K-INFO
HU
EN
Login
Subject » BMEVISZMB02
Older versions Download TAD (PDF)

Data Structures and Algorithms 

Adatszerkezetek és algoritmusok
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
Subject name (Hungarian, English)
Adatszerkezetek és algoritmusok
Data Structures and Algorithms 
Subject code BMEVISZMB02
Subject type —
Training Level —
Course types and hours (weekly/semester)
Course type lecture tutorial laboratory
hours (weekly) 2 1 0
type (linked/independent) — derived course —
Assessment type vizsga
Credits 5
Subject coordinator
DR. Csima Judit
position: egyetemi docens
Responsible department
Számítástudományi és Információelméleti Tanszék
Faculty Villamosmérnöki és Informatikai Kar
Subject website —
Primary curriculum type —
Direct prerequisites – Strong prerequisite none
Direct prerequisites – Weak prerequisite none
Direct prerequisites – Parallel prerequisite none
Direct prerequisites – Milestone prerequisite none
Direct prerequisites – Exclusion none

Objectives

Programme

    1. 1. k. elem keresés várhatóan lineáris időben és determinisztikus lineáris időben. A dinamikus eset – bináris keresőfa kibővítése 


    2. 2. Bináris keresőfák további alkalmazásai:  legkisebb közös ős keresése, intervallumba eső minimum keresése. Intervallumfák.

    3.  

    1. 3. Alapvető síkgeometriai algoritmusok (metsző szakaszpár, legközelebbi pontpár keresése, konvex burok) 


    1. 4. Hash-elés elméleti és gyakorlati változatai:  lineáris próba, dupla hash módosítása. Univerzális hash, hosszabbítható hash. 


    2. 5. Folyamalgoritmusok: Ford-Fulkerson-algoritmus, és ennek javítása az Edmonds-Karp-algoritmus. 


    2. 6. Hatékonyabb folyamalgortimusok: mohó javítás. Előfolyam módszer, előreemelő algoritmus. 


    2. 7. Mintaillesztés: egyszerű algoritmus, gyorskeresés.  A lineáris idejű Knuth-Morris-Pratt-algoritmus 


    2. 8. A dinamikus programozás néhány alkalmazása: közelítő mintaillesztés, szerkesztési távolság, leghosszabb közös részsorozat, egy egyszerű bioinformatikai alkalmazás. 


    2. 9. Az algoritmusok hatékonyságának egy, a tapasztalatokhoz sokszor közelebbi eredményt adó elemzési módszere:  amortizált elemzés és ennek néhány alkalmazása. 


    2. 10. Gráfok minimális feszítőfájának keresése: az általános piros-kék algoritmus, Prim, Boruvka, Kruskal algoritmusa, mint ennek alkalmazásai. 


    2. 11. A Kruskal algoritmushoz is szükséges unió-holvan adatszerkezet különböző megvalósításai, ezek (amortizált) elemzése. 


    2. 12. Nagy számok gyorsabb szorzása Karacuba módszerével. Nagy mátrixok gyorsabb szorzása. A gyors-Fourier transzformáció és alkalmazásai. 


    2. 13. Ismétlés, tartalék. 

A tantárgy célja a BSc képzésből kimaradt legfontosabb, sok helyen használt adatszerkezetek és algoritmusok megismertetése.  A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy:    (1) ismerjék az előadáson elhangzó módszereket,    (2) megértsék a módszerek helyességének és hatékonyságának bizonyítását,   (3) képesek legyenek a tanultak alkalmazásával feladatokat megoldani,   (4) képesek legyenek felismerni az alkalmazási lehetőségeket, fel tudják fedezni,  milyen kisebb módosításokra van esetleg szükség az alkalmazásokhoz és ezt átgondolt módon meg is tudják valósítani.  

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

Heti 2 óra előadás és 1 óra gyakorlat. Az anyag egy részét önálló munkával, kiadott anyagokból kell elsajátítani.    A gyakorlatokon az előadáson tárgyalt anyagrésszel kapcsolatos feladatokat oldanak meg a hallgatók.   

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Alapvető adatszerkezetek és algoritmusok (BSc Algoritmuselmélet tantárgy anyaga) 
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Alapvető adatszerkezetek és algoritmusok (BSc Algoritmuselmélet tantárgy anyaga) 
General rules
Követelmények: Szorgalmi időszakban: 3 kiszárthelyi, egy kiszárthelyi akkor sikeres, ha legalább 50%-os. Az aláírás feltétele 2 sikeres kiszárthelyi.  Vizsgaidőszakban: szóbeli vizsga Pótlási lehetőségek: A kiszárthelyik nem pótolhatóak. 
Assessment methods
In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement

No curriculum placements recorded for this subject version.