Das Sightseeing Problem
|
|
- Astrid Krämer
- vor 7 Jahren
- Abrufe
Transkript
1 as Sightseeing Problem Wie plane ich meinen Urlaub optimal? Melanie erzog Wolfgang erdinand Riedl Lehrstuhl M9 für ngewandte eometrie und iskrete Mathematik Technische Universität München Voraussetzungen: rundlagen: raphen und rundlagen: Kombinatorische xplosion 1 Motivation as Sightseeing Problem beschäftigt sich mit einem bekannten touristischen Problem: Ich besuche München, stehe gerade auf dem Marienplatz, habe sechs Stunden Zeit und 20 uro. Welche Sehenswürdigkeiten sollte ich in welcher Reihenfolge besuchen, damit mein esuch möglichst interessant ist und ich am nde wieder am Marienplatz bin? bbildung 1: Wie ndet man eine optimale Tour, die interessante Sehenswürdigkeiten besucht und nicht zu viel eld und Zeit kostet? 1 Was muss ich dabei alles beachten? herzog@ma.tum.de riedl@ma.tum.de 1 Quelle: Melanie erzog, Lehrstuhl M9, Technische Universität München 1
2 ˆ Ich will für mich interessante Sehenswürdigkeiten besuchen. eshalb ordne ich jeder Sehenswürdigkeit eine Punktzahl zu (bspw. 10 Punkte = super interessant, 1 Punkt = total langweilig). Mein Ziel ist es, so viele Punkte wie möglich zu sammeln. ˆ Ich habe nur sechs Stunden Zeit, das heiÿt ich muss ungefähr wissen, wie lange ich für jede Sehenswürdigkeit brauche und ich darf nicht zu viel Zeit damit verbringen, von einer ttraktion zur Nächsten zu fahren. ˆ Ich habe nur 20 uro zur Verfügung. Ich muss also wissen, wie teuer der esuch der Sehenswürdigkeiten ist und sie so auswählen, dass mein eld ausreicht. ˆ Ich möchte am nde wieder am Marienplatz sein und für die ahrten zwischen den Sehenswürdigkeiten auch einen Plan haben, der mir immer sagt, wohin ich als nächstes fahren soll. Unter dem folgenden Link ndet sich ein pplet, in welchem eine Sightseeing-Tour für München geplant werden kann. Zur erechnung der Tour werden unter anderem auch hier vorgestellte orschungsergebnisse verwendet. 2 enition ormal wird das Sightseeing Problem wie auch viele andere Routing Probleme auf einem gerichteten raphen = (V, ) deniert. Weiterhin benötigen wir natürlich noch die unktionen P unkte : V R, c : V R und t : R. ie erste bzw. zweite unktion gibt für jeden Knoten des raphen an, wie viele Punkte wir bekommen bzw. was wir bezahlen müssen, wenn wir ihn besuchen. ie dritte unktion gibt für jede Kante die ahrzeit an. as Sightseeing Problem ist dann wie folgt deniert. enition 2.1 (Sightseeing Problem): ingabe: in gerichteter und gewichteter raph = (V,, t), ein Start- und ndknoten v V, die unktionen P unkte : V R und c : V R, sowie eine Kostenschranke und eine Zeitschranke T. usgabe: ine Rundtour, startend und endend in v, welche Zeit- und Kostenschranke einhält und möglichst viele Punkte einsammelt. 3 Unterschied zum TSP uf den ersten lick hat das Sightseeing Problem einige Ähnlichkeit mit dem Problem des andlungsreisenden (siehe auch die ufbereitung Traveling Salesman Problem). In beiden ällen hat man eine Menge von Orten, welche man besuchen will und für die man eine Rundtour sucht. s existieren allerdings einige Unterschiede, welche das Sightseeing Problem interessant machen: eim TSP müssen alle Orte besucht werden, während das beim Sightseeing Problem oft gar nicht möglich ist, da die Zeit dafür nicht ausreicht. eim Sightseeing Problem ist es vielmehr ein wichtiger Schritt, eine Menge an Orten zu nden, die möglichst interessant sind (d.h. viele Punkt bringen) und gleichzeitig in der gegebenen Zeit und mit dem gegebenen eld besucht werden können. ieses Problem wird auch oft als uswahlproblem oder Rucksackproblem bezeichnet (engl. Knapsack Problem). 2
3 4 as uswahlproblem 4.1 Problembeschreibung eim uswahlproblem sind eine Menge von egenständen mit bestimmtem Wert und ewicht gegeben. iese egenstände sollen nun so in einen Rucksack gepackt werden, dass dieser nicht zu schwer wird und dass gleichzeitig die egenstände im Rucksack möglichst viel wert sind. eispiel 4.1 (uswahlproblem): In bbildung 2 ist ein eispiel für ein uswahlproblem mit fünf verschiedenen egenständen und einem Rucksack mit einer röÿe von sechs inheiten gezeichnet. ewicht: 2, Wert: 3 ewicht: 4, Wert: 5 ewicht: 1, Wert: 2 max. ewicht: 6 ewicht: 3, Wert: 6 ewicht: 2, Wert: 2 bbildung 2: eispiel für ein uswahlproblem mit fünf verschiedenen egenständen und einem Rucksack mit einem maximalen ewicht von 6 Neben der Möglichkeit nichts einzupacken gibt es noch 15 weitere Packmöglichkeiten, welche das Maximalgewicht nicht überschreiten. ie optimale uswahl an egenständen sind hierbei egenstände 1, 3 und 4 mit einem esamtwert von 11. as Seightseeing Problem übersetzt sich in das uswahlproblem wie folgt: (ie Zeitbeschränkung wird hier für eine einfachere arstellung vernachlässigt.) Sightseeing Problem Sehenswürdigkeit Punkte Kosten Kostenschranke uswahlproblem egenstand Wert ewicht ewichtsschranke Man versucht nun, ttraktionen so auszuwählen (= in den Rucksack zu packen), dass man noch alles bezahlen kann (= den Rucksack noch tragen kann) und gleichzeitig die besuchten ttraktionen möglichst interessant sind (= der Inhalt des Rucksacks möglichst wertvoll ist). ieses Problem ist mathematisch schwer. ormal kann es wie folgt deniert werden: enition 4.2 (uswahlproblem): ingabe: n egenstände mit Wert w i und ewicht g i sowie eine Rucksackgröÿe. usgabe: ine uswahl I {1,..., n} der egenstände, so dass der Wert i I w i maximal ist und für das ewicht der egenstände gilt: i I g i. 3
4 4.2 in Lösungsverfahren elöst werden kann das Problem beispielsweise mit der nachfolgend beschriebenen Methode. ierzu denieren wir W j (g) als den maximalen Wert einer uswahl der ersten j egenstände, welche genau ewicht g hat. a aus keinen egenständen (d. h. wenn j = 0) kein Wert erlangt werden kann, gilt W 0 (g) = 0 für alle 1 g. Zudem nehmen wir an, dass es keine egenstände mit ewicht 0 gibt (diese könnten wir sonst erst mal beiseite lassen und später immer noch hinzufügen). eshalb gilt weiterhin W j (0) = 0 für alle 1 j n. er lgorithmus benutzt nun die folgende Rekursionsformel: W j+1 (g) = max { W j (g), W j (g g j+1 ) + w j+1 } iese kann man sich wie folgt erklären: Will man den maximalen Wert einer uswahl aus den ersten j + 1 egenständen, welche ewicht g hat, so ist in dieser entweder egenstand j + 1 enthalten oder nicht. Ist er nicht enthalten, so ist der maximale Wert der leiche wie der von W j (g). ndernfalls ist er gleich der Summe des maximalen Wertes einer uswahl aus den ersten j egenständen, welche ewicht g g j+1 hat und des Wertes des j+1-ersten egenstandes. Stellt man nun eine Tabelle für 0 j n und 0 g auf und trägt alle bekannten Werte für W j (g) ein, so kann man diese Tabelle mit ilfe der oberen ormel Zeile für Zeile ausfüllen. er intrag mit dem maximalen Wert stellt die optimale Lösung dar. eispiel 4.3 (Lösung des uswahlproblems): Im oben eingeführten uswahlproblem hatten wir folgende aten gegeben: ˆ w 1 = 3, w 2 = 5, w 3 = 2, w 4 = 6, w 5 = 2 ˆ g 1 = 2, g 2 = 4, g 3 = 1, g 4 = 3, g 5 = 2 ˆ = 6 ie ntwicklung der Tabelle während des lgorithmus ist in Tabelle 1 zu nden. Zu eginn sind alle W 0 (g) = 0, auÿerdem ist W j (0) = 0. In der ersten Zeile ist es mit egenstand 1 nur möglich, ein ewicht von 2 zu kombinieren. ieses hat dann einen Wert von 3. Mit egenständen 1 und 2 können die ewichte 2, 4 und 6 mit den Werten 3, 5 und 8 kombiniert werden. üllt man die Tabelle entsprechend weiter aus, so ergibt sich die nale Tabelle wie gezeigt. er maximale Wert eine Kombination von egenständen ist 11, wie oben bereits gesehen. ür das uswahlproblem gibt es also einen lgorithmus, der es gut löst. So müssen wir insgesamt n Zahlen berechnen, für jede erechnung brauchen wir vier Schritte (Nachschauen der beiden Zahlen, ddition und Vergleich). Zuletzt müssen wir noch einmal alle Zahlen durchsuchen, um die röÿte zu nden. Insgesamt benötigen wir 5n Schritte. Leider ist das keine polynomielle Laufzeit, da die ingabedaten des Problems (und somit auch ) auf einem omputer binär kodiert werden. eshalb wächst exponentiell in seiner ingabegröÿe (um einen polynomiellen lgorithmus zu erhalten, müssten wir irgendwie die bhängigkeit von loswerden). 4
5 0 j n 0 j n 0 j n 0 j n 1 g g g g Tabelle 1: ntwicklung der Tabelle während der usführung des lgorithmus. 5
6 Item g i w i Tabelle 2: Wie lautet die optimale Lösung dieses uswahlproblems? iese eststellung überrascht nicht besonders, da bekannt ist, dass das Problem mathematisch schwierig ist. a beim Sightseeing Problem nicht nur die zu besuchenden Sehenswürdigkeiten gewählt werden müssen, sondern auch noch eine Rundtour dazu gesucht werden muss, ist es ebenfalls mathematisch schwierig. 4.3 ufgaben ufgabe 4.4: etrachte das in Tabelle 2 gegebene uswahlproblem und nde mit ilfe des oben vorgestellten lgorithmus eine Lösung dafür. Ist die gefundene Lösung eindeutig? ufgabe 4.5: nalog zum vorgestellten Lösungsverfahren kann man noch eine alternative Lösungsmethode nden. ierbei deniert man j (w) als das minimale ewicht einer uswahl aus den ersten j egenständen, die genau Wert w hat. Wie können diese Werte initialisiert werden und welche Rekursionsformel kann verwendet werden? Wie viele Rechenoperationen benötigt er? Wendet den lgorithmus auf das uswahlproblem aus Tabelle 2 an. 5 in Lösungsverfahren für das Sightseeing Problem Im folgenden bschnitt wird ein Verfahren vorgestellt, das Lösungen für das Sightseeing Problem berechnet. as Verfahren ndet nicht zwangsläug immer die beste Lösung und kann manchmal auch sehr schlechte Lösungen produzieren, in den meisten ällen sind die produzierten Lösungen aber sehr gut. s wird deshalb auch euristik genannt. Um eine möglichst gute Lösung zu nden, sucht sich die euristik am nfang zuerst eine Menge von möglichen Lösungen (das heiÿt möglichen esuchstouren). iese Touren werden so lang wie möglich gemacht, das heiÿt wir nutzen unsere sechs Stunden komplett aus. anach versuchen wir durch verschiedene ktionen, diese Touren immer weiter zu verbessern. twas detaillierter funktioniert die euristik wie folgt (siehe [3] für die Originalarbeit): Initialisierung In diesem Schritt wird eine Menge von Touren konstruiert. Man beginn mit einer Route zu einer weit vom Startknoten entfernten Sehenswürdigkeit und zurück und fügt weitere ttraktionen ein, solange Zeit- und Kostenschranke eingehalten werden. Kann keine weitere Sehenswürdigkeit mehr eingefügt werden, beginnt man eine neue Route mit einer noch unbesuchten ttraktion und fügt wie zuvor weitere Sehensüwrdigkeiten ein. ies wird solange wiederholt bis alle Sehenswürdikeiten in einer Tour enthalten sind. ie Route mit den meisten Punkten wird beste Route genannt. 6
7 Verbesserung Nun wird versucht, die beste Route nach und nach zu verbessern. ierfür werden die folgenden Schritte immer wieder wiederholt: 1. Zuerst wird versucht, eine ttraktion aus einer anderen Route mit einer ttraktion der besten Route zu vertauschen. Wenn dieser Tausch die beste Route nicht zu sehr verschlechtert, wird er durchgeführt, ansonsten wird ein anderes Paar ausprobiert. 2. nschlieÿend wird versucht, eine Sehenswürdigkeit in eine andere Tour zu schieben. Wie auch im vorherigen Schritt wird dies nur ausgeführt, wenn sich die Route dadurch nicht zu sehr verschlechtert (das heiÿt optimalerweise bessere Sehenswürdigkeiten zusammenkommen, kleine Verschlechterungen sind jedoch auch erlaubt). 3. Nun wird versucht, jede einzelne Tour zu verbessern, indem man zwei Kanten aus der Tour entfernt und durch zwei andere ersetzt. ierdurch können zum eispiel sich überkreuzende Kanten entfernt werden und die Länge der Tour verkürzt werden. ies wird für verschiedene Paare von Kanten ausprobiert. 4. Zuletzt werden einige Sehenswürdigkeiten aus der besten Tour entfernt. ierdurch wird Platz für neue ttraktionen geschaen, die in der nächsten Runde eingefügt werden können. Natürlich werden nur ttraktionen entfernt, welche im Vergleich zu den anderen relativ unattraktiv sind. eispiel 5.1 (euristik): in eispiel (nach [3]) für die verschiedenen Schritte der euristik ist in bbildung 3 gegeben. In Teilabbildung (a) sind die verschiedenen Sehenswürdigkeiten mit ihren Punktzahlen gegeben. nschlieÿend werden die verschiedenen Schritte der euristik durchlaufen. In Teilabbildung (b) sind die Touren, welche in der Initialisierung erstellt wurden, angegeben. ie beste Route besucht Sehenswürdigkeiten, und und hat 8 Punkte. nschlieÿend wird versucht, diese Touren zu verbessern. azu wird in (c) der erste Schritt ausgeführt, bei dem die ttraktionen und vertauscht werden. ieser Tausch macht die beste Route etwas schlechter (nur noch 7 Punkte statt 8), was aber im nächsten Schritt Vorteile hat. eshalb werden auch leichte Verschlechterungen erlaubt. Im nächsten Schritt wird in (d) Sehenswürdigkeit von der Tour in die Tour verschoben. iese neue Tour ( ) wird dadurch mit 9 Punkten beste Route. nschlieÿend wird im dritten Schritt versucht, diese Tour kürzer zu machen, durch Umstellen der Reihenfolge zu ist das möglich. ierdurch erhält die Tour zwar nicht mehr Punkte, sie wird aber kürzer, so dass im nächsten urchlauf mehr Sehenswürdigkeiten hinzugefügt werden können. ies sieht man in (f), wo durch inzufügen von ttraktion im nächsten urchgang der euristik eine Tour mit 11 Punkten erstellt wird. n diesem eispiel ist gut zu sehen, dass es sich langfristig lohnt, manchmal auch schlechter zu werden (das heiÿt gute Sehenswürdigkeiten aus der besten Route zu entfernen oder zu tauschen). Nur so kann man in manchen ällen zu noch besseren Routen gelangen. Zugleich darf man jedoch auch nicht zu schlecht werden, da man sonst viel mehr Routen erzeugt und auch efahr läuft, keine bessere Tour zu nden. Um das Problem optimal zu lösen, sind tiefer gehende mathematische Kenntnisse nötig. s gibt jedoch noch zahlreiche weitere euristiken, welche mehr oder weniger gute Lösungen in schneller Zeit berechnen. ie rundlagen und verschiedene etails für ein optimales 7
8 : 4 Pkte : 2 Pkte : 2 Pkte : 3 Pkte : 4 Pkte : 2 Pkte : 2 Pkte : Start & Ziel este Route: 8 Pkte (a) Sehenswürdigkeiten und Punkte (b) Touren nach Initialisierung este Route: 7 Pkte este Route: 9 Pkte (c) Schritt 1 der Verbesserung (d) Schritt 2 der Verbesserung este Route: 9 Pkte este Route: 11 Pkte (e) Schritt 3 der Verbesserung (f) Schritt 2 der Verbesserung bbildung 3: Verschiedene Schritte der euristik, die beste Route ist hierbei immer fett hervorgehoben. 8
9 Lösungsverfahren werden in [2] präsentiert, weitere euristiken und ein Vergleich mit einem optimalen Lösungsverfahren werden in [1] vorgestellt. 6 usblick as Sightseeing Problem lässt sich natürlich noch beliebig erweitern. Naheliegend ist dabei die rweiterung der Planung auf mehrere Tage oder die erücksichtigung der Önungszeiten der Sehenswürdigkeiten. in Thema, an welchem zur Zeit geforscht wird, ist die erücksichtigung von verschiedenen Verkehrsmitteln. isher wurde angenommen, dass immer dasselbe Verkehrsmittel benutzt wird, wodurch es nur eine kürzeste Möglichkeit gibt, von einer Sehenswürdigkeit zur Nächsten zu gelangen. esonders in Städten kann man jedoch ein Taxi, die S-ahn, die U-ahn oder den us nehmen oder auch zu uÿ laufen. Jedes dieser Verkehrsmittel hat andere ahrtkosten und -zeiten. So kann es beispielsweise wenn die Zeit knapp ist, sinnvoll sein, eine längere Strecke mit dem Taxi anstelle des langsameren usses zurückzulegen, auch wenn das etwas teurer ist. Umgekehrt lassen sich die meisten Sehenswürdigkeiten in der Innenstadt sehr billig zu uÿ erreichen. urch die Wahl zwischen verschiedenen Verkehrsmitteln wird das Sightseeing Problem noch etwas schwieriger. es Weiteren beschäftigt sich die orschung mit zeitabhängigen ahrtzeiten, denn insbesondere wenn man den öentlichen Nahverkehr verwendet, gelten zu verschiedenen Zeiten verschiedene ahrpläne, woraus sich andere ahrtzeiten ergeben. ber auch wenn man mit dem uto unterwegs ist, kann es vorkommen, dass man im abendlichen eierabendverkehr für dieselbe Strecke wesentlich mehr Zeit benötigt als nachmittags. Literatur [1] Melanie estle. Sightseeing: Routenplanung unter eachtung von inanz- und Zeitbudgets. iplomarbeit. Technische Universität München, [2] hristian öhm. Routenplanung unter udgetrestriktionen Polytopale Untersuchungen zur Verwendung in ranch&ut-verfahren. iplomarbeit. Technische Universität München, [3] I-Ming hao, ruce L. olden und dward. Wasil. fast and eective heuristic for the orienteering problem. In: uropean Journal of Operational Research 88.3 (1996), S issn: doi: / (95 ) url: http : // [4] M9 Lehrstuhl für ngewandte eometrie und iskrete Mathematik, TU München. Sightseeing Spiel. Juli url: http : / / www - m9. ma. tum. de / llgemeines / Stadtbesichtigung. 9
Zusammenfassung des 2. Abends
lgorithmen in der iologie r. Hans-Joachim öckenhauer r. ennis Komm Zusammenfassung des. bends Zürich, 0. pril 0 lignment-verfahren Für einen Überblick über die lignment-lgorithmen zur estimmung der Ähnlichkeit
Mehr10. Übungsblatt zu Algorithmen I im SoSe 2016
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. r. ennis ofheinz Lukas arth, Lisa Kohl 0. Übungsblatt zu lgorithmen I im SoSe 0 https://crypto.iti.kit.edu/index.php?id=algo-sose
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute lgorithmen und atenstrukturen (für T/IT) Sommersemester 0 r. Tobias Lasser omputer ided Medical Procedures Technische Universität München inführung rundlagen von lgorithmen rundlagen von
MehrÜbersicht Datenstrukturen und Algorithmen. Übersicht. Probleme auf kantengewichteten Graphen. Vorlesung 14: Minimale Spannbäume
Übersicht atenstrukturen und lgorithmen Vorlesung : Prof. r. rika Ábrahám Theorie ybrider Systeme Informatik http://ths.rwth-aachen.de/teaching/ss-/ datenstrukturen-und-algorithmen/ 1 reedy lgorithmen
MehrGlobalübungsaufgabe1 (All Pair Shortest Path):
Prof. aa r. Ir. G. Woeginger atenstrukturen und lgorithmen SS7 Tutoriumslösung - Übung 0 (bgabe 2.07.207) T. Hartmann,. Korzeniewski,. Tauer Globalübungsaufgabe (ll Pair Shortest Path): etrachten Sie den
MehrDas Traveling Salesman Problem
Das Traeling Salesman Problem Was ist die kürzeste Rundtour durch 80 deutsche Städte? Melanie Herzog Wolfgang Ferdinand Riedl Lehrstuhl M9 für Angewandte Geometrie und Diskrete Mathematik Technische Uniersität
MehrI.4 Warshall - Algorithmus
I.4 Warshall - lgorithmus er ijkstra - lgorithmus bietet eine relativ schnelle öglichkeit den minimalen Weg zwischen zwei Knoten in einem Graphen zu bestimmen. ei anderer bbruchbedingung erhält man auch
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
MehrFragestellung: Wir haben 5 verschiedene Gegenstände A B C D E. Auf wieviele verschiedene Arten lassen sie sich anordnen?
Kombinatorik Seite 1 von 5 PRMUTTIONN (nordnungen, Reihenfolgen) eispiel: Fragestellung: Wir haben 5 verschiedene Gegenstände. uf wieviele verschiedene rten lassen sie sich anordnen? ntwort: uf 5! = 1
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
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
Mehr=SVERWEIS ( B2; $G$2:$H$7; 2; FALSCH)
SVRWIS ei mehrfacher uswahl können so viele verschachtelte "Wenn-ufrufe" vorkommen, dass eine andere Lösung sinnvoller ist. m einfachen eispiel von Noten sehen wir das am schnellsten. Zwischen,0 und,...
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
MehrKap. 7 Optimierung. Überblick. Optimierung: Einführung. Motivation. Beispiele für Optimierungsprobleme. Rundreiseprobleme (TSP)
Kap. 7 Optimierung Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 22. VO 2. TEIL DAP2 SS 2009 9. Juli 2009 Überblick Einführung Einige klassische Optimierungsprobleme,
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
Mehra) b) Abb. 1: Buchstaben
Hans Walser, [20171019] Magische Quarate ungeraer Seitenlänge nregung: uler (1782) 1 Worum geht es? Zu einer gegebenen ungeraen Zahl u wir ein magisches Quarat mit er Seitenlänge u konstruiert. 2 as Vorgehen
MehrP-Median Problem. Michael Enser Anzahl der ausgewählten Standorte oder Mediane
P-Median Problem Michael nser 4..20 Inhaltsverzeichnis Allgemeines p-median-problem. Allgemeine ention............................. 2.2 in kleines eispiel.............................. 2 2 -median Problem
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
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
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
MehrMagische Quadrate. Die Abbildung zeigt einen Ausschnitt aus Albrecht Dürers Kupferstich «Melancholie».
4 9 2 3 5 7 8 6 2 Magische Quadrate Magische Quadrate ie bbildung zeigt einen usschnitt aus lbrecht ürers Kupferstich «Melancholie». ei genauem Hinsehen erkennen Sie ein magisches Quadrat vierter Ordnung.
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
Mehr4. Landeswettbewerb Mathematik Bayern 2. Runde 2001/2002 Aufgaben und Lösungsbeispiele
4. Landeswettbewerb athematik ayern. Runde 00/00 ufgaben und Lösungsbeispiele ufgabe In einem Viereck sind die Seiten [], [] und [] gleich lang. ie Seite [] hat die gleiche Länge wie die iagonale []. iese
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrLösungsvorschläge zur Hauptklausur 1661 Datenstrukturen I
Lösungsvorschläge zur Hauptklausur 1 atenstrukturen I 7.. ernuniversität in Hagen lle Rechte vorbehalten Seite 2 Lösungsvorschläge zur Klausur vom 7.. Kurs 1 atenstrukturen I ufgabe 1 (a) algebra sorts
Mehr40. Algorithmus der Woche Das Travelling Salesman Problem oder die optimale Tour für den Nikolaus
40. lgorithmus der Woche as Travelling Salesman Problem oder die optimale Tour für den Nikolaus utor Stefan Näher, Universität Trier as Problem des Handlungsreisenden as Travelling Salesman Problem (TSP)
MehrFormale Systeme, WS 2010/2011 Lösungen zum Übungsblatt 1
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. r. B. Beckert Thorsten Bormer Formale Systeme, WS 2/2 Lösungen zum Übungsblatt ieses Blatt wurde in der Übung am 29..2 besprochen.
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
MehrAbgabe: :00. Achten Sie darauf nicht zu lange Zeilen, Methoden und Dateien zu erstellen 1
Programmieren Wintersemester 2/ Software-esign und Qualität (SQ) https://sdqweb.ipd.kit.edu/wiki/programmieren Prof. r. Ralf H. Reussner Kiana Rostami Michael Langhammer bschlussaufgabe usgabe:.2.2 : bgabe:..2
MehrProf. Dr. Margarita Esponda
Funktionale rogrammierung uffman-kodierung ildquelle: http://www.fim.uni-linz.ac.at/lva/echtlichespekte//tegano/bilder/huffman.gif Funktionale rogrammierung otivation ir möchten achrichten komprimieren:
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
Mehr? P = NP Die 1 Million $ Frage. Prof. Dr. Hans Jürgen Ohlbach P =? NP
? P = NP Die 1 Million $ Frage Prof. Dr. Hans Jürgen Ohlbach 1 Historie 23 Hilbertsche Probleme aus dem Jahr 1900 Derzeit 10 gelöst 5 ungelöst 8 unklar formuliert oder teilweise gelöst David Hilbert 1886
MehrWege, Pfade und Kreise
Wege, Pfade und Kreise ef.: in Weg ist eine olge von Knoten (v 1, v2,..., vk), so dass {vi,vi+1} für alle 1 i
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
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
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
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
Mehr0 [Information] Fibonacci bonacci. Bergstadt-Gymnasium Di Ma/Inf 9 (ht)
0 [Information] Der italienische Mathematiker (eigentlich Leonardo von Pisa, 1170-1250) stellt in seinem Buch Liber Abaci folgende Aufgabe: Ein Mann hält ein Kaninchenpaar an einem Ort, der gänzlich von
Mehr10 Kürzeste Pfade SSSP-Problem
In diesem Kapitel setzen wir uns mit der Berechnung von kürzesten Pfaden in einem Graphen auseinander. Definition 10.1 (Pfadgewichte). i) Das Gewicht eines Pfades p = (v 0, v 1,..., v k ) ist die Summe
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrMathematik Aufnahmeprüfung Aufgabe Summe Punkte
Mathematik ufnahmeprüfung 2018 Lösungen ufgabe 1 2 4 5 6 7 8 9 10 11 12 Summe Punkte 4 4 4 4 4 4 2 4 4 4 ufgabe 1 Löse die Klammern auf und fasse so weit wie möglich zusammen: (a) ( 2) (7x ) =? (b) (x
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
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
MehrLösungsvorschläge Aufgaben 14.1, 14.3, 14.4
Lösungsvorschläge ufgaben.,.,. ufgabe. Wir starten mit dem gegebenen Graphen, dessen Restgraph beim Nullfluss ϕ 0 dem ingabenetzwerk entspricht. ktueller Fluss: Restgraph: 0/ 0/ 0/ 0/ 0/5 0/ 0/ 0/8 5 8
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
MehrOR für Wirtschaftsingenieure. Übungsserie 5: Das Traveling Salesman Problem
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Operations Research Algorithmen auf Graphen OR für Wirtschaftsingenieure Übungsserie 5: Das Traveling Salesman Problem Aufgabe 1 : S 2, S 3, S 4,
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrRundreiseproblem und Stabilität von Approximationsalg.
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Friedrich Alexander Universität Erlangen-Nürnberg Seminar Perlen der theoretischen Informatik, 2008-01-19 http://verplant.org/uni/perlen/
MehrInformatik II: Algorithmen & Datenstrukturen. Blättern Sie nicht um bevor Sie dazu aufgefordert werden!
Albert-Ludwigs-Universität Institut für Informatik Prof. Dr. F. Kuhn Informatik II: Algorithmen & Datenstrukturen Montag, 29. August, 2014, 14:00 17:00 Name:...........................................................
MehrZAHLENMAUERN UND ZAHLENDREIECKE. Korrekturen, Verbesserungsvorschläge und Anregungen bitte an herrmann bei mathematik.tu-darmstadt.
ZAHLENMAUERN UN ZAHLENREIEKE HRISTIAN HERRMANN Korrekturen, Verbesserungsvorschläge und Anregungen bitte an herrmann bei mathematik.tu-darmstadt.de 1. Vorbemerkung Lösugen von Zahlenmauern und Zahlendreiecken
Mehr1 Heuristiken für das Traveling Salesman Problem
Praktikum Diskrete Optimierung (Teil 5) 15.06.2011 1 1 Heuristiken für das Traveling Salesman Problem Wir betrachten das folgende Problem. Wir wollen einen gegebenen Graphen möglichst schnell so durchlaufen,
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
MehrHuffman-Kodierung. Prof. Dr. Margarita Esponda
uffman-kodierung rof. r. argarita sponda otivation ir möchten achrichten komprimieren: - peicherplatzreduzierung => nergie und Zeit bei Übertragung sparen - ohne nformationsverlust - mit einer effizienten
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrKlausur Algorithmen und Datenstrukturen II 01. Agust 2016
Technische Universität Braunschweig Sommersemester 2016 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christian Scheffer Klausur Algorithmen und Datenstrukturen
MehrKapitel Komplexität. Beispiel II. Beispiel I. Methodische Grundlagen und Graphen
. Komplexität Kapitel Methodische Grundlagen und Graphen Lösung von Modellen der Produktion und Logistik mittels: xakten Lösungsverfahren Heuristiken: teilweise verwendet wenn exakte Verfahren vorhanden
MehrTechnische Universität München Zentrum Mathematik. Optimierung 2, WS 2008/09 Übungsblatt 12
Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt, Dr. M. Ritter Optimierung 2, WS 2008/09 Übungsblatt 12 Aufgabe 12.1 Betrachten Sie die folgenden
MehrWann sind Codes eindeutig entschlüsselbar?
Wann sind Codes eindeutig entschlüsselbar? Definition Suffix Sei C ein Code. Ein Folge s {0, 1} heißt Suffix in C falls 1 c i, c j C : c i = c j s oder 2 c C und einen Suffix s in C: s = cs oder 3 c C
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
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,
MehrGruppenunterricht zum Thema. Routing-Algorithmen
Gruppenunterricht zum Thema Routing-lgorithmen ach: Informatik oder lektrotechnik Schultyp: HTL, Weiterbildungskurse in Informatik/Kommunikationsnetze Schulstufe: Grundkurs Kommunikationsnetze Vorkenntnisse:
MehrGeometrie I - Winkeljagd
Schweizer Mathematik-Olympiade smo osm Geometrie I - Winkeljagd aniel Sprecher ktualisiert: 1. ezember 2015 vers. 1.0.0 Inhaltsverzeichnis 1 Einleitung 2 2 Winkel im reieck 2 3 Winkel im Kreis 5 4 Sehnenvierecke
MehrAus Knoten und Kanten, die Bezeichnungen haben können. Ein Graph, bei dem die Kanten Richtungen haben.
ormale Methoden der Informatik WS 2/2 Lehrstuhl für atenbanken und Künstliche Intelligenz ProfrrJRadermacher H Ünver T Rehfeld J ollinger 3 ufgabenblatt esprechung in den Tutorien vom 72 (ab Übungstermin)
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
MehrVektoren - Basiswechsel - Matrix
Vektoren - asiswechsel - Matrix 1. Prinzip er Zusammenhang zwischen zwei asissystemen sollen formal eleganter durchgeführt werden. Ein Nachteil des "einfachen" Verfahrens - siehe Seite V0 - ist, dass teilweise
MehrDAP2 Probeklausur. Matrikelnummer Vorname Nachname. Datum: 24. Juli C. Sohler A. Krivo²ija, A. Rey, H. Sandvoÿ
SoSe 2017 C. Sohler A. Krivo²ija, A. Rey, H. Sandvoÿ DAP2 Probeklausur Datum: 2. Juli 2017 Matrikelnummer Vorname Nachname Diese Klausur besteht aus acht Aufgaben mit insgesamt 50 Punkten. Zum Bestehen
MehrSeminar: Data Mining. Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen. Ein Vortrag von Mathias Rohde. 11.
Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen 11. Juni 2009 Gliederung 1 Problemstellung 2 Vektorprodukt Approximationen Samplesammlung 3 Schritte Lokalität und Nachrichtenkomplexität
Mehr5 Kombinatorik. 5.1 Permutationen. Übungsmaterial 1
Übungsmaterial 1 5 Kombinatorik In der Kombinatorik gibt es eine Reihe von odellen. Im Folgenden werden diese jeweils an einem Beispiel erklärt, im nschluss wird eine allgemeine Formel hergeleitet. 5.1
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
MehrAlgorithmen und Datenstrukturen
Prof. r. V. Linnemann Lübeck, den. Oktober 00 Universität zu Lübeck Institut für Informationssysteme lgorithmen und atenstrukturen Sommersemester 00. Klausur Lösungen Hinweis: chten Sie bei Programmieraufgaben
MehrModul N5 - Routing. Informatik erleben. Anwendung: http, smtp. Transport: TCP, UDP. Segment. Vermittlung: IP. Datagramm. Sicherung: Ethernet, PPP
N-Netze Modul - Routing eitrahmen 0 Minuten ielgruppe Sekundarstufe II Inhaltliche Voraussetzung keine, N4 von Vorteil Lehrziel Kennen lernen eines Routing-lgorithmus, sowie der Netzwerkschichten http://www.sxc.hu
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
MehrBerechnung der Länge einer Quadratseite a:
2006 Pflichtbereich erechnung der Länge einer Quadratseite a: Zur erechnung der Quadratseite a benötigt man die ilfslinie ür die Quadratseite a gilt dann: a = + 57 erechnung der Strecke : Im reieck kann
MehrSchaltungen von Widerständen
Schaltungen von Widerständen von Peter Nemec, Otto-ahn-ymnasium Saarbrücken, 004 ufgabe 1 Wie groß ist der elektrische Widerstand ges zwischen a) den Klemmen und, b) den Klemmen und, wenn alle Teilwiderstände
MehrDie Ellipse, Zusammenhänge und Konstruktionen
ie Ellipse, Zusammenhänge und Konstruktionen ie Ellipse hat eine große chse und eine kleine chse. Es lassen sich zwei Kreise bilden, einer mit dem großen urchmesser und einer dem kleinen urchmesser. In
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
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
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 2 Übung zur Vorlesung Grundlagen: Datenbanken im WS3/4 Henrik Mühe (muehe@in.tum.de) http://www-db.in.tum.de/teaching/ws34/dbsys/exercises/
Mehra a a a a a a a a a a a a a a
7 Lineare lgebra 7.1 Matrizen a a a k a a a a a a a a a a a a a 11 12 1 1n 21 22 2k 2n i1 i2 in m1 m2 mk mn i-te Zeile m Zeilen n Spalten k-te Spalte a : Matrixelement i 1,2,...,m k 1,2,...,n i: Zeilenindex
MehrGeheimnisvolle Zahlentafeln Lösungen
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Geheimnisvolle Zahlentafeln Lösungen Aufgabe 1 (3-mal-3-Zahlentafel (nur für die Klassen 7/8) [4 Punkte]). Finde je eine geheimnisvolle
MehrTechnische Universität München
Technische Universität München Zentrum Mathematik Fallstudien Diskrete Optimierung Dipl.-Math.Oec Melanie Bestle Dr. Michael Ritter Dienstag, 10. Mai 2011: Dualität 1 Dualität: Geometrische Herleitung
MehrDie Ellipse, Zusammenhänge und Konstruktion
ie Ellipse, Zusammenhänge und Konstruktion ie Ellipse hat eine große chse und eine kleine chse. Es lassen sich zwei Kreise bilden, einen mit dem großen urchmesser und einen dem kleinen urchmesser. In der
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..............................
MehrKürzeste Wege in einem gewichteten Graphen. Anwendungen
Kürzeste Wege in einem gewichteten Graphen Dazu werden die Gewichte als Weglängen interpretiert. Der kürzeste Weg zwischen zwei Knoten in einem zusammenhängenden Graphen ist derjenige, bei dem die Summe
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrTutoraufgabe 1 (Floyd-Warshall):
für Informatik Prof. aa r. Ir. Joost-Pieter Katoen atenstrukturen und lgorithmen SS hristian ehnert, Friedrich Gretz, enjamin Kaminski, Thomas Ströder Tutoraufgabe (Floyd-Warshall): etrachten Sie den folgenden
MehrTechnische Universität München WS 2007/08 Informatik / Lehrstuhl 7 Übungsblatt 5 Esparza/Schwoon 16. November Übung zu Logik
Technische Universität München WS 27/8 Informatik / Lehrstuhl 7 Übungsblatt 5 sparza/schwoon 6. November 27 Übung zu Logik earbeiten Sie diese ufgaben bis zur nächsten Übung am Freitag, 23. November, um
MehrGraphen: Rundwege, Kodierung von Bäumen
TH Mittelhessen, Wintersemester 2013/2014 Lösungen zu Übungsblatt 11 Fachbereich MNI, Diskrete Mathematik 4./5./6. Februar 2014 Prof. Dr. Hans-Rudolf Metz Graphen: Rundwege, Kodierung von Bäumen Aufgabe
Mehr