Flüsse in Netzwerken. Zeitplan Zeitplan Netzwerke. Theorie & Algorithmen Gunnar W. Klau TU Wien
|
|
- Irma Sternberg
- vor 7 Jahren
- Abrufe
Transkript
1 Zeitplan 200 Flüsse in Netwerken Theorie & Algorithmen Gunnar W. Klau TU T6 T T8 Mi,..200 Di, Mi, Einführung, Netwerke, Flussprobleme, Wiederholung Maximale Flüsse, Max-Flow- Min-Cut-Theorem, Ford-Fulkerson, aber kein Preflow Push. Dafür Edmonds-Karp-Schranke, Anwendungen, kostenminimale Flüsse, Flussdekompositionstheorem, Anwendungen, Optimalitätskriterien, Algorithmen, (Ausgabe Übungsblatt 2). Zeitplan 200 Netwerke T9 T T T Di, Mi, Di, Mi, Di, Mi, Mi, Fr Heilige Drei Könige VL fällt aus (Konferen) Lösung von Übungsblatt 2, Aufgabe 1 (Gruppe B). Flüsse für Fortgeschrittene: polynomielle Algorithmen, (totale Unimodularität), ((Multicommodity flows)) Starke Zusammenhangskomponenten, Ausgabe Übungsblatt Übung 2: Flüsse in Netwerken I, Aufg. 2 Gruppe C, Aufg. Gruppe D Übung : Flüsse II + St. Zushgs.komp., Aufg. 1 Gruppe D, Aufg. 2 Gruppe E, Aufg., Gruppe F mündliche Prüfungen Netwerke Stromnet Telefonnet Warenfluss wischen Herstellern und Konsumenten Verkehr (Straßen, Züge, Flugeuge,...) Oft wollen wir Güter von einem Punkt u einem anderen schicken Ziel So viel/effiient/billig wie möglich 1
2 Netwerkoptimierung seit ca. 190 Definition: Ein (s-t-)netwerk N = (V, A, c, l, u, b) besteht aus einem gerichteten Graphen (V, A) mit n Knoten und m gerichteten Kanten (Bögen), den Kosten c: A R, den unteren Schranken l: A R 0, den oberen Schranken (Kapaitäten) u: A R 0 und der Überschuss-/Bedarfsfunktion b: V R. (wei ausgeeichneten Knoten, der Quelle s und der Senke t) b(v) > 0: Knoten mit Überschuss b(v) < 0: Knoten mit Bedarf b(v) = 0: Durchflussknoten Netwerkoptimierung Ein Fluss ist eine Funktion f: A R 0 mit den Eigenschaften 1. l(v,w) f(v,w) u(v,w) für alle v, w V Kapaitätsbeschr. 2. Flusserhaltung für alle v V Lemma 1: Für einen Fluss gilt v V b(v) = 0. Beweis: Tafel. Die Kosten eines Flusses f sind a A c(a)f(a). Ein Fluss f ist minimal, wenn kein Fluss g mit geringeren Kosten existiert. Netwerkoptimierung Minimales Kostenflussproblem: Finde minimalen Fluss im Netwerk. Speialfall 1: Kosten, aber keine Kapaitäten Kürester Weg von s nach t Sete b(s) = 1, b(t) = -1 und b(v) = 0 v V \ {s,t} Speialfall 2: Kapaitäten, aber keine Kosten Problem des maximalen s-t-flusses (Sende soviel Güter wie möglich von s nach t ohne die Kapaitätsgrenen u verleten.) Sete b(v) = 0 v V, c(a) = 0 a A. Füge usätlichen Bogen (t,s) ein mit Kosten c(t,s) = -1 und Kapaität u(t,s) =. Netwerkoptimierung Bindeglied wischen linearer und ganahliger Optimierung (Flussprobleme sind ganahlige lineare Programme, für die effiiente, kombinatorische Lösungsmethoden existieren). Dualitätssat hat hier die schöne Form des Max-Flow-Min- Cut-Theorems. Das Netwerk N Literatur ur Netwerkoptimierung Lin 16 Salburg s 9 1 Gra 20 t R. K. Ahuja, J. B. Magnanti, T. L. Orlin. Network Flows. Prentice Hall. Sehr ausführlich, 86 Seiten über Netwerkfluss Eugene Lawler. Combinatorial Optimiation: Networks and Matroids. Gut geschriebener Klassiker (0er), nur Euro. C. H. Papadimitriou, K. Steiglit. Combinatorial Optimiation: Algorithms and Complexity. Klassiker, auch gut geschrieben, etwas aktueller (1982). W. Cook, W. H. Cunningham, W. R. Pulleyblank, A. Schrijver. Combinatorial Optimiation. 2
3 Maximale Flüsse: Anwendungen Ölfeld s, Raffinerie t, restl. Knoten Pumpstationen, Kanten Pipelines, Ölstrom wird nur durch Net begrent Bipartites Matching Beweis der Existen eines Flusses Scheduling Matrix Rounding... Annahmen Wir erweitern u auf Def.bereich V V: u(a) := 0 a V V \ A Keine isolierten Knoten (können einfach entfernt werden) s-t-fluss etwas anders definiert... Ein Fluss f in N? Ein s-t-fluss ist eine Funktion f: V V R mit den Eigenschaften 1. f(v,w) = -f(w,v) für alle v,w V Schiefsymmetrie 2. f(v,w) u(v,w) für alle v,w V Kapaitätsbeschr.. v V f(w,v) = 0 für alle w V \ {s,t} Flusserhaltung Der Wert eines s-t-flusses f ist f := u V f(u,t), der gesamte Fluss, der t erreicht Eigenschaft 1) f(u,u) = 0 u V s-t-fluss f ist maximal, wenn es keinen Fluss g mit g > f gibt. Lin /16 Salburg 1/ 8/ / /9 /1 Gra / 1/20 / Der Residualgraph Residualgraph G f für f Sei f ein Fluss in N. Die Restkapaität einer Kante a A bglch. f ist r f (a) := u(a) f(a) ( um wieviel kann ich f auf a erhöhen, ohne die Kapaität u(a) u überschreiten? ) Kante a ist Restkante, wenn r f (a) > 0, sonst heißt a saturiert. G f ist der Graph der Restkanten und heißt Residualgraph (oder Residualnetwerk) bglch. f Salburg 8 Lin 1 Gra
4 Residualgraph Residualgraph G f für f Ein Pfad P in G f von s nach t heißt augmentierender Pfad und kann dau benutt werden, den Fluss f u vergrößern: Sei x die minimale Restkapaität auf P (nach Def. gilt x > 0) Addiere x u dem Fluss auf P, d.h. erhöhe Fluss auf P um x, erniedrige Fluss in Gegenrichtung um x (hierbei wird mindestens eine Kante saturiert) neuer Fluss f in f mit f = f + x Lemma 2: f ist Fluss Beweis: Tafel. Salburg Lin 8 1 Gra Ein Fluss f in N Augmentierter Fluss f Lin / Lin / /16 Salburg 1/ 8/ 0/ /9 / 1/20 /16 Salburg / 1/ 0/ 0/9 / 19/20 /1 Gra / /1 Gra / Schnitte Max-Flow-Min-Cut-Theorem Ein s-t-schnitt ist eine Knotenmenge S V mit s S und t S. Sein Komplement ist Die Kapaität eines Schnittes ist (Gesamtkap. der Kanten, die S verlassen) Lemma : Kein Fluss f kann einen Wert haben, der die Kapaität eines beliebigen Schnittes S übersteigt. Beweis: Tafel. Theorem 1 (Max-Flow-Min-Cut) [Ford/Fulkerson 196, Elias/Feinstein/Shannon 196]: Sei f ein Fluss in N. Die folgenden Bedingungen sind äquivalent: 1. Es gibt einen Schnitt, der von f saturiert wird. 2. Fluss f ist maximal.. Es gibt keinen augmentierenden Pfad im Restgraph G f. Beweis: Tafel. Lemma : Ein saturierter Schnitt ist minimal. Beweis: Tafel.
5 Max-Flow-Min-Cut-Theorem Die Angabe eines saturierten Schnittes ist ein Beweis für die Maximalität eines Flusses (Dualitätstheorie). Maximaler Fluss Beweis: Wert gleich minimaler Schnitt Lin /16 Salburg s 2/ 9 /1 Gra 19/20 t Die Ford-Fulkerson-Methode Die Ford-Fulkerson-Methode Das MCMF-Theorem sagt noch nicht, dass jedes Netwerk einen maximalen Fluss ulässt, legt aber einen konstruktiven Beweis nahe (Schritt () (2)). Der entsprechende Algorithmus heißt Ford-Fulkerson- Methode: Beginne mit dem Nullfluss (ist Fluss!) und augmentiere, solange augmentierende Pfade im Residualgraphen existieren. f 0 := Nullfluss; i := 0; while ( s-t-pfad P in G fi ) do { x = min. Restkapaität auf P; f i+1 := f i + x; ++i; } Residualgraph für f 0 Residualgraph für f 0 16 Lin Lin 20 Salburg 9 Salburg 9 1 Gra 1 Gra
6 Fluss f 1 Residualgraph für f 1 Lin /16 Salburg / /9 /1 Gra 20 / Salburg Lin 8 20 Gra Residualgraph für f 1 Fluss f 2 Salburg Lin 8 20 Gra Lin /16 Salburg / / /9 /1 Gra / /20 / Residualgraph für f 2 Residualgraph für f 2 Salburg Lin 8 Salburg Lin 8 Gra Gra 6
7 Fluss f Residualgraph für f Lin /16 Salburg 1/ 8/ / /9 /1 Gra / 1/20 / Salburg Lin 8 1 Gra Fluss f Residualgraph für f Lin /16 Salburg 1/ / / 0/9 /1 Gra / 19/20 / Lin Salburg Gra Die Ford-Fulkerson-Methode Korrektheit: (ohne Beweis) Alg. terminiert mit maximalem Fluss f, wenn Kapaitäten ganahlig. Es ist einfach u sehen, dass dann auch f ganahlig ist (was nicht heißt, dass es keinen nicht-ganahligen Fluss g mit g = f gibt). Die Ford-Fulkerson-Methode Analyse: Laufeit hängt davon ab, wie man die augmentierenden Pfade wählt. Bei Wahl eines beliebigen Pfades ergibt sich eine Laufeit von O( A f ), wobei f maximaler Fluss ist, denn die Schleife benötigt Zeit O( A ) (finde Pfad mit DFS oder BFS) und wird höchstens f Mal ausgeführt (ein augmentierter Fluss muss mindestens um 1 größer sein). Diese Laufeit ist pseudo-polynomiell, denn die Inputlänge ist und
8 Ford-Fulkerson: worst case Ford-Fulkerson: worst case f 0 G f0 f 1 G f1 L 0/ 6 0/ 6 L 6 6 S 0/1 W S 1 W 0/ 6 0/ G G L 1/ 6 0/ 6 L S 1 1/1 W S 1 W 6-1 0/ 6 1/ G G f 1 = 1 Ford-Fulkerson: worst case f 2 G f2 1/ 6 L 1/ 6 L S 0/1 W S W 6-1 1/ 6 1/ G G 1 f 2 = 2... f = 2 6 Ford-Fulkerson: noch mehr Probleme Irrationale Kapaitäten: nicht-konvergierende Folge von Augmentierungen möglich ( Anahl endlicher Augmentierungen) Konvergen gegen nicht-optimale Lösung möglich Lösungsversuch 1 [Edmonds & Karp]: Wähle augmentierenden Pfad, der den höchsten Flussuwachs bringt Verbesserung auf O(m log f ) Augmentierungen bei u Z 0. Immerhin polynomiell... aber immer noch unbefriedigend. Lösungsversuch 2: Preflow-Push (nicht in dieser VL) Laufeit O(n ) Lösungsversuch : Ford-Fulkerson mit BFS... Ford-Fulkerson mit BFS [Dinits, 190], [Edmonds & Karp, 192]: benute küreste augmentierende Pfade (kur = wenig Kanten) Theorem 2: Wenn alle Augmentierungen auf küresten Pfaden passieren, gibt es höchstens nm Augmentierungen. Bemerkungen: Klappt auch für reelle Kantenkosten. Kürester Weg ist nicht schwerer u finden als irgendein Weg (BFS braucht Zeit O(m)). Zadeh: O(n ) Augmentierungen nötig. Ford-Fulkerson mit BFS Folgerung: Ford-Fulkerson mit BFS löst das Problem des maximalen Flusses in Zeit O(nm 2 ). Beweis von Theorem 2: Betrachte eine typische Augmentierung auf Pfad s = v 0, v 1,..., v k-1, v k = t, die aus Fluss f den Fluss f macht. d f (v, w) := kleinste Anahl Bögen auf v-w-pfad in G f = (V, A f ) s = v 0 v 1 v 2 v v v = t Klar: d f (s, v i ) = i, d f (v i, t) = k i. Auch klar: Neue Bögen in G f haben die Form (v i, v i-1 ) für irgendein i. 8
9 Ford-Fulkerson mit BFS Lemma : Für alle v V: d f (s, v) d f (s, v). Beweis: Tafel. Ein Bogen (i, j) eines augmentierenden Pfades P ist ein Flaschenhals (bottleneck arc), wenn seine Residualkapaität gleich der von P ist. Lemma 6: Ein Bogen kann höchstens O(n) Mal Flaschenhals sein. Beweis: Tafel. Ford-Fulkerson mit BFS Bemerkung: Man kann eigen, dass eine Folge von O(m) Augmentierungen existiert, die einen maximalen Fluss ergeben. Von diesen benutt keiner einen Rückwärtsbogen. Der (leider nicht konstruktive) Beweis eigt, dass ein O(m 2 )-Algorithmus für das maximale Flussproblem möglich ist. Wer ihn findet, kriegt eine Eins. Verbindung ur Graphentheorie Kostenminimale Flüsse Theorem [Menger, 192]: Die maximale Anahl kantendiskjunkter (knotendiskunkter) Pfade von s nach t ist gleich der minimalen Anahl von Bögen (Knoten), deren Entfernung s von t trennt. Beweis: Übung. Theorem [König, 191]: In einem bipartiten Graphen ist die maximale Kardinalität jedes Matchings gleich der minimalen Kardinalität jeder Knotenüberdeckung. Beweis: Übung. Anwendungen: Knickminimierung für planare Graphen. Knickminimierung Gegeben: -planarer Graph G = (V, E), d.h. G planar und v V: δ(v) Gesucht: Planare orthogonale Gittereichnung von G mit minimaler Anahl von Knicken. Formann et al., 1990: NPvollständig u entscheiden, ob es orthogonale Zeichnung für G ohne Knicke gibt. Knickminimierung Aber: Gegeben: -planarer Graph mit planarer Einbettung Gesucht: Gittereichnung mit minimaler Knickanahl, die die planare Einbettung beibehält Tamassia, 198: Transformation des Problems in ein minimales Kostenflussproblem in einem Netwerk polynomieller Algorithmus. 9
10 Exkurs: kombinatorische und planare Einbettungen Kombinatorische Einbettung: Äquivalenklasse von planaren Zeichnungen von G. 2 Zeichnungen äquivalent irkuläre Reihenfolge der Kanten um jeden Knoten gleich (Uhreigersinn) beschreibt die Topologie einer Zeichnung auf der Kugel; i.a. gibt es exponentiell viele kombinatorische Einbettungen von G Zusätlich: äußere Region festgelegt: planare Einbettung beschreibt die Topologie einer Zeichnung in der euklidischen Ebene Exkurs: kombinatorische und planare Einbettungen v 1 v v 2 v 1 v v v v 2 v 1 f 1 f 1 f v 1 v f 2 v 2 v f f 2 v v v v v 2 v v Exkurs: kombinatorische und planare Einbettungen Äquivalent: regionenorientiert In der planaren Einbettung wird für jede Region f wird eine irkuläre Liste (im Uhreigersinn) P(f) der begrenenden Kanten angegeben. Knickminimierung orthogonale Repräsentation erweitert die planare Einbettung P beschreibt usätlich ur Topologie die Form einer planaren orthogonalen Zeichnung ist dimensionslos (es werden keine Angaben über die Längen der Kantensegmente gemacht) ist, wie P, eine Menge von irkulären, im Uhreigersinn sortierten Listen H(f) für jede Region f. Ein Element r H(f) hat die Form (e r, s r, a r ), wobei e r eine f begrenende Kante, s r ein Binärstring und a r {90, 180, 20, 60} eine gane Zahl ist. Knickminimierung Orthogonale Repräsentation orthogonale Repräsentation Binärstring s r beschreibt Form der Kante e r. Das k-te Bit in s r beschreibt den k-ten Knick auf e r (im Uhr.sinn). Dabei steht 0 für einen 90 -Knick und 1 für einen 20 -Knick Sei q das auf r folgende Element in H(f). Dann beeichnet a r den Winkel wischen e r und e q in f. e e 1 f 1 e e2 e 6 f 2 f 0 e H(f 1 ): ((e 1, ε, 90), (e 6, ε, 180), (e, 00, 90)) H(f 2 ): ((e 6, ε, 90), (e, 0, 60), (e, 1, 90), (e 2, 00, 90), (e, ε, 90)) H(f o ): ((e, ε, 20), (e 2,, 90), (e 1, ε, 20), (e,, 90))
11 Orthogonale Repräsentation Die Anahl der Knicke von H ist, wobei sr die Länge von sr beeichnet. Theorem: H ist genau dann die orthogonale Rep. einer planaren orthogonale Zeichnung, wenn folgende Eigenschaften erfüllt sind: Geg.: orthogonale Repräsentation H. (bedeutet: jede Region ist ein rektilineares Polygon) (P): Für jeden Knoten v in H gilt: Summe der a-felder, die u Kanten gehören, deren Endknoten v ist, beträgt 60, also Knotenmenge U = UV UF UV = {iv v V}. Knoten iv UV haben Überschuss b(iv) = + UF = {if f F}. Knoten if UF haben Bedarf Das gesamte Potenial beträgt demnach Geg.: planarer Graph G = (V, E) mit planarer Einbettung h{p(f) f F}, f0}i Ges.:orthogonale Repräsentation {H(f) : f F} mit der minimalen Anahl von Knicken. Transformation nach Tamassia: Wir konstruieren Netwerk NP = (U, A, b, l, u, c) Ein Fluss im Netwerk entspricht den Winkeln der späteren Zeichnung. Winkel sind eine Ware, die an den Knoten produiert und in den Regionen konsumiert wird. Flusseinheit entspricht 90 -Grad-Winkel Flusserhaltung an iv UV garantiert, dass die Winkelsumme um v 60 beträgt. Flusserhaltung um if UF garantiert, dass f als rektilineares Polygon geeichnet wird. Beispiel: Tafel. (P): Def. für jedes r Dann gilt: Transformation Wie können wir aus H eine Zeichnung machen? Anderes Thema... wir konentrieren uns auf Interpretation Theorem: H ist genau dann die orthogonale Rep. einer planaren orthogonale Zeichnung, wenn folgende Eigenschaften erfüllt sind: (P1): H ohne die s- und r-felder ist planare Einbettung eines -planaren Graphen. (P2): Seien r, q H, r q mit er = eq. Dann erhält man sq aus sr durch Umdrehen der Reihenfolge und Flippen der Bits. Knickminimierung Orthogonale Repräsentation Transformation Kantenmenge A = AV AF Für die Analyse ist es bequem, A als Multimenge u modellieren. AV enthält einen Bogen (iv, if) wenn v V einen Winkel in f F bildet. Genauer, wir definieren E(v, f) := {e P(f) e = (u, v)} und AV = {(iv, if) e E(v, f)}, (warum Multimenge?) l(iv, if) = 1 u(iv, if) = c(iv, if) = 0 Interpretation: Die Knoten verteilen ihre Winkel an die Regionen. Jeder Winkel muss mind. 90, darf aber höchstens 60 betragen. Da dabei keine Knicke entstehen, sind die Kosten Null.
12 Transformation Kantenmenge A = A V A F A F enthält für jede Kante e E wei Bögen (i f, i g ) und (i g, i f ), wobei f und g die Regionen sind, die von e getrennt werden. (Warum Multimenge? Gibt es Schleifen?) l(i f, i g ) = 0 u(i f, i g ) = c(i f, i g ) = 1 Interpretation: Da i.a. nicht alle Flusseinheiten direkt von den Knoten u den Regionen abfließen können das würde einer Zeichnung ohne Knicke entsprechen müssen wir Knicke ins Flussmodell aufnehmen. Kann der Bedarf nicht direkt gedeckt werden, können benachbarte Regionen Fluss austauschen. Jede solche Flusseinheit entspricht einem Knick. Kosten eines Flusses: Anahl der Knicke Transformation Theorem: Für jede orthogonale Repräsentation H mit unterliegender planarer Einbettung P existiert ein ganahliger Fluss x in N P, dessen Kosten gleich der Anahl der Knicke b(h) ist. Beweis: Tafel. Transformation Theorem: Für jeden ganahligen Fluss x in N P existiert eine orthogonale Repräsentation H mit unterliegender Einbettung P. Die Kosten von x sind b(h). Beweis: Tafel. Theorem: Es existiert ein minimaler Kostenfluss in N P mit ganahligen Werten. Beweis: 200 (Netwerktheorie... nur ganahlige Kapaitäten) Transformation Theorem: Die minimale Knickanahl einer orthogonalen Rep. H mit unterliegender planarer Einbettung P ist gleich den Kosten eines kostenminimalen Flusses x in N P. Ferner kann H aus x berechnet werden. Beweis: Folgt aus den letten Theoremen. Algorithmus ur Knickminimierung: Konstruiere Netwerk N P Berechne kostenminimalen Fluss Konstruiere orthogonale Repräsentation Bestimme Kantenlängen
Gliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrÜberblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching
Kap. 1.4: Minimum Weight Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 4. VO 6. November 2006 Überblick kurze Wiederholung: 1.2 Blüten-Schrumpf-Algorithmus für Perfektes Matching
MehrLaufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrKAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
MehrInhalt. 1. Flußprobleme. 2. Matching. 3. Lineares Programmieren. 4. Ganzzahliges Programmieren. 5. NP-Vollständigkeit. 6. Approximationsalgorithmen
Effiziente Algorithmen Einführung 1 Inhalt 1. Flußprobleme 2. Matching. Lineares Programmieren 4. Ganzzahliges Programmieren 5. NP-Vollständigkeit 6. Approximationsalgorithmen 7. Backtracking und Branch-and-Bound
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrVU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz
VU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz Gruppe A: Bernhard Stader, Georg Ziegler, Andreas Zugaj 10. November 2004 Inhaltsverzeichnis
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrFlussmethoden: orthogonales Graphenzeichnen
Algorithmen zur Visualisierung von Graphen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Tamara Mchedlidze Martin Nöllenburg 04.2.203 Orthogonale Gitterzeichnungen 2 Orthogonale Gitterzeichnungen
MehrKapitel 1: Flussalgorithmen
Netzwerke und Flüsse Ein Flussnetzwerk ist ein gerichteter Graph G = (V, E, c) mit zwei ausgewählten Knoten q, s V und einer Kapazitätsfunktion c : E N 0. Die Quelle q hat Eingangsgrad 0 und die Senke
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 9 Programm: Übungsblatt
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 13: Flüsse und Zuordnungen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 9. Juni 2017 DURCHSATZ D(e) ist die maximale Flussmenge,
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrKlausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
MehrFlüsse, Schnitte, Bipartite Graphen
Flüsse, Schnitte, Bipartite Graphen Sebastian Hahn 4. Juni 2013 Sebastian Hahn Flüsse, Schnitte, Bipartite Graphen 4. Juni 2013 1 / 48 Überblick Flussnetzwerke Ford-Fulkerson-Methode Edmonds-Karp-Strategie
MehrDer Preow-push-Algorithmus
Der Preow-push-Algorithmus Bea Schumann 26. Juni 2009 Inhaltsverzeichnis Einleitung 2 Der generische Algorithmus 2 2. Push und Relabel........................... 3 2.. Push..............................
MehrAnwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin
Anwendungen von Netzwerkfluss Wojciech Polcwiartek Institut für Informatik FU Berlin 13. 01. 2009 Gliederung Einführung Netzwerk, Fluss und Schnitt Max-Flow-Min-Cut Theorem Algorithmen zum Bestimmen vom
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des
MehrFlüsse in Netzwerken
Proseminar Theoretische Informatik, Prof. Wolfgang Mulzer, SS 17 Flüsse in Netzwerken Zusammenfassung Gesa Behrends 24.06.2017 1 Einleitung Unterschiedliche technische Phänomene wie der Flüssigkeitsdurchfluss
MehrVorlesung Kombinatorische Optimierung (Wintersemester 2016/17)
Vorlesung Kombinatorische Optimierung (Wintersemester 06/7) Kapitel : Flüsse und Zirkulationen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 4. Oktober 06) Definition. Ein Netzwerk
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 4: Flüsse
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 4: Flüsse Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 4: Flüsse Flüsse Netzwerk, Fluss, s,t-schnitt, Kapazität MaxFlow-MinCut-Theorem Restnetzwerk
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber auf freie Stellen
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
Mehr4.7 Der Algorithmus von Dinic für maximalen Fluss
4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen
MehrBipartites Matching. Gegeben: Ein bipartiter, ungerichteter Graph (V 1, V 2, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität.
Netzwerkalgorithmen Bipartites Matching (Folie 90, Seite 80 im Skript) Gegeben: Ein bipartiter, ungerichteter Graph (V, V, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität. Ein Matching ist eine
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrEffiziente Algorithmen (SS2014)
Effiziente Algorithmen (SS204) Kapitel 2 Flüsse Walter Unger Lehrstuhl für Informatik 26.06.204 09: (2:2) Walter Unger 7..205 7:56 SS204 Z x Inhalt I Dinitz mit Propagation Einleitung Algorithmus und
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
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{
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrTheoretische Informatik 1
Theoretische Informatik 1 Search - Beweis der Korrektheit David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2013 Algemeine Anmerkungen zur Übung 9 Aufgabenblätter, 3 Abgabetermine
MehrEffiziente Algorithmen I 11. Übungsblatt, Wintersemester 2015/16 Abgabetermin:
11 11. Übungsblatt, Wintersemester 2015/16 Abgabetermin: 19.01.2016 Aufgabe 29 Bestimmen Sie mit der Stepping-Stone-ethode einen Transportplan mit minimalen Kosten für das klassische Transportproblem mit
MehrMatchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)
Praktikum Diskrete Optimierung (Teil 5) 6.05.009 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen
MehrÜbung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:
Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
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
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 7 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 2. Mai 2018 [Letzte Aktualisierung: 2/05/2018,
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
MehrMathematische Modelle in den Naturwissenschaften Proseminar
Mathematische Modelle in den Naturwissenschaften Proseminar Johannes Kepler Universität Linz Technische Mathematik Der Algorithmus von Ford und Fulkerson Ausgearbeitet von Julia Eder, Markus Eslitzbichler,
MehrGraphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:
KAPITEL 3 Graphen Man kann als Ursprung der Graphentheorie ein Problem sehen, welches Euler 1736 von Studenten aus Königsberg gestellt bekam. Der Fluss Pregel wird von 7 Brücken überquert, und die Frage
MehrFlüsse und Schnitte von Graphen
Flüsse und Schnitte von Graphen Christian Koch Friedrich-Alexander-Universität Erlangen-Nürnberg 2. Juni 27 Christian Koch Flüsse und Schnitte 2. Juni 27 / 29 Gliederung Flüsse Allgemeines Maximaler Fluss
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrÜbung 5 Algorithmen II
Michael Axtmann michael.axtmann@kit.edu http://algo.iti.kit.edu/algorithmenii_ws6.php - 0 Axtmann: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Graphenalgorithmen Maximaler Fluss Einleitung Flussnetzwerke Ford-Fulkerson Fulkerson Methode Maximales bipartites Matching
MehrVorlesung Lineare Optimierung (Sommersemester 2007)
1 Vorlesung Lineare Optimierung (Sommersemester 007) Kapitel 9: Ganzzahlige Polyeder und Kombinatorische Dualität Volker Kaibel Otto-von-Guericke Universität Magdeburg Montag, 9. Juli 007 Gliederung Ganzzahlige
MehrAlgorithmische Graphentheorie
c NASA (earthasart.gsfc.nasa.gov/ganges.html) 1 Algorithmische Graphentheorie Sommersemester 2015 2. Vorlesung Flüsse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Gewinnmaximierung Sie sind Chef
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Thomas Fersch mail@t-fersch.de 11.06.2010 Seminar "Hallo Welt!" für Fortgeschrittene 1 Übersicht Maximale Flüsse in Netzwerken Worum geht s? Lösung nach Ford-Fulkerson
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 10. Oktober 2006 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 16 Programm: Einführung
MehrUniv.-Prof. Dr. Goulnara ARZHANTSEVA
Diskrete Mathematik Univ.-Prof. Dr. Goulnara ARZHANTSEVA SS 2018 c Univ.-Prof. Dr. Goulnara Arzhantseva Kapitel 08: Menger, König und Hall / Planare Graphen 1 / 30 Der Satz von Menger: s t trennende Kantenmenge
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesungen 5 und 6 Programm
MehrMatching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend
Organisatorisches VL-18: Matching (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Sprechstunde: Mittwoch 11:15 12:00 Übungen: Tim Hartmann,
MehrFlüsse und Zuordnungen. Kapitel 6. Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/ / 296
Kapitel 6 Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/19 227 / 296 Inhalt Inhalt 6 Flussnetzwerke Berechnung maximaler Flüsse Max-Flow-Min-Cut Matchings Peter Becker (H-BRS) Graphentheorie
MehrEffiziente Algorithmen I
9. Präsenzaufgabenblatt, WiSe 2013/14 Übungstunden am 13.01. & 15.01.2014 Aufgabe Q Gegeben sei ein Fluss-Netzwerk mit Digraph D = (V, A), Knotenkapazitäten c(u, v) 0, Quelle s und Senke t. Kann sich der
MehrEffiziente Algorithmen und Datenstrukturen II
Effiziente Algorithmen und Datenstrukturen II Prof. Dr. Christian Scheideler Technische Universität München, 25. April 2006 1 Algorithmen für maximale Flüsse 1.1 Flüsse Ein Flussnetzwerk G = (V, E) ist
MehrFelix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
Mehrlässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens
Praktikum Algorithmen-Entwurf (Teil 5)..5 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen Endpunkt
Mehr5 Graphen. Repräsentationen endlicher Graphen. 5.1 Gerichtete Graphen. 5.2 Ungerichtete Graphen. Ordnung von Graphen
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 5 Graphen 5.1 Gerichtete Graphen Definition 5.1 (V, E) heißt gerichteter Graph (Digraph), wenn V Menge von Knoten
MehrFlüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk
Flüsse in Netzwerken Seminar über Algorithmen SoSe 2005 Mike Rohland & Julia Schenk Inhalt Einführung Definition Maximale Flüsse Schnitte Restgraphen Zunehmende Wege Max-Fluss Min-Schnitt Theorem Ford-Fulkerson
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Flussmethoden Knickminimierung in orthogonalen Layouts Vorlesung im Sommersemester 2009 Martin Nöllenburg.05.2009 Lehrstuhl für Algorithmik nstitut für Theoretische
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 14. Mai
MehrNaiver Algorithmus für Hamiltonkreis
Naiver Algorithmus für Hamiltonkreis Algorithmus HAMILTON EINGABE: G = ([n], E) in Adjazenzmatrixdarstellung 1 Für alle Permutationen π : [n] [n]. 1 Falls (π(1), π(2),..., π(n)) ein Kreis in G ist, AUSGABE
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, chnitte, bipartite Graphen Matthias Hoffmann 5.5.009 Matthias Hoffmann Flüsse, chnitte, bipartite Graphen 5.5.009 / 48 Übersicht Einführung Beispiel Definitionen Ford-Fulkerson-Methode Beispiel
Mehrij. , d (k 1) + d (k 1)
Dabei war ja die Idee, dass wir unser k Schritt für Schritt erhöhen bis wir bei n angekommen sind, denn dann haben wir das Problem gelöst. Dies ist im Grunde unser Algorithmus. Wir müssen diesen nur noch
MehrKapitel 1: Flussalgorithmen
Netzwerke und Flüsse Kapitel 1: Flussalgorithmen Ein Flussnetzwerk ist ein gerichteter Graph G = (V, E, q, s, c) mit zwei ausgewählten Knoten q, s V und einer Kapazitätsfunktion c : E N. Die Quelle q hat
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
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
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
MehrName:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen 2 Übung 1 Stefan Florian Palkovits, BSc 0926364 e0926364@student.tuwien.ac.at 12. Juni 2016 Aufgabe 1: Es existiert eine Reduktion von Problem A auf Problem B in O(n 3 +
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrNetzwerkfluß. Gegeben ist ein System von Wasserrohren: Die Kapazität jedes Rohres ist 3, 5 oder 8 l/s.
Netzwerkfluß (Folie, Seite 78 im Skript) Gegeben ist ein System von Wasserrohren: Quelle s t Senke Die Kapazität jedes Rohres ist, oder 8 l/s. Frage: Wieviel Wasser kann von der Quelle zur Senke fließen?
MehrVorlesungstermin 2: Graphentheorie II. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesungstermin 2: Graphentheorie II Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Wiederholung: Vollständige Induktion Ziel: zeige n N. A(n) für eine Aussage
MehrWir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll.
Kapitel 2 Zusammenhang 2.1 Zusammenhängende Graphen Wir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll. (1) Setze E = E, F =. (2) Wähle e E und setze F = F {e},
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen Flußnetzwerke 6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert
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
Mehr