Análise de Algoritmos
|
|
|
- Matheus Faro Back
- 6 Há anos
- Visualizações:
Transcrição
1 Algoritmos p. 1/25 Análise de Algoritmos Parte destes slides são adaptações de slides do Prof. Paulo Feofiloff e do Prof. José Coelho de Pina.
2 Algoritmos p. 2/25 Ordenação em tempo linear CLRS cap 8
3 Algoritmos p. 3/25 Ordenação: limite inferior Problema: Rearranjar um vetor A[1..n] de modo que ele fique em ordem crescente. Existem algoritmos que consomem tempo O(nlgn).
4 Algoritmos p. 3/25 Ordenação: limite inferior Problema: Rearranjar um vetor A[1..n] de modo que ele fique em ordem crescente. Existem algoritmos que consomem tempo O(nlgn). Existe algoritmo assintoticamente melhor?
5 Algoritmos p. 3/25 Ordenação: limite inferior Problema: Rearranjar um vetor A[1..n] de modo que ele fique em ordem crescente. Existem algoritmos que consomem tempo O(nlgn). Existe algoritmo assintoticamente melhor? NÃO, se o algoritmo é baseado em comparações. Prova?
6 Algoritmos p. 3/25 Ordenação: limite inferior Problema: Rearranjar um vetor A[1..n] de modo que ele fique em ordem crescente. Existem algoritmos que consomem tempo O(nlgn). Existe algoritmo assintoticamente melhor? NÃO, se o algoritmo é baseado em comparações. Prova? Qualquer algoritmo baseado em comparações é uma árvore de decisão.
7 Algoritmos p. 4/25 Exemplo ORDENA-POR-INSERÇÃO (A[1.. 3]): SIM A[1] A[2]? NÃO A[2] A[3]? A[1] A[3]? SIM NÃO SIM NÃO A[1] A[2] A[3] A[1] A[3]? A[2]<A[1] A[3] A[2] A[3]? SIM NÃO SIM NÃO A[1] A[3]<A[2] A[3]<A[1] A[2] A[2] A[3] A[1] A[3]<A[2]<A[1]
8 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n].
9 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso?
10 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão.
11 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas.
12 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas. Toda árvore binária de altura h tem no máximo 2 h folhas.
13 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas. Toda árvore binária de altura h tem no máximo 2 h folhas. Prova: Por indução em h. A afirmação vale para h = 0.
14 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas. Toda árvore binária de altura h tem no máximo 2 h folhas. Prova: Por indução em h. A afirmação vale para h = 0. Suponha que a afirmação vale para toda árvore binária de altura menor que h, para h 1.
15 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas. Toda árvore binária de altura h tem no máximo 2 h folhas. Prova: Por indução em h. A afirmação vale para h = 0. Suponha que a afirmação vale para toda árvore binária de altura menor que h, para h 1. Número de folhas de árvore de altura h é a soma do número de folhas das subárvores, que têm altura h 1.
16 Algoritmos p. 5/25 Limite inferior Considere uma árvore de decisão para A[1..n]. Número de comparações, no pior caso? Resposta: altura, h, da árvore de decisão. Todas as n! permutações de 1,..., n devem ser folhas. Toda árvore binária de altura h tem no máximo 2 h folhas. Prova: Por indução em h. A afirmação vale para h = 0. Suponha que a afirmação vale para toda árvore binária de altura menor que h, para h 1. Número de folhas de árvore de altura h é a soma do número de folhas das subárvores, que têm altura h 1. Logo, o número de folhas de uma árvore de altura h é 2 2 h 1 = 2 h.
17 Algoritmos p. 6/25 Limite inferior Assim, devemos ter 2 h n!, donde h lg(n!).
18 Algoritmos p. 6/25 Limite inferior Assim, devemos ter 2 h n!, donde h lg(n!). (n!) 2 = n 1 (n i)(i+1) n n = n n i=0 i=1
19 Algoritmos p. 6/25 Limite inferior Assim, devemos ter 2 h n!, donde h lg(n!). (n!) 2 = n 1 (n i)(i+1) n n = n n i=0 i=1 Portanto, h lg(n!) 1 2 nlgn.
20 Algoritmos p. 6/25 Limite inferior Assim, devemos ter 2 h n!, donde h lg(n!). (n!) 2 = n 1 (n i)(i+1) n n = n n i=0 i=1 Portanto, h lg(n!) 1 2 nlgn. Alternativamente, a fórmula de Stirling diz que n! = 2πn ( n) n(1+θ( 1 e n )).
21 Algoritmos p. 6/25 Limite inferior Assim, devemos ter 2 h n!, donde h lg(n!). (n!) 2 = n 1 (n i)(i+1) n n = n n i=0 i=1 Portanto, h lg(n!) 1 2 nlgn. Alternativamente, a fórmula de Stirling diz que n! = 2πn ( n) n(1+θ( 1 e n )). Disso, temos que h lg(n!) lg ( n e ) n = n(lgn lge).
22 Algoritmos p. 7/25 Conclusão Todo algoritmo de ordenação baseado em comparações faz Ω(nlgn) comparações no pior caso.
23 Algoritmos p. 8/25 Counting Sort Recebe inteiros n e k, e um vetor A[1..n] onde cada elemento é um inteiro entre 1 e k.
24 Algoritmos p. 8/25 Counting Sort Recebe inteiros n e k, e um vetor A[1..n] onde cada elemento é um inteiro entre 1 e k. Devolve um vetor B[1.. n] com os elementos de A[1..n] em ordem crescente.
25 Algoritmos p. 8/25 Counting Sort Recebe inteiros n e k, e um vetor A[1..n] onde cada elemento é um inteiro entre 1 e k. Devolve um vetor B[1.. n] com os elementos de A[1..n] em ordem crescente. COUNTINGSORT(A, n) 1 para i 1 até k faça 2 C[i] 0 3 para j 1 até n faça 4 C[A[j]] C[A[j]]+1 5 para i 2 até k faça 6 C[i] C[i]+C[i 1] 7 para j n decrescendo até 1 faça 8 B[C[A[j]]] A[j] 9 C[A[j]] C[A[j]] 1 10 devolva B
26 Algoritmos p. 9/25 Consumo de tempo linha consumo na linha 1 Θ(k) 2 O(k) 3 Θ(n) 4 O(n) 5 Θ(k) 6 O(k) 7 Θ(n) 8 O(n) 9 O(n) 10 Θ(1) total????
27 Algoritmos p. 9/25 Consumo de tempo linha consumo na linha 1 Θ(k) 2 O(k) 3 Θ(n) 4 O(n) 5 Θ(k) 6 O(k) 7 Θ(n) 8 O(n) 9 O(n) 10 Θ(1) total Θ(k + n)
28 Algoritmos p. 10/25 Counting Sort COUNTINGSORT(A, n) 1 para i 1 até k faça 2 C[i] 0 3 para j 1 até n faça 4 C[A[j]] C[A[j]]+1 5 para i 2 até k faça 6 C[i] C[i]+C[i 1] 7 para j n decrescendo até 1 faça 8 B[C[A[j]]] A[j] 9 C[A[j]] C[A[j]] 1 10 devolva B Consumo de tempo: Θ(k + n) Se k = O(n), o consumo de tempo é Θ(n).
29 Algoritmos p. 11/25 Radix Sort Algoritmo usado para ordenar inteiros não-negativos com d dígitos cartões perfurados registros cuja chave tem vários campos
30 Algoritmos p. 11/25 Radix Sort Algoritmo usado para ordenar inteiros não-negativos com d dígitos cartões perfurados registros cuja chave tem vários campos dígito 1: menos significativo dígito d: mais significativo
31 Algoritmos p. 11/25 Radix Sort Algoritmo usado para ordenar inteiros não-negativos com d dígitos cartões perfurados registros cuja chave tem vários campos dígito 1: menos significativo dígito d: mais significativo RADIXSORT(A, n, d) 1 para i 1 até d faça 2 ORDENE(A, n, i)
32 Algoritmos p. 11/25 Radix Sort Algoritmo usado para ordenar inteiros não-negativos com d dígitos cartões perfurados registros cuja chave tem vários campos dígito 1: menos significativo dígito d: mais significativo RADIXSORT(A, n, d) 1 para i 1 até d faça 2 ORDENE(A, n, i) ORDENE(A, n, i): ordena A[1.. n] pelo i-ésimo dígito dos números em A por meio de um algoritmo estável.
33 Algoritmos p. 12/25 Estabilidade Um algoritmo de ordenação é estável se sempre que, inicialmente, A[i] = A[j] para i < j, a cópia A[i] termina em uma posição menor do vetor que a cópia A[j].
34 Algoritmos p. 12/25 Estabilidade Um algoritmo de ordenação é estável se sempre que, inicialmente, A[i] = A[j] para i < j, a cópia A[i] termina em uma posição menor do vetor que a cópia A[j]. Isso só é relevante quando temos informação satélite.
35 Algoritmos p. 12/25 Estabilidade Um algoritmo de ordenação é estável se sempre que, inicialmente, A[i] = A[j] para i < j, a cópia A[i] termina em uma posição menor do vetor que a cópia A[j]. Isso só é relevante quando temos informação satélite. Quais dos algoritmos que vimos são estáveis?
36 Algoritmos p. 12/25 Estabilidade Um algoritmo de ordenação é estável se sempre que, inicialmente, A[i] = A[j] para i < j, a cópia A[i] termina em uma posição menor do vetor que a cópia A[j]. Isso só é relevante quando temos informação satélite. Quais dos algoritmos que vimos são estáveis? inserção direta? seleção direta? bubblesort? mergesort? quicksort? heapsort? countingsort?
37 Algoritmos p. 13/25 Consumo de tempo do Radixsort Depende do algoritmo ORDENE.
38 Algoritmos p. 13/25 Consumo de tempo do Radixsort Depende do algoritmo ORDENE. Se cada dígito é um inteiro de 1 a k, então podemos usar o COUNTINGSORT.
39 Algoritmos p. 13/25 Consumo de tempo do Radixsort Depende do algoritmo ORDENE. Se cada dígito é um inteiro de 1 a k, então podemos usar o COUNTINGSORT. Neste caso, o consumo de tempo é Θ(d(k +n)).
40 Algoritmos p. 13/25 Consumo de tempo do Radixsort Depende do algoritmo ORDENE. Se cada dígito é um inteiro de 1 a k, então podemos usar o COUNTINGSORT. Neste caso, o consumo de tempo é Θ(d(k +n)). Se d é limitado por uma constante (ou seja, se d = O(1)) e k = O(n), então o consumo de tempo é Θ(n).
41 Algoritmos p. 14/25 Bucket Sort Recebe um inteiro n e um vetor A[1..n] onde cada elemento é um número no intervalo [0,1).
42 Algoritmos p. 14/25 Bucket Sort Recebe um inteiro n e um vetor A[1..n] onde cada elemento é um número no intervalo [0,1). A
43 Algoritmos p. 14/25 Bucket Sort Recebe um inteiro n e um vetor A[1..n] onde cada elemento é um número no intervalo [0,1). A Devolve um vetor C[1.. n] com os elementos de A[1..n] em ordem crescente.
44 Algoritmos p. 14/25 Bucket Sort Recebe um inteiro n e um vetor A[1..n] onde cada elemento é um número no intervalo [0,1). A Devolve um vetor C[1.. n] com os elementos de A[1..n] em ordem crescente. C
45 Algoritmos p. 15/25 Exemplo
46 Algoritmos p. 15/25 Exemplo B[0] :.03 B[1] :.12 B[2] : B[3] :.38 B[4] : B[5] : B[6] :.62 B[7] :.77 B[8] :.82 B[9] :.93.91
47 Algoritmos p. 15/25 Exemplo B[0] :.03 B[1] :.12 B[2] : B[3] :.38 B[4] : B[5] : B[6] :.62 B[7] :.77 B[8] :.82 B[9] :.91.93
48 Algoritmos p. 16/25 Exemplo B[0] :.03 B[1] :.12 B[2] : B[3] :.38 B[4] : B[5] : B[6] :.62 B[7] :.77 B[8] :.82 B[9] :
49 Algoritmos p. 17/25 Bucket Sort Recebe um inteiro n e um vetor A[1..n] onde cada elemento é um número no intervalo [0,1). Devolve um vetor C[1.. n] com os elementos de A[1..n] em ordem crescente. BUCKETSORT(A, n) 1 para i 0 até n 1 faça 2 B[i] NIL 3 para i 1 até n faça 4 INSIRA(B[ n A[i] ], A[i]) 5 para i 0 até n 1 faça 6 ORDENELISTA(B[i]) 7 C CONCATENE(B, n) 8 devolva C
50 Algoritmos p. 18/25 Bucket Sort BUCKETSORT(A, n) 1 para i 0 até n 1 faça 2 B[i] NIL 3 para i 1 até n faça 4 INSIRA(B[ n A[i] ], A[i]) 5 para i 0 até n 1 faça 6 ORDENELISTA(B[i]) 7 C CONCATENE(B, n) 8 devolva C INSIRA(p,x): insere x na lista apontada por p ORDENELISTA(p): ordena a lista apontada por p CONCATENE(B,n): devolve a lista obtida da concatenação das listas apontadas por B[0],...,B[n 1].
51 Algoritmos p. 19/25 Consumo de tempo Suponha que os números em A[1..n] são uniformemente distribuídos no intervalo [0,1). Suponha que o ORDENELISTA seja o INSERTIONSORT.
52 Algoritmos p. 19/25 Consumo de tempo Suponha que os números em A[1..n] são uniformemente distribuídos no intervalo [0,1). Suponha que o ORDENELISTA seja o INSERTIONSORT. Seja X i o número de elementos na lista B[i].
53 Algoritmos p. 19/25 Consumo de tempo Suponha que os números em A[1..n] são uniformemente distribuídos no intervalo [0,1). Suponha que o ORDENELISTA seja o INSERTIONSORT. Seja X i o número de elementos na lista B[i]. Seja X ij = { 1 se o j-ésimo elemento foi para a lista B[i] 0 se o j-ésimo elemento não foi para a lista B[i].
54 Algoritmos p. 19/25 Consumo de tempo Suponha que os números em A[1..n] são uniformemente distribuídos no intervalo [0,1). Suponha que o ORDENELISTA seja o INSERTIONSORT. Seja X i o número de elementos na lista B[i]. Seja X ij = { 1 se o j-ésimo elemento foi para a lista B[i] 0 se o j-ésimo elemento não foi para a lista B[i]. Observe que X i = j X ij.
55 Algoritmos p. 19/25 Consumo de tempo Suponha que os números em A[1..n] são uniformemente distribuídos no intervalo [0,1). Suponha que o ORDENELISTA seja o INSERTIONSORT. Seja X i o número de elementos na lista B[i]. Seja X ij = { 1 se o j-ésimo elemento foi para a lista B[i] 0 se o j-ésimo elemento não foi para a lista B[i]. Observe que X i = j X ij. Y i : número de comparações para ordenar a lista B[i].
56 Algoritmos p. 20/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i].
57 Algoritmos p. 20/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X i 2. Logo E[Y i ] E[X i 2 ] = E[( j X ij) 2 ].
58 Algoritmos p. 20/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X i 2. Logo E[Y i ] E[X i 2 ] = E[( j X ij) 2 ]. E[( j X ij ) 2 ] = E[ j X ij X ik ] = E[ j k X ij 2 + j X ij X ik ] k j
59 Algoritmos p. 20/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X i 2. Logo E[Y i ] E[X i 2 ] = E[( j X ij) 2 ]. E[( j X ij ) 2 ] = E[ j X ij X ik ] = E[ j k X ij 2 ]+E[ j X ij X ik ] k j
60 Algoritmos p. 20/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X i 2. Logo E[Y i ] E[X i 2 ] = E[( j X ij) 2 ]. E[( j X ij ) 2 ] = E[ j X ij X ik ] = E[X 2 ij ]+ j j k k j E[X ij X ik ]
61 Algoritmos p. 21/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X 2 i. Ademais, E[Y i ] E[X 2 ij ]+ E[X ij X ik ]. j j k j
62 Algoritmos p. 21/25 Consumo de tempo X i : número de elementos na lista B[i] { 1 se o j-ésimo elemento foi para a lista B[i] X ij = 0 se o j-ésimo elemento não foi para a lista B[i]. } Y i : número de comparações para ordenar a lista B[i]. Observe que Y i X i 2. Ademais, E[Y i ] j E[X ij 2 ]+ j E[X ij X ik ]. k j Observe que X ij 2 é uma variável aleatória binária. Vamos calcular sua esperança: E[X ij 2 ] = Pr[X ij 2 = 1] = Pr[X ij = 1] = 1 n.
63 Algoritmos p. 22/25 Consumo de tempo Para calcular E[X ij X ik ] para j k, primeiro note que X ij e X ik são variáveis aleatórias independentes. Portanto, E[X ij X ik ] = E[X ij ]E[X ik ]. Ademais, E[X ij ] = Pr[X ij = 1] = 1 n.
64 Consumo de tempo Para calcular E[X ij X ik ] para j k, primeiro note que X ij e X ik são variáveis aleatórias independentes. Portanto, E[X ij X ik ] = E[X ij ]E[X ik ]. Ademais, E[X ij ] = Pr[X ij = 1] = 1 n. Logo, E[Y i ] j 1 n + j k j 1 n 2 = n n +n(n 1) 1 n 2 = 1+(n 1) 1 n = 2 1 n. Algoritmos p. 22/25
65 Algoritmos p. 23/25 Consumo de tempo Agora, seja Y = i Y i. Note que Y é o número de comparações realizadas pelo BUCKETSORT no total. Assim E[Y] é o número esperado de comparações realizadas pelo algoritmo, e tal número determina o consumo assintótico de tempo do BUCKETSORT. Mas então E[Y] = i E[Y i] 2n 1 = O(n).
66 Algoritmos p. 23/25 Consumo de tempo Agora, seja Y = i Y i. Note que Y é o número de comparações realizadas pelo BUCKETSORT no total. Assim E[Y] é o número esperado de comparações realizadas pelo algoritmo, e tal número determina o consumo assintótico de tempo do BUCKETSORT. Mas então E[Y] = i E[Y i] 2n 1 = O(n). O consumo de tempo esperado do BUCKETSORT quando os números em A[1..n] são uniformemente distribuídos no intervalo [0,1) é O(n).
67 Algoritmos p. 24/25 Exercícios Exercício 7.A Desenhe a árvore de decisão para o SELECTIONSORT aplicado a A[1..3] com todos os elementos distintos. Exercício 7.B [CLRS 8.1-1] Qual o menor profundidade (= menor nível) que uma folha pode ter em uma árvore de decisão que descreve um algoritmo de ordenação baseado em comparações? Exercício 7.C [CLRS 8.1-2] Mostre que lg(n!) = Ω(nlgn) sem usar a fórmula de Stirling. Sugestão: Calcule n k=n/2lgk. Use as técnicas de CLRS A.2.
68 Algoritmos p. 25/25 Exercícios Exercício 7.D [CLRS 8.2-1] Simule a execução do COUNTINGSORT usando como entrada o vetor A[1..11] = 7,1,3,1,2,4,5,7,2,4,3. Exercício 7.E [CLRS 8.2-2] Mostre que o COUNTINGSORT é estável. Exercício 7.F [CLRS 8.2-3] Suponha que o para da linha 7 do COUNTINGSORT é substituído por 7 para j 1 até n faça Mostre que o ainda funciona. O algoritmo resultante continua estável?
Ordenação em tempo linear
Ordenação em tempo linear CLRS cap 8 Algoritmos p. 1 Ordenação: limite inferior Problema: Rearranjar um vetor A[1..n] de modo que ele fique em ordem crescente. Existem algoritmos que consomem tempo O(n
Quão rápido podemos ordenar? Aula07-LimiteInferiorpara Ordenação. Quão rápido podemos ordenar? Árvore de Decisão- Exemplo. Ordenação em Tempo Linear
Quão rápido podemos ordenar? Aula07-LimiteInferiorpara Ordenação Ordenação em Tempo Linear Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Um algoritmo baseado em comparação para
Análise de Algoritmos
Análise de Algoritmos CLRS 2.3, 3.2, 4.1 e 4.2 Essas transparências foram adaptadas das transparências do Prof. Paulo Feofiloff e do Prof. José Coelho de Pina. Algoritmos p. 1 Número de inversões Problema:
Análise e Síntese de Algoritmos. Revisão CLRS, Cap. 7-10
Análise e Síntese de Algoritmos Revisão CLRS, Cap. 7-10 Contexto Revisão Algoritmos e complexidade Notação Fundamentos: somatórios, recorrências, etc. Exemplos de algoritmos Ordenação Procura Selecção
Mergesort. Aula 04. Algoritmo Mergesort. Divisão e Conquista. Divisão e Conquista- MergeSort
Mergesort Aula 0 Divisão e Conquista- MergeSort Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Mergesort é um algoritmo de ordenação recursivo Ele recursivamente ordena as duas
Análise amortizada CLRS 17. Algoritmos p. 1
Análise amortizada CLRS 17 Algoritmos p. 1 Análise amortizada Serve para analisar uma sequência de operações ou iterações onde o pior caso individual não reflete o pior caso da sequência. Em outras palavras,
Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula
Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula Tópicos Introdução Ordenação por bolha (bubble sort)
Aula 03 Limite assintótico para a ordenação, Ordenação em tempo linear
MC3305 Algoritmos e Estruturas de Dados II Aula 03 Limite assintótico para a ordenação, Ordenação em tempo linear Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 2 Ordenação Ordenar corresponde
Estruturas de Dados 2
Estruturas de Dados 2 Técnicas de Projeto de Algoritmos Dividir e Conquistar IF64C Estruturas de Dados 2 Engenharia da Computação Prof. João Alberto Fabro - Slide 1/83 Projeto de Algoritmos por Divisão
FACULDADE DE IMPERATRIZ - FACIMP BACHARELADO EM SISTEMAS DE INFORMAÇÃO ESTRUTURA DE DADOS 2. Vieira Lima Junior. Everson Santos Araujo
1 FACULDADE DE IMPERATRIZ - FACIMP BACHARELADO EM SISTEMAS DE INFORMAÇÃO ESTRUTURA DE DADOS 2 Vieira Lima Junior Everson Santos Araujo ALGORITMOS DE ORDENAÇÃO: estudo comparativo de diversos algoritmos
Análise de algoritmos
Análise de algoritmos Recorrências Conteúdo Introdução O método mestre Referências Introdução O tempo de execução de um algoritmo recursivo pode frequentemente ser descrito por uma equação de recorrência.
Ordenação em Memória Primária Estrutura de Dados II
- Centro de Ciências Exatas, Naturais e de Saúde Departamento de Computação Ordenação em Memória Primária Estrutura de Dados II Estrutura de Dados II COM10078-2017-I Prof. Marcelo Otone Aguiar marcelo.aguiar@ufes.br
Ordenação de Dados (III) HeapSort
UFSC-CTC-INE INE53 - Estruturas de Dados Ordenação de Dados (III) Prof. Ronaldo S. Mello 00/ HeapSort HeapSort também é um método de seleção ordena através de sucessivas seleções do elemento correto a
Estruturas de Dados 2
Estruturas de Dados 2 Recorrências IF64C Estruturas de Dados 2 Engenharia da Computação Prof. João Alberto Fabro - Slide 1/31 Recorrências Análise da Eficiência de Algoritmos: Velocidade de Execução; Análise
Métodos de Ordenação Parte 3
Estrutura de Dados II Métodos de Ordenação Parte 3 Prof a Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Material baseado nos materiais do Prof. Robson Lins Classificação em Memória Primária
Complexidade Assintótica de Programas Letícia Rodrigues Bueno
Complexidade Assintótica de Programas Letícia Rodrigues Bueno Análise de Algoritmos 1. Introdução; Análise de Algoritmos 1. Introdução; 2. Conceitos básicos; Análise de Algoritmos 1. Introdução; 2. Conceitos
Busca Binária. Aula 05. Busca em um vetor ordenado. Análise do Busca Binária. Equações com Recorrência
Busca Binária Aula 05 Equações com Recorrência Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Idéia: Divisão e Conquista Busca_Binária(A[l...r],k) 1:if r < lthen 2: index = 1
Algoritmos de Ordenação e Pesquisa. Marco Antonio Moreira de Carvalho Algoritmos e Estrutura de Dados
Algoritmos de Ordenação e Pesquisa Marco Antonio Moreira de Carvalho Algoritmos e Estrutura de Dados Bibliografia Básica l Cormen, Leiserson, Rivest. Introduction to Algorithms. 2nd edition. MIT Press,
2. Ordenação por Seleção
1 Algoritmos de Ordenação Simples (SelectionSort, InsertionSort, BubbleSort) 1. Introdução Objetivo: Determinar a seqüência ordenada dos elementos de um vetor numérico. Algumas considerações: O espaço
FACULDADE CAMPO LIMPO PAULISTA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto a Análise de Algoritmos I Lista de Exercícios 1
FACULDADE CAMPO LIMPO PAULISTA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO Projeto a Análise de Algoritmos I Lista de Exercícios 1 Prof. Osvaldo. 1. Descreva alguns problemas associados ao emprego de metodologias
Métodos de Ordenação
Métodos de Ordenação Conceitos básicos sobre ordenação Ordenar corresponde ao processo de rearranjar um conjunto de objetos em uma ordem específica. Objetivo da ordenação: facilitar a recuperação posterior
Método BubbleSort. Estrutura de Dados II Prof Jairo Francisco de Souza
Método BubbleSort Estrutura de Dados II Prof Jairo Francisco de Souza Introdução Ordenar corresponde ao processo de reorganizar um conjunto de objetos em uma ordem ascendente ou descendente Consiste em
Análise e Projeto de Algoritmos
Análise e Projeto de Algoritmos Mestrado em Ciência da Computação Prof. Dr. Aparecido Nilceu Marana Faculdade de Ciências I think the design of efficient algorithms is somehow the core of computer science.
3. Conteúdo de um vértice v é conteúdo dos filhos de v.
Árvore Hierárquica Em inglês é chamada de Heap. Representar: conjunto C de elementos com relação. Operações: Ins x,c (inserir x em C e ExMax C (extrair o máximo do conjunto). Chamado também de Fila de
I. Correção de Algoritmos Não-Recursivos
I. Correção de Algoritmos Não-Recursivos Nos exercícios a seguir, você deverá demonstrar a correção dos algoritmos por meio dos conceitos vistos nos slides da Aula 03. 1) Prove que o seguinte algoritmo
Análise de Algoritmos: Melhor caso, pior caso, caso médio
Análise de Algoritmos: Melhor caso, pior caso, caso médio Fernando Lobo Algoritmos e Estrutura de Dados II 1 / 25 Sumário Rever um problema e um algoritmo que já conhecem. Descrevê-lo em pseudo-código
Estrutura de Dados. Algoritmos de Ordenação. Prof. Othon M. N. Batista Mestre em Informática
Estrutura de Dados Algoritmos de Ordenação Prof. Othon M. N. Batista Mestre em Informática Roteiro Introdução Ordenação por Inserção Insertion Sort Ordenação por Seleção Selection Sort Ordenação por Bolha
Pesquisa em Memória Primária. Prof. Jonas Potros
Pesquisa em Memória Primária Prof. Jonas Potros Procedimento para Inserir na Árvore Binária Critérios: Atingir um ponteiro nulo em um processo de pesquisa significa uma pesquisa sem sucesso. O ponteiro
Algoritmos Eficientes de Ordenação
AED 2002/2003 p.1/22 Algoritmos Eficientes de Ordenação Quick Sort Merge Sort Heap Sort Utilizar informação das chaves: Counting Sort Radix Sort AED 2002/2003 p.2/22 Quick Sort int partition(item a[],
Anatomia do motor de um programa de xadrez. Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina
Anatomia do motor de um programa de xadrez Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina Conteúdo Objetivo O que é um motor de xadrez? Arquitetura Entrada e saída Representação do tabuleiro
Projeto e Análise de Algoritmos
Projeto e Análise de Algoritmos Conceitos básicos Metodo de provas: Indução Diane Castonguay diane@inf.ufg.br Instituto de Informática Universidade Federal de Goiás Notações = para todo = existe! = único
Resolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento
Resolução de sistemas de equações lineares: Método de eliminação de Gauss - estratégias de pivotamento Marina Andretta ICMC-USP 28 de março de 2012 Baseado no livro Análise Numérica, de R. L. Burden e
ORDENAÇÃO E BUSCA 1. MÉTODOS DE ORDENAÇÃO
ORDENAÇÃO E BUSCA Em computação, freqüentemente, armazenamos dados que, mais tarde, precisam ser recuperados. Como veremos, a eficiência na busca de informações depende, essencialmente, da ordem em que
Lista de exercícios sobre contagem de operações Prof. João B. Oliveira
Lista de exercícios sobre contagem de operações Prof. João B. Oliveira 1. metodo m ( Vetor V ) int i, res = 0; para i de 1 a V.size res = res + V[i]; return res; Soma de elementos de um vetor, O( ). 2.
Sistemas Distribuídos: Princípios e Algoritmos Introdução à Análise de Complexidade de Algoritmos
Sistemas Distribuídos: Princípios e Algoritmos Introdução à Análise de Complexidade de Algoritmos Francisco José da Silva e Silva Laboratório de Sistemas Distribuídos (LSD) Departamento de Informática
Memória secundária. Memória secundária
introdução ordenação interna ordenação externa ordenar processo de rearranjar um conjunto de itens em uma ordem ascendente ou descendente visa facilitar a recuperação posterior de itens do conjunto ordenado
Aula 04 Ordenação parcial
MC3305 Algoritmos e Estruturas de Dados II Aula 04 Ordenação parcial Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Ordenação Limite assintótico para algoritmos de ordenação baseadas em comparações
Algoritmos. para concursos. Questões comentadas
Algoritmos para concursos Questões comentadas Prefácio Um algoritmo é um conjunto de operações em sequência para resolver determinado problema. A noção de algoritmo é extremamente importante para a computação.
Algoritmos de Ordenação
CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE COMPUTAÇÃO TEORIA DA COMPUTAÇÃO Algoritmos de Ordenação Alunos: André Ricardo Gonçalves Luiz Gustavo Andrade dos Santos Paulo Roberto Silla Profa. Linnyer Beatrys
O mais leve e o mais pesado Algoritmos de Ordenação
Atividade 7 O mais leve e o mais pesado Algoritmos de Ordenação Sumário Os computadores são muitas vezes utilizados para colocar listas em algum tipo de ordem, por exemplo, nomes em ordem alfabética, compromissos
Algoritmos de Ordenação Eficiência de Algoritmos
AlgoritmosdeOrdenação EficiênciadeAlgoritmos Antes de abordarmos os algoritmo de ordenac ão iremos falar umpoucosobreaeficiênciadealgoritmos UniversidadedeSãoPaulo InstitutodeCiênciasMatemáticasedeComputação
Aula 05 Ordenação parcial
MC3305 Algoritmos e Estruturas de Dados II Aula 05 Ordenação parcial Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Ordenação parcial (seleção do k-éssimo maior) Consiste em obter os k primeiros
Algoritmos de ordenação Heapsort
Algoritmos de ordenação Heapsort Sumário Introdução A estrutura de dados heap Definição Manutenção da propriedade de heap A construção de um heap O algoritmo heapsort Introdução Características do heapsort
MÉTODOS DE CLASSIFICAÇÃO EM MEMÓRIA PRIMÁRIA. George Gomes Cabral
MÉTODOS DE CLASSIFICAÇÃO EM MEMÓRIA PRIMÁRIA George Gomes Cabral MÉTODOS DE CLASSIFICAÇÃO EM MEMÓRIA PRIMÁRIA Métodos Elementares Classificação por Trocas Método da Bolha Bubblesort Método de Partição
Árvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Programação II Aula 07
Engenharias de Produção e Petróleo Programação II Aula 07 Adan Lucio P. Rodovia BR 101 Norte, Km. 60, Bairro Litorâneo, CEP 29932-540, São Mateus ES, Tel.: +55 (27) 3312-1511 - CEUNES Métodos de Ordenação
Análise de algoritmos
Análise de algoritmos Heapsort Prof. Flávio Rogério Uber Autor: Prof. Marco Aurélio Lopes Barbosa (UEM/DIN) Conteúdo Introdução A estrutura de dados heap Definição Manutenção da propriedade de heap A construção
ST364 Estruturas de Dados Grupo 4 apresenta: Seminário MERGESORT Blog - http://grupomergesort.blogspot.com
ST364 Estruturas de Dados Grupo 4 apresenta: Seminário MERGESORT Blog - http://grupomergesort.blogspot.com Apresentação do Grupo André Pereira Giacon Dandara Contieri Folis Diego Narciso Hernandes Fernanda
Comparando, Distribuindo e Ordenando
Capítulo 5 Comparando, Distribuindo e Ordenando Algoritmos de ordenação podem ser agrupados tendo-se como base o comportamento da sua função de custo: Quadrática, NlogN e Linear. Os algoritmos de custo
AULA 24. Algoritmos p.856/905
AULA 24 Algoritmos p.856/905 Máximo divisor comum CLRS 31.1 e 31.2 Algoritmos p.857/905 Divisibilidade Suponha que a, b e d são números inteiros. Dizemos que d divide a se a = k d para algum número inteiro
Algoritmos e Estruturas de Dados II. Ordenação
Algoritmos e Estruturas de Dados II Ordenação Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br http://www.dcc.ufmg.br/~loureiro UFMG/ICEx/DCC Algoritmos e Estruturas de Dados II 1 Sumário Introdução:
Exercícios: Vetores e Matrizes
Universidade Federal de Uberlândia - UFU Faculdade de Computação - FACOM Lista de exercícios de programação em linguagem C Exercícios: Vetores e Matrizes 1 Vetores 1. Faça um programa que possua um vetor
Quicksort Letícia Rodrigues Bueno
Quicksort Letícia Rodrigues Bueno UFABC Quicksort Legenda: pivô; 1 a partição: ; 2 a partição: Quicksort Legenda: pivô; 1 a partição: ; 2 a partição: Quicksort Legenda: pivô; 1 a partição: ; 2 a partição:
Introdução à Análise de Algoritmos
Quanto tempo leva a execução de determinado algoritmo? Quando temos dois algoritmos que fazem a mesma coisa, qual deles leva menos tempo? A análise do algoritmo preocupa-se com as questões acima. É sempre
Árvore Binária de Busca
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvores binárias de busca do capítulo 4 do livro N. Wirth. Algorithms
Resolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 5 de fevereiro de 2014 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Ordenação e Pesquisa de Dados. Aula 07 Insertion Sort e Bubble Sort
Ordenação e Pesquisa de Dados Aula 07 Insertion Sort e Bubble Sort Felipe S. L. G. Duarte felipelageduarte+fatece@gmail.com Algoritmos de Ordenação A partir de agora iremos estudar os seguintes algoritmos
QuickSort CI/2015. Análise e Projeto de Algoritmos. - Prof. Lucídio A. F. Cabral
QuickSort 1 Quicksort A[p q] A[q+1 r] Ordena um vetor A[p r] Divisão Particiona um vetor A em 2 subvetores A[p..q] e A[q+1..r], de tal modo que cada elemento de A[p..q] seja menor ou igual a cada elemento
Algoritmos e Estruturas de Dados I1 Prof. Eduardo 1
Algoritmos e Estruturas de Dados I1 Prof. Eduardo 1 ORDENAÇÃO E BUSCA Ordenação: Bublesort, seleção direta e inserção direta. Busca: linear e binária 1 - ORDENAÇÃO (CLASSIFICAÇÃO) DE DADOS Em diversas
Divisão e Conquista. Norton T. Roman. Apostila baseada nos trabalhos de Cid de Souza, Cândida da Silva e Delano M. Beder
Divisão e Conquista Norton T. Roman Apostila baseada nos trabalhos de Cid de Souza, Cândida da Silva e Delano M. Beder Divisão e Conquista Construção incremental Ex: Consiste em, inicialmente, resolver
1. Proponha algoritmos para: a. Calcular a altura dos nós de uma árvore binária dada, armazenando o valor da altura no nó.
1. Proponha algoritmos para: a. Calcular a altura dos nós de uma árvore binária dada, armazenando o valor da altura no nó. b. Achar o maior elemento (campo numérico) de uma árvore binária dada. c. Trocar
Aula 19 Conjuntos disjuntos (Union-find)
MC3305 Algoritmos e Estruturas de Dados II Aula 19 Conjuntos disjuntos (Union-find) Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Números de Ackermann 2 3 Ackermann A função de Ackermann
Universidade da Madeira. 1. Recursão. 3. Busca. Profa. Dra. Laura Rodríguez Estruturas de dados e algoritmos 2
Profa. Dra. Laura Rodríguez E-mail: lmrodrig@uma.pt Universidade da Madeira 1. Recursão 2. Ordenação 3. Busca Profa. Dra. Laura Rodríguez Estruturas de dados e algoritmos 2 1 1. Recursão 2. Ordenação 3.
Análise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto e Análise de Algoritmos II Lista de Exercícios 2
FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO Projeto e Análise de Algoritmos II Lista de Exercícios 2 Prof. Osvaldo. 1. Desenvolva algoritmos para as operações abaixo e calcule a complexidade
TÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Resolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de agosto de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Algoritmos de Classificação de Tabelas - Sorting
Revisado em 03Out13 - Sorting A classificação de tabelas e conjuntos de dados é uma operação bastante usada em qualquer área da computação. Os algoritmos de classificação estão dentre os algoritmos fundamentais.
Interpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 16 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/20 4 - INTROD. À ANÁLISE COMBINATÓRIA 4.1) Arranjos
Resolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de fevereiro de 2015 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Estruturas de Dados. Cristina Gomes Fernandes. Estruturas de Dados p. 1
Estruturas de Dados Cristina Gomes Fernandes Estruturas de Dados p. 1 ABBs rubro-negras Uma ABB é rubro-negra se 1. todo nó é rubro ou negro 2. toda folha (NIL) é negra 3. se um nó é rubro, então seus
Árvores B. Prof. Flávio Humberto Cabral Nunes
Árvores B Prof. Flávio Humberto Cabral Nunes Conteúdo 1. Introdução 2. Busca 3. Inserção 4. Remoção 5. B* 6. B+ Capítulo: 8 (APOSTILA). Introdução Em muitas aplicações, a tabela considerada é muito grande
DAINF - Departamento de Informática
DAINF - Departamento de Informática Algoritmos 2 - Árvore binária de busca Prof. Alex Kutzke ( http://alex.kutzke.com.br/courses ) 30 de Novembro de 2015 Slides adaptados do material produzido pelo Prof.
Simulador didático de testes de algoritmos de ordenação
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE INFORMÁTICA Simulador didático de testes de algoritmos de ordenação Nomes: Bruno Silva Guedes (159033) Matheus de Carvalho Proença (160184) Turma:
Linguagem C vetores multidimensionais
Linguagem C vetores multidimensionais IF61A/IF71A - Computação 1 Prof. Leonelo Almeida Universidade Tecnológica Federal do Paraná Até agora... Introdução à linguagem C... Operadores aritméticos, de comparação
Complexidade de Algoritmos
Complexidade de Algoritmos! Uma característica importante de qualquer algoritmo é seu tempo de execução! é possível determiná-lo através de métodos empíricos, considerando-se entradas diversas! é também
MC102 - Algoritmos e programação de computadores. Aula 16: Busca e Ordenação em vetores
MC102 - Algoritmos e programação de computadores Aula 16: Busca e Ordenação em vetores Busca Dada uma coleção de n elementos, pretende-se saber se um determinado elemento valor está presente nessa coleção.
INF1010 Lista de Exercícios 2
INF00 Lista de Exercícios 2 Árvores. Construir algoritmo para dada uma árvore n-ária, transformá-la em uma árvore binária. 2. Qual a maior e menor quantidade de nós que podem existir em uma árvore binária
Lista de Exercícios 6: Soluções Funções
UFMG/ICEx/DCC DCC Matemática Discreta Lista de Exercícios 6: Soluções Funções Ciências Exatas & Engenharias o Semestre de 06 Conceitos. Determine e justifique se a seguinte afirmação é verdadeira ou não
Aula 3 Listas Lineares Sequenciais Ordenadas. prof Leticia Winkler
Aula 3 Listas Lineares Sequenciais Ordenadas prof Leticia Winkler 1 Listas Lineares Sequenciais Ordenadas Elementos da lista estão dispostos num vetor (contíguos na memória) e ordenado de acordo com alguma
7. Introdução à Complexidade de Algoritmos
7. Introdução à Complexidade de Algoritmos Fernando Silva DCC-FCUP Estruturas de Dados Fernando Silva (DCC-FCUP) 7. Introdução à Complexidade de Algoritmos Estruturas de Dados 1 / 1 Análise de Algoritmos
Algoritmos de Pesquisa e Ordenação em Vectores
Algoritmos de Pesquisa e Ordenação em Vectores FEUP - MIEEC Programação 2-2008/2009 Pesquisa Sequencial Problema (pesquisa de valor em vector): Verificar se um valor existe no vector e, no caso de existir,
03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II
03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2010/2 Moacir
Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula
Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula Tópicos Introdução Árvore digital Árvore digital binária
OBI2012 Caderno de soluções
OBI2012 Caderno de soluções Modalidade Programação Nível 2, Fase 2 12 de maio de 2012 Promoção: Patrocínio: Olimpíada Brasileira de Informática OBI2012 1 Álbum de fotos Dado um retângulo X Y e dois retângulos
Interpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Mochila. Dados dois vetores x[1..n] e w[1..n], denotamos por x w o produto escalar
![Mochila. Dados dois vetores x[1..n] e w[1..n], denotamos por x w o produto escalar](/thumbs/55/37377477.jpg "Mochila. Dados dois vetores x[1..n] e w[1..n], denotamos por x w o produto escalar")
Mochila Dados dois vetores x[1..n] e w[1..n], denotamos por x w o produto escalar w[1]x[1] + w[2]x[2] + + w[n]x[n]. Suponha dado um número inteiro não-negativo W e vetores positivos w[1..n] e v[1..n].
Problema de escalonamento
Problema de escalonamento Considere n tarefas indicadas pelos números 1,...,n Algoritmos p. 1 Problema de escalonamento Considere n tarefas indicadas pelos números 1,...,n t i : duração da tarefa i d i
Método Guloso. Troco mínimo. Paulo Eustáquio Duarte Pinto (pauloedp arroba ime.uerj.br) junho/2012. Troco mínimo. Troco mínimo
Notas de aula da disciplina IME - ALGORITMOS E ESTRUTURAS DE DADOS II Paulo Eustáquio Duarte Pinto (pauloedp arroba ime.uerj.br) Troco mínimo Dados os tipos de moedas de um país, determinar o número mínimo
Departamento de Engenharia Rural Centro de Ciências Agrárias. Programação I
Departamento de Engenharia Rural Centro de Ciências Agrárias Programação I Algoritmos de busca Basicamente podem ser citadas duas estratégias para procurar (ou buscar) algo em uma coleção de dados: Busca
Árvores. Thiago Martins, Fabio Gagliardi Cozman. PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo
PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo Árvore: estrutura composta por nós e arestas entre nós. As arestas são direcionadas ( setas ) e: um nó (e apenas um) é a raiz; todo nó
Métodos de Pesquisa em Memória Primária
Algoritmos e Estrutura de Dados II Métodos de Pesquisa em Memória Primária Prof Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Pesquisa Por pesquisa (procura ou busca) entende-se o ato
INF111 Programação II Aulas 11, 12, 13 Ordenação
INF Programação II Aulas,, Ordenação Departamento de Informática UFV Ordenação A ordenação é o processo de organizar um conunto (vetor) de n obetos ou registros segundo uma determinada ordem crescente
Departamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
Enunciados dos Exercícios Cap. 2 Russell & Norvig
Enunciados dos Exercícios Cap. 2 Russell & Norvig 1. (2.2) Tanto a medida de desempenho quanto a função de utilidade medem o quanto um agente está desempenhando bem suas atividades. Explique a diferença
Análise I Solução da 1ª Lista de Exercícios
FUNDAÇÃO EDUCACIONAL SERRA DOS ÓRGÃOS CENTRO UNIVERSITÁRIO SERRA DOS ÓRGÃOS Centro de Ciências e Tecnologia Curso de Graduação em Matemática Análise I 0- Solução da ª Lista de Eercícios. ATENÇÃO: O enunciado
Introdução à Teoria dos Grafos (MAC-5770) IME-USP Depto CC Profa. Yoshiko. Capítulo 3
Introdução à Teoria dos Grafos (MAC-5770) IME-USP Depto CC Profa. Yoshiko Capítulo 3 Árvores Problema: Suponha que numa cidade haja n postos telefônicos. Para que seja sempre possível haver comunicação
Aula 15 Variáveis Indexadas (vetores)
Aula 15 Variáveis Indexadas (vetores) Além das variáveis normais já conhecidas, podemos ter também variáveis indexadas. Tais variáveis são referenciadas por um nome e um índice. Especialmente úteis para