Christiano Lima Santos

Apresentação em tema: "Christiano Lima Santos"— Transcrição da apresentação:

1 Christiano Lima Santos
ESTRUTURA DE DADOS I Christiano Lima Santos

2 Tipos de Dados e Tipos Abstratos de Dados (Aula 1)
Christiano Lima Santos

3 Sumário Motivação Tipos de Dados Operações
Tipos Primitivos ou Escalares Tipos Inteiros Tipos Reais Tipos Lógicos Tipo Caracter Funções Para Conversão Tipos Coleções ou Não-Escalares Tipo Vetor Tipo Registro Tipo Conjunto Tipos Abstratos de Dados Alocação de Memória Vantagens e Desvantagens da Alocação Dinâmica

4 Motivação Por que estudar os tipos de dados?
Duas são as principais preocupações em um projeto de software Os procedimentos a serem executados; Os dados sobre os quais os procedimentos atuam;

5 Motivação “Estruturas de Dados” busca descrever modelos de estruturas de dados e procedimentos Exemplos: Arrays, Registros, Listas, Pilhas, Filas e Árvores, etc.

6 Motivação Os tipos de dados e operações determinam as estruturas de dados Exemplo: em uma pilha ou fila você possui operações push e pop para colocar e retirar elementos dela; A forma como os dados são inseridos ou removidos é que difere uma estrutura da outra!

7 Tipos de Dados Define a forma como um dado deve ser armazenado ou recuperado, bem como os possíveis valores que ele pode assumir ou as operações que podem ser efetuadas sobre os mesmos Exemplo em Pascal: integer permite valores inteiros e operações de adição, multiplicação, subtração e divisão; string permite valores literais e operações de concatenação;

8 Tipos de Dados Primitivos, derivados ou coleções;
Os principais tipos primitivos são: inteiro, real, lógico, caracter, ponteiro; Estáticos ou dinâmicos (instanciados em tempo de execução);

9 Operações Um conjunto de instruções a fim de manipular um determinado tipo de dado a fim algum objetivo; Criação (declaração) Percurso Busca Alteração Retirada Inserção (em tipos dinâmicos)

10 Tipos Primitivos ou Escalares
Inteiro (integer, longint, etc.); Real (real, double, etc.); Lógico (boolean); Caracter (char);

11 Tipos Inteiros Operações numéricas contidas no conjunto dos números inteiros: Soma, subtração, multiplicação, divisão inteira, resto da divisão; Permitem comparações de igualdade e/ou de desigualdade;

12 Tipos Reais Satisfaz as operações e comparações possíveis com tipos inteiros; Operações numéricas contidas no conjunto dos números reais: Soma, subtração, multiplicação, divisão;

13 Tipos Lógicos Permite operações lógicas (booleanas):
E, OU, NÃO; Deve-se ter muito cuidado na construção de expressões lógicas Quanto maiores elas são, maiores as chances de cometermos equívocos.

14 Tipo Caracter Permite a representação de um único caracter;
Operações de igualdade e desigualdade; Por ser armazenado internamente como um valor inteiro, podemos fazer um “casting” e efetuar outras operações.

15 Funções para conversão
De real para inteiro: Trunc, Floor, Ceil, Round; De caracter para inteiro: Ord; De inteiro para caracter: Char; Obs: Dependendo de quais os tipos/classes envolvidos, podemos efetuar “typecasting”;

16 Tipos Coleções ou Não-Escalares
Vetor; Registro; Conjunto.

17 Tipo Vetor Coleção de dados homogênea indexada que pode ser acessada por meio de um índice numérico; var v = array [1..5] of integer; v[3];

18 Tipo Registro Coleção de dados heterogênea cujas informações podem ser acessadas por meio de um campo; var r = record c1: integer; c2: boolean; end; r.c1;

19 Tipo Conjunto Coleção de objetos (ou informações) correlatos que podem estar presentes ou não em um dado momento; var c = set of (V1, V2, V3); c := [V1, V2]; V1 in c;

20 Tipos Abstratos de Dados
Segundo a Wikipédia: Especificação de um conjunto de dados e operações que podem ser executadas sobre esses dados; Exemplo: Quando usamos arrays e registros para criar uma estrutura de dados em vez de usar variáveis de tipos primitivos.

21 Tipos Abstratos de Dados
Vetores, registros e conjuntos são interessantes... ... Mas há um problema, são estáticos! O que acontece se eu tiver um vetor de 5 posições e precisar de outras 1000? E se meu vetor tiver posições e eu somente uso 5, isso é bom?

22 Alocação de Memória Alocação estática  Variável alocada ocupa espaço fixo e contíguo na memória; Alocação dinâmica  Variável alocada ocupa espaço variável e é criada segundo a necessidade do programa.

23 Vantagens e Desvantagens da Alocação Dinâmica
Se alocamos dinamicamente, podemos aumentar e diminuir o tamanho de nossa estrutura quando quisermos! Entretanto, necessitaremos de mais algumas operações para buscar, inserir e/ou remover informações; Além disso, um array (estático) de vinte posições geralmente ocupa menos espaço que uma lista cujos elementos foram criados um a um dinamicamente.

24 Referências Bibliográficas
[Não foram definidas]

25 Christiano Lima Santos
Matrizes (Aula 2) Christiano Lima Santos

26 Sumário Definição e Representação de Matrizes Compactação de Matrizes
Matrizes Diagonais Matrizes Triangulares Matrizes Esparsas

27 Definição e Representação de Matrizes
Na Matemática, uma matriz pode ser considerada um conjunto de informações numéricas que podem ser referenciadas por meio de dois parâmetros, comumente chamados linha e coluna; A =

28 Definição e Representação de Matrizes
Na Computação, podemos representar as matrizes matemáticas por meio de estruturas conhecidas como vetores ou arrays, onde cada posição/valor pode ser referenciada por um ou mais parâmetros (dependendo da quantidade de dimensões de nosso vetor); var A = array [1..3, 1..4] of real;

29 Definição e Representação de Matrizes
Enquanto que na Matemática uma matriz possui sempre duas dimensões, na Computação podemos chamar qualquer vetor de matriz, podendo assim ter uma ou mais dimensões; Matrizes unidimensionais; Matrizes bidimensionais; Matrizes n-dimensionais.

30 Compactação de Matrizes
Quanto memória ocupa uma matriz 5000 x 5000 de reais? Um valor real = 4 bytes; Aproximadamente 100 MB! E se somente alguns poucos elementos da matriz fossem diferentes de zero, poderíamos reduzir o tamanho dela?

31 Compactação de Matrizes
Como representar de forma compactada: Matrizes Diagonais; Matrizes Triangulares; Matrizes Esparsas;

32 Matrizes Diagonais Os elementos da diagonal de uma matriz são: a[1,1], a[2,2], a[3,3], ... a[n,n]; Podemos armazená-los, então, em uma matriz unidimensional de n elementos.

33 Matrizes Triangulares
Podem ser superior ou inferior; Podemos armazenar todos os elementos da parte triangular em uma matriz unidimensional de m elementos (inclui os elementos da diagonal).

34 Matrizes Esparsas Podem ser n-dimensionais;
Podemos armazenar somente os elementos diferentes de zero em uma matriz unidimensional; Problemas: Como saber qual o índice de cada elemento na matriz? Armazenar também o índice (tupla índice-valor); E se um dos elementos for alterado para um valor não-nulo? Deve-se reservar algumas posições vazias para o caso de incluir novos elementos.

35 Exercícios De volta às aulas? De volta aos jogos. 
Vamos criar um simulador de exploração espacial (modo texto, claro)! Crie um universo que possa ser “navegado tridimensionalmente” por meio da indicação de três coordenadas X, Y e Z, onde o jogador precisa pilotar uma nave até um dos planetas existentes. O sistema de coordenadas de nosso “universo” vai de 0 a 4100 (para cada coordenada); Temos um total de 100 planetas no espaço; Para facilitar para o jogador, cada vez que ele indicar as coordenadas, dizer quão longe ele está do planeta mais próximo; O jogo encerra quando ele encontrar um dos planetas; Os planetas são criados em posições aleatórias a cada vez que é gerada uma nova partida; E há um total de combustível para o jogador, o qual é consumido de acordo com a distância percorrida!

36 Referências Bibliográficas
VELOSO, Paulo, SANTOS, Clésio, AZEREDO, Paulo, FURTADO, Antônio, Estruturas de Dados, Editora Campus Ltda

37 Christiano Lima Santos
Recursividade (Aula 3) Christiano Lima Santos

38 Sumário Definição de Recursão Exemplo de Recursão
Recursão versus Iteração Observações Referências Bibliográficas

39 Definição de Recursão Possibilidade de um objeto buscar definir-se em função dele próprio; Na Computação, um método é recursivo quando ele invoca a si próprio a fim de resolver um problema;

40 Definição de Recursão Na Matemática, podemos encontrar claramente a recursividade na resolução de problemas por meio de recorrência; Fatorial de um número; Potenciação; Seqüência de Fibonacci.

41 Exemplo de Recursão Recorrência para encontrar um elemento da seqüência de Fibonacci: x1 = 1; x2 = 1; xn = xn-1 + xn-2;

42 Exemplo de Recursão Função em Pascal:
function fibonacci(n: integer): integer; begin if (n < 1) then fibonacci := 0 else if (n <= 2) then fibonacci := 1 else fibonacci := fibonacci(n-1) + fibonacci(n-2); end;

43 Recursão versus Iteração
Iteração na definição de algoritmos – cada um dos “passos”/repetições de um comando de repetição (“loop”); Diversos problemas resolvidos de forma recursiva podem ser resolvidos de forma iterativa; Chamadas recursivas precisam salvar o “contexto” atual da execução do programa a fim de recuperá-lo após a execução de cada chamada recursiva; A implementação do cálculo do fatorial de forma iterativa, por exemplo, consome menos memória e processamento.

44 Recursão versus Iteração
Por outro lado, há problemas que não podem ser resolvidos de forma iterativa; Percorrer uma árvore para encontrar um elemento, por exemplo; Além disso, recursão é muito útil na resolução de diversos problemas que possam se beneficiar do “dividir-para-conquistar”, exemplos: Ordenação por meio de quicksort ou mergesort; Programação dinâmica; Diversas técnicas de busca em grafos.

45 Observações Quando escrevendo funções recursivas, atente-se a:
Ordem em que cada comando deve aparecer dentro da função – o resultado final pode ser totalmente diferente se trocarmos duas linhas de código de lugar! Definição de todos os casos base – se esquecermos de definir um dos casos base e o algoritmo procurar por ele em algum momento, ele não saberá que é um caso de parada e continuará a sua execução, talvez indefinidamente! Cuidado com a passagem de parâmetros por valor ou por referência.

46 Referências Bibliográficas
COSTA, Raimundo M, Programação Pascal, 1995 WIKIPÉDIA, Recursividade em Ciência da Computação, disponível em

47 Noções de Complexidade de Algoritmos (Aula 4)
Christiano Lima Santos

48 Sumário Motivação Alguns Mitos
Como Medir a Eficiência de um Algoritmo? Avaliação Empírica Contagem do Número de Operações Efetuadas Determinação da Complexidade Assintótica de um Algoritmo Notação O Notação Ω Notação θ Principais Classes de Comportamento Assintótico Tabela Comparativa das Principais Classes Os “Três Casos” O Melhor Caso O Pior Caso O Caso Médio Calculando a Complexidade para cada Caso Referências Bibliográficas

49 Motivação Quais os dois recursos de hardware mais importantes para a execução de um algoritmo? Tempo de processamento; Quantidade de memória consumida; Devemos, então, observar quanto de cada recurso nossos algoritmos consomem; Temos que medir quanto de cada recurso nossos programas utilizam!

50 Motivação Um exemplo bem simples é o caso de dois programas que precisam fazer a ordenação de um grande conjunto de dados: Cada qual deles pode usar uma abordagem bem diferente do outro; Desta forma, cada qual pode resolver o problema com mais ou menos tempo, ocupando mais ou menos memória; Como exímios Cientistas da Computação, buscamos sempre compreender e trabalhar com a melhor solução possível!

51 Alguns Mitos Basta um computador mais rápido para resolver o problema;
Pena que até mesmo um grande cluster com dezenas de computadores não conseguem resolver eficientemente alguns problemas somente por “força bruta”; Ninguém efetua cálculo de complexidade ou busca de solução mais eficiente em um sistema! É, se você considerar somente os sistemas do tipo “controle de locadora”, pois sistemas de tempo real, simulações físicas, sistemas para cálculos estatísticos e estimativas razoavelmente pesadas e tantos outros precisam!

52 Alguns Mitos Por que eu tenho que aprender sobre isso? Eu posso simplesmente contratar alguém! Pois é, que tal alguém da área de Computação? Ei, esse alguém é você!

53 Como Medir a Eficiência de um Algoritmo?
Avaliação empírica (medir o tempo de execução); Contagem do número de operações efetuadas; Determinação da complexidade assintótica de um algoritmo;

54 Avaliação Empírica Experimento 1: Verificar o tempo que dois programas levam para efetuar uma busca em um array e recuperar um dado; Primeiro programa: 750 ns; Segundo programa: 600 ns; Qual programa é mais eficiente? E se o primeiro foi executado em um core duo de 2,4 GHz cada, e o segundo em um 486 DX2? E se ambos foram executados na mesma máquina, mas o segundo executou em paralelo com algum outro programa? Somente por avaliação empírica, conseguimos ter certeza de qual o programa mais eficiente?

55 Considerações sobre a Avaliação Empírica
Em meu supercomputador o programa “rodou” normal... ... Mas nos computadores do cliente não! Programas podem possuir “casos especiais” para alguns tipos de casos Deve-se então aumentar o número de casos de testes tentando cobrir o maior número possível de situações; Em uma dada linguagem, um programa pode ser mais eficiente do que quando implementado em outra linguagem; Não estamos analisando o algoritmo em si, mas somente o programa!

56 Contagem do Número de Operações Efetuadas
Experimento 2: Dado o algoritmo abaixo, vamos contar quantas operações são necessárias para calcular fatorial(5): function fatorial (n: integer): longint; var f, i: integer; begin if (n < 0) then f := -1 else f := 1; for i := 1 to n do f := f*i; end; fatorial := f;

57 Contagem do Número de Operações Efetuadas
No algoritmo anterior: fatorial(1)  5 operações; fatorial(5)  13 operações; fatorial(10)  23 operações; fatorial(n)  2*n + 3; Perceba que para calcular o fatorial de um número N qualquer, vamos executar 2*N operações, ou seja, um número de operações diretamente proporcional;

58 Considerações do Número de Operações Efetuadas
Em Computação, geralmente não nos preocupamos com a eficiência do algoritmo quando tratando poucos elementos Se são poucos, por pior que nosso algoritmo seja, provavelmente ele executará rápido e sem ocupar muito espaço! 2*n + 3 operações parecem piores que n2 operações para n = 0, 1 ou 2; Entretanto, quanto maior o número de elementos ou o valor do dado de entrada... Para n = 1.000, 2*n + 3 é 2003; Mas e se nosso algoritmo executasse n2 operações? !

59 Determinação da Complexidade Assintótica de um Algoritmo
Definição de Complexidade Quantidade de "trabalho" necessária para a execução de um algoritmo, expressa em função das operações fundamentais, as quais variam de acordo com o algoritmo, e em função do volume de dados; Complexidade Assintótica Trata-se de uma função que expressa a relação entre o volume de dados ( n ) e o tempo ( t ) necessário para o processamento dos mesmos; No algoritmo do experimento 2, poderíamos dizer que: f(n) = 2*n + 3

60 Determinação da Complexidade Assintótica de um Algoritmo
Notações O (“O Grande”), Ω (Omega) e θ (Theta); Obs: Funções assintoticamente não-negativas;

61 Notação O Dadas duas funções f e g, diz-se que f está na ordem O de g ( f = O(g) ) se: f(n) ≤ c * g(n) Para algum c positivo e para todo n suficientemente grande. g(n) é, então, o limite assintótico superior (upper bound) de f(n) Exemplos: 3x2 + 5 = O ( x2 ) x3/2 = O ( x3) x = O ( x2 )

62 Notação Ω Dadas duas funções f e g, diz-se que f está na ordem O de g ( f = Ω(g) ) se: f(n) ≥ c * g(n) Para algum c positivo e para todo n suficientemente grande. g(n) é, então, o limite assintótico inferior (lower bound) de f(n) Exemplos: 3x3 + 5 = Ω ( x2 ) x3/2 = Ω ( x3/3)

63 Notação θ Dadas duas funções f e g, diz-se que f está na ordem O de g ( f = θ(g) ) se: f(n) ≥ c1 * g(n) e f(n) ≥ c2 * g(n) Para algum c1 e c2 positivos e para todo n suficientemente grande. Exemplo: 3x3+ 5 = θ ( x3 )

64 Principais Classes de Comportamento Assintótico
O (1) : O uso do algoritmo independe do tamanho de n. Neste caso as instruções do algoritmo são executadas um número fixo de vezes; O (log n): ocorre tipicamente em algoritmos que resolvem um problema transformando-o em problemas menores; O (n): linear – Um conjunto de operações de tamanho constante é aplicado a cada elemento da entrada; O (n log n): Ocorre em algoritmos que resolvem um problema quebrando-o em problemas menores, resolvendo cada um deles independentemente e depois juntando as soluções;

65 Principais Classes de Comportamento Assintótico
O (n2): quadrático. Algoritmos desta ordem de complexidade ocorrem quando os itens de dados são processados aos pares, muitas vezes em um loop dentro de outro. Úteis para resolver problemas de tamanhos relativamente pequenos; O (nk): polinomial – OK para k pequeno; O (kn), O (n!), O (nn): exponencial – Geralmente não são úteis sob o ponto de vista prático. Eles ocorrem na solução de problemas quando se usa força bruta para resolvê-los.

66 Tabela Comparativa das Principais Classes

67 Os “Três Casos” Para qualquer algoritmo, sempre há situações em que ele resolverá de forma muito rápida e outras em que “nem tanto”; Exemplo: ordenação dos dados de um vetor Se ele já estiver ordenado? Ótimo! E se os dados estiverem em ordem inversa? Dependendo do algoritmo, pode ser muito ruim; Desta forma, para determinar a eficiência de um algoritmo, precisamos conhecer a sua complexidade para o melhor caso, o pior caso e o caso médio.

68 Melhor Caso Caso para o qual o algoritmo executa da melhor forma possível: Menor número de instruções; Menor tempo de processamento necessário; Menor consumo de memória.

69 Pior Caso Ao contrário do melhor caso, este é o caso para o qual o algoritmo executa da pior forma possível;

70 Caso Médio A complexidade para o caso médio é dada por meio de cálculo tempo médio esperado para a resolução de um problema qualquer, independente de como os dados estão (se ordenados ou não, etc);

71 Calculando a Complexidade Para Cada Caso
Geralmente, é necessário conhecer qual o volume de dados que atende a cada um dos casos e, então, busca-se definir a função matemática que expressa o número de operações necessárias para cada caso; No caso de algoritmos recursivos, deve-se determinar primeiro a fórmula de recorrência capaz de expressá-los e, então, “resolvê-la”.

72 Referências Bibliográficas
MADEIRA, Gonçalo, Complexidade Computacional, disponível em SILVA, Elton, Análise Assintótica da Complexidade de Algoritmos, disponível em

73 Christiano Lima Santos
Exercícios Sobre Matrizes, Recursividade e Complexidade de Algoritmos (Aula 5) Christiano Lima Santos

74 Primeiro Exercício Implemente um programa capaz de armazenar e recuperar dados de uma matriz triangular inferior; Qual a ordem de complexidade desse algoritmo para: Armazenar n elementos; Para recuperar um elemento qualquer, dada a sua posição na matriz inicial; Para buscar a posição de um elemento qualquer, dado o valor do elemento; Você consegue identificar quais são os casos pior, médio e melhor?

75 Segundo Exercício Implemente um programa que localiza uma substring dentro de outra string; Qual a ordem de complexidade desse algoritmo para: Encontrar uma letra em uma frase de tamanho N; Encontrar uma palavra de tamanho K em uma frase de tamanho N; Você consegue identificar quais são os casos pior, médio e melhor?

76 Terceiro Exercício Implemente um programa que armazena os telefones armazenados em ordem alfabética de acordo com os nomes das pessoas seguindo a seguinte “fórmula”: Toda vez que for inserir um novo telefone, procura qual será a posição correta dele e, para inseri-lo ali, move antes todo mundo daquela posição em diante para uma após e, então, copia seus dados para lá (inserção direta); Qual a ordem de complexidade deste algoritmo? Você consegue identificar quais são os casos pior, médio e melhor?

77 Quarto exercício Implemente a função de potenciação de forma recursiva; Qual a complexidade deste algoritmo? Faça uma comparação das vantagens e desvantagens desta implementação em relação à iterativa.

78 Ponteiros e Alocação Dinâmica (Aula 6)
Christiano Lima Santos

79 Sumário Motivação; Definição de ponteiro; Tipos de ponteiro;
Apontando para um endereço nulo; Apontando e recuperando uma variável; Apontando e Invocando um Subprograma; Alocação Dinâmica de Memória; Alocando e desalocando memória; Referências Bibliográficas.

80 Motivação Por que estudar alocação dinâmica se podemos criar todas as estruturas de forma estática? O que acontece em um programa com alocação estática quando precisamos de estruturas maiores do que as que foram criadas? Ponteiros e alocação dinâmica permite-nos criar diversos Tipos Abstratos de Dados; É fácil criá-los somente com alocação estática? Como seria?

81 Definição de ponteiro Tipo de variável que “aponta” para um outro endereço de memória; O conteúdo de uma variável ponteiro é o endereço de memória para o qual está apontando; Um ponteiro pode referenciar e “des-referenciar”;

82 Definição de ponteiro Um ponteiro pode apontar para:
Uma área com informação (uma variável ou conteúdo de uma variável); Uma rotina (procedimento ou função); Endereço nulo.

83 Tipos de Ponteiro Tipado – irá interpretar o dado do endereço referenciado segundo o seu tipo; Declaração: var p : ^integer; Não-Tipado – não está associado a um tipo, logo, é necessário fazer o typecasting da informação referenciada a fim de acessá-la; var p : Pointer;

84 Apontando para um endereço nulo
Em Pascal, nil representa um endereço nulo que qualquer ponteiro pode apontar; ponteiro := nil; if ponteiro = nil then writeln(‘Não está apontando’) else writeln(‘Está apontando para ’, ponteiro);

85 Apontando e Recuperando uma variável
program ponteiro1; uses crt; var p: ^integer; a: integer; BEGIN a := 12; p writeln(‘O endereço de a é: ’, p); writeln(‘O valor de a é: ’, p^); p^ := 6; writeln(‘O novo valor de a é: ’, p^, ‘. Confirmando: ’, a); readkey; END.

86 Apontando e Invocando um Subprograma
program ponteiro2; uses crt; var D: procedure(Arg: Byte); procedure rotina1(Arg: Byte); Begin writeln('Rotina 1 recebeu ', Arg); end; procedure rotina2(Arg: Byte); writeln('Rotina 2 recebeu ', Arg); BEGIN D D(10); { Irá imprimir: 'Rotina 2 recebeu 10' } END.

87 Alocação Dinâmica de Memória
É a criação (reserva) de um endereço de memória para uma dada variável do tipo ponteiro; Geralmente, quando alocamos dinamicamente um endereço de memória, devemos desalocá-la (na alocação estática, o compilador é encarregado disso).

88 Alocando e Desalocando Memória
program ponteiro3; uses crt; var p: ^integer; BEGIN new(p); p^ := 12; writeln(‘Endereço apontado: ’, p); writeln(‘Valor armazenado: ’, p^); readkey; dispose(p); END. Não confunda nil com new!

89 Referências Bibliográficas
Blog de João Morais,

90 Christiano Lima Santos
Listas (Aula 7) Christiano Lima Santos

91 Sumário Definição de Lista Características Tipos de Implementação
Lista Seqüencial Lista Encadeada ou Dinâmica Outros Tipos de Listas Implementação de uma Lista Referências Bibliográficas

92 Definição de Lista TAD que permite representação e manipulação de seus elementos de forma linear; Também chamada lista linear; L  e1, e2, ... , en;

93 Características Uma coleção de dados homogênea;
Itens dispostos em seqüência; Quantificável; Ordenável;

94 Tipos de Implementação
Seqüencial Encadeada ou Dinâmica

95 Lista Seqüencial Os itens são armazenados em posição contígua na memória; Podem ser implementadas por meio de um array! O programa executa um determinado cálculo para encontrar a posição na memória em que se encontra o elemento ei;

96 Lista Encadeada ou Dinâmica
A lista cresce dinamicamente, isto é, cada novo elemento é criado e inserido nela em tempo de execução; Se é criado em tempo de execução, precisamos usar ponteiros... Onde estará o ponteiro para cada elemento? Cada elemento possui o ponteiro para o próximo elemento; Listas podem ser encadeadas, duplamente encadeadas ou n-uplamente encadeadas (só depende de sua criatividade)!

97 Outros Tipos de Listas Podemos precisar de listas que satisfaçam certas restrições quanto à forma de recuperar um elemento ou de inserção do mesmo; Pilhas; Filas.

98 Implementação de uma Lista
Lista Seqüencial var lista: array [1..N] of integer; Lista Encadeada type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; var lista: TNo;

99 Referências Bibliográficas
[Não foram definidas]

100 Buscas em Listas (Aula 8)
Christiano Lima Santos

101 Sumário Definição de Busca Tipos de Busca Busca Seqüencial
Implementação Complexidade Busca Binária Busca Interpolada Implementação Complexidade Comparando os Três Métodos Referências Bibliográficas

102 Definição de Busca Operação de percurso de uma estrutura de dados e recuperação de uma informação baseado em algum campo-chave; Recuperação de informações em uma lista é uma operação importante e o tempo que operações de inserção, remoção e busca levam para serem processadas afetam diretamente a eficiência de um algoritmo.

103 Tipos de Busca Busca Seqüencial  baseia-se no percurso de todos os elementos de uma lista de forma seqüencial; Busca Binária  baseia-se no percurso dos elementos de uma lista levando em consideração o valor de chave esperado e o valor encontrado; Busca Interpolada  similar à busca binária, introduz cálculo de próxima posição a ser verificada levando em consideração os valores dos “elementos-limite”.

104 Busca Seqüencial “Se você não sabe por onde começar, comece pelo começo”; Não se conhece uma ordenação dentro da lista; Somos forçados a verificar um por um.

105 Busca Seqüencial - Implementação
function buscaSeq(lista: TLista; tamanho, chave: integer): integer; var i : integer; Begin For i := 1 to tamanho do If lista[i] = chave then buscaSeq := i; exit; End; buscaSeq := -1;

106 Busca Seqüencial - Complexidade
Qual a complexidade para: O melhor caso; O pior caso; O caso médio.

107 Busca Binária Quando os elementos de uma lista estão ordenados segundo um campo-chave, podemos tirar proveito disso; O primeiro elemento é o menor; O último elemento é o maior; O elemento do meio... é o do meio!

108 Busca Binária Suponha uma lista com valores ordenados de forma crescente; Dado um intervalo [A, B] (inicialmente, A é 1 e B é o tamanho da lista), calculo um elemento X = floor((A + B) / 2); Se lista[X] é o valor que procuro, retorno a posição / elemento encontrado; Senão, se lista[X] é maior que o valor que procuro, então devo olhar o intervalo que possui os valores menores que lista[X], ou seja, [A, X-1]; Senão, se lista[X] é menor que o valor que procuro, então devo olhar o intervalo que possui os valores maiores que lista[X], ou seja, [X+1, B]; Repito todo o processo até encontrar (ou não!) o elemento.

109 Busca Binária - Implementação
function buscaBin(lista: TLista; tamanho, chave: integer): integer; var A, B, X: integer; Begin A := 1; B := tamanho; While (A <= B) do X := floor( (A + B) / 2); If lista[X] = chave then buscaBin := X; exit; End Else If lista[X] < chave then A := X + 1 Else B := X - 1; End; buscaBin := -1;

110 Busca Binária - Complexidade
Qual a complexidade para: O melhor caso; O pior caso; O caso médio.

111 Busca Interpolada Similar à busca binária, leva em conta a ordenação dos dados de uma lista; Entretanto, em vez de “olhar” sempre o elemento mediano, efetua um cálculo que busca estimar onde o elemento desejado deve estar.

112 Busca Interpolada Se tenho uma lista ordenada crescente com 50 elementos, o primeiro é o 1 e o último é o 1000, onde provavelmente estará o 999? Próximo do início; No meio; Próximo do fim.

113 Busca Interpolada Basta mudar o cálculo do termo X:
X := 1 + floor((tamanho - 1)*(chave – lista[A])/(lista[B] – lista[A]));

114 Busca Interpolada - Implementação
function buscaInterp(lista: TLista; tamanho, chave: integer): integer; var A, B, X: integer; Begin A := 1; B := tamanho; While (A <= B) do X := 1 + floor((tamanho - 1)*(chave – lista[A])/(lista[B] – lista[A])); If lista[X] = chave then buscaInterp := X; exit; End Else If lista[X] < chave then A := X + 1 Else B := X - 1; End; buscaInterp := -1;

115 Busca Interpolada - Complexidade
Qual a complexidade para: O melhor caso; O pior caso; O caso médio.

116 Comparando os Três Métodos
Em que ocasiões o busca seqüencial é melhor? O que é melhor: busca interpolada ou busca binária? E se na busca binária / interpolada comparássemos também os valores dos extremos com o valor da chave, melhoraríamos a eficiência?

117 Referências Bibliográficas
[Não foram definidas]

118 Listas Encadeadas (Aula 9)
Christiano Lima Santos

119 Sumário Definição de Lista Encadeada Listas Encadeadas Estáticas
Listas Encadeadas Dinâmicas Listas Encadeadas Simples Operações em Listas Encadeadas Definindo nossa Lista Encadeada Inserção na Lista Encadeada Busca na Lista Encadeada Remoção na Lista Encadeada Referências Bibliográficas

120 Definição de Lista Encadeada
Toda lista linear onde cada elemento (geralmente chamado nó) possui algum apontador para o próximo elemento; Esse encadeamento produz a estrutura linear da lista. ... | | |

121 Lista Encadeadas Estáticas
Alguns autores consideram a possibilidade de listas encadeadas criadas de forma estática; Exemplo de lista encadeada não dinâmica; O apontadores são inteiros. 4 1 Carlos 5 2 Erica -1 3 Beth Ana Davi

122 Listas Encadeadas Dinâmicas
Permitem a inserção de novos elementos com menos restrições quanto à posição (não precisa ser contígua) ou quantidade.

123 Listas Encadeadas Simples
Cada nó possui um único apontador para o próximo nó; Para fins de facilitar a inserção, alteração (quando ordenada), remoção e busca pelo valor presente em um nó qualquer da lista, podemos eleger um campo (ou atributo) do nó para ser o campo-chave do mesmo; Podem ser implementadas com listas seqüenciais ou dinâmicas.

124 Operações em Lista Encadeada
Criação; Inserção; Busca / Recuperação; Remoção.

125 Definindo Nossa Lista Encadeada (opção 1)
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TLista = PNo;

126 Definindo Nossa Lista Encadeada (opção 2)
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TLista = record primeiro: PNo; ultimo: PNo; tamanho: integer;

127 Inserção na Lista Encadeada
//Inserção no fim da Lista procedure inserirFim(var a: TLista; var v: integer); var p, t: PNo; Begin new(p); p^.valor := v; p^.proximo := nil; if a = nil then a := p else begin t := a; while (t^.proximo <> nil) do t := t^.proximo; t^.proximo := p; end;

128 Inserção na Lista Encadeada
//Inserção no início da Lista procedure inserirInicio(var a: TLista; var v: integer); var p, t: PNo; Begin new(p); p^.valor := v; p^.proximo := a; a := p; end;

129 Inserção na Lista Encadeada
//Inserção ordenada procedure inserirOrdenado(var a: TLista; var v: integer); var p, t: PNo; Begin new(p); p^.valor := v; p^.proximo := nil; if a = nil then a := p else if a^.valor >= v then begin p^.proximo := a; a := p; end else t := a; while ((t^.proximo <> nil) && ((t^.proximo^).valor < v)) do t := t^.proximo; if (t.proximo = nil) then t^.proximo := p p^.proximo := t^.proximo; t^.proximo := p; end;

130 Busca na Lista Encadeada
//Busca Seqüencial function buscaSeq(a: TLista; v: integer): PNo; var t: PNo; Begin t := a; while ((t <> nil) && (t^.valor <> v)) t := t^.proximo; buscaSeq := t; End;

131 Busca na Lista Encadeada
Em Listas Encadeadas Dinâmicas, Busca Binária ou Interpolada, é possível? Há vantagens em seu uso em relação à Busca Seqüencial?

132 Remoção na Lista Encadeada
Como seria a remoção de um elemento em uma lista encadeada? E a remoção de todos os elementos? No caso de remoção de um elemento (e), tomar o cuidado para garantir que o anterior (t) dele passe a apontar para o sucessor dele (t.proximo := e.proximo); No caso de remoção de todos os elementos, a idéia é percorrer todos os elementos da lista, removendo-os (dispose); Cuidado para não remover um elemento antes de guardar a referência para o próximo  como saber quem é o próximo elemento de um elemento que não mais existe?

133 Referências Bibliográficas
[Não foram definidas]

134 Christiano Lima Santos
Pilhas & Filas (Aula 10) Christiano Lima Santos

135 Sumário Definição de Pilha Definição de Fila Exercícios
Exemplo de Pilha no Mundo Real Implementação de uma Pilha Definição de Fila Exemplo de Fila no Mundo Real Implementação de uma Fila Exercícios Referências Bibliográficas

136 Definição de Pilha Toda lista linear onde o último elemento a entrar é o primeiro a sair (ou o primeiro a entrar é o último a sair, FILO); Para satisfazer esta condição, basta que a inserção e remoção sejam feitas na mesma extremidade da lista (head); Obviamente, não é necessário ordenar;

137 Exemplo de Pilha no Mundo Real
Um baralho de cartas, colocadas uma a uma sobre a mesa, umas sobre as outras, formando um monte; A carta mais ao topo (a primeira a ser removida) foi a última a ser colocada sobre o monte;

138 Implementação de uma Pilha
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TPilha = record head: PNo; function push(var pilha: TPilha; valor: integer): Boolean; function pop(var pilha: TPilha): integer;

139 Implementação de uma Pilha
Push: Nada mais é que o nosso método inserirInicio! Pop: Como devemos inserir e remover da mesma extremidade da lista, devemos então remover do início, devolvendo então o valor daquele elemento.

140 Implementando o Método Push
function push(var pilha: TPilha; valor: integer): Boolean; var p, t: PNo; Begin new(p); p^.valor := v; p^.proximo := pilha.head; pilha.head := p; push := true; end;

141 Implementando o Método Pop
function pop(var pilha: TPilha): integer; var p: PNo; Begin if (pilha.head = nil) then pop := -1 else begin p := pilha.head; pilha.head := pilha.head^.proximo; pop := p^.valor; dispose(p); end;

142 Definição de Fila Toda lista linear onde o primeiro elemento a entrar é o primeiro a sair (FIFO); Para satisfazer esta condição, basta que a inserção seja feita em uma extremidade (tail) da lista e a remoção seja feita na outra extremidade (head); Obviamente, também não é necessário ordenar;

143 Exemplo de Fila no Mundo Real
Muitas coisas são ordenadas por fila; A fila de um banco por exemplo; ... e a fila do RESUN? Muitos processos e requisições em um computador são organizados e gerenciados por meio de filas.

144 Implementação de uma Fila
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TFila = record head: PNo; tail: PNo; function push(var pilha: TFila; valor: integer): Boolean; function pop(var pilha: TFila): integer;

145 Implementação de uma Fila
Push: Apesar de inserir no final, nós não precisaremos percorrer toda a fila para inserir no fim; Nós mantemos um ponteiro para o último elemento! Pop: A remoção continua sendo feita na cabeça, o que facilita muito as coisas.

146 Implementando o Método Push
function push(var fila: TFila; valor: integer): Boolean; var p, t: PNo; Begin new(p); p^.valor := v; p^.proximo := nil; if (fila.tail = nil) then fila.head := p else fila.tail^.proximo := p; fila.tail := p; push := true; end;

147 Implementando o Método Pop
function pop(var fila: TFila): integer; var p: PNo; Begin if (fila^.head = nil) then pop := -1; else begin p := fila; fila^.head := fila^.head^.proximo; fila^.tail := nil; pop := p^.valor; dispose(p); end;

148 Exercício Crie um jogo para ser disputado por duas pessoas com dois “modos” (o modo pilha e o modo fila) e a opção de sair; Primeiro, Deve-se escolher quantos números serão embaralhados e ocultos e qual o modo de organização dos mesmos; Em segundo lugar, o jogo deverá ir inserindo cada número (0 <= K <= 9) na pilha/fila, mostrando um de cada vez na tela (lembre-se de limpar ela por inteiro a cada número mostrado); Após isso, os jogadores devem alternar-se tentando adivinhar qual o próximo número a ser removido do jogo. Ganha quem não errar. Caso acabem todos os números, declarar empate; Quando os jogadores escolherem sair, mostrar o placar final e encerrar o jogo.

149 Referências Bibliográficas

150 Outros Tipos de Listas (Aula 11)
Christiano Lima Santos

151 Sumário Lista Duplamente Encadeada Lista Circular Exercícios
Declaração Operações Lista Circular Exercícios Referências Bibliográficas

152 Lista Duplamente Encadeada
Uma estrutura de dados linear que se utiliza de dois ponteiros (um apontando o elemento anterior e outro o posterior) a fim de permitir percorrer a mesma não somente avançando, como também recuando; ... I | | | |

153 Lista Duplamente Encadeada
Vantagem: Facilidades na hora de procurar um elemento, principalmente se o mesmo estiver antes da atual posição pesquisada; Desvantagem: Nas inserções, remoções e alterações, isso significa mais ponteiros para atualizar, o que pode levar programadores não muito bons a cometer falhas (o que não é o caso de vocês!).

154 Declaração de uma Lista Duplamente Encadeada (opção 1)
type PNo = ^TNo; TNo = record valor: integer; anterior: PNo; proximo: PNo; end; TLista = PNo;

155 Declaração de uma Lista Duplamente Encadeada (opção 2)
type PNo = ^TNo; TNo = record valor: integer; anterior: PNo; proximo: PNo; end; TLista = record primeiro: PNo; ultimo: PNo; tamanho: integer;

156 Operações em Lista Duplamente Encadeada
Operações Básicas: Criação; Inserção; Busca / Recuperação; Remoção; Como seriam essas operações em uma Lista DE se ela não estiver ordenada? E se estiver ordenada?

157 Lista Circular Estrutura de dados linear em que o último elemento aponta para o primeiro; Lista em que todo elemento possui um “sucessor” (o sucessor do último é o primeiro elemento); Pode-se adotar encadeamento simples, duplo ou outro qualquer;

158 Lista Circular Observações:
Não há mais elementos apontando para nil, logo não podemos mais identificar o último elemento desta forma! Mas podemos parar quando percebermos que o próximo é o “primeiro elemento” (apontado pela lista circular); Podemos até mesmo deslocar a “cabeça” da lista sem que se perca a referência para nenhum dos elementos; Mas isso não é interessante caso a lista seja ordenada.

159 Declaração de uma Lista Circular (opção 1)
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TLista = PNo;

160 Declaração de uma Lista Circular (opção 2)
type PNo = ^TNo; TNo = record valor: integer; proximo: PNo; end; TLista = record primeiro: PNo; tamanho: integer;

161 Operações em Lista Circular
Operações Básicas: Criação; Inserção; Busca / Recuperação; Remoção; Como seriam essas operações em uma Lista Circular se ela não estiver ordenada? E se estiver ordenada?

162 Exercícios Implemente as operações de inserção, busca, alteração e remoção para: Lista duplamente encadeada não-ordenada; Lista duplamente encadeada ordenada; Lista circular.

163 Referências Bibliográficas
[Não foram definidas]

164 Christiano Lima Santos
Árvores (Aula 12) Christiano Lima Santos

165 Sumário Definição de Árvore Representação Gráfica
Classificação das Árvores Declaração de uma Árvore N-ária Declaração de uma Árvore Não N-ária Nível de um Nó Altura ou Profundidade de uma Árvore Percurso de uma Árvore Inserção em uma Árvore Remoção em uma Árvore Árvores Binárias Árvores Binárias de Busca Inserção em uma Árvore Binária de Busca Busca em uma Árvore Binária de Busca Deleção em uma Árvore Binária de Busca Comparações entre Ordens de Complexidade Referências Bibliográficas

166 Definição de Árvore Estrutura de dados não linear;
Um grafo totalmente conexo e acíclico; Analogia a uma árvore (reino vegetal): Raiz; Folhas; “galhos” ou sub-árvores – conceito de poda.

167 Representação Gráfica

168 Classificação das Árvores
Uma árvore pode ser classificada de diversas formas diferentes, uma delas é pelo número máximo de nós-filhos que cada nó-pai pode ter: Binária (dois nós); Ternária (três nós); Quaternária (quatro nós); N-ária (N nós); Não N-ária (quando não conhecemos ou não há um número máximo de nós-filhos para cada nó-pai).

169 Declaração de uma Árvore N-ária
const N = 2; type PNo = ^Tno; TNo = record valor: integer; filhos: array [1..N] of PNo; end; TArvore = PNo;

170 Declaração de uma Árvore Não N-ária
type PNo = ^TNo; TNo = record valor: integer; irmao: PNo; filho: PNo; end; TArvore = PNo;

171 Nível de um Nó Refere-se à distância do mesmo até a raiz; 1 2 3

172 Altura ou Profundidade de uma Árvore
É o nível máximo que um nó da árvore atinge; 1 2 3 A altura desta árvore é 3! Ela possui 4 níveis!

173 Percurso de uma Árvore Também conhecido como travessia;
Consiste em percorrer (em uma dada ordem) todos os nós de um árvore ou até encontrar algum que satisfaça ao problema em questão; É empregado, por exemplo, na busca de um nó a partir de uma chave;

174 Percurso de uma Árvore Tipos Pré-ordem / pre-order;
Em-ordem / in-order; Pós-ordem / pos-order.

175 Percurso Pré-Ordem Processa primeiro a informação do nó atual, para só então processar a informação de seus filhos; função x (no) Início processa no; aplica função x para cada filho de no; Fim;

176 Percurso Pré-Ordem function buscaTelefone(no: PNode; nome: String): String; var s: String; Begin if no = nil then buscaTelefone := “” else if no.nome = nome then buscaTelefone := no.telefone else begin s := buscaTelefone(no.filho1, nome); if s <> “” then buscaTelefone := s s := buscaTelefone(no.filho2, nome); buscaTelefone := “”; end; End;

177 Percurso Em-Ordem Neste caso, um filho (ou parte dos filhos) é processado primeiro, o nó atual é então processado e, por fim, o outro filho (ou parte dos filhos); função x (no) Início aplica função x para parte dos filhos de no; processa no; Fim;

178 Percurso Pós-Ordem Neste caso, todos os filhos do nó atual devem ser processados antes que o mesmo o seja; função x (no) Início aplica função x para cada filho de no; processa no; Fim;

179 Inserção em uma Árvore Cria-se o novo nó (método new) e popula-se o mesmo com as informações desejadas; Pode utilizar algum critério para determinar em qual nó e em qual posição o novo nó deverá ficar; O pai deve apontar para o filho.

180 Remoção em uma Árvore Utiliza-se de um outro ponteiro ( t ) para apontar para o objeto que se deseja remover; Após isso, reorganiza-se seus filhos a fim de que seu pai possa apontara para esses e ninguém ficar “abandonado”, eliminando o vínculo entre a árvore e o nó-alvo; Por fim, elimina-se o nó (método dispose); E se nosso objetivo for remover TODOS os nós de uma árvore, qual método de percurso você utilizaria? Por quê?

181 Árvores Binárias Árvores onde cada nó possui no máximo dois filhos;
Muito usadas em computação; Cada nível pode ter no máximo 2N nós, onde N é o valor do nível; Quantidade de níveis que uma árvore binária com N nós pode ter: Máximo: N; (árvore degenerada) Mínimo: Log2 N + 1; (árvore completa)

182 Árvores Binárias Dado um nó qualquer, ele possuirá uma sub-árvore esquerda e uma sub-árvore direita (podendo qualquer uma delas ou ambas não possuir elementos); Sub-árvore direita Sub-árvore esquerda

183 Árvores Binárias de Busca
Ou árvores de busca binária (tanto faz!); São árvores em que é possível determinar em que direção buscar um dado nó a partir do valor do pai e levando-se em consideração alguma regra quanto à disposição dos filhos; Nós com valores menores que o pai à esquerda, nós com valores maiores que o pai à direita; Nós que satisfazem uma condição expressa pelo pai de um lado e nós que não satisfazem do outro; O que acontecerá se a árvore de busca não estiver bem balanceada?

184 Inserção em uma Árvore Binária de Busca
function inserir(var arvore: TArvore; valor: integer): boolean; var p, t: PNode; Begin new(p); p.valor := valor; p.filho[1] := nil; p.filho[2] := nil; if arvore = nil then arvore := p else begin t := arvore; while t <> nil do if (t^.valor > valor) then if t^.filho[1] = nil then t^.filho[1] := p; inserir := true; exit; end else t := t^.filho[1]; end else if t^.valor < valor then begin if t^.filho[2] = nil then t^.filho[2] := p; inserir := true; exit; t := t^.filho[2]; inserir := false; exit; end;

185 Busca em uma Árvore Binária de Busca
function buscar(arvore: TArvore; valor: integer): PNode; var t:PNode; Begin if (arvore = nil) then buscar := nil else begin t := arvore; while (t <> nil) do if t^.valor > valor then t := t^.filho[1] else if t^.valor < valor then t := t^.filho[2] else begin buscar := t; exit; end; buscar := nil;

186 Deleção em uma Árvore Binária de Busca
Caso 1: Remover um nó que não possui filhos

187 Deleção em uma Árvore Binária de Busca
Caso 2: Remover um nó que possui um filho

188 Deleção em uma Árvore Binária de Busca
Caso 3: Remover um nó que possui dois filhos Escolher o nó mais à esquerda da sub-árvore direita (ou mais à direita da sub-árvore esquerda) para “substituí-lo; Com isso, teremos que remover o nó selecionado de onde ele está  abordagem recursiva.

189 Comparações entre Ordens de Complexidade

190 Referências Bibliográficas
[Não foram definidas]

191 Christiano Lima Santos
Árvores AVL (Aula 13) Christiano Lima Santos

192 Sumário Definição de Árvore AVL Representação Gráfica Operações
Inserção Remoção Rotação Simples À Esquerda À Direita Dupla Pesquisa Referências Bibliográficas

193 Definição de Árvore AVL
Trata-se de uma Árvore de Busca Binária Auto-Balanceada, isto é, que mantém o balanceamento de sua árvore em cada operação executada; A maior diferença possível entre os níveis de dois nós-folhas é 1;

194 Representação Gráfica
Árvore Não-Balanceada Árvore AVL (Balanceada)

195 Operações Inserção Remoção Rotação Simples (à esquerda ou à direita);
Dupla.

196 Inserção Efetua-se a busca pelo nó (igual a qualquer outra árvore de busca binária); Insere-se o nó; Verifica-se se ela está balanceada, caso não esteja, efetuar rotação (simples ou dupla) até que esteja.

197 Remoção Efetua-se a busca pelo nó (igual a qualquer outra árvore de busca binária); Rotaciona-se até que o mesmo seja um nó-folha e remova-o; Por quê? A remoção de um nó sem filhos é o caso mais simples! Verifique se a árvore se encontra balanceada, caso não esteja, efetue rotações.

198 Rotação Operação em que a ordem dos nós em uma árvore de busca binária pode ser invertida a fim de manter o balanceamento da mesma; Pode ser simples (um único passo, rotacionando à esquerda ou à direita) ou dupla (efetuando mais de uma vez a rotação, em qualquer combinação de rotações simples);

199 Rotação Simples Ocorre quando o nó desbalanceado e o seu filho estão no mesmo sentido de inclinação da árvore; Formam “uma linha reta”;

200 Rotação à Esquerda Dado um nó X com um filho à direita Y e este tendo um filho à esquerda Z; Pseudo-código: Seja Y o filho à direita de X; Torne X o filho à esquerda de Y; Torne o filho à esquerda de Y (Z) o filho à direita de X;

201 Rotação à Direita Dado um nó X com um filho à esquerda Y e este tendo um filho à direita Z; Pseudo-código: Seja Y o filho à esquerda de X; Torne X o filho à direita de Y; Torne o filho à direita de Y (Z) o filho à esquerda de X;

202 Rotação Dupla Ocorre quando o nó desbalanceado está em um sentido da inclinação e o seu filho em outro; Formam, assim, “um joelho”.

203 Pesquisa O tempo médio para encontrar um elemento em uma árvore AVL é da ordem de O (log n) Aproximadamente 1.44 log2 n no pior caso

204 Referências Bibliográficas
- Aplicação interessante para compreender árvores AVL

205 Classificação de Dados (Aula 14)
Christiano Lima Santos

206 Sumário Por que estudar métodos para classificação de dados?
Alguns tipos de algoritmos de classificação Seleção Direta (Selection Sort) Inserção Direta (Insertion Sort) Método da Bolha (Bubble Sort) Método do Balde (Bucket Sort) QuickSort MergeSort HeapSort Referências Bibliográficas

207 Por que estudar métodos para classificação de dados?
Qual a importância da ordenação dos dados quando se deseja uma busca mais eficiente ou classificar os mesmos segundo algum critério? Há muita diferença entre o tempo de processamento de um algoritmo de ordenação O(n log n) e o tempo de um algoritmo de ordenação O(n2), quando executados sobre uma base com um milhão de dados? Sendo assim, torna-se interessante o estudo dos diversos tipos de algoritmos de ordenação?

208 Alguns Tipos de Algoritmos de Classificação
Seleção direta (selection sort) Inserção direta (insertion sort) Método da Bolha (bubble sort) Método do “Balde” (bucket sort) Quicksort Mergesort Heapsort

209 Seleção Direta (Selection Sort)
Definição Trata-se de um algoritmo de comparação in-loco, isto é, executa comparações e operações de troca na própria estrutura original, sem necessidade de usar uma estrutura auxiliar; É o algoritmo mais simples de implementar, infelizmente, é também o mais ineficiente de todos os aqui apresentados; Dado um array/lista não ordenado, varre-o por completo procurando o primeiro menor elemento presente no mesmo, trocando o mesmo de lugar com o primeiro elemento do array; Após isso, procura o segundo menor elemento presente no mesmo e troca de posição com o segundo elemento do array. Procede desta forma até processar os N elementos;

210 Seleção Direta (Selection Sort)
Ilustração

211 Seleção Direta (Selection Sort)
Implementação function selecaoDireta(var a: array [1..N] of real):boolean; var i, j, menor : integer; v: real; begin for i := 1 to N do menor := i; for j := i+1 to N do if a[menor] > a[j] then menor := j; end; if menor <> i then begin v := a[i]; a[i] := a[menor]; a[menor] := v; end; selecaoDireta := true;

212 Seleção Direta (Selection Sort)
Complexidade Tanto para o pior caso, quanto para o caso médio e para o melhor caso, o algoritmo sempre precisará efetuar: N operações para encontrar o primeiro menor elemento; N-1 operações para encontrar o segundo menor elemento; ... 1 operação para encontrar o n-ésimo menor elemento; Total: N = N(N+1)/2 = O(n2)

213 Inserção Direta (Insertion Sort)
Definição Dado um array/lista Y não ordenado, inicia com uma lista X vazia. Pega o primeiro elemento de Y e varre toda a lista X procurando a posição correta para inseri-lo e, então, o insere. Pega o segundo elemento e também varre toda a lista X, procurando a posição correta e insere-o. Procede desta forma até processar os N elementos;

214 Inserção Direta (Insertion Sort)
Ilustração

215 Inserção Direta (Insertion Sort)
Implementação function insercaoDireta(var y: array [1..N] of real):boolean; var x,t: TLista; i: integer; begin x := nil; for i := 1 to N do insercaoOrdenada(x, y[i]); t := x; i := 1; while (x <> nil) do begin y[i] := x^.valor; x := x^.proximo; dispose(t); t := x; end; insercaoDireta := true;

216 Inserção Direta (Insertion Sort)
Complexidade Melhor Caso: O(n), pois ele simplesmente pegará cada elemento e inserirá na cabeça da lista; Pior Caso: O(n2), pois para cada elemento ele terá que inseri-lo na cauda da lista, o que significará N = N(N+1)/2 operações; Caso Médio: O(n2).

217 Método da Bolha (Bubble Sort)
Definição Varre do início ao fim, sempre checando se o elemento xi é menor ou igual ao xi+1. Se for, passa para o próximo par (xi+1 e xi+2), caso não seja, inverte suas posições e recua uma posição para checar então com o anterior (xi-1 e xi). Procede desta forma até varrer toda a estrutura e chegar ao fim; Este algoritmo de classificação também é in-loco, isto é, dispensa a utilização de estruturas auxiliares para efetuar a classificação dos dados.

218 Método da Bolha (Bubble Sort)
Ilustração

219 Método da Bolha (Bubble Sort)
Implementação function metodoDaBolha(insercaoDireta(var y: array [1..N] of real):boolean; var i: integer; c: real; begin i := 1; while (i < N) do if (y[i] <= y[i+1]) then i := i + 1 else begin c := y[i]; y[i] := y[i+1]; y[i+1] := c; i := i – 1; if (i < 1) then i := 1; end; metodoDaBolha := true;

220 Método da Bolha (Bubble Sort)
Complexidade Melhor Caso: O(n), pois passa uma vez só por cada par (todos os dados já estão ordenados); Pior Caso: O(n2), onde os dados estão na ordem inversa e portanto levará executará N trocas; Caso médio: O(n2);

221 Método do Balde (Bucket Sort)
Definição Cria K buckets identificados e ordenados segundo algum critério (buckets contendo elementos de 1 a 10, buckets contendo elementos de 11 a 20, etc.) e então armazena os elementos dentro de cada bucket correspondente. Após isso, pode-se aplicar a cada bucket o algoritmo de ordenação que melhor convier; Este método geralmente se utiliza de um array de buckets como estrutura auxiliar, cada qual podendo ser implementado como um array ou uma lista.

222 Método do Balde (Bucket Sort)
Ilustração

223 Método do Balde (Bucket Sort)
Implementação (pseudo-código) function bucket-sort(array, n) is buckets ← new array of n empty lists for i = 0 to (length(array)-1) do insert array[i] into buckets[position(array[i], k)] for i = 0 to n - 1 do next-sort(buckets[i]) return the concatenation of buckets[0], ..., buckets[n-1]

224 Método do Balde (Bucket Sort)
Implementação function metodoDoBalde(var y: array [1..N] of real; k: integer):Boolean; var bucket: array [1..k] of record slots: array [1..N] of real; index: integer; end; menor, maior: real; i,j,c: integer;

225 Método do Balde (Bucket Sort)
Implementação (continuação) begin menor := y[1]; maior := y[1]; for i := 1 to N do if y[i] > maior then maior := y[i]; if y[i] < menor then menor := y[i]; end;

226 Método do Balde (Bucket Sort)
Implementação (continuação) for i := 1 to N do begin j := 1 + k*(y[i] - menor)/(maior – menor + 1); bucket[j].index := bucket[j].index + 1; bucket[j].slots[bucket[j].index] := y[i]; end; c := 1;

227 Método do Balde (Bucket Sort)
Implementação (continuação) for j := 1 to k do begin selecaoDireta(bucket[j].slots, bucket[j].index); for i := 1 to bucket[j].index do y[c] := bucket[j].slots[i]; c := c + 1; end; metodoDoBalde := true;

228 Método do Balde (Bucket Sort)
Complexidade Depende do algoritmo de classificação a ser usado em cada bucket;

229 Quicksort Definição Algoritmo “dividir para conquistar”. Escolhe um pivô dentro da lista de dados a ordenar e cria dois grupos, um com os números menores que ele (à esquerda) e outro com números maiores que ele (à direita). Após isso, o algoritmo é executado para cada grupo, escolhendo-se novamente um pivô e dividindo-se em dois grupos menores. O processo procee até que cada grupo contenha somente um elemento, concatenando todos e formando uma lista ordenada;

230 Quicksort Ilustração [Ops! Não escrevi aqui!]

231 Quicksort Implementação
function quicksort(var y: array [1..N] of real, IniVet, FimVet: integer): boolean; var i, j: integer; pivo, aux: real; Início i := IniVet; j := FimVet; pivo := y[(IniVet + FimVet) div 2]; repeat while (y[i] < pivo) AND (i < FimVet) do i := i + 1; while (y[j] > pivo) AND (j > FimVet) do j := j – 1; if (i <= j) then begin aux := y[i]; y[i] := y[j]; y[j] := aux; i := i + 1; j := j – 1; end; until (i > j); if (j > IniVet) then quicksort(y, IniVet, j); if (i < FimVet) then quicksort(y, i, FimVet)

232 Quicksort Complexidade [Ops! Não escrevi aqui!]

233 Mergesort Definição Também algoritmo “dividir para conquistar”. “Quebra” a lista em listas menores, até que cada lista contenha somente um elemento, quando então começa a ordená-las fazendo um “merge”, isto é, juntando duas listas diferentes por vez mantendo a nova ordem dos elementos;

234 Mergesort Ilustração [Ops! Não escrevi aqui!]

235 Mergesort Implementação [Ops! Não escrevi aqui!]

236 Mergesort Complexidade [Ops! Não escrevi aqui!]

237 Heapsort Definição Utiliza uma árvore binária chamada “heap” para ordenar os dados. Todo o problema aqui resume-se à criação desta árvore, bem como a remoção de cada nó da mesma sem alterar a ordenação.

238 Heapsort Ilustração [Ops! Não escrevi aqui!]

239 Heapsort Implementação [Ops! Não escrevi aqui!]

240 Heapsort Complexidade [Ops! Não escrevi aqui!]

241 Referências Bibliográficas
[Não foram definidas]