Automatisches Parallelisieren
|
|
- Gundi Lange
- vor 5 Jahren
- Abrufe
Transkript
1 Automatisches Parallelisieren Vorlesung im Wintersemester 2010/11 Eberhard Zehendner FSU Jena Thema: Ablaufplanung mit unbeschränkten Ressourcen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 1 / 30
2 Zeitliche Ordnung sequenzieller Programme Sequenzielles Programm Ein sequenziell ablaufendes Programm induziert auf den von ihm erzeugten Aufträgen eine lineare zeitliche Ordnung Definition (lineare zeitliche Ordnung <) Für Aufträge s i 6= s j gilt genau eine der folgenden Eigenschaften: Ausführung von s i endet, bevor Ausführung von s j beginnt (s i < s j ) Ausführung von s j endet, bevor Ausführung von s i beginnt (s j < s i ) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 2 / 30
3 Präzedenzrelation für sequenziell erzeugte Aufträge Abschwächung der linearen Ordnung Erzwungene lineare Ordnung wird unter Beachtung aller Datenabhängigkeiten zur Präzedenzrelation abgeschwächt Beibehaltung der bisherigen Reihenfolge für alle abhängigen Auftragspaare ausreichend Definition (Präzedenzrelation ) s i s j, s i < s j ^ s i? s j Folgerung (semantische Äquivalenz trotz Abschwächung) In jeder sequenziellen Ordnung der Aufträge, die alle Präzedenzen s i s j enthält, erfolgen die Zugriffe auf gemeinsame Speicherobjekte in derselben Reihenfolge wie in der ursprünglichen linearen Ordnung Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 3 / 30
4 Transitive Vervollständigung der Präzedenzrelation Induzierte Präzedenzen u v und v w bedeutet, dass u vollständig vor v auszuführen ist, v vollständig vor w Impliziert, dass auch u vollständig vor w auszuführen ist Deshalb kann Präzedenz u w ergänzt werden (muss aber nicht) Transitive Vervollständigung der Präzedenzrelation durch Bildung der transitiven Hülle Definition (transitive Hülle + ) + = 1[ k=1 k mit 1 = und k = f(u; w) : 9v; (u; v) 2; (v; w) 2 k 1 g Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 4 / 30
5 Ausschälen der Präzedenzrelation Weglassen von Präzedenzen fu v; v w; u wg hinsichtlich Serialisierung redundant u w evtl. weglassen, da Wirkung aus u v und v w folgt Graduelles Ausschälen liefert Relation T mit T T + Kleinstmögliches T existiert (Kern der Präzedenzrelation) Definition (Kern der Präzedenzrelation ) kern() = n 1[ k=2 k Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 5 / 30
6 Fiktive Präzedenzen Willkürliche Einschränkung der Präzedenzrelation Präzedenzrelation um optionale Präzedenzen ergänzbar Ergänzung ist widerspruchsfrei, wenn sich keine zirkulären Präzedenzen durch transitive Vervollständigung ableiten lassen Definition (widerspruchsfreie Ergänzung der Präzedenzrelation) Ergänzung von durch Relation R ist widerspruchsfrei genau dann, wenn es keinen Auftrag u mit (u; u) 2 ( [ R) + gibt Folgerung Statt Relation kann jede Relation T mit kern() T ( [ R) + verwendet werden Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 6 / 30
7 Präzedenzgraphen Graphische Repräsentation von Präzedenzen System von Aufträgen mit einer zwischen ihnen bestehenden Präzedenzrelation abstrakt dargestellt durch Präzedenzgraph Definition (Präzedenzgraph) Präzedenzgraph ist gerichteter azyklischer Graph G = (V ; E), wobei Knoten v 2 V für einen bestimmten Auftrag steht Kante e = (u; v) 2 E V V Präzedenz u v ausdrückt Einschränkung V bis auf Weiteres als endlich vorausgesetzt Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 7 / 30
8 Gewichteter Präzedenzgraph Latenzen Ergänzung eines Präzedenzgraphen durch Funktion : V! N liefert gewichteten Präzedenzgraphen G = (V ; E; ) (v) beschreibt Ausführungsdauer (Latenz) des Auftrags v Latenz (v) wird als fest und bekannt vorausgesetzt Modell simplifiziert reale Welt, in der (v) durchaus variieren kann Bemerkung Festlegung der Ausführungsdauer auf nicht negative ganzzahlige Werte keine Einschränkung Ausführungsdauer grundsätzlich nicht negative rationale Zahl Kann wegen Endlichkeit von V zu nicht negativer ganzer Zahl skaliert werden Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 8 / 30
9 Präzedenzgraphen zu Beispiel 1 ungewichtet einheitliche Latenz differierende Latenzen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 9 / 30
10 Ablaufplanung Zeitliche Ordnung Ablaufplan (Schedule) regelt Anordnung der Aufträge in der Zeit Ablaufplan gibt zu jedem Auftrag den Beginn der Ausführung an Definition (Ablaufplan) Funktion : V! N heißt Ablaufplan eines Präzedenzgraphen G = (V ; E; ) Definition (Abhängigkeitsbedingungen) (u) + (u) (v) für alle (u; v) 2 E Bemerkung Gegen- und Ausgabeabhängigkeiten können auf dem Niveau strikter Präzedenzen nicht von Flussabhängigkeiten unterschieden werden Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 10 / 30
11 Notwendigkeit der Abhängigkeitsbedingungen Satz (zulässiger Ablaufplan) Ablaufplan hat (u) + (u) (v) für alle (u; v) 2 E zu erfüllen Beweis. Präzedenz u v entspricht Kante (u; v) des Präzedenzgraphen Ausführung des Auftrags u beginnt zur Zeit (u) u besitzt eine Ausführungsdauer von (u) Ausführung von u endet damit zur Zeit (u) + (u) Ausführung von v darf somit nicht vor (u) + (u) beginnen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 11 / 30
12 Abhängigkeitsbedingungen auch hinreichend? Satz (Vollständigkeit der Abhängigkeitsbedingungen) Abhängigkeitsbedingungen hinreichend für sequenzielle Semantik und für asynchrone Semantik mit unbeschränkten Ressourcen Beweis. Für u v beginnt v nicht vor (u) + (u) In sequenzieller Semantik keine weiteren Einschränkungen In asynchroner Semantik weitere Bedingungen nur durch Ressourcenbeschränkungen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 12 / 30
13 Abhängigkeitsbedingungen und Datenparallelität Weitere Bedingungen nötig Abhängigkeitsbedingungen nicht hinreichend für datenparallele Semantik Datenparalleles Modell erzwingt weitere Einschränkungen durch Synchronisation der Gruppen von Aufträgen Beispiel (Datenparallelität ohne Ressourcenbeschränkungen) V = fa; B; C; Dg E = f(a; D); (B; C); (C; D)g (A) = 2; (B) = (C) = (D) = 1 (A) = (B) = 0; (C) = 1; (D) = 2 in asynchroner Semantik zulässiger Ablaufplan In datenparalleler Semantik würden laut diesem Ablaufplan A und B in derselben Gruppe liegen; C könnte erst nach Beendigung dieser Gruppe ausgeführt werden, ein Widerspruch zu (C) = 1 Konsequenz: datenparallel werden mindestens 4 Zeiteinheiten benötigt, asynchron nur 3 Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 13 / 30
14 Transitive Vervollständigung und Ablaufpläne Transitive Vervollständigung optional Transitive Vervollständigung einer Präzedenzrelation unschädlich Ablaufplan für den zu gehörenden gewichteten Präzedenzgraphen auch Ablaufplan für den zu + gehörenden gewichteten Präzedenzgraphen (und umgekehrt) Bemerkung Aufwand für Bestimmung bzw. Überprüfung eines Ablaufplans zu + in der Regel höher als für Ablaufplan zu Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 14 / 30
15 Transitive Vervollständigung unschädlich Satz (Ablaufpläne und transitive Hülle) Die Mengen der Ablaufpläne auf bzw. + stimmen überein Beweis. Zu u + w Pfad (u; v 1 ; : : : ; v k ; w) von u nach w in G = (V ; E) Für jeden Ablaufplan zu gilt: (w) (v k ) + (v k ) (v k 1 ) + (v k 1 ) + (v k ) : : : (u) + (u) + Da (v i ) nicht negativ, folglich auch (w) (u) + (u) Ablaufplan gilt also auch für + Umkehrung erfüllt, da mit u w auch u + w gilt kx i=1 (v i ) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 15 / 30
16 Ablaufplanung und zyklenfreie Graphen Topologisches Sortieren Präzedenzgraph laut Definition stets zyklenfrei Knoten topologisch in Liste (v 1 ; v 2 ; : : : ; v k ) sortierbar, Start mit Knoten ohne Vorgänger Für alle v i v j gilt dann i < j Satz (Existenz von Ablaufplänen) Jeder gewichtete Präzedenzgraph erlaubt mindestens einen Ablaufplan Beweis. Sequenzieller Ablaufplan über topologischer Sortierung: (v 1 ) = 0 (v i ) = (v i 1 ) + (v i 1 ) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 16 / 30
17 Aufträge, Berechnungsressourcen und Parallelität Konkurrenz um Ressourcen Auftrag benötigt zur Durchführung Berechnungsressourcen (Prozessor, Funktionseinheit, Register, etc.) Aufträge konkurrieren untereinander um passende Ressourcen Parallele Ausführung der Aufträge über Datenabhängigkeiten hinaus dadurch weiter eingeschränkt Definition (unbeschränkte Ressourcen) Wir sprechen von unbeschränkten Ressourcen, wenn so viele davon vorhanden sind, dass keine Einschränkung der Parallelität resultiert Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 17 / 30
18 Allokation und Bindung Bindung Ressource für bestimmte Zeit an Auftrag gebunden: Funktionseinheit während eigentlicher Ausführungsphase Register vom Schreiben bis zum letztmaligen Lesen des Werts Allokation Nicht permanent verfügbare Ressource vor Bindung zuteilen: Verteiltes System oder Prozessornetzwerk kooperativ nutzen Register evtl. für Kontext umfassender Blöcke zurückhalten (globale Variablen) Funktionseinheiten dagegen normalerweise fest zugeteilt Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 18 / 30
19 Gesamtausführungsdauer eines Ablaufplans Definition (Gesamtausführungsdauer) () = maxf(v) + (v)g minf(v)g v2v v2v ist Gesamtausführungsdauer des Ablaufplans für Präzedenzgraph G = (V ; E; ) Interpretation Gesamtausführung dauert vom Beginn des ersten Auftrags bis zum Ende des letzten Auftrags Ohne Einschränkung künftig vorausgesetzt: erster Auftrag beginnt zum Zeitpunkt t = 0 Definition vereinfacht sich zu () = maxf(v) + (v)g v2v Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 19 / 30
20 Untere Schranken für die Gesamtausführungsdauer Gesamtausführungsdauer beschränkt Auch für unbeschränkte Ressourcen () nicht beliebig klein Trivial: () max v2v (v) Bessere Abschätzung durch Betrachtung von Präzedenzpfaden Definition (Latenz eines Pfads) ( ) = (v 1 ; v 2 ; : : : ; v k ) = kx i=1 (v i ) für Pfad = (v 1 ; v 2 ; : : : ; v k ) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 20 / 30
21 Beschränkung durch kritische Pfade Satz (Scheduling-Schranke) () ( ) für alle Pfade in G Beweis. = (v 1 ; v 2 ; : : : ; v k ) Pfad in G X k 1 (v k ) (v k 1 ) + (v k 1 ) : : : (v 1 ) + (v i ) () = max v2v f(v) + (v)g (v k ) + (v k ) () (v 1 ) + kx i=1 (v i ) kx i=1 (v i ) = ( ) i=1 Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 21 / 30
22 Optimierung der Gesamtausführungsdauer Ziele der Ablaufplanung mit unbeschränkten Ressourcen Ablaufplan minimaler Gesamtausführungsdauer Ablaufplan vorgegebener Gesamtausführungsdauer Definition (minimale Gesamtausführungsdauer) opt (1) = min () (dabei zulässig, passend zur gewählten Semantik) Definition (optimaler Ablaufplan) Ablaufplan optimal, wenn () = opt (1) Bemerkung opt (1) ist abhängig vom Semantikmodell Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 22 / 30
23 Ist die Scheduling-Schranke scharf? Scheduling-Schranke in asynchroner Semantik scharf Jeder zulässige Ablaufplan in asynchroner Programmsemantik mit unbeschränkten Ressourcen ohne weitere Einschränkungen realisierbar Schranke zum Beispiel durch ASAP-Schedule erreichbar Scheduling-Schranke und datenparallele Semantik Synchronisieren der Gruppen unterbricht Lauf längs Pfad Gegenbeispiel, wie vorne gezeigt Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 23 / 30
24 Einige graphentheoretische Definitionen Definition Zu Präzedenzgraphen G = (V ; E) definieren wir: Menge der direkten Vorgänger von v: PRED(v) = fu : (u; v) 2 Eg Menge der direkten Nachfolger von u: SUCC(u) = fv : (u; v) 2 Eg v ist ein Eintrittsknoten, falls PRED(v) = ; u ist ein Austrittsknoten, falls SUCC(u) = ; Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 24 / 30
25 Vorlaufzeit und Restlaufzeit Definition (Vorlaufzeit) Vorlaufzeit vl(v) eines Knotens v: längste Ausführungsdauer ( ) eines Pfads von einem Eintrittsknoten zu einem direkten Vorgänger von v Rekursionsformeln für Vorlaufzeit vl(v) = 0 für jeden Eintrittsknoten v vl(v) = maxfvl(u) + (u) : u 2 PRED(v)g sonst Definition (Restlaufzeit) Restlaufzeit rl(v) eines Knotens v: längste Ausführungsdauer ( ) eines Pfads von v zu einem Austrittsknoten Rekursionsformeln für Restlaufzeit rl(u) = (u) für jeden Austrittsknoten u rl(u) = (u) + maxfrl(v) : v 2 SUCC(u)g sonst Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 25 / 30
26 Die ASAP-Strategie ASAP (as soon as possible) Vorlaufzeit eines Knotens ist frühester Zeitpunkt, zu dem Ausführung des zugehörigen Auftrags beginnen kann Vorlaufzeit induziert daher optimalen Ablaufplan free (v) = vl(v) (free schedule, ASAP schedule) Satz (Optimalität des ASAP-Schedules) free (v) = vl(v) ist ein optimaler Ablaufplan für asynchrone Semantik Beweis. Für alle (u; v) 2 E folgt u 2 PRED(v) und daraus free (v) = vl(v) = maxfvl(w) + (w) : w 2 PRED(v)g vl(u) + (u) = free (u) + (u) Also free zulässiger Ablaufplan Ausführung eines Auftrags beginnt unmittelbar nach Ende der Ausführung aller direkten Vorgängeraufträge Ablaufplan folgt Pfaden im Präzedenzgraphen free erreicht Scheduling-Schranke, damit optimal Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 26 / 30
27 Konsequenzen der ASAP-Strategie Folgerung (optimale asynchrone Gesamtausführungsdauer) opt (1) = ( free ) = maxfvl(v) + (v)g v2v Folgerung (Scheduling-Schranke scharf) opt (1) in asynchroner Semantik ist längste Ausführungsdauer ( ) eines Pfads durch den Präzedenzgraphen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 27 / 30
28 Die ALAP-Strategie ALAP (as late as possible) Restlaufzeit eines Knotens ist vom Beginn der Ausführung des zugehörigen Auftrags bis zum Ende der gesamten Berechnung mindestens noch zu durchlaufende Zeit Aus opt (1) und Restlaufzeit wird weiterer optimaler Ablaufplan late (v) = opt (1) rl(v) für asynchrone Semantik abgeleitet Ausführung eines Auftrags wird so spät wie für optimalen Ablaufplan gerade noch möglich begonnen Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 28 / 30
29 Weitere optimale Ablaufpläne Notwendige Bedingung für optimale Ablaufpläne Neben free und late evtl. weitere optimale Ablaufpläne Für diese gilt free (v) (v) late (v) 8v 2 V Beispiel (Bedingung notwendig, aber nicht hinreichend) Auftrag ASAP ALAP kein Ablaufplan A B C D Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 29 / 30
30 Berechnungskomplexität der Ablaufplanung Definition (Scheduling-Problem) SCHEDULE(1) ist das Problem, zu einem gewichteten Präzedenzgraphen einen optimalen Ablaufplan zu bestimmen und opt (1) zu berechnen Satz (Zeitkomplexität von SCHEDULE(1)) Die Zeitkomplexität von SCHEDULE(1) beträgt O(jV j + jej) für asynchrone Semantik Beweis. opt (1) in O(jV j) aus Vorlaufzeit berechenbar Vorlaufzeit (und damit free ) in O(jV j + jej) bestimmbar Restlaufzeit und late in O(jV j + jej) bestimmbar Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Ablaufplanung 30 / 30
Automatisches Parallelisieren
Automatisches Parallelisieren Vorlesung im Wintersemester 2009/10 Eberhard Zehendner FSU Jena Thema: Motivation Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Motivation 1 / 15 FAQ zur Vorlesung
MehrAutomatisches Parallelisieren
Automatisches Parallelisieren Vorlesung im Wintersemester 2010/11 Eberhard Zehendner FSU Jena Notation (Stand 31.10.2010) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Notation 1 / 26 Programmnotation
MehrAutomatisches Parallelisieren
Automatisches Parallelisieren Vorlesung im Wintersemester 2009/10 Eberhard Zehendner FSU Jena Notation (Stand 29.10.2009) Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Notation 1 / 26 Programmnotation
Mehr2.3 View Serialisierbarkeit
2.3 View Serialisierbarkeit Das Problem, dass tote Aktionen bei FSSR ausgeklammert werden, lässt sich beheben, wenn man die Gleichheit der Reads-From-Relation eines gegebenen Schedules mit einem seriellen
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil II Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig 07.
MehrADS 2: Algorithmen und Datenstrukturen
ADS 2: Algorithmen und Datenstrukturen Teil 2 Prof. Peter F. Stadler & Sebastian Will Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität Leipzig 16. April
MehrIHS2 Seminar. Jorge Meza Zusebau R2082, Tel: -4128
Jorge Meza Zusebau R2082, Tel: -4128 Prof. Dr.-Ing. habil. Andreas Mitschele-Thiel Integrated HW/SW Systems Group 14. Januar 2014 Self-Organization 14 January 2014 1 Nächster Termin Das letzte findet am
MehrAutomatisches Parallelisieren
Automatisches Parallelisieren Vorlesung im Wintersemester 2010/11 Eberhard Zehendner FSU Jena Thema: Datenabhängigkeitsanalyse Eberhard Zehendner (FSU Jena) Automatisches Parallelisieren Datenabhängigkeitsanalyse
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
MehrKapitel 11. Dimension und Isomorphie
Kapitel 11. Dimension und Isomorphie Bestimmung der Dimension Satz. Sei (v 1, v 2,..., v n ) ein minimales Erzeugendensystem von V, d.h. dieses System ist ein Erzeugendensystem von V, aber keines der nach
MehrVorlesung Diskrete Strukturen Ordnungsrelationen
Vorlesung Diskrete Strukturen Ordnungsrelationen Bernhard Ganter WS 2009/10 Ein Spiegelei zubereiten... Was muss man tun, wenn man ein Spiegelei brät? HE Herd einschalten PH Pfanne auf den Herd stellen
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 02. Mai 2017 [Letzte Aktualisierung: 10/07/2018,
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrGraphentheorie. Perfekte Graphen. Perfekte Graphen. Perfekte Graphen. Rainer Schrader. 22. Januar 2008
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 22. Januar 2008 1 / 47 2 / 47 eine Clique in G ist ein induzierter vollständiger Teilgraph Gliederung α- und χ-perfektheit Replikation
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 5 Das Lemma von Zorn Wir möchten im Folgenden zeigen, dass eine widerpruchsfreie Menge Γ L V von Aussagen nicht nur
MehrTeil 2: Graphenalgorithmen
Teil : Graphenalgorithmen Anwendungen Definitionen Datenstrukturen für Graphen Elementare Algorithmen Topologisches Sortieren Kürzeste Wege Problemstellung Ungewichtete Graphen Distanzgraphen Gewichtete
MehrGrundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Dr. Werner Meixner, Dr. Alexander Krauss Sommersemester 2010 Lösungsblatt 11 15. Juli 2010 Einführung in die Theoretische
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 17.01.013 Parametrisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
MehrTask& Data-Flow Graphs
Task& Data-Flow Graphs M. Thaler, TG208, tham@zhaw.ch www.zhaw.ch/~tham Februar 16 1 1 Um was geht es? Parallele Algorithmen was sind Möglichkeiten zur Darstellung? was sind Möglichkeiten zur Analyse?
MehrHöhere Mathematik I für die Fachrichtung Informatik Lösungsvorschlag zum Präsenzübungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 2013/14 24.10.2013 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschlag zum Präsenzübungsblatt
MehrWiederholung
Wiederholung Knotenfärbung von Graphen Chromatische Zahl χ(g) Beweis: Jeder planare Graph ist 5-färbbar Vierfarbensatz: Jeder planare Graph ist 4-färbbar. Kantenfärbung: χ (G) = (G) oder (G)+1 Matchings
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen Flußnetzwerke 6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert
MehrDieser Graph hat 3 Zusammenhangskomponenten
Vl 2, Informatik B, 19. 04. 02 1.1.3 Definitionen und wichtige Graphen Sei im folgenden G =(V;E) ein schlichter ungerichteter Graph. Definition: Der Grad eines Knoten v in einem ungerichteten Graphen ist
MehrCodegenerierung für Basisblöcke (1)
Codegenerierung für Basisblöcke (1) Basisblock (Grundblock): Teil des Kontrollflussgraphen, der keine Verzweigungen (Sprünge) oder Vereinigungen (Label) enthält keine Zyklen: bessere Optimierung möglich
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 3 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrGrundlagen der theoretischen Informatik
Grundlagen der theoretischen Informatik Kurt Sieber Fakultät IV, Department ETI Universität Siegen SS 2013 Vorlesung vom 30.04.2013 Grenzen regulärer Sprachen Wie beweist man, dass eine Sprache nicht regulär
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrLeitfaden. a ist Vielfaches von d und schreiben verkürzt: d a. Ist d kein Teiler von a, so schreiben wir auch: d a. d teilt a oder
Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen
MehrAngewandte Informatik
Angewandte Informatik Analyse des Graphs G zur Bestimmung von Parallel- undreihenschaltung Prof. Dr. Nikolaus Wulff Gewichteter Multigraph Die Adjazenzmatrix eines Graphen eignet sich auch zur Analyse
MehrKonfliktgraph. Satz und Definition
9. Transaktionsverwaltung 9.2. Mehrbenutzerkontrolle Seite 1 Konfliktgraph Der Konfliktgraph von S ist ein gerichteter Graph KG(S) = (V, E), wobei V die Menge aller Transaktionen in S und E die Menge der
MehrX Inhaltsverzeichnis 2.7 StrukturorientierteModelle Komponenten-Verbindungsdiagramm (CCD) HeterogeneModelle Kontr
1 Einleitung... 1 1.1 Motivation... 1 1.2 Entwurfsmethodik..... 7 1.2.1 Erfassenundsimulieren... 7 1.2.2 Beschreibenundsynthetisieren... 8 1.2.3 Spezifizieren,explorierenundverfeinern... 9 1.3 Abstraktion
Mehr6 Flüsse und Matchings
6. Flüsse in Netzwerken Flußnetzwerke 6 Flüsse und Matchings In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert werden
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Johannes Köbler Institut für Informatik Humboldt-Universität zu Berlin WS 2013/14 Relationalstrukturen 59 Definition Sei A eine nichtleere Menge, R ist eine k-stellige
MehrMathematik I. Vorlesung 8. Cauchy-Folgen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 8 Cauchy-Folgen Ein Problem des Konvergenzbegriffes ist, dass zur Formulierung der Grenzwert verwendet wird, den man unter Umständen noch
MehrOptimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
Mehr8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 22. Vorlesung Tiefensuche und Topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Vorlesungsumfrage Nutzen Sie die Vorlesungsbefragung
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 10. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 10. Juni 2005 Zusammenfassung Wahrheitsfunktionale Fuzzy-Semantik besteht aus Mengen aller wahrheitsfunktionalen Belegungen von Formeln, jedem Modell in M entspricht
MehrEinheit 11 - Graphen
Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrZAHLENMAUERN UND ZAHLENDREIECKE. Korrekturen, Verbesserungsvorschläge und Anregungen bitte an herrmann bei mathematik.tu-darmstadt.
ZAHLENMAUERN UN ZAHLENREIEKE HRISTIAN HERRMANN Korrekturen, Verbesserungsvorschläge und Anregungen bitte an herrmann bei mathematik.tu-darmstadt.de 1. Vorbemerkung Lösugen von Zahlenmauern und Zahlendreiecken
MehrDatenbanken: Ablaufpläne und Serialisierbarkeit
Theoretische Konzepte zur Abarbeitung parallel arbeitender Transaktionen Definition: (Ablaufplan, Schedule) Ein Ablaufplan S ist die verschränkte Anordnung bzw. Ausführung der Einzeloperationen einer Menge
MehrMagic Sets. Kontrollkomponente SIP. Sideways Information Passing Strategy (SIP-Strategy)
Sideways Information Passing Strategy (SIP-Strategy) Magic Sets (informal) Für eine Regel eines Programms stellt eine SIP- Strategie eine Entscheidung hinsichtlich der Auswertungsreihenfolge der Prädikate
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2017/18 20. Vorlesung Tiefensuche und topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Themen für den 3. Kurztest (Do, 25.01.18)
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrInhalt. 1. Flußprobleme. 2. Matching. 3. Lineares Programmieren. 4. Ganzzahliges Programmieren. 5. NP-Vollständigkeit. 6. Approximationsalgorithmen
Effiziente Algorithmen Einführung 1 Inhalt 1. Flußprobleme 2. Matching. Lineares Programmieren 4. Ganzzahliges Programmieren 5. NP-Vollständigkeit 6. Approximationsalgorithmen 7. Backtracking und Branch-and-Bound
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 13. Prädikatenlogik Der Satz von Herbrand Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Semantische Bäume Eine klassische
MehrAbschnitt 1.2. Rechnen mit reellen Zahlen
Abschnitt 1.2 Rechnen mit reellen Zahlen Addition und Multiplikation Zwei reelle Zahlen a und b kann man zu einander addieren, d. h., den beiden Zahlen wird eine dritte Zahl, a + b, zugeordnet, welche
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 16 Programm: Einführung
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
Mehr10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen
10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen Bisher haben wir immer vorausgesetzt, dass alle Variablen eines LOP der Bedingung x i 0 liegen. Im Folgenden wollen wir auch sogenannte freie
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrMATHEMATIK FÜR NATURWISSENSCHAFTLER I WINTERSEMESTER 2016/ OKTOBER 2016
MATHEMATIK FÜR NATURWISSENSCHAFTLER I WINTERSEMESTER 2016/17 MARK HAMILTON LMU MÜNCHEN 1.1. Grundbegriffe zu Mengen. 1. 17. OKTOBER 2016 Definition 1.1 (Mengen und Elemente). Eine Menge ist die Zusammenfassung
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
MehrCompiler für f r Eingebettete Systeme (CfES)
Compiler für f r Eingebettete Systeme (CfES) Sommersemester 2009 Dr. Heiko Falk Technische Universität Dortmund Lehrstuhl Informatik 12 Entwurfsautomatisierung für Eingebettete Systeme Kapitel 9 Ausblick
MehrMassive Parallelität : Neuronale Netze
Massive Parallelität : Neuronale Netze PI2 Sommer-Semester 2005 Hans-Dieter Burkhard Massive Parallelität : Neuronale Netze Knoten: Neuronen Neuronen können erregt ( aktiviert ) sein Kanten: Übertragung
MehrReduktion. 2.1 Abstrakte Reduktion
2 Reduktion In diesem Kapitel studieren wir abstrakte Eigenschaften von Regeln. In den ersten beiden Abschnitten betrachten wir nicht einmal die Regeln selbst, sondern nur abstrakte Reduktionssysteme,
MehrKlausur zur Vorlesung Grundbegriffe der Informatik 14. September 2015
Klausur zur Vorlesung Grundbegriffe der Informatik 14. September 2015 Klausurnummer Nachname: Vorname: Matr.-Nr.: Diese Klausur ist mein 1. Versuch 2. Versuch in GBI Email-Adr.: nur falls 2. Versuch Aufgabe
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
MehrEinführung in Scheduling
Einführung in Scheduling Dr. Julien Bidot Sommersemester 28 Institut für Künstliche Intelligenz Inhalt I. Definition und Formulierung des Scheduling- Problems II. Projektplanung III. Produktionsplanung
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrSynthese Eingebetteter Systeme. 12 Synthese: Bereitstellung (Allocation)
12 Synthese Eingebetteter Systeme Wintersemester 2012/13 12 Synthese: Bereitstellung (Allocation) 2012/12/10 Michael Engel Informatik 12 TU Dortmund Synthese: Bereitstellung (Allocation) Bereitstellung
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
MehrInjektiv, Surjektiv, Bijektiv
Injektiv, Surjektiv, Bijektiv Aufgabe 1. Geben Sie einen ausführlichen Beweis für folgende Aussage: Wenn f A B surjektiv ist und R A A A eine reflexive Relation auf A ist, dann ist R B = {( f(x), f(y)
MehrEinführung in die Programmierung. Bertrand Meyer. Vorlesung 24: Topological Sort 1: Hintergrund. Topological sort
1 Einführung in die Programmierung Bertrand Meyer Letzte Überarbeitung 23. Januar 2005 2 Vorlesung 24: Topological Sort 1: Hintergrund Topological sort 3 Produzieren Sie eine zu einer gegebenen partiellen
Mehr4.2 Quotientenvektorräume
306 LinAlg II Version 1 6. Juni 2006 c Rudolf Scharlau 4.2 Quotientenvektorräume Zum Verständnis der folgenden Konstruktion ist es hilfreich, sich noch einmal den Abschnitt 1.4 über Restklassen vom Beginn
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018 23. November 2017 1/40 Satz 4.27 (Multinomialsatz) Seien r, n N 0. Dann gilt für
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
Mehr3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
MehrRechnergestützter VLSI-Entwurf
Schaltungssynthese Dipl.-Ing. e-mail: rgerndt@iam.de Seite SYN/1 Motivation Vereinfachung des Systementwurfes Weniger Fehler durch abstrakte Beschreibung Portierbarkeit der Schaltung (PLD, CPLD, FPGA,
MehrInhalt. 1. Einführung in die Informatik. 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele.
1. Einführung in die Informatik Inhalt 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele Peter Sobe 1 Einführende Beispiele 2. Algorithmen Täglich werden Verarbeitungsvorschriften
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrDiskrete Strukturen. Name Vorname Studiengang Matrikelnummer. Hörsaal Reihe Sitzplatz Unterschrift ... Allgemeine Hinweise
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 7 Prof. Dr. Javier Esparza Wintersemester 2008/09 Abschlussklausur 7. Februar 2009 Diskrete Strukturen Name Vorname Studiengang
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrTheoretische Informatik II
Theoretische Informatik II Einheit 5.2 Das P N P Problem 1. Nichtdeterministische Lösbarkeit 2. Sind N P-Probleme handhabbar? 3. N P-Vollständigkeit Bei vielen schweren Problemen ist Erfolg leicht zu testen
Mehr