Netzwerkstatistiken. Informatik-Seminar Netzwerkanalyse : Kapitel 11 - Netzwerkstatistiken. Jean Botev (SS 2005)
|
|
- Christina Hartmann
- vor 5 Jahren
- Abrufe
Transkript
1 Netzwerkstatistiken 1
2 Übersicht - Motivation - Gradbasierte Statistiken - Abstandsbasierte Statistiken - Anzahl kürzester Pfade - Verzerrung - Clustering-Koeffizient und Transitivität - Netzwerkstatistik-Typen 2
3 Motivation Aufgrund der Größe komplexer Netzwerke ist es notwendig, wesentliche Merkmale von Knoten und Kanten, Regionen oder auch dem ganzen Graph beschreiben zu können. Das geschieht mithilfe von Netzwerkstatistiken, d.h. einzelner oder einer Folge von Kennzahlen, die die benötigten Informationen in kompakter Form liefern. Eine Netzwerkstatistik... sollte grundlegende Eigenschaften eines Netzwerks beschreiben. sollte zwischen verschiedenen Netzwerkklassen unterscheiden. könnte für Algorithmen und Anwendungen nützlich sein. 3
4 1. Gradbasierte Statistiken Der Knotengrad ist die gängigste und von der Berechnung her einfachste Netzwerkstatistik. Der Knotengrad selbst kann schon Kennzahl für Verbindungsstärke (Ausgangsgrad oder Relevanz (Eingangsgrad eine Knotens sein. Normalerweise betrachtet man jedoch entweder alle, oder eine Teilmenge von Knoten eines bestimmten Grades. In einem ungerichteten Zufallsgraph G n,p ist der erwartete Teil von Knoten mit Grad k n 1 k n 1 k (Binomialverteilung k p (1 bei geringer Knotenanzahl n, und bei großen n ungefähr p k ( np np (Poisson-Verteilung k! e 4
5 1. Gradbasierte Statistiken In vielen "natürlich vorkommenden" Graphen scheinen die Knotengrade jedoch einem Potenz-Gesetz zu folgen: ck γ mit γ > 0 und c > 0. Beispiele für Graphen bzw. Netzwerke, deren Gradverteilungen einem solchen Potenz-Gesetz folgen, sind: - Der Actor-Collaboration-Graph - Das World Wide Web - Die Stromversorgung der U.S.A. - Das Internet (Router und autonome Systeme ( γ = 2,3 ( γ 2,3, γ in ( γ 4 ( γ 2,2 out 2,72 5
6 2. Abstandsbasierte Statistiken Eine andere grundlegende, aber in der Berechnung aufwändigere, Netzwerkstatistik ist der Abstand zwischen zwei Knoten: d( u, v := min { P P ist ein Pfad von u nach v } Die Anordnung der Abstände führt zu einer VxV-Matrix D, der Abstandsmatrix, deren Zeilen und Spalten mit den Knoten des Graphen indiziert werden, so daß in Zeile u und Spalte v die Distanz d(u,v steht: D ( d( u, v u v V =, Ist die Abstandsmatrix eines Graphen bekannt, lassen sich die meisten abstandsbasierten Statistiken in Zeit O(n² berechnen. 6
7 2.1 Durchschnittlicher / Charakteristischer Abstand Der durchschnittliche / charakteristische Abstand arithmetische Mittel aller Abstände im Graph: 1 d = d( u, v 2 V V u v V d ist das Für nicht zusammenhängende Graphen ist d =. Deswegen kann es nützlich sein, sich auf die vorhandenen Kanten zu beschränken. Dies führt zum durchschnittlich zusammenhängenden Abstand: 1 d = d( u, v, k = # Kanten e = ( u, v mit u v. k u v V 0< d ( u, v < Mithilfe der Abstandsmatrix D kann der durchschnittliche Abstand in Zeit O(n² berechnet werden. 7
8 2.2 Radius, Durchmesser und Exzentrizität Die Exzentrizität ε(u eines Knotens ist der maximale Abstand dieses Knotens zu einem anderen: ε ( u : = max d ( u, v v V { } Der Radius rad(g eines Graphen G ist die minimale Exzentrizität aller Knoten: rad( G : = min ε ( u u V { } Der Durchmesser diam(g eines Graphen G ist der maximale Abstand zweier Knoten in G : diam( G : { d ( u, v u v V } = max, Wie schon die durchschnittlichen Abstände kann man Exzentrizität und Durchmesser mit der Distanzmatrix D in Zeit O(n² berechnen. 8
9 2.3 Nachbarschaften Die h-nachbarschaft Neigh h (v eines Knotens v ist die Menge aller Knoten u mit Abstand kleiner gleich h zu v : Neigh h { u V d( v, u h } ( v : = Die Größen der h-nachbarschaften liefern die parametrisierte Kennzahl: N( v, h : = Neigh ( v h Die durchschnittliche h-nachbarschaft Neigh(h ist wie folgt definiert: Neigh ( h : = 1 n v V N(v,h 9
10 2.3 Nachbarschaften Der (absolute Hop-Plot P(h eliminiert die Abhängigkeit vom Knoten: P ( h 2 { ( u, v V d( u, v h } : = = v V N(v,h Der (relative Hop-Plot p(h ist der wahrscheinliche Anteil Paare mit Abstand kleiner gleich h: p h P( h ( : = = n 2 n 1 2 v V N(v,h Absoluter und relativer Hop-Plot, sowie die Nachbarschaftsgrößen, lassen sich auch mittels Distanzmatrix D in Zeit O(n² berechnen. 10
11 2.4 Effektive Exzentrizität / Effektiver Durchmesser Die effektive Exzentrizität ε eff (v,r eines Knotens bezeichnet den minimalen Abstand dieses Knotens zu einem bestimmten Teil anderer: ε eff ( v, r : { h N ( v, h rn } = min Der effektive Durchmesser diam eff (r macht dasselbe, ohne jedoch einen konkreten Ursprungsknoten anzugeben: diam eff ( r : 2 { h P(h rn } = { h p(h r } = min min Sind N und P bekannt, kann man die effektive Exzentrizität und den effektiven Durchmesser in Zeit O(log diam(g berechnen. 11
12 2.5 Algorithmen - Distanzmatrixberechnung Die Distanzmatrix enthält die Lösungen des Kürzeste-Wege-Problems für jeweils alle Knotenpaare in einem Graphen. Für Graphen mit beliebig gewichteten Kanten ist dieses Problem NP-hart. In Graphen ohne negative Zyklen kann das Kürzeste-Wege-Problem jedoch in polynomieller Zeit gelöst werden durch: - Matrixmultiplikation: O(n³logn - SSSP (n-mal: O(n²m [Bellman-Ford] Nicht-negative Kanten: O(n²logn+nm [Dijkstra] Ungewichtete Graphen: O(n²m [BFS] - APSP: O(n³ [Floyd-Warshall] 12
13 2.6 Algorithmen - ANF Der ANF-Algorithmus berechnet näherungsweise für alle Knoten u die Anzahl N(u,h der Knoten mit höchstens Abstand h zu u. Ansatz: Neigh h { v d( u, v h } ( u : = läßt sich auch wie folgt beschreiben: Neigh h ( u = Neigh U h 1 ( u Neigh ( v h 1 ( u, v E Idee: Stelle die Mengen Neigh h (u durch einzelne Bitmasken dar. entspricht dann OR. 13
14 2.6 Algorithmen - ANF 14
15 3. Anzahl kürzester Wege Eine mit dem Abstand eng verbundene Kennzahl ist die Anzahl c(u,v unterschiedlicher kürzester Wege zwischen zwei Knoten: c ( u, v : = { P P ist ein kürzester Pfad von u nach v} Berechnung erfolgt durch modifizierte Floyd-Warshall, Dijkstra. Außerdem läßt sich mithilfe von c(u,v auch die Anzahl c(e unterschiedlicher kürzester Wege, die eine Kante e=(u,v beinhalten berechnen: c ( e : = = { P P ist ein kürzester Pfad, der e enthält } d(u',v' = d(u',u + 1+ d(v,v' c( u', u c( v, v' 15
16 4. Verzerrung Betrachtet man einen Spannbaum T von G=(V,E - also einen azyklischen, zusammenhängenden Subgraphen von G, der alle Knoten v V enthält - so ist die Verzerrung D(T von T definiert durch die durchschnittliche Länge von Pfaden in T zwischen adjazenten Knoten in G: D( T : = 1 E { u, v} E d T (u,v Hierbei bezeichnet d T (u,v den Abstand von u zu v in T. Die globale Verzerrung D(G eines Graphen G ist die minimale Verzerrung aus allen Spannbäumen von G: { D( T T ist ein Spannbaum G } D ( G : = min von 16
17 5. Clustering-Koeffizient und Transitivität Für einen Knoten v repräsentiert der Clustering-Koeffizient c(v die Wahrscheinlichkeit, daß zwei Nachbarn von v verbunden sind. Der Clustering-Koeffzient C(G eines Graphen G ist das Mittel der Clustering-Koeffizienten aller Knoten des Graphen. Der Clustering-Koeffizient C(G ist ein weit verbreiteter Index bei der Analyse von Netzwerken. Als Alternative dazu wurde die Transitivität eingeführt, die jedoch nicht äquivalent zum Clustering-Koeffizienten ist. 17
18 5. Clustering-Koeffizient und Transitivität Sei G ein ungerichteter Graph. Ein Dreieck ={V,E } ist ein vollständig zusammenhängender Teilgraph von G mit genau drei Knoten. λ(g bezeichne die Anzahl von Dreiecken eines Graphen G, und entsprechend sei die Anzahl von Dreiecken eines Knotens wie folgt definiert: λ( { v } v : = V 1 ( also λ( G = λ( v 3 v V 18
19 5. Clustering-Koeffizient und Transitivität Ein Tripel ist ein Teilgraph von G mit drei Knoten und zwei Kanten. Ein Tripel heißt ein Tripel am Knoten v, falls die beiden Kanten des Tripels inzident zu v sind. Somit kann die Anzahl der Tripel an einem Knoten v abhängig von seinem Grad d(v definiert werden als: τ ( v : = d ( v 2 = d( v 2 d( v 2 τ ( G : τ ( v Die Anzahl Tripel für den ganzen Graphen ist =. v V 19
20 5. Clustering-Koeffizient und Transitivität Beispiel (Dreieck, Tripel: 20
21 5. Clustering-Koeffizient und Transitivität Mithilfe dieser Begriffe läßt sich der Clustering-Koeffizient eines Knotens v mit τ(v 0 nun definieren als: ( ( ( : v v v c τ λ = Für den ganzen Graphen G und definiert man den Clustering-Koeffizienten wie folgt: = ' ( 1 ( ' : V v v c G C V { } 2 ( ' = v d V v V Die Transitivität eines Graphs ist definiert als: ( ( 3 ( : G G G T τ λ = 21
22 5.1 Beziehung zwischen C und T G: Clustering-Koeffizienten: a d c b ( 83 0, ( ( ( ( ( + = = = = = G C d c b c c c a c Transitivität: 0, ( = = G T 22
23 5.1 Beziehung zwischen C und T G: Familie von Graphen mit: T ( G 0, C( G 1, n für n. 23
24 5.1 Beziehung zwischen C und T Die folgende Gleichung von Bollobás und Riordan zeigt eine formale Beziehung zwischen Transitivität und Clustering- Koeffizient: T ( G : = v V ' τ ( v c( v v V ' τ ( v Die Transitivität eines Graphen ist demnach gleich dem durch die Anzahl der Tripel gewichteten Clustering-Koeffizienten. Somit kann die Transitivität T(G unter Umständen dem Clustering-Koeffizienten C(G entsprechen, etwa falls alle Knoten den selben Grad haben oder alle ihre Clustering-Koeffizienten gleich sind. 24
25 5.2 Berechnung Um die Clustering-Koeffizienten zu berechnen, benötigt man sowohl die Anzahl von Tripeln (τ(g und Dreiecken (λ(g in einem Graph. Erstere läßt sich in Linearzeit berechnen, die Bestimmung der Dreiecksanzahl ist jedoch aufwändiger: Erster Ansatz (Standardmethode Iteriere über alle Knoten, um dann jeweils zu testen, ob es eine Kante zwischen beliebigen zwei Nachbarn gibt. 2 O ( d = max{ d( v v V } nd max Laufzeit:, wobei max Zweiter Ansatz (Matrixmultiplikation Ist A die Adjazenzmatrix des Graphen G, so enthalten die Elemente in der Diagonalen der Matrix A³ gerade die doppelte Anzahl der Dreiecke des entsprechenden Knotens. Laufzeit: O( n γ, wobei γ der Matrix-Multiplikations- Koeffizient ist. Derzeit: γ 2,
26 5.2 Berechnung (AYZ Dritter Ansatz (Algorithmus von Alon, Yuster uns Zwick Grundidee: Teile V in zwei Mengen von Knoten mit niedrigem bzw. hohem Grad V low = { v V : d( v β }, V high = V \ V low, wobei β = m γ-1 γ + 1, und nutze die Standardmethode zur Berechnung der Dreiecke bei den Knoten mit niedrigem Grad, jedoch schnelle Matrixmultiplikation bei den Knoten hohen Grades. Der AYZ-Algorithmus läßt sich so implementieren, daß er in Zeit 2γ ( γ + 1 1,41 O ( m bzw. O( m die Dreiecke λ(v aller Knoten berechnet. Im Vergleich zu den ersten beiden Ansätzen ist dies vor allem eine Verbesserung bei Graphen mit wenigen Kanten. 26
27 5.2 Berechnung (AYZ 27
28 5.2 Berechnung (AYZ Vollständige Fallunterscheidung Korrektheit. 27
29 5.2 Berechnung (AYZ Lineare Zeit. 27
30 5.2 Berechnung (AYZ Konstante Zeit. Zudem: d ( v v V 2 Hauptschleife in 2 γ ( γ + 1 O( m mβ 27
31 5.2 Berechnung (AYZ Zu zeigen: O( n γ high O( m 2 γ ( γ + 1 "Hand-Shaking"-Lemma v V d( v = 2m n high β 2m n high 2m 2 ( γ
32 6. Netzwerkstatistik-Typen Eine globale verteilte Statistik weist jedem Graph einer Klasse mehrere parameterabhängige Werte zu. Eine lokale einwertige Statistik weist einzelnen Graphelementen (Knoten, genau einen Wert zu. Globale Statistik vs. Lokale Statistik Einwertige Statistik vs. Verteilte Statistik Eine globale einwertige Statistik weist jedem Graph einer Klasse genau einen Wert zu. Eine lokale verteilte Statistik weist einzelnen Graphelementen parameterabhängige Werte zu. 28
33 6.1 Umwandlung der Statistik-Typen Reparametrisierung Global Einwertig Lokalisierung Globalisierung Lokal Einwertig Parameter- Eliminierung Lokalisierung Zählen Lokalisierung Globalisierung Global Verteilt Lokalisierung Globalisierung Lokal Verteilt Parameterreduktion Reparametrisierung Parameterreduktion Reparametrisierung 29
34 6.1 Umwandlung der Statistik-Typen Beispiel Globalisierung: Eliminiert die Abhängigkeit lokaler Statistiken von einzelnen Graphelementen etwa durch: - Maximumsbildung γ G := max { λ (x x X } G G - Minimumsbildung γ G := min { λ (x x X } G G - Summation γ : = G x X G λ G (x - Durchschnittsbildung γ G : = X 1 G x X G λ G (x 30
35 6.1 Umwandlung der Statistik-Typen Beispiel Parameter-Eliminierung: Verringert die Anzahl parameterabhängiger Werte durch: - Maximumsbildung λ G (x : = max G, { Λ (x t t P } - Minimumsbildung / Summation / Durchschnittsbildung - Projektion λ G(x t G (x : = Λ, 0 Beispiel Parameter-Reduktion: Verringert die Anzahl der Parameter (falls P = P xp : λ' G = max t'' P'' { Λ (x, t', t' } (x, t' : ' G 31
36 6.2 Visualisierung Absolute Eingangsgradverteilung (log. Maß nach WebBase-Crawl (
37 6.2 Visualisierung Absolute Ausgangsgradverteilung (log. Maß nach WebBase-Crawl (
38 6.2 Visualisierung Scatter-Plot (log. Maß Der Ein- und Ausgangsgrade nach WebBase-Crawl (
39 7. Quellenangabe U. Brandes, T. Erlebach (Eds: Network Analysis, Springer, Berlin. 34
2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2010/11
MehrKomplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz
Ernst Moritz Arndt Universität Greifswald 24. 4. 29 Komplexe Netzwere Gradverteilung der Knoten, Salenfreiheit, Potenzgesetz Dr. Matthias Scholz www.networ-science.org/ss29.html 1 Begriffe und Definitionen
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
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
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
MehrRichtig oder falsch? Richtig oder falsch? Richtig oder falsch? Mit dynamischer Programmierung ist das Knapsack- Problem in Polynomialzeit lösbar.
Gegeben sei ein Netzwerk N = (V, A, c, s, t) wie in der Vorlesung. Ein maximaler s-t-fluss kann immer mit Hilfe einer Folge von höchstens A Augmentationsschritten gefunden werden. Wendet man den Dijkstra-Algorithmus
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
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
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 10, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 10, 11.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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
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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 24-6. Sitzung Marcus Georgi tutorium@marcusgeorgi.de 04.12.2009 1 Repräsentation von Graphen im Rechner Adjazenzlisten Adjazenzmatrizen Wegematrizen 2 Erreichbarkeitsrelationen
MehrInhaltsverzeichnis. - Kurzer Überblick Seite ) Einleitung Seite ) Vorbereitungen Seite 2. - ungewichtete und ungerichtete Graphen Seite 2
Inhaltsverzeichnis - Kurzer Überblick Seite 1-1) Einleitung Seite 1-2) Vorbereitungen Seite 2 - ungewichtete und ungerichtete Graphen Seite 2 - Erweiterung für gerichtete Graphen Seite 8-3) a) Abschätzung
MehrSeien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren.
Beweis: 1. 2. Seien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren. Widerspruchsannahme: Es gibt zwei verschiedene Pfade zwischen u und v. Dann gibt es einen
MehrAlgorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 6, 28.10.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Prüfungsanmeldung bis 30.10.
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
Mehr9. November ZHK in dynamischen Graphen Zentralitäten. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67
9. November 2011 ZHK in dynamischen Graphen Zentralitäten H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67 ZHK in dynamischen Graphen Ungerichteter schlichter dynamischer Graph Dynamisch:
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
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,
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
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
MehrAlgorithmen und Datenstrukturen 13
19. Juli 2012 1 Besprechung Blatt 12 Fragen 2 Bäume AVL-Bäume 3 Graphen Allgemein Matrixdarstellung 4 Graphalgorithmen Dijkstra Prim Kruskal Fragen Fragen zu Blatt 12? AVL-Bäume AVL-Bäume ein AVL-Baum
MehrGraphalgorithmen II. Werner Sembach Werner Sembach Graphalgorithmen II / 22
Graphalgorithmen II Werner Sembach 14.04.2014 Werner Sembach Graphalgorithmen II 14.04.2014 1 / 22 Übersicht Datenstrukturen Union-Find Fibonacci-Heap Werner Sembach Graphalgorithmen II 14.04.2014 2 /
Mehr6. Vorlesung. Power Laws Modell der bevorzugten Verbindung Small World-Phänomen und -Netze Watts-Strogatz Modell. Kompression des Web-Graphen
6. Vorlesung Web Struktur I Power Laws Modell der bevorzugten Verbindung Small World-Phänomen und -Netze Watts-Strogatz Modell Kompression des Web-Graphen Seite 146 Beobachtete Phänomene Wenige Multi-Milliardäre,
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 45 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Distanzen zwischen allen Knotenpaaren (APD)! Viele Anwendungen:! Navis! Netzwerkrouting!...
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
MehrBemerkung: Es gibt Algorithmen für minimale Spannbäume der Komplexität O(m + n log n) und, für dünnbesetzte Graphen, der Komplexität O(m log n), wobei
Bemerkung: Es gibt Algorithmen für minimale Spannbäume der Komplexität O(m + n log n) und, für dünnbesetzte Graphen, der Komplexität O(m log n), wobei { log x = min n N n: log (log ( log(x) )) } {{ } n
MehrGraphen Jiri Spale, Algorithmen und Datenstrukturen - Graphen 1
Graphen 27 Jiri Spale, Algorithmen und Datenstrukturen - Graphen Motivation Einsatz: Berechnung von Entfernungen Auffinden von Zyklen in Beziehungen Ermittlung von Verbindungen Zeitmanagement Konzept:
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
Mehr= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2
1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 9 Graphen Version vom 13. Dezember 2016 1 / 1 Vorlesung Fortsetzung 13. Dezember
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
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
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrGraphen. Theorie und Beispiele
Graphen Theorie und Beispiele Inhalt Graph Multigraph gewichteter Graph Grad eines Knoten Teilgraph Weg, Pfad und Zyklus Graph Def: Ein (gerichteter) Graph ist ein Paar G =(V, E), hierbei ist V eine endliche
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)
MehrEffizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
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,
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
MehrEffiziente Algorithmen I
9. Präsenzaufgabenblatt, WiSe 2013/14 Übungstunden am 13.01. & 15.01.2014 Aufgabe Q Gegeben sei ein Fluss-Netzwerk mit Digraph D = (V, A), Knotenkapazitäten c(u, v) 0, Quelle s und Senke t. Kann sich der
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
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrGraphentheorie 2. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Kantenzüge Small-World Networks Humor SetlX
Graphentheorie 2 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 26 Diskrete Strukturen Graphentheorie 2 Slide /23 Agenda Hausaufgaben Kantenzüge Small-World Networks Humor SetlX Diskrete Strukturen
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
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
MehrVorlesungstermin 2: Graphentheorie II. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesungstermin 2: Graphentheorie II Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Wiederholung: Vollständige Induktion Ziel: zeige n N. A(n) für eine Aussage
Mehr10 Kürzeste Pfade SSSP-Problem
In diesem Kapitel setzen wir uns mit der Berechnung von kürzesten Pfaden in einem Graphen auseinander. Definition 10.1 (Pfadgewichte). i) Das Gewicht eines Pfades p = (v 0, v 1,..., v k ) ist die Summe
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
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
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrGliederung. Algorithmen und Datenstrukturen II. Graphen: All-pairs shortest paths. Graphen: All-pairs shortest paths. Graphen: Kürzeste Pfade III
Gliederung Algorithmen und Datenstrukturen II : Kürzeste Pfade III D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg 1 Problem Transitiver
MehrBeweis: Färbe jede Kante zufällig und unabhängig mit Ws 1 2. Ereignis A i : i-te Clique K (i), i = 1,..., ( n K (i)
Die Probabilistische Methode Beobachtung: Besitzt ein Ereignis Ws > 0, so muss es existieren! Notation: Sei K n der komplette Graph mit n Knoten und ( n 2) Kanten. Satz Falls 2 (k 2) 1 > ( n k), existiert
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
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 13 (8.6.2016) Graphenalgorithmen I Algorithmen und Komplexität Graphen Knotenmenge V, typischerweise n V Kantenmenge E, typischerweise
MehrVon Aachen nach Halle...
Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15. 6. 16. 6. Saarbruecken? Effiziente Algorithmen fr Graphtraversierungen Ulrich Meyer p. 3 Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15.
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 3: Einführung in die Graphentheorie - Teil 3 Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 2. März 2018 1/72 ZUSAMMENHANG
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrÜbung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:
Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu
MehrSeminar über Algorithmen Alexander Manecke
Seminar über Algorithmen 1 Einleitung Ein großes Problem bei Ad-Hoc und Sensornetzwerken sind die begrenzten Ressourcen. Wenn beispielsweise Sensorknoten an schwer zugänglichen Stellen ausgebracht werden,
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
Mehr1 Pfade in azyklischen Graphen
Praktikum Algorithmen-Entwurf (Teil 5) 17.11.2008 1 1 Pfade in azyklischen Graphen Sei wieder ein gerichteter Graph mit Kantengewichten gegeben, der diesmal aber keine Kreise enthält, also azyklisch ist.
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
MehrKochrezept für NP-Vollständigkeitsbeweise
Kochrezept für NP-Vollständigkeitsbeweise Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 11. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
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
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrInformatik II, SS 2016
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 12 (4.6.2018) Graphenalgorithmen I Yannic Maus Algorithmen und Komplexität Graphen Knotenmenge V, typischerweise n V Kantenmenge E, typischerweise
MehrVorlesung 3: Graphenalgorithmen. Markus Püschel David Steurer Peter Widmayer. PDF download goo.gl/ym3spq
Vorlesung 3: Graphenalgorithmen Markus Püschel David Steurer Peter Widmayer PDF download goo.gl/ym3spq Algorithmen und Datenstrukturen, Herbstsemester 2017, ETH Zürich Gerichtete Graphen und Abhängigkeiten
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
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
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 2)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 2) Nico Düvelmeyer WS 2009/2010, 2.2.2010 Überblick 1 Delaunay Triangulierungen 2 Berechnung der Delaunay Triangulierung Randomisiert inkrementeller
MehrTeil 2: Graphenalgorithmen
Teil : Graphenalgorithmen Anwendungen Definitionen Datenstrukturen für Graphen Elementare Algorithmen Topologisches Sortieren Kürzeste Wege Problemstellung Ungewichtete Graphen Distanzgraphen Gewichtete
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
Mehr