Übung 2 Algorithmen II
|
|
- Anna Fiedler
- vor 5 Jahren
- Abrufe
Transkript
1 Yaroslav Akhremtsev, Demian Hespe Mit Folien von Michael Axtmann (teilweise) Akhremtsev, Hespe: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 Approximationsalgorithmen Grundlagen Warum Lösungen abschätzen? es gibt schwierige Probleme (z.b. TSP mit exponentieller Laufzeit) exakte Berechnung nicht möglich zu unseren Lebzeiten vernünftige Näherungen effizient berechnen exakte/optimale Ergebnisse nicht immer wichtig gute Lösungen genügen oft aber Abstand zur korrekten Lösung wissenswert Weglänge lang Weglänge Weglänge 24 1 Akhremtsev, Hespe:
3 Approximationsalgorithmen Gütemaß Ein Algorithmus ALG hat einen Approximationsfaktor ρ, wenn gilt w (ALG(I)) w (OPT (I)) ρ f.a. Probleminstanzen I, OPT optimale Lösung, w Bewertungsfunktion (hier für Minimierungsprobleme, ρ > 0 ist obere Schranke) Beispiel: ALG schätzt Distanz von Strecke x auf nächste Zweierpotenz 2 OPT bestimmt korrekte Distanz x w(alg) 2 log x 2log x +1 = = 2 x = 2 = ρ w(opt ) x x x (Zahlenbeispiel: x = = ) log x 2 Akhremtsev, Hespe:
4 Approximationsalgorithmen Klassen Approximationsprobleme klassifzierbar durch Laufzeit T (n, ε) Approximationsfaktor ρ(n, ε) Klassen an Approximationsproblemen APX (approximable) ρ = const., T polynomiell in n PTAS (polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n FPTAS (fully polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n, 1 ε NPO APX PTAS FPTAS Beispiele: T (n, ε) = n 1 ε, ρ(n, ε) = 2 T (n, ε) = n 1 ε, ρ(n, ε) = 1 ε T (n, ε) = 1 ε n, ρ(n, ε) = 1 + 2ε 3 Akhremtsev, Hespe:
5 Approximationsalgorithmen Klassen Approximationsprobleme klassifzierbar durch Laufzeit T (n, ε) Approximationsfaktor ρ(n, ε) Klassen an Approximationsproblemen APX (approximable) ρ = const., T polynomiell in n PTAS (polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n FPTAS (fully polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n, 1 ε NPO APX PTAS FPTAS Beispiele: T (n, ε) = n 1 ε, ρ(n, ε) = 2 T (n, ε) = n 1 ε, ρ(n, ε) = 1 ε T (n, ε) = 1 ε n, ρ(n, ε) = 1 + 2ε 3 Akhremtsev, Hespe: (APX)
6 Approximationsalgorithmen Klassen Approximationsprobleme klassifzierbar durch Laufzeit T (n, ε) Approximationsfaktor ρ(n, ε) Klassen an Approximationsproblemen APX (approximable) ρ = const., T polynomiell in n PTAS (polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n FPTAS (fully polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n, 1 ε NPO APX PTAS FPTAS Beispiele: T (n, ε) = n 1 ε, ρ(n, ε) = 2 T (n, ε) = n 1 ε, ρ(n, ε) = 1 ε T (n, ε) = 1 ε n, ρ(n, ε) = 1 + 2ε 3 Akhremtsev, Hespe: (APX) (PTAS)
7 Approximationsalgorithmen Klassen Approximationsprobleme klassifzierbar durch Laufzeit T (n, ε) Approximationsfaktor ρ(n, ε) Klassen an Approximationsproblemen APX (approximable) ρ = const., T polynomiell in n PTAS (polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n FPTAS (fully polynomial time approximation scheme) ρ = 1 ± ε, bel. ε (0, 1), T poly. in n, 1 ε NPO APX PTAS FPTAS Beispiele: T (n, ε) = n 1 ε, ρ(n, ε) = 2 T (n, ε) = n 1 ε, ρ(n, ε) = 1 ε T (n, ε) = 1 ε n, ρ(n, ε) = 1 + 2ε (FPTAS) (APX) (PTAS) 3 Akhremtsev, Hespe:
8 Scheduling unabhängiger gewichteter Jobs auf parallelen Machinen n Jobs, m Maschinen t j : Laufzeit von Job j X[j]: Maschine auf der Job j ausgeführt wird L[i]: X[j]=i t j, Last von Maschine i Zielfunktion: Minimiere Makespan L max = max i L[i] Details: Identische Machinen, unabhängige Jobs, bekannte Ausführungszeiten, offline 4 Akhremtsev, Hespe:
9 2-Approximation für Job Scheduling 1: function LISTSCHEDULING(n, m, t) 2: J {1,..., n} 3: L[1..m] [0,..., 0] 4: while J = do 5: pick any j J 6: J J \ {j} 7: pick i such that L[i] is minimized 8: X[j] i 9: L[i] L[i] + t j 10: return X 5 Akhremtsev, Hespe:
10 4 3-Approximation für Job Scheduling 1: function LARGESTPROCESSINGTIME(n, m, t) 2: J {1,..., n} 3: L[1..m] [0,..., 0] 4: while J = do 5: pick j J such that t j is maximized 6: J J \ {j} 7: pick i such that L[i] is minimized 8: X[j] i 9: L[i] L[i] + t j 10: return X 6 Akhremtsev, Hespe:
11 Fall 1: kleiner Job Sortiere Jobs so, dass t 1 t 2... t n o.b.d.a gilt: Job n wird als letztes fertig, sonst lass t n einfach weg LPT gleich, OPT evtl. besser Wir zeigen w(lpt ) 4 3 w(opt ), wenn Job n als letztes fertig wird Wenn Job n nicht als letztes fertig wird, bleibt LPT lösung gleich, OPT wird schlechter Schranke gilt immer noch w(lpt ) = Startzeit n + t n 1 m i =n t i + t n w(opt ) + t n Für t n w(opt )/3 : w(lpt ) 4 3 w(opt ) Akhremtsev, Hespe:
12 Nur große Jobs Sortiere Jobs so, dass t 1 t 2... t n Jetzt: t n > w(opt )/3 t i > w(opt )/3 für alle i Wir zeigen: LPT ist optimal Betrachte OPT : Jede Maschine i bearbeitet max. 2 Jobs i 1 und i 2 Sortiere Maschinen so, dass t i1 t j1 für i < j o.b.d.a. gilt: t i2 t j2 für i < j, sonst vertausche i 2 und j 2 LPT berechnet den gleichen Schedule (betrachte nur n > m) Wenn LPT jeder Maschine max. 2 Jobs zuweist, dann genau diesen Angenommen LPT weist einer Maschine 3 Jobs zu: n 2m es gibt Maschine mit nur einem Job k, die in OPT 2 hat Job k dauert länger als 2 andere Jobs t k > 2 OPT /3 Maschine, die k bearbeitet, kann keinen anderen Job mehr bearbeiten Akhremtsev, Hespe:
13 (NP-hart) Problemstellung Gegeben eine Menge an Punkten V in der Ebene Vollständiger Graph Kantengewichte erfüllen Dreiecks-Ungleichung Finde Kreis minimaler Länge der alle Punkte abläuft 9 Akhremtsev, Hespe:
14 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) V 10 Akhremtsev, Hespe:
15 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK Länge 1 Länge 2 (Laufzeit durch Matching dominiert, O(n 3 )) 10 Akhremtsev, Hespe:
16 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) T 10 Akhremtsev, Hespe:
17 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) U wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) T 10 Akhremtsev, Hespe:
18 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) U wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) M 10 Akhremtsev, Hespe:
19 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) T 10 Akhremtsev, Hespe:
20 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T 5 (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) 2 EK 3 10 Akhremtsev, Hespe:
21 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T 5 (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) 2 HK 3 10 Akhremtsev, Hespe:
22 3/2-Approximation (Algorithmus) (Christofides-Heuristik) Graph G = (V, E) (vollständig, ungerichtet) bestimme MST T bestimme Knoten U mit ungeradem Grad in T finde minimales perfektes Matching M auf (U, E) (alle Knoten gematcht, Summe der Gewichte der Matchingkanten minimal) füge Kanten M zu T T bestimme Eulerkreis EK auf T 5 (alle Knoten haben geraden Grad) wandle EK zu Hamiltonkreis HK (Laufzeit durch Matching dominiert, O(n 3 )) 2 HK 3 Weglänge 6 10 Akhremtsev, Hespe:
23 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) 5 (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) HK 3 11 Akhremtsev, Hespe:
24 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) 5 (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) EK 3 11 Akhremtsev, Hespe:
25 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) T 11 Akhremtsev, Hespe:
26 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) T, M 11 Akhremtsev, Hespe:
27 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) T, M 11 Akhremtsev, Hespe:
28 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) OP T 11 Akhremtsev, Hespe:
29 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) OP T 11 Akhremtsev, Hespe:
30 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) U OP T 11 Akhremtsev, Hespe:
31 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) U HK 11 Akhremtsev, Hespe:
32 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) M 1 11 Akhremtsev, Hespe:
33 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) M 2 11 Akhremtsev, Hespe:
34 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) M 2 11 Akhremtsev, Hespe:
35 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) M 2 11 Akhremtsev, Hespe:
36 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) M 2 11 Akhremtsev, Hespe:
37 3/2-Approximation (Beweis) (Christofides-Heuristik) Abschätzungen: (analog zu vorherigem Beweis) w(hk ) w(ek ) = w(t ) = w(t ) + w(m) w(opt ) + w(m) Bestimmung von w(m): sei HK Hamiltonkreis auf U (U: Knoten mit ungeradem Grad in T) (erzeugt durch Überspringen aller Knoten V \ U in OPT ) definiere alternierende perfekte Matchings M 1, M 2 auf HK (existiert, da U gerade, HK = M 1 M 2 ) w(m) w(m 1 ), w(m) w(m 2 ) (M min. Matching!) 2 w(m) w(m 1 ) + w(m 2 ) = w(hk ) w(opt ) (Überspringen gerader Knoten und Dreiecks-Ungleichung) w(hk ) 3 2 w(opt ) Existiert immer perfektes Matching M? (Zeige, dass U immer gerade ist!) M 2 11 Akhremtsev, Hespe:
38 Kleine Änderung in der Definition Ein Algorithmus ALG hat einen Approximationsfaktor ρ, wenn gilt w (ALG(I)) ρ w (OPT (I)) 12 Akhremtsev, Hespe:
39 Perfekt balancierte Graphpartitionierung Teile Knoten eines Graphen G = (V, E) in k disjunkte Mengen V 1,..., V k mit V 1... V k = V auf V 1 =... = V k = V k Minimiere Anzahl Kanten, die zwischen verschiedenen Knotenmengen verlaufen (wird Schnitt genannt) NP-hart Ist nicht in Polynomialzeit mit konstantem Faktor approximierbar Reduktion von 3-Partition 13 Akhremtsev, Hespe:
40 3-Partition Gegeben n = 3k ganze Zahlen a 1, a 2..., a n und ein Wert S, so dass S 4 < a i < S 2 und n a i = ks i=1 Entscheide, ob die Zahlen in Dreiergruppen aufgeteilt werden können, die jeweils zu S aufaddieren Streng NP-vollständig Selbst noch NP-vollständig, wenn die Zahlen polynomiell in n beschränkt sind 14 Akhremtsev, Hespe:
41 3-Partition Gegeben n = 3k ganze Zahlen a 1, a 2..., a n und ein Wert S, so dass S 4 < a i < S 2 und n a i = ks i=1 Entscheide, ob die Zahlen in Dreiergruppen aufgeteilt werden können, die jeweils zu S aufaddieren Streng NP-vollständig Selbst noch NP-vollständig, wenn die Zahlen polynomiell in n beschränkt sind 14 Akhremtsev, Hespe:
42 Reduktion Gegeben eine Instanz von 3-Partition (polynomiell beschränkten Zahlen) Konstruiere Graphen G: Für jedes a i füge eine Clique der Größe a i ein. a 1 a 2 a 3 a n... Reduktion in Polynomialzeit, da Zahlen polynomiell beschränkt Wenn 3-Partition lösbar, gibt es eine perfekt balancierte Partition in k Blöcke mit Schnitt 0 Sonst wird mindestens eine Kante geschnitten Approximationsalgorithmus müsste auch Schnitt der Größe 0 finden 15 Akhremtsev, Hespe:
Algorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrAlgorithmen 2. Kapitel: Approximationsalgorithmen. Thomas Worsch. Fakultät für Informatik Karlsruher Institut für Technologie
Algorithmen 2 Algorithmen 2 Kapitel: Approximationsalgorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2017/2018 1 / 40 Einleitung Überblick Einleitung
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrAlgorithmen II. Peter Sanders, Christian Schulz, Simon Gog. Übungen: Michael Axtmann. Institut für Theoretische Informatik, Algorithmik II.
Schulz, Gog, Sanders: Algorithmen II - 13. Februar 2017 Algorithmen II Peter Sanders, Christian Schulz, Simon Gog Übungen: Michael Axtmann Institut für Theoretische Informatik, Algorithmik II Web: http://algo2.iti.kit.edu/algorithmenii_ws16.php
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 2016 2. Vorlesung Rundreiseprobleme Teil II Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise
MehrApproximationsschemata
Effiziente Algorithmen Aproximationsalgorithmen 312 Definition Approximationsschemata Sei A(ǫ) ein Approximationsalgorithmus mit einem Parameter ǫ. 1. A(ǫ) ist ein PTAS (polynomial time approximation scheme),
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Approximationsalgorithmen auf metrischen Instanzen Minimum Spanning Tree Definition (Spannbaum) Ein Spannbaum in einem Graphen G = (V,E) ist ein kreisfreier Teilgraph
MehrRundreiseproblem und Stabilität von Approximationsalg.
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Friedrich Alexander Universität Erlangen-Nürnberg Seminar Perlen der theoretischen Informatik, 2008-01-19 http://verplant.org/uni/perlen/
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 21 1 Approximationsalgorithmen auf
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrApproximation mit relativer Gütegarantie Überblick und einführende Beispiele
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrApproximationsklassen für Optimierungsprobleme
Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrEinführung in Berechenbarkeit, Komplexität und Formale Sprachen
Einführung in Berechenbarkeit, Komplexität und Formale Sprachen V17, 10.12.09 Willkommen zur Vorlesung Einführung in Berechenbarkeit, Komplexität und Formale Sprachen Friedhelm Meyer auf der Heide 1 Rückblick:
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
MehrEinführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrApproximierbarkeit. Definition. Ein Optimierungsproblem P ist gegeben durch ein Quadrupel. P = (I, Sol, m, goal), wobei:
Approximierbarkeit Ein Optimierungsproblem P ist gegeben durch ein Quadrupel wobei: P = (I, Sol, m, goal), I ist die Menge der Instanzen von P. Sol ist eine Funktion, die ein x I abbildet auf die Menge
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung / Motivation
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
MehrDas Lastverteilungsproblem
Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrApproximation in Batch and Multiprocessor Scheduling
Approximation in Batch and Multiprocessor Scheduling Tim Nonner IBM Research Albert-Ludwigs-Universität Freiburg 3. Dezember 2010 Scheduling Zeit als Ressource und Beschränkung Formaler Gegeben sind Jobs
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
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 4 Programm des
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
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrRandomisierte und Approximative Algorithmen. Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn
Randomisierte und Approximative Algorithmen Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn 22. Januar 2018 Inhaltsverzeichnis 1 Einleitung 4 2 Greedy-Algorithmen 6 2.1 Vertex Cover................................
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrSeminar Algorithmentechnik
Seminar Algorithmentechnik Institut für Theoretische Informatik Lehrstuhl für Algorithmik I Prof. Dorothea Wagner Karlsruhe Seminar Institut Algorithmentechnik für Technologie (KIT) Fakultät für Informatik
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 16.12.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrAlgorithmen für Planare Graphen
Algorithmen für Planare Graphen 12. Juni 2018, Übung 4 Lars Gottesbüren, Michael Hamann INSTITUT FÜR THEORETISCHE INFORMATIK KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Prüfungstermine
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 06. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 06.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 5. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 05.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrDas Rundreiseproblem und Stabilität von Approximationsalgorithmen
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Florian Forster 21. Februar 2008 Zusammenfassung Diese Seminararbeit stellt das Rundreiseproblem und das TSP vor und führt kurz in die
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
Mehr21. Dynamic Programming III
Approximation 21. Dynamic Programming III FPTAS [Ottman/Widmayer, Kap. 7.2, 7.3, Cormen et al, Kap. 15,35.5] Sei ein ε (, 1) gegeben. Sei I eine bestmögliche Auswahl. Suchen eine gültige Auswahl I mit
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Walter Unger Lehrstuhl für Informatik I 20. April 2006 1 Einleitung Motivation Cliquenproblem 2 Vertex Cover Greedy 3 Steiner-Bäume 4 TSP Einleitung Approximation Nichtapproximierbarkeit
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 Wiederholung TSP: Kurz:
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen 2 Übung 1 Stefan Florian Palkovits, BSc 0926364 e0926364@student.tuwien.ac.at 12. Juni 2016 Aufgabe 1: Es existiert eine Reduktion von Problem A auf Problem B in O(n 3 +
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 22.12.2011 INSTITUT FÜR THEORETISCHE 0 KIT 09.01.2012 Universität des Andrea Landes Schumm Baden-Württemberg - Theoretische und Grundlagen der Informatik
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 3 Programm des
MehrApproximations- und Online-Algorithmen
Approximations- und Online-Algorithmen Wie komme ich mit Unfähigkeit und Unwissen zurecht? Rob van Stee 14. April 2010 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrApproximationsalgorithmen. Wintersemester 2013/14 HERZLICH WILLKOMMEN!
Approximationsalgorithmen Wintersemester 2013/14 HERZLICH WILLKOMMEN! 1 / 39 Worum geht s? Eine Bemerkung von Vasek Chvatal In den kommunistischen Ländern des Ostblocks in den 60 er und 70 er Jahren war
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
MehrApproximierbarkeit von NP Problemen
Komplexitätstheorie (6) (Wolfgang Slany) 1 Approximierbarkeit von NP Problemen Approximations-Algorithmen: in polynomieller Zeit wird ein Resultat gefunden, das garantiert höchstens einen vorgegebenen
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
Mehr2.6 Asymptotische Approximation: Min Binpacking
2.6 Asymptotische Approximation: Min Binpacking In diesem Abschnitt geht es die Erscheinung, dass manche Optimierungsprobleme Approximationsalgorithmen haben, die nur für Inputs x mit groÿem Wert m (x)
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
MehrOptimieren von Schnittplänen
30. Juli, 015 Inhaltsverzeichnis 1 Einführung 3 4 Worum geht es? Wir wollen möglichst effizient Druckbögen zerschneiden Dazu verwenden wir nur Guillotinen-Schnitte Worum geht es? Wir wollen möglichst effizient
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
MehrDie dynamische Programmierung 1 / 51
Die dynamische Programmierung 1 / 51 Dynamische Programmierung - Das Ausgangsproblem P 0 wird in Teilprobleme P 1,..., P t aufgebrochen. - Die Teilprobleme werden dann, einer Schwierigkeitshierarchie entsprechend,
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrVorlesung Theoretische Informatik (Info III)
1 Vorlesung Theoretische Informatik (Info III) Prof. Dr. Dorothea Wagner Dipl.-Math. Martin Holzer 20. Dezember 2007 Einleitung Motivation 2 Thema heute Relative Approximation (Forts.) Approximationsschemata
MehrApproximationsalgorithmen. Approximation im Sinne der Analysis:
Approximationsalgorithmen Ulrich Pferschy 1 Approximationsalgorithmen Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem
Mehr20. Dynamic Programming II
536 20. Dynamic Programming II Subset Sum Problem, Rucksackproblem, Greedy Algorithmus, Lösungen mit dynamischer Programmierung, FPTAS, Optimaler Suchbaum [Ottman/Widmayer, Kap. 7.2, 7.3, 5.7, Cormen et
MehrLiteratur für diese VO. Überblick. Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. : Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO
MehrKap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18./20. VO A&D WS 08/09
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
MehrDas Rucksackproblem. Definition Sprache Rucksack. Satz
Das Rucksackproblem Definition Sprache Rucksack Gegeben sind n Gegenstände mit Gewichten W = {w 1,...,w n } N und Profiten P = {p 1,...,p n } N. Seien ferner b, k N. RUCKSACK:= {(W, P, b, k) I [n] : i
MehrAlgorithmen zur Visualisierung von Graphen Lagenlayouts
Algorithmen zur Visualisierung von Graphen Lagenlayouts Marcus Krug Institut für Theoretische Informatik 25.06.2009 1/ 41 E-Mail-Graph der Fakultät für Informatik 2/ 41 E-Mail-Graph der Fakultät für Informatik
MehrEffiziente Algorithmen II
10. Präsenzaufgabenblatt, WiSe 2014/15 Übungstunde am 19.01.2015 Aufgabe Q Betrachten Sie das Knapsackpolytop P = conv(v ) mit V = {x n i=1 a ix i α} {0, 1} n für gegebenes α und a i 0 (insbesondere ist
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrGrundlagen Theoretischer Informatik 3 SoSe 2012 in Trier. Henning Fernau Universität Trier
Grundlagen Theoretischer Informatik 3 SoSe 2012 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Harte Probleme Sind harte Probleme stets NP-hart? Vermutlich nein... Klassisches Beispiel:
MehrWeitere NP-vollständige Probleme
Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
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
Mehr20. Dynamic Programming II
Aufgabe 20. Dynamic Programming II Subset Sum Problem, Rucksackproblem, Greedy Algorithmus, Lösungen mit dynamischer Programmierung, FPTAS, Optimaler Suchbaum [Ottman/Widmayer, Kap. 7.2, 7.3, 5.7, Cormen
Mehr10. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Bäume
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
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2016 1. Vorlesung Rundreiseprobleme Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrApproximation im Sinne der Analysis:
1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische
Mehr