Mit kombinatorischer Optimierung zur Nadel im Heuhaufen
|
|
- Simon Schäfer
- vor 7 Jahren
- Abrufe
Transkript
1 Mit kombinatorischer Optimierung zur Nadel im Heuhaufen Rico Zenklusen ETH Zurich
2 Was ist kombinatorische Optimierung? Finde beste/gute Lösung in einer riesigen Menge endlich vieler Möglichkeiten. / 0
3 Kombinatorische Optimierung anhand von Beispielen Looks like a duck, swims like a duck, quacks like a duck It is a duck! / 0
4 Seattle Problem des Handelsreisenden Portland Minneapolis Detroit Boston San Francisco Salt Lake City Denver Chicago Cleveland New York Washington D.C. Las Vegas St. Louis Los Angeles Phoenix Atlanta Houston New Orleans Miami Ausgehend von Boston, was ist die kürzeste Autorundreise um alle obigen Städte zu besuchen? 4 / 0
5 Anwendung in Platinenherstellung Was ist die beste/schnellste Reihenfolge um die Löcher zu bohren? 5 / 0
6 7 Verbindungsproblem Kapazitäten 0 Wieviele kann man mit dem verbinden, ohne die Kapazitäten zu überschreiten? 6 / 0
7 7 Verbindungsproblem Kapazitäten Gewichte 0 Wieviele kann man mit dem verbinden, ohne die Kapazitäten zu überschreiten? Was ist das maximale Gewicht, welches man mit dem verbinden kann? 6 / 0
8 Fluch der Dimensionalität Anzahl Möglichkeiten wächst häufig enorm schnell mit wachsender Problemgrösse. n Städte (n )! mögliche Routen. # Routen # Städte Trotz Fortschritt in Computerhardware braucht es starke Methoden zur Problemlösung. 7 / 0
9 Eine zentrale Frage der kombinatorischen Optimierung Wie findet man (beweisbar) gute Lösungen in (beweisbar) kurzer Zeit? 8 / 0
10 Einige meiner Forschungsinteressen Problembereiche Math. Methoden & Strukturen Mehrzieloptimierung Online Optimierung Anwendungen Polyhedrische Methoden Matroide Submodulare Funktionen Probabilistische Methoden Fehleranfällige Systeme! Daten Zeit Nichtlineare Optimierung Routing Informationsflüsse Resourcenoptimierung Bestandsverwaltung 9 / 0
11 Kurzeinführung in Matroide A surprisingly powerful hammer,... and suddenly, everything looked like a nail. 0 / 0
12 Matroide: Abstraktion von linearer Unabhängigkeit Definition eines linearen Unabhängigkeitssystemes (E, I) E R m, 0 < E < (Menge von Vektoren). I = {I E Vektoren in I sind linear unabhängig}. Definition eines Matroides M = (E, I) E: endliche Grundmenge. I E : Nichtleere Familie von unabhängigen Mengen, so dass (i) Falls I I & J I J I. (ii) Falls I, J I & I > J s I \ J with J {s} I. / 0
13 Matroide: ein (erster) algorithmischer Gesichtspunkt Matroide formalisieren Probleme, welche mit dem Greedy-Algorithmus gelöst werden können. / 0
14 Matroide: ein (erster) algorithmischer Gesichtspunkt Matroide formalisieren Probleme, welche mit dem Greedy-Algorithmus gelöst werden können. Spannbaum minimalen Gewichts ( billig Punkte verbinden) 5 Graph: G = (V, E) Wälder: I = {F E F ist ein Wald} (Ein Wald sind Kanten ohne Zyklen.) 6 M = (E, I) ist ein graphisches Matroid. / 0
15 Gammoid: ein Matroid im Verbindungsproblem Gammoid: M = (N, I) { } Grundmenge: N =. Verbindbare : { } I = S N Man kann alle in S gleichzeitig verbinden. / 0
16 Ein Beispiel der online Optimierung Forecasting is like driving a car blindfolded with the help from someone looking out of the rear window. 4 / 0
17 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
18 Ein online Verbindungsproblem 4 Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
19 Ein online Verbindungsproblem 4 Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
20 7 Ein online Verbindungsproblem 4 Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
21 7 Ein online Verbindungsproblem 4 Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
22 7 Ein online Verbindungsproblem 6 4 Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
23 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
24 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
25 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
26 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
27 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
28 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
29 7 Ein online Verbindungsproblem Dichte f u(x) u N Gewicht x geben Gewicht/Angebot im Verlaufe der Zeit bekannt (in unbekannter Reihenfolge). Jedes Angebot muss sofort akzeptiert oder abgelehnt werden. Bekannte Information: (unabhängige) Gewichtsverteilung für jeden. 5 / 0
30 0.8 Ein Gedankenexperiment Dichte f u(x) u N p u = q u(p u) Gewicht x Sei p(u) [0, ] die Wahrscheinlichkeit mit welcher der (opt.) Alg. u N wählt. Alg. mit Akzeptanzw keiten p sammelt (im Schnitt) ein Gewicht von höchstens: φ(p) := x f u (x)dx. u N q u(p u) 6 / 0
31 Interpretation von φ Dichte f u(x) u N ist q u(p u) p u = 0.4 Gewicht x aktiv ( ), wenn Gewicht q u(p u). inaktiv ( ), wenn Gewicht < q u(p u). φ(p) ist das (erwartete) akzeptierte Gewicht, wenn man jeden aktiven Dies ist optimistisch häufig kann man nicht alle akzeptieren. akzeptiert. 7 / 0
32 Interpretation von φ Dichte f u(x) u N ist q u(p u) p u = 0.4 Gewicht x aktiv ( ), wenn Gewicht q u(p u). inaktiv ( ), wenn Gewicht < q u(p u). φ(p) ist das (erwartete) akzeptierte Gewicht, wenn man jeden aktiven Dies ist optimistisch häufig kann man nicht alle akzeptieren. akzeptiert. 7 / 0
33 Relaxierung des online Verbindungsproblems Welche Wahrscheinlichkeiten p sind realisierbar, d.h., es gibt Alg. mit Akzeptanzw keit p? Menge Q [0, ] N realisierbarer p kann man präzise mathematisch beschreiben. ( Q ist ein (Matroid-)Polytop.) Relaxierung max{φ(p) p Q} Relaxierung: opt. Wert von ist mindestens so gut wie bester Alg. Man kann schnell opt. Lösung p finden (konvexes Problem). 8 / 0
34 Von der Relaxierung zum Algorithmus Zur Erinnerung: Wir können nicht immer jeden aktiven Eine 4-Approximation akzeptieren. [ Es gibt Algorithmus, so dass Pr wird akzeptiert ] ist aktiv 4. Erwartetes akzeptiertes Gewicht 4 φ(p ) (bestmöglicher Alg.). 4 9 / 0
35 Von der Relaxierung zum Algorithmus Zur Erinnerung: Wir können nicht immer jeden aktiven akzeptieren. Eine 4-Approximation [ Es gibt Algorithmus, so dass Pr wird akzeptiert ] ist aktiv 4. Folgt von Eigenschaften von Matroiden(polytop) (p Q). Erwartetes akzeptiertes Gewicht 4 φ(p ) (bestmöglicher Alg.). 4 9 / 0
36 Von der Relaxierung zum Algorithmus Zur Erinnerung: Wir können nicht immer jeden aktiven akzeptieren. Eine 4-Approximation [ Es gibt Algorithmus, so dass Pr wird akzeptiert ] ist aktiv 4. Folgt von Eigenschaften von Matroiden(polytop) (p Q). Erwartetes akzeptiertes Gewicht 4 φ(p ) (bestmöglicher Alg.). 4 Online vs. offline (der Wert von früher Information) Benutzte Relaxierung hat online Aspekt ausgeblended. Selbst offline (Gewichte im voraus bekannt) kann man nicht besser sein als φ(p )! Gewicht von bestem offline Alg. 4 Gewicht von bestem online Alg. 9 / 0
37 Zusammenfassung Kombinatorische Optimierung Problemcharakteristik: Riesige Lösungsmenge mit endlich vielen Lösungen. Ziel: Beweisbar gute Lösung in beweisbar kurzer Zeit. Von der Mathematik zu starken Algorithmen Ein fruchtbarer Ansatz: Identifikation und Studie von mathematischen Strukturen mit algorithmischen Implikationen (Matroide,... ). 0 / 0
38 Zusammenfassung Kombinatorische Optimierung Problemcharakteristik: Riesige Lösungsmenge mit endlich vielen Lösungen. Ziel: Beweisbar gute Lösung in beweisbar kurzer Zeit. Von der Mathematik zu starken Algorithmen Ein fruchtbarer Ansatz: Identifikation und Studie von mathematischen Strukturen mit algorithmischen Implikationen (Matroide,... ). Vielen Dank! Sie sind herzlich zum Apéro eingeladen. 0 / 0
Kap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende
MehrMikrowelle Herd und Spüle. Alkoven. doppelbett über der fahrerkabine. Fahrerkabine. ihr ZUHAUSe im SCHNellÜBerBliCk. das ideale Wohnmobil für familien
Mikrowelle Herd und Spüle Alkoven doppelbett über der fahrerkabine Fahrerkabine ihr ZUHAUSe im SCHNellÜBerBliCk das ideale Wohnmobil für familien 16 Klimaanlage Kühl- und Gefrierschrank Doppelbett Bad
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrInhalt. USA - Auf einen Blick 11. Vor der Reise 13. Wirtschaft 15. Tips und Hinweise für den Aufenthalt 20
Inhalt USA - Auf einen Blick 11 Staatsform 11 Bevölkerung 11 Fläche 11 Hauptstadt 11 Größte Städte 11 Sprachen Religion 12- Maße und Gewichte 12 Währung 12 Stromspannung 12 Zeitzonen 12 Vor der Reise 13
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
MehrMIT AIRBERLIN IN DIE USA
MIT AIRBERLIN IN DIE USA Flugplan Winter 2016/17 ab Düsseldorf und Berlin airberlin bietet Ihren Kunden auch im Winter eine Vielzahl an Nonstop-Flügen ab Düsseldorf und Berlin in die USA an. Viele amerikanische
Mehr1 Einführung in Lineare Programme und Dualität
Gliederung Inhaltsverzeichnis 1 Einführung in Lineare Programme und Dualität 1 1.1 Lineare Programme......................... 1 1.2 Dualität............................... 2 2 Grundlegende Sätze und Definitionen
MehrWohnmobilVermieter in den USa
90 WohnmobilVermieter in den USa 91 Wohnmobilvermieter USA Alaska Yukon WohnmobilVermieter in den USa im Vergleich Inklusive Alaska Katalogseite Anzahl der Vermietstationen Modelljahre Transfer inklusive
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
MehrEDM, Algorithmen und Graphenspeicherung
EDM, Algorithmen und Graphenspeicherung 1 Graphenspeicherung Gespeichert werden soll ein Graph G = (V, E) bzw. Digraph D = (V, A). Man beachte: E ( ) V 2 bzw. E V 2 1.1 Adjazenzmatrix Graph G: A = (a vw
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrOptimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
Mehr1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler
Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem
MehrAuslastungs- und Potenzialspiele
Definition Existenz Konvergenzzeit Matroidspiele Algorithmische Spieltheorie Sommer 2017 Definition Existenz Konvergenzzeit Matroidspiele Auslastungsspiele Existenz eines reinen Nash-Gleichgewichtes Konvergenzzeit
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
Mehr2. Klausur Datenstrukturen und Algorithmen SS 2014
Prof. aa Dr. E. Ábrahám F. Corzilius, S. Schupp, T. Ströder 2. Klausur Datenstrukturen und Algorithmen SS 2014 Vorname: Nachname: Studiengang (bitte genau einen markieren): Informatik Bachelor Informatik
MehrKlausur SoSe Juli 2013
Universität Osnabrück / FB6 / Theoretische Informatik Prof. Dr. M. Chimani Informatik D: Einführung in die Theoretische Informatik Klausur SoSe 2013 11. Juli 2013 (Prüfungsnr. 1007049) Gruppe: Batman,
MehrFunktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo?
Briefmarkensammeln (Folie 413, Seite 80 im Skript) Funktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo? Welche Briefmarken für einen 20 fen Brief? Der Greedy-Algorithmus führt nicht
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil XIII Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrTechnische Universität München Fakultät für Mathematik Algorithmische Diskrete Mathematik WS 2012/2013 Prof. Dr. P. Gritzmann 22.
Note: Name Vorname Matrikelnummer Studiengang Unterschrift der Kandidatin/des Kandidaten Hörsaal Reihe Platz Technische Universität München Fakultät für Mathematik Algorithmische Diskrete Mathematik WS
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2014 24. März 2015 Teil Graphentheorie Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk: (a) Berechnen
MehrUSA FLUGPLAN SOMMER 2017
airberlin fliegt jetzt noch öfter in die USA VIA DÜSSELDORF: NACH ORLANDO / MEHR FLÜGE NACH BOSTON & SAN FRANCISCO Wien (VIE) Salzburg (SZG) Boston (BOS) Fort Myers (RSW) Los Angeles (LAX) Miami (MIA)
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen Relaxation Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrHeuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg 30. September
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am..03 Randomisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrÜberblick. Organisatorisches. Erinnerung: Motivation Domin. Sets. Algorithmen für Ad-hoc- und Sensornetze
Überblick Organisatorisches Clustering Was bisher geschah Luby s MIS-Algorithmus & Beweis Von MIS zu CDS Vorlesungsevaluation Medium Access Control (MAC) und Coloring MAC-Layer / Motivation Einstieg ins
MehrOptimierung. Vorlesung 13
Optimierung Vorlesung 13 Letze Woche Branch&Bound Suchbaum Nach Möglichkeit nicht komplett durchsuchen Abschätzungen nach oben und unten Suchheuristiken Randomisierte Lokale Suche Simulated Annealing Metropolis
MehrBENUTZERLISTE INTERNATIONALER BEHÖRDEN
BENUTZERLISTE INTERNATIONALER BEHÖRDEN NORDAMERIKA US-Verteidigungsministerium US-Bundesgefängnisamt US-Capitol-Polizei Polizei von Chicago Gefängnisbehörde von Kalifornien US-Einwanderungs- und Zollbehörde
MehrGuten Appetit! HERZLICH WILLKOMMEN IN DER WESERHÜTTE
HERZLICH WILLKOMMEN IN DER WESERHÜTTE Frische, Vielfalt und Qualität - diese drei grossen Worte haben wir uns auf die Fahne geschrieben. Unser tagtäglicher Anspruch ist beste regionale Zutaten für euch
MehrInformationen rund um Ihre Buchung. Bitte wählen Sie
Informationen rund um Ihre Buchung. Bitte wählen Sie Am vorletzten Tag der Rundreise (= 1. Tag der Verlängerung) fliegen Sie nach Miami. Nach der Ankunft Transfer zu Ihrem Strandhotel in Miami Beach. Nach
MehrRichtig oder falsch? Richtig oder falsch? Richtig oder falsch? Mit dynamischer Programmierung ist das Knapsack- Problem in Polynomialzeit lösbar.
Gegeben sei ein Netzwerk N = (V, A, c, s, t) wie in der Vorlesung. Ein maximaler s-t-fluss kann immer mit Hilfe einer Folge von höchstens A Augmentationsschritten gefunden werden. Wendet man den Dijkstra-Algorithmus
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 9 Finden Sie eine Basis des Lösungsraums L R 5 des linearen
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrRückblick: divide and conquer
Rückblick: divide and conquer pi = (xi,yi) } p å } ' }d(p,p) p ''=min(, ') F 0/0 p./95 weitere Algorithmentechniken Greedy-Algorithmen dynamische Programmierung Backtracking branch and bound Heuristiken
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
Mehr2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes
MehrRegelmässigkeiten räumlicher Veränderungen (am Beispiel von Regelmässigkeiten in der Siedlungsentwicklung)
Lehrmodul Regelmässigkeiten räumlicher Veränderungen (am Beispiel von Regelmässigkeiten in der Siedlungsentwicklung) Stand 10.2010, Silke Rendigs (Bearbeitung 29.8.2011, Florian Stellmacher) Räumliche
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr. Die obige Beschreibung der Laufzeit für ein bestimmtes k können wir also erweitern und erhalten die folgende Gleichung für den mittleren Fall:
Laufzeit von Quicksort im Mittel. Wir wollen die erwartete Effizienz von Quicksort ermitteln. Wir nehmen an, die Wahrscheinlichkeit, dass das gewählte Pivot-Element a j das k-t kleinste Element der Folge
MehrErinnerung VL
Erinnerung VL 04.07.2016 Union-Find-Datenstruktur (für Kruskals Algorithmus) Ackermann-Funktion (in der Analyse) Optimierungsprobleme (Beispiel: Rucksackproblem) Im Allgemeinen (NP-)schwer Z.B. für unteilbare
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsæter Peter Hammond mit Arne Strøm Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 4., aktualisierte Auflage Übersetzt und fachlektoriert durch Dr. Fred Böker Professor für
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrTechnische 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
MehrKap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18./20. VO A&D WS 08/09
MehrVorlesung 1: Graphentheorie. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesung 1: Graphentheorie Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Plan für die ersten Vorlesungen Vorlesungen 1,2: wichtige mathematische Grundlagen;
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 1)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 1) Nico Düvelmeyer WS 2009/2010, 26.1.2010 Überblick 1 Motivation Interpolation von Höhendaten 2 Triangulierungen von ebenen Punktmengen 3 Delaunay
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrQuantencomputer: Einführung
Quantencomputer: Einführung Martin Lange Institut für Informatik Ludwig-Maximilians-Universität München Quantencomputer: Einführung p.1/29 Einleitung Quantencomputer: Einführung p.2/29 Geschichte Computer
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil XI Peter F Stadler & Konstantin Klemm Bioinformatics Group, Dept of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig 16
Mehr(c) x = a 2 b = ( ) ( ) = Anzahl der Teiler von x: τ(x) = (1 + 1) (3 + 1) (1 + 1) (7 + 1) = 128
Aufgabe 1 Wir betrachten die beiden Zahlen a = 57 101 3 und b = 3 57 79 101 (4+2+4=10 Punkte) ( Es gilt: 3, 57, 79, 101 P ) Hier liegt ein Fehler in der Aufgabenstellung vor, denn wegen 57 = 3 19 ist 57
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrTropische Kurven zählen. Enumerative Geometrie. Alg. Geometrie. Beispiel Strategie. Geometrie. Kurven Multiplizität Correspondence Theorem Ergebnisse
Alg. Ebene e Hannah Markwig Technische Universität Kaiserslautern 6. Juli 2006 Alg. Inhalt 1 () 2 3 Der Algorithmus zum Zählen ebener 4 Der Algorithmus Alg. Algebraische Geometrische Objekte sind Nullstellengebilde
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrNeuheiten-INFO Update Korrektur / TARIFS RECTIFIÉS
4-8-8-4 Big Boy Steam-Locomotive, H0 ETA / LT Dezember 2015 Ohne Sound/ Without Sound 75G97126 Union Pacific #4014 with Oil Tender 907.00 75G41012 Gas Turbine Tender Union Pacific 165.00 GP9/ GP9B Lokomotive,
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrDiskrete und kombinatorische Optimierung
Prof. Dr. Gerhard Reinelt Institut für Informatik Mathematikon 1.329 Im Neuenheimer Feld 205 Studieninformation zum Gebiet Diskrete und kombinatorische Optimierung 1. Beschreibung des Gebiets Diskrete
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrLaufzeit einer DTM, Klasse DTIME
Laufzeit einer DTM, Klasse DTIME Definition Laufzeit einer DTM Sei M eine DTM mit Eingabealphabet Σ, die bei jeder Eingabe hält. Sei T M (w) die Anzahl der Rechenschritte d.h. Bewegungen des Lesekopfes
Mehr11. Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P
11 Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P 11 Woche: Turingmaschinen, Entscheidbarkeit, P 239/ 333 Einführung in die NP-Vollständigkeitstheorie
MehrAbschnitt 7: Komplexität von imperativen Programmen
Abschnitt 7: Komplexität von imperativen Programmen 7. Komplexität von imperativen Programmen 7 Komplexität von imperativen Programmen Einf. Progr. (WS 08/09) 399 Ressourcenbedarf von Algorithmen Algorithmen
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 2)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 2) Nico Düvelmeyer WS 2009/2010, 2.2.2010 Überblick 1 Delaunay Triangulierungen 2 Berechnung der Delaunay Triangulierung Randomisiert inkrementeller
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrMathematik für Wirtschaftswissenschaftler
Fred Böker Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug Das Übungsbuch ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney
MehrBerechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen
Definition Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Seminar über Algorithmen WS 2005/2006 Vorgetragen von Oliver Rieger und Patrick-Thomas Chmielewski basierend auf der Arbeit
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Probleme über Sprachen. Teil II.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005
Algorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005 Antonia Wittmers Igor Savchenko Konvexe Hüllen Inkrementeller Algorithmus für die konvexe Hülle Dabei heißt inkrementeller Algorithmus,
MehrApproximationsalgorithmen für Netzwerkdesign und Standortplanung. Joachim Spoerhase Lehrstuhl für Informatik I, Universität Würzburg
Approximationsalgorithmen für Netzwerkdesign und Standortplanung Joachim Spoerhase Lehrstuhl für Informatik I, Universität Würzburg Juli, 2017 Approximationsalgorithmen Viele kombinatorische Optimierungsprobleme
MehrOptimales Routing. Paul Kunze
Optimales Routing Paul Kunze 10.07.2015 Grundlagen Grundlagen endliche Menge an Punkten Φ = {x i } aus R 2 hier: gebildet durch Poisson-Punktprozess A = A D : Route zum Ziel D Φ. Abbildung auf einem Graphen
MehrLiteratur für diese VO. Überblick. Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. : Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO
MehrSeminar: Einladung in die Mathematik
Seminar: Einladung in die Mathematik Marius Kling 11.11.2013 Übersicht 1. Königsberger Brückenproblem 2. Diskrete Optimierung 3. Graphentheorie in der Informatik 4. Zufällige Graphen 5. Anwendungen von
MehrAlgorithmus zur topologischen Nummerierung: while V = 0 do nummeriere eine Quelle mit der nächsten Nummer streiche diese Quelle aus V od
Algorithmus zur topologischen Nummerierung: while V = 0 do nummeriere eine Quelle mit der nächsten Nummer streiche diese Quelle aus V od Diskrete Strukturen 3.7 dag 473/556 3.8 Zusammenhang Definition
Mehr