StudierendeLehrende

Kmp Algorithm

Der KMP-Algorithmus (Knuth-Morris-Pratt) ist ein effizienter Algorithmus zur Mustererkennung, der verwendet wird, um ein Teilmuster in einem Text zu finden. Er zeichnet sich dadurch aus, dass er die Zeitkomplexität auf O(n+m)O(n + m)O(n+m) reduziert, wobei nnn die Länge des Textes und mmm die Länge des Musters ist. Der Algorithmus basiert auf der Idee, dass er beim Nichtübereinstimmen eines Zeichens im Muster nicht das gesamte Muster zurücksetzt, sondern stattdessen Informationen über bereits geprüfte Teile des Musters nutzt.

Dies geschieht durch den Aufbau einer Längentabelle (Prefix-Tabelle), die für jedes Zeichen im Muster angibt, wie viele Zeichen des Musters bereits mit dem Text übereinstimmen. Die Nutzung dieser Tabelle ermöglicht es dem Algorithmus, effizienter durch den Text zu iterieren, ohne unnötige Vergleiche durchzuführen. Dadurch wird die Suche erheblich beschleunigt, vor allem bei langen Texten und Mustern.

Weitere verwandte Begriffe

contact us

Zeit zu lernen

Starte dein personalisiertes Lernelebnis mit acemate. Melde dich kostenlos an und finde Zusammenfassungen und Altklausuren für deine Universität.

logoVerwandle jedes Dokument in ein interaktives Lernerlebnis.
Antong Yin

Antong Yin

Co-Founder & CEO

Jan Tiegges

Jan Tiegges

Co-Founder & CTO

Paul Herman

Paul Herman

Co-Founder & CPO

© 2025 acemate UG (haftungsbeschränkt)  |   Nutzungsbedingungen  |   Datenschutzerklärung  |   Impressum  |   Jobs   |  
iconlogo
Einloggen

Reynolds-Averaging

Reynolds Averaging ist ein Verfahren zur Analyse turbulenter Strömungen, das von Osbourne Reynolds eingeführt wurde. Es basiert auf der Idee, dass turbulente Strömungen aus einem zeitlich gemittelten Teil und einem schwankenden Teil bestehen. Mathematisch wird dies durch die Zerlegung der Strömungsgrößen, wie Geschwindigkeit u\mathbf{u}u, in einen Mittelwert u‾\overline{\mathbf{u}}u und eine Fluktuation u′\mathbf{u}'u′ dargestellt, sodass gilt:

u=u‾+u′\mathbf{u} = \overline{\mathbf{u}} + \mathbf{u}'u=u+u′

Durch diese Zerlegung können die komplexen und chaotischen Eigenschaften turbulenter Strömungen in einfacher zu behandelnde Durchschnittswerte umgewandelt werden. Reynolds Averaging führt zur sogenannten Reynolds-gleichgewichtsgleichung, die zusätzliche Terme, sogenannte Reynolds-Stress-Terme, einführt, um die Wechselwirkungen zwischen den Fluktuationen zu berücksichtigen. Diese Methode ist besonders nützlich in der Strömungsmechanik und der Aerodynamik, da sie die Berechnung von Strömungsfeldern in komplexen Geometrien und unter verschiedenen Randbedingungen erleichtert.

Fiskalpolitik

Die Fiscal Policy oder Fiskalpolitik bezieht sich auf die Entscheidungen der Regierung bezüglich ihrer Ausgaben und Einnahmen, um die Wirtschaft zu steuern. Sie umfasst Maßnahmen wie Steuererhöhungen oder -senkungen sowie Öffentliche Ausgaben in Bereichen wie Bildung, Infrastruktur und Gesundheit. Ziel der Fiskalpolitik ist es, die wirtschaftliche Stabilität zu fördern, Arbeitslosigkeit zu reduzieren und das Wirtschaftswachstum zu unterstützen. Es gibt zwei Hauptformen der Fiskalpolitik: die kontraktive Fiskalpolitik, die in Zeiten wirtschaftlicher Überhitzung angewendet wird, und die expansive Fiskalpolitik, die in Zeiten wirtschaftlicher Stagnation oder Rezession zur Ankurbelung der Nachfrage eingesetzt wird. In mathematischer Form könnte man das Verhältnis der Staatsausgaben GGG zu den Steuereinnahmen TTT als Indikator für die Fiskalpolitik betrachten, wobei eine Erhöhung von GGG oder eine Senkung von TTT typischerweise als expansiv angesehen wird.

Knuth-Morris-Pratt-Vorverarbeitung

Der Knuth-Morris-Pratt (KMP) Algorithmus ist ein effizienter Algorithmus zur Mustererkennung in Strings, der eine Vorverarbeitung des Musters nutzt, um die Suche zu optimieren. Während der Preprocessing-Phase wird ein Prefix-Suffix Array (häufig als lps\text{lps}lps bezeichnet) erstellt, das für jedes Zeichen im Muster die Länge des längsten Präfixes angibt, das gleichzeitig auch ein Suffix ist. Diese Informationen ermöglichen es, bei einer Mismatch-Situation im Suchprozess das Muster nicht vollständig neu auszurichten, sondern an einer geeigneten Position weiterzumachen, was die Effizienz erheblich steigert. Der Algorithmus hat eine Laufzeit von O(n+m)O(n + m)O(n+m), wobei nnn die Länge des Textes und mmm die Länge des Musters ist. Durch die geschickte Nutzung des lps\text{lps}lps-Arrays wird die Anzahl der Vergleiche minimiert und die Suche somit schneller und effizienter gestaltet.

Schwarzschild-Metrik

Die Schwarzschild-Metrik ist eine Lösung der Einstein-Gleichungen der allgemeinen Relativitätstheorie, die das Gravitationsfeld eines sphärisch symmetrischen, nicht rotierenden Körpers beschreibt, wie zum Beispiel eines schwarzen Lochs oder eines Planeten. Sie ist entscheidend für das Verständnis der Geometrie von Raum und Zeit in der Nähe massiver Objekte und zeigt, wie die Schwerkraft die Struktur des Raums beeinflusst. Mathematisch wird die Schwarzschild-Metrik durch die folgende Gleichung dargestellt:

ds2=−(1−2GMc2r)c2dt2+(1−2GMc2r)−1dr2+r2dθ2+r2sin⁡2θ dϕ2ds^2 = - \left(1 - \frac{2GM}{c^2 r}\right) c^2 dt^2 + \left(1 - \frac{2GM}{c^2 r}\right)^{-1} dr^2 + r^2 d\theta^2 + r^2 \sin^2 \theta \, d\phi^2ds2=−(1−c2r2GM​)c2dt2+(1−c2r2GM​)−1dr2+r2dθ2+r2sin2θdϕ2

Hierbei sind GGG die Gravitationskonstante, MMM die Masse des Körpers, ccc die Lichtgeschwindigkeit, und (t,r,θ,ϕ)(t, r, \theta, \phi)(t,r,θ,ϕ) die Koordinaten im Raum-Zeit-Kontinuum. Die Schwarzschild-Metrik zeigt, dass die Zeit für einen Beobachter, der sich in der Nähe eines massiven Körpers befindet, langsamer vergeht, was als *Gr

Normalisierende Flüsse

Normalizing Flows sind eine Klasse von generativen Modellen, die es ermöglichen, komplexe Wahrscheinlichkeitsverteilungen zu lernen, indem sie einfache Verteilungen durch eine Reihe von invertierbaren Transformationen umformen. Der grundlegende Ansatz besteht darin, eine einfache, oft multivariate Normalverteilung als Ausgangspunkt zu wählen und dann durch schrittweise Transformationen diese Verteilung in eine komplexere Form zu überführen. Jede Transformation wird durch eine Funktion beschrieben, deren Inverse leicht berechnet werden kann, was die Berechnung der Jacobian-Determinante ermöglicht. Diese Technik erlaubt es, die Dichte der Zielverteilung effizient zu berechnen, indem man die Formel für die Änderung der Dichte bei einer Transformation nutzt:

p(x)=p(z)∣det⁡∂f−1∂z∣p(x) = p(z) \left| \det \frac{\partial f^{-1}}{\partial z} \right|p(x)=p(z)​det∂z∂f−1​​

Hierbei ist p(z)p(z)p(z) die Dichte der einfachen Verteilung und fff die Transformation. Durch diese Flexibilität können Normalizing Flows für verschiedene Anwendungen eingesetzt werden, einschließlich Bildgenerierung, Zeitreihenanalyse und anderen Bereichen des maschinellen Lernens.

Plasmonische Wellenleiter

Plasmonische Wellenleiter sind spezielle optische Wellenleiter, die die Wechselwirkung zwischen Licht und Elektronen an der Oberfläche von Metallen nutzen. Sie ermöglichen die Übertragung von Lichtsignalen auf sehr kleinen Skalen, oft im Nanometerbereich, was sie besonders geeignet für Anwendungen in der Nanophotonik und der Plasmonik macht. Diese Wellenleiter basieren auf dem Phänomen der Plasmonen, die kollektive Schwingungen von Elektronen an der Metalloberfläche darstellen und die Fähigkeit haben, Licht in den subwellenlängen Bereich zu komprimieren. Ein wichtiger Vorteil von plasmonischen Wellenleitern ist ihre hohe räumliche und spektrale Empfindlichkeit, wodurch sie in Sensoren oder in der Informationsübertragung verwendet werden können. Mathematisch lassen sich die Eigenschaften von plasmonischen Wellenleitern durch die Maxwell-Gleichungen und die Dispersion von Plasmonen beschreiben, wobei die Beziehung zwischen Frequenz ω\omegaω und Wellenzahl kkk oft in Form von Dispersionrelationen formuliert wird.