Wir betrachten das folgende nicht gerichtete Netzwerk:
|
|
- Werner Berger
- vor 7 Jahren
- Abrufe
Transkript
1 Beispiel 3.. Wir etrachten das folgende nicht gerichtete Netzwerk: v=a 9 4 c d e 13 1 f g 2 2 h i Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 86 Bemerkung 3.6. Der Algorithmus kann leicht so erweitert werden, daß nicht nur die Astände sondern auch die kürzesten Wege erechnet werden. In einem Netzwerk mit negativen Katenlängen ist es möglich, daß der Dijkstra-Algorithmus falsche Astände erechnet und zwar selst dann, wenn keine Kreise negativer Länge existieren. Durch Wahl einer geeigneten Datenstruktur für die Selektion des Knotens in Schritt 3 kann die Laufzeit u.u. erhelich veressert werden. Für die Berechnung von Routen in Straßennetzen enötigt man optimierte Varianten des Dijkstra-Algorithmus. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 8
2 ' ' ' Kürzeste Wege in DAGs Da in DAGs keine Kreise auftreten, hat man auch kein Prolem mit negativen Längen. Satz 3.6. Gegeen sei ein gerichtetes Netzwerk mit. Wir lassen auch! "## %$& zu. ( sei )* eine topologische Sortierung von. Dann ergit sich die Länge ' eines kürzesten Weges (*+ * von zu einem Knoten durch die folgende Rekursion für 1. ' :, Für /1 2 : (* &(8 *9;:;< =?><6@A?BDCFE G ( *+ IH min ( Beispiel 3.8. Tafel. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 88 Bemerkung 3.. Ersetzt man in Satz 3.6 min durch max, so erhält man die Länge eines längsten Weges. Das allgemeine Entscheidungsprolem, o in einem (ungerichteten) LNM Netzwerk ein (einfacher) Weg der Länge J K existiert, ist dagegen -vollständig. Die in Satz 3.6 angewendete Vorgehensweise, eine optimale Lösung durch eine estmögliche Komination von Suprolemen zu finden, nennt man dynamisches Programmieren. Satz 3.6 läßt sich in einen Algorithmus mit Zeitkomplexität O umsetzen. Beweis. Mit Induktion üer /. Tafel. W 6P PQHRPTSUPV Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 89
3 2 / Bemerkung 3.8. Mit dem Verfahren aus Algorithmus 3.6 können nicht nur kürzeste zw. längste Wege sondern auch Anzahlen von Wegen erechnet werden. Z.B. die Anzahl der verschiedenen Wege von * nach. Hierfür muß der Minimum-Operator nur durch die Summenildung ersetzt werden. Für optimale Wege in DAGs git es eine Fülle von Anwendungen. Wir etrachten zwei: Optimale Einteilung in Blöcken (z.b. in der Textverareitung) Projektplanung Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 9 Blocksatzildung Beispiel 3.9. [Berechnung optimaler Blockungen] Gegeen ist eine Folge X YZ # #[\ Jeder Gegenstand hat eine Länge K von [ Gegenständen.. Die Gegenstände sollen in Blöcke eingeteilt werden, woei die Idealgröße eines Blockes ] ist. Die Gesamtlänge der Gegenstände in einem Block darf ] nicht üersteigen. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 91
4 t 2 o / Die Gegenstände dürfen nicht umsortiert werden. Ein Block ] sich also durch einen Index / mit (^_ H / 2 ist das erste Element im Block und / ist das letzte Element im Block ]. ergit Für die Aweichung der Länge eines Blockes ] Ia c)d *(= * =Ve#fg K ihj von ] wird eine Bewertung definiert, die monoton in. der Größe der Aweichung ist, z.b. ]lkm ) n Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 92 Gesucht ist eine Blockung, die eine möglichst kleine Bewertung hat, also eine Anzahl o p an Blöcken und eine Folge s"s"s m[ /6t mit nvuxw d ]lkm min /rq / n unter den Bedingungen * = c)d * =Veyfg K ihj {z ] für Y " "y Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 93
5 / ~ K 2 ~ K ] 2 2 Beispielprolem: Länge der Gegenstände: }x+}x Blockgröße: 1 gierige Einteilung: ~ 2 }x} ~(2 ~(2, Bewertung: 81 andere Einteilung: ~ y ~(2 +} }x 2 ~(2, Bewertung: 33 Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 94 Modellierung des Prolems als Wegeprolem: a m +&Y ""#+[ ƒ S a m! P / und c)d * g G a Gewichte: / ]lk ihj {z c)d * g ihj n Jeder Weg von nach [ definiert dann eine zulässige Einteilung in Blöcke, woei die Bewertung dieser Blockung gleich der Länge des Weges ist. Also: Finde einen Weg minimaler Länge von nach [. Auf diesem Prinzip asiert die Formatierung in TeX. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 95
6 Projektplanung mit Netzplantechnik Beispiel 3.1. [Netzplantechnik mit CPM] Bei der Durchführung umfangreicher Projekte ist es erforderlich, daß einzelne Teilaufgaen (Jos) zeitlich genau aufeinander agestimmt werden. Hierfür werden häufig Methoden der Netzplantechnik eingesetzt. Die ekannteste Methode der Netzplantechnik heißt CPM (Critical Path Method). ˆ Ž hat eine zugeordnete Dauer sowie eine Menge Œ ˆ von Vorgängern. Nˆ sei die Menge der Jos eines Projekts. Jeder Jo Š Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 96 Ein Jo kann erst dann gestartet werden, wenn alle Jos aus Œ eendet wurden. Wir gehen davon aus, daß Jos parallel eareitet werden können. Man möchte z.b. wissen: A welchem Zeitpunkt kann mit einem Jo egonnen werden? Wie lange wird ein Projekt dauern? Welche Jos sind esonders kritisch in ezug auf die Gesamtdauer eines Projekts? Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 9
7 Beispiel Zusammenau eines Fahrrads: Jo Beschreiung Dauer Vorg. a Rahmen vorereiten (Gael, Schutzleche, usw.) 6 Kettenführung anringen 2 c Gangschaltung anringen 3 d Kettenlatt an Kurel montieren 4 e Vorderrad montieren und anpassen 6 a f Hinterrad montieren und anpassen 6 a,c g Kurel am Rahmen anringen 3 d h Endmontage (Lenker, Sattel, usw.) 12 e,f j Linkel Pedal anringen 3 c,g k Rechtes Pedal anringen 3 c,g Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 98 Die Ahängigkeiten der Jos untereinander können wir in Form eines DAGs repräsentieren. Die Knoten stellen hierei die Jos dar. Die Kanten stellen Vorgängereziehungen zwischen den Jos dar. e a f h c j d g k Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 99
8 Die Jos und können offensichtlich sofort egonnen werden. Der Jo kann egonnen werden, wenn eendet ist und wenn eendet ist. ist nach einer Dauer von 6 eendet, nach einer Dauer von 5, da erst gestartet werden kann, wenn eendet ist. Somit kann zum Zeitpunkt 6 egonnen werden. Allgemein: Der frühste Starttermin eines Jos ergit sich durch einen Weg zu diesem Jo mit maximaler Gesamtdauer. Hier liegen die Bewertungen nun auf den Knoten. Tafel: Frühste Starttermine für die Jos des Beispiels. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 1 Die Critical-Path-Method CPM stellt eine Modellierung dar, ei der die Jos die Kanten eines DAGs sind. Die Knoten können als Fertigstellungsereignisse angesehen werden. Projekteginn a 6 2 c 3 d 4 r e 6 h 12 f 6 j 3 Projektende g 3 k 3 Die Kanten stellen einen längsten Weg vom Projekteginn zum -ende dar (kritische Pfad). Die Gesamtlaufzeit des Projekts ist also 24. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 11
9 Für die Projektplanung sind u.a. die folgenden interessant: Projektdauer : Länge eines längsten Weges (kritischer Pfad) vom Projekteginn is zum Projektende. Starttermin für Jos : Länge eines längsten Weges is zum Startknoten von. Zeitkritische Jos: Alle Jos, die auf einem kritischen Pfad liegen. Pufferzeit für Jo : k Länge eines längsten Weges, der Kante enthält. Und warum verzögern sich Projekte trotz ausgefeilter Planungsmethoden? Siehe Üungen. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 12 Zusammenfassung des Kapitels Charakterisierung und Berechnung von Eulerwegen (Hierholzer- Algorithmus) Hamiltonsche Wege und Kreise (Berechnung ist schwer) Dijkstra-Algorithmus zur Ermittlung kürzester Wege Dynamische Programmierung zur Berechnung kürzester Wege in DAGs Anwendungen: Blocksatzildung und Netzplantechnik Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 13
Blocksatzbildung. Beispiel 3.9. [Berechnung optimaler Blockungen] Gegeben ist eine Folge F = (1,..., n) von n Gegenständen.
Blocksatzbildung Beispiel 3.9. [Berechnung optimaler Blockungen] Gegeben ist eine Folge F = (1,..., n) von n Gegenständen. Jeder Gegenstand hat eine Länge l(i). Die Gegenstände sollen in Blöcke eingeteilt
MehrBlocksatzbildung. Beispiel 3.9. [Berechnung optimaler Blockungen] Gegeben ist eine Folge F = (1,..., n) von n Gegenständen.
Blocksatzbildung Beispiel 3.9. [Berechnung optimaler Blockungen] Gegeben ist eine Folge F = (1,..., n) von n Gegenständen. Jeder Gegenstand hat eine Länge l(i). Die Gegenstände sollen in Blöcke eingeteilt
MehrAnwendungen. Für optimale Wege in DAGs gibt es eine Fülle von Anwendungen. Wir betrachten zwei:
Anwendungen Für optimale Wege in DAGs gibt es eine Fülle von Anwendungen. Wir betrachten zwei: Optimale Einteilung in Blöcke (z.b. in der Textverarbeitung) Projektplanung Graphentheorie HS Bonn-Rhein-Sieg,
MehrBlocksatzbildung. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 02/03 93
Blocksatzbildung Beispiel 3.9. [Berechnung optimaler Blockungen] egeben ist eine Folge Jeder egenstand hat eine Länge von egenständen. Die egenstände sollen in Blöcke eingeteilt werden, wobei die Idealgröße
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
MehrKreis- und Wegeprobleme. Kapitel 4. Kreis- und Wegeprobleme. Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/ / 296
Kapitel 4 Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/19 131 / 296 Inhalt Inhalt 4 Eulersche Graphen Hamiltonsche Graphen Abstände in Graphen Abstände in Netzwerken Peter Becker (H-BRS) Graphentheorie
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
Mehr4. Kreis- und Wegeprobleme
4. Kreis- und Wegeprobleme Kapitelübersicht 4. Kreis- und Wegeprobleme Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Abstände in Graphen Berechnung
Mehr6 Flüsse und Matchings
6. Flüsse in Netzwerken Flußnetzwerke 6 Flüsse und Matchings In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert werden
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
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
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
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
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
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
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
Mehr2. Das single-source-shortest-path-problem
. Das single-source-shortest-path-problem Zunächst nehmen wir an, dass d 0 ist. Alle kürzesten Pfade von a nach b sind o.b.d.a. einfache Pfade.. Dijkstra s Algorithmus Gegeben: G = (V, A), (A = V V ),
MehrBeispiele. mit. Beispiel 2.3. Suche einen Weg von nach. Tiefensuche bzw. Breitensuche.
2. Suchverfahren Uninformierte Suchverfahren Beispiel 2.4. Ein Weinhändler hat drei Krüge, einen von 9 Liter, einen von 7 Liter und einen von 4 Liter Inhalt. Auf den Krügen sind keine Litermarkierungen
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
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
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
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
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
Mehr3.4 Kondition eines Problems
38 KAPITEL 3. FEHLERANALYSE Beispiel 3.18 Betrachte M(10, 5, 1). Dann sind x 4.2832, y 4.2821, z 5.7632 darstellare Zahlen und (x y)z 0.00633952. Das korrekte Ergenis in M ist daher 0.0063395. Der Ausdruck
MehrKürzeste Wege. Ein Startknoten, nichtnegative Gewichte
Kürzeste Wege Gegeben ein Digraph D = (V, A) mit Bogengewichten c(a). Aufgabe: Finde einen Weg W von einem Knoten zu allen anderen oder zu einem bestimmten mit c(w) minimal. Problem: negative Gewichte
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
MehrEinführung in die Graphentheorie (Mathematik IIIb)
Die Folien zur Vorlesung (Skript) stehen auf er Homepage vor er Vorlesung zur Verfügung. Formate: PDF, ein- un mehrseitig Einführung in ie Graphentheorie (Mathematik III) Sie können also ie ausgerukten
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrTrennender Schnitt. Wie groß kann der Fluss in dem folgenden Flussnetzwerk höchstens sein?
6. Flüsse und Zuordnungen max-flow min-cut Trennender Schnitt Wie groß kann der Fluss in dem folgenden Flussnetzwerk höchstens sein? a e s c d t b f Der Fluss kann nicht größer als die Kapazität der der
MehrKapitel 4: Netzplantechnik Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Netzplantechnik 5. Minimal spannende Bäume 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr6. Planare Graphen und Färbungen
6. Planare Graphen und Färbungen Lernziele: Den Begriff der Planarität verstehen und erläutern können, wichtige Eigenschaften von planaren Graphen kennen und praktisch einsetzen können, die Anzahl von
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrZugeordneter bipartiter Graph
Zugeordneter bipartiter Graph Für ein Transportproblem sei A = {A 1,...,A m } die Menge der Fabriken und B = {B 1,...,B n } sei die Menge der Warenhäuser. Wir ordnen nun einem Transportproblem einen bipartiten
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
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
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
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.
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
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
MehrKlausurvorbereitung. 1 Zentrale Begriffe. 2 Bipartite Graphen. 2.1 Begriffe. Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S.
Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S. Lange Klausurvorbereitung Hier finden Sie alle Begriffe, Zusammenhänge und Algorithmen, die mit Blick auf die Klausur relevant sind. Um es
MehrInformierte Suchverfahren
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefesuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt wird.
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
MehrGraphalgorithmen II. Sebastian Ehrenfels Sebastian Ehrenfels Graphalgorithmen II / 44
Graphalgorithmen II Sebastian Ehrenfels 4.6.2013 Sebastian Ehrenfels Graphalgorithmen II 4.6.2013 1 / 44 Inhalt 1 Datenstrukturen Union-Find Fibonacci-Heap 2 Kürzeste wege Dijkstra Erweiterungen Bellman-Ford
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
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrProgrammierung 2 Studiengang MI / WI
Programmierung 2 Studiengang MI / WI Dipl.-Inf., Dipl.-Ing. (FH) Michael Wilhelm Hochschule Harz FB Automatisierung und Informatik mwilhelm@hs-harz.de Raum 2.202 Tel. 03943 / 659 338 Fachbereich Automatisierung
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!
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
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
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
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
Mehr1 Pfade in azyklischen Graphen
Praktikum Algorithmen-Entwurf (Teil 5) 17.11.2008 1 1 Pfade in azyklischen Graphen Sei wieder ein gerichteter Graph mit Kantengewichten gegeben, der diesmal aber keine Kreise enthält, also azyklisch ist.
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
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2014 24. März 2015 Teil Graphentheorie Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk: (a) Berechnen
MehrTeil 2: Graphenalgorithmen
Teil : Graphenalgorithmen Anwendungen Definitionen Datenstrukturen für Graphen Elementare Algorithmen Topologisches Sortieren Kürzeste Wege Problemstellung Ungewichtete Graphen Distanzgraphen Gewichtete
MehrDiplomhauptprüfung. "Systems Engineering" Sommersemester Teil A: Fragenkatalog Zeit: 15 min. Hilfsmittel: Taschenrechner. Nachname: Vorname:
Technische Universität München 18. Juli 2005 Lehrstuhl für Raumfahrttechnik HS MW 0350 Prof. Dr. rer. nat. Ulrich Walter Dozent: Prof. Dr.-Ing. Eduard Igenbergs Diplomhauptprüfung "Systems Engineering"
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:...........................................................
MehrWiederholung
Wiederholung Knotenfärbung von Graphen Chromatische Zahl χ(g) Beweis: Jeder planare Graph ist 5-färbbar Vierfarbensatz: Jeder planare Graph ist 4-färbbar. Kantenfärbung: χ (G) = (G) oder (G)+1 Matchings
MehrWas bisher geschah. gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen
Was bisher geschah gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen Spezielle Graphen: I n, K n, P n, C n, K m,n, K 1,n, K n1,...,n m Beziehungen zwischen Graphen: Isomorphie, Teilgraph,
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 6: Kreis- und Wegeprobleme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 27. März 2018 1/47 KREIS- UND WEGEPROBLEME 2/47
MehrEinführung in die Mathematik des Operations Research
Universität zu Köln Mthemtisches Institut Prof. Dr. F. Vllentin Dr. A. Gundert Einführung in die Mthemtik des Opertions Reserch Aufge (5+5= Punkte) Sommersemester 4 Lösungen zur Klusur (5. Septemer 4).
MehrHelmut Schauer Educational Engineering Lab Department for Information Technology University of Zurich. Graphen (2)
Graphen (2) 1 Topologisches Sortieren (1) Die Kanten eines gerichteten zyklenfreien Graphen bilden eine Halbordnung (die Ordnungsrelation ist nur für solche Knoten definiert die am gleichen Pfad liegen).
MehrStartzustand. Mögliche heuristische Funktionen:
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefensuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt
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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil II Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig 07.
Mehr12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013
12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen Graphen Graphenalgorithmen 2
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
MehrVorlesung 2: Graphentheorie
Vorlesung 2: Graphentheorie Markus Püschel David Steurer Peter Widmayer Algorithmen und Datenstrukturen, Herbstsemester 2017, ETH Zürich Funktionsgraph bekannt aus der Schule hat aber leider nichts mit
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion git an welche Wahrscheinlichkeit sich is zu einem estimmten Wert der Zufallsvarialen kumuliert ( angehäuft, angesammelt ) hat. Die Verteilungsfunktion F()
MehrAbgabe: (vor der Vorlesung)
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 0 Prof. Dr. Helmut Seidl, S. Pott,
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
MehrVier-Farben-Vermutung (1)
Vier-Farben-Vermutung (1) Landkarten möchte man so färben, dass keine benachbarten Länder die gleiche Farbe erhalten. Wie viele Farben braucht man zur Färbung einer Landkarte? Vier-Farben-Vermutung: Jede
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
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
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
MehrRichtig oder falsch? Richtig oder falsch? Richtig oder falsch? Mit dynamischer Programmierung ist das Knapsack- Problem in Polynomialzeit lösbar.
Gegeben sei ein Netzwerk N = (V, A, c, s, t) wie in der Vorlesung. Ein maximaler s-t-fluss kann immer mit Hilfe einer Folge von höchstens A Augmentationsschritten gefunden werden. Wendet man den Dijkstra-Algorithmus
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
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:.....................................
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
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrFreie Bäume und Wälder
(Martin Dietzfelbinger, Stand 4.6.2011) Freie Bäume und Wälder In dieser Notiz geht es um eine besondere Sorte von (ungerichteten) Graphen, nämlich Bäume. Im Gegensatz zu gerichteten Bäumen nennt man diese
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrKap. 6.6: Kürzeste Wege
0.0.00 Nachtest für Ausnahmefälle Kap..: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund./. VO DAP SS 00./. Juli 00 Di. Juli 00, :00 Uhr, OH, R.
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2016/17 19. Vorlesung Kürzeste Wege & Dijkstras Algorithmus Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Wozu kürzeste Wege? 2 3-8 Modellierung
Mehr