Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
|
|
- Klemens Gerhardt
- vor 7 Jahren
- Abrufe
Transkript
1 Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Seminararbeit: Algorithmen für Sensornetzwerke Thomas Gramer 1 Thomas Gramer: KIT Universität des Landes Baden-Württemberg und nationales Grossforschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische Informatik
2 Inhalt Einleitung Bestehende Verfahren Algorithmus von Yue Wang Zusammenfassung 2 Thomas Gramer:
3 Einleitung Zu Grunde liegende Arbeiten Boundary Recognition in Sensor Networks by Topological Methods von Yue Wang et al. Routing and Bypassing Holes in Sensor Networks von Quing Fang et al. Nighborhood-based Topology Recognition in Sensor Networks von S.P. Fekete et al. 3 Thomas Gramer:
4 Problemstellung Gegeben Sensornetzwerk beliebiger Größe Ziel Erkennung innerer und äußerer Rändern in einem Sensornetzwerk Bedeutung Innere Ränder weisen auf Löcher hin In Löchern kann die zu messende Größe nicht erfasst werden Ränder geben Aufschluss über globale Geometrie des Sensorfeldes 4 Thomas Gramer:
5 Was ist ein Loch? Lochdefinition nach Wang et al. Fluss eines Suchbaumes wird Loch umfließen und sich dahinter wieder treffen Interpretation von δ 1 und δ 2 δ 1 sorgt für Mindestlänge des Loches δ 2 stellt sicher, dass Äste nicht parallel laufen (Mindestdicke) 5 Thomas Gramer:
6 Was ist ein Loch? Lochdefinition von Fang et al. Annahme: Der Kommunikationsradius der Knoten ist 1 Unit Disk Graph Delaunay-Triangulation bestimmen Alle Flächen im neuen Graph mit 4 Ecken sind Löcher 5 Thomas Gramer:
7 Bestehende Verfahren 6 Thomas Gramer:
8 Klassifizierung der Verfahren Geometrische Verfahren Knoten kennen ihren Ort Versuchen durch Lage zueinander Löcher zu bestimmen Statistische Verfahren Randknoten haben kleineren Grad als innere Knoten Messung der kürzesten Wege durch einen Knoten Aber: Grad > 100 benötigt Topologische Verfahren Verfahren verwenden nur Verbindungsinformationen Suche nach markanten Strukturen, die auf Löcher hinweisen Knotengrad 15 7 Thomas Gramer:
9 Klassifizierung der Verfahren Geometrische Verfahren Knoten kennen ihren Ort Versuchen durch Lage zueinander Löcher zu bestimmen Statistische Verfahren Randknoten haben kleineren Grad als innere Knoten Messung der kürzesten Wege durch einen Knoten Aber: Grad > 100 benötigt Topologische Verfahren Verfahren verwenden nur Verbindungsinformationen Suche nach markanten Strukturen, die auf Löcher hinweisen Knotengrad 15 7 Thomas Gramer:
10 Klassifizierung der Verfahren Geometrische Verfahren Knoten kennen ihren Ort Versuchen durch Lage zueinander Löcher zu bestimmen Statistische Verfahren Randknoten haben kleineren Grad als innere Knoten Messung der kürzesten Wege durch einen Knoten Aber: Grad > 100 benötigt Topologische Verfahren Verfahren verwenden nur Verbindungsinformationen Suche nach markanten Strukturen, die auf Löcher hinweisen Knotengrad 15 7 Thomas Gramer:
11 Algorithmus von Fang et al. stuck nodes Ein Knoten p der näher an einer bestimmten Region (außerhalb seiner Reichweite) liegt als seine 1-hop Nachbarn (u, v) Eigenschaften stuck nodes sind Knoten lokaler Minima stuck nodes liegen am Rand von Löchern Problem Greedy Suche nach Punkt in black region würde am Punkt p hängenbleiben 8 Thomas Gramer:
12 Algorithmus von Fang et al. Algorithmus Zu Beginn: jeder Knoten kommuniziert mit seinen 1-hop Nachbarn und stellt fest ob er ein "stuck node" ist. Gehe von stuck node aus immer zu Nachbarn, der möglichst weit rechts im Uhrzeigersinn steht Eigenschaften Winkelinformation benötigt Ortsinformation notwendig (hat Knoten eine black region?) Geometrisches Verfahren 9 Thomas Gramer:
13 Statistische Verfahren Ansatz Randknoten haben kleineren Grad als zentrale Knoten Algorithmus von Fekete et al. Abschätzung des durchschnittlichen Knotengrads γ Wahl eines geschickten Schwellwerts α Knoten mit einem Grad < α γ erklären sich zu Randknoten 10 Thomas Gramer:
14 Algorithmus von Yue Wang et al. 11 Thomas Gramer:
15 Algorithmus von Yue Wang et al. Annahmen Keine Ortsinformation Keine Winkelinformation Keine Distanzinformation Kommunikationsgraph = Unit Disk Graph Nahe Knoten kommunizieren direkt Weit entfernte Knoten ohne Kommunikation Ansatz Fluten des Netzwerks Löcher verursachen Störungen im "Fluss" Erkennen durch Unregelmäßigkeiten im hop count, wenn ein Loch umflossen wurde ( Schnitt ) 12 Thomas Gramer:
16 Algorithmus von Yue Wang et al. Annahmen Keine Ortsinformation Keine Winkelinformation Keine Distanzinformation Kommunikationsgraph = Unit Disk Graph Nahe Knoten kommunizieren direkt Weit entfernte Knoten ohne Kommunikation Ansatz Fluten des Netzwerks Löcher verursachen Störungen im "Fluss" Erkennen durch Unregelmäßigkeiten im hop count, wenn ein Loch umflossen wurde ( Schnitt ) 12 Thomas Gramer:
17 Kürzeste-Wege-Baum erstellen Erstellen von Kürzeste-Wege-Baum Netzwerk von zufälligem Knoten aus fluten Jeder Knoten speichert hop count Kürzeste-Wege-Baum 13 Thomas Gramer:
18 Schnitt finden in Kürzeste-Wege-Baum Prinzip zur Locherkennung Fluss von Kürzeste-Wege-Baum gabelt sich vor Loch Fluss trifft sich hinter Loch wieder Schnitt Lücke, an denen sich die kürzesten Wege treffen Schnittpaar Knotenpaare, die sich auf der jeweils gegenüberliegenden Seite eines Schnitts befinden 14 Thomas Gramer:
19 Schnitt finden in Kürzeste-Wege-Baum Prinzip zur Locherkennung Fluss von Kürzeste-Wege-Baum gabelt sich vor Loch Fluss trifft sich hinter Loch wieder Schnitt Lücke, an denen sich die kürzesten Wege treffen Schnittpaar Knotenpaare, die sich auf der jeweils gegenüberliegenden Seite eines Schnitts befinden 14 Thomas Gramer:
20 Schnitt finden in Kürzeste-Wege-Baum Prinzip zur Locherkennung Fluss von Kürzeste-Wege-Baum gabelt sich vor Loch Fluss trifft sich hinter Loch wieder Bei mehreren Löchern Entfernen von Knoten des Schnittastes ein Schnitt übrig Schnittäste, des am weitesten von Wurzel entfernten Schnitts, wird nicht entfernt Löcher werden wie ein zusammenhängendes Loch betrachtet 14 Thomas Gramer:
21 Ermitteln der groben inneren Grenze Grobe innere Grenze R Kürzester Zyklus, der das Loch im inneren des Sensorfeldes umschließt Ist Loch konvex? Ja: Zyklus ist innere Grenze Nein: Abschätzung für konvexe Hülle Ablauf Betrachte Schnittpaar (p,q) mit kleinstem Abstand zur Wurzel Kürzester Weg von p nach q Kürzen des Zyklus durch den k-hop-schrumpf Prozess 15 Thomas Gramer:
22 Beispiel 2-hop-Schrumpf Prozess Gegeben Zyklus um Loch herum Pfad (x, y, z) liegt auf Zyklus Ablauf Existiert Verbindung von x nach z, wird y aus dem Zyklus genommen 16 Thomas Gramer:
23 Extremknoten finden Ziel Innere Grenze verfeinern und äußere Grenze finden Ablauf Knoten auf R werden geordnet Alle Knoten auf R fluten das Netzwerk gleichzeitig Knoten mit lokalem Maximum des hop count zu R Extremknoten Lokales Maximum Knoten, deren 1-hop Nachbarn niedrigere hop counts zu R aufweisen 17 Thomas Gramer:
24 Extremknoten finden Ziel Innere Grenze verfeinern und äußere Grenze finden Ablauf Knoten auf R werden geordnet Alle Knoten auf R fluten das Netzwerk gleichzeitig Knoten mit lokalem Maximum des hop count zu R Extremknoten Sortierung Ordnung der Knoten auf R Ordnung der Extrempunkte 17 Thomas Gramer:
25 Innere/Äußere Grenze definieren Ist Loch konvex? Ja: Alle Extrempunkte gehören zur äußeren Grenze Nein: Loch ist konkav oder es gibt mehrere Löcher 18 Thomas Gramer:
26 Unterscheidung der Extrempunkte Verfeinerung Entfernen von R und allen 1-hop Nachbarn Alle 2-hop Nachbarn durch lokales Fluten verbinden Es entstehen Pfade P j Verfeinern von P j P j läuft über Extrempunkte P j ist Zyklus? P j ist Grenze 19 Thomas Gramer:
27 Unterscheidung der Extrempunkte Verfeinerung Entfernen von R und allen 1-hop Nachbarn Alle 2-hop Nachbarn durch lokales Fluten verbinden Es entstehen Pfade P j Verfeinern von P j P j läuft über Extrempunkte P j ist Zyklus? P j ist Grenze Erweitere Zyklus R um Pfade P j Innere/Äußere Grenzen nach 2 Durchläufen 19 Thomas Gramer:
28 Inneren Rand wieder herstellen Ziel Korrekten inneren Rand bei mehreren Löchern finden Ablauf Zuvor entfernte Schnittäste wieder einfügen Bestimme für jeden Schnitt ein Schnittpar (p, q), so dass der innere Rand in zwei Zyklen geteilt wird (p, q sind Berührpunkte beider Zyklen) Optimiere die neuen Zyklen wie zuvor unter der Nebenbedingung, dass Extrempunkte nicht entfernt werden dürfen 20 Thomas Gramer:
29 Inneren Rand wieder herstellen Ziel Korrekten inneren Rand bei mehreren Löchern finden Ablauf Zuvor entfernte Schnittäste wieder einfügen Bestimme für jeden Schnitt ein Schnittpar (p, q), so dass der innere Rand in zwei Zyklen geteilt wird (p, q sind Berührpunkte beider Zyklen) Optimiere die neuen Zyklen wie zuvor unter der Nebenbedingung, dass Extrempunkte nicht entfernt werden dürfen 20 Thomas Gramer:
30 Korrektheit des Algorithmus 21 Thomas Gramer:
31 Korrektheit des Algorithmus Beweisziel Bei geschlossener polygonaler Region F findet Algorithmus: Genaue Anzahl an Löchern Art und Lage der Löcher (innere Grenzen) Korrekte äußere Grenze 22 Thomas Gramer:
32 Eigenschaften von polygonalen Regionen Gegeben Geschlossene polygonale Region mit k einfachen polygonalen Hindernissen Shortest path map (SPM) an willkürlicher Wurzel Eigenschaften Bisektoren und SPM Knoten bilden einen Wald Auf dem Rand *jedes* Hindernisses gibt es min. einen Bisektorpunkt F ohne Bisektoren ist einfach verbunden 23 Thomas Gramer:
33 Algorithmus findet alle Löcher Lemma In einer Region mit k polygonalen Löchern und m SPM Knoten existieren genau k + m Bisektorbögen Beweis Konstruktion eines Baumes Bisektoren sind Kanten Löcher, SPM-Knoten und äußere Grenze sind Knoten Es gibt v = k + m + 1 Knoten und v 1 = k + m Kanten (Eigenschaft von Bäumen) 24 Thomas Gramer:
34 Neudefinition des Algorithmus für den kontinuierlichen Fall Finde Bisektoren Lösche Bisektorbögen, bis auf einen Finde kürzesten Zyklus, der das innere Loch umschließt Berechne Voronoi Diagramm von R Finde Extrempunkte Punkte, durch die kein kürzester Pfad nach R läuft Sortiere Extrempunkte anhand Sortierung auf R. Laufe r zwei mal ab und ersetze Segmente durch korrespondierende Pfade Zwei Zyklen entstehen 25 Thomas Gramer:
35 Reduktion von Region F auf Region F Lemma F hat genau ein inneres polygonales Loch Beweis Alle Schnitte werden entfernt bis auf einen Alle Bisektorbögen (B) aus F werden entfernt, bis auf einen F \ B ist einfach verbunden (Eigenschaft polygonaler Regionen) Polygonale Region mit einem inneren Loch (F ) 26 Thomas Gramer:
36 Extrempunkte sind exakt die Grenze von F Beweis Alle nach innen gerückten konkaven Knoten auf Zyklus R müssen auf der äußeren Grenze liegen Eigenschaften Durch Entfernen von R wird F in min. zwei Teile geteilt Beide Teile sind an der an R angrenzenden Seite konkav Wellenfront-Ausbreitung terminiert nur an Rändern 27 Thomas Gramer:
37 Betrachtung der Untersegmente Wie viele Segmente entstehen durch Entfernen von R? Ein Segment R ist innere Grenze Extrempunkte sind äußere Grenze 28 Thomas Gramer:
38 Betrachtung der Untersegmente Wie viele Segmente entstehen durch Entfernen von R? Mehrere Segmente Betrachtung von Extrempunktpfaden Zyklus Pfad ist äußere Grenze Pfad Erweiterung von R um Pfade Zwei Durchgänge ergeben zwei Zyklen Innere und äußere Grenzen von F Wiederherstellung der Bisektoren Bisektoren nicht mehr Grenze Algorithmus hat alle inneren und äußeren Grenzen gefunden. 29 Thomas Gramer:
39 Simulation 30 Thomas Gramer:
40 Knotendichte 3443 Knoten 2628 Knoten 1742 Knoten 847 Knoten 31 Thomas Gramer:
41 Durchschnittlicher Knotengrad Grad 7 Grad 10 Grad Thomas Gramer: Grad 16
42 Weitere Beispiele 33 Thomas Gramer:
43 Zusammenfassung 34 Thomas Gramer:
44 Was haben wir gesehen? Algorithmus von Wang et al. Algorithmus zur Randerkennung Wenige Annahmen Geringer Knotengrad Bemerkungen Zusätzliche Informationen (Winkel, Richtung) beschleunigen Algorithmus Sensorfeld ohne Löcher möglich (Es existiert dann kein Schnitt) Extrempunkte markieren die äußere Grenze 35 Thomas Gramer:
45 Fragen? 36 Thomas Gramer:
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Thomas Gramer Karlsruhe Institute of Technology (KIT), 76128 Karlsruhe, Germany, thomas.gramer@ira.uka.de 1 Einleitung Eine Möglichkeit
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrZusammenfassung Voronoi Diagramme
Zusammenfassung Voronoi Diagramme Elmar Langetepe University of Bonn Algorithmische Geometrie Voronoi Diagramme 03.06.11 c Elmar Langetepe SS 15 1 Kap. 5: Voronoi Diagramme Zerlegung der Ebene in Zellen
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrDas Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung
Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 13 (6.6.2018) Graphenalgorithmen II Yannic Maus Algorithmen und Komplexität Repräsentation von Graphen Zwei klassische Arten, einen Graphen
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
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
Mehr2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 18, 2012 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
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
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Lerneinheit 3: Greedy Algorithmen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2016 10.5.2016 Einleitung Einleitung Diese Lerneinheit
MehrAlgorithmische Geometrie: Voronoi Diagramme (Teil 2)
Algorithmische Geometrie: Voronoi Diagramme (Teil 2) Nico Düvelmeyer WS 2009/2010, 12.1.2010 Überblick 1 Definition und grundlegende Eigenschaften (Wied.) 2 Bestimmung des Voronoi Diagramms Gleitebenenverfahren
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
MehrZusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus
Zusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus Elmar Langetepe University of Bonn Algorithmische Geometrie VD Segmente/Pledge 29.06.11 c Elmar Langetepe SS 11 1 Voronoi Diagramm von
MehrAlgorithmen für Sensornetze
Algorithmen für Sensornetze Markus Völker 02. Februar 2010 Lokalisierung in Gebäuden Lokalisierung Ausgangssituation? Lokalisierung Ziel! Lokalisierung Signalabfall in Gebäuden Signalabfall mit ca. 1/d
MehrPolygontriangulierung
Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 07.05.204 Ablauf Vergabe der Projekte Übungsblatt
MehrDistanzprobleme in der Ebene
Distanzprobleme in der Ebene (Literatur: deberg et al., Kapitel 7,9) Christian Knauer 1 Motivation: Alle nächsten Nachbarn Gegeben: Eine Menge von Punkten P in der Ebene Berechne: Zu jedem Punkt aus P
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,
MehrEffizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 008/09 Blatt
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
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
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 16 (2.7.2014) Graphtraversierung II, Minimale Spannbäume I Algorithmen und Komplexität Tiefensuche: Pseusocode DFS Traversal: for all u in
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
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
MehrNatürliche Bäume. (Algorithmen und Datenstrukturen I) Prof. Dr. Oliver Braun. Letzte Änderung: :16. Natürliche Bäume 1/16
Natürliche Bäume (Algorithmen und Datenstrukturen I) Prof. Dr. Oliver Braun Letzte Änderung: 18.03.2018 18:16 Natürliche Bäume 1/16 Bäume Begriffe (1/2) Bäume sind verallgemeinerte Listenstrukturen ein
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
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.06.2014 1 Dualitätsabbildung Bisher haben wir Dualität für planare
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
MehrDelaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Delaunay-Triangulierungen INSTITUT FU R THEORETISCHE INFORMATIK FAKULTA T FU R INFORMATIK Martin No llenburg 10.06.2014 Grafik c Rodrigo I. Silveira 1 Dr. Martin No llenburg
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
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
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.04.2014 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
Mehr3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
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
MehrSpatial Skyline Queries
Beispielbild Spatial Skyline Queries Seminar zur Datenverwaltung, SoSe 2010 Fachbereich Mathematik und Informatik, Institut für Informatik Patrick Jungermann, 02. Juli 2010 Roadmap 1. Motivation 2. Problem
MehrAlgorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8
ETH Zürich Institut für Theoretische Informatik Prof. Dr. Angelika Steger Florian Meier, Ralph Keusch HS 2017 Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8 Lösungsvorschlag zu Aufgabe 1
Mehr2.4. Triangulierung von Polygonen
Als drittes Problem haben wir in Kapitel 1 die Triangulierung von Polygonen identifiziert, die etwa bei der Überwachung eines Museums durch Kameras auftritt. F70 F71 Definition und Theorie: Definition
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrSeminar über Algorithmen
Seminar über Algorithmen Geographisches Routing von Stephan Hagendorf Inhalt Einleitung / Wiederholung Modell Geographische Routing Greedy Routing Face Routing Adaptive/Bounded Face Routing Other Face
MehrAlgorithmische Geometrie: Schnittpunkte von Strecken
Algorithmische Geometrie: Schnittpunkte von Strecken Nico Düvelmeyer WS 2009/2010, 3.11.2009 3 Phasen im Algorithmenentwurf 1. Konzentration auf das Hauptproblem 2. Verallgemeinerung auf entartete Eingaben
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
Mehr12. Graphen. Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap ,Cormen et al, Kap.
254 12. Graphen Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap. 9.1-9.4,Cormen et al, Kap. 22 Königsberg 1736 255 Königsberg 1736 255 Königsberg 1736 255
MehrVoronoi Diagrams. Christian Wellenbrock. December 1, 2009
December 1, 2009 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Gesucht:
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
MehrGeometrische Algorithmen Einige einfache Definitionen: Ist ein Punkt in einem Polygon? Punkt-in-Polygon-Problem. Das Punkt-in-Polygon-Problem
Geometrische Algorithmen Einige einfache Definitionen: Punkt: im n-dimensionalen Raum ist ein n-tupel (n Koordinaten) Gerade: definiert durch zwei beliebige Punkte auf ihr Strecke: definiert durch ihre
MehrDurchschnitte und Sichtbarkeit
Durchschnitte und Sichtbarkeit Elmar Langetepe University of Bonn Algorithmische Geometrie Durchschnitte 11.05.15 c Elmar Langetepe SS 15 1 Durchschnitt von Halbgeraden/Konvexe Hülle Algorithmische Geometrie
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
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,
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
MehrKonvexe Hülle. Konvexe Hülle. Mathematik. Konvexe Hülle: Definition. Mathematik. Konvexe Hülle: Eigenschaften. AK der Algorithmik 5, SS 2005 Hu Bin
Konvexe Hülle Konvexe Hülle AK der Algorithmik 5, SS 2005 Hu Bin Anwendung: Computergraphik Boundary Kalkulationen Geometrische Optimierungsaufgaben Konvexe Hülle: Definition Mathematik Konvex: Linie zwischen
MehrGraphen Jiri Spale, Algorithmen und Datenstrukturen - Graphen 1
Graphen 27 Jiri Spale, Algorithmen und Datenstrukturen - Graphen Motivation Einsatz: Berechnung von Entfernungen Auffinden von Zyklen in Beziehungen Ermittlung von Verbindungen Zeitmanagement Konzept:
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrÜberblick. Algorithmen für Ad-hoc- und Sensornetze. Motivation: Selbstorganisation. Beispiel: Broadcast/Fluten
Überblick Algorithmen für Ad-hoc- und Sensornetze VL 09 Clustering (. Teil) Markus Völker 0. Juni 0 (Version ) Was ist Clustering und wofür brauche ich das? Selbstorganisation und Aufgabenteilung in WSN
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrAlgorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2)
Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2) Nico Düvelmeyer WS 2009/2010, 22.12.2009 Überblick 1 Fertigstellung Kapitel 7 2 Definition Voronoi Diagramm 3 Grundlegende
MehrTheoretische Grundlagen der Informatik. Vorlesung am 8. Januar INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik 0 08.01.2019 Torsten Ueckerdt - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Letzte Vorlesung Eine
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrProportional Symbol Maps
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 25.06.2015 1 Statistische Visualisierung
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
Mehr1 Kürzeste Pfade in Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 03.11.2011 1 1 Kürzeste Pfade in Graphen Es sei ein gerichteter Graph G = (V, E) mit V = n Knoten, E = m Kanten und Kantengewichten c : E R gegeben. Ein Pfad in G
MehrVorlesung Geometrische Algorithmen Generierung von Nicht-uniformen Netzen Sven Schuierer
Vorlesung Geometrische Algorithmen Generierung von Nicht-uniformen Netzen Sven Schuierer Uberblick 1. Anwendung 2. Anforderungen an Netze 3. Quadrantenbaume Quadrantenbaume fur Punktemengen Bestimmung
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze VL 04 Topologiekontrolle Fabian Fuchs 04. Nov. 2015 (Version 2) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER) KIT Universität des
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrHeute. Algorithmen für Ad-hoc- und Sensornetze. Erinnerung: MAC-Layer. Erinnerung: Färbungen. Definition
Heute Algorithmen für Ad-hoc- und Sensornetze VL 0 Eine kurze Geschichte vom Färben (Teil ) Medium Access Control / Färbungen, Teil kurze Wiederholung Schöner verteilter Färbungsalgorithmus Markus Völker
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
Mehrdurch Einfügen von Knoten konstruiert werden kann.
Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 15.01.2015 INSTITUT FÜR THEORETISCHE 0 KIT 15.01.2015 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrGeometrische Algorithmen Voronoi-Diagramme. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Voronoi-Diagramme
Folie 1 von 32 Geometrische Algorithmen Voronoi-Diagramme Folie 2 von 32 Voronoi-Diagramme Übersicht Problemstellung Animation zur Konstruktion eines Voronoi-Diagramms Definition, Eigenschaften eines Voronoi-Diagramms
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
Mehr