Ottimizzazione distribuita

Slides:



Advertisements
Presentazioni simili
Alberi binari Definizione Sottoalberi Padre, figli
Advertisements

Esercizi su alberi binari
Algoritmi Paralleli e Distribuiti a.a. 2008/09 Lezione del 22/05/2009 Prof. ssa ROSSELLA PETRESCHI a cura del Dott. SAVERIO CAMINITI.
Algoritmi Paralleli e Distribuiti a.a. 2008/09 Lezione del 19/05/2009 Prof. ssa ROSSELLA PETRESCHI a cura del Dott. SAVERIO CAMINITI.
Il problema del dizionario
Camil Demetrescu, Irene Finocchi, Giuseppe F. ItalianoAlgoritmi e strutture dati Copyright © The McGraw - Hill Companies, srl Alberi AVL (Adelson-Velskii.
Algoritmi e Strutture Dati Alberi Binari di Ricerca.
Esercizi su alberi binari
Alberi CORDA – Informatica A. Ferrari Testi da
Alberi Alberi radicati : alberi liberi in cui un vertice è stato scelto come radice. Alberi liberi : grafi non orientati connessi e senza cicli. Alberi.
Grammatiche non contestuali (1)
Prof.ssa Rossella Petreschi Lezione del 29/10/2012 del Corso di Algoritmi e Strutture Dati Riferimenti: Capitolo 19 del testo Cormen, Leiserson, Rivest,
Prog21 Alberi binari (radicati e ordinati) Il figlio destro della radice La radice Il figlio sinistro della radice Il padre del nodo 5.
Fondamenti di Informatica A - Massimo Bertozzi ALBERI E ALBERI BINARI DI RICERCA (BST)
Huffman Canonico: approfondimento. Come abbiamo visto, Huffman canonico ci permette di ottenere una decompressione più veloce e con un uso più efficiente.
Alberi. Gli alberi sono una generalizzazione delle liste che consente di modellare delle strutture gerarchiche come questa: Largo Fosco Dora Drogo Dudo.
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Esercitazioni di Prog. II (esercizi su alberi ennari)
Progettare algoritmi veloci usando strutture dati efficienti
Inserzione e Cancellazione
Branch and Bound Lezione n°19 Prof.ssa Rossella Petreschi
Branch and Bound Lezione n°14 Prof.ssa Rossella Petreschi
Algoritmi e Strutture Dati
Progettare algoritmi veloci usando strutture dati efficienti
Dizionari alberi bilanciati.
Alberi di ricerca di altezza logaritmica
Algoritmi Avanzati a.a.2014/2015 Prof.ssa Rossella Petreschi
Alberi binari Definizione Sottoalberi Padre, figli
Algoritmi Avanzati Prof.ssa Rossella Petreschi
B-alberi e alberi autoaggiustanti
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Algoritmi Avanzati a.a.2014/2015 Prof.ssa Rossella Petreschi
La gestione degli insiemi disgiunti
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Algoritmi Avanzati a.a.2014/2015 Prof.ssa Rossella Petreschi
Lezione n°4 Prof.ssa Rossella Petreschi
 c0=10 TP=10 TQ=1000 TR=100 IP.B=10 IQ.B=20 IQ.C=500 IR.C=25
Algoritmi Avanzati a.a.2010/2011 Prof.ssa Rossella Petreschi
K4 è planare? E K3,3 e K5 sono planari? Sì!
Algoritmi e Strutture Dati
Lezione n°11 Prof.ssa Rossella Petreschi
Lezione n°16 Prof.ssa Rossella Petreschi
Dizionari alberi bilanciati.
ABBINAMENTO Lezione n°13
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Lezione n°6 Prof.ssa Rossella Petreschi
Branch and Bound Lezione n°18 Prof.ssa Rossella Petreschi
Introduzione agli Algoritmi e alle Strutture Dati
Schema generale, visita in ampiezza e profondità.
Definizione di linguaggio di programmazione
Alberi n-ary Lezioni di C.
Algoritmi e Strutture Dati
Algoritmi e Strutture Dati
Progettare algoritmi veloci usando strutture dati efficienti
PASSO II Per ogni albero generato al passo I:
Algoritmi e Strutture Dati
Backtracking Lezione n°17 Prof.ssa Rossella Petreschi
Alberi di ricerca Lezione n°4
Nomi degli studenti che quest’anno hanno preso un voto
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Lezione n°7 Splay-Trees e Heaps Prof.ssa Rossella Petreschi
concetti ed applicazioni
Insiemi disgiunti.
Algoritmi e Strutture Dati
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
HeapSort Stesso approccio incrementale del selectionSort Tipo di dato
Transcript della presentazione:

Ottimizzazione distribuita System R*

Algoritmo Input: una query in forma di albero compattato i siti in cui si trovano le relazioni operando le condizioni di guardia delle relazioni operando il sito a cui deve comparire l’output Output: la query in forma di albero binario e i siti a cui ciascun nodo dell’albero deve essere calcolato

Passo I 1. Si portano il più possibile in basso le  e le  quando si incontra un nodo CHOICE si applica la  o la  a ciascun figlio di tale nodo quando la condizione di una selezione è in contrasto con una condizione di guardia si elimina il sottoalbero

AB B=‘b’  P R  S T Q1 Q2 CHOICE P=AC R=CD S=BD T=BD Q=BE Guardia su S: B=‘b’ Guardia su T: B=‘c’ B=‘b’  P R  CHOICE S T Q1 Q2

AB  P R  S B=‘b’ B=‘b’ Q1 Q2 CHOICE P=AC R=CD S=BD T=BD Q=BE Guardia su S: B=‘b’ Guardia su T: B=‘c’  P R  CHOICE S B=‘b’ B=‘b’ Q1 Q2

Passo I 2. Si visita l’albero compattato ottenuto a partire dalle foglie e ad ogni nodo viene associato un insieme costituito da tutti gli alberi binari che rappresentano la query che ha radice in quel nodo, procedendo nel modo seguente.

Passo I Siano: n il nodo visitato c1, c2 , …, ck i figli di n S1, S2 , …, Sk gli insiemi associati a c1, c2 , …, ck

Passo I Se n è: una foglia (k=0) R l’insieme associato è R una / (k=0) l’insieme associato si ottiene applicando / ad ogni elemento di S1 una CHOICE l’insieme associato è i=1,…kSi una / l’insieme associato è costruito nel modo seguente: in ogni albero binario con k foglie in cui i nodi interni sono / si sostituisce ad ogni foglia ci un elemento di Si

 P S Q R  P Q R S  P R Q S  R Q P S  S Q R P … etc.

 P S Q R  P Q R S  P S Q R  P R Q S … etc.

AB  P P R R  S S B=‘b’ (Q1 ) B=‘b’ (Q2 ) B=‘b’ B=‘b’ P=AC R=CD S=BD T=BD Q=BE Guardia su S: B=‘b’ Guardia su T: B=‘c’  P P R R  S CHOICE S B=‘b’ (Q1 ) B=‘b’ (Q2 ) B=‘b’ B=‘b’ Q1 Q1 Q2 Q2

B=‘b’(Q1), B=‘b’(Q2) S S AB P=AC R=CD S=BD T=BD Q=BE Guardia su S: B=‘b’ Guardia su T: B=‘c’  P P R R  B=‘b’(Q1), B=‘b’(Q2) S CHOICE S B=‘b’ B=‘b’ B=‘b’ (Q1 ) B=‘b’ (Q2 ) Q1 Q1 Q2 Q2

SB=‘b’(Q1), SB=‘b’(Q2) P P R R  AB  SB=‘b’(Q1), SB=‘b’(Q2) P P R R  S CHOICE S B=‘b’(Q1), B=‘b’(Q2) B=‘b’ B=‘b’ B=‘b’ (Q1 ) B=‘b’ (Q2 ) Q1 Q1 Q2 Q2

SB=‘b’(Q1), SB=‘b’(Q2) P P R R  AB (PR)  (SB=‘b’(Q1)), (PR)  (SB=‘b’(Q2)), (P (SB=‘b’(Q1))  R, (P (SB=‘b’(Q2))  R, (R (SB=‘b’(Q1))  P, (R (SB=‘b’(Q2))  P  SB=‘b’(Q1), SB=‘b’(Q2) P P R R  S CHOICE S B=‘b’(Q1), B=‘b’(Q2) B=‘b’ B=‘b’ B=‘b’ (Q1 ) B=‘b’ (Q2 ) Q1 Q1 Q2 Q2

SB=‘b’(Q1), SB=‘b’(Q2) P P R R  AB((PR)  (SB=‘b’(Q1))), AB((PR)  (SB=‘b’(Q2))), AB((P (SB=‘b’(Q1))  R), AB((P (SB=‘b’(Q2))  R), AB((R (SB=‘b’(Q1))  P), AB((R (SB=‘b’(Q2))  P) AB (PR)  (SB=‘b’(Q1)), (PR)  (SB=‘b’(Q2)), (P (SB=‘b’(Q1))  R, (P (SB=‘b’(Q2))  R, (R (SB=‘b’(Q1))  P, (R (SB=‘b’(Q2))  P  SB=‘b’(Q1), SB=‘b’(Q2) P P R R  S CHOICE S B=‘b’(Q1), B=‘b’(Q2) B=‘b’ B=‘b’ B=‘b’ (Q1 ) B=‘b’ (Q2 ) Q1 Q1 Q2 Q2

AB((PR)  (SB=‘b’(Q1))), AB((P (SB=‘b’(Q1))  R), AB((P (SB=‘b’(Q2))  R), AB((R (SB=‘b’(Q1))  P), AB((R (SB=‘b’(Q2))  P) AB  S Q1  P R B=‘b’

AB((PR)  (SB=‘b’(Q1))), AB((P (SB=‘b’(Q1))  R), AB((P (SB=‘b’(Q2))  R), AB((R (SB=‘b’(Q1))  P), AB((R (SB=‘b’(Q2))  P) AB  P R  S Q1 B=‘b’