OR für Wirtschaftsingenieure. Übungsserie 5: Das Traveling Salesman Problem
|
|
- Jörn Peters
- vor 5 Jahren
- Abrufe
Transkript
1 HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Operations Research Algorithmen auf Graphen OR für Wirtschaftsingenieure Übungsserie 5: Das Traveling Salesman Problem Aufgabe 1 : S 2, S 3, S 4, S 5 und S 6 besuchen und in die Stadt S 1 zurückkehren. In der nebenstehenden Tabelle sind die Entfernungen zwischen je zwei dieser Städte gegeben, wobei eine Einheit jeweils 10 km entspricht. Gesucht ist eine Rundtour des Vertreters durch diese sechs Städte, die möglichst kurz ist. S S S S S S Sei G = (V, E) der vollständige Graph, dessen Knoten den Städten S 1,..., S 6 entsprechen. Weiterhin definieren wir eine Gewichtsfunktion f : E R, wobei f(s i S j ) der Entfernung zwischen den Städten S i und S j entspricht. (a) Ermitteln Sie eine Rundtour mit Hilfe der NN-Heuristik. Wie viele Kilometer muss der (b) Bestimmen Sie ein Minimalgerüst T von (G, f). Skizzieren Sie das Gerüst und berechnen Sie f(e). e E(T ) (c) Ermitteln Sie eine Rundtour mit Hilfe der MST-Heuristik. Wie viele Kilometer muss der (d) Ermitteln Sie eine Rundtour mit Hilfe der Christofidis-Heuristik. Gehen Sie dazu folgendermaßen vor: Konstruieren Sie aus T einen Eulerschen Graphen T durch Hinzufügen geeigneter Kanten (Tipp: minimales perfektes Matching). Geben Sie eine Eulertour von T an. Ermitteln Sie mit Hilfe der Eulertour einen Hamiltonkreis. Wie viele Kilometer muss der
2 Aufgabe 2 : S 2, S 3, S 4, S 5 und S 6 besuchen und in die Stadt S 1 zurückkehren. In der nebenstehenden Tabelle sind die Entfernungen zwischen je zwei dieser Städte gegeben, wobei eine Einheit jeweils 10 km entspricht. Gesucht ist eine Rundtour des Vertreters durch diese sechs Städte, die möglichst kurz ist. S S S S S S Sei G = (V, E) der vollständige Graph, dessen Knoten den Städten S 1,..., S 6 entsprechen. Weiterhin definieren wir eine Gewichtsfunktion f : E R, wobei f(s i S j ) der Entfernung zwischen den Städten S i und S j entspricht. (a) Ermitteln Sie eine Rundtour mit Hilfe der NN-Heuristik. Wie viele Kilometer muss der (b) Bestimmen Sie ein Minimalgerüst T von (G, f). Skizzieren Sie das Gerüst und berechnen Sie f(e). e E(T ) (c) Ermitteln Sie eine Rundtour mit Hilfe der MST-Heuristik. Wie viele Kilometer muss der (d) Ermitteln Sie eine Rundtour mit Hilfe der Christofidis-Heuristik. Gehen Sie dazu folgendermaßen vor: Aufgabe 3 : Konstruieren Sie aus T einen Eulerschen Graphen T durch Hinzufügen geeigneter Kanten (Tipp: minimales perfektes Matching). Geben Sie eine Eulertour von T an. Ermitteln Sie mit Hilfe der Eulertour einen Hamiltonkreis. Wie viele Kilometer muss der S 2, S 3, S 4, S 5, S 6 und S 7 besuchen und in die Stadt S 1 zurückkehren. In der nebenstehenden Tabelle sind die Entfernungen zwischen je zwei dieser Städte gegeben, wobei eine Einheit jeweils 10 km entspricht. Gesucht ist eine Rundtour des Vertreters durch diese sieben Städte, die möglichst kurz ist. S 7 S S S S S S S Sei G = (V, E) der vollständige Graph, dessen Knoten den Städten S 1,..., S 7 entsprechen. Weiterhin definieren wir eine Gewichtsfunktion f : E R +, wobei f(s i S j ) der Entfernung zwischen den Städten S i und S j entspricht. (a) Ermitteln Sie eine Rundtour mit Hilfe der NN-Heuristik. Wie viele Kilometer muss der
3 (b) Bestimmen Sie ein Minimalgerüst T von (G, f). Skizzieren Sie das Gerüst und berechnen Sie f(e). e E(T ) (c) Ermitteln Sie eine Rundtour mit Hilfe der MST-Heuristik. Wie viele Kilometer muss der (d) Ermitteln Sie eine Rundtour mit Hilfe der Christofidis-Heuristik. Gehen Sie dazu folgendermaßen vor: Aufgabe 4 : Konstruieren Sie aus T einen Eulerschen Graphen T durch Hinzufügen geeigneter Kanten (Tipp: minimales perfektes Matching). Geben Sie eine Eulertour von T an. Ermitteln Sie mit Hilfe der Eulertour einen Hamiltonkreis. Wie viele Kilometer muss der Weisen Sie mit Hilfe der Branch & Bound Methode nach, dass der Vertreter aus Aufgabe 3 mindestens 650 km zurücklegen muß. Tipp: Unterscheiden Sie, ob der Vertreter die Strecke von S 4 nach S 5 benutzt oder nicht. Aufgabe 5 : S 2, S 3, S 4, S 5 und S 6 besuchen und in die Stadt S 1 zurückkehren. In der nebenstehenden Tabelle sind die Entfernungen zwischen je zwei dieser Städte gegeben, wobei eine Einheit jeweils 1 km entspricht. Gesucht ist eine Rundtour des Vertreters durch diese sieben Städte, die möglichst kurz ist. S S S S S S Weisen Sie mit Hilfe der Branch & Bound Methode nach, dass eine kürzeste Tour 166 km lang ist und geben Sie eine entsprechende Tour an. Aufgabe 6 : S 2, S 3, S 4, S 5 und S 6 besuchen und in die Stadt S 1 zurückkehren. In der nebenstehenden Tabelle sind die Entfernungen zwischen je zwei dieser Städte gegeben, wobei eine Einheit jeweils 1 km entspricht. Gesucht ist eine Rundtour des Vertreters durch diese sieben Städte, die möglichst kurz ist. S S S S S S Weisen Sie mit Hilfe der Branch & Bound Methode nach, dass eine kürzeste Tour 129 km lang ist und geben Sie eine entsprechende Tour an.
4 Ergebnisse 1(b): Gerüst: {S 1 S 3, S 3 S 6, S 2 S 3, S 2 S 5, S 3 S 4 }, Wert: 44 2(b): Gerüst: {S 1 S 4, S 1 S 5, S 2 S 4, S 3 S 4, S 5 S 6 }, Wert: 42 3(b): Gerüst: {S 1 S 3, S 2 S 6, S 3 S 4, S 3 S 7, S 4 S 5, S 5 S 6 }, Wert: 55 4: Da auf beiden Ästen des Entscheidungsbaumes die 65 (also 650 km) als Schranke erreicht wird, kann eine Rundtour nicht kürzer sein, ist also 650 km lang oder länger. (62) mit S 4 S 5 ohne S 4 S 5 (65) (65) 5. Um im folgenden Baum die Schranke 166 ganz links zu erhalten braucht man folgende Zusatzüberlegung: wenn 13 und 34 zur Tour gehören, dann kann 41 nicht zur Tour gehören (Kurzkreis) (152) mit 13 ohne 13 (160) (160) mit 14 ohne 14 mit 34 ohne 34 (162) 166 (168) (166) mit 26 ohne 26 (170) (174) 6. (120) mit 63 ohne 63 (126) (129) mit 24 ohne (138)
5 Tabellen für Aufgabe
6 Tabellen für Aufgabe
Prüfungsklausur Operations Research,
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 10.7.2008 A Name, Vorname Matr. Nr. Aufgabe 1 : In drei Porzellanwerken W 1, W 2 und W 3 werden Speiseservice hergestellt,
MehrPrüfungsklausur Operations Research,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 20..206 A Name, Vorname Matr. Nr. Aufgabe 2 3a 3b 4 5 6 gesamt erreichbare P. 2+(5) 2+(4) 5 8 4 65+(9) erreichte
MehrPrüfungsklausur Operations Research,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 20..206 B Name, Vorname Matr. Nr. Aufgabe 2 3a 3b 4 5 6 gesamt erreichbare P. 2+(5) 2+(4) 5 8 4 65+(9) erreichte
MehrPrüfungsklausur Operations Research,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research,.0.0 B Name, Vorname Matr. Nr. Aufgabe gesamt erreichbare P. () 0+ erreichte P. Bemerkungen: Die angewendeten
MehrPrüfungsklausur Operations Research,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 12.0.201 A Name, Vorname Matr. Nr. Aufgabe 1 2 6 gesamt erreichbare P. 1 () 1 1 0+ erreichte P. Bemerkungen:
MehrOR für Wirtschaftsingenieure. Übungsserie 7: Färbungen von Graphen
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Operations Research allgemeine Optimierungsmethoden OR für Wirtschaftsingenieure Übungsserie : Färbungen von Graphen Aufgabe 1 : Wieviele Farben
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
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
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
MehrDiskrete Mathematik für Informatiker
Universität Siegen Lehrstuhl Theoretische Informatik Carl Philipp Reh Daniel König Diskrete Mathematik für Informatiker WS 016/017 Übung 7 1. Gegeben sei folgender Graph und das Matching M = {{h, f}, {c,
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
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
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
MehrRückblick: divide and conquer
Rückblick: divide and conquer pi = (xi,yi) } p å } ' }d(p,p) p ''=min(, ') F 0/0 p./95 weitere Algorithmentechniken Greedy-Algorithmen dynamische Programmierung Backtracking branch and bound Heuristiken
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
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
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
Mehr9: Gewichtete Graphen
Chr.Nelius: Graphentheorie (WS 06/7) 9 9: Gewichtete Graphen Beispiel: Eine Straßenkarte mit Entfernungsangaben zwischen den Orten ist ein Beispiel für einen gewichteten Graphen. (9.) DEF: Ein Graph G
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
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
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
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
MehrWie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung
Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
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
MehrKap. 7 Optimierung. Überblick. Optimierung: Einführung. Motivation. Beispiele für Optimierungsprobleme. Rundreiseprobleme (TSP)
Kap. 7 Optimierung Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 22. VO 2. TEIL DAP2 SS 2009 9. Juli 2009 Überblick Einführung Einige klassische Optimierungsprobleme,
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrNaiver Algorithmus für Hamiltonkreis
Naiver Algorithmus für Hamiltonkreis Algorithmus HAMILTON EINGABE: G = ([n], E) in Adjazenzmatrixdarstellung 1 Für alle Permutationen π : [n] [n]. 1 Falls (π(1), π(2),..., π(n)) ein Kreis in G ist, AUSGABE
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
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
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 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/ws1314
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
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/
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)
WS 2015/16 Diskrete Strukturen Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
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
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
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
MehrStatistische Untersuchungen zu endlichen Funktionsgraphen
C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion
MehrIndex. Algorithmus 13 effizient 85 Arboreszenzen 164. Grad 178 Aus- 239 In- 239 Graph 24 gerichtet 34 vollständig 216 Greedy-Algorithmen 152
Last but not least Wir danken allen, die uns bei unserem mathematischen Abenteuer unterstützt und ermutigt haben, unseren Familien und Freunden, Kolleginnen und Kollegen, den Mitarbeitern des Springer-Verlags,
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2014
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.81 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2014 22. Oktober
MehrMinimale Spannbäume. Evangelia Tsiouprou. LMU Proseminar Computer Unplugged WS 2004/05
Evangelia Tsiouprou LMU Proseminar Computer Unplugged WS 2004/05 1 MOTIVATION 3 1.1 Spannbaum 3 2 ALGORITHMEN ZUR BERECHNUNG EINES MST: 5 2.1 Der Algorithmus von Kruskal 5 2.1.1 Das Dorfbeispiel für den
MehrKapitel 8: Bipartite Graphen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
MehrAnwendungen von Graphen
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke elektrische Schaltpläne Entity-Relationship Diagramme Beweisbäume endliche Automaten Syntaxbäume für Programmiersprachen Entscheidungsbäume
MehrElementare Definitionen. Anwendungen von Graphen. Formalisierung von Graphen. Formalisierung von Digraphen. Strassen- und Verkehrsnetze
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke Elementare Definitionen Ein Graph besteht aus Knoten und Kanten, die die Knoten verbinden. elektrische Schaltpläne Entity-Relationship
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrDie Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem
Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Gerold Jäger 4. Februar 2010 Gerold Jäger Theorie der Toleranzen 4. Februar 2010 1 / 35 Überblick 1 Theorie der Toleranzen
MehrGraphen: Rundwege, Kodierung von Bäumen
TH Mittelhessen, Wintersemester 2013/2014 Lösungen zu Übungsblatt 11 Fachbereich MNI, Diskrete Mathematik 4./5./6. Februar 2014 Prof. Dr. Hans-Rudolf Metz Graphen: Rundwege, Kodierung von Bäumen Aufgabe
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
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
MehrKlausur zur Vorlesung Operations Research im Sommersemester 2009
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:
MehrKapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung
Kapitel : Fallstudie Bipartite Graphen Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und. Minimal spannende Bäume. Kürzeste Wege 6. Traveling Salesman
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
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrRechenzeit für A. Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +).
Rechenzeit für A Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +). Rechenzeit des resultierenden Algo für A: t A (n) p(n) + q(n) t B (r(n)). Ist polynomiell, falls t B Polynom.
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
MehrWas bisher geschah. gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen
Was bisher geschah gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen Spezielle Graphen: I n, K n, P n, C n, K m,n, K 1,n, K n1,...,n m Beziehungen zwischen Graphen: Isomorphie, Teilgraph,
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
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
MehrGlobalübungsaufgabe1 (All Pair Shortest Path):
Prof. aa r. Ir. G. Woeginger atenstrukturen und lgorithmen SS7 Tutoriumslösung - Übung 0 (bgabe 2.07.207) T. Hartmann,. Korzeniewski,. Tauer Globalübungsaufgabe (ll Pair Shortest Path): etrachten Sie den
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 Übungstest SS Juni 2013
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Übungstest SS 2013 27. Juni
MehrPrüfungsklausur Mathematik II für Bauingenieure am
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik II für Bauingenieure am 20.07.2017 B Name, Vorname Matr. Nr. Sem. gr. Aufgabe 1 2 3 4 5 6 7 8 9 gesamt erreichbare P.
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:
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
MehrDiskrete Strukturen. Name Vorname Studiengang Matrikelnummer. Hörsaal Reihe Sitzplatz Unterschrift ... Allgemeine Hinweise
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 7 Prof. Dr. Javier Esparza Wintersemester 2008/09 Abschlussklausur 7. Februar 2009 Diskrete Strukturen Name Vorname Studiengang
MehrKlausur. 18. Juli 2008, 10:15-12:15 Uhr. Name:... Matrikelnummer:... Anzahl beschriebener Blätter (ohne Aufgabenblatt):... D(p) : Y = p x X + p y
GRUNDZÜGE DER ALGORITHMISCHEN GEOMETRIE Klausur 18. Juli 2008, 10:15-12:15 Uhr Name:................................... Matrikelnummer:................................... Anzahl beschriebener Blätter (ohne
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006
Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr12.4 Traveling Salesman Problem
96 KOMBINATORISCHE SUCHE.4 Traveling Salesman Problem Definition.3(TSP, Problem des Handlungsreisenden): Wir betrachten einen gerichteten, gewichteten Graphen G = (V,E) mit K : V R. K({u,v}) sind die Kosten
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
MehrName:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrGraphentheorie und Anwendungen. Peter Eichelsbacher, Ruhr-Universität Bochum
Graphentheorie und Anwendungen Peter Eichelsbacher, Ruhr-Universität Bochum 2005 Inhaltsverzeichnis 1 Motivation, Beispiele 3 2 Grundbegriffe der Graphentheorie 7 3 Hamiltonkreise und Eulertouren 15 4
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
MehrHeuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg 30. September
MehrWS 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
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2014 24. März 2015 Teil Graphentheorie Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk: (a) Berechnen
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrAlgorithmische Mathematik I
Algorithmische Mathematik I Wintersemester 2011 / 2012 Prof. Dr. Sven Beuchler Peter Zaspel Übungsblatt zur Wiederholung Teil 1. Abgabe am -. Aufgabe 1. a) Was ist eine B-adische Darstellung mit fixer
MehrDef. 1.1: Graph, Knoten, Kanten, adjazent. Notwendige Bedingungen für Isomorphie. Das 3-Brunnen Problem, der vollständige bipartite Graph K 3,3
Stand: 27. Januar 2004 1. Kapitel: Was ist ein Graph? Beispiel: Mannschafts-Wettkämpfe Def. 1.1: Graph, Knoten, Kanten, adjazent Nullgraphen, vollständige Graphen K n, komplementäre Graphen Isomorphie
MehrPlanare Graphen, Traveling Salesman Problem, Transportnetze. Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61)
Planare Graphen, Traveling Salesman Problem, Transportnetze Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61) Teil IV: Planare Graphen / Transportnetze 1. Planare Graphen / Traveling
Mehra) Folgender Graph ist durch seine Inzidenzmatrix gegeben! Zeichnen Sie ihn!
Bereiten Sie die Aufgaben für die letzte Vorlesungswoche (Montag und Mittwoch) vor! Aufgabe 1 a) Folgender Graph ist durch seine Inzidenzmatrix gegeben! Zeichnen Sie ihn! k 1 k 2 k 3 k 4 k 5 x 1 1-1 1
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
MehrGanzzahlige Optimierung (IP)
Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
Mehr