Kapitel 4: Netzplantechnik Gliederung der Vorlesung
|
|
- Miriam Berger
- vor 7 Jahren
- Abrufe
Transkript
1 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 und Anwendungen 8. Bipartite Graphen 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
2 Gliederung des Kapitels a) Einordnung / Motivation b) Modellierung mit Vorgangspfeil-Netzplänen c) d) Beziehungen zur linearen Programmierung 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
3 ! Konzeptionelle Idee den Vorgängen werden Knoten zugeordnet die Kanten dienen dazu die inhaltlichen (/* und später auch andere zeitliche */) Abhängigkeiten zwischen den einzelnen Vorgängen abzubilden 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
4 ! Beispiel... zunächst wird für jeden Vorgang ein Knoten und für jede inhaltliche Abhängigkeit eine Kante eingefügt Vorgang Name Dauer Beginn... a Erschließen 5 - b Ausschachten 10 - c Anschlüsse 8 b d Fundament 2 b e Rohbau 5 d f Fenster/Türen 5 e g Dach 4 e h Installation 8 c,e i Innenausbau 8 e a c h b d e f g i 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
5 ! Beispiel... dann werden ein Startknoten s, ein Zielknoten t und die zugehörigen Kanten eingefügt Vorgang Name Dauer Beginn... a Erschließen 5 - b Ausschachten 10 - c Anschlüsse 8 b d Fundament 2 b e Rohbau 5 d f Fenster/Türen 5 e g Dach 4 e h Installation 8 c,e i Innenausbau 8 e a c h s b f s d e g i 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
6 Vorgang Name Dauer Beginn...! Beispiel... zum Abschluss erhalten die Kanten Gewichte, die der Dauer des Vorgangs an der Startecke entsprechen 5 a Erschließen 5 - b Ausschachten 10 - c Anschlüsse 8 b d Fundament 2 b e Rohbau 5 d f Fenster/Türen 5 e g Dach 4 e h Installation 8 c,e i Innenausbau 8 e a 10 c 8 h s b 10 d 2 e f g i s 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
7 ! Anmerkung die Kanten des Vorgangsknoten-Netzplans in der angegebenen Art mit Gewichten zu versehen ist adäquat... man kann die inhaltlichen Abhängigkeiten (/* etwa: mit Vorgang y darf erst begonnen werden, nachdem Vorgang x beendet wurde */) auch als zeitliche Abhängigkeiten interpretieren zwischen dem Beginn von Vorgang y und dem Beginn von Vorgang x müssen mindestens so viele Zeiteinheiten vergangen sein, wie der Vorgang x dauert 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
8 ! Die relevanten Fragen a) Ist das Projekt überhaupt durchführbar? b) Wie viel Zeit muss man mindestens einplanen? c) Wann kann mit den Vorgängen frühestens begonnen werden? d) Wann muss man mit den einzelnen Vorgängen spätestens beginnen, damit das Projekt in der kürzest möglichen Zeit durchgeführt werden kann?... diese Fragen lassen sich auf dieselbe Art beantworten, wie wir es für die Modellierung mit Hilfe von Vorgangspfeil-Netzplänen gesehen haben (/* man berechnet die Mindest-Projektdauer, die frühesten Zeitpunkte sowie die bzw. spätesten Zeitpunkte völlig analog */)... da jedem Knoten u mit u s und u t ein Vorgang u zugeordnet ist, entsprechen die bestimmten Zeitpunkte den frühesten bzw. spätesten Startzeitpunkten für den Vorgang u 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
9 ! Zeitliche Abhängigkeiten bisher haben wir und darauf beschränkt, inhaltliche Abhängigkeiten in die Projektplanung einzubeziehen... solche Abhängigkeiten lassen sich auch zeitlich interpretieren (/* zwischen den Startzeitpunkten von zwei Vorgängen muss mindestens eine bestimmte Zeit vergangen sein*/) wir unterscheiden zwei Arten von zeitlichen Abhängigkeiten Minimalzeit-Bedingung (/* zwischen den Startzeitpunkten muss mindestens eine bestimmt Zeit vergangen sein */) Maximalzeit-Bedingung (/* zwischen den Startzeitpunkten darf höchstens eine bestimmt Zeit vergangen sein */) 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
10 ! Begriff: Minimalzeit-Bedingung es seien zwei Vorgänge x und y gegeben es seien ST(x) und ST(y) mögliche Startzeitpunkte für die beiden Vorgänge es sei z irgendeine Konstante die Forderung, dass ST(y) - ST(x) z gelten soll, nennen wir Minimalzeit-Bedingung zwischen den Vorgängen y und x... anschaulich: der Vorgang y soll frühestens z Zeiteinheiten, nach dem der Vorgang x begonnen wurde, begonnen werden... falls z genau die Dauer des Vorgangs x ist, kann man so eine inhaltliche Abhängigkeit ausdrücken 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
11 ! Modellierung von Minimalzeit-Bedingungen es sei ST(y) - ST(x) z eine Minimalzeit-Bedingungen zwischen den Vorgängen y und x... diese Minimalzeit-Bedingung zwischen den Vorgängen y und x wird im Vorgangsknoten-Netzplan durch eine Kante vom Knoten x zum Knoten y modelliert, die das Gewicht z hat x z y 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
12 ! Begriff: Maximalzeit-Bedingung es seien zwei Vorgänge x und y gegeben es seien ST(x) und ST(y) mögliche Startzeitpunkte für die beiden Vorgänge es sei z irgendeine Konstante die Forderung, dass ST(y) - ST(x) z gelten soll, nennen wir Maximalzeit-Bedingung zwischen den Vorgängen y und x... anschaulich: der Vorgang y soll spätestens z Zeiteinheiten, nach dem der Vorgang x begonnen wurde, begonnen werden 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
13 ! Modellierung von Maximalzeit-Bedingungen es sei ST(y) - ST(x) z eine Maximalzeit-Bedingungen zwischen den Vorgängen y und x offenbar sind die Bedingungen ST(y) - ST(x) z und ST(x) - ST(y) -z äquivalent... diese Maximalzeit-Bedingung zwischen den Vorgängen y und x entspricht einer Minimalzeit-Bedingung zwischen den Vorgängen x und y... diese Maximalzeit-Bedingung zwischen den Vorgängen y und x wird im Vorgangsknoten-Netzplan durch eine Kante vom Knoten y zum Knoten x modelliert, die das Gewicht -z hat x -z y 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
14 ! Anmerkungen der betrachtete Ansatz, Vorgangsknoten-Netzpläne anstelle von Vorgangspfeil-Netzplänen für die Modellierung zu verwenden, erlaubt es komplexere Zusammenhänge zu beschreiben die entstehende gerichteten, kantengewichteten Graphen sind nicht länger kreisfrei (/* zwischen dem Vorgang y und dem Vorgang x kann sowohl eine Minimalzeit- als auch eine Maximalzeit-Bedingung gelten */) und können Kanten mit negativen Gewichten enthalten (/* zwischen dem Vorgang y und dem Vorgang x kann eine Maximalzeit- Bedingung gelten */) 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
15 ! Konsequenzen die Antworten auf die uns interessierenden Fragen, müssen ein wenig anders abgeleitet werden... a) Ist das Projekt überhaupt durchführbar? b) Wie viel Zeit muss man mindestens einplanen? c) Wann kann mit den Vorgängen frühestens begonnen werden? d) Wann muss man mit den einzelnen Vorgängen spätestens beginnen, damit das Projekt in der kürzest möglichen Zeit durchgeführt werden kann? 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
16 ! Beispiel (/* problematische Modellierung */) drei Vorgänge a, b und c mit den Vorgangsdauern D[a] = 8, D[b] = 4 und D[c] = 3 den Minimalzeit-Bedingungen ST(b) - ST(a) 2 sowie ST(c) - ST(a) 3 der Maximal-Zeitbedingung ST(b) - ST(a) 3-3 s a 2 b 4 t 3 c 3 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
17 ! Beispiel (/* problematische Modellierung */) -3 s a 2 b 4 t 3 c 3... für a,b und c entsprechen die frühesten Startzeitpunkte wie üblich dem maximalen Gewicht eines Pfades von s zum jeweiligen Knoten (/* d.h. F[a] = 0, F[b] = 2 und F[c] = 3 */)... der früheste Startzeitpunkt von t entspricht nicht mehr dem maximalen Gewicht eines Pfades von s zum Knoten t (/* die Dauer des Vorgangs a kommt in der Modellierung gar nicht vor */) 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
18 ! Beispiel (/* korrekte Modellierung */) drei Vorgänge a, b und c mit den Vorgangsdauern D[a] = 8, D[b] = 4 und D[c] = 3 den Minimalzeit-Bedingungen ST(b) - ST(a) 2 sowie ST(c) - ST(a) 3 der Maximal-Zeitbedingung ST(b) - ST(a) s a 2 b 4 t 3 c 3 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
19 ! Anmerkung der Vorgangsknoten-Netzplan wird wie folgt erzeugt: je Vorgang einen Vorgangsknoten je zeitlicher Abhängigkeit eine entsprechende Kante zwischen zwei Vorgangsknoten mit dem entsprechenden Gewicht ein Startknoten s, der zu jedem Vorgangsknoten, welcher nicht Startecke einer Kante mit positivem Gewicht ist, eine Kante mit dem Gewicht 0 hat ein Zielknoten t, wobei von jedem Vorgangsknoten eine Kante zum Zielknoten t geht, die die Dauer des Vorgangs als Gewicht hat 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
20 ! Die Antworten auf die Fragen a) und b) die Mindestprojektdauer T entspricht dem maximalen Gewicht eines Pfades vom Startknoten s zum Zielknoten t falls es Kreise mit positivem Gewicht gibt, gibt es keinen Pfad mit maximalem Gewicht und das Projekt ist nicht durchführbar (/* die zeitlichen Abhängigkeiten sind in sich widersprüchlich */) 8-3 s a 2 b 4 t 3 c 1 3 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
21 ! Die Antworten auf die Fragen c) und d) der früheste Startzeitpunkt F[x], zu dem mit einem Vorgang x begonnen werden kann, entspricht wieder dem maximalen Gewicht eines Pfades vom Startknoten s zum Knoten x der späteste Startzeitpunkt S[x], zu dem mit einem Vorgang x begonnen werden kann, so dass die Mindestprojektdauer T eingehalten wird, entspricht dem Wert T minus dem maximalen Gewicht eines Pfades vom Knoten x zum Zielknoten t... also alles wie gehabt (/* zur Berechnung der maximalen Gewichte der entsprechenden Pfade benötigt man einen Algorithmus, der mit Graphen umgehen kann, die möglicherweise nicht kreisfrei sind und Kanten mit negativen Gewichten haben */) 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
22 ! Zurück zum Beispiel 8-3 s a 2 b 4 t 3 c 3... offenbar gilt,wie gewünscht: T = 8 F[a] = 0, F[b] = 2 und F[c] = 3 S[a] = 8, S[b] = 3 und S[c] = 5 (... S[b] 4, weil im inversen Graphen der längste Pfad von t nach b die Länge 5 hat 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
23 ! Zugehörige algorithmische Fragestellung gegeben: gesucht: ein gerichteter Graph G = (V,E) eine Gewichtsfunktion w(.) für G ein Startknoten s das maximale Gewicht eines Pfades von s zu jedem anderen Knoten in G (/* falls ein solcher existiert */)... der Graph G habe genau n Knoten (/* der Einfachheit halber sei V = { 1,...,n } */) und m Kanten 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
24 ! Hintergrund der Algorithmus von Bellman und Ford nutzt die folgenden Zusammenhänge aus jeder Pfad vom Startknoten s zu einem anderen Knoten v mit einem maximalen Gewicht hat höchstens n - 1 Kanten in einem solchen Pfad P = (s,..,u,v) ist das Anfangsstück P = (s,..,u) ein Pfad mit maximalem Gewicht vom Startknoten s zum Knoten u, der eine Kante weniger benutzt... bestimme sukzessive die Gewichte aller Pfade vom Startknoten s zu jedem anderen Knoten v (/* geordnet nach der Anzahl der Kanten die diese Pfade benutzen*/)... das Gewicht des Pfades zum Knoten v, der unter allen bisher untersuchten am größten ist, wird sich als Schätzwert gemerkt 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
25 ! Zugrunde liegende Datenstrukturen ein Array L[1..m] mit den Informationen zu allen Kanten von G (/* de facto die Verkettung der einzelnen Listen der Adjazenzliste A[1..n] von G */) ein Array D[1..n] (/* in dem sich die aktuellen Schätzwerte gemerkt werden */) ein Array D [1..n] (/* in dem sich die neuen Schätzwerte zwischenzeitlich gemerkt werden */) ein Array P[1..n] (/* in dem sich für jeden Knoten der aktuelle Vorgänger gemerkt wird */) 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
26 ! Realisierung setze D[j] = - und P[j] = 0 für alle j = 1,...,n setze D[s] = 0 for j = 1,..., n - 1 do setze D [j] = D[j] for i = 1,...,m do bestimme die Kante (u,v) in L[i] bestimme H = D[u] + w((u,v)) if D [v] < H then setze D [v] = H und P[v] = u for j = 1,...,m do setze D[j] = D [j] 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
27 ! Anmerkung man sieht unmittelbar, dass der Algorithmus von Bellman und Ford insgesamt O(n*m) viele Rechenschritte benötigt es sollte klar sein, dass der Algorithmus das Gewünschte leistet (/* falls der gegebene Graph keine Zyklen mit positivem Gewicht hat */)... um herauszubekommen, ob es im Graphen einen Zyklus mit positivem Gewicht gibt, wird der folgende Test durchgeführt 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
28 ! Zugehöriger Test... nach Beendigung der eigentlichen Berechnung wird folgender Test eingefügt setze flag = true for i = 1,...,m do bestimme die Kante (u,v) in L[i] if D[v] < D[u] + w((u,v)) then setze flag = false if flag == false then gib G enthält einen relevanten Zyklus mit negativem Gewicht aus... offenbar benötigt der zusätzliche Test O(m) viele Rechenschritte 4/3, Folie Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
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
MehrKapitel 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
MehrKapitel 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
MehrKapitel 8: Bipartite Graphen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrKapitel 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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrKapitel 3: Kürzeste Pfade Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in
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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrKapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung
Kapitel : Fallstudie Bipartite Graphen Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und. Minimal spannende Bäume. Kürzeste Wege 6. Traveling Salesman
MehrKapitel 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
MehrTheoretische Informatik
Theoretische Informatik Sommersemester 2016 Steffen Lange 0/1, Folie 1 2016 Prof. Steffen Lange - HDa/FbI - Theoretische Informatik Literatur S. Lange, M. Margraf, Theoretische Informatik, Lehrmaterial
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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorleung. Falltudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal pannende Bäume 5. Kürzete Pfade 6. Traveling Saleman Problem 7. Flüe in Netzwerken
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen. Hashing 6. Algorithmische Geometrie 4/6, Folie 1 2014 Prof. Steffen Lange - HDa/FbI
MehrFolien aus der Vorlesung Optimierung I SS2013
Folien aus der Vorlesung Optimierung I SS2013 Dr. Jens Maßberg Institut für Optimierung und Operations Research, Universität Ulm July 10, 2013 Datenstrukturen für Graphen und Digraphen Graph Scanning Algorithmus
MehrKapitel 3: Untere Schranken für algorithmische Probleme Gliederung
Gliederung 1. Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs 6. Ausgewählte
MehrKapitel 3: Sortierverfahren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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
Mehr15. 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
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
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
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
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/3, Folie 1 2010 Prof. Steffen Lange - HDa/FbI
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
MehrKapitel 2: Analyse der Laufzeit von Algorithmen Gliederung
Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs
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
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
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
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
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
MehrKapitel 4: Komplexitätstheorie Gliederung
Gliederung 0. Einleitung und Grundbegriffe 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 4.1. Motivation und Grundbegriffe 4.2. Die Komplexitätsklassen P und NP
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
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
MehrMatchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)
Praktikum Diskrete Optimierung (Teil 5) 6.05.009 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
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.
MehrBreitensuche BFS (Breadth First Search)
Breitensuche BFS (Breadth First Search) Algorithmus BREITENSUCHE EINGABE: G = (V, E) als Adjazenzliste, Startknoten s V 1 Für alle v V 1 If (v = s) then d[v] 0 else d[v] ; 2 pred[v] nil; 2 Q new Queue;
MehrTeil 2: Graphenalgorithmen
Teil : Graphenalgorithmen Anwendungen Definitionen Datenstrukturen für Graphen Elementare Algorithmen Topologisches Sortieren Kürzeste Wege Problemstellung Ungewichtete Graphen Distanzgraphen Gewichtete
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
MehrKapitel 2: Sortier- und Selektionsverfahren Gliederung
Gliederung 1. Laufzeit von Algorithmen 2. Sortier- und Selektionsverfahren 3. Paradigmen des Algorithmenentwurfs 4. Ausgewählte Datenstrukturen 5. Algorithmische Geometrie 6. Randomisierte Algorithmen
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI
MehrKapitel 4: Komplexitätstheorie Gliederung
Gliederung 0. Motivation und Einordnung 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 4.1. Motivation und Grundbegriffe 4.2. Die Komplexitätsklassen P und NP 4.3.
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
Mehr10 Kürzeste Pfade SSSP-Problem
In diesem Kapitel setzen wir uns mit der Berechnung von kürzesten Pfaden in einem Graphen auseinander. Definition 10.1 (Pfadgewichte). i) Das Gewicht eines Pfades p = (v 0, v 1,..., v k ) ist die Summe
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:.....................................
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/2, Folie 1 2014 Prof. Steffen Lange - HDa/FbI
Mehr1. Asymptotische Notationen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. String Matching 5. Ausgewählte Datenstrukturen
Gliederung 1. Asymptotische Notationen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. String Matching 5. Ausgewählte Datenstrukturen 1/1, Folie 1 2009 Prof. Steffen Lange - HDa/FbI - Effiziente
Mehrp = (v 0, v 1,..., v k )
1 Routenlaner Hamburg 300 km 200 km Berlin 450 km Köln 200 km 400 km Frankfurt 50 km 200 km 150 km Mannheim Saarbrücken 100 km 250 km Stuttgart 200 km Dresden 300 km Nürnberg 200 km München Berechne den
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
Mehr6. 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
MehrAlgorithmen & Datenstrukturen 2 Praktikum 3
Algorithmen & Datenstrukturen 2 Praktikum 3 Thema: Graphalgorithmen Sommersemester 2016 Prof. Dr. Christoph Karg Hochschule Aalen Dieses Praktikum widmet sich dem Thema Graphalgorithmen. Ziel ist die Implementierung
Mehrlässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens
Praktikum Algorithmen-Entwurf (Teil 5)..5 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen Endpunkt
MehrModul Algorithmik, T-Katalog
Modul Algorithmik, T-Katalog Sommersemester 2017 Steffen Lange 1/1, Folie 1 2017 Prof. Steffen Lange - HDa/FbI - Algorithmik Organisatorisches u Vorlesung Folien im Netz u Übung eine Übung alle 14 Tage
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,
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.
MehrOptimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
Mehr12. Der Algorithmus von Dijkstra. Informatik II für Verkehrsingenieure
. Der Algorithmus von Dijkstra Informatik II für Verkehrsingenieure Problemstellung Gegeben: Graph G =(V, E, len) mit positiver Kantenfunktion len : E! R 0, Knoten s, t V Mögliche Aufgaben Berechne Distanz
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
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
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 ),
MehrKapitel 2: Zahlentheoretische Algorithmen Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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,
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrAlgorithmische Mathematik I
Algorithmische Mathematik I Wintersemester 2011 / 2012 Prof. Dr. Sven Beuchler Peter Zaspel Übungsblatt zur Wiederholung Teil 1. Abgabe am -. Aufgabe 1. a) Was ist eine B-adische Darstellung mit fixer
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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
MehrFerienkurs 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
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
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
MehrKapitel 6: Graphalgorithmen Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrKapitel 2: Analyse der Laufzeit von Algorithmen Gliederung
Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs
MehrKapitel 2: Formale Sprachen Gliederung. 0. Grundbegriffe 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie
Gliederung 0. Grundbegriffe 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 2.1. 2.2. Reguläre Sprachen 2.3. Kontextfreie Sprachen 2/1, Folie 1 2015 Prof. Steffen
MehrInformatik B Sommersemester Musterlösung zur Klausur am
Informatik B Sommersemester 01 Musterlösung zur Klausur am 1.0.01 Leider wurde der Hinweis, dass alle Lösungen kurz (stichpunktartig), aber inhaltlich ausreichend zu kommentieren sind, nicht immer beachtet.
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
Mehr7. Lineare Gleichungssysteme
7. Lineare Gleichungssysteme Lineare Gleichungssysteme A~x = ~ b mit A 2 R m;n ; ~x 2 R n ~x ist gesucht, r = Rg(A); a x + a 2 x 2 + : : : + a n x n = b a m x + a m2 x 2 + : : : + a mn x n = b m. Struktur
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
MehrAlgorithmen 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
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
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrTutoraufgabe 1 (Starke Zusammenhangskomponenten):
für Informatik Prof. aa Dr. Ir. Joost-Pieter Katoen Allgemeine Hinweise: Datenstrukturen und Algorithmen SS1 Übungsblatt (Abgabe 4.0.01) Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder
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
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
MehrAlgorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdarstellungen Maike Buchin 0.6.017 Graphen Motivation: Graphen treten häufig als Abstraktion von Objekten (Knoten) und ihren Beziehungen (Kanten) auf. Beispiele: soziale
MehrKapitel 3: Berechnungstheorie Gliederung
Gliederung 0. Motivation und Einordnung 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 3.1. Einordnung 3.2. Berechnungsmodelle 3.3. Diskussion 3.4. Ergebnisse und
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
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie 2/2, Folie 1 2014 Prof. Steffen Lange - HDa/FbI
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
MehrTeil 2: Graphenalgorithmen
Teil : Graphenalgorithmen Anwendungen Definitionen Datenstrukturen für Graphen Elementare Algorithmen Topologisches Sortieren Kürzeste Wege Minimal aufspannende Bäume Problemstellung Algorithmus von Prim
MehrGrundbegriffe 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
MehrMuster. Informatik 3 (Februar 2004) Name: Matrikelnummer: Betrachten Sie den folgenden Suchbaum. A G H J K M N
2 von 15 Aufgabe 1: Suchbäume (14 ) Betrachten Sie den folgenden Suchbaum. A B C D E F G H I J K L M N O P R (a) (1 Punkt ) Geben Sie die Höhe des Knotens F an. (b) (1 Punkt ) Geben Sie die Tiefe des Knotens
Mehr