Algorytmy003

 0    15 flashcards    sg0034
download mp3 print play test yourself
 
Question Answer
Algorytmy rekurencyjne
start learning
aby rozwiązać problem wywołują same siebie (jeden lub więcej razy) przy rozwiązywaniu podobnych podproblemów
Etapy metody „dziel i zwyciężaj”: dziel
start learning
dzielimy problem na pewną liczbę podproblemów, stanowiących mniejsze egzemplarze tego samego problemu.
Etapy metody „dziel i zwyciężaj: zwyciężaj
start learning
rozwiązujemy podproblemy rekurencyjnie; jeśli rozmiary podproblemów są dostatecznie małe, to rozwiązujemy podproblemy bezpośrednio.
Etapy metody „dziel i zwyciężaj: połącz
start learning
łączymy rozwiązania podproblemów w rozwiązanie pierwotnego problemu.
Etapy metody „dziel i zwyciężaj: Sortowanie przez scalanie
start learning
Dziel: dzielimy n-elementowy ciąg na dwa podciągi po n/2 elementów kaŜdy. ZwycięŜaj: Sortujemy otrzymane podciągi, uzywając rekurencyjnie sortowania przez scalanie. Połącz: Łączymy posortowane podciągi w jeden posortowany ciąg.
Co charakteryzuje efektywność algorytmu?
start learning
Rząd wielkości funkcji opisującej czas działania algorytmu
Asymptotyczna złożoność obliczeniowa
start learning
wyznaczenie jedynie rzędu wielkości czasu działania algorytmu – interesuje nas, jak szybko wzrasta czas działania algorytmu, gdy rozmiar danych dąŜy do nieskończoności
Do opisu asymptotycznego czasu działania algorytmów korzysta się z
start learning
funkcji, których zbiorem argumentów jest zbiór liczb naturalnych:
Pesymistyczny czas działania T(n) jest zazwyczaj
start learning
funkcją rozmiaru danych wejściowych
Notację asymptotyczną moŜna równieŜ stosować do
start learning
funkcji charakteryzujących pewne inne aspekty algorytmów (np. ilość uŜywanej pamięci)
f(n) = O(g(n))
start learning
a<=b
f(n) = Omega(g(n))
start learning
a>=b
f(n) = Omikron(g(n))
start learning
a=b
f(n)=o(g(n))
start learning
a<b
f(n)=w(g(n))
start learning
a>b

You must sign in to write a comment