewa obci te poni»ej ostatniego wierzchoªka. Stan (n 1,...,n 1) jest jedynym uj±ciem. Reprezentuje wszystkie drzewa z n li± mi. Waga kraw dzi odzwierciedla koszt przesuni cia linii obci cia o jeden poziom w gór. Wniosek: najkrótsza ±cie»ka ze ¹ródªa do uj±cia jest równa kosztowi optymalnego drzewa.
67 Algorytm O(n C+1 ) dla W = 2 Graf jest DAG-iem. Stan (0,..., 0) jest jedynym ¹ródªem. Reprezentuje drzewa obci te poni»ej ostatniego wierzchoªka. Stan (n 1,...,n 1) jest jedynym uj±ciem. Reprezentuje wszystkie drzewa z n li± mi. Waga kraw dzi odzwierciedla koszt przesuni cia linii obci cia o jeden poziom w gór. Wniosek: najkrótsza ±cie»ka ze ¹ródªa do uj±cia jest równa kosztowi optymalnego drzewa.
68 Algorytm O(n C+1 ) dla W = 2 Analiza zªo»ono±ci: Mamy O(n C ) stanów do przeszukania. Przetworzenie pojedynczego stanu wymaga rozpatrzenia n mo»liwych kraw dzi z niego wychodzacych. Po przemno»eniu otrzymujemy O(n C+1 ).
69 Algorytm O(n C+1 ) dla W = 2 Analiza zªo»ono±ci: Mamy O(n C ) stanów do przeszukania. Przetworzenie pojedynczego stanu wymaga rozpatrzenia n mo»liwych kraw dzi z niego wychodzacych. Po przemno»eniu otrzymujemy O(n C+1 ).
70 Algorytm O(n C+1 ) dla W = 2 Analiza zªo»ono±ci: Mamy O(n C ) stanów do przeszukania. Przetworzenie pojedynczego stanu wymaga rozpatrzenia n mo»liwych kraw dzi z niego wychodzacych. Po przemno»eniu otrzymujemy O(n C+1 ).
71 Algorytm O(n C ) dla W = 2 Macierz kosztów Dla ustalonego δ = (i 1,...,i β 1 ) deniujemy macierz A δ zadan wzorem: A δ (i,j) = Waga(i,δ,j) + Koszt(i,δ) j-ty wiersz macierzy zawiera wszystkie mo»liwe koszty dotarcia do stanu (i 1,...,i β,j).
72 Algorytm O(n C ) dla W = 2 Macierz kosztów Dla ustalonego δ = (i 1,...,i β 1 ) deniujemy macierz A δ zadan wzorem: A δ (i,j) = Waga(i,δ,j) + Koszt(i,δ) j-ty wiersz macierzy zawiera wszystkie mo»liwe koszty dotarcia do stanu (i 1,...,i β,j).
73 Algorytm O(n C ) dla W = 2 Mo»na pokaza,»e macierz ma tzw. wªasno± Monge'go: A δ (i,j) + A δ (i + 1,j + 1) A δ (i + 1,j) + A δ (i,j + 1) Takie macierze maj inn wªasno±, tzw. caªkowit monotoniczno± : A δ (i,j + 1) A i+1,j+1 = A δ (i,j) A δ (i + 1,j). Dla takich macierzy dziaªa tzw. algorytm SMAWK wyznaczaj cy minima wszystkich wierszy w czasie O(n). Intuicja: pojedyncze porównanie mo»e nam da informacj na temat liniowej liczby nierówno±ci w macierzy.
74 Algorytm O(n C ) dla W = 2 Mo»na pokaza,»e macierz ma tzw. wªasno± Monge'go: A δ (i,j) + A δ (i + 1,j + 1) A δ (i + 1,j) + A δ (i,j + 1) Takie macierze maj inn wªasno±, tzw. caªkowit monotoniczno± : A δ (i,j + 1) A i+1,j+1 = A δ (i,j) A δ (i + 1,j). Dla takich macierzy dziaªa tzw. algorytm SMAWK wyznaczaj cy minima wszystkich wierszy w czasie O(n). Intuicja: pojedyncze porównanie mo»e nam da informacj na temat liniowej liczby nierówno±ci w macierzy.
75 Algorytm O(n C ) dla W = 2 Mo»na pokaza,»e macierz ma tzw. wªasno± Monge'go: A δ (i,j) + A δ (i + 1,j + 1) A δ (i + 1,j) + A δ (i,j + 1) Takie macierze maj inn wªasno±, tzw. caªkowit monotoniczno± : A δ (i,j + 1) A i+1,j+1 = A δ (i,j) A δ (i + 1,j). Dla takich macierzy dziaªa tzw. algorytm SMAWK wyznaczaj cy minima wszystkich wierszy w czasie O(n). Intuicja: pojedyncze porównanie mo»e nam da informacj na temat liniowej liczby nierówno±ci w macierzy.
76 Algorytm O(n C ) dla W = 2 Mo»na pokaza,»e macierz ma tzw. wªasno± Monge'go: A δ (i,j) + A δ (i + 1,j + 1) A δ (i + 1,j) + A δ (i,j + 1) Takie macierze maj inn wªasno±, tzw. caªkowit monotoniczno± : A δ (i,j + 1) A i+1,j+1 = A δ (i,j) A δ (i + 1,j). Dla takich macierzy dziaªa tzw. algorytm SMAWK wyznaczaj cy minima wszystkich wierszy w czasie O(n). Intuicja: pojedyncze porównanie mo»e nam da informacj na temat liniowej liczby nierówno±ci w macierzy.
77 Plan prezentacji Sformuªowanie Modykacje problemu Zastosowania 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
78 Modykacje Sformuªowanie Modykacje problemu Zastosowania Ograniczenie wysoko±ci drzewa. Wymóg, aby symbole byªy kodowane za pomoc sªów z zadanego j zyka regularnego.
79 Modykacje Sformuªowanie Modykacje problemu Zastosowania Ograniczenie wysoko±ci drzewa. Wymóg, aby symbole byªy kodowane za pomoc sªów z zadanego j zyka regularnego.
80 Plan prezentacji Sformuªowanie Modykacje problemu Zastosowania 1 Sformuªowanie problemów Wyj±ciowy problem Problem uogólniony 2 3 Modykacje problemu Zastosowania
81 Zastosowania Sformuªowanie Modykacje problemu Zastosowania No±niki zyczne, w których z powodów technologicznych ogranicze«ka»dy bit 1 musi by poprzedzony co najmniej a zerami i co najwy»ej b bitami 0. Alfabet Morse'a: length( ) = 1, length( ) = 2. Drzewa decyzyjne, w którym podj cie ró»nych decyzji wi»e si z ró»nym kosztem.
82 Zastosowania Sformuªowanie Modykacje problemu Zastosowania No±niki zyczne, w których z powodów technologicznych ogranicze«ka»dy bit 1 musi by poprzedzony co najmniej a zerami i co najwy»ej b bitami 0. Alfabet Morse'a: length( ) = 1, length( ) = 2. Drzewa decyzyjne, w którym podj cie ró»nych decyzji wi»e si z ró»nym kosztem.
83 Zastosowania Sformuªowanie Modykacje problemu Zastosowania No±niki zyczne, w których z powodów technologicznych ogranicze«ka»dy bit 1 musi by poprzedzony co najmniej a zerami i co najwy»ej b bitami 0. Alfabet Morse'a: length( ) = 1, length( ) = 2. Drzewa decyzyjne, w którym podj cie ró»nych decyzji wi»e si z ró»nym kosztem.
84 Dodatek ródªa ródªa I Mordecai J. Golin, Günter Rote, A Dynamic Programming Algorithm for Constructing Optimal Prex-Free Codes for Unequal Letter Costs, IEEE Transactions on Information Theory, 1998 Phil Bradford, Mordecai J. Golin, Lawrence L. Larmore, Wojciech Rytter, Optimal Prex-Free Codes for Unequal Letter Costs and Dynamic Programming with the Monge Property, Journal of Algorithms, 2000 Vicky Choi, Mordecai J. Golin, Lopsided Trees: Analyses, Algorithms, and Applications, in Automata, Languages and Programming, Proceedings of the 23rd International Colloquium on Automata, Languages, and Programming (ICALP), 2000
Drzewa Gomory-Hu Wprowadzenie. Drzewa Gomory-Hu. Jakub Š cki. 14 pa¹dziernika 2009
Wprowadzenie Drzewa Gomory-Hu Jakub Š cki 14 pa¹dziernika 2009 Wprowadzenie 1 Wprowadzenie Podstawowe poj cia i fakty 2 Istnienie drzew Gomory-Hu 3 Algorytm budowy drzew 4 Problemy otwarte Wprowadzenie
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoMaszyny Turinga i problemy nierozstrzygalne. Maszyny Turinga i problemy nierozstrzygalne
Maszyny Turinga Maszyna Turinga jest automatem ta±mowym, skª da si z ta±my (tablicy symboli) potencjalnie niesko«czonej w prawo, zakªadamy,»e w prawie wszystkich (tzn. wszystkich poza sko«czon liczb )
Bardziej szczegółowoc Marcin Sydow Przepªywy Grafy i Zastosowania Podsumowanie 12: Przepªywy w sieciach
12: w sieciach Spis zagadnie«sieci przepªywowe przepªywy w sieciach ±cie»ka powi kszaj ca tw. Forda-Fulkersona Znajdowanie maksymalnego przepªywu Zastosowania przepªywów Sieci przepªywowe Sie przepªywowa
Bardziej szczegółowoc Marcin Sydow Spójno± Grafy i Zastosowania Grafy Eulerowskie 2: Drogi i Cykle Grafy Hamiltonowskie Podsumowanie
2: Drogi i Cykle Spis Zagadnie«drogi i cykle spójno± w tym sªaba i silna k-spójno± (wierzchoªkowa i kraw dziowa) dekompozycja grafu na bloki odlegªo±ci w grae i poj cia pochodne grafy Eulera i Hamiltona
Bardziej szczegółowoXVII Warmi«sko-Mazurskie Zawody Matematyczne
1 XVII Warmi«sko-Mazurskie Zawody Matematyczne Kategoria: klasa VIII szkoªy podstawowej i III gimnazjum Olsztyn, 16 maja 2019r. Zad. 1. Udowodnij,»e dla dowolnych liczb rzeczywistych x, y, z speªniaj cych
Bardziej szczegółowoZad. 1 Zad. 2 Zad. 3 Zad. 4 Zad. 5 SUMA. W obu podpunktach zakªadamy,»e kolejno± ta«ców jest wa»na.
Zad. 1 Zad. 2 Zad. 3 Zad. 4 Zad. 5 SUMA Zadanko 1 (12p.) Na imprezie w Noc Kupaªy s 44 dziewczyny. Nosz one 11 ró»nych imion, a dla ka»dego imienia s dokªadnie 4 dziewczyny o tym imieniu przy czym ka»da
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoTeoria grafów i sieci 1 / 188
Teoria grafów i sieci / Drzewa z wagami Drzewem z wagami nazywamy drzewo z korzeniem, w którym do ka»dego li±cia przyporz dkowana jest liczba nieujemna, nazywana wag tego li±cia. / Drzewa z wagami Drzewem
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................
Bardziej szczegółowoMinimalne drzewa rozpinaj ce
y i y i drzewa Spis zagadnie«y i drzewa i lasy cykle fundamentalne i rozci cia fundamentalne wªasno±ci cykli i rozci minimalne drzewa algorytm algorytm Drzewo y i spójnego, nieskierowanego grafu prostego
Bardziej szczegółowoTeoria grafów i jej zastosowania. 1 / 126
Teoria grafów i jej zastosowania. 1 / 126 Mosty królewieckie W Królewcu, na rzece Pregole znajduj si dwie wyspy poª czone ze sob, a tak»e z brzegami za pomoc siedmiu mostów, tak jak pokazuje rysunek 2
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoTeoria grafów i sieci 1 / 58
Teoria grafów i sieci 1 / 58 Literatura 1 B.Korte, J.Vygen, Combinatorial optimization 2 D.Jungnickel, Graphs, Networks and Algorithms 3 M.Sysªo, N.Deo Metody optymalizacji dyskretnej z przykªadami w Turbo
Bardziej szczegółowoAlgorytmy zwiazane z gramatykami bezkontekstowymi
Algorytmy zwiazane z gramatykami bezkontekstowymi Rozpoznawanie j zyków bezkontekstowych Problem rozpoznawania j zyka L polega na sprawdzaniu przynale»no±ci sªowa wej±ciowego x do L. Zakªadamy,»e j zyk
Bardziej szczegółowoc Marcin Sydow Planarno± Grafy i Zastosowania Tw. Eulera 7: Planarno± Inne powierzchnie Dualno± Podsumowanie
7: Spis zagadnie«twierdzenie Kuratowskiego Wªasno±ci planarno±ci Twierdzenie Eulera Grafy na innych powierzchniach Poj cie dualno±ci geometrycznej i abstrakcyjnej Graf Planarny Graf planarny to taki graf,
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoRelacj binarn okre±lon w zbiorze X nazywamy podzbiór ϱ X X.
Relacje 1 Relacj n-argumentow nazywamy podzbiór ϱ X 1 X 2... X n. Je±li ϱ X Y jest relacj dwuargumentow (binarn ), to zamiast (x, y) ϱ piszemy xϱy. Relacj binarn okre±lon w zbiorze X nazywamy podzbiór
Bardziej szczegółowoZadania z kolokwiów ze Wst pu do Informatyki. Semestr II.
Zadania z kolokwiów ze Wst pu do Informatyki. Semestr II. Poni»sze zadania s wyborem zada«z kolokwiów ze Wst pu do Informatyki jakie przeprowadziªem w ci gu ostatnich lat. Marek Zawadowski Zadanie 1 Napisz
Bardziej szczegółowo12: Znajdowanie najkrótszych ±cie»ek w grafach
12: Znajdowanie najkrótszych ±cie»ek w grafach Spis zagadnie«problem najkrótszych ±cie»ek z jednym ¹ródªem Rozwi zanie sznurkowe kraw dzi Wariant 1: Wariant 2: nieujemne kraw dzie (Dijkstra) Wariant 3:
Bardziej szczegółowoMetoda tablic semantycznych. 1 Metoda tablic semantycznych
1 Zarówno metoda tablic semantycznych, jak i rezolucji, to dosy sprawny algorytm do badania speªnialni±ci formuª, a wi c i tautologii. Chodzi w niej o wskazanie, je±li istnieje, modelu dla formuªy. Opiera
Bardziej szczegółowoGrafy. Andrzej Jastrz bski. Akademia ET I. Politechnika Gda«ska
Andrzej Jastrz bski Akademia ET I Graf Grafem nazywamy par G = (V, E), gdzie V to zbiór wierzchoªków, E zbiór kraw dzi taki,»e E {{u, v} : u, v V u v}. Wierzchoªki v, u V s s siaduj ce je±li s poª czone
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoInformacje pomocnicze
Funkcje wymierne. Równania i nierówno±ci wymierne Denicja. (uªamki proste) Wyra»enia postaci Informacje pomocnicze A gdzie A d e R n N (dx e) n nazywamy uªamkami prostymi pierwszego rodzaju. Wyra»enia
Bardziej szczegółowoWykªad 1. Wprowadzenie do teorii grafów
Wykªad 1. Wprowadzenie do teorii grafów 1 / 112 Literatura 1 W. Lipski; Kombinatoryka dla programistów. 2 T. Cormen, Ch. E. Leiserson, R. L. Rivest; Wprowadzenie do algorytmów. 3 K. A. Ross, Ch. R. B.
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowodet A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32
Wyznacznik Def Wyznacznikiem macierzy kwadratowej nazywamy funkcj, która ka»dej macierzy A = (a ij ) przyporz dkowuje liczb det A zgodnie z nast puj cym schematem indukcyjnym: Dla macierzy A = (a ) stopnia
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoWybrane poj cia i twierdzenia z wykªadu z teorii liczb
Wybrane poj cia i twierdzenia z wykªadu z teorii liczb 1. Podzielno± Przedmiotem bada«teorii liczb s wªasno±ci liczb caªkowitych. Zbiór liczb caªkowitych oznacza b dziemy symbolem Z. Zbiór liczb naturalnych
Bardziej szczegółowo1 Kodowanie i dekodowanie
1 Kodowanie i dekodowanie Teoria informacji zajmuje si sposobami gromadzenia, przechowywania oraz przesyªania informacji. W tym celu, a tak»e dla ochrony danych informacje kodujemy. Rozmowa telefoniczna,
Bardziej szczegółowoc Marcin Sydow Podstawy Grafy i Zastosowania Kod Prüfera 3: Drzewa Drzewa ukorzenione * Drzewa binarne Zastosowania Podsumowanie
Grafy i Grafy i 3: Spis zagadnie«grafy i drzewo i las: denicja, charakteryzacje, wªasno±ci kodowanie Prüfera i zliczanie drzew etykietowanych (tw. Cayleya) drzewa drzewa zliczanie drzew binarnych (tw.
Bardziej szczegółowoAlgorytmy grafowe 2. Andrzej Jastrz bski. Akademia ETI. Politechnika Gda«ska Algorytmy grafowe 2
Algorytmy grafowe 2 Andrzej Jastrz bski Akademia ETI Minimalne drzewo spinaj ce Drzewem nazywamy spójny graf nie posiadaj cy cyklu. Liczba wierzchoªków drzewa jest o jeden wi ksza od liczby jego kraw dzi.
Bardziej szczegółowoNotatki z AiSD. Nr 2. 4 marca 2010 Algorytmy Zachªanne.
Notatki z AiSD. Nr 2. 4 marca 2010 Algorytmy Zachªanne. IIUWr. II rok informatyki. Przygotowaª: Krzysztof Lory± 1 Schemat ogólny. Typowe zadanie rozwi zywane metod zachªann ma charakter optymalizacyjny.
Bardziej szczegółowoMatematyka. Justyna Winnicka. rok akademicki 2016/2017. Szkoªa Gªówna Handlowa
Matematyka Justyna Winnicka Szkoªa Gªówna Handlowa rok akademicki 2016/2017 kontakt, konsultacje, koordynator mail: justa_kowalska@yahoo.com, jkowal4@sgh.waw.pl, justyna.winnicka@sgh.waw.pl konsultacje:
Bardziej szczegółowoPrzykªady problemów optymalizacji kombinatorycznej
Przykªady problemów optymalizacji kombinatorycznej Problem Komiwoja»era (PK) Dane: n liczba miast, n Z +, c ji, i, j {1,..., n}, i j odlegªo± mi dzy miastem i a miastem j, c ji = c ij, c ji R +. Zadanie:
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoMosty królewieckie, chi«ski listonosz i... kojarzenie maª»e«stw
Mosty królewieckie, chi«ski listonosz i... kojarzenie maª»e«stw 3 kwietnia 2014 roku 1 / 106 Mosty królewieckie W Królewcu, na rzece Pregole znajduj si dwie wyspy poª czone ze sob, a tak»e z brzegami za
Bardziej szczegółowoWykªad 4. Droga i cykl Eulera i Hamiltona
Wykªad 4. Droga i cykl Eulera i Hamiltona 1 / 92 Grafy Eulera Droga i cykl Eulera Niech G b dzie grafem spójnym. Denicja Je»eli w grae G istnieje zamkni ta droga prosta zawieraj ca wszystkie kraw dzie
Bardziej szczegółowoRozdział 6. Pakowanie plecaka. 6.1 Postawienie problemu
Rozdział 6 Pakowanie plecaka 6.1 Postawienie problemu Jak zauważyliśmy, szyfry oparte na rachunku macierzowym nie są przerażająco trudne do złamania. Zdecydowanie trudniejszy jest kryptosystem oparty na
Bardziej szczegółowoWst p do informatyki. Systemy liczbowe. Piotr Fulma«ski. 21 pa¹dziernika 2010. Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska
Wst p do informatyki Systemy liczbowe Piotr Fulma«ski Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska 21 pa¹dziernika 2010 Spis tre±ci 1 Liczby i ich systemy 2 Rodzaje systemów liczbowych
Bardziej szczegółowoWnioskowanie Boolowskie i teoria zbiorów przybli»onych
Wnioskowanie Boolowskie i teoria zbiorów przybli»onych 4 Zbiory przybli»one Wprowadzenie do teorii zbiorów przybli»onych Zªo»ono± problemu szukania reduktów 5 Wnioskowanie Boolowskie w obliczaniu reduktów
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoA. Auxiliary Question of the Universe
Nieformalny wst p Dodatkow trudno±ci w dzisiejszym konkursie byªo to,»e zadania byªy sformuªowane w j zyku angielskim, a do tego autorami zada«nie byli native speakers. W takich wypadkach nie warto si
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowo10a: Wprowadzenie do grafów
10a: Wprowadzenie do grafów Spis zagadnie«zastosowania grafów denicja grafu (i skierowanego), prostego, multigrafu drogi i cykle, spójno± w tym sªaba i silna drzewo i las: denicja, charakteryzacje, wªasno±ci
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoPodstawy matematyki dla informatyków. Funkcje. Funkcje caªkowite i cz ±ciowe. Deniowanie funkcji. Wykªad pa¹dziernika 2012
Podstawy matematyki dla informatyków Wykªad 3 Funkcje 18 pa¹dziernika 2012 Deniowanie funkcji Funkcje caªkowite i cz ±ciowe Denicja wprost: f (x) = x + y f = λx. x + y Denicja warunkowa: { n/2, je±li n
Bardziej szczegółowoPodstawy matematyki dla informatyków
Podstawy matematyki dla informatyków Wykªad 6 10 listopada 2011 W poprzednim odcinku... Zbiory A i B s równoliczne (tej samej mocy ), gdy istnieje bijekcja f : A 1 1 B. Piszemy A B lub A = B. na Moc zbioru
Bardziej szczegółowoEkstremalnie maªe zbiory
Maªe jest pi kne Instytut Matematyki Uniwersytetu Warszawskiego Nadarzyn, 27.08.2011 Zbiory silnie miary zero Przypomnienie Zbiór X [0, 1] jest miary Lebesgue'a zero, gdy dla ka»dego ε > 0 istnieje ci
Bardziej szczegółowoProblemy optymalizacyjne - zastosowania
Problemy optymalizacyjne - zastosowania www.qed.pl/ai/nai2003 PLAN WYKŁADU Zło ono obliczeniowa - przypomnienie Problemy NP-zupełne klika jest NP-trudna inne problemy NP-trudne Inne zadania optymalizacyjne
Bardziej szczegółowoIndeksowane rodziny zbiorów
Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z wyznaczania reduktów zbioru Liczba osób realizuj cych projekt: 1-2 osoby 1. Wczytanie danych w formatach arf,
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoAlgorytmy i Struktury Danych
Lista zada«. Nr 4. 9 kwietnia 2016 IIUWr. II rok informatyki. Algorytmy i Struktury Danych 1. (0pkt) Rozwi» wszystkie zadania dodatkowe. 2. (1pkt) Uªó» algorytm znajduj cy najta«sz drog przej±cia przez
Bardziej szczegółowoHotel Hilberta. Zdumiewaj cy ±wiat niesko«czono±ci. Marcin Kysiak. Festiwal Nauki, 20.09.2011. Instytut Matematyki Uniwersytetu Warszawskiego
Zdumiewaj cy ±wiat niesko«czono±ci Instytut Matematyki Uniwersytetu Warszawskiego Festiwal Nauki, 20.09.2011 Nasze do±wiadczenia hotelowe Fakt oczywisty Hotel nie przyjmie nowych go±ci, je»eli wszystkie
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Cz ± I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szyma«ski Uniwersytet im. Adama Mickiewicza Pozna«2007 2 Podstawowe zasady i prawa przeliczania
Bardziej szczegółowoW poprzednim odcinku... Podstawy matematyki dla informatyków. Relacje równowa»no±ci. Zbiór (typ) ilorazowy. Klasy abstrakcji
W poprzednim odcinku... Podstawy matematyki dla informatyków Rodzina indeksowana {A t } t T podzbiorów D to taka funkcja A : T P(D),»e A(t) = A t, dla dowolnego t T. Wykªad 3 20 pa¹dziernika 2011 Produkt
Bardziej szczegółowoEkonometria. wiczenia 13 Metoda ±cie»ki krytycznej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
wiczenia 13 Metoda ±cie»ki krytycznej Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Plan wicze«1 Przykªad: ubieranie choinki 2 3 Programowanie liniowe w analizie czasowej i czasowo-kosztowej projektu
Bardziej szczegółowoSzeregowanie zada« Wykªad nr 5. dr Hanna Furma«czyk. 4 kwietnia 2013
Wykªad nr 5 4 kwietnia 2013 Procesory dedykowane Przypomnienie: zadania s podzielone na operacje (zadanie Z j skªada si z operacji O ij do wykonania na maszynach M i, o dªugo±ciach czasowych p ij ); zadanie
Bardziej szczegółowoInformatyka, matematyka i sztuczki magiczne
Informatyka, matematyka i sztuczki magiczne Daniel Nowak Piotr Fulma«ski instagram.com/vorkof piotr@fulmanski.pl 18 kwietnia 2018 Table of contents 1 O czym b dziemy mówi 2 Dawno, dawno temu... 3 System
Bardziej szczegółowoGrafy i Zastosowania. 5: Drzewa Rozpinaj ce. c Marcin Sydow. Drzewa rozpinaj ce. Cykle i rozci cia fundamentalne. Zastosowania
Grafy i Grafy i 5: Rozpinaj ce Spis zagadnie«grafy i i lasy cykle fundamentalne i wªasno±ci cykli i rozci przestrzenie cykli i rozci * : zastosowanie w sieciach elektrycznych minimalne * algorytm Kruskala*
Bardziej szczegółowoElementy geometrii w przestrzeni R 3
Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi
Bardziej szczegółowoLogika dla matematyków i informatyków Wykªad 1
Logika dla matematyków i informatyków Wykªad 1 Stanisªaw Goldstein Wydziaª Matematyki i Informatyki UŠ 16 lutego 2016 Wszech±wiat matematyczny skªada si wyª cznie ze zbiorów. Liczby naturalne s zdeniowane
Bardziej szczegółowoEgzaminy i inne zadania. Semestr II.
Egzaminy i inne zadania. Semestr II. Poni»sze zadania s wyborem zada«ze Wst pu do Informatyki z egzaminów jakie przeprowadziªem w ci gu ostatnich lat. Ponadto doª czyªem szereg zada«, które pojawiaªy si
Bardziej szczegółowoTEORIA GRAFÓW. Graf skierowany dla ka»dej kraw dzi (oznaczanej tutaj jako ªuk) para wierzchoªków incydentnych jest par uporz dkowan {u, v}.
Podstawowe denicje: TEORIA GRAFÓW Graf (nieskierowany) G = (V, E) struktura skªadaj ca si ze: zbioru wierzchoªków V = {,,..., v n } oraz zbioru kraw dzi E = {e 1, e 2,..., e m }. Z ka»d kraw dzi e skojarzona
Bardziej szczegółowoO pewnym zadaniu olimpijskim
O pewnym zadaniu olimpijskim Michaª Seweryn, V LO w Krakowie opiekun pracy: dr Jacek Dymel Problem pocz tkowy Na drugim etapie LXII Olimpiady Matematycznej pojawiª si nast puj cy problem: Dla ka»dej liczby
Bardziej szczegółowoGrafy i Zastosowania. 6: Najkrótsze ±cie»ki. c Marcin Sydow. Najkrótsze cie»ki. Warianty. Relaksacja DAG. Algorytm Dijkstry.
6: ±cie»ki Spis zagadnie«problem najkrótszych ±cie»ek z jednym ¹ródªem Rozwi zanie sznurkowe kraw dzi Wariant 1: Wariant 2: nieujemne kraw dzie (Dijkstra) Wariant 3: dowolny graf () ±cie»ki dla wszystkich
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoNajkrótsze drogi w grafach z wagami
Najkrótsze drogi w grafach z wagami Autor projektu: dr Andrzej Mróz (UMK) Projekt pn. Wzmocnienie potencjaªu dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziaªania
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoWst p teoretyczny do wiczenia nr 3 - Elementy kombinatoryki
Wst p teoretyczny do wiczenia nr 3 - Elementy kombinatoryki 1 Zadania na wiczenia nr 3 - Elementy kombinatoryki Zad. 1. Ile istnieje ró»nych liczb czterocyfrowych zakªadaj c,»e cyfry nie powtarzaj si a
Bardziej szczegółowoWska¹niki, tablice dynamiczne wielowymiarowe
Rozdziaª 11 Wska¹niki, tablice dynamiczne wielowymiarowe 11.1 Wst p Identycznie, jak w przypadku tablic statycznych, tablica dynamiczna mo»e by tablic jedno-, dwu-, trójitd. wymiarow. Tablica dynamiczna
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowoWykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych
WM Czarnecki (GMUM) Lokalna geometria w SVM 13 Listopada 2013 1 / 26 Wykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych Wojciech Marian Czarnecki Jacek Tabor GMUM Grupa Metod Uczenia Maszynowego
Bardziej szczegółowoMacierz A: macierz problemów liniowych (IIII); Macierz rozszerzona problemów liniowych (IIII): a 11 a 1m b 1 B = a n1 a nm b n
Plan Spis tre±ci 1 Problemy liniowe 1 2 Zadania I 3 3 Formy biliniowe 3 3.1 Odwzorowania wieloliniowe..................... 3 3.2 Formy biliniowe............................ 4 4 Formy kwadratowe 4 1 Problemy
Bardziej szczegółowoPodstawowe algorytmy grafowe i ich zastosowania
Podstawowe algorytmy grafowe i ich zastosowania Autor projektu: dr Andrzej Mróz (UMK) Projekt pn. Wzmocnienie potencjaªu dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany
Bardziej szczegółowoLiczby zmiennoprzecinkowe
Liczby zmiennoprzecinkowe 1 Liczby zmiennoprzecinkowe Najprostszym sposobem reprezentowania liczb rzeczywistych byªaby reprezentacja staªopozycyjna: zakªadamy,»e mamy n bitów na cz ± caªkowit oraz m na
Bardziej szczegółowoNajkrótsze drogi w grafach z wagami
Najkrótsze drogi w grafach z wagami dr Andrzej Mróz (UMK w Toruniu) 013 Projekt wspóªnansowany ze ±rodków Unii Europejskiej w ramach Europejskiego Funduszu Spoªecznego Projekt pn. Wzmocnienie potencjaªu
Bardziej szczegółowoSzybkie mno»enie wielomianów i macierzy
Szybkie mno»enie wielomianów i macierzy Šukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski Šukasz Kowalik (UW) FFT & FMM 1 / 30 Szybka Transformata Fouriera Šukasz Kowalik (UW) FFT & FMM 2 / 30
Bardziej szczegółowoOba zbiory s uporz dkowane liniowo. Badamy funkcj w pobli»u kresów dziedziny. Pewne punkty szczególne (np. zmiana denicji funkcji).
Plan Spis tre±ci 1 Granica 1 1.1 Po co?................................. 1 1.2 Denicje i twierdzenia........................ 4 1.3 Asymptotyka, granice niewªa±ciwe................. 7 2 Asymptoty 8 2.1
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoLogika matematyczna (16) (JiNoI I)
Logika matematyczna (16) (JiNoI I) Jerzy Pogonowski Zakªad Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl 15/16 lutego 2007 Jerzy Pogonowski (MEG) Logika matematyczna (16) (JiNoI I) 15/16
Bardziej szczegółowoWojewódzki Konkurs Matematyczny
Wojewódzki Konkurs Matematyczny dla uczniów gimnazjów ETAP SZKOLNY 16 listopada 2012 Czas 90 minut Instrukcja dla Ucznia 1. Otrzymujesz do rozwi zania 10 zada«zamkni tych oraz 5 zada«otwartych. 2. Obok
Bardziej szczegółowoc Marcin Sydow Wst p Grafy i Zastosowania Wierzchoªki 8: Kolorowanie Grafów Mapy Kraw dzie Zliczanie Podsumowanie
8: Kolorowanie Grafów Spis zagadnie«kolorowanie wierzchoªków Kolorowanie map Kolorowanie kraw dzi Wielomian chromatyczny Zastosowania Problem kolorowania grafów ma wiele odmian (np. kolorowanie wierzchoªków,
Bardziej szczegółowoRównania ró»niczkowe I rz du (RRIR) Twierdzenie Picarda. Anna D browska. WFTiMS. 23 marca 2010
WFTiMS 23 marca 2010 Spis tre±ci 1 Denicja 1 (równanie ró»niczkowe pierwszego rz du) Równanie y = f (t, y) (1) nazywamy równaniem ró»niczkowym zwyczajnym pierwszego rz du w postaci normalnej. Uwaga 1 Ogólna
Bardziej szczegółowoMatematyka dyskretna dla informatyków
UNIWERSYTET IM. ADAMA MICKIEWICZA W POZNANIU Jerzy Jaworski, Zbigniew Palka, Jerzy Szyma«ski Matematyka dyskretna dla informatyków uzupeænienia Pozna«007 A Notacja asymptotyczna Badaj c du»e obiekty kombinatoryczne
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo1 a + b 1 = 1 a + 1 b 1. (a + b 1)(a + b ab) = ab, (a + b)(a + b ab 1) = 0, (a + b)[a(1 b) + (b 1)] = 0,
XIII Warmi«sko-Mazurskie Zawody Matematyczne. Olsztyn 2015 Rozwi zania zada«dla szkóª ponadgimnazjalnych ZADANIE 1 Zakªadamy,»e a, b 0, 1 i a + b 1. Wykaza,»e z równo±ci wynika,»e a = -b 1 a + b 1 = 1
Bardziej szczegółowoStrategia czy intuicja?
Strategia czy intuicja czyli o grach niesko«czonych Instytut Matematyki Uniwersytetu Warszawskiego Grzegorzewice, 29 sierpnia 2009 Denicja gry Najprostszy przypadek: A - zbiór (na ogóª co najwy»ej przeliczalny),
Bardziej szczegółowoLiczenie podziaªów liczby: algorytm Eulera
Liczenie podziaªów liczby: algorytm Eulera Wojciech Rytter Podziaªy liczb s bardzo skomplikowanymi obiektami kombinatorycznymi, przedstawimy dwa algorytmy liczenia takich oblektów. Pierwszy prosty algorytm
Bardziej szczegółowoOmówienie zada«potyczki Algorytmiczne 2015
Omówienie zada« Biznes Najszybsze rozwi zanie: Jarosªaw Kwiecie«(0:24) Na pocz tku mamy kapitaª P (megabajtalarów) i dochody 0 (megabajtalary/rok). W dowolnym momencie mo»emy kupi maszyn typu i, co kosztuje
Bardziej szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
Bardziej szczegółowo