Algorithmen II Vorlesung am

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Algorithmen II Vorlesung am 15.11.2012"

Transkript

1 Algorithmen II Vorlesung am Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum II Wintersemester 2012/2013 in der Helmholtz-Gemeinschaft

2 Das Kreismatroid Wiederholung

3 Kreismatroid Sei C die Menge aller Kreise in G = (V, E) und U die Menge aller unabhängigen Teilmengen von C. Dann bildet (C, U) ein Unabhängigkeitssystem. 1. U 2. I 1 U, I 2 I 1 I 2 U Definition: Matroid Ein Unabhängigkeitssystem (M, U) heißt Matroid, wenn für alle I, J U mit I < J, ein e J \ I existiert, sodass I {e} U. Satz: Das Unabhängigkeitssystem (C, U) ist ein Matroid, genannt Kreismatroid von G. Folgt aus dem Austausschsatz von Steinitz (Übung).

4 Greedy-Lösung In letzter Vorlesung gezeigt: Greedy-Methode optimal für Optimierungsprobleme auf Matroiden. GREEDY-METHODE für MCB Eingabe: Menge C aller Kreise in G = (V, E). Ausgabe: Kreisbasis minimalen Gewichts von G. Sortiere C aufsteigend nach Gewicht zu C 1,..., C k. B for i = 1 to k do if B {C i } linear unabhängig then B B {C i } Liefert optimale Lösung (siehe vorherige Vorlesung), allerdings ist die Anzahl der Kreise in einem Graphen im Allgemeinen exponentiell in m + n (siehe Übung). Idee: Versuche Kandidatenmenge mit polynomieller Größe zu finden.

5 Algorithmus von Horton

6 Algorithmus von Horton Satz 5.7 Für jeden Kreis C aus einer MCB von G existiert zu jedem beliebigen Knoten v aus C eine Kante {u, w} auf C, sodass gilt: C = SP(u, v) + SP(w, v) + {u, w}, wobei SP(u, v) bzw. SP(w, v) ein kürzester Weg von u bzw. w nach v in G ist. Beweis mithilfe der folgenden Lemmata. u w C v

7 Algorithmus von Horton Lemma 5.8 Falls B eine Kreisbasis ist, C B und C = C 1 C 2, dann ist entweder B \ {C} {C 1 } oder B \ {C} {C 2 } wieder eine Kreisbasis. Beweis: C 1 C 2 C = C 1 C 2 (i) Ist der Kreis C 1 darstellbar als Linearkombination von Kreisen aus B \ {C}, so ist offenbar B \ {C} {C 2 } wieder eine Basis. (ii) Ist der Kreis C 1 nur darstellbar als Linearkombination von C und Kreisen aus B \ {C}, so ist C 2 darstellbar als Linearkombination von Kreisen aus B \ {C}. Somit ist dann B \ {C} {C 1 } wieder eine Basis.

8 Algorithmus von Horton Lemma 5.9 Sei B eine Kreisbasis von G. Für zwei Knoten x, y V und einen Weg P in G von x nach y kann jeder Kreis C B, der x und y enthält, ersetzt werden durch einen Kreis C, der P enthält. Beweis: x P 1 P P 2 y x C P 1 P P 2 C 1 y x Es gilt C = C 1 C 2 und somit nach Lemma 5.8, dass entweder B\{C} {C 1 } oder B\{C} {C 2 } wieder eine Basis ist. C 2 P 1 P P 2 y

9 Algorithmus von Horton P 1 P P 2 y x C P 1 P P 2 C 1 C 2 P 1 P P 2 y x x Folgerung: y Seien weder P 1 noch P 2 kürzeste Wege zwischen x und y und sei P kürzester Weg zwischen x und y w(c 1 ) < w(c) und w(c 2 ) < w(c) Jede Basis B, die C enthält, kann in Basis B umgewandelt werden, die anstatt C entweder C 1 oder C 2 enthält (Lemma 5.9). w(b ) < w(b) Wenn B eine MCB ist, dann enthält jeder Kreis in B, der x, y V enthält, auch einen kürzesten Weg zwischen x und y.

10 Algorithmus von Horton Satz 5.7: Für jeden Kreis C aus einer MCB von G existiert zu jedem beliebigen Knoten v aus C eine Kante {u, w} auf C, so dass gilt: C = SP(u, v) + SP(w, v) + {u, w}, wobei SP(u, v) bzw. SP(w, v) ein kürzester Weg von u bzw. w nach v in G ist. Beweis: v 1 v 2 v Q i P i v i+1 v i Betrachte beliebigen Kreis C der MCB, sowie einen belibiegen Knoten v auf C: Indizierung der Knoten auf Kreis sei v = v 0,..., v l = v. Q i := Weg auf C von v nach v i in Richtung der Indizierung. P i := Weg auf C von v i nach v in Richtung der Indizierung. Entweder P i oder Q i ist kürzester Weg von v nach v i (vorherige Folie). Sei i der größte Index, sodass Q i kürzester Weg von v nach v i ist. C = Q i {v i, v i+1 } P i+1 ist gewünschte Darstellung.

11 Algorithmus von Horton Algorithmus von Horton für MCB Eingabe: Graph G = (V, E) Ausgabe: Kreisbasis minimalen Gewichts von G. H for v V und {u, w} E do Berechne Cv uw := SP(u, v) + SP(w, v) + {u, w} if Cv uw ist einfach then H H {C uw v } Sortiere Elemente aus H aufsteigend zu C 1,..., C k B for i = 1 to k do if B {C i } linear unabhängig then B B {C i }

12 Algorithmus von Horton Algorithmus von Horton für MCB Eingabe: Graph G = (V, E) Ausgabe: Kreisbasis minimalen Gewichts von G. H for v V und {u, w} E do Berechne Cv uw := SP(u, v) + SP(w, v) + {u, w} if Cv uw ist einfach then H H {C uw v } Sortiere Elemente aus H aufsteigend zu C 1,..., C k B for i = 1 to k do if B {C i } linear unabhängig then B B {C i } B m n + K(G) O(n m), weil H m n wobei m O(n 2 ) O(m n log n) O(m 3 n) O(m 2 ) Gesamtlaufzeit: O(m 3 n)

13 Algorithmus von de Pina

14 Algorithmus von de Pina Sei T ein aufspannender Baum (bzw. Wald) in G und e 1,..., e N die Nichtbaumkanten aus G\T in einer beliebigen Ordnung, wobei gilt N = m n + K(G). Eingabe: Graph G = (V, E) Ausgabe: MCB von G for j = 1 bis N do Initialisiere S 1,j {e j } for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält Ausgabe ist: {C 1,..., C N }

15 Algorithmus von de Pina Sei T ein aufspannender Baum (bzw. Wald) in G und e 1,..., e N die Nichtbaumkanten aus G\T in einer beliebigen Ordnung, wobei gilt N = m n + K(G). Eingabe: Graph G = (V, E) Ausgabe: MCB von G for j = 1 bis N do Initialisiere S 1,j {e j } for k = 1 bis N do O(m 3 + c m) Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k Ausgabe ist: {C 1,..., C N }, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält Annahme: Berechnung von C k kann in O(c) durchgeführt werden. Es gilt (ohne Beweis): c O(m 2 + n 2 log n) Gesamtlaufzeit: O(m 3 + m n 2 log n) vgl. Horton: O(m 3 n) O(m)

16 Beispiel 9 e 8 e 7 e 6 e 2 e 1 e 4 2 e e e e 5

17 Beispiel 9 e 8 e 7 e e 10 e 2 e 1 e 4 2 e e 5 Initialisierung: Ergebnis: for j = 1 bis N do Initialisiere S 1,j {e j } S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } 10 e 9

18 Beispiel 9 e 8 e 7 e S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } e 10 e 2 e 1 e 4 2 e e 5 k = 1: S 2,2 := S 1,2 S 1,1 = {e 1, e 2 } S 2,3 := S 1,3 S 1,1 = {e 1, e 3 } S 2,4 := {e 4 } S 2,5 := {e 5 } w(c 1 ) = 9 10 e 9 for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält

19 Beispiel 9 e 8 e 7 e S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } e 10 e 2 e 1 e 4 2 e e 5 k = 1: k = 2: S 2,2 := S 1,2 S 1,1 = {e 1, e 2 } S 2,3 := S 1,3 S 1,1 = {e 1, e 3 } S 2,4 := {e 4 } S 2,5 := {e 5 } S 3,3 := S 2,3 = {e 1, e 3 } S 3,4 := S 2,2 S 2,4 = {e 1, e 2, e 4 } S 3,5 := S 2,5 = {e 5 } w(c 1 ) = 9 w(c 2 ) = e 9 for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält

20 Beispiel 9 e 8 e 7 e 6 e 2 e 1 e 4 2 e e S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } e e 5 k = 1: S 2,2 := S 1,2 S 1,1 = {e 1, e 2 } S 2,3 := S 1,3 S 1,1 = {e 1, e 3 } S 2,4 := {e 4 } k = 2: S 2,5 := {e 5 } S 3,3 := S 2,3 = {e 1, e 3 } S 3,4 := S 2,2 S 2,4 = {e 1, e 2, e 4 } S 3,5 := S 2,5 = {e 5 } k = 3: S 4,4 := {e 1, e 2, e 4 } S 4,5 := {e 5 } w(c 1 ) = 9 w(c 2 ) = 12 w(c 3 ) = 15 for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält

21 Beispiel 9 e 8 e 7 e 6 e 1 e 2 2 e 4 e e S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } e e 5 k = 1: k = 2: S 2,2 := S 1,2 S 1,1 = {e 1, e 2 } S 2,3 := S 1,3 S 1,1 = {e 1, e 3 } S 2,4 := {e 4 } S 2,5 := {e 5 } S 3,3 := S 2,3 = {e 1, e 3 } S 3,4 := S 2,2 S 2,4 = {e 1, e 2, e 4 } S 3,5 := S 2,5 = {e 5 } k = 3: S 4,4 := {e 1, e 2, e 4 } S 4,5 := {e 5 } k = 4: S 5,5 := {e 5 } w(c 1 ) = 9 w(c 2 ) = 12 w(c 3 ) = 15 w(c 4 ) = 13 for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält

22 Beispiel 9 e 8 e 7 e 6 e 1 e 2 2 e 4 e e e e 5 S 2,2 := S 1,2 S 1,1 = {e 1, e 2 } S 2,3 := S 1,3 S 1,1 = {e 1, e 3 } S 2,4 := {e 4 } S 2,5 := {e 5 } for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k S 1,1 = {e 1 }, S 1,2 = {e 2 }, S 1,3 = {e 3 }, S 1,4 = {e 4 }, S 1,5 = {e 5 } k = 1: k = 2: S 3,3 := S 2,3 = {e 1, e 3 } S 3,4 := S 2,2 S 2,4 = {e 1, e 2, e 4 } S 3,5 := S 2,5 = {e 5 } k = 3: S 4,4 := {e 1, e 2, e 4 } S 4,5 := {e 5 } k = 4: S 5,5 := {e 5 } k = 5:, falls C k eine gerade Anzahl Kanten aus S k,j enthält w(c 1 ) = 9 w(c 2 ) = 12 w(c 3 ) = 15 w(c 4 ) = 13 w(c 5 ) = 17, falls C k eine ungerade Anzahl Kanten aus S k,j enthält

23 Korrektheit des Algorithmus von de Pina

24 Vektorenschreibweise Betrachte algebraische Interpretation des Algorithmus: Betrachte Kreise als Inzidenzvektoren über E mit Einschränkung auf die Nichtbaumkanten {e 1,..., e N }. e 8 e 7 e 6 e 1 e 2 e 3 e 4 e 9 C e 10 e 5 Beispiel: Kreise werden mithilfe der Nichtbaumkanten e 1, e 2, e 3, e 4 und e 5 beschrieben. C = e 1... e 5 Kreis C kann mithilfe der Fundamentalkreise C i (C i =Fundamentalkreis der Nichtbaumkante e i ) rekonstruiert werden. C = C 1 C 2 C 4 C 5

25 Bilinearform for k = 1 bis N do Finde einen kürzesten Kreis C k, der eine ungerade Anzahl von Kanten aus S k,k enthält for j = k + 1 bis { N do S k,j S k+1,j S k,j S k,k, falls C k eine gerade Anzahl Kanten aus S k,j enthält, falls C k eine ungerade Anzahl Kanten aus S k,j enthält Betrachte S k,k nach k-ten Durchlauf ebenfalls als Vektor über {e 1,..., e N }, der Menge der Nichtbaumkanten. N Definiere Bilinearform zweier Vektoren C und S: C, S := (c i s i ) i=1 Produkt und Summe sind über GF(2) definiert. C und S sind orthogonal zueinander genau dann, wenn C, S =0. C, S = 1 genau dann, wenn C eine ungerade Anzahl Einträge mit S gemeinsam hat.

26 Algebraische Variante Eingabe: Graph G = (V, E) Ausgabe: MCB von G for i = 1 bis N do S i {e i } for k = 1 bis N do Finde einen kürzesten Kreis C k mit C k, S k = 1 for i = k + 1 bis N do if C k, S i = 1 then S i S i S k Ausgabe ist: {C 1,..., C N } Hinweis: Schreibe S k abkürzend für S k,k Lemma 5.12 Die zweite äußere Schleife des Algorithmus erhält die Invariante C i, S j+1 = 0 für alle i, 1 i j N.

27 Vereinfachende Schreibweise Eingabe: Graph G = (V, E) Ausgabe: MCB von G S 1 {e 1 } C 1 kürzester Kreis mit C 1, S 1 = 1 for k = 2 bis N do Berechne beliebigen Vektor S k, der eine nichttriviale Lösung des Systems C i, X = 0 für i = 1 bis k 1 ist. Finde einen kürzesten Kreis C k mit C k, S k = 1. Ausgabe ist: {C 1,..., C N } Satz 5.13 Der Algorithmus SIMPLE MCB berechnet eine MCB.

28 Bemerkungen Die Laufzeit kann auf O(m 2 n + m n 2 log n) reduziert werden. Empirische Verbesserung: Verheiratung von Horton und de Pina. Berechne Kandiatenmenge H von Horton. Suche kürzesten Kreis C k ausschließlich in dieser Kandiatenmenge Lösungsraum wird verkleinert. Algorithmus von Horton kann mithilfe schneller Matrix-Multiplikation auf eine Laufzeit O(m ω n) reduziert werden (Bekannt: ω < 2.376).

29 Zertifikat für MCB

30 Zertifikat G = (V, E) MCB-Berechnung MCB-Check Problem: Zertifikat für MCB-Algorithmus Gegeben sei der Graph G = (V, E), w : E R + 0 und eine Menge von Kreisen A von G. Gib ein Zertifikat dafür an, dass A eine MCB von G ist. Zertifikat Die gegebenen Kreise bilden eine minimale Kreisbasis in G = (V, E).

31 Zertifikat-Erstellung MCB-CHECKER Eingabe: Graph G = (V, E), Kreise C 1,... C N Ausgabe: Zertifikat zur Prüfung, ob C 1,... C N eine MCB von G sind. 1. Berechne aufspannenden Wald T, dabei seien {e 1,..., e N } die Nichtbaumkanten. 2. Definiere A := (C 1... C N ) als N N-Matrix, deren i-te Spalte der Inzidenzvektor von C i mit {e 1,..., e N } ist. 3. Berechne A 1. A ist genau dann invertierbar, wenn C 1,..., C N linear unabhängig. S 1,..., S N von A 1 bilden das Zertifikat.

32 Zertifikat-Erstellung MCB-CHECKER Eingabe: Graph G = (V, E), Kreise C 1,... C N Ausgabe: Zertifikat zur Prüfung, ob C 1,... C N eine MCB von G sind. 1. Berechne aufspannenden Wald T, dabei seien {e 1,..., e N } die Nichtbaumkanten. 2. Definiere A := (C 1... C N ) als N N-Matrix, deren i-te Spalte der Inzidenzvektor von C i mit {e 1,..., e N } ist. 3. Berechne A 1. A ist genau dann invertierbar, wenn C 1,..., C N linear unabhängig. S 1,..., S N von A 1 bilden das Zertifikat. Lemma 5.16 Seien S 1,..., S N und C 1,..., C N linear unabhängig. Falls C i ein kürzester Kreis mit S i, C i = 1 für alle 1 i N ist, dann ist C 1,..., C N eine MCB. Allgemeiner: für die Matrix mit Spalten A 1... A N, wobei A i jeweils ein kürzester Kreis mit S i, A i = 1 ist, gilt: N i=1 w(a i) w(b) für jede Kreisbasis B.

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesungen 5 und 6 Programm

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) 5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!

Mehr

5. Bäume und Minimalgerüste

5. Bäume und Minimalgerüste 5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. 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,

Mehr

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung

Mehr

Die Komplexitätsklassen P und NP

Die Komplexitätsklassen P und NP Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 3. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität

Mehr

Algorithmische Methoden zur Netzwerkanalyse

Algorithmische 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

Mehr

Wenn wir zudem a ii = 1 für 1 i n setzen, dann gilt für A k (boolesches Produkt, A 0 = I) 0 falls es im Graphen keinen Pfad von v i nach v j,

Wenn wir zudem a ii = 1 für 1 i n setzen, dann gilt für A k (boolesches Produkt, A 0 = I) 0 falls es im Graphen keinen Pfad von v i nach v j, 6.2 Boolesche Matrixmultiplikation und Transitive Hülle Wir ersetzen nun im vorhergehenden Abschnitt die Distanzmatrix durch die (boolesche) Adjazenzmatrix und (min, +) durch (, ), d.h.: n C = A B; c ij

Mehr

Graphalgorithmen Netzwerkalgorithmen. Laufzeit

Graphalgorithmen Netzwerkalgorithmen. Laufzeit Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{

Mehr

Maximale s t-flüsse in Planaren Graphen

Maximale s t-flüsse in Planaren Graphen Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Lösungen zu Kapitel 5

Lösungen 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

Mehr

Maximale s t-flüsse in Planaren Graphen

Maximale s t-flüsse in Planaren Graphen Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei

Mehr

Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem

Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Andreas Moser Dietmar Ebner Christian Schauer Markus Bauer 9. Dezember 2003 1 Einführung Der in der Vorlesung gezeigte Algorithmus für das Steiner

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}

2. 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

Mehr

Übungsblatt 5 Lösungsvorschläge

Übungsblatt 5 Lösungsvorschläge Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Lineare Weihnachtsalgebra Kreisbasen [vgl. Kapitel

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Primzahlzertifikat von Pratt

Primzahlzertifikat von Pratt Primzahlzertifikat von Pratt Daniela Steidl TU München 17. 04. 2008 Primzahltests in der Informatik "Dass das Problem, die Primzahlen von den Zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren

Mehr

Definition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.

Definition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind. 3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Algorithmen & Komplexität

Algorithmen & 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

Mehr

Graphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik

Graphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Satz 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,... 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

Mehr

Algorithmentheorie. 13 - Maximale Flüsse

Algorithmentheorie. 13 - Maximale Flüsse Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk

Mehr

Das Knapsack-Kryptosystem

Das Knapsack-Kryptosystem Das Knapsack-Kryptosystem Frank Hellweg 21. Februar 2006 1 Einleitung Das Knapsack-Kryptosystem wurde 1978 von den amerikanischen Kryptologen Martin Hellman und Ralph Merkle entwickelt [MH78] und war eines

Mehr

Algorithmische Methoden für schwere Optimierungsprobleme

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

Mehr

8. A & D - Heapsort. Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können.

8. A & D - Heapsort. Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können. 8. A & D - Heapsort Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können. Genauer werden wir immer wieder benötigte Operationen durch Datenstrukturen unterstützen.

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende

Mehr

durch Einfügen von Knoten konstruiert werden kann.

durch Einfügen von Knoten konstruiert werden kann. Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Berechnung minimaler Spannbäume. Beispiel

Berechnung minimaler Spannbäume. Beispiel Minimale Spannbäume Definition Sei G pv, Eq ein ungerichteter Graph und sei w : E Ñ R eine Funktion, die jeder Kante ein Gewicht zuordnet. Ein Teilgraph T pv 1, E 1 q von G heißt Spannbaum von G genau

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen

Mehr

8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.

8.4 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

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche

Mehr

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI

Mehr

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.

Definition 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.

Mehr

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten Gliederung Zusammenhang von Graphen Stark Zusammenhängend K-fach Zusammenhängend Brücken Definition Algorithmus zum Finden von Brücken Anwendung Zusammenhangskomponente Definition Wichtige Aussagen und

Mehr

Kombinatorische Optimierung

Kombinatorische 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 1 Programm des

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009 . Klausur zur Vorlesung Algorithmentechnik Wintersemester 8/9 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.

Mehr

Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz

Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz Tobias Kraushaar Kaiserstr. 178 44143 Dortmund Matr.- Nr.: 122964 Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz 1. EINLEITUNG... 2 2. HAUPTTEIL... 3 2.1. Der

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen 1 Algorithmen und Datenstrukturen Wintersemester 2014/15 22. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Vorbereitung auf die Klausur am 5.2. Tipp: Schreiben

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

Mehr

Graphen: Datenstrukturen und Algorithmen

Graphen: Datenstrukturen und Algorithmen Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.

Mehr

Customization (Zuschneiden)

Customization (Zuschneiden) Customization (Zuschneiden) Anpassen der (Graph)Datenstruktur an die Anwendung. I Ziel: schnell, kompakt. I benutze Entwurfsprinzip: make the common case fast I Listen vermeiden Mögliches Problem: Software-Engineering-Alptraum

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem

Mehr

Vortrag 20: Kurze Vektoren in Gittern

Vortrag 20: Kurze Vektoren in Gittern Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die

Mehr

Rechnerische Komplexität

Rechnerische Komplexität Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit

Mehr

Übung Theoretische Grundlagen

Übung Theoretische Grundlagen Übung Theoretische Grundlagen Berechenbarkeit/Entscheidbarkeit Nico Döttling November 26, 2009 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT University of the State of Baden-Wuerttemberg and National Laboratory

Mehr

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)

NP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP

Mehr

Kapitel MK:IV. IV. Modellieren mit Constraints

Kapitel MK:IV. IV. Modellieren mit Constraints Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren

Mehr

Zusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen

Zusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke

Mehr

Wintersemester 2004/ Februar 2005

Wintersemester 2004/ Februar 2005 Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme

Theoretische 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

Mehr

Alles zu seiner Zeit Projektplanung heute

Alles zu seiner Zeit Projektplanung heute Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?

Mehr

4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1

4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1 Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau

Mehr

16. All Pairs Shortest Path (ASPS)

16. 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

Mehr

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick

Mehr

2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2006/ April 2007

2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2006/ April 2007 2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2006/2007 12. April 2007 Hier Aufkleber mit Name und Matrikelnr. anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber

Mehr

Der Golay-Code und das Leech-Gitter

Der Golay-Code und das Leech-Gitter Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,

Mehr

Lineare Algebra I. Probeklausur - Lösungshinweise

Lineare Algebra I. Probeklausur - Lösungshinweise Institut für Mathematik Wintersemester 2012/13 Universität Würzburg 19. Dezember 2012 Prof. Dr. Jörn Steuding Dr. Anna von Heusinger Frederike Rüppel Lineare Algebra I Probeklausur - Lösungshinweise Aufgabe

Mehr

Kombinatorische Optimierung

Kombinatorische 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

Mehr

Algorithmische Mathematik

Algorithmische Mathematik Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)

Mehr

Maximale s t-flüsse in Planaren Graphen

Maximale s t-flüsse in Planaren Graphen Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 18, 2012 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg

Mehr

Algorithmische Methoden für schwere Optimierungsprobleme

Algorithmische Methoden für schwere Optimierungsprobleme Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund

Mehr

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012 Die Klassen P und NP Dr. Eva Richter 29. Juni 2012 1 / 35 Die Klasse P P = DTIME(Pol) Klasse der Probleme, die sich von DTM in polynomieller Zeit lösen lassen nach Dogma die praktikablen Probleme beim

Mehr

Resolutionsalgorithmus

Resolutionsalgorithmus 112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:

Mehr

Vorlesung Datenstrukturen

Vorlesung 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:

Mehr

Abschnitt: Algorithmendesign und Laufzeitanalyse

Abschnitt: Algorithmendesign und Laufzeitanalyse Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher

Mehr

Periodische Fahrpläne und Kreise in Graphen

Periodische Fahrpläne und Kreise in Graphen Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf

Mehr

Pratts Primzahlzertifikate

Pratts Primzahlzertifikate Pratts Primzahlzertifikate Markus Englert 16.04.2009 Technische Universität München Fakultät für Informatik Proseminar: Perlen der Informatik 2 SoSe 2009 Leiter: Prof. Dr. Nipkow 1 Primzahltest Ein Primzahltest

Mehr

Das Rucksackproblem. Definition Sprache Rucksack. Satz

Das 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

Mehr

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45 Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009

Mehr

Übersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20.

Übersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20. Übersicht Datenstrukturen und Algorithmen Vorlesung 5: (K4) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.informatik.rwth-aachen.de/i2/dsal12/ 20.

Mehr

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3

Mehr