Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Größe: px
Ab Seite anzeigen:

Download "Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007"

Transkript

1 Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80 Tel.: Übungen: Dipl.-Math. Stavros Kousidis Weyertal 80 Tel.: Ort: Hörsaal Pohligstraße Zeit: Di , Mi Teilnehmerkreis: Mathematik Wirtschaftsmathematik Wirtschaftsinformatik Naturwissenschaften.. url: 3 / 79 4 / 79

2 Organisatorisches Organisatorisches Voraussetzungen: Grundkenntnisse in Mathematik (z.b. Mathematik für Chemiker und Wirtschaftsinformatiker) Vorlesungen Informatik I und Informatik II Grundkenntnisse in Komplexitätstheorie hilfreich, aber nicht notwendig Vorlesung weitgehend aus sich selbst heraus verständlich Folien hängen im Netz (jeweils am Ende der Woche) Übungsorganisation: Stavros Kousidis Anmeldung zu den Übungen über Homepage Scheinerwerb über Übungsteilnahme und Klausur Voraussetzungen für die Teilnahme an der Abschlussprüfung: 50% der Punkte aus den Übungen 5 / 79 6 / 79 Organisatorisches Literatur: R. Diestel: Graphentheorie, Springer B. Korte und J. Vygen: Combinatorial Optimization, Springer L. Lovász und M. Plummer: Matching Theory, North-Holland A. Schrijver: Combinatorial Optimization, Springer D. West: Introduction to Graph Theory, Prentice Hall Gliederung der Inhalte Komplexitätstheorie (light) 3. Zusammenhang 4. Planarität und Dualität 5. Eulersche Graphen 6. Kürzeste Wege 7. Flüsse 8. Matchings 9. Färbungen 10. prefekte Graphen 11. Zufallsgraphen 7 / 79 8 / 79

3 Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen 9 / / 79 Eines der klassischen Probleme der Graphentheorie geht auf Euler zurück: Königsberger Brückenproblem (1736) der Pregel umfließt in Königsberg eine Insel und teilt sich danach die Stadtteile sind durch 7 Brücken verbunden: D Ein verwandtes Problem ist das folgende: Chinese-Postman-Problem (Mei-ko Kwan, 1965) ein Postbote muss Post verteilen er startet in seinem Stützpunkt und muss jede Straße seines Reviers mindestens einmal durchlaufen und abschließend zu seinem Stützpunkt zurückkehren C A gesucht ist eine Tour kürzester Länge B ist es möglich, an einer Uferstelle eine Rundgang zu beginnen, so dass jede Brücke genau einmal überquert wird? 11 / / 79

4 Anwendung: die Leiterbahnen auf einem Chip werden mit einem Laser photochemisch geätzt der Laser startet in einer ausgezeichneten Ruheposition er muss jede Leiterbahn aktiv abfahren und abschließend zu seinem Ruhepunkt zurückkehren gesucht ist eine Steuerung des Lasers mit kürzest möglicher Produktionszeit Ein weiteres, bekanntes Problem ist das folgende: Vierfarben-Problem (Guthrie, 1852) gegeben ein Landkarte ist es möglich, die Länder so einzufärben, dass: benachbarte Länder verschieden Farben erhalten, und nur vier verschiedene Farben verwandt werden? 13 / / 79 Verwandt dazu ist das: Museumswärter-Problem Ebenfalls verwandt ist das: Raumplan-Problem gegeben sei der Grundriss eines (einfachen) Museums gegeben seien die Veranstaltungszeiten von Übungen und Seminaren Übungsgruppen und Seminare beanspruchen etwa gleichgroße Räume zwei Veranstaltungen müssen in unterschiedlichen Räumen veranstaltet werden, wenn sie sich zeitlich überlappen wieviele Räume sind notwendig, um die Veranstaltungen durchführen zu können? Wärter können in jedem Punkt des Museums plaziert werden ihr Sichtfeld ist durch den Grundriss beschränkt wieviele Wärter sind notwendig, um jeden Punkt des Museums einsehen zu können? 15 / / 79

5 Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen ein Graph G ist ein Paar G = (V, E ) mit E V V V ist eine endliche Menge von Knoten und E eine endliche Menge von Kanten jede Kante e entspricht einem ungeordneten Paar e = (u, v ) = (v, u) von Knoten um Verwechslungen zu vermeiden, schreiben wir auch V (G) und E (G) die Anzahl der Knoten eines Graphen wird oft als Ordnung des Graphen bezeichnet wir werden sehr oft setzen: V = n, E = m. 17 / / 79 den leeren Graph G = (, ) schreiben wir als nicht zu verwechseln mit dem leeren Graphen auf n Knoten damit bezeichnen wir den Graphen G = (V, ) mit V = n ist e = (u, v ), so sagen wir, dass zwei Kanten mit einem gemeinsamen Endknoten heißen ebenfalls adjazent bzw. benachbart zwei Kanten e, f E heißen parallel, wenn e = (u, v ) = f wir sprechen dann auch von einer Mehrfachkante e die Knoten u und v verbindet eine Kante e mit e = (u, u) heißt Schlinge u und v Endknoten von e sind u und v benachbart bzw. adjazent sind Graphen ohne Mehrfachkanten und Schlingen heißen einfach u und v mit der Kante e inzidieren e mit den Knoten u und v inzidiert 19 / / 79

6 ein einfacher Graphen auf n Knoten hat höchstens n(n 1)/2 Kanten wollen wir explizit Schlingen oder Mehrfachkanten zulassen, sprechen wir von einem Multigraphen wenn nicht ausdrücklich anders vorausgesetzt, werden wir stets einfache Graphen betrachten zur Veranschalichung eines Graphen werden Diagramme benutzt die Knoten werden als Punkte oder kleine Kreise gezeichnet und die Kanten als verbindende Linien Beispiel: viele der Aussagen lassen sich jedoch auf Multigraphen übertragen 1 b a c d 3 f g h j 5 k V = {1,..., 6} E = {a,..., k } e i = {(1, 1), (1, 2), (2, 3), (2, 5), (2, 4), (3, 4), (3, 5), (4, 5), (4, 6), (5, 6), (5, 6)} 21 / / 79 1 b a c d 3 f g h j 5 k die Lage der Punkte und die Gestalt der Verbindungen können beliebig gewählt werden zu einem Graphen existieren beliebig viele Diagramme zu jedem Diagramm existiert genau ein Graph 2 e 4 i 6 zwei Kanten können sich also auch in einem Punkt schneiden, ohne dass der Schnittpunkt einen Knoten des Graphen darstellt. wir werden uns später untersuchen, wann ein Graph so dargestellt werden kann, dass sich je zwei Kanten nur in einem Knoten schneiden die Knoten des Petersen-Graphen lassen sich als 2-elementige Teilmengen einer 5-elementigen Grundmenge auffassen 23 / 79 dabei sind zwei solche Teilmengen durch eine Kante verbunden, wenn sie disjunkt sind 24 / 79

7 umgekehrt können auch zwei verschiedene Graphen dasselbe Diagramm haben, wenn wir von Knotenmarkierungen absehen zwei Graphen G und H heißen isomorph (G = H), wenn gilt: es gibt eine Bijektion φ : V (G) V (H) mit (u, v ) E (G) (φ(u), φ(v )) E(H). die Abbildung φ heißt Isomorphismus zwischen G und H isomorphe Graphen besitzen dieselben Strukturen sie unterscheiden sich nur in der Benennung von Knoten und Kanten wir lassen daher im Allgemeinen die Bezeichnungen fort ein solcher Graph repräsentiert dann eine Äquivalenzklasse isomorpher Graphen wir werden im folgenden spezielle Graphen mit eigenen Symbolen versehen die Abbildung φ heißt Automorphismus, falls V (G) = V (H) 25 / / 79 ein einfacher Graph, bei dem je zwei Knoten adjazent sind, heißt vollständig bis auf Isomorphie sind also vollständige Graphen der Ordnung n eindeutig und werden mit K n bezeichnet 2-partite Graphen heißen auch bipartit sei G = (V, E ) ein bipartiter Graph mit V = V 1 V 2 G heißt vollständig bipartit, falls je zwei Knoten u V 1 v V 2 benachbart sind und ein vollständiger bipartiter Graphen auf p + q Knoten wird mit K p,q bezeichnet der Graph K 1,q heißt Stern, K 1,3 Klaue. ein Graph G = (V, E ) heißt k-partit, falls gilt: V lässt sich in disjunkte Teilmengen V 1,..., V k, k n zerlegen keine zwei Knoten in V i sind benachbart für alle i = 1,..., k 27 / / 79

8 Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen sei G ein (einfacher) Graph, das Komplement G von G ist der einfache Graph mit der Knotenmenge V (G) und e E (G) e / E (G) Offensichtlich gilt: G = G E (G) + E(G) = n(n 1)/2, falls V (G) = n 29 / / 79 sei G = (V, E ) ein Graph H = (W, F ) heißt Teilgraph von G (H G), falls gilt: W V und F E H entsteht aus G durch Entfernen der Knoten in V W und der Kanten in E F G enthält H und G ist Obergraph von H H heißt aufspannender Teilgraph von G, falls W = V d.h. aus G werden nur Kanten und keine Knoten entfernt sei W V nicht leer und E (W ) = {(u, v ) E u, v W } E(W ) ist die Menge der Kanten von G, die beide Endknoten in W haben der von W (knoten)induzierte Teilgraph von G ist G(W ) = (W, E (W )) mit G W bezeichnen wir den induzierten Teilgraph G(V W ) G W ist der Teilgraph, der aus G entsteht, indem wir alle Knoten von W und alle mit W inzidenten Kanten entfernen für den Teilgraphen G {v } schreiben wir auch einfach G v. 31 / / 79

9 G G G G der Teilgraph (V, E F ) wird mit G F bezeichnet speziell schreiben wir G e statt G {e} ist F V V, so ist G + F der Graph, der aus G durch Hinzufügen der Kanten in F entsteht (wiederum G + e = G + {e}) es gilt G 1, G 2, G 3 G, G 2 = G({4, 5, 6, 7}), G 2 G 1 und G 3 G 2 für F E ist V (F ) die Menge aller Knoten, die mit wenigstens einer Kante aus F inzidieren. zwei Graphen G 1 und G 2 sind (knoten-)disjunkt, falls sie keinen Knoten gemeinsam haben entsprechend heißen sie kantendisjunkt, falls sie keine Kante gemeinsam haben der Teilgraph (V (F ), F ) ist der von F Teilgraph von G kanteninduzierte 33 / / 79 die Vereinigung G 1 G 2 zweier Graphen G 1 und G 2 ist der Graph der Durchschnitt G 1 G 2 sei G ein Multigraph (V (G 1 ) V (G 2 ), E (G 1 ) E (G 2 )) wird entsprechend definiert H entstehe aus G, indem wir alle Schlingen und parallele Kanten (bis auf eine) entfernen H ist der zugrunde liegende einfache Graph von G sei G = (V, E ) ein Graph und e = (u, v ) E eine Kante die Kontraktion von e erzeugt einen neuen Graphen G e wie folgt: entferne e identifiziere die beiden Endknoten u, v ersetze die identifizierten Knoten durch einen neuen Knoten w entferne parallele Kanten e u v w jede Kante f, die nicht mit u oder v inzidiert, bleibt erhalten 35 / / 79

10 etwas allgemeiner: sei W V die Schrumpfung von W erzeugt den Graphen G W wie folgt: entferne die Kanten in E(W ) identifiziere alle Knoten in W zu einem neuen Knoten w Kanten, mit einem Endknoten in W, erhalten den neuen Endknoten w entferne parallele Kanten Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen W w 37 / / 79 Graphen, so wie wir sie bisher eingeführt haben, können symmetrische Relationen darstellen für nicht-symmetrische Relationen (Hierarchien, Einbahnstraßen,...) sind Graphen jedoch nicht adäquat in diesem Fall müssen den Kanten eine Orientierung oder Richtung aufgeprägt werden dies führt zu den gerichteten Graphen ein gerichteter Graph D besteht aus einem Paar (V, A) von Knoten V und gerichteten Kanten A die gerichteten Kanten entsprechen geordneten Paaren von Knoten ist a = (u, v ) A, so heißt u Anfangsknoten und v Endknoten von a u Vorgänger von v und v Nachfolger von u zwei gerichtete Kanten (u, v ) und (x, y ) heißen parallel, falls x = u und y = v antiparallel, falls x = v und y = u. eine Kante (u, u) heißt Schlinge ein gerichteter Graph heißt einfach, falls er keine Schlingen und parallelen gerichteten Kanten enthält 39 / / 79

11 jedem gerichteten Graphen D derselben Knotenmenge zu ordnen wir zwei ungerichtete Graphen über den D zugrunde liegenden Graphen G 1, und den D zugrunde liegenden einfachen Graphen G 2, dabei ist (u, v ) E (G 1 ) (u, v ) A G 2 ist der G 1 zugrunde liegende einfache Graph ein gerichteter Graph, der zugrunde liegende einfache gerichtete Graph, der zugrunde liegende ungerichtete Graph und der zugrunde liegende einfache ungerichtete Graph 41 / / 79 Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen sei D = (V, A) ein gerichteter Graph zu v V bezeichnen wir mit N + (v ) = {u V : (v, u) A} die Menge der Nachfolger N (v ) = {u V : (u, v ) A} die Menge der Vorgänger N(v ) = N (v ) N + (v ) die Menge der Nachbarn entsprechend ist für einen ungerichteten Graphen G = (V, E ) N(v ) = {u V : (u, v ) E } die Menge der Nachbarn von v ein Knoten v heißt isoliert, falls N(v ) = 43 / / 79

12 für einen Knoten v in einem gerichteten Graphen ist d + (v ) = N + (v ) der Außengrad d (v ) = N (v ) der Innengrad d (v ) = d + (v ) + d (v ) der Grad u v w b a c d in einem ungerichteten Graphen ist d (v ) = N(v ) der Grad von v hierbei werden Schleifen zweimal gezählt im ersten Graphen ist d (u) = 2, d (v ) = 3, d (w ) = 3 im zweiten gerichteten Graphen ist N + (a) = {b, d } und N (d ) = {a, c, d } 45 / / 79 ein Graph G heißt k-regulär, falls d (v ) = k für alle v V regulär, falls G k-regulär für ein k N Beispiel: K n ist (n 1)-regulär K p,p ist p-regulär der Petersengraph ist 3-regulär Lemma 1 In einem gerichteten Graphen D = (V, A) gilt X d + (v ) = X d (v ) = A v V v V Beweis: Für alle Kanten (u, v ) A gilt (u, v ) N + (u), (u, v ) N (v ). Lemma 2 (Handschlag-Lemma) Sei G = (V, E ) ein ungerichteter Graph. Dann gilt (i) P v V d (v ) = 2 E, (ii) die Anzahl der Knoten mit ungeradem Grad ist gerade. 47 / / 79

13 Beweis: (i) jede Kante (u, v ) mit u v wird einmal in d (u) und einmal in d (v ) gezählt, jede Schleife (v, v ) wird per Definition zweimal in d (v ) gezählt, somit folgt (i). (ii) seien V 1 bzw. V 2 die Knoten mit ungeradem, bzw. geradem Grad aus (i) folgt X X d (v ) = 2 E d (v ) v V 1 v V 2 da rechts eine gerade Zahl steht und links die Summanden ungerade sind, muß V 1 gerade sein. jedem Graphen auf n Knoten {v 1,..., v n } können wir seine Gradsequenz d 1,..., d n zuordnen, wir setzen dabei stets voraus, dass d 1 d 2... d n können wir umgekehrt jede solche Sequenz als Gradsequenz eines Graphen auffassen? wir wissen bereits, dass notwendigerweise P n i=1 d i gerade sein muss für Multigraphen ist diese Bedingung auch hinreichend: gilt 49 / / 79 Lemma 3 Seien d 1 d 2... d n mit d i N. Dann ist d 1,..., d n Gradsequenz eines Multigraphen genau dann, wenn P n i=1 d i gerade ist. Beweis: es bleibt zu zeigen, dass ein Graph mit der Gradsequenz existiert da P n i=1 d i gerade ist, ist die Anzahl der ungeraden d i s gerade teile diese Menge U in zwei gleich große Mengen U 1, U 2 auf Die Verwendung von Schleifen macht den Beweis sehr einfach. Wenn wir Schleifen verbieten, gilt das Folgende: Lemma 4 Seien d 1 d 2... d n mit d i N. Dann ist d 1,..., d n Gradsequenz eines Multigraphen ohne Schleifen genau dann, wenn P n i=1 d i gerade ist und d 1 d d n. Beweis: Übungsaufgabe. etwas spannender wird die Frage, wann eine Sequenz graphisch ist, d.h. gegeben d = (d 1, d 2... d n ) mit d 1 d 2... d n und d i N wann ist d Gradsequenz eines einfachen Graphen? verbinde jeden Knoten aus U 1 mit genau einem Knoten aus U 2 danach haben alle Knoten geraden Restgrad füge entsprechend viele Schleifen hinzu. 51 / 79 sei d die Sequenz, die entsteht, wenn wir d 1 entfernen und die d 1 nächsten d i s um 1 vermindern 52 / 79

14 Lemma 5 für n = 1 ist d 1 = 0 die einzige Gradsequenz für n 2 ist die Sequenz d genau dann graphisch, wenn die Sequenz d graphisch ist. Beweis: für n = 1 ist die Aussage offensichtlich richtig. sei also n 2 wenn die Bedingung gilt, so sei G der zu der Sequenz d existierende Graph wir konstruieren den zu d gehörenden Graphen G aus G : füge einen neuen Knoten hinzu verbinde ihn mit den ersten d 1 Knoten von G sei umgekehrt d graphisch und G der zugehörige Graph wir konstruieren einen Graphen G, der Gradsequenz d sei dazu u ein Knoten mit maximalem Grad d (u) = d 1 sei A die Menge von d 1 hat Knoten mit den nächst großen Graden ist N(u) = A, so können wir u entfernen und erhalten den gesuchten Graphen G sei also N(u) A wir werden schrittweise den Graphen G verändern, so dass die Gradsequenz unverändert bleibt, und die Menge N(u) A größer wird 53 / / 79 da N(u) = A, existiert ein a A N(u) und ein b N(u) A (d.h. (u, b) E, (u, a) / E ) angenommen es existiert ein weiterer Knoten v / {u, a, b} mit (v, a) E und (v, b) / E A a A a es bleibt zu zeigen, dass ein solches v existiert wir unterscheiden die Fälle (i) (a, b) E und (ii) (a, b) / E A A a a u u u v u v b b b dann können wir in G die Kanten (u, b), (v, a) löschen und die Kanten (u, a), (v, b) hinzufügen dadurch wächst N(u) A und die Gradsequenz bleibt erhalten b (i) a hat d (a) 1 und b hat d (b) 2 Nachbarn in V {u, a, b} (ii) a hat d (a) und b hat d (b) 1 Nachbarn in V {u, a, b} da d (a) d (b), existiert in beiden Fällen ein v mit den gesuchten Eigenschaften. 55 / / 79

15 Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen sei G = (V, E ) und X V sei E (X, V X ) = {(u, v ) E : u X, v V X } E(X, V X ) besteht aus allen Kanten, die X mit dem Rest verbinden E(X, V \ X) X V \ X E(X, V X ) bildet einen Schnitt in G E (X, V X ) ist der von X induzierte Schnitt insbesondere induzieren einzelne Knoten v Schnitte E (v, V v ) 57 / / 79 in einem gerichteten Graph D = (V, A) betrachten wir für Teilmengen X V die Schnitte A(X, V X ) = {(u, v ) A : u X, v V X } A(V X, X ) = {(u, v ) A : u V X, v X } X A(X, V \ X) A(V \ X, X) allgemeiner für S, T V mit S T = schreiben wir: V \ X Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen A(S, T ) = {(u, v ) A; u S, v T } A(T, S) = {(u, v ) A; u T, v S} analog in einem ungerichteten Graphen 59 / / 79

16 sei G = (V, E ) ein ungerichteter Graph ein Pfad ist eine endliche Folge P = v 0, e 1, v 1,..., e k, v k (k 0) zur Vereinfachung schreiben wir statt P = v 0, e 1,..., e k, v k P = v 0, v 1,...v k einfach die Folge beginnt in einem Knoten ( Startknoten) endet in einem Knoten (Endknoten) und es gilt e i = (v i 1, v i ) E P ist dann ein Pfad von v 0 nach v k oder auch kurz ein (v 0, v k )-Pfad die Länge eines Pfades ist die Anzahl der Kanten dies ist in einfachen Graphen eindeutig sei P = v 0, v 1,...v k ein (gerichteter) Pfad P heißt kantendisjunkt, falls e i e j für i j knotendisjunkt oder (gerichteter) Weg, falls v i v j für i j sei G = (V, A) ein gerichteter Graph für einen gerichteten Pfad fordern wir, dass e i = (v i 1, v i ) A ein Pfad P ist ein Teilpfad eines Pfades P, wenn P eine Teilfolge von P ist (P P) 61 / / 79 Lemma 6 Jeder (gerichtete) Pfad von u nach v in einem (gerichteten) Graphen enthält einen (gerichteten) Weg von u nach v. Beweis: die Aussage ist trivialerweise richtig für u = v sei P = v 0, v 1,..., v k mit u = v 0 v k = v ist P kein Weg, so existiert ein Knoten, der zweimal durchlaufen wird sei also v i = v j für i < j dann ist P = v 0,..., v i, v j+1, v k per Induktion folgt dann die Behauptung die gerichtete Version folgt entsprechend. ebenfalls ein Pfad von u nach v sei G = (V, E ) ein ungerichteter Graph zwei Knoten u und v heißen zusammenhängend, falls ein Pfad von u nach v existiert die Eigenschaft, zusammenhängend zu sein, ist eine Äquivalenzrelation ihre Äquivalenzklassen bilden die Zusammenhangskomponenten V 1,..., V k des Graphen ein Graph G heißt zusammenhängend, falls er aus nur einer Zusammenhangskomponente besteht ein gerichteter Graph D = (V, A) heißt zusammenhängend, falls der zugrundeliegende ungerichtete Graph zusammenhängend ist D heißt stark zusammenhängend, falls für alle Knoten u, v gerichtete Pfade von u nach v und von v nach u existieren 63 / / 79

17 ein (gerichteter) Weg v 1,..., v k +1 mit v 1 = v k +1 heißt (gerichteter) Kreis die Länge eines Kreises ist wiederum die Anzahl der Kanten und damit gleich der Anzahl der Knoten im Kreis wir lassen daher üblicherweise den doppelt erscheinenden Endknoten weg und schreiben C = v 1,..., v k ein Kreis heißt gerade bzw. ungerade, falls seine Länge gerade bzw. ungerade ist. Lemma 7 Ein Graph ist genau dann bipartit, wenn er keinen ungeraden Kreis enthält. Beweis: sei G bipartit mit V = V 1 V 2, so dass keine zwei Knoten in V 1 bzw. in V 2 adjazent sind sei v 1,..., v k ein Kreis in G und sei o.b.d.a v 1 V 1 da v 1 und v 2 adjazent sind, muss v 2 V 2 sein entsprechend ist v 3 V 1, v 4 V 2 usw. d.h. die Knoten mit ungeradem Index sind in V 1, die mit geradem Index in V 2 da v 1 und v k adjazent sind und v 1 V 1, muss k gerade sein. 65 / / 79 sei umgekehrt G ein Graph, der keine ungeraden Kreise enthält falls V 1 = 1, ist nichts zu zeigen wir können annehmen, dass G zusammenhängend ist angenommen für v, w V 1 ist (v, w ) E sei u ein beliebiger Knoten sei V 1 V die Menge der Knoten v mit der Eigenschaft, dass der kürzeste (u, v )-Weg gerade Länge hat seien u = v 0, v 1,..., v 2k = v und u = w 0, w 1,..., w 2j = w zwei kürzeste Wege von u nach v bzw. w v sei V 2 = V V 1 wir zeigen, dass keine zwei Knoten in V 1 (entsprechendes gilt für V 2 ) adjazent sind u w 67 / / 79

18 u da beide Wege kürzeste Wege sind, muss jeder Knoten, der in beiden Wegen liegt, auch in beiden Wegen denselben Index haben v w Gliederung Beispiele grundlegende Definitionen Operationen auf Graphen gerichtete Graphen Nachbarn und Grade Schnitte Pfade und Kreise Datenstrukturen sei i der höchste Index für den v i = w i dann ist v j, v i+1,...v 2k, v 2j, w 2j 1,..., w i+1 ein Kreis der Länge 2k i + 2j i + 1 = 2(k + j i) + 1, und damit ungerade Widerspruch. 69 / / 79 Netzwerke und Flüsse es gibt verschiedene Möglichkeiten, Graphen zu repräsentieren Beispiel: (a) Liste (gerichteter) Kanten: n, m, (u 1, v 1 ), (u 2, v 2 ),..., (u m, v m ) (b) Inzidenzmatrix: sei dazu B eine n m-matrix ist der Graph G = (V, E ) ungerichtet, so setze: 8 < 1 Knoten i inzidiert mit Kante j b ij = 2 Kante j ist Schleife ii : 0 sonst ist der Graph G = (V, A) gerichtet und schleifenfrei, so setze: 8 < 1 falls j = (i, k ) für ein k b ij = 1 falls j = (k, i) für ein k : 0 sonst C A 71 / / 79

19 im ungerichteten Fall gilt offensichtlich: (c) Adjazenzmatrix: sei A eine n n-matrix in jeder Spalte ist die Spaltensumme 2 ist der Graph zusätzlich schleifenfrei, so enthält jede Spalte genau zwei Einsen im gerichteten, schleifenfreien Fall gilt: in jeder Spalte ist die Spaltensumme 0 jede Spalte enthält genau eine +1 und eine -1 j k a ij = k Beispiel: falls k Kanten zwischen i und j verlaufen (ungerichtet) falls k Kanten von i nach j verlaufen (gerichtet) / C A 74 / 79 die Adjazenzmatrix eines ungerichteten Graphen ist symmetrisch daher reicht es, die obere Dreiecksmatrix abzuspeichern sie benötigt jedoch O(n 2 ) Speicherplätze auch, wenn der Graph nur sehr wenige Kanten enthält wir werden aber zum Teil an Algorithmen interessiert sein, die eine Laufzeit von O( V + E ) haben dies wäre mit Adjazenzmatrizen nicht möglich (d) Adjazenzlisten: für einen ungerichteten Graphen erzeuge verkette Listen der Form: d (v 1 ), u1 1,..., uk 1 1 mit k 1 = d (v 1 ) d (v 2 ), u1 2,..., uk 2 2 mit k 2 = d (v 2 ). d (v n ), u1 k,..., uk k n mit k n = d (v ) entsprechend verwende für einen gerichteten Graphen Nachfolgerlisten und/oder Vorgängerlisten 75 / / 79

20 Im nächsten Kapitel folgen einige Bemerkungen zur Komplexitätstheorie, zur Laufzeit in Abhängigkeit von der Inputlänge, zur Inputlänge bei graphentheoretischen Problemen und zu Algorithmen, die wir als effizient auffassen wir schließen mit dem Durchmustern von Graphen Das allgemeine Vorgehen des Durchmustern von Graphen beruht auf folgendem Ansatz: Input: (gerichteter) Graph Initialisierung: Markiere alle (gerichteten) Kanten und Knoten als neu (1) (wähle einen Startknoten): wähle einen neuen Knoten und markiere ihn als alt falls kein neuer Knoten existiert, STOP (2) (wähle eine neue (gerichtete) Kante): wähle neue Kante, die einen alten Knoten verlässt ist der zweite Endknoten neu, markiere ihn als alt Wiederhole (2), falls keine solche Kante existiert, gehe zu (1). 77 / / 79 Freiheitsgrade: in Schritt 2 wähle eine Kante, die depth-first-search: einen möglichst spät markierten Knoten verlässt breadth-first-search: einen möglichst früh markierten Knoten verlässt a b f c e d Wie lassen sich bipartite Graphen mittels Durchmustern erkennen? 79 / 79

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

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung. Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines

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

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 (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

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

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

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

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

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

Graphentheorie Mathe-Club Klasse 5/6

Graphentheorie Mathe-Club Klasse 5/6 Graphentheorie Mathe-Club Klasse 5/6 Thomas Krakow Rostock, den 26. April 2006 Inhaltsverzeichnis 1 Einleitung 3 2 Grundbegriffe und einfache Sätze über Graphen 5 2.1 Der Knotengrad.................................

Mehr

Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt:

Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: Der K 4 lässt sich auch kreuzungsfrei zeichnen: Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: ( ) n n (n 1) E

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon

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

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik

Mehr

Bäume und Wälder. Definition 1

Bäume und Wälder. Definition 1 Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt

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

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

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

Westfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld

Westfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus

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

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt

Mehr

Graphen und Bäume. A.1 Graphen

Graphen und Bäume. A.1 Graphen Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII

Mehr

Einführung in die Graphentheorie. Monika König

Einführung in die Graphentheorie. Monika König Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe

Mehr

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek

Mehr

Isomorphie von Bäumen

Isomorphie von Bäumen Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................

Mehr

Studientag zur Algorithmischen Mathematik

Studientag 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

Mehr

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung

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

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

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII

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

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

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

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

Kapitel 6: Graphalgorithmen Gliederung

Kapitel 6: Graphalgorithmen Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt. Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e

Mehr

Ausarbeitung über den Satz von Menger und den Satz von König

Ausarbeitung über den Satz von Menger und den Satz von König Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor

Mehr

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 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

Mehr

WS 2013/14. Diskrete Strukturen

WS 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

Mehr

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht

Mehr

Quicksort ist ein Divide-and-Conquer-Verfahren.

Quicksort ist ein Divide-and-Conquer-Verfahren. . Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.

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

Erzeugung zufälliger Graphen und Bayes-Netze

Erzeugung zufälliger Graphen und Bayes-Netze Erzeugung zufälliger Graphen und Bayes-Netze Proseminar Algorithmen auf Graphen Georg Lukas, IF2000 2002-07-09 E-Mail: georg@op-co.de Folien: http://op-co.de/bayes/ Gliederung 1. Einleitung 2. einfache

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

3 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

Mehr

2. Repräsentationen von Graphen in Computern

2. Repräsentationen von Graphen in Computern 2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen

Mehr

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

Verteilen von Bällen auf Urnen

Verteilen von Bällen auf Urnen Verteilen von Bällen auf Urnen Szenario: Wir verteilen n Bälle auf m Urnen, d.h. f : B U mit B = {b 1,..., b n } und U = {u 1,..., u m }. Dabei unterscheiden wir alle Kombinationen der folgenden Fälle

Mehr

Guten Morgen und Willkommen zur Saalübung!

Guten Morgen und Willkommen zur Saalübung! Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei

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

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

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )

Mehr

Modelle und Statistiken

Modelle und Statistiken Kapitel 4 Modelle und Statistiken In letzter Zeit werden vermehrt Parameter (Gradfolgen, Kernzahlfolgen, etc.) empirischer Graphen (Internet, WWW, Proteine, etc.) berechnet und diskutiert. Insbesondere

Mehr

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden

Mehr

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie

Mehr

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume

Mehr

Das Heiratsproblem. Definition Matching

Das Heiratsproblem. Definition Matching Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 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/ws0809

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09

Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09 Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,

Mehr

Bipartite Graphen. Beispiele

Bipartite Graphen. Beispiele Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 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

Mehr

Graphen und Algorithmen

Graphen und Algorithmen Graphen und Algorithmen Vorlesung #8: Färbungsprobleme Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Knotenfärbung (vs. Kanten- & Kartenfärbung) Satz von Brooks Algorithmen

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

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

5. Verschiedene Repräsentanten

5. Verschiedene Repräsentanten 5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und

Mehr

Minimal spannender Baum

Minimal spannender Baum Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen

Mehr

Proseminar Graphentheorie Vortrag 3 Matching. Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen

Proseminar Graphentheorie Vortrag 3 Matching. Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen Proseminar Graphentheorie Vortrag 3 Matching Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen 1. Grundlagen Definition Matching: Eine Menge M von unabhängigen

Mehr

Konzepte der Informatik

Konzepte der Informatik Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens

Mehr

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:

Mehr

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten

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

Grundbegri e der Graphentheorie: Eckengrad, Wege und Kreise, Zusammenhang

Grundbegri e der Graphentheorie: Eckengrad, Wege und Kreise, Zusammenhang raphen- und Berechenbarkeitstheorie rundbegri e der raphentheorie: Eckengrad, Wege und Kreise, Zusammenhang 0.1 raphen Ein raph ist ein aar = (V, E) disjunkter Mengen mit E [V ]2, wobei [V ]2 die Menge

Mehr

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E. Vorlesungsskript

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E. Vorlesungsskript Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E Vorlesungsskript Magdeburg, Oktober 2008 Januar 2009 Vorwort Petri-Netze gehören zu den meist

Mehr

Expander Graphen und Ihre Anwendungen

Expander Graphen und Ihre Anwendungen Expander Graphen und Ihre Anwendungen Alireza Sarveniazi Mathematisches Institut Universität Göttingen 21.04.2006 Alireza Sarveniazi (Universität Göttingen) Expander Graphen und Ihre Anwendungen 21.04.2006

Mehr

1.Aufgabe: Minimal aufspannender Baum

1.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

Mehr

15. Elementare Graphalgorithmen

15. 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

Mehr

Lernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen

Lernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten

Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten Graphentheorie Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten gerichteter Graph (DiGraph (directed graph) E: Teilmenge E

Mehr

Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen. Schülerwoche der Bonner Mathematik 2013

Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen. Schülerwoche der Bonner Mathematik 2013 Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen Schülerwoche der Bonner Mathematik 203 3. September 203 Dr. Lisa Beck Hausdorff Center for Mathematics Universität Bonn Einleitung Ziel

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Vorlesungen vom 5.Januar 2005

Vorlesungen vom 5.Januar 2005 Vorlesungen vom 5.Januar 2005 5 Planare Graphen 5.1 Beispiel: Gas, Wasser, Elektrik Drei eingeschworene Feinde, die im Wald leben, planen Trassen zu den Versorgungswerken für die drei Grundgüter Gas, Wasser

Mehr

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung

Mehr

Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke. Graphen, Algorithmen und Netze

Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke. Graphen, Algorithmen und Netze Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke Graphen, Algorithmen und Netze Das Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere das Recht der Vervielfältigung

Mehr

8. Übung zu Algorithmen I 15. Juni 2016

8. Übung zu Algorithmen I 15. Juni 2016 8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative

Mehr

Übungsblatt 2 - Lösung

Übungsblatt 2 - Lösung Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer

Mehr

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt

Mehr

9. Übung Algorithmen I

9. Übung Algorithmen I Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der

Mehr

Übungen zu Kombinatorik und Graphentheorie

Übungen zu Kombinatorik und Graphentheorie Übungen zu Kombinatorik und Graphentheorie Ilse Fischer, SS 07 (1) (a) In einer Schachtel sind 4 rote, 2 blaue, 5 gelbe und 3 grüne Stifte. Wenn man die Stifte mit geschlossenen Augen zieht, wieviele muss

Mehr

1. Einleitung wichtige Begriffe

1. Einleitung wichtige Begriffe 1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und

Mehr

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association

Mehr

Organisatorisches. Informatik II Informationen und Daten. Organisatorisches. Organisatorisches. Rainer Schrader. 13. Oktober 2008

Organisatorisches. Informatik II Informationen und Daten. Organisatorisches. Organisatorisches. Rainer Schrader. 13. Oktober 2008 Dozent: Prof. Dr. Rainer Schrader Informatik II Informationen und Daten Rainer Schrader Zentrum für Angewandte Informatik Köln 13. Oktober 2008 Tel.: 470-6030 email: schrader@zpr.uni-koeln.de Sprechstunde:

Mehr

Graphen. Leonhard Euler ( )

Graphen. Leonhard Euler ( ) Graphen Leonhard Euler (1707-1783) 2 Graph Ein Graph besteht aus Knoten (nodes, vertices) die durch Kanten (edges) miteinander verbunden sind. 3 Nachbarschaftsbeziehungen Zwei Knoten heissen adjazent (adjacent),

Mehr

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr