Kombinatorische bzw. Finanzmathematische Optimierung

Größe: px
Ab Seite anzeigen:

Download "Kombinatorische bzw. Finanzmathematische Optimierung"

Transkript

1 Themen für Bachelor- und/oder Masterarbeiten aus den Bereichen Kombinatorische bzw. Finanzmathematische Optimierung Dr. Eranda Dragoti-Cela Institut für Optimierung und Diskrete Mathematik (Math B), TU Graz April 2015 Themen aus kombinatorischer Optimierung 1. Gebrochene Färbungprobleme in Graphem Gebrochene Färbungsprobleme (in English fractional coloring) gehören zur sogenannten gebrochenen Graphentheorie (in Englisch fractional graph theory) und verallgemeinen die Färbungprobleme aus der klassischen Graphentheorie. Eine b-fache Kantenfärbung (Knotenfärbung) eines Graphen ist eine Zuordnung von (Farb)Mengen mit Kardinalität b zu den Kanten (Knoten) des Graphen, sodass benachbarte Kanten (Knoten) disjunkte Farbmengen erhalten. Eine a : b-fache Kantenfärbung (Knotenfärbung) ist eine b-fache Kantenfärbung (Knotenfärbung) mit Farben aus einer Grundmenge von Farben mit Kardinalität a. Der b-fache chromatischer Index χ b (G) (die b-fache chromatische Zahl χ b(g)) eines Graphen G ist der kleinste Wert von a, für den eine b-fache Kantenfärbung (Knotenfärbung) existiert. Der gebrochene chromatische Index χ f (G) und die gebrochene chromatische Zahl χ f(g)) sind folgendermaßen definiert: χ χ b f (G) = lim (G) b b χ b (G) χ f (G) = lim. b b Die gebrochenen Färbungprobleme lassen sich als lineare Optimierungsprobleme formulieren; die Anzahl der Restriktionen dieser linearen Probleme kann aber exponential groß im Vergleich zur Anzahl der Knoten bzw. Kanten des Graphen sein, was die effiziente Berechnung dieser Größen durch das Lösen des enstprechenden linearen Problems in generell natürlich unmöglich macht. Während der chromatische Index effizient berechnet werden kann ist die Berechnung der chromatischen Zahl in beliebigen Graphen ein NP-schweres Problem, siehe Scheinerman und Ullman [31]. Im Rahmen einer Bachelorarbeit Arbeit könnte eine allgeimene Einführung in die gebrochenen Färbungprobleme in Graphen, deren Eigenschaften und Anwendungen gegeben werden. Die Arbeit sollte auch den Zusammenhang der gebrochenen Färbungproblememen mit den dazugehörigen klassischen Analoga und auch die effiziente Berechnung des gebrochenen chromatischen Index erläutern. 2. Das inverse Gleiche-Kürzeste-Wegeproblem (The inverse equal shortest paths problem) Das Input des inversen Gleiche-Kürzeste-Wegeproblems (GKWP) ist ein zusammenhängender, nicht einfacher Graph G (d.h. Mehrfachkanten sind erlaubt). Sei V die Knotenmenge von G und A die Menge der geordneten Knotenpaare (i,j) mit i,j V, i j. Weiters sei für jedes (i,j) A eine Menge R ij von gewichteten gerichteten Kanten gegeben, sodass für jedes r R ij

2 eine gerichtete Kante von i nach j mit Gewicht wij r und eine gerichtete Kante von j nach i mit Gewicht wij r existiert. Die Gewichte sind also schief-symmetrisch. Weiters gibt es eine Menge von Straffunktionen f w r ij () für jedes (i,j) A und jedes r R ij. Eine zulässige Lösung des Problems ist eine Menge von schief-symmetrischen Gewichten wij, für jedes Paar (i,j) A und jedes r R ij, für diegilt: alle gerichteten s-t-wege habendie gleiche Länge bzgl. den Gewichten w für je zwei Knoten s und t, s t. Gesucht wird ein optimaler Gewichtvektor w, d.h. ein Gewichtvektor w, der die Gesamtsumme der Straffunktionswerte (i,j) A,r R ij f w r ij (w ij ) unter allen zulässigen Gewichtvektoren w minimiert. Dieses Problem tritt (unter anderem) auf, wenn sogenannte aggregierte Reihungen berechnet werden sollten. Das ist dann der Fall, wenn gewisse Objekte, Individuen oder Teams (etwa Sportteams) gereiht werden sollten. Dabei gibt es unterschiedliche Reihungsvorschläge (etwa von unterschiedlichen Experten bzw. aus unterschiedlichen Gesischtspunkten) und es gilt eine Reihung zu bestimmen, die sogenannte aggregierte Reihung, die alle vorhandenen subjektiven Reihungen berücksichtigt und mit diesen so gut wie möglich in Einklang ist. Für die Modellierung dieses Problems mit Hilfe des GKWP sei auf Hochbaum [14] verwiesen. Das Problem ist effizient lösbar mit Hilfe von kombinatorischen Algorithmen für den Fall, wenn die Straffunktionen convex sind, siehe [14]. Im Rahmen einer Bachelorarbeit Arbeit könnte eine allgeimene Beschreibung des Problems und dessen Anwendung zur adequaten Modellierung des aggregierten Reihungproblems gegeben werden. Weiters sollten der effizient lösbare Spezialfall und der dazugehörige Algorithmus erläutert werden. 3. Das Frequenzzuordnungsproblem (the frequency assignment problem) (FZP) Das Frequenzzuordnungsproblem in seinen vielen Varianten entspricht praktischen Fragestellungen in Telekommunikationsnetzwerken. Das grundlegende Problem kann in ein allgemeines Framework folgendermaßen beschrieben. Ein Telekommunikationsnetzwerk wird als Graph modelliert, dessen Knoten Kommunikationszellen (Antennen, Basisstationen udgl.) entsprechen. Die Kanten entsprechen den Verbindungen (Kanälen) zwischen den KommunikatiThe Steiner Tree Problem Book Subtitle A Tour through Graphs, Algorithms, and Complexityonszellen. Jedem Knoten muss eine gewisse Anzahl von Frequenzen zugeordnet werden, damit der Knoten die ihm zugeordneten Verbindungen realisieren kann. In manchen Anwendungen gibt es für jeden Knoten eine im Voraus festgelegte Menge von Frequenzen, die diesem Knoten zugeordnet werden können. Abhängig von der Topologie des Graphen und den vorgenommenen Frequenzzuordnungen können zwischen bestimmten Verbindungspaaren kommunikationstörende Interferenzen eintreten. Die potentiellen Interferenzen werden oft anhand eines sogenannten Interferenzgraphen modelliert. In manchen Anwendungen muss das Eintreten von Interferenzen gänzlich ausgeschlossen werden, in Anderen wiederum wird das Eintreten von Interferenzen anhand von Straftermen in der Zielfunktion penalisiert. Das Ziel ist es eine Zuordnung von Frequenzen zu den Kommunikationszellen zu finden, die alle Anforderungen erfüllt und eine bestimmte Zielfunktion optimiert. Eine häufig verwendete Zielfunktion ist die Minimierung der Gesamtanzahl der verwendeteten Frequenzen. Eine andere in der Praxis relevante Zielfunktion ist die Minimierung der Differenz zwischen der höchsten und der niedrigsten Frequenz, die demselben Knoten zugeordnet werden. In der Regel sind die Varianten des FZP NP-schwer und es besteht ein starker Zusammenhang mit Färbungsproblemen in Graphen. Einige Forschungsaspekte im Bereich der Frequenzzuordnungsprobleme sind: gemischt-ganzzahlige Formulierungen, die eine approximative Lösung des

3 Problems ermöglichen, strukturelle Untersuchungen des dazugehörigen Polytops, die Ermittlung von unteren (oberen) Schranken, die Entwicklung von heuristischen Verfahren, die die Ermittlung von guten Lösungen für praktische Probleme ermöglichen. Als allgemeine Orientierungshilfe und als Quelle von weiteren adequaten und modellspezifischen Referenzen kann die Arbeit von Aardal et al. (2003) dienen. 4. Optimierungsmodelle für die Aggregation unterschiedlicher Reihungen Das Problem der Aggregation unterschiedlicher Reihungen tritt bei diversen Anwendungen in der (multikriteriellen) Entscheidungstheorie, in Reihung von Webseiten, in Sport und in der künstlichen Intelligenz auf. Sehr allgemein formuliert besteht das Problem darin aus einer Grozahl von einzelnen Reihungen eine optimale Endreihung zu generieren, die - unterschiedlichen Kriterien entsprechend - die einzelnen Inputreihungen am besten repräsentiert. Eine Möglichkiet die Repräsentanz einer aggregierten Reihung zu modellieren ist die Verwendung der Abweichungen der aggregierten Reihung von den einzelnen Reihungen in einer Zielfunktion die eben diese Abweichung bestrafft. Ein ideales Modell sollte auch unterschiedliche Präferenzen des Entscheidungsträgers bzw. unterschiedliche Vertrauensgrade der jeweiligen Reihungen der Expertise deren Autoren entsprechend berücksichtigen. Weiters werden statt den ordinalen Reihungen oder als zusätzliche Inputs auch paarweise Vergleiche betrachtet und deren Einfluss auf die Optimierungsmodelle und deren Lösbarkeit untersucht. Einige mathematische Formulierungen dieser Klasse von Problemen führen auf Flussprobleme in Graphen, andere auf sogenannte Separation und Separation-Deviation Modelle. Das Ziel dieser Bachelor-Arbeit ist es die Problemstellung zu klären und unterschiedliche Ansätze zur Modellierung des Problems vorzustellen. Spezifische Eigenschaften der Reihungen wie Konsistenz, Gewichtung, Präferenz und Intesität sollen besprochen und modelliert werden. Darüber hinaus sollen für ausgewählte Modelle Lösungsverfahren besprochen und anhand von Beispielen getestet werden. Als Grundreferenzen können folgende Papers von Hochbaum et al. [16, 17, 18] herangezogen werden. 5. Polynomielle Algorithmen fürdiediesogenannten Ratio RegionsundeineVarianten desnomalisierten Schnitproblems. Die Grundlage dieses Themas ist eine Arbeit von Dorit Hochbaum [15]. In diversen Anwendungen ist es notwendig unterschiedliche Objekte so zu gruppieren oder partitionieren, dass die Objekte innerhalb einner Gruppe/Teil der Partition ähnlich sind und die Objekte aus unterschiedlichen Gruppen/Teile der Partition sich von einander unterscheiden, wobei auch die Gruppengröße gewisse Kriterien erfüllen muss. Solche Problemstellungen enstehen unter Anderem im Rahmen der sogenannten Segmentierung in der Bildverarbeitung. Oft werden die oben genannten zwei Ziele als Quotientenfunktion modelliert, die dann optimiert wird. Zwei Beispiele solcher Optimierungsprobleme sind das sogenannte Ratio Regions Problem (RRP) und das normalisierte Schnittproblem (NSP). Diese zwei Probleme und ein paar anderen Varianten von Quotientenoptimierungsproblemen sind polynomial lösbar mit Hilfe von kombinatorischen Optimierungsalgorithmen, die auf eine rekurrente Anwendung eines minimalen s-t-schnittalgorithmus in einem Hilfsgraphen beruhen. Die Größe des Hilfsgraphen ist polynomial bzgl. der Inputsgröße des ursprünglichen Problems. Diese Algorithmen lassen sich auf eine ganze Klasse von Quotientenoptimierungsproblemen anwenden, die eine Fomulierung als

4 ein sogenanntes monotones ganzzahliges lineares Program zulassen. Insbesondere im Falle von Segmentation-Anwendungen ist die Verwendung dieser Algorithmen von Vorteil im Vergleich zur Alternativansätzen der kontinueirlichen Optimierung (meistens basierend aus Spektralanalyse): erstens sind die mit kontinuierlichen Methoden ermittelten Lösung reelle Zahlen und daher nicht direkt zulässig als Lösungen diskreter Partitionierungsprobleme, und zweitens sind die kontinuierlichen Methoden auch Relativ aufwendig was die Rechenzeit betrifft. Das Ziel dieser Bachelor-Arbeit ist es Quotientenoptimierungsprobleme, die mit der oben erwähnten Technik lösen lassen, zu formulieren und analysieren. Weiters sollen die kombinatorischen Lösungsalgorithmen präsentiert, analysiert und anhand von Beispielen veranschaulicht werden. Themen aus dem Bereich der Finanzmathematischen Optimierung 6. Die absolute Abweichung vom erwarteten Portfolioertrag als Risikomaß in der Portfoliooptimierung: Ein Vergleich mit dem Markowitzshen Portfolioptimierungsmodell Das Markowitzsche Portfolio-Optimierung berücksichtigt neben dem erwarteten Portfolioertrag auch die Varianz des Portfolio in der Zielfunktion des Optimierungsproblems. Das führt zu einem quadratischen Optimierungsproblem, siehe zb. Steinbach [30]. Ein alternativer Ansatz verwendet die erwartete absolute Abweichung der Portfoliorendite vom Erwartungswert statt der Varianz als Risikomaß. Daraus resultiert ein lineares Problem. Untersuchungen zeigen, dass die den beiden Modellen entsprechenden optimalen Portfolii in der Regel nicht sehr unterschiedlich sind. Daher wäre es unter Umständen sogar sinnvoll das lineare Modell gegenüber dem Markowitzschen Modell zu bevorzugen. Eine ausführlichere Diskussion dieser Thematik ist in Konno und Yamazaki (1991) zu finden. 7. Maximierung des Sharpe Ratio (SR) eines Portfolios im Vergleich zur Markowitzschen Portfoliooptimierung Das Sharpe Ratio (SR) eines Portfolios ist der Quotient des überschüssigen Portfolioertrags und der Portfoliovarianz, wobei der überschüssige Ertrag als Portfolioertrag abzüglich dem risikolosen Ertrag definiert wird, siehe Sharpe (1964). Die Maximierung des SR unter üblichen Investitionsrestriktionen ist eine mit der Markowitzschen Portfoliooptimierung eng verbundene Aufgabe aus dem Bereich des fractional programming. Dieses Problem kann unter Einsatz der Kegeloptimierung gelöst werden, siehe Cornuejols und Tütüncü (2007). Im Rahmen der Behandlung dieses Themas sollte der Zusammenhang des Sharpe Ratio maximierenden Portfolios und der Markowitz-optimalen Portfolios anhand der sogenannten Kapitalmarktlinie (capital market line) erläutert werden, siehe zb. Fabozzi et al (2007). Die theoretische Auführung solle auch durch experimentelle Untersuchungen veranschaulicht werden. Bereits vergebene/behandelte Themen 1. Varianten des Briefträgerproblems (chinese postman problem) (BtP) (VERGEBEN) Sei G = (V, E) ein einfacher, zusammenhängender (gerichteter oder ungerichteter) gewichteter Graph in dem jeder Kante {i,j} E ein Gewicht c ij zugeordnet wurde. Die Formulierung des klassischen Briefträgerproblems (BtP) geht auf dem chinesischen Mathematiker Kwan(1962)Im Rahmen einer Bachelorarbeit Arbeit könnte eine allgeimene zrück. Gesucht ist eine geschlossene

5 Kantenfolge mit minimaler Länge derart, dass jede Kante des Graphen mindestens einmal in der Kantenfolge vorkommt. Eine derartige Kantenfolge heißt Briefträgertour. Dieses Problem is lösbar in polynomieller Zeit und gehört zur Folklore der kombinatorischen Optimierung. Mehrere Variationen des Problems wurden in der Literatur untersucht. Beispilesweise sei hier das von Dror, Stern und Trudeau (1987) eingeführte hierarchische Briefträgerproblem (HBtP) erwähnt. Hier liegt eine Partition der Kantenmenge, d.h. E = E 1 E 2...E k und E i E j =, fürallei j, i,j {1,2,...,k}, undeinetotalordnung in{e 1,...,E k }vor.im Rahmeneiner Bachelorarbeit Arbeit könnte eine allgeimene Das Ziel ist eine Briefträgertour von minimaler Länge zu bestimmen so, dass alle Kanten aus E i vor allen Kanten aus E i durchlaufen werden, für alle i,j {1,2...,k} mit E i E j. Falls G ungerichtet und die durch E i, i {1,2,...,k} induzierten Subgraphen von E i zusammenhängend sind, dann ist dieses Problem polynomial lösbar etwa in O(kn 4 ) Zeit (Korteweg, 2002). Es gibt weitwere Variationen des Problems in denen die Kanten des Graphen nicht nur durlaufen sondern auch bedient werden sollen. Es wird unterschieden zwischen Durchlaufzeit und Servicekosten und das Ziel ist es sowohl die gesamte Durchlaufzeit als auch die gesamten Servicekosten anhand einer lexikographischen Zielfunktion zu minimieren (Letchford and Iglese 1998). Als erste gut lesbare Referenz zu HBtP sei die Masterarbeit von Korteweg [21] erwähnt; diese Arbeit kann insbesondere auch als Quelle für weitere Referenzen dienen. 2. Das robuste Rucksackproblem (the robust knapsack problem) (RRsP) (abgeschlossen) Beim klassischen Rucksackproblem muss entschieden werden, welche Objekte aus einer gegebenen Grundmenge {O 1,O 2,...,O n } in einem Rucksack eingepackt werden sollten, sodass das Gesamtgewicht des Rucksacks eine vorgegebene Grenze B nicht überschreitet und der Gesamtnutzen des Rucksacks maximiert wird. Hierbei sind Gewicht w i und Nutzen p i von Objekt O i gegeben, i {1,2,...,n}. Beim robusten Rucksackproblem wird angenommen, dass (einige) Inputs des Problems nicht als deterministische Größen sondern nur mit einer gewissenim Rahmen einer Bachelorarbeit Arbeit könnte eine allgeimene Unsicherheit bekannt sind. Das Ziel ist es eine Lösung zu finden, die für alle bzw. die meisten Realisierungen der unsicheren Parameter gute Zielfunktionswerte leifert. Es gibt viele Möglichkeiten ein derartiges robustes Modell genau zu spezifizieren. Eine Variante des robusten Rucksackproblems lässt alle Inputs bis auf die Gewichte deterministische Größen sein während das Gewicht von Objekt O i Werte aus einem Intervall der Form (w i w i,w i + w i ) annehmen kann, wobei w i = δw i, für i {1,2,...,n} und δ [0,1] (siehe Bertsimas und Sim, 2003; Monaci und Pferschy, 2011). Es wird weiters angenommen, dass die Gewichte höchstens für einen vorgegebenen Anteil Γ der Objekte unsicher sind, während für jedes andere Objekt O i die Gewichte gleich dem Mittelpunkt w i des jeweiligen Intervalls sind. Eine Optimallösung des robusten Knapsackproblems ist eine Lösung die für alle möglichen Realisierungen der Gewichte wie oben beschrieben zulässig ist und unter allen Lösungen dieser Art einem maximalen Gesamtnutzen erreicht. Es ist intuitiv klar, dass der Optimaler Ziefunktionswert Opt(I) einer Instanz I des klassischen Rucksackproblems größer ist als der optimale Ziefunktionswert Opt R δ,γ (I) des robusten Rucksackproblems. Den Quotient OptR δ,γ (I) Opt(I) wird als Preis der Robustheit (price of robustness) bezeichnet und ist Subjekt von Untersuchungen. Ein interessanter Aspekt ist zb. die Berechnung von unteren Schranken fr den obigen Quotienten. Analog kann der Preis der Robustheit für das kontinuierliche Rucksackproblem untersucht werden. Weiters gibt es auch einen effizienten Algorithmus zu Lösung des kontinuierlichen robusten Rucksackproblems, siehe Monaci und Pferschy [25].

6 Für eine tiefgehende theoretische Untersuchung über die Robustifizierung allgemeiner kombinatorischer Optimierungsprobleme sei auf Bertsimas und Sim [4] verwiesen. 3. Matching interdiction (MI) in Graphen mit beschränkter Baumweite (VERGEBEN) Die Eingabe dieses Problems ist ein so-genanntes Verbot-Netzwerk (G, w, c) mit einem gewichteten ungerichteten Graphen G = (V,E), Gewichten w: E N und Verbot-Kosten c: E N für die Kanten. Weiters wird ein Budget B Z + gegeben. Sei M(G) die Menge aller Matchings in G undν(g) das maximale Gewicht eines Matchings in G, d.h. ν(g) := max M M(G) e m w(e). Eine Menge R E mit x Rc(x) B heißt Verbot-Menge (interdiction set) in G. Der Graph, der aus G nach dem Entfernen aller Kanten einer Menge R entsteht wird mit G R bezeichnet. Gesucht wird nun eine Verbot-Menge R, sodass das maximale Gewicht eines Matchings in G R minimiert wird: ν(g R ) = min{ν(g R) R ist eine Verbot-Menge in G}. In beliebeigen Verbot-Netzwerken ist MI streng NP-schwer, auch wenn die Kantengweichte bzw. die Verbot-Kosten alle gleich 1 sind (unit model). In Netzwerken mit beschränkter Baumweite ist das Problem jedoch psudopolynomial lösbar. Die Baumweite eines Graphen G = (V, E) wird mit Hilfe einer Baum-Zerlegung definiert. Eine Baum-Zerlegung von G = (V,E) ist ein Paar (X = {X i : i I},T = (I,F)), wobei T = (I,F) ein Baum, sodass zu jedem Knoten i I eine Teilmenge X i V der Knoten von G assoziiert wird und folgende Eigenschaften gelten: (i) i I X i = V (ii) Für jede Kante {v,w} e gibt es ein i I,sodass {v,w} X i. (iii) Für jeden Knoten v V, die Menge der Knoten {i I v X i } induziert einen Teilbaum in T. Die Weite einer Baum-Zerlegung (X,T ) ist als max i I { X i 1} definiert. Die Baumweite eines Graphen G = (V,E) ist als minimale Weite einer Baum-Zerlegung von G, d.h. als { } min max ( X i 1) (X,T ) ist eine Baum-Zerlegung von G i T definiert. Literaturquellen: Zenklusen [33, 35] 4. Das Steiner-Baumproblem (SBP) (VERGEBEN) Das Steiner-Baumproblem ist ein Klassiker der kombinatorischen Optimierung. Sei G = (V, E) ein (ungerichteter) Graph mit Gewichten w: E R + auf den Kanten und sei T V eine Teilmenge von Knoten in G, die sogenannten Terminale. Gesucht wird ein zusammenhängender Teilgraph von G, der alle Terminale beinhaltet und minimales Gewicht hat. Dieser Teilgraph, der ein Baum ist, wird als Steiner-Baum bezeichnet. Wenn T = V, dann stimmt das SBP mit dem minimalen Spannbaumproblem(MSP) überein; in diesem Sinne ist das MSP ein Spezialfall vom SBP. Anders als das MSP ist das SBP jedoch NP-schwer. Diese Komplexität bleibt auch für den Euklidischen SBP erhalten, ein Spezialfall in dem die Knoten des Graphen Punkte im euklidischen Raum (zb. Ebene) sind und die Kantenlängen den Euklidischen Abständen

7 entsprechen. Für 3 Punkte in der Ebene stimmt das Euklidische SBP mit dem Fermat Problem überein. Es sei an dieser Stelle jedoch erwähnt, dass das Euklidische SBP und das allgemeine SBP (in Graphen) ganz unterschiedliche Probleme sind was deren Eigenschaften und Lösungsansätzen betrifft. SBP ist ein schwieriges und gut untersuchtes Problem. Viele strukturelle Eigenschaften des Problems sind bekannt, etwa, dass die Anzahl der Steiner-Punkte n 2 nicht überschreitet, wobein := V unddiesteiner-punktealsjeneknotenv imsteiner-baum definiertsind,fürdie v T und deg(v) 3 gelten. Es gibt viele Heuristiken und Approximationsalgorithmen für das SBP, sowie polynomial lösbare Spezialfälle, etwa für Graphen mit beschränkter Baumweite, für k-planare Graphen, fürseriell-parallele Graphen, Permutation-Graphen usw. Unter negativen Ergebnissen sei etwa erwähnt, dass das BSP auch für planare Graphen und Gitter-Graphen NPschwer bleibt. Als Grundreferenz kann das Buch von Prömel und Steger [27] verwendet werden. Es liefert einen umfangreichen Überblick über dieverse Aspekte des SBP und seine Verallgemeinerungen sowie weitere Referenzen über (fast) alle untersuchten Aspekte des Problems. Für diverse Aspekte des Problems knnen weitere maßgescheiderte Referenzen spezifiziert werden. 5. Das lineare Einbettungsproblem für Graphen (minimum linear arrangement problem (MLAP) (VERGEBEN) Beim MLAP müssen die Knoten eines ungerichteten (gewichteten) Graphen G = (V, E) mit Kantegewichten w: E R in den Konten eines eindimensionalen equidistanten Gitters so eingebettet werden, dass die Summe der gewichteten Abstände zwischen den Bildern von Endknoten über alle Kanten von G minimiert wird. D.h., wenn n := V und die Gitterpunkte mit {1,2,...,n}durchnummeriertwerden,dannwirdeinebijektiveAbbildungf: V {1,2,...,n} gesucht, sodass {u,v} E f(u) f(v) minimiertwird.mlapundseinevariationen habenzahlreiche Anwendung in Bereichen wie Komputerarchitektur, VLSI(very large scale integrated) design, Data Mining usw. Dieses Problem ist streng NP-schwer auch wenn G ein bipartiter Graph ist. Es gibt jedoch ein paar spezielle Klassen von Graphen in denen MLAP polynomial lösbar ist, etwa in Bäumen oder outerplanaren Graphen, d.h. in Graphen, die eine planare Einbettung besitzen, in der alle Knoten am Rande der äußeren Seite eingebettet werden. Weitere intensiv untersuchte Aspekte des Problems umfassen untere Schranken, Approximationsalgorithmen und Heuristiken. MLAP gehört zu einer breiteren Klasse von linearen Einbettungsproblemen, siehe Diaz, Petit und Serna [10]. Eine aktuellere Literaturübersicht über das MLAP ist in Caprara, Letchford und Salazar-Gonzalez [5] zu finden. Die oben genannten polynomial lösbaren Spezialfälle stammen aus Shiloach [29], Chung [6] und Frederickson und Hambrush [13]. Eine eventuell zugänglichere Referenz des polynomialen Algorithmus für das MLAP in planaren Graphen ist Hochberg [19]. 6. Das Markowitzsche Portfoliooptimierungsmodell: kritische Analyse und Resampling (abgeschlossen) Das Markowitzsche Portfoliooptimierungsmodell wird als erstes mathematisch-rigoroses Modell gefeiert, das neben dem erwarteten Ertrag auch das Risiko eines Portfolios in der Optimierung miteinbezieht. Einige wichtige Inputparameter dieses Modells, zb. die erwarteten Rendite der einzelnen Assets, sind jedoch nichtdeterministische Größen, die geschätzt werden müssen. Die apriori ermittelten Schätzer werden als Inputs im Markowitzschen Portfoliooptimierungsproblem eingesetzt. Naturgemäß hängt die Qualität des optimalen Portfolios stark von der Genauigkeit der Schätzer. In der Literatur wurden einige Ansätze diskutiert, um die oben genannte

8 Abhängigkeit zu entschärfen. Ein möglicher Ansatz wäre das sogenannte portfolio resampling, siehe Michaud (1989, 2008). Im Rahmen der Behandlung dieses Themas ist eine quantitative Analyse der Auswirkungen des Resamplings durchzuführen. 7. Das robuste Spannbaumproblem (robust spanning tree problem) (RSbP) (abgeschlossen) Sei G = (V,E) ein gewichteter Graph mit unsicheren Gewichten. Das Ziel ist es einen Spannbaum in G zu finden, der für alle Realisierungen der Gewichte eine relativ gute Lösung des klassischen minimalen Spannbaumproblem mit eben diesen Kantegewichten darstellt. Natürlich ist dieses Ziel nur vage formuliert, denn es wurde weder ein Unsicherheitsmodell spezifiziert noch wurde klar definiert was eine gute Lösung ist. Unterschiedliche Spezifikationen führen zu unterschiedlichen Modellen des robusten Spannbaumproblems. Das Analogon zum obigen robusten Rucksackproblem ist polynomial lösbar, siehe Bertsimas und Sim [4]. Ein anderes Modell liegt vor, wenn jede Kante e E ein Gewicht c e aus einem Intervall [c e, c e ] haben kann. Für jede Realisierung {c e : e E,c e [c e, c e ]} der Gewichte bezeichnen wir mit c(t c ) den optimalen Wert des klassischen Spannbaumproblems mit eben diesen Gewichtskoeffizienten. T c sei also ein minimaler Spannbaum des klassischen Spannbaumproblems mit Kantenlängen c. Das Ziel des robusten Spannbaumproblems ist es einen Spannbaum T zu finden, der das Maximum max{c(t ) c(t c ): c = (c e ) e E mit c e [c e, c e ]} minimiert. Diese Variante des robusten Spannbaumproblems ist NP-schwer, siehe Aron und Van Hentenryck (2004). Dafür gibt es aber gemischt ganzzahlige Formulierungen, die die Berechnung von approximativen Lösung sowie die Ermittlung von strukturellen Eigenschaften des Problems ermöglichen, siehe Yaman, Karasan und Pinar (2001). 8. Network flow interdiction (NFI) in planaren Graphen (abgeschlossen) In diesem Problem werden ein Netzwerk (G, u, s, t) mit einem gerichteten planaren Graphen G = (V,E),Kapazitäten u: E R + einequellesundeinesenkent,gegeben.zujedemknoten bzw. Kante werden Verbot-Kosten (interdiction costs) c: V E Z + { } assoziiert, wobei c(s) = c(t) = gilt. Weiters wird ein Budget B Z + gegeben. Eine Menge R V E mit x Rc(x) B heißt Verbot-Menge (iterdiction set) in G. Der Graph, der aus G nach dem Entfernen aller Knoten bzw. Kanten einer Menge R entsteht wird mit G R bezeichnet. Gesucht wird nun eine Verbot-Menge R, sodass der Wert f (G R) des maximalen s-t-flusses in G R minimiert wird: f (G R ) = min{f (G R) R ist eine Verbot-Menge in G}. Eine derartige Verbot-Menge R heißt optimal. Eine optimale Verbot-Menge R heißt effizient, wenn sie unter allen optimalen Verbot-Menge minimale Kosten besitzt, d.h. wenn c(r ) := x R = min{c(r) R ist eine optimale Verbot-Menge}, gilt. Eine optimale Verbot-Menge R heißt minimal, wenn sie unter den optimalen Verbot- Mengen inklusion-minimal ist, keine echte Teilmenge von R ist eine optimale Verbot-Menge. Ein mit NFI eng verbundetes Problem is das Netzwerksicherheitsproblem (NSP). Bezeichnen wir mit f (G) und f B den Wert des maximalen s-t-flusses in G bzw. in G R, wobei R eine optimale Verbot-Menge ist. Beim Netzwerksicherheitsproblem (NSP) wird das kleinstmögliche Budget B gesucht, sodass f (B ) < f, d.h. B argmin{b Z + f (B) < f }.

9 In beliebeigen Netzwerken ist NFI streng NP-schwer. In planeren Netzwerken ist das Problem durch pseudopolynomiale Algorithmen lösbar. Auch das NSP ist pseudopolynomial lösbar in planeren Netzwerken. Liteturquellen: Zenklusen [33, 34] 9. Clustering in Graphen und der Gomory-Hu-Baum (abgeschlossen) Ein Clustering in einem Graphen ist eine Zerlegung des Graphen in Teilgraphen mit gewissen vorspezifizierten Eigenschaften. Je nach Anwendungsbereich gibt es viele unterschiedliche Kriterien für gute Clusterings. Im Allgemeinen zielt ein Clustering darauf ab, das Ganze so in Teilen zu zerlegen, dass jedes Teil für sich möglichst homogen und die unterschiedlichen Teile gut separiert sind. Zwei Kriterien anhand derer Clusterings in Graphen bewertet werden können sind Expansion und Conductance. Gute Clusterings bzgl. diesen zwei Kriterien können mit Hilfe des Gomorys-Hu-Baums konstruiert werden. Sei G = (V,E) ein ungerichteter gewichteter Graph und w: E R + die Gewichtsfunktion auf die Kanten. Sei [S, S] ein Schnitt in G, d.h. S V, S = V \ S und [S, S] = { {u,v} E u S,v S }. Die Expansion ψ([s, S]) und die Conductance φ([s, S]) sind folgendermaßen definiert: wobei ψ([s, S]) = c(s) := e [S, S] w(e) min{ S, S } φ([s, S]) = {u,v} E : u S, v V e [S, S] w(e) min{c(s),c( S)} w({u,v}) für S V. Die Expansion eines Teilgraphen von G ist die minimale Expansion über alle Schnitte im Graphen. Die Expansion einer Clustering ist die minimale Expansion der Teilgraphen, die durch die Cluster induziert werden. Je größer die Expansion einer Clustering, um so besser ihre Qualität. Analog, die Conductance eines Teilgraphen von G ist die minimale Conductance über alle Schnitte im Graphen. Die Conductance einer Clustering ist die minimale Conductance der Teilgraphen, die durch die Cluster induziert werden. Je größer die Conductance einer Clustering, um so besser ihre Qualität. Für einen gegebenen Graphen ist es NP-schwer eine Clustering mit maximaler Expansion bzw. maximaler Conductance zu bestimmen. Mit Hilfe des Gomory-Hu-Baums kann jedoch in effizienter Weise eine Clustering bestimmt werden, sodass (a) die Expansion (Conductance) eine vorgegebene Schranke überschreitet, (b) die Summe der Gewichte der Kanten zwischen einem beliebigen Cluster und dem restlichen Graphen unterschreitet eine vorgegebene obere Schranke, und das gilt für jedes Cluster. Für einen ausführlichen Überblick über Clustering in Graphen sei auf Schaeffer [28] verwiesen. Der oben genannte Gomory-Hu-Baum basierte Algorithmus ist in Flake, Tarjan und Tsioutsiouliklis [12] beschrieben. 10. Kantenfärbung in Graphen (abgeschlossen) Eine Kantenfärbung in einem Graphen G = (V,E) mit m Kanten, m := E, ist eine Zuordnung von Farben aus {1,2,...,m} zu den Kanten des Graphen, sodass keine benachbarten

10 Kanten (d.h. Kanten, die einen gemeinsamen Knoten haben) die gleiche Farbe erhalten. Die kleinstmögliche Anzahl von Farben, die eine derartige Kantenfärbung erlaubt, heißt chromatischer Index des Graphen und wird mit χ (G) bezeichnet. Ein berühmtes Resultat ist der Satz von Vizing, der besagt, dass (G) χ (G) (G) + 1 für jeden einfachen Graphen G gilt, wobei (G) das Maximum über alle Knotengrade in G ist. Es ist also sehr einfach eines der zwei möglichen Werte des chromatischen Index eines gegebenen Graphen zu ermitteln. Denoch ist es generelle schwer zu entscheiden welcher der beiden Werte der Richtige ist: die Berechnung des chromatisches Index ist in allgemeinen Graphen NP-schwer! Es gibt jedoch spezielle Graphenklassen für die der chromatischer Index effizient berechnet werden kann, etwa für bipartite Graphen oder für planare Graphen. Für einen bipartiten Graphen G gilt χ (G) = (G) und eine Färbung, die χ (G) Farben benötigt, kann in O(mlog ) berechnet werden (siehe Cole, Ost und Schirra [8]). Ein einfacherer aber etwas langsamerer Algorithmus wurde von Alon [2] präsentiert. Auch für planare Graphen G mit (G) 7 gilt χ (G) = (G); wenn (G) 9 kann man eine optimale Kantenfärbung, d.h. eine Kantenfärbung die eine minimale Anzahl von Farben benötigt, in linearer Zeit finden, siehe Cole und Kowalik [7]. Im Rahmen einer Bachelorarbeit Arbeit könnte neben einer allgeimenen Einführung in das Kantenfärbungproblem die effiziente Lösbarkeit des Problems für eine der oben erwähnte Graphenklassen untersucht werden. Ein anderer Aspekt, der untersucht werden könnte, sind effiziente Algorithmen, die eine Kantenfärbung eines beliebigen Graphen G mit höchstens (G) + 1 Farben ermöglichen, siehe z.b. Misra and Griess [24]. Literatur [1] K.I. Aardal, S.P.M. Van Hoesel, A.M.C.A. Koster, C. Mannino und A. Sassano, Models and solutions techniques for frequency assignment problems, 4OR, Operations Research Quarterly 1(4), , [2] N. Alon, A simple algorithms for edge coloring bipartite multigraphs, Information Processing Letters 86, 2003, [3] I.D. Aron und P. Van Hentenryck, On the complexity of the robust spanning tree problem with interval data, Operations Research Letters 32, 36-40, [4] D. Bertsimas und M. Sim, Robust discrete optimization and network floes, Mathematical Programming 98, 49 71, [5] A. Caprara, A.N. Letchford und J. Salazar-Gonzalez, Decorous lower bounds for minimum linear arrangement, INFORMS Journal on Computing 23(1), 26 40, [6] F.R.K. Chung, An optimal linear arrangement of trees, Comp. Math. Appl. 10(1), 1984, [7] R. Cole, L. Kowalik, New linear-time algorithms for edge-coloring planar graphs, Algorithmica 50 (3), 2008, [8] R. Cole, K. Ost, S. Schirra, Edge-coloring bipartite multigraphs in O(ElogD) time, Combinatorica 21 (1), 2001, [9] G. Cornuejols und R. Tütüncü, Optimization Methods in Finance, Cambridge University Press, 2007.

11 [10] J. Diaz, J. Petit und M. Serna, A survey of graph layout problems, ACM Computing Surveys 34(3), , [11] F. Fabozzi, P. Kolm, D. Pachamanova und S. Focardi, Robust Portfolio Optimization and Managenent, Wiley, [12] G.W. Flake, R.E. Tarjan, K. Tsioutsiouliklis, Graph clustering and minimum cut trees, Internet Mathematics 1(4), 2004, [13] G.N. Frederickson, E.E. Hambrush, Planar linear arrangements of outerplanar graphs, IEEE Transactions on Circuits and Systems 35, 1988, [14] D. Hochbaum, Ranking sport teams and the inverse equal paths problem, Lecture Notes ion Computer Science 4286, P. Spirakis et al. Hrsg., 2006, S [15] D. Hochbaum, Polynomial time algorithms for ratio regions and a variant of normalized cut, IEEE Transactions on Pattern Analysis and Machine Intelligence 32(5), 2010, [16] D. Hochbaum, The separation and separation-deviation methodology for group decision making and aggregate ranking, J.J. Hasenbein, ed., TutORials in Operations Research, INFORMS Vol. 7, 2010, Hanover, MD, pp [17] D. Hochbaum und A. Levin, Methodologies for the group rankings decision, Management Science 52, (9), 2006, [18] D. Hochbaum und E. Moreno-Centeno, Country credit-risk rating aggregation via the separationdeviation model, Optimization Methods and Software 23(5), 2008, [19] R. Hochberg, Minimum linear arrangement of trees, Master Thesis, North Carolina State University, [20] H. Konno und H. Yamazaki, Mean-absolute deviation portfolio optimization model and its applications tu Tokyo stock market, Management Science 37(5), , [21] Peter Korteweg, Postman problems, priorities and the concept of serving, Master Thesis, Unversity of Amsterdam, [22] R.O. Michaud, The Markowitz optimization enigma: Is optimized optimal? Financial Analysts Journal 42, Im Rahmen einer Bachelorarbeit Arbeit könnte eine allgeimene [23] R. Michaud und R. Michaud, Estimation error and portfolio optimization: a resampling solution, Journal of Investment Management 6(2), 8-28, [24] J. Misra, D. Gries, A constructive proof of Vizing s Theorem, Information Processing Letters 41 (3), 1992, [25] M. Monaci und U. Pferschy, On the robust knapsack problem, verfügbar via Optimization Online , [26] W.F. Sharpe, Capital asset prices: A theory of market equilibrium under conditions of risk, Journal of Finance 19(3), , 1964.

12 [27] J. Prömel und A. Steger, The Steiner Tree Problem: A Tour through Graphs, Algorithms and Complexity, Springer, [28] S.E. Schaeffer, Graph Clustering, Computer Science Reviews 1, 2007, [29] Y. Shiloach, A minimum linear arrangement algorithm for undirected trees, SIAM Journal on Computing 8, 15 32, [30] M.C. Steinbach, Markowitz revisited: Mean-variance models in financial portfolio analysis, SIMA Review 43(1), 31-85, [31] E. Scheinerman, D. Ullman, Fractional graph theory, ers/fgt/index.html [32] H. Yaman, O.E. Karasan und M.C. Pinar, The robust spanning tree problem with interval data, Operations Research Letters 29, 31-40, [33] Rico Zenklusen, Combinatorial methods for analyzing network security and reliability, Dissertation, ETZ Zürich, [34] Rico Zenklusen, Network flow interdiction on planar graphs, Discrete Applied Mathematics 158(13), , [35] Rico Zenklusen, Matching interdiction, Discrete Applied Mathematics 158(15), , 2010.

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas

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

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

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

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung

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

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

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

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

Heuristiken im Kontext von Scheduling

Heuristiken im Kontext von Scheduling Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35

Mehr

Approximation in Batch and Multiprocessor Scheduling

Approximation in Batch and Multiprocessor Scheduling Approximation in Batch and Multiprocessor Scheduling Tim Nonner IBM Research Albert-Ludwigs-Universität Freiburg 3. Dezember 2010 Scheduling Zeit als Ressource und Beschränkung Formaler Gegeben sind Jobs

Mehr

3. Das Auslastungsspiel

3. Das Auslastungsspiel Literatur: 3. Das Auslastungsspiel R. W. Rosenthal. A class of games possessing pure-strategy Nash equilibria. International Journal of Game Theory 2, pp. 65 67. 1973. D. S. Johnson, Chr. H. Papadimitriou,

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

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien

2.3 Ableitung optimaler Portfolien unter simultaner Berücksichtigung aller Szenarien Agenda 1. Traditionelle Asset Allocation nach Markowitz 2. Szenario-basierte Asset Allocation 2.1 Definition zukünftiger Entwicklungsszenarien 2.2 Ableitung optimaler Portfolien für einzelne Szenarien

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

Aufgabenblatt 6 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015

Aufgabenblatt 6 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015 Universität Bern Bern, den. März Professur für Quantitative Methoden der BWL Schützenmattstr., Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Aufgabenblatt 6 zur Lehrveranstaltung

Mehr

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Recent Advances in Business Computing and Operations Research (RAIBCOR)

Recent Advances in Business Computing and Operations Research (RAIBCOR) Recent Advances in Business Computing and Operations Research (RAIBCOR) Prof. Dr. Stefan Bock Wirtschaftsinformatik und Operations Research Schumpeter School of Business and Economics 25. April 2014 Business

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert

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

Zeichnen von Graphen. graph drawing

Zeichnen von Graphen. graph drawing Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =

Mehr

Das Lastverteilungsproblem

Das Lastverteilungsproblem Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht

Mehr

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Masterstudiengang Wirtschaftswissenschaft

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

Information Systems Engineering Seminar

Information Systems Engineering Seminar Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt

Mehr

Schmeller-Preis 2010 der Volkswirtschaftlichen Gesellschaft des Kantons Bern

Schmeller-Preis 2010 der Volkswirtschaftlichen Gesellschaft des Kantons Bern Schmeller-Preis 2010 der Volkswirtschaftlichen Gesellschaft des Kantons Bern Prof. Dr. Norbert Thom Prof. h.c. Dr. h.c.mult. Vizepräsident der VWG Bern Direktor des Instituts für Organisation und Personal

Mehr

Business Computing and Operations Research (RAIBCOR)

Business Computing and Operations Research (RAIBCOR) Recent Advances in Business Computing and Operations Research (RAIBCOR) WS 2014 / 2015 Prof. Dr. Stefan Bock Wirtschaftsinformatik und Operations Research Schumpeter Schoolof of Business and Economics

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer

Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden

Mehr

Portfolio-Optimierung und Capital Asset Pricing

Portfolio-Optimierung und Capital Asset Pricing Portfolio-Optimierung und Capital Asset Pricing Prof. Dr. Nikolaus Hautsch Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin CASE, CFS, QPL Econ Boot Camp, SFB 649, Berlin, 8. Januar

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Elementare Datenstrukturen Rekursionen Bäume 2 1 Datenstruktur Baum Definition eines Baumes

Mehr

Grundlagen der Programmierung 2. Bäume

Grundlagen der Programmierung 2. Bäume Grundlagen der Programmierung 2 Bäume Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 24. Mai 2006 Graphen Graph: Menge von Knoten undzugehörige (gerichtete oder ungerichtete)

Mehr

Datenstrukturen & Algorithmen

Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen

Mehr

Computational Intelligence und Data Mining

Computational Intelligence und Data Mining Computational Intelligence und Data Mining Portfoliooptimierung unter Nebenbedingungen Prof. Dr. Thomas Bartz-Beielstein thomas.bartz-beielstein@fh-koeln.de, Tel. 02261/8196-6391 Prof. Dr. Wolfgang Konen

Mehr

Binäre lineare Optimierung mit K*BMDs p.1/42

Binäre lineare Optimierung mit K*BMDs p.1/42 Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre

Mehr

Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten

Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten Dr. Philipp Baumann Prof. Dr. Norbert Trautmann Mario Gnägi Universität Bern Herbstsemester 2014 Gliederung Marketing Portfolio-Selektion

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT)... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben...

1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT)... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben... Vorwort v I Approximative Algorithmen 1 1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT).... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben..... 18 2 DieKomplexitätsklassen

Mehr

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

Mehr

Implementierung der SQL Operatoren GROUP BY und CUBE

Implementierung der SQL Operatoren GROUP BY und CUBE Implementierung der SQL Operatoren GROUP BY und CUBE Seminararbeit von Christian Brandt Seminar Advanced Data Warehousing WS 2003/2004 Einführung Ein zentrales Element von OLAP - Anwendungen ist die Aggregation

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:

Mehr

Umsetzung von DEA in Excel

Umsetzung von DEA in Excel Umsetzung von DEA in Excel Thorsten Poddig Armin Varmaz 30. November 2005 1 Vorbemerkungen In diesem Dokument, das als Begleitmaterial zum in der Zeitschrift,,Controlling, Heft 10, 2005 veröffentlichten

Mehr

Market Basket Analysis oder: isst man Salat zum Schnitzel?

Market Basket Analysis oder: isst man Salat zum Schnitzel? Market Basket Analysis oder: isst man Salat zum Schnitzel? SAS Forum Switzerland, 07. Mai 2013 Ralph Wenzl Migros-Genossenschafts-Bund Customer & Web Intelligence Agenda 1 2 3 4 Muster in Warenkörben 3

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

Überblick. Einführung Graphentheorie

Überblick. Einführung Graphentheorie Überblick Einführung Graphentheorie Graph-Algorithmen mit Map Kurzeinführung Graphentheorie Algorithmus zum Finden von Cliquen Graphen bestehen aus Knoten (englisch: Node, Vertex, Mehrzahl Vertices) Kanten

Mehr

Programmiertechnik II

Programmiertechnik II Analyse von Algorithmen Algorithmenentwurf Algorithmen sind oft Teil einer größeren Anwendung operieren auf Daten der Anwendung, sollen aber unabhängig von konkreten Typen sein Darstellung der Algorithmen

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

Mean-Variance-Portfoliooptimierungs-Tool

Mean-Variance-Portfoliooptimierungs-Tool Anleitung der c-alm AG zum Mean-Variance-Portfoliooptimierungs-Tool Kontakt: Philipp Weber, CFA; Consultant Datum: 27. November 2013 Email: philipp.weber@c-alm.ch; Tel.: 071 227 35 35 Inhaltverzeichnis

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

Exploration und Klassifikation von BigData

Exploration und Klassifikation von BigData Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)

Mehr

Verteilte Systeme CS5001

Verteilte Systeme CS5001 CS5001 Th. Letschert TH Mittelhessen Gießen University of Applied Sciences Einführung Administratives Unterlagen Verwendbar: Master of Science (Informatik) Wahlpflichtfach (Theorie-Pool) Unterlagen Folien:

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Kompositionen von Baumreihen-Transformationen

Kompositionen von Baumreihen-Transformationen Kompositionen von Baumreihen-Transformationen Andreas Maletti 1 Lehrstuhl: Grundlagen der Programmierung Institut für Theoretische Informatik Technische Universität Dresden 4. November 2005 1 Finanziell

Mehr

Einführung in die Informatik I

Einführung in die Informatik I Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen

Mehr

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.

Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip

Mehr

Knickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie

Knickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie Knickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie Diplomarbeit von Robert Jungblut An der Fakultät für Informatik Institut für theoretische Informatik Erstgutachter:

Mehr

DIPLOMARBEIT. Analytic Hierarchy Process mit fehlenden Paarvergleichen: Bewertung der Aufgabenbereiche eines Project Office

DIPLOMARBEIT. Analytic Hierarchy Process mit fehlenden Paarvergleichen: Bewertung der Aufgabenbereiche eines Project Office DIPLOMARBEIT Analytic Hierarchy Process mit fehlenden Paarvergleichen: Bewertung der Aufgabenbereiche eines Project Office Institut: Institut für Entscheidungstheorie & Unternehmensforschung Prof. Dr.

Mehr

1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert

1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert Inhalt Einführung 1. Arrays 1. Array unsortiert 2. Array sortiert 3. Heap 2. Listen 1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert 3. Bäume

Mehr

Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz

Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen)

Mehr

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler Netzwerkmodelle Seminar Netzwerkanalyse Sommersemester 2005 Jasmine Metzler 1 Grundlegende Modelle Das Graph Modell (G n,p ) Definition Verschiedene Modelle Small World Modell Lokale Suche Power Law Modelle

Mehr

13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems

13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems 13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems 13.1 Modellierung des Rucksackproblems 13.2 Lösung mit Greedy-Algorithmus 13.3 Lösung mit Backtracking 13.4 Lösung mit Dynamischer Programmierung

Mehr

Detecting Near Duplicates for Web Crawling

Detecting Near Duplicates for Web Crawling Detecting Near Duplicates for Web Crawling Gurmeet Singh Manku et al., WWW 2007* * 16th international conference on World Wide Web Detecting Near Duplicates for Web Crawling Finde near duplicates in großen

Mehr

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla

Mehr

Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung. W. Römisch

Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung. W. Römisch Dynamisches Risikomanagement in der Strom-Portfolio-Optimierung W. Römisch Humboldt-Universität Berlin Institut für Mathematik http://www.math.hu-berlin.de/~romisch A. Eichhorn (Verbund, Wien), V. Guigues

Mehr

Proseminar. Spieltheorie. Sommersemester 2015

Proseminar. Spieltheorie. Sommersemester 2015 Proseminar Spieltheorie Sommersemester 2015 Informationen bei: Prof. Dr. Martin Möhle Eberhard Karls Universität Tübingen Mathematisches Institut Tel.: 07071/29-78581 Vortragsübersicht Teil I: Allgemeine

Mehr

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011 Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei

Mehr

BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS

BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Prüfungsgebiet: MWiWi 1.6 Logistik- und Informationsmanagement Wirtschaftsinformatik Modul

Mehr

Correlation Clustering with a fixed Number of Clusters

Correlation Clustering with a fixed Number of Clusters Seminar WS 06/07: Zerlegen und Clustern von Graphen Jan Rochel Seite 1 Behandelte Arbeit: Ioannis Giotis, Venkatesan Guruswami: Correlation Clustering with a fixed Number of Clusters Theory of Computing,

Mehr

Bachelor (BSc) Mathematik

Bachelor (BSc) Mathematik BACHELOR-MASTER-KONZEPT FÜR MATHEMATISCHE STUDIENGÄNGE an der Technischen Universität München (TUM) FPO 2007 www-sb.ma.tum.de/study/studplan/ www-sb.ma.tum.de/docs/fpo/ 1. Übersicht Zum Wintersemester

Mehr

Mustererkennung mit Baumautomaten

Mustererkennung mit Baumautomaten Mustererkennung mit Baumautomaten Eine Ausarbeitung von Gisse Alvarado für das Seminar Mustererkennung mit syntaktischen und graphbasierten Methoden bei Prof. Dr. W. Kurth/ Th. Mangoldt Cottbus 2006 Inhalt

Mehr

ShopBot, ein Software-Agent für das Internet

ShopBot, ein Software-Agent für das Internet Software-Agenten p.1/20 ShopBot, ein Software-Agent für das Internet Eine Einführung in (Software-)Agenten Madeleine Theile Software-Agenten p.2/20 Aufbau des Vortrags grundlegende Theorie Definition Autonomy,

Mehr

Programmiertechnik II

Programmiertechnik II Bäume Symboltabellen Suche nach Werten (items), die unter einem Schlüssel (key) gefunden werden können Bankkonten: Schlüssel ist Kontonummer Flugreservierung: Schlüssel ist Flugnummer, Reservierungsnummer,...

Mehr

Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra

Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra Portfolioselektionstheorie grafisch und intuitiv mit GeoGebra LUCIA DEL CHICCA, MARKUS HOHENWARTER, LINZ In diesem Beitrag beschäftigen wir uns mit einem Optimierungsproblem aus der Finanzwelt: gegeben

Mehr

Simulation und Optimierung von Bike-Sharing Systemen Vollversammlung der Graduiertenschule OMaR, Oktober 2011, TU Clausthal

Simulation und Optimierung von Bike-Sharing Systemen Vollversammlung der Graduiertenschule OMaR, Oktober 2011, TU Clausthal Simulation und Optimierung von Bike-Sharing Systemen Vollversammlung der Graduiertenschule OMaR, Oktober 2011, TU Clausthal Viola Ricker Bike-Sharing Bereitstellung von Fahrrädern als öffentliches Verkehrsmittel

Mehr

Motivation. Problemstellung. Lösungsansätze. Fazit und Ausblick. Dipl. Wi.-Inf. Thomas Huth. Problemstellung. Lösungsansätze. Fazit und Ausblick

Motivation. Problemstellung. Lösungsansätze. Fazit und Ausblick. Dipl. Wi.-Inf. Thomas Huth. Problemstellung. Lösungsansätze. Fazit und Ausblick Dynamische Aspekte in der mehrperiodischen Tourenplanung Doktorandenkolloquium Sonnenberg, März M 2007 1 Motivation Dynamische Aspekte in der Tourenplanung werden zunehmend wichtiger Gründe dafür sind

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Mining top-k frequent itemsets from data streams

Mining top-k frequent itemsets from data streams Seminar: Maschinelles Lernen Mining top-k frequent itemsets from data streams R.C.-W. Wong A.W.-C. Fu 1 Gliederung 1. Einleitung 2. Chernoff-basierter Algorithmus 3. top-k lossy counting Algorithmus 4.

Mehr

Routen- & Tourenplanung

Routen- & Tourenplanung Prof. Dr.-Ing. Bernd NOCHE Mustafa GÜLLER, M.Sc. Routen- & Tourenplanung Lehrstuhl für Fabrikorganisation Technische Universität Dortmund Leonhard-Euler-Str. 5 44227 Dortmund Telefon: +49 (0) 231 755-5773

Mehr

Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS

Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Dezember 007 Dipl.-Ing. Stefan Abu Salah Dipl.-Ing. Achim Marikar QoS (Quality of Service): Sicherstellung der Qualität Zeitkritische

Mehr

Quantitative BWL 2. Teil: Finanzwirtschaft

Quantitative BWL 2. Teil: Finanzwirtschaft Quantitative BWL 2. Teil: Finanzwirtschaft Mag. Tomáš Sedliačik Lehrstuhl für Finanzdienstleistungen Universität Wien 1 Themenübersicht 1. Portfoliotheorie und Portfoliomodelle i. Grundbegriffe: Rendite,

Mehr

4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140

4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}

Mehr

2.4.3 Zustandsgraphen

2.4.3 Zustandsgraphen 2.4.3 Zustandsgraphen Folie 2-1+45 Paradigma der Zustandsmodellierung Zustandsmodellierung betrachtet ein System als Zustandsautomaten beschreibt die Zerlegung in Zustände und Zustandsübergänge orientiert

Mehr

2.4.3 Zustandsgraphen

2.4.3 Zustandsgraphen 2.4.3 Zustandsgraphen Folie 2-1+45 Paradigma der Zustandsmodellierung Zustandsmodellierung betrachtet ein System als Zustandsautomaten beschreibt die Zerlegung in Zustände und Zustandsübergänge orientiert

Mehr

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter

Mehr

Seminar aus maschinellem Lernen MCTS und UCT

Seminar aus maschinellem Lernen MCTS und UCT Seminar aus maschinellem Lernen MCTS und UCT 26. November 2014 TU Darmstadt FB 20 Patrick Bitz 1 Übersicht Historisches zu MCTS MCTS UCT Eigenschaften von MCTS Zusammenfassung 26. November 2014 TU Darmstadt

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