Das Multi Traveling Salesman Problem

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Das Multi Traveling Salesman Problem"

Transkript

1 Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26

2 Übersicht Vom TSP zum ATSP Das Multi Traveling Salesman Problem p.2/26

3 Übersicht Vom TSP zum ATSP Lösen von ATSP Lösen von m-atsp Das Multi Traveling Salesman Problem p.2/26

4 Übersicht Vom TSP zum ATSP Lösen von ATSP Lösen von m-atsp Das m-cost ATSP Polytop Das Multi Traveling Salesman Problem p.2/26

5 Übersicht Vom TSP zum ATSP Lösen von ATSP Lösen von m-atsp Das m-cost ATSP Polytop Das Einmaschinenproblem Das Multi Traveling Salesman Problem p.2/26

6 Übersicht Vom TSP zum ATSP Lösen von ATSP Lösen von m-atsp Das m-cost ATSP Polytop Das Einmaschinenproblem Die Facetten Das Multi Traveling Salesman Problem p.2/26

7 Vom TSP zum m-atsp Das klassische Traveling Salesman Problem Gegeben: n Städte und Straßenlängen Das Multi Traveling Salesman Problem p.3/26

8 Vom TSP zum m-atsp Das klassische Traveling Salesman Problem Gesucht: kürzeste zusammenhängende Rundreise durch alle Städte Das Multi Traveling Salesman Problem p.3/26

9 Vom TSP zum m-atsp Das klassische Traveling Salesman Problem Sei G = (V,A) ein vollständiger Graph mit Knotenmenge V = {1,...,n} und Kantenmenge A = {(i,j) i,j V } mit Gewichten d e für e A Das Multi Traveling Salesman Problem p.3/26

10 Vom TSP zum m-atsp Das klassische Traveling Salesman Problem Gesucht ist der Hamiltonsche Kreis mit minimaler Kantenlänge Das Multi Traveling Salesman Problem p.3/26

11 Vom TSP zum m-atsp Das Asymmetrische Traveling Salesman Problem vollständiger Digraph mit Knotenmenge V = {1,...,n} und Kantenmenge A = {(i,j) i,j V,i j} mit Gewichten d e und d ij d ji Das Multi Traveling Salesman Problem p.4/26

12 Vom TSP zum m-atsp Das Asymmetrische Traveling Salesman Problem Gesucht ist der gerichtete Hamiltonsche Kreis mit minimalem Kantengewicht Das Multi Traveling Salesman Problem p.4/26

13 Vom TSP zum m-atsp Bisher: Das Multi Salesman Problem nur ein Handelsreisender Das Multi Traveling Salesman Problem p.5/26

14 Vom TSP zum m-atsp Bisher: Jetzt: Das Multi Salesman Problem nur ein Handelsreisender mehrere Handelsreisende Das Multi Traveling Salesman Problem p.5/26

15 Vom TSP zum m-atsp Bisher: Jetzt: Das Multi Salesman Problem nur ein Handelsreisender mehrere Handelsreisende 0 Das Multi Traveling Salesman Problem p.5/26

16 Vom TSP zum m-atsp Bisher: Jetzt: Das Multi Salesman Problem nur ein Handelsreisender mehrere Handelsreisende vollständiger Digraph mit Knotenmenge V = {1,...,n} {0} und Kantenmenge A = {(i,j) i,j V,i j} 0 Das Multi Traveling Salesman Problem p.5/26

17 Vom TSP zum m-atsp Bisher: Jetzt: Das Multi Salesman Problem nur ein Handelsreisender mehrere Handelsreisende Gesucht ist eine Auswahl an Handlungsreisenden und eine Zuordnung von Touren, so dass alle Knoten genau einmal besucht werden. 0 Das Multi Traveling Salesman Problem p.5/26

18 Lösen von ATSP Wie kann man ein ATSP lösen? Das Multi Traveling Salesman Problem p.6/26

19 Lösen von ATSP altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij Wie kann man ein ATSP lösen? Das Multi Traveling Salesman Problem p.6/26

20 Lösen von ATSP Wie kann man ein ATSP lösen? altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij neues Problem: Das Multi Traveling Salesman Problem p.6/26

21 Lösen von ATSP Wie kann man ein ATSP lösen? altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij neues Problem: Definiere G = (V,E) mit Das Multi Traveling Salesman Problem p.6/26

22 Lösen von ATSP Wie kann man ein ATSP lösen? altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij neues Problem: Definiere G = (V,E) mit V = W {n + 1,n + 2,...,2n} Das Multi Traveling Salesman Problem p.6/26

23 Lösen von ATSP Wie kann man ein ATSP lösen? altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij neues Problem: Definiere G = (V,E) mit V E = W {n + 1,n + 2,...,2n} = {(i,n + i) i = 1, 2,...,n} {(n + i,j) (i,j) A} Das Multi Traveling Salesman Problem p.6/26

24 Lösen von ATSP Wie kann man ein ATSP lösen? altes Problem: D = (W,A) mit W = {1, 2,...,n} A W W für (i,j) A d ij neues Problem: Definiere G = (V,E) mit V E c i,n+i c n+i,j = W {n + 1,n + 2,...,2n} = {(i,n + i) i = 1, 2,...,n} {(n + i,j) (i,j) A} = M für i = 1, 2,...,n = d ij für (i,j) A Das Multi Traveling Salesman Problem p.6/26

25 Lösen von ATSP d 21 1 d 12 2 d 13 d 31 d 23 d 32 3 Das Multi Traveling Salesman Problem p.7/26

26 Lösen von ATSP Das Multi Traveling Salesman Problem p.7/26

27 Lösen von ATSP Das Multi Traveling Salesman Problem p.7/26

28 Lösen von ATSP 1 2 M 4 5 M 6 M 3 Das Multi Traveling Salesman Problem p.7/26

29 Lösen von ATSP 1 2 M d M 6 M 3 Das Multi Traveling Salesman Problem p.7/26

30 Lösen von ATSP d 21 d M 4 5 M 6 M 3 Das Multi Traveling Salesman Problem p.7/26

31 Lösen von ATSP 1 2 M d 21 d M d 31 d 32 6 d 13 M d 23 3 Das Multi Traveling Salesman Problem p.7/26

32 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. Das Multi Traveling Salesman Problem p.8/26

33 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Das Multi Traveling Salesman Problem p.8/26

34 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) Das Multi Traveling Salesman Problem p.8/26

35 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} Das Multi Traveling Salesman Problem p.8/26

36 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} V = V {n + 2,n + 3,...,n + m} Das Multi Traveling Salesman Problem p.8/26

37 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} V = V {n + 2,n + 3,...,n + m} A = A Das Multi Traveling Salesman Problem p.8/26

38 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} V = V {n + 2,n + 3,...,n + m} A = A {(n + i,j) 2 i m, (n + 1,j) A} Das Multi Traveling Salesman Problem p.8/26

39 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} V = V {n + 2,n + 3,...,n + m} A = A {(n + i,j) 2 i m, (n + 1,j) A} {(j,n + i) 2 i m, (j,n + 1) A} Das Multi Traveling Salesman Problem p.8/26

40 Lösen von m-atsp Gegeben: Digraph D = (V,A), V = {1,...,n} {0}, A V V, d ij, w i. neues Problem: Definiere neuen Digraph D = (V,A ) {n + 1} := {0} V = V {n + 2,n + 3,...,n + m} A = A {(n + i,j) 2 i m, (n + 1,j) A} {(j,n + i) 2 i m, (j,n + 1) A} {(n + i,n + i 1) 2 i m} Das Multi Traveling Salesman Problem p.8/26

41 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

42 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

43 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

44 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

45 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

46 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

47 Lösen von m-atsp Das Multi Traveling Salesman Problem p.9/26

48 Das m-cost ATSP Polytop Bisher: Kosten für alle Handelsreisende identisch Das Multi Traveling Salesman Problem p.10/26

49 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Das Multi Traveling Salesman Problem p.10/26

50 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Das Multi Traveling Salesman Problem p.10/26

51 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Für jedes k M: Digraph D 0 k = (V k,a k ) Das Multi Traveling Salesman Problem p.10/26

52 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Für jedes k M: Digraph D 0 k = (V k,a k ) V k = J {0} Das Multi Traveling Salesman Problem p.10/26

53 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Für jedes k M: Digraph D 0 k = (V k,a k ) V k = J {0} A k = {(0, 0) k } {(i,j) k i,j V k,i j} Das Multi Traveling Salesman Problem p.10/26

54 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Für jedes k M: Digraph Dk 0 = (V k,a k ) V k = J {0} A k = {(0, 0) k } {(i,j) k i,j V k,i j} m A = k=1 A k Das Multi Traveling Salesman Problem p.10/26

55 Das m-cost ATSP Polytop Bisher: Jetzt: Kosten für alle Handelsreisende identisch Kosten für Handelsreisende unterschiedlich Modell: Für jedes k M: Digraph Dk 0 = (V k,a k ) V k = J {0} A k = {(0, 0) k } {(i,j) k i,j V k,i j} m A = d ijk k=1 A k (i,j) A,k M Das Multi Traveling Salesman Problem p.10/26

56 Das m-cost ATSP Polytop Wie sehen zulässige Lösungen aus? Das Multi Traveling Salesman Problem p.11/26

57 Das m-cost ATSP Polytop Wie sehen zulässige Lösungen aus? k=1 k=2 k=3 (m-cost ATSP) minimiere {d(a F ) A F F m n } Das Multi Traveling Salesman Problem p.11/26

58 Das m-cost ATSP Polytop Wie sehen zulässige Lösungen aus? k=1 k=2 k=3 (m-cost ATSP) minimiere {d(a F ) A F F m n } F m n = {C 1... C m m k=1 C k = n + m, k M : C k A k mit 0 V k (C k ), v J : k M : v V k (C k )} Das Multi Traveling Salesman Problem p.11/26

59 Das m-cost ATSP Polytop Wie sieht das Polytop nun aus? Das Multi Traveling Salesman Problem p.12/26

60 Das m-cost ATSP Polytop Wie sieht das Polytop nun aus? Definiere Inzidenzvektor x A {0, 1} A für ein A A durch { x A ijk = 1, falls ijk A 0, sonst Das Multi Traveling Salesman Problem p.12/26

61 Das m-cost ATSP Polytop Wie sieht das Polytop nun aus? Definiere Inzidenzvektor x A {0, 1} A für ein A A durch { x A ijk = 1, falls ijk A 0, sonst Das Polytop: P m n = conv{x A A F m n } Das Multi Traveling Salesman Problem p.12/26

62 Das m-cost ATSP Polytop x 00k + x(δ + k (0)) = 1 k M (1) Das Multi Traveling Salesman Problem p.13/26

63 Das m-cost ATSP Polytop x 00k + x(δ + k k M x(δ+ k (0)) = 1 k M (1) (j)) = 1 j J (2) Das Multi Traveling Salesman Problem p.13/26

64 Das m-cost ATSP Polytop x 00k + x(δ + k k M x(δ+ k x(δ k (j)) x(δ+ k (0)) = 1 k M (1) (j)) = 1 j J (2) (j)) = 0 j J,k M (3) Das Multi Traveling Salesman Problem p.13/26

65 Das m-cost ATSP Polytop x 00k + x(δ + k k M x(δ+ k x(δ k (j)) x(δ+ k (0)) = 1 k M (1) (j)) = 1 j J (2) (j)) = 0 j J,k M (3) x(δ + k (S)) x(δ+ k (v)) 0 k M,S J, S 2,v S (4) Das Multi Traveling Salesman Problem p.13/26

66 Das m-cost ATSP Polytop x 00k + x(δ + k k M x(δ+ k x(δ k (j)) x(δ+ k (0)) = 1 k M (1) (j)) = 1 j J (2) (j)) = 0 j J,k M (3) x(δ + k (S)) x(δ+ k (v)) 0 k M,S J, S 2,v S (4) x ijk {0, 1} ijk A (5) Das Multi Traveling Salesman Problem p.13/26

67 Das m-cost ATSP Polytop Lemma 1: Ein Inzidenzvektor x A Q A von A A ist genau dann eine zulässige Lösung von (1)-(5), wenn A F m n Das Multi Traveling Salesman Problem p.14/26

68 Das m-cost ATSP Polytop Lemma 1: Ein Inzidenzvektor x A Q A von A A ist genau dann eine zulässige Lösung von (1)-(5), wenn A F m n Beweis: Das Multi Traveling Salesman Problem p.14/26

69 Das m-cost ATSP Polytop Lemma 1: Ein Inzidenzvektor x A Q A von A A ist genau dann eine zulässige Lösung von (1)-(5), wenn A F m n Beweis: hinschauen Das Multi Traveling Salesman Problem p.14/26

70 Das m-cost ATSP Polytop Lemma 1: Ein Inzidenzvektor x A Q A von A A ist genau dann eine zulässige Lösung von (1)-(5), wenn A F m n Beweis: hinschauen Sei x Lösung von (1)-(5) (3) x Inzidenzvektor von C 1... C r (1)&(4) für jedes k M : 0 V k (C i ) (2) für jedes v J 1 C i mitv V i (C i ) Das Multi Traveling Salesman Problem p.14/26

71 Das m-cost ATSP Polytop Satz 1: Für n 3 und m 2 gilt: dim(p m n ) = mn 2 n Das Multi Traveling Salesman Problem p.15/26

72 Das m-cost ATSP Polytop Satz 1: Für n 3 und m 2 gilt: dim(p m n ) = mn 2 n Beweis: dim(p m n ) mn 2 n durch geschicktes Aufteilen der Kanten zeigt man Gleichheit Das Multi Traveling Salesman Problem p.15/26

73 Das Einmaschinenproblem Betrachte Teilproblem: nur eine Maschine, d.h. m = 1 diese Maschine muss nicht alle Aufträge bearbeiten kann eine beliebige Teilmenge von Aufträgen bearbeiten oder gar keinen Auftrag bearbeiten Das Multi Traveling Salesman Problem p.16/26

74 Das Einmaschinenproblem Betrachte Teilproblem: nur eine Maschine, d.h. m = 1 diese Maschine muss nicht alle Aufträge bearbeiten kann eine beliebige Teilmenge von Aufträgen bearbeiten oder gar keinen Auftrag bearbeiten Modell: Digraph D 1 = (V 1,A 1 ) mit V 1 = J {0} und A 1 = {(0, 0)} {(i,j) i,j V 1,i j} Das Multi Traveling Salesman Problem p.16/26

75 Das Einmaschinenproblem Zul. Menge: Das Multi Traveling Salesman Problem p.17/26

76 Das Einmaschinenproblem Zul. Menge: F 1 n = {C C A 1 Dizykel mit 0 V 1 (C)} Das Multi Traveling Salesman Problem p.17/26

77 Das Einmaschinenproblem Zul. Menge: F 1 n = {C C A 1 Dizykel mit 0 V 1 (C)} Polyeder: Das Multi Traveling Salesman Problem p.17/26

78 Das Einmaschinenproblem Zul. Menge: F 1 n = {C C A 1 Dizykel mit 0 V 1 (C)} Polyeder: P 1 n = conv{x A A F 1 n} Das Multi Traveling Salesman Problem p.17/26

79 Das Einmaschinenproblem Zul. Menge: F 1 n = {C C A 1 Dizykel mit 0 V 1 (C)} Polyeder: P 1 n = conv{x A A F 1 n} Ungleichungen: Das Multi Traveling Salesman Problem p.17/26

80 Das Einmaschinenproblem Zul. Menge: F 1 n = {C C A 1 Dizykel mit 0 V 1 (C)} Polyeder: P 1 n = conv{x A A F 1 n} Ungleichungen: x 00 + x(δ + (0)) = 1 (6) x(δ (j)) = x(δ + (j)) j J (7) x(δ + (S)) x(δ + (v)) S J, S 2,v S (8) x ij {0, 1} ij A 1 (9) Das Multi Traveling Salesman Problem p.17/26

81 Das Einmaschinenproblem Lemma 2: Ein Inzidenzvektor x A von A A 1 ist genau dann eine zulässige Lösung von (6)-(9) wenn A F 1 n. Das Multi Traveling Salesman Problem p.18/26

82 Das Einmaschinenproblem Lemma 2: Ein Inzidenzvektor x A von A A 1 ist genau dann eine zulässige Lösung von (6)-(9) wenn A F 1 n. Beweis: analog zum Beweis von Lemma 1. Das Multi Traveling Salesman Problem p.18/26

83 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Das Multi Traveling Salesman Problem p.19/26

84 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Beweis: Das Multi Traveling Salesman Problem p.19/26

85 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Beweis: dim(p 1 n ) n2 Das Multi Traveling Salesman Problem p.19/26

86 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Beweis: dim(p 1 n ) n2 dim(p) = n rg(a eq(p) ) Das Multi Traveling Salesman Problem p.19/26

87 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Beweis: dim(p 1 n ) n2 Konstruiere n zulässige Dizykel Das Multi Traveling Salesman Problem p.19/26

88 Das Einmaschinenproblem Satz 2: Für das Polytop Pn 1 gilt: dim(p C n) 1 00 = = n 2 {00} C i0 = {0i,i0} i J Beweis: dim(pn 1) C ij = {0i,ij,j0} i,j J,i j n2 Konstruiere n zulässige Dizykel Das Multi Traveling Salesman Problem p.19/26

89 Das Einmaschinenproblem Satz 2: Für das Polytop P 1 n gilt: dim(p 1 n) = n 2 Beweis: dim(p 1 n ) n2 Konstruiere n zulässige Dizykel Ordne Inzidenzvektoren geschickt an Das Multi Traveling Salesman Problem p.19/26

90 Das Einmaschinenproblem Satz 1 2: C Für das Polytop Pn 1 12 gilt: dim(p 1 n) 1 0 = n C C Beweis: dim(pn 1) C n C 20 Konstruiere n zulässige Dizykel Ordne Inzidenzvektoren geschickt an Das Multi Traveling Salesman Problem p.19/26

91 Das Einmaschinenproblem Satz 1 2: C Für das Polytop Pn 1 12 gilt: dim(p 1 n) 1 0 = n C C Beweis: dim(pn 1) C n C 20 Konstruiere n zulässige Dizykel Ordne Inzidenzvektoren geschickt an Inzidenzvektoren linear unabhängig Das Multi Traveling Salesman Problem p.19/26

92 Das Einmaschinenproblem Satz 3: 1. Sei x ij A 1 und n 3. Dann definiert x ij 0 eine Facette von P 1 n. 2. Für S J, S 2, v S sind die Ungleichungen x(δ + (S)) x(δ + (v)) facettendefinierend für Pn. 1 Das Multi Traveling Salesman Problem p.20/26

93 Das Einmaschinenproblem Satz 3: 1. Sei x ij A 1 und n 3. Dann definiert x ij 0 eine Facette von P 1 n. 2. Für S J, S 2, v S sind die Ungleichungen x(δ + (S)) x(δ + (v)) facettendefinierend für Pn. 1 Beweis: Das Multi Traveling Salesman Problem p.20/26

94 Das Einmaschinenproblem Satz 3: dim(f) = dim(p) 1 1. Sei x ij A 1 und n 3. Dann definiert x ij 0 eine Facette von P 1 n. 2. Für S J, S 2, v S sind die Ungleichungen x(δ + (S)) x(δ + (v)) facettendefinierend für Pn. 1 Beweis: 1. Ähnlich zum Beweis von Satz 2, nur mit n 2 unabhängigen Touren. Das Multi Traveling Salesman Problem p.20/26

95 Das Einmaschinenproblem Satz 3: dim(f) = dim(p) 1 1. Sei x ij A 1 und n 3. Dann definiert x ij 0 eine Facette von P 1 n. 2. Für S J, S 2, v S sind die Ungleichungen x(δ + (S)) x(δ + (v)) facettendefinierend für Pn. 1 Beweis: 1. Ähnlich zum Beweis von Satz 2, nur mit n 2 unabhängigen Touren. 2. Durch geschickte Angabe von n 2 zulässigen Dizykeln, deren Inzidenzvektoren linear unabhängig sind. Das Multi Traveling Salesman Problem p.20/26

96 Das Einmaschinenproblem Satz 4: Für x Q n(n+1)+1,x 0. x erfülle (7). Dann sind die Ungleichungen (8) in polynomialer Zeit separierbar. Das Multi Traveling Salesman Problem p.21/26

97 Das Einmaschinenproblem Satz 4: Für x Q n(n+1)+1,x 0. x erfülle (7). Dann sind die Ungleichungen (8) in polynomialer Zeit separierbar. Beweis: Konstruiere Digraph D v = (V 1,A v ) mit A v = {ij i J,j V s \{v}} Definiere Kapazitäten c v ij = x ij für ij A v Löse in polynomialer Zeit ein v0-max flow Problem min-cut δ + (S v ) mit v S v J Das Multi Traveling Salesman Problem p.21/26

98 Die Facetten Satz 5: 1. Sei x ijk A und n 3, m 2. Dann definiert x ijk 0 eine Facette von P m n. 2. Falls n 3 und m 2 sind die v0-cut Ungleichungen (4) facettendefinierend. Das Multi Traveling Salesman Problem p.22/26

99 Die Facetten Satz 5: 1. Sei x ijk A und n 3, m 2. Dann definiert x ijk 0 eine Facette von P m n. 2. Falls n 3 und m 2 sind die v0-cut Ungleichungen (4) facettendefinierend. Beweis: Das Multi Traveling Salesman Problem p.22/26

100 Die Facetten Satz 5: 1. Sei x ijk A und n 3, m 2. Dann definiert x ijk 0 eine Facette von P m n. 2. Falls n 3 und m 2 sind die v0-cut Ungleichungen (4) facettendefinierend. Beweis: 1. Konstruiere mn 2 n unabhängige Touren. Das Multi Traveling Salesman Problem p.22/26

101 Die Facetten Satz 5: 1. Sei x ijk A und n 3, m 2. Dann definiert x ijk 0 eine Facette von P m n. 2. Falls n 3 und m 2 sind die v0-cut Ungleichungen (4) facettendefinierend. Beweis: 1. Konstruiere mn 2 n unabhängige Touren. 2. Für n 3 und m 3, alle facettendefinierenden Ungleichungen sind auch hier facettendefinierend. Für m = 2 konstruiere geschickt mn 2 n zulässige Touren. Das Multi Traveling Salesman Problem p.22/26

102 Die Facetten Satz 6: Für x Q A,x 0. x erfülle (3). Dann sind die Ungleichungen (4) in polynomialer Zeit separierbar. Das Multi Traveling Salesman Problem p.23/26

103 Die Facetten Satz 6: Für x Q A,x 0. x erfülle (3). Dann sind die Ungleichungen (4) in polynomialer Zeit separierbar. Beweis: Folgt aus Satz 4. Das Multi Traveling Salesman Problem p.23/26

104 Die Facetten Satz 7: Sei y Q B,x Q A,x 0. Sei y der Variablenvektor des auf Standardform transformierten m-atsp und es gelte y = Tx. Sei V die Knotenmenge der Transformation, S V mit 2 S V 2. Dann: y(b(s)) S 1 Das Multi Traveling Salesman Problem p.24/26

105 Zusammenfassung Ein ATSP kann auf ein TSP transformiert werden. Das Multi Traveling Salesman Problem p.25/26

106 Zusammenfassung Ein ATSP kann auf ein TSP transformiert werden. Ein Multi ATSP kann auf ein ATSP transformiert werden. Das Multi Traveling Salesman Problem p.25/26

107 Zusammenfassung Ein ATSP kann auf ein TSP transformiert werden. Ein Multi ATSP kann auf ein ATSP transformiert werden. Facetten des Einmaschinenproblems sind auch Facetten des m-cost ATSP. Das Multi Traveling Salesman Problem p.25/26

108 Zusammenfassung Ein ATSP kann auf ein TSP transformiert werden. Ein Multi ATSP kann auf ein ATSP transformiert werden. Facetten des Einmaschinenproblems sind auch Facetten des m-cost ATSP. Die v0-cut Ungleichungen können in polynomialer Zeit separiert werden. Das Multi Traveling Salesman Problem p.25/26

109 Zusammenfassung Ein ATSP kann auf ein TSP transformiert werden. Ein Multi ATSP kann auf ein ATSP transformiert werden. Facetten des Einmaschinenproblems sind auch Facetten des m-cost ATSP. Die v0-cut Ungleichungen können in polynomialer Zeit separiert werden. Falls die v0-cut Ungleichungen erfüllt sind, sind auch die Subtour Elimination Constraints des auf Standardform transformierten ATSP erfüllt. Das Multi Traveling Salesman Problem p.25/26

110 Auf Wiedersehen Vielen Dank für die Aufmerksamkeit! Das Multi Traveling Salesman Problem p.26/26

Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger

Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte

Mehr

2. Optimierungsprobleme 6

2. 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

Mehr

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung. Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite

Mehr

3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung

3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung 32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4

Mehr

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

Gemischt-ganzzahlige und Kombinatorische Optimierung

Gemischt-ganzzahlige und Kombinatorische Optimierung 5. Präsenzaufgabenblatt, Sommersemester 2015 Übungstunde am 15.06.2015 Aufgabe J Betrachten Sie die LP-Relaxierung max c T x a T x b 0 x i 1 des 0/1-Knapsack-Problems mit n Gegenständen, c 0 und a > 0.

Mehr

Durchschnitt von Matroiden

Durchschnitt von Matroiden Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt

Mehr

3.6 Branch-and-Bound-Verfahren

3.6 Branch-and-Bound-Verfahren 36 Branch-and-Bound-Verfahren Die Branch-and-Bound -Methode beruht darauf, auf eine intelligente Weise alle zulässigen Lösungen eines kombinatorischen Optimierungsproblems aufzulisten und mit Hilfe von

Mehr

Theoretische Informatik 1

Theoretische 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

Mehr

Hamiltonsche Graphen

Hamiltonsche 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,

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

3 Klassifikation wichtiger Optimierungsprobleme 3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche

Mehr

Konjunktive Normalform

Konjunktive Normalform Konjunktive Normalform Eine Formel α in konjunktiver Normalform hat die Form α k 1 k 2... k r. Die Klauseln k 1,..., k r sind Disjunktionen von Literalen, also Disjunktionen von Variablen oder negierten

Mehr

Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem

Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Gerold Jäger 4. Februar 2010 Gerold Jäger Theorie der Toleranzen 4. Februar 2010 1 / 35 Überblick 1 Theorie der Toleranzen

Mehr

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein

Proseminar 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

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, 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

Mehr

Optimierungsverfahren in der Transportlogistik

Optimierungsverfahren in der Transportlogistik Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /

Mehr

Ecken des Zuordnungsproblems

Ecken des Zuordnungsproblems Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.

Mehr

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme

Mehr

Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung

Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare

Mehr

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2 1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)

Mehr

Approximation im Sinne der Analysis:

Approximation im Sinne der Analysis: 1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der

Mehr

6. Übung zur Linearen Optimierung SS08

6. Übung zur Linearen Optimierung SS08 6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl

Mehr

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. 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

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 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

Mehr

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling

Mehr

8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule

8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule 1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier

Mehr

Kapitel 4: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 4: Minimale spannende Bäume Gliederung der Vorlesung Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman

Mehr

Approximationsalgorithmen. Approximation im Sinne der Analysis:

Approximationsalgorithmen. Approximation im Sinne der Analysis: Approximationsalgorithmen Ulrich Pferschy 1 Approximationsalgorithmen Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem

Mehr

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n

Mehr

Toleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger

Toleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de

Mehr

Optimierungsprobleme auf Graphen

Optimierungsprobleme auf Graphen 21. April 2009 1 Routenplanung TSP Chinesisches Postbotenproblem 2 Stabile Mengen, Cliquen, Knotenüberdeckungen 3 Färbungsprobleme 4 Schnitt-Probleme 5 Standortprobleme 6 Lineare Anordnungen und azyklische

Mehr

Bäume und Wälder. Definition 1

Bäume und Wälder. Definition 1 Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt

Mehr

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko

Mehr

Probleme aus NP und die polynomielle Reduktion

Probleme 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

Mehr

12.4 Traveling Salesman Problem

12.4 Traveling Salesman Problem 96 KOMBINATORISCHE SUCHE.4 Traveling Salesman Problem Definition.3(TSP, Problem des Handlungsreisenden): Wir betrachten einen gerichteten, gewichteten Graphen G = (V,E) mit K : V R. K({u,v}) sind die Kosten

Mehr

Approximationsalgorithmen für NP-harte Optimierungsprobleme

Approximationsalgorithmen 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

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

Weitere NP-vollständige Probleme

Weitere NP-vollständige Probleme Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p

Mehr

Approximation mit relativer Gütegarantie Überblick und einführende Beispiele

Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen

Mehr

Graphen. Graphen und ihre Darstellungen

Graphen. Graphen und ihre Darstellungen Graphen Graphen und ihre Darstellungen Ein Graph beschreibt Beziehungen zwischen den Elementen einer Menge von Objekten. Die Objekte werden als Knoten des Graphen bezeichnet; besteht zwischen zwei Knoten

Mehr

Trennender Schnitt. Wie groß kann der Fluss in dem folgenden Flussnetzwerk höchstens sein?

Trennender 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

Mehr

Optimierung für Nichtmathematiker

Optimierung für Nichtmathematiker Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung

Mehr

Minimale Spannbäume. Evangelia Tsiouprou. LMU Proseminar Computer Unplugged WS 2004/05

Minimale Spannbäume. Evangelia Tsiouprou. LMU Proseminar Computer Unplugged WS 2004/05 Evangelia Tsiouprou LMU Proseminar Computer Unplugged WS 2004/05 1 MOTIVATION 3 1.1 Spannbaum 3 2 ALGORITHMEN ZUR BERECHNUNG EINES MST: 5 2.1 Der Algorithmus von Kruskal 5 2.1.1 Das Dorfbeispiel für den

Mehr

Kapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen

Kapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt. Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken

Mehr

6. Flüsse und Zuordnungen

6. 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

Mehr

Lineare Programmierung

Lineare Programmierung Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken

Mehr

Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen

Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen Jack-III Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen Diplomarbeit angefertigt von Thorsten Koch eingereicht beim Fachbereich Mathematik der Technischen Universität

Mehr

Effiziente Algorithmen I

Effiziente Algorithmen I H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 9: Lineare Programmierung Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

Das Rucksackproblem. Definition Sprache Rucksack. Satz

Das Rucksackproblem. Definition Sprache Rucksack. Satz Das Rucksackproblem Definition Sprache Rucksack Gegeben sind n Gegenstände mit Gewichten W = {w 1,...,w n } N und Profiten P = {p 1,...,p n } N. Seien ferner b, k N. RUCKSACK:= {(W, P, b, k) I [n] : i

Mehr

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1

Aufgabe 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

Mehr

Die Klasse NP und die polynomielle Reduktion

Die 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

Mehr

KAPITEL 4 FLÜSSE IN NETZWERKEN

KAPITEL 4 FLÜSSE IN NETZWERKEN KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine

Mehr

6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen

6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen 6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus

Mehr

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt

Mehr

Datenstrukturen und Algorithmen SS07

Datenstrukturen und Algorithmen SS07 Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen

Mehr

Diskrete Optimierung (Einführung zur Vorlesung)

Diskrete Optimierung (Einführung zur Vorlesung) Diskrete Optimierung (Einführung zur Vorlesung) Christoph Helmberg : [,] Inhaltsübersicht Diskrete Optimierung. Das Heiratsproblem (ungerichtete Graphen).2 Ganzzahligkeit von Polyedern ( und gerichtete

Mehr

Einführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.

Einführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie. Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit

Mehr

Das Heiratsproblem. Definition Matching

Das 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

Mehr

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7

Algo&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

Mehr

Experimente. Zahlenbeispiel. Cache-Optimale Algorithmen. Warum Funktionieren Caches? Cache-Oblivious Speichermodell. Characterisierung von Caches

Experimente. Zahlenbeispiel. Cache-Optimale Algorithmen. Warum Funktionieren Caches? Cache-Oblivious Speichermodell. Characterisierung von Caches M=10 9, B=10 6 Zahlenbeispiel Für c=1/7 folgt daraus Experimente 20 Millionen Operationen auf Priority Queue mit verschiedenen Implementierungen Datenstrukturen ohne Rücksicht auf Paging-Effekte (Fibonacci

Mehr

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau

Mehr

Zugeordneter bipartiter Graph

Zugeordneter 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

Mehr

»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a

»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Inhaltsübersicht für heute:

Inhaltsübersicht für heute: Inhaltsübersicht für heute: Anwendung: Das Heiratsproblem Ganzzahligkeit von Polyedern Anwendung: Netzwerkflüsse Mehrgüterflussprobleme Ganzzahlige Optimierung Inhaltsübersicht für heute: Anwendung: Das

Mehr

2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}

2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1} 1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n

Mehr

6. Transitive Hülle. 6.1 Min-Plus-Matrix-Produkt und Min-Plus-Transitive Hülle Ring Z(+, ) Semiring N(+, )

6. Transitive Hülle. 6.1 Min-Plus-Matrix-Produkt und Min-Plus-Transitive Hülle Ring Z(+, ) Semiring N(+, ) 6. Transitive Hülle 6.1 Min-Plus-Matrix-Produkt und Min-Plus-Transitive Hülle Ring Z(+, ) Semiring N(+, ) Gruppe Halbgruppe Halbgruppe Halbgruppe Wir betrachten den (kommutativen) Semiring über R { } mit

Mehr

Single Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths

Single Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths Shortest Paths Label Correcting Algorithms Florian Reitz Universität Trier Fachbereich IV Fach Informatik Seminar Netzwerkalgorithmen WS 2005/2006 Einleitung: Problemübersicht Eben: Schnelle Algorithmen

Mehr

15. Elementare Graphalgorithmen

15. Elementare Graphalgorithmen Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen

Mehr

NP-vollständig - Was nun?

NP-vollständig - Was nun? Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität

Mehr

Von den Kanten von Gewicht 4 wird nur noch eine ausgewählt, die zu dem letzten nicht ausgewählten Knoten führt: 1. Juni

Von den Kanten von Gewicht 4 wird nur noch eine ausgewählt, die zu dem letzten nicht ausgewählten Knoten führt: 1. Juni CHAPTER. GRAPHEN.. B Ä UME.. Bäume Ein schlichter Graph ohne Kreise heisst Wald, ist er noch zusätzlich zusammenhängend so wird er Baum genannt. Bevor wir Bäume genauer beschreiben ein kleines LEMMA...

Mehr

11. Übung zu Algorithmen I 6. Juli 2016

11. Übung zu Algorithmen I 6. Juli 2016 11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus

Mehr

Anwendungen von Graphen

Anwendungen von Graphen Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke elektrische Schaltpläne Entity-Relationship Diagramme Beweisbäume endliche Automaten Syntaxbäume für Programmiersprachen Entscheidungsbäume

Mehr

Überblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching

Überblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching Kap. 1.4: Minimum Weight Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 4. VO 6. November 2006 Überblick kurze Wiederholung: 1.2 Blüten-Schrumpf-Algorithmus für Perfektes Matching

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon

Mehr

Theorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.

Theorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21. Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme

Mehr

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.

Mehr

Algorithmen und Datenstrukturen 2-1. Seminar -

Algorithmen 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

Mehr

Optimierung I. Dr. Ulf Lorenz F2.413

Optimierung I. Dr. Ulf Lorenz F2.413 Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:

Mehr

6. Planare Graphen und Färbungen

6. 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

Mehr

Über ein Theorem von Hans Läuchli

Über ein Theorem von Hans Läuchli Über ein Theorem von Hans Läuchli Lorenz Halbeisen Abstract. Für natürliche Zahlen n sei P n die folgende Aussage: Ist G ein unendlicher Graph, all dessen endliche Teilgraphen n-färbbar sind, so ist auch

Mehr

Vorlesung Kombinatorische Optimierung (Wintersemester 2007/08)

Vorlesung Kombinatorische Optimierung (Wintersemester 2007/08) 1 Vorlesung Kombinatorische Optimierung (Wintersemester 2007/08) Kapitel 5: NP-schwierige Probleme Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 21. Dezember 2007) Rucksack Problem

Mehr

Bipartite Graphen. Beispiele

Bipartite 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

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende

Mehr

Einheit 11 - Graphen

Einheit 11 - Graphen Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)

Mehr

Freie Bäume und Wälder

Freie 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

Mehr

Lineare Programmierung

Lineare Programmierung Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes

Mehr

9: Gewichtete Graphen

9: Gewichtete Graphen Chr.Nelius: Graphentheorie (WS 06/7) 9 9: Gewichtete Graphen Beispiel: Eine Straßenkarte mit Entfernungsangaben zwischen den Orten ist ein Beispiel für einen gewichteten Graphen. (9.) DEF: Ein Graph G

Mehr

1 Der Simplex Algorithmus I

1 Der Simplex Algorithmus I 1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier

Mehr