Föreläsning 3: Dekomposition. Dekomposition
|
|
- Christoffer Sven Sundström
- för 5 år sedan
- Visningar:
Transkript
1 Föreläsning 3: Dekomposition Dekomposition Dekomposition är en generell metod för att lösa problem Metoden bygger på att man delar upp ett problem i delproblem av samma typ som ursprungsproblemet Uppdelningen fortsätter sedan tills problemet är nerbrutet i många triviala delproblem Resultaten från delproblemen sätts sedan ihop till en lösning av ursprungsproblemet Komplexitetens beroende av problemets storlek kan oftast beräknas genom analys av ett rekursionssamband Sortering Två algoritmer för sortering i tid O(n log n): Mergesort, Ouicksort Båda bygger på dekomposition MergeSort MergeSort(v[ij]) (1) if i<j (2) m i+j 2 (3) MergeSort(v[im]) (4) MergeSort(v[m +1j]) (5) v[ij] =Merge(v[im],v[m +1j]) Låt T (N) vara tiden för att sortera N tal Då gäller { O(1) N =1 T (N) = T ( ) ( N 2 + T N ) 2 +Θ(N) annars eftersom Merge tar tid Θ(N) när indata är vektorer av längd N Denna typ av rekursionssamband är vanlig vid analys av algoritmer Master Theorem Sats För a 1, b>1 och d>0 har rekursionsekvationen lösningen T (1) = d T (n) =at (n/b)+f(n) T (n) =Θ(n log b a ) om f(n) =O(n log b a ɛ ) för något ɛ>0 T (n) =Θ(n log b a log n) om f(n) =Θ(n log b a ) T (n) =O(f(n)) om f(n) =Ω(n log b a+ɛ ) för något ɛ>0 och af(n/b) cf(n) för något c<1 för alla tillräckligt stora n Tillämpad på analysen av MergeSort fås att tidskomplexiteten är Θ(N log N)
2 Mer om dekomposition Vi vill bestämma x y där x och y binärt ges av x = x x n/2 x x 1 x 0 =2 n/2 a + b }{{}}{{} a b y = y y n/2 y y 1 y 0 =2 n/2 c + d }{{}}{{} c d För n =2 k kan vi använda dekomposition: Mult(x, y) (1) if length(x) =1 (2) return x y (3) else (4) [a, b] x (5) [c, d] y (6) prod 2 n Mult(a, c)+mult(b, d) +2 n/2 (Mult(a, d)+mult(b, c)) (7) return prod Tidskomplexitet: T (n) =4T (n/2) + Θ(n), T (1) = Θ(1) så T (n) =Θ(n 2 )
3 Karatsubas multiplikationsalgoritm Utnyttja (a + b)(c + d) =ac + bd +(ad + bc) En av de fyra multiplikationerna kan tas bort: Mult(x, y) (1) if length(x) =1 (2) return x y (3) else (4) [a, b] x (5) [c, d] y (6) ac Mult(a, c) (7) bd Mult(b, d) (8) abcd Mult(a + b, c + d) (9) return 2 n ac + bd+ 2 n/2 (abcd ac bd) Nu fås T (n) =3T (n/2)+θ(n), T (1) = Θ(1) med lösningen T (n) =Θ(n log 2 3 ) O(n 159 ) Ännu bättre prestanda kan fås om man delar talen i tre eller fler delar r delar ger O(n log r (2r 1) ) I praktiken är det inte säkert att detta lönar sig om inte n är väldigt stort Dekomposition leder till en del overhead som kan ta en stor del av tiden för små instanser Matrismultiplikation Vid multiplikation av n n-matriser kan man använda blockmatrisform: ( )( ) ( ) A11 A 12 B11 B 12 C11 C = 12 A 21 A 22 B 21 B 22 C 21 C 22 Genom sambanden C 11 = A 11 B 11 + A 12 B 21 C 12 = A 11 B 12 + A 12 B 22 C 21 = A 21 B 11 + A 22 B 21 C 22 = A 21 B 12 + A 22 B 22 får man 8 multiplikationer och således { Θ(1) n =1 T (n) = 8T (n/2) + Θ(n 2 ) n>1 och därmed T (n) =Θ(n 3 )
4 Strassens algoritm Genom sambanden M 1 =(A 12 A 22 )(B 21 + B 22 ) M 2 =(A 11 + A 22 )(B 11 + B 22 ) M 3 =(A 11 A 21 )(B 11 + B 12 ) M 4 =(A 11 + A 12 )B 22 M 5 = A 11 (B 12 B 22 ) M 6 = A 22 (B 21 B 11 ) M 7 =(A 21 + A 22 )B 11 C 11 = M 1 + M 2 M 4 + M 6 C 12 = M 4 + M 5 C 21 = M 6 + M 7 C 22 = M 2 M 3 + M 5 M 7 kan antalet multiplikationer minskas från 8 till 7 så T (n) =Θ(n log 2 7 )=O(n 281 ) Snabb Fouriertransform (FFT) Givet två polynom A(x) = a jx j och B(x) = b jx j, hur bestämmer man effektivt produkten C(x) = 2() c j x j? Hur fort det går beror på vilken representation som används Två vanliga representationer: Koefficientform Ett polynom representeras som de n koefficienterna Punkt-värde-form Polynomet A(x) representeras som n par (x i,y i ) där y i = A(x i )Den talen x i är fixa Koefficientform: Att evaluera ett polynom A(x) = a jx j på koefficientform kräver n multiplikationer med Horners regel: A(x) =a 0 + x(a 1 + x(a 2 + x(a 3 ))) Att addera A(x) = a jx j och B(x) = b jx j tar O(n) tid medan det tar Θ(n 2 ) tid att multiplicera dem Går det att multiplicera polynom snabbare? Punkt-värde-form: Att multiplicera två polynom på punkt-värde-form går snabbt (O(n) multiplikationer) om de är evaluerade i samma 2n punkter: Produkten av {(x i,y i )} och {(x i,z i )} är {(x i,y i z i )} och summan är {(x i,y i + z i )} Å andra sidan är det knepigare att evaluera ett polynom på punkt-värde-form i en godtycklig punkt Att gå från punkt-värde-form till koefficientform (dvs interpolera) kan göras på Θ(n 2 ) tid med Lagranges interpolationsformel: k j A(x) = y (x x k) j k j (x j x k )
5 Schematisk multiplikationsalgoritm: Koefficientform lämpar sig bra för evaluering i godtyckliga punkter medan punktvärde-form lämpar sig bra för multiplikation Kombinera styrkorna hos de båda representationerna! Multiplikation av A(x) och B(x): 1 Evaluera polynomen i punkterna x i 2 Multiplicera polynomen på punkt-värde-form 3 Interpolera tillbaka till koefficientform Problem: Hur ska punkterna x i väljas så att evalueringen och interpolationen går snabbt? Diskreta fouriertransformen Evaluera polynomen i de komplexa enhetsrötterna ω 0 n,ω 1 n,,ω n där ω n = e 2πi/n Transformen av A(x) = a jx j skrivs där DFT n ( a 0,,a )= y 0,,y y k = A(ωn)= k a j e 2πijk/n De n koefficienterna ger n frekvenser Jämför ˆf(t) = som är den kontinuerliga transformen f(x)e itx dx FFT: Effektiv beräkning av DFT Vi har y k = A(ωn k )= a j e 2πijk/n Separera udda och jämna gradtal i A: För k<n/2 är A(x) = a 2j (x 2 ) j + x = A [0] (x 2 )+xa [1] (x 2 ) A [0] (ωn 2k )= a 2j e 4πijk/n = a 2j ω jk n/2 a 2j+1 (x 2 ) j = DFT n/2 ( a 0,a 2,,a n 2 ) k där DFT n ( a 0,,a ) k är det k:te elementet av transformen
6 På samma sätt fås, för k<n/2, För k n/2 kan man lätt visa att A [1] (ω 2k n )=DFT n/2( a 1,a 3,,a ) k A [0] (ω 2k n )=DFT n/2 ( a 0,a 2,,a n 2 ) k n/2 A [1] (ω 2k n )=DFT n/2 ( a 1,a 3,,a ) k n/2 ω k n = ω k n/2 n För att bestämma DFT n ( a 0,,a ) utgår vi alltså från DFT n/2 ( a 0,a 2,,a n 2 ) och DFT n/2 ( a 1,a 3,,a ) och kombinerar ihop lämpliga värden FFTär ett exempel på dekomposition basfallet är DFT 1 ( a 0 )= a 0 Vi antar att n är en tvåpotens Algoritm för FFT DFT n ( a 0,a 1,a ) (1) if n =1 (2) return a 0 (3) ω n e 2πi/n (4) ω 1 (5) y [0] DFT n/2 ( a 0,a 2,,a n 2 ) (6) y [1] DFT n/2 ( a 1,a 3,,a ) (7) for k =0to n/2 1 (8) y k y [0] k (9) y k+n/2 y [0] + ωy[1] k k ωy[1] k (10) ω ω ω n (11) return y 0,y 1,,y Tidskomplexiteten T (n) uppfyller { O(1) n =1 T (n) = 2T (n/2) + Θ(n) n > 1 med lösningen T (n) =Θ(n log n) Invers till DFT För att gå tillbaka från punkt-värde-form till koefficientform måste DFT inverteras Relationen y = DFT n (a) kan på matrisform skrivas 0 y 0 y 1 y 1 0 ωn 0 ωn 0 ωn 0 ω C A = n 0 ωn 1 ωn ωn 0 ωn ω n ()() 1 0 C B a 0 a 1 a 1 C A
7 Inversen a = DFTn 1 (y) svarar mot att matrisen ovan inverteras Man kan visa att DFT 1 n ( y 0,y 1,,y )= a 0,a 1,,a a j = 1 y k ωn jk n k=0 så FFT-algoritmen kan användas också för bestämning av DFT 1 Polynommultiplikation med FFT Vi vill bestämma C(x) = 2n 2 c ix i = A(x)B(x) där A(x) och B(x) har grad EftersomC(x) har 2 koefficienter duger det inte att arbeta med DFT n vi måste betrakta A(x) och B(x) som polynom av grad 2n 1 Algoritm: y 0,y 2 DFT 2n ( a 0,,a, 0,,0 ) z 0,z 2 DFT 2n ( b 0,,b, 0,,0 ) c 0,c 2 DFT2n 1 ( y 0z 0,,y 2 z 2 ) (Detta förutsätter att n är en tvåpotens) Tre DFT på vektorer av längd 2n och 2n multiplikationer i transformplanet Θ(n log n) tid Tillämpningar av FFT Inom bla följande områden använder man DFTeller besläktade transformer Signalteori DFTger den diskreta motsvarigheten till frekvensspektrum Bildbehandling DFToch DCT(diskreta cosinustransformen) används för analys och komprimering Aritmetik på stora tal De effektivaste algoritmerna för multiplikation (tid O(n log n log log n)) använder FFT
Algoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 6 Anton Grensjö grensjo@csc.kth.se 9 oktober 2015 Anton Grensjö ADK Övning 6 9 oktober 2015 1 / 23 Översikt Kursplanering Ö5: Grafalgoritmer och undre
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 6 Anton Grensjö grensjo@csc.kth.se 4 oktober 2017 1 Idag Algoritmkonstruktion (lite blandat) Redovisning och inlämning av labbteori 3 2 Uppgifter Uppgift
Läs merInterpolation Modellfunktioner som satisfierar givna punkter
Interpolation Modellfunktioner som satisfierar givna punkter Några tillämpningar Animering rörelser, t.ex. i tecknad film Bilder färger resizing Grafik Diskret representation -> kontinuerlig 2 Interpolation
Läs merAlgoritmanalys. Inledning. Informationsteknologi Malin Källén, Tom Smedsaas 1 september 2016
Informationsteknologi Malin Källén, Tom Smedsaas 1 september 2016 Algoritmanalys Inledning Exempel 1: x n När vi talade om rekursion presenterade vi två olika sätt att beräkna x n, ett iterativt: x n =
Läs merLinjär Algebra M/TD Läsvecka 2
Linjär Algebra M/TD Läsvecka 2 Omfattning och Innehåll 2.1 Matrisoperationer: addition av matriser, multiplikation av matris med skalär, multiplikation av matriser. 2.2-2.3 Matrisinvers, karakterisering
Läs merInnehåll. 1 Linjärt ekvationssystem (ES) 5. 2 Grundläggande algebra 13
LINJÄR ALGEBRA Innehåll Linjärt ekvationssstem (ES) 5 Grundläggande algebra 3 3 Matrisalgebra 5 3 Addition av matriser 5 3 Multiplikation mellan matriser 7 33 Enhetsmatris 34 Invers matris 34 Nollmatris
Läs merLÖSNINGAR TILL UPPGIFTER TILL RÄKNEÖVNING 1
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Linjär algebra II LÖSNINGAR TILL UPPGIFTER TILL RÄKNEÖVNING Lös ekvationssystemet x + y + z 9 x + 4y 3z 3x + 6z 5z med hjälp av Gausselimination Lösning:
Läs merTentamen: Numerisk Analys MMG410, GU
Tentamen: Numerisk Analys MMG41, GU 17-6- 1. Ge kortfattade motiveringar/lösningar till nedanstående uppgifter! Ett korrekt svar utan motivering ger inga poäng! a) Antag att vi arbetar med fyrsiffrig decimal
Läs merFöreläsning 5: Dynamisk programmering
Föreläsning 5: Dynamisk programmering Vi betraktar en typ av problem vi tidigare sett: Indata: En uppsättning intervall [s i,f i ] med vikt w i. Mål: Att hitta en uppsättning icke överlappande intervall
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 1 Anton Grensjö grensjo@csc.kth.se 14 september 2015 Anton Grensjö ADK Övning 1 14 september 2015 1 / 22 Översikt Kursplanering F1: Introduktion, algoritmanalys
Läs merFaktorisering med hjälp av kvantberäkningar. Lars Engebretsen
Faktorisering med hjälp av kvantberäkningar Lars Engebretsen 00-1-03 Lars Engebretsen 00-1-03 Bakgrund Vanliga datorer styrs av klassiska fysikens lagar. Vanliga datorer kan simuleras av turingmaskiner
Läs merSökning och sortering
Sökning och sortering Programmering för språkteknologer 2 Sara Stymne 2013-09-16 Idag Sökning Analys av algoritmer komplexitet Sortering Vad är sökning? Sökning innebär att hitta ett värde i en samling
Läs merMoment Viktiga exempel Övningsuppgifter
Moment Viktiga exempel Övningsuppgifter Inga Inga Inga Linjära ekvationssystem Vi har redan tidigare i kursen stött på linjära ekvationssystem. Nu är stunden kommen till en mera systematisk genomgång.
Läs merDekomposition och dynamisk programmering
Algoritmer, datastrukturer och komplexitet, hösten 2016 Uppgifter till övning 3 Dekomposition och dynamisk programmering Max och min med dekomposition I vektorn v[1..n] ligger n tal. Konstruera en dekompositionsalgoritm
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 768-830 Fouriertransformen Transformerar kontinuerliga signaler
Läs merTommy Färnqvist, IDA, Linköpings universitet
Föreläsning Metoder för algoritmdesign TDDD86: DALP Utskriftsversion av föreläsning i Datastrukturer, algoritmer och programmeringsparadigm 7 december 015 Tommy Färnqvist, IDA, Linköpings universitet.1
Läs merFöreläsningsanteckningar Linjär Algebra II Lärarlyftet
Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Per Alexandersson Föreläsning I Timme I: Repetition av matriser, linjära ekvationssystem Linjärt ekvationssystem: x + y + z 3w = 3 2x + y + z 4w =
Läs merTommy Färnqvist, IDA, Linköpings universitet. 2 Rekursion i C Implementation av rekursion Svansrekursion En till övning...
Föreläsning 15 Rekursion TDDD86: DALP Utskriftsversion av föreläsning i Datastrukturer, algoritmer och programmeringsparadigm 2 november 2015 Tommy Färnqvist, IDA, Linköpings universitet 15.1 Innehåll
Läs merSpektrala Transformer
Spektrala Transformer Kurssammanfattning Fyra kärnkoncept Sampling Faltning Poler och nollställen Fouriertransform Koncept #1: Sampling En korrekt samplad signal kan rekonstrueras exakt, dvs ingen information
Läs mer15 september, Föreläsning 5. Tillämpad linjär algebra
5 september, 5 Föreläsning 5 Tillämpad linjär algebra Innehåll Matriser Algebraiska operationer med matriser Definition och beräkning av inversen av en matris Förra gången: Linjära ekvationer och dess
Läs merFaktorisering med hjälp av kvantberäkningar. Lars Engebretsen
Faktorisering med hjälp av kvantberäkningar Lars Engebretsen 003-11-18 Bakgrund Vanliga datorer styrs av klassiska fysikens lagar. Vanliga datorer kan simuleras av turingmaskiner i polynomisk tid. Kanske
Läs merMATRISTEORI. Pelle Pettersson MATRISER. En matris är ett rektangulärt schema med tal, reella eller komplexa, vilka kallas matrisens
MATRISTEORI Pelle Pettersson ALLMÄN MATRISKUNSKAP MATRISER En matris är ett rektangulärt schema med tal, reella eller komplexa, vilka kallas matrisens element Exempel Matrisen 2 3 4 5 6 har två rader och
Läs merMatriser. En m n-matris A har följande form. Vi skriver också A = (a ij ) m n. m n kallas för A:s storlek. 0 1, 0 0. Exempel 1
Matriser En m n-matris A har följande form a 11... a 1n A =.., a ij R. a m1... a mn Vi skriver också A = (a ij ) m n. m n kallas för A:s storlek. Exempel 1 1 0 0 1, 0 0 ( 1 3 ) 2, ( 7 1 2 3 2, 1 3, 2 1
Läs merMatematiska Institutionen KTH. Lösning till några övningar inför lappskrivning nummer 5, Diskret matematik för D2 och F, vt09.
1 Matematiska Institutionen KTH Lösning till några övningar inför lappskrivning nummer 5, Diskret matematik för D2 och F, vt09. 1. Betrakat gruppen G = (Z 19 \ {0}, ). (a) Visa att G är en cyklisk grupp.
Läs merIntroduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4
Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa
Läs merRekursionsformler. Komplexa tal (repetition) Uppsala Universitet Matematiska institutionen Isac Hedén isac
Uppsala Universitet Matematiska institutionen Isac Hedén isac distans@math.uu.se Algebra I, 5 hp Vecka 21. Vi nämner något kort om rekursionsformler för att avsluta [Vre06, kap 4], sedan börjar vi med
Läs merMATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Examinator: Daniel Bergh. Lösningsförslag Algebra och kombinatorik
MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Examinator: Daniel Bergh Lösningsförslag Algebra och kombinatorik 015-01-16 Uppgift 1 Vi noterar att 31 är ett primtal, så Z 31 är en kropp.
Läs mer14 september, Föreläsning 5. Tillämpad linjär algebra
14 september, 2016 Föreläsning 5 Tillämpad linjär algebra Innehåll Matriser Algebraiska operationer med matriser Definition av inversen av en matris Förra gången: Linjära ekvationer och dess lösningar
Läs merTATA42: Föreläsning 8 Linjära differentialekvationer av högre ordning
TATA42: Föreläsning 8 Linjära differentialekvationer av högre ordning Johan Thim 23 april 2018 1 Differentialoperatorer För att underlätta notation och visa på underliggande struktur introducerar vi begreppet
Läs merRekursion och induktion för algoritmkonstruktion
Informationsteknologi Tom Smedsaas 22 januari 2006 Rekursion och induktion för algoritmkonstruktion Att lösa ett problem rekursivt innebär att man uttrycker lösningen i termer av samma typ av problem som
Läs mer1. (3p) Ett RSA-krypto har parametrarna n = 77 och e = 37. Dekryptera meddelandet 3, dvs bestäm D(3). 60 = = =
Matematiska Institutionen KTH Lösningar till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF63 och SF630, den 20 maj 2009 kl 08.00-3.00. Hjälpmedel: Inga hjälpmedel är tillåtna
Läs merFöreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer
Föreläsning 5: Giriga algoritmer Kruskals och Prims algoritmer Spännande träd: Om G är en sammanhängande graf så är ett spännande träd ett träd som innehåller alla noder i V (G). Viantarattviharkantvikterw(e)
Läs merFöreläsning 8: Aritmetik och stora heltal
DD2458, Problemlösning och programmering under press Föreläsning 8: Aritmetik och stora heltal Datum: 2007-11-06 Skribent(er): Martin Tittenberger, Patrik Lilja Föreläsare: Per Austrin Denna föreläsning
Läs merx 23 + y 160 = 1, 2 23 = ,
Matematiska Institutionen KTH Lösningar till några övningar, inför tentan moment B, på de avsnitt som inte omfattats av lappskrivningarna, Diskret matematik för D2 och F, vt08.. Ett RSA-krypto har n =
Läs merDagens program. Linjära ekvationssystem och matriser
Dagens program Matriser Räkneoperationer och räknelagar Linjära ekvationssystem och matriser Matrisform av ekvationssystem Elementära radoperationer Trappstegsmatriser, rang och lösningsstruktur Matrisinvers,
Läs merDeterminanter, egenvectorer, egenvärden.
Determinanter, egenvectorer, egenvärden. Determinanter av kvadratiska matriser de nieras recursivt: först för matriser, sedan för matriser som är mest användbara. a b det = ad bc c d det a a a a a a a
Läs merNUMPROG, 2D1212, vt Föreläsning 1, Numme-delen. Linjära ekvationssystem Interpolation, Minstakvadratmetoden
NUMPROG, D, vt 006 Föreläsning, Numme-delen Linjära ekvationssystem Interpolation, Minstakvadratmetoden En av de vanligaste numeriska beräkningar som görs i ingenjörsmässiga tillämpningar är att lösa ett
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 1768-1830 Fouriertransformen Transformerar kontinuerliga
Läs merMaterial till kursen SF1679, Diskret matematik: Lite om kedjebråk. 0. Inledning
Matematik, KTH Bengt Ek november 207 Material till kursen SF679, Diskret matematik: Lite om kedjebråk 0 Inledning Talet π (kvoten mellan en cirkels omkrets och dess diameter) är inte ett rationellt tal
Läs merTommy Färnqvist, IDA, Linköpings universitet
Föreläsning 1 Algoritmiska paradigm TDDC70/91: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer 15 oktober 013 Tommy Färnqvist, IDA, Linköpings universitet 1.1 Innehåll Innehåll 1 Dekomposition
Läs merFöreläsning 5. Approximationsteori
Föreläsning 5 Approximationsteori Låt f vara en kontinuerlig funktion som vi vill approximera med en enklare funktion f(x) Vi kommer använda två olika approximationsmetoder: interpolation och minstrakvadratanpassning
Läs merAndragradspolynom Några vektorrum P 2
Låt beteckna mängden av polynom av grad högst 2. Det betyder att p tillhör om p(x) = ax 2 + bx + c där a, b och c är reella tal. Några exempel: x 2 + 3x 7, 2x 2 3, 5x + π, 0 Man kan addera två polynom
Läs merSortering. Brute-force. Sortering Ordna element enligt relation mellan nyckelvärden
Sortering Brute-force Sortering Ordna element enligt relation mellan nyckelvärden Flera olika algoritmer med olika fördelar Brute-force Gå igenom alla permutationer och hitta den där elementen ligger i
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 1-4.
Uppsala Universitet Matematiska Institutionen Bo Styf LAoG I, 5 hp ES, KandMa, MatemA -9-6 Sammanfattning av föreläsningarna -. Föreläsningarna, 6/9 /9 : I sammanfattningen kommer en del av det vi tagit
Läs merFöreläsning 1 Datastrukturer (DAT037)
Föreläsning 1 Datastrukturer (DAT037) Fredrik Lindblad 1 30 oktober 2017 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt. Se http://www.cse.chalmers.se/edu/year/2015/course/dat037
Läs mere 3 e 2 e 1 Kapitel 3 Vektorer i planet och i rummet precis ett sätt skrivas v = x 1 e 1 + x 2 e 2
Kapitel 3 Vektorer i planet och i rummet B e 3 e 2 A e 1 C Figur 3.16 Vi har ritat de riktade sträckor som representerar e 1, e 2, e 3 och v och som har utgångspunkten A. Vidare har vi skuggat planet Π
Läs merFöreläsning 5: Giriga algoritmer. Kruskals och Prims algoritmer
Föreläsning 5: Giriga algoritmer Kruskals och Prims algoritmer Spännande träd: Om G är en sammanhängande graf så är ett spännande träd ett träd som innehåller alla noder i V (G). Viantarattviharkantvikterw(e)
Läs merc d Z = och W = b a d c för några reella tal a, b, c och d. Vi har att a + c (b + d) b + d a + c ac bd ( ad bc)
1 Komplexa tal 11 De reella talen De reella talen skriver betecknas ofta med symbolen R Vi vill inte definiera de reella talen här, men vi noterar att för varje tal a och b har vi att a + b och att ab
Läs mer5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA
5 LINJÄR ALGEBRA 5 Linjär algebra En kul gren av matematiken som inte fått speciellt mycket utrymme i gymnasiet men som har många tillämpningsområden inom t.ex. fysik, logistik, ekonomi, samhällsplanering
Läs merCarl Olsson Carl Olsson Linjär Algebra / 18
Linjär Algebra: Föreläsn 1 Carl Olsson 2018-03-19 Carl Olsson Linjär Algebra 2018-03-19 1 / 18 Kursinformation Kurschef Carl Olsson arbetsrum: MH:435 tel: 046-2228565 epost: calle@maths.lth.se Carl Olsson
Läs merS n = (b) Med hjälp av deluppgift (a) beräkna S n. 1 x < 2x 1? i i. och
Uppgift 1 För vilka x R gäller x 4 = 4? Uppgift Låt S n = n k=1 3 k (a) Visa att S n är en geometrisk summa (b) Med hjälp av deluppgift (a) beräkna S n Uppgift 3 Lös ekvationen e x + e x = 3 Uppgift 4
Läs merI en matchning ligger varje hörn i högst en kant. I en stig ligger varje hörn i högst två kanter.
26.2-9 Antag att rätt lösning är att dela upp V i V 1 och V 2 (V 1 V 2 =, V 1 V 2 = V ). Antal kanter vi måste skära är då det minsta snittet mellan v 1 och v 2, där v 1 är ett godtyckligt hörn i V 1 och
Läs merFöreläsning 1. Introduktion och sökning i graf. Vad är en algoritm?
Föreläsning 1. Introduktion och sökning i graf Vad är en algoritm? Först: Vad är ett problem? Består av indata och ett mål. Indata: [En beskrivning av en struktur.] Mål: [Kan vara Ja/Nej, ett tal eller
Läs merKTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF1637.
KTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF637. Måndagen den 7 oktober, kl 8-3. Hjälpmedel: BETA, Mathematics Handbook. Redovisa lösningarna på ett sådant sätt att
Läs merAlgoritmer och effektivitet. Föreläsning 5 Innehåll. Analys av algoritmer. Analys av algoritmer Tidskomplexitet. Algoritmer och effektivitet
Föreläsning 5 Innehåll Algoritmer och effektivitet Algoritmer och effektivitet Att bedöma, mäta och jämföra effektivitet för algoritmer Begreppet tidskomplexitet Undervisningsmoment: föreläsning 5, övningsuppgifter
Läs merMoment 5.5 Övningsuppgifter I 5.60a. 5.60b, 5.60.c, 61
Moment 5.5 Övningsuppgifter I 5.0a. 5.0b, 5.0.c, 1 Linjära ekvationssystem Vi har redan tidigare i kursen stött på linjära ekvationssystem. Nu är stunden kommen till en mera systematisk genomgång. Kvadratiska
Läs merDiskreta Linjära System och Skiftregister
Sammanfattning Föreläsning 13-14 - Digitalteknik I boken: avsnitt 7.1-7.3 (-) Diskreta Linjära System och Skiftregister Syftet med denna del är att förstå att tillståndsmaskiner som endast består av linjära
Läs merNumerisk Analys, MMG410. Lecture 12. 1/24
Numerisk Analys, MMG410. Lecture 12. 1/24 Interpolation För i tiden gällde räknesticka och tabeller. Beräkna 1.244 givet en tabel över y = t, y-värdena är givna med fem siffror, och t = 0,0.01,0.02,...,9.99,10.00.
Läs merMA2047 Algebra och diskret matematik
MA2047 Algebra och diskret matematik Något om komplexa tal Mikael Hindgren 17 oktober 2018 Den imaginära enheten i Det finns inga reella tal som uppfyller ekvationen x 2 + 1 = 0. Vi inför den imaginära
Läs merDEL I. Matematiska Institutionen KTH
Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Diskret Matematik, moment B, för D2 och F, SF63 och SF63, den 25 maj 2 kl 8.-3.. Hjälpmedel: Inga hjälpmedel är tillåtna på tentamensskrivningen.
Läs merTDDI16 Datastrukturer och algoritmer. Algoritmanalys
TDDI16 Datastrukturer och algoritmer Algoritmanalys 2017-08-28 2 Översikt Skäl för att analysera algoritmer Olika fall att tänka på Medelfall Bästa Värsta Metoder för analys 2017-08-28 3 Skäl till att
Läs mer1. (3p) Ett RSA-krypto har de offentliga nycklarna n = 33 och e = 7. Dekryptera meddelandet 5. a b c d e. a a b c d e
1 Lösning till MODELLTENTA DISKRET MATEMATIK moment B FÖR D2 och F, SF1631 resp SF1630. DEL I 1. (3p) Ett RSA-krypto har de offentliga nycklarna n = 33 och e = 7. Dekryptera meddelandet 5. Lösning: Vi
Läs merFöreläsning 1. Introduktion. Vad är en algoritm?
Några exempel på algoritmer. Föreläsning 1. Introduktion Vad är en algoritm? 1. Häll 1 dl havregryn och ett kryddmått salt i 2 1 2 dl kallt vatten. Koka upp och kocka gröten ca 3minuter. Rör om då och
Läs merSF1624 Algebra och geometri Lösningsförslag till tentamen Lördagen den 5 juni, 2010 DEL A
SF624 Algebra och geometri Lösningsförslag till tentamen Lördagen den 5 juni, 200 DEL A ( Betrakta det komplexa talet w = i. (a Skriv potenserna w n på rektangulär form, för n = 2,, 0,, 2. ( (b Bestäm
Läs merEnhetsvektorer. Basvektorer i två dimensioner: 1 1 Basvektorer i tre dimensioner: Enhetsvektor i riktningen v: v v
Vektoraddition u + v = u + v = [ ] u1 u 2 u 1 u 2 + u 3 + [ v1 v 2 ] = v 1 v 2 = v 3 [ u1 + v 1 u 2 + v 2 u 1 + v 1 u 2 + v 2 u 3 + v 3 ] Multiplikation med skalär α u = α [ u1 u 2 α u = α ] = u 1 u 2
Läs merRobust flervariabel reglering
Föreläsning 2 Anders Helmersson andersh@isy.liu.se ISY/Reglerteknik Linköpings universitet Vad gör vi i dag Normer Representation av system Lyapunovekvationer Gramianer Balansering Modellreduktion Lågförstärkningssatsen
Läs merPolynomekvationer (Algebraiska ekvationer)
Polynomekvationer (Algebraiska ekvationer) Faktorsatsen 1. Pettersson: teori och exempel på sid. 21-22 Det intressanta är följande idé: Om man på något sätt (Vilket det är en annan fråga, se nedan!) har
Läs merTATA42: Föreläsning 9 Linjära differentialekvationer av ännu högre ordning
TATA42: Föreläsning 9 Linjära differentialekvationer av ännu högre ordning Johan Thim 4 mars 2018 1 Linjära DE av godtycklig ordning med konstanta koefficienter Vi kommer nu att betrakta linjära differentialekvationer
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 7 Anton Grensjö grensjo@csc.kth.se 14 oktober 2015 Anton Grensjö ADK Övning 7 14 oktober 2015 1 / 28 Översikt Kursplanering Ö6: Algoritmkonstruktion F19:
Läs merFöreläsning 4 Datastrukturer (DAT037)
Föreläsning 4 Datastrukturer (DAT037) Fredrik Lindblad 1 2016-11-10 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt Se http://wwwcsechalmersse/edu/year/2015/course/dat037 Förra
Läs mer. (2p) 2x + 2y + z = 4 y + 2z = 2 4x + 3y = 6
Kursen bedöms med betyg, 4, 5 eller underkänd, där 5 är högsta betyg För godkänt betyg krävs minst 4 poäng från uppgifterna -7 Var och en av dessa sju uppgifter kan ge maximalt poäng För var och en av
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 11-14, 16/11-28/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp gy, IT, W, X 2011-10-26 Sammanfattning av föreläsningarna 11-14, 16/11-28/11 2012. Här lär vi oss använda transformer för att
Läs merLinjär algebra Tio förrätter och två efterrätter Roy Skjelnes
Linjär algebra Tio förrätter och två efterrätter Roy Skjelnes Matematiska Institutionen, KTH Typsatt med L A TEX 2ε och TikZ Kompilerad 8 september 2014 Inledande ord Detta häfte är baserat på en föreläsningsserie
Läs merMULTIPLIKATION AV MATRISER, BASER I RUMMET SAMT FÖRSTA MÖTET MED MATRISINVERSER = = =
Matematiska institutionen Stockholms universitet CG Matematik med didaktisk inriktning 2 Problem i Algebra, geometri och kombinatorik Snedsteg 5 MULTIPLIKATION AV MATRISER, BASER I RUMMET SAMT FÖRSTA MÖTET
Läs merFöreläsning 9: Talteori
DD2458, Problemlösning och programmering under press Föreläsning 9: Talteori Datum: 2009-11-11 Skribent(er): Ting-Hey Chau, Gustav Larsson, Åke Rosén Föreläsare: Fredrik Niemelä Den här föreläsningen handlar
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 15-18, 30/11-12/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp ES, gyl, Q, W 0-0-9 Sammanfattning av föreläsningarna 5-8, 30/ - / 0. Z-transformen ska avslutas och sedan blir det tentaförberedelser.
Läs merFöreläsning 12+13: Approximationsalgoritmer
Föreläsning 12+13: Approximationsalgoritmer Många av de NP-fullständiga problemen är från början optimeringsproblem: TSP, Graph Coloring, Vertex Cover etc. Man tror att P NP och att det alltså inte går
Läs merFöreläsning 5 Innehåll
Föreläsning 5 Innehåll Algoritmer och effektivitet Att bedöma och jämföra effektivitet för algoritmer Begreppet tidskomplexitet Datavetenskap (LTH) Föreläsning 5 VT 2019 1 / 39 Val av algoritm och datastruktur
Läs merFöreläsning 5: Grafer Del 1
2D1458, Problemlösning och programmering under press Föreläsning 5: Grafer Del 1 Datum: 2006-10-02 Skribent(er): Henrik Sjögren, Patrik Glas Föreläsare: Gunnar Kreitz Den här föreläsningen var den första
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson MATRISER MED MERA VEKTORRUM DEFINITION Ett vektorrum V är en mängd av symboler u som vi kan addera samt multiplicera med reella tal c så
Läs merProgramkonstruktion och Datastrukturer
Programkonstruktion och Datastrukturer VT 2012 Tidskomplexitet Elias Castegren elias.castegren.7381@student.uu.se Problem och algoritmer Ett problem är en uppgift som ska lösas. Beräkna n! givet n>0 Räkna
Läs merFöreläsning 5 Innehåll. Val av algoritm och datastruktur. Analys av algoritmer. Tidsåtgång och problemets storlek
Föreläsning 5 Innehåll Val av algoritm och datastruktur Algoritmer och effektivitet Att bedöma och jämföra effektivitet för algoritmer Begreppet tidskomplexitet Det räcker inte med att en algoritm är korrekt
Läs merLäsanvisning till Discrete matematics av Norman Biggs - 5B1118 Diskret matematik
Läsanvisning till Discrete matematics av Norman Biggs - 5B1118 Diskret matematik Mats Boij 18 november 2001 15 Ringar, kroppar och polynom Det fjortonde kapitlet behandlar ringar. En ring har till skillnad
Läs merTDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 6 Jonas Lindgren, Institutionen för Datavetenskap, LiU
TDDC30 Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 6 Jonas Lindgren, Institutionen för Datavetenskap, LiU På denna föreläsning: Sortering Selectionsort, Bubblesort,
Läs merLösningar till utvalda uppgifter i kapitel 1
Lösningar till utvalda uppgifter i kapitel. Vi utnyttjar definitionen av skalärprodukt som ger att u v u v, där α är (minsta) vinkeln mellan u v. I vårt fall så får vi 7 =. Alltså är den sökta vinkeln
Läs mern (log n) Division Analysera skolboksalgoritmen för division (trappdivision). Använd bitkostnad.
Algoritmer och Komplexitet ht 08. Övning 1 Algoritmanalys Ordo Jämför följande par av funktioner med avseende på hur dom växer då n växer. Tala i varje fall om ifall f(n) Θ(g(n)), f(n) O(g(n)) eller f(n)
Läs merSF1624 Algebra och geometri Lösningsförslag till tentamen Fredagen den 23 oktober, 2009 DEL A
SF1624 Algebra och geometri Lösningsförslag till tentamen Fredagen den 23 oktober, 2009 DEL A (1) (a) Bestäm de övriga rötterna till ekvationen z 3 11z 2 + 43z 65 = 0 när det är känt att en av rötterna
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 9 november 2015 Sida 1 / 28 Föreläsning 3 Linjära ekvationssystem. Invers. Rotationsmatriser. Tillämpning:
Läs mer1 Reducerat faktorförsök rf f
1 REDUCERAT FAKTORFÖRSÖK RF F 1 Reducerat faktorförsök rf f Vi skall med tre faktorer och således 2 3 försök reducera till ett fullständigt 2 2 försök. 1.1 Tre faktorer Vi repeterar med ett tidigare fullständigt
Läs merSF1624 Algebra och geometri Lösningsförslag till tentamen DEL A
SF624 Algebra och geometri Lösningsförslag till tentamen 22--6 DEL A Planet H ges av ekvationen x + 2y + z =, och planet W ges på parameterform som 2t 4s, t + 2s där s och t är reella parametrar (a) Bestäm
Läs merÖvningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad:
MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Linjär algebra 2 Senast korrigerad: 2006-02-10 Övningar Linjära rum 1. Låt v 1,..., v m vara vektorer i R n. Ge bevis eller motexempel till
Läs merTentamen TAIU07 Matematiska beräkningar med MATLAB för MI
TEKNISKA HÖGSKOLAN I LINKÖPING Matematiska institutionen Beräkningsmatematik/Fredrik Berntsson Tentamen TAIU07 Matematiska beräkningar med MATLAB för MI Tid: 8-12, 11 Juni, 2015 Provkod: TEN1 Hjälpmedel:
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-08-22 kl. 4-8 Lokaler: G36 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 6.00. tel 0702/33 79 48 Hjälpmedel: Räknedosa, OH-film, medskickad
Läs merMagnus Nielsen, IDA, Linköpings universitet
Föreläsning 7 Introduktion till sortering TDDC91,TDDE22,725G97: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer 24 september 2018 Magnus Nielsen, IDA, Linköpings universitet 7.1 1
Läs merFöreläsning Datastrukturer (DAT037)
Föreläsning Datastrukturer (DAT037) Nils Anders Danielsson 2015-11-16 Idag Mängder, avbildningar. Hashtabeller. Sortering. Pseudokod Blandning av programmeringsspråk, matematisk notation och naturligt
Läs merFöreläsning 9: Talteori
DD2458, Problemlösning och programmering under press Föreläsning 9: Talteori Datum: 2007-11-13 Skribent(er): Niklas Lindbom och Daniel Walldin Föreläsare: Per Austrin Den här föreläsningen behandlar modulär
Läs merTentamen TAIU07 Matematiska beräkningar med MATLAB för MI
TEKNISKA HÖGSKOLAN I LINKÖPING Matematiska institutionen Beräkningsmatematik/Fredrik Berntsson Tentamen TAIU07 Matematiska beräkningar med MATLAB för MI Tid: 14-18, 13:e Mars, 2018 Provkod: TEN1 Hjälpmedel:
Läs merf (a) sin
Hur kan datorn eller räknedosan känna till värdet hos till exempel sin0.23 eller e 2.4? Denna fråga är berättigad samtidigt som ingen tror att apparaterna innehåller en gigantisk tabell. Svaret på frågan
Läs merSubtraktion. Räkneregler
Matriser En matris är en rektangulär tabell av tal, 1 3 17 4 3 2 14 4 0 6 100 2 Om matrisen har m rader och n kolumner så säger vi att matrisen har storlek m n Index Vi indexerar elementen i matrisen genom
Läs mer