DM860: Online algoritmer

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340035102
Censur: Ekstern prøve
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidatkursus forhåndsgodkendt som Ph.d.-kursus

STADS ID (UVA): N340035101
ECTS-point: 10

Godkendelsesdato: 09-05-2025


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Kurset blev udbudt F21 og eksamensforsøg for DM860 udbydes: januar 2022, første reeksamen marts 2022 og 2. reeksamen i juni 2022.

Kurset udbydes efter behov og udbydes ikke nødvendigvis hvert år. Eksamensforsøg for DM860 udbydes efter følgende plan, når kurset udbydes: Ordinær eksamen (januar), første reeksamen (marts) og 2. reeksamen i (juni eller august).

Indgangskrav

Bestået bachelorgrad i datalogi, matematik, anvendt matematik, matematik-økonomi eller tilsvarende.

Faglige forudsætninger

Studerende, der følger kurset, forventes at kunne anvende grundlæggende sandsynlighedsteori og analysere algoritmer.

Kurset bygger oven på den viden, der er erhvervet i kurserne DM549 Diskrete Metoder til Datalogi eller MM537 Introduktion til Matematiske Metoder, DM551 Algoritmer og Sandsynlighed eller MM541 Kombinatorisk Matematik, DM507 Algoritmer og Datastrukturer, og DM553 Kompleksitet og Beregnelighed.

Kurset giver et fagligt grundlag for at lave et speciale indenfor online algoritmer. 

Formål

Kurset har til formål at sætte den studerende i stand til at forstå de grundlæggende begreber i online problemstillinger og algoritmer, især design- og analyseteknikker for online algoritmer.

Formålet med kurset er at studere online problemer og algoritmer. Et problem er online, hvis man skal behandle en sekvens af forespørgsler ved at træffe beslutning om hver eneste forespørgsel uden at kende de efterfølgende. Eksempler på online problemstillinger, der kan have denne natur, er pakning af containere, investeringer på børsen, fordeling af job til forskellige processorer, paging/buffer problemer, reorganisering af symboltabeller, reservation af båndbredde i et netværk og reservation af sæder i et tog. I kurset vil der blive lagt stor vægt på analysen af kvaliteten af algoritmerne, samt designteknikker.

Målbeskrivelse

For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at:

  • Lave competitive analyse på vilkårlige online algoritmer
  • Sammenligne to vilkårlige online algorithmer med relative worst order analyse
  • Bruge teknikker fra kurset til at designe og analysere deterministiske og randomiserede online algoritmer, samt online algoritmer med ”advice”.
  • Bevise øvre og nedre grænser mht. specifikke kvalitetsmål for online algoritmer
  • Tilpasse kendte online algoritmer til specialtilfælde af kendte problemer og til nye problemer 
  • Designe og analysere nye on-line algoritmer til at løse problemer, som i natur minder om problemer fra kurset

Indhold

Kurset indeholder følgende faglige hovedområder:

  • Competitive analyse
  • Andre kvalitetsmål, herunder relative worst order analyse
  • Deterministiske og randomiserede algoritmer, samt online algoritmer med ”advice”
  • Øvre og nedre grænser
  • Flere konkrete online problemstillinger, herunder paging og list accessing

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Efterår og januar

Udprøvninger

Portfolio

EKA

N340035102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Studiekort - Navn

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

Mundtlig eksamen - 30 minutter + 30 minutters forberedelse

Hjælpemidler

Alle almindelige hjælpemidler tilladt. Kun noter, der er lavet i forberedelsen, må medbringes til selve 
eksaminationen.

ECTS-point

10

Uddybende information

Portfolio bestående af følgende elementer:

  1. Et antal opgaver afleveret undervejs i kurset
  2. Afsluttende mundtlig prøve i eksamensperioden

For samlet at opnå en bestået karakter skal hhv. element 1 og 2 hver for sig leve op til målbeskrivelserne.
Bedømmelsen af element 1 finder sted i forbindelse med afviklingen af element 2.
Karakteren gives med udgangspunkt i element 2, men hvor element 1 kan trække karakteren op eller ned med ét karaktertrin

Vejledende antal undervisningstimer

72 timer per semester

Undervisningsform

Skemalagte undervisningstimer: 

Antal undervisningstimer i alt: 72

Heraf: 

Fællestimer i klasselokale/auditorium: 72  

I forelæsning introduceres og perspektiveres begreber, teorier og modeller. I øvelsestimer træner de studerende færdigheder og trænger dybere ned i det stof.

Andre planlagte undervisningsaktiviteter:  

  • Anvendelse af den tilegnede viden i projekter.
  • Sammenfatning af videnskabelige artikler/bogkapitler.

Ansvarlig underviser

Navn E-mail Institut
Joan Faye Boyar joan@imada.sdu.dk Algoritmer
Lene Monrad Favrholdt lenem@imada.sdu.dk Algorithms

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.