Approximationsalgorithmen. Durchmesser-, Breite-, kleinster Zylinderund. dünnster Kreisring- Probleme
|
|
- Kristina Maus
- vor 7 Jahren
- Abrufe
Transkript
1 Approximationsalgorithmen für Durchmesser-, Breite-, kleinster Zylinderund dünnster Kreisring- Probleme Georgy Sklyarenko Vortrag im Seminar über Algorithmen am 2. December 2005
2 Kapitel 1. Einführung 1.1. Definitionen Gegeben: eine Menge von Punkten P R d, P = n. Finde: Durchmesser: der größte Abstand über alle Paare in P Breite: die minimale Breite über alle P einschließenden Platten, wobei eine Platte von der Breite b den Bereich zwischen zwei parallelen Hyperebenen bezeichnet den kleinsten Zylinder: der minimale Radius über alle P umschließenden Zylinder, wobei ein Zylinder des Radius r den Bereich aller Punkte mit dem Abstand r von einer Geraden bezeichnet den dünnsten Kreisring: die kleinste Breite über alle P umschließenden Kreisringe, wobei ein Kreisring auch sphärische Schicht genannt von der Breite r 1 r 2 der Bereich zwischen zwei konzentrischen Sphären der Radien r 1 und r 2 ist 1.2. Motivation Statistische Analyse Algorithmische Metrologie Datenanpassung 1.3. LTAS Es gibt keine exakten Algorithmen mit linearer Laufzeit 1
3 sogar für Duchmeser in d 4, für Breite in d 3, und Kreisring in d 2 Approximationsalgorithmen 1 + ε-approximationen mit linearer Zeit Ignorieren den d-abhängigen konstanten Faktor 1 O -Notation versteckt log O1 Faktoren ε n LTAS der Ordnung c: O ε c linear-time approximation scheme Aufgabe: Finde das kleinste c 1.4. sltas Für alle vier Probleme gibt es Approximationsalgorithmen mit Laufzeit O n + 1 ε c Strenges LTAS sltas der Ornung c Aufgabe: Finde das kleinste c 1.5. Bekannte exakte Algorithmen Durchmesser Breite Für d = 2: On log n, einfach Für d = 3: On log n, randomisiert, optimal Clarkson and Shor, 1989, [4] On log n, deterministisch Ramos, 2000, [5] Für d 4: On 2, einfach O n 2 2/ d/2 +1 log O1 n mit Datenstrukturen Für d = 2: On log n, einfach Für d = 3: 2
4 On 2, schwer Houle and Toussaint 1985, [6] On 3/2+δ erwartete Zeit Für d 4: On d/2, einfach Lösungsraum als ein konvexer Polyeder in R d Bekannte exakte Algorithmen Zylinder Für d = 2: identisch mit Breite Für d = 3: On 4+δ Schömer, 2000, [7] On 3+δ Agarwal, 2000, [8] Für d 4: On 2d 1+δ, einfach Lösungsraum als eine Zelle in einem Arrangement von Hyperebenen in 2d 1 Dimensionen Kreisring Für d = 2: On 2, durch Voronoi-Diagramm, einfach On 3/2+δ, randomisiert, Agarwal, 1997, [9] Für d 3: On n/2 +1, einfach Lösungsraum als konvexer Polyeder in d + 2 Variablen On 3 1/19+δ nicht interessant Agarwal, 1999, [10] 1.7. Bekannte Approximationsalgorithmen Durchmesser: d = 4 : 1.5-LTAS, 4.8-sLTAS, d = 5 : 2-LTAS, 6.67-sLTAS Breite: d = 3 : 1-LTAS, d = 4 : 1.5-LTAS Zylinder: d = 3 : 2-LTAS Kreisring: d = 2 : 1-LTAS, d = 3 : 2-LTAS 3
5 1.8. Techniken Gitter Kegel Reduktion der Dimension 4
6 Kapitel 2. Durchmesser Das einfachste Problem unter den vier genannten Gegeben: P R d, P = n, d = const Finde: P mit p i p k P, p i, p k P 2.1. Approximationsalgorithmus mit konstanter relativer Güte Einfach: Wähle einen beliebigen Punkt p 0 P Sei p0 = max p P p 0 p Offensichtlich p0 P 2 p0 Relative Güte-Garantie Gitter Konstruiere ein regelmäßiges Gitter mit Seitenlänge ε p0 Runde die Punkte auf Gitterknoten Berechne den Durchmesser von Gitterknoten 2.3. Analyse Additiver Fehler durch das Runden Oε p0 = Oε P 1 + Oε-Approximation 5
7 Laufzeit: Runden in On Zeit mit -Funktion Entfernung von Duplikaten mit BucketSort in O n + 1ε Zeit d alle Punkte liegen innerhalb einer Kugel vom Radius O P = O p0 insgesamt O 1 Gitterknoten ε d 1 Berechnung des Durchmessers von O Zeit O n + 1 sltas ε 2d Verbesserungsvorschläge: ε d 1 Gitterknoten mit brute-force in O ε 2d Beim Runden: nur der oberste und der unterste Gitterknoten auf den vertikalen 1 Linien sind von Interesse nur O Gitterknoten nur O n + 1 Zeit ε d 1 ε d 1 für BucketSort Usw Kegel 1 Beobachtung: O Kegel mit dem Winkel O θ θε d 1 ε bedecken den Richtungsraum, 1 wobei θ ε = arccos 1 + ε θ ε = 2ε ε + O ε θ ε 2 U d = {e R d e = 1 x R d e U d : e, x θ ε } sei Menge von U d O Einheitsvektoren x 1 + ε max e U d e x x 2.5. Kegel 1 θε d 1 Gesucht: p 0, q 0 P mit p 0 q 0 = max p q p,q P 1 + ε-approximation: Finde max p,q P e U d ep q e U d finde 6
8 p 0 P mit e p 0 = max e p p P q 0 P mit e q 0 = min e q q P 1 Suche nach Randpunkten von P in O Anfragerichtungen θε d 1 Im Dual bekannt als Strahlenwerfen ray-shooting in einen konvexen Polyeder On Zeit pro Anfrage, trivial n O -LTAS ε d 1/ Gitter und Kegel Erinnerung: Reduktion auf O Idee: Anstatt von brute-force Kegel 1 Gitterknoten ε d 1 zwei 1 + ε-approximationen 1 + Oε-Approximation O n + 1 -sltas ε 3 2 d Gitter, Kegel und Reduktion der Dimension 1 Gitter: O Gitterknoten ε d 1 Anstatt von d-dimensionalen Kegeln 2-dimensionale Kegel Reduktion auf d 1-dimensionale Teilprobleme 1 2-dimensionalen Kegelrichtungen entsprechen Projektionen auf O Hyperebenen ε Löse die Teilprobleme rekursiv sltas der Ordnung d 1/ Gitter, Kegel und Reduktion der Dimension Projektion π e : R d R d 1 π e x = e 1 x 1 + e 2 x 2, x 3, x 4,..., x d x 1 + ε max π 2 e x 2 x 2 e U 2 7
9 Finde 1 + Oε-Approximation für den Durchmesser von P R d Finde 1 + Oε-Approximation für max π e p q p,q P e U 2 Finde rekursiv Approximation für den Durchmesser von π e P R d 1 über alle e U 2 T d n = O n + ε 1 1 T d 1 O Lösung: T d n = O n + 1 ε d 1/2 sltas der Ordnung d 1 ε d 1 8
10 Kapitel 3. Breite 3.1. Optimierungsproblem Zwei parallele Hyperebenen: E 1 = {x R d n x = b 1 } und E 2 = {x R d n x = b 2 } Optimierungsproblem: Die Menge der Problem-Instanzen Eingaben: P R d Die Menge der zu Eingabe P zulässigen Lösungen: SP = {b 1, b 2, n R R R d b 1 n p b 2, p P } Die Bewertungsfunktion: fb 1, b 2, n = b 1 b 2 n Ziel: min Lineare/konvexe Programmierung nicht anwendbar 3.2. Kegel und LP Zerlege das Optimierungsproblem in LPs Idee: Kegel Bewertungsfunktion: b 2 b 1 e n 1 + ε-approximation Substitution: η = P R d n b 1 b 2, σ = b 1 b 1 b 2 9
11 σ p η σ + 1, p P e η max d + 1-dimensionale LPs für O n O -LTAS ε d 1/2 1 Vektoren e U ε d 1/2 d 10
12 Kapitel 4. Der kleinste Zylinder 4.1. Optimierungsproblem Achse des Zylinders l = {s + t r t R}, Radius ρ Optimierungsproblem OP : Die Menge der Instanzen: P R d Die { Menge der zu Instanz P zulässigen Lösungen: } ρ, r, s R 2d+1 p s r s + r p r 2 ρ, p P Die Bewertungsfunktion: ρ Ziel: min Idee: Ersetze das Optimierungsproblem durch einfachere Probleme OP Kegel e p s s + r p e r ρ ρ min 4.2. Kegel und CP Lemma. Seien r, s, ρ und r, s, ρ, e optimale Lösungen für OP und OP. Dann 1 r, s, ρ ist zulässiger Bereich für OP, und 2 ρ 1 + ερ 1 einfach 11
13 2 wähle e U d mit e, r θ ε. Sei p 0 P, q 1 = s + r p 0 s r r 2 q 2 = s + e p 0 s r e r p 0 q 1 l p 0 q 2 e p 0 q 2, r π 2 + θ ε q 1 p 0, q 2 p 0 θ ε q 2 p ε q 1 p Kegel und CP Substitution: ξ = s e s e r r, η = 1 O CPs für alle e U ε d 1/2 d P R d ξ + e p η p 2 δ, p P δ e ξ = 0, e η = 1 min n O -LTAS ε d 1/2 r e r, δ = ρ2 12
14 Kapitel 5. Der dünnste Kreisring 5.1. Optimierungsproblem Die Menge der Instanzen: P R d Die Menge der zu Instanz P zulässigen Lösungen: {ξ, ρ 1, ρ 2 R d+2 ρ 1 ξ p ρ 2, p P } Die Bewertungsfunktion: ρ 2 ρ 1 Ziel: min Mittelpunkt ξ R d Annahme: O P ρ 1 ξ ρ 2 Sei ξ, ρ 1, ρ 2 optimale Lösung, b = ρ 2 ρ Idee Nebenbedingungen linearisieren die Zielfunktion ist weder linear noch konvex Alternativ: Betrachte ρ 2 2 ρ 2 1 als Zielfunktion ρ 2 ρ 1 nicht unbedingt gut approximiert Idee: Fallunterscheidung! Schmaler Kreisring: ρ ερ 1 13
15 Beobachtung: b ρ 2 ρ 1 2 ξ Breiter Kreisring: ρ 2 > 1 + ερ 1 einfach 5.3. Approximation mit konstanter relativer Güte-Garantie Kegel und LP Optimierungsproblem OP P R d { ξ, ρ 1, ρ 2, e R d R R U d ρ 1 ξ p ρ 2, p P } ρ2 2 ρ2 1 e ξ min 5.4. Lemma Lemma. Sei ξ, ρ 1, ρ 2, e optimale Lösung für OP. Dann c : ρ 2 ρ 1 cb Beweis: Wähle e U d mit e ξ ξ 1 + ε ρ 2 2 ρ2 1 ρ2 2 ρ2 1 ρ2 2 ρ2 1 ρ 2 2 ρ 2 1 ρ 2 ξ e ξ e ξ 1 + ρ 1 /ρ 2 ρ 2 ρ ε1 + ρ 2 /ρ 1 ρ 2 ρ ε ρ 2 2 ρ 2 1 ξ 1 + ε ρ 2 2 ρ 2 1 ρ 1 1.Fall: ρ 2 2ρ 1 : ρ 2 ρ Oεb 2.Fall: ρ 2 > 2ρ 1: b > ρ 2 /2 /4, wobei Durchmesser von P ist 5.5. Kegel und LP Substitution: ζ = 1 O LPs: ε d 1/2 P R d ξ ρ 2 2 ρ2 1, δ = ρ2 1 ξ 2 ρ 2 2, γ = ρ2 1 1 ρ 2 2 ρ2 1 { ζ, δ, γ, e R d+2 U d δ 2p ζ + p 2 γ δ + 1, p P } 14
16 e ζ max Approximation mit konstanter relativer Güte-Garantie in linearer Zeit: b 0 b cb Schmaler Kreisring: Kegel und LP ρ ερ Oε-Approximation Idee: 2b = 2ρ 2 ρ 1 ρ 2 2 ρ 2 1 / ξ 2b? ρ ερ 1 notwendig! Nebenbedingung weder linear noch konvex Idee: ersetze Nebenbedingung OP 2 ρ 1 ξ p ρ 2, p P, b 0 ε1 + εe ξ ρ2 2 ρ 2 1 e ξ min 5.7. Lemma Lemma: Sei ξ, ρ 1, ρ 2, e optimale Lösung für OP 2. Dann ρ 2 ρ Oεb Beweis: ξ, ρ 1, ρ 2, e ist zulässiger Bereich für OP 2, denn b 0 b ερ 1 ε ξ ε1 + εe ξ b = ρ 2 ρ Oεb O1b 0 Oεe ξ Oε ξ Oερ 2 ρ Oερ 1 2 Oεb 2 + Oεb Zusätzliche Nebenbedingung für LPs: b 0 γ ε1 + εeζ n 1 + Oε-Approximation mit O Zeit ε d 1/2 15
17 5.8. Breiter Kreisring: Gitter ρ ερ Oε-Approximation b > 1 1 ρ 2 = Ωερ ε Konstruiere Gitter mit Seitenlänge εb 0 Runde die Punkte von P auf Gitterknoten additiver Fehler Oεb 0 = Oεb 1 insgesamt O Punkte denn Volumen von dem Kreisring Oρ d ε 2d 1 2 ρ d 1 = Ob ρ d 1 2 = Ob d 0 /εd 1 Mögliche Mittelpunkte Gitterknoten, O1/ε 2d Mittelpunkte zu probieren, denn der Mittelpunkt liegt innerhalb von ξ ρ 2 = Ob 0/ε zum Koordinatenanfang, für jeden: Finde die Randpunkte von P Breiter Kreisring: O n + 1 -sltas ε 4d 1 n Schmaler Kreisring: O -LTAS ε d 1/2 n Kreisring komplett: O ε + 1 d 1/2 ε 4d 1 -LTAS 16
18 Literaturverzeichnis 1. T.M. Chan Approximating the Diameter, Width, Smallest Enclosing Cylinder, and Minimum-Width Annulus. Int. J. Comput. Geometry Appl , pp , R. Wanka Approximationsalgorithmen. Skript zur Vorlesung, Version 2.3, H. Alt Algorithmische Geometrie. Skript zur Vorlesung, FU Berlin, SoSe K.L. Clarkson, P.W. Shor Applications of random sampling in computational geometry, II Discrete Comput. Geom., 4, pp , E. Ramos Deterministic algorithms for 3-D diameter and some 2-D lower envelopes Proc. 13th ACM Sympos. Comput. Geom., pp , M.E. Houle, G.T. Toussaint Computing the width of a set Proc. 1st ACM Sympos. Comput. Geom., pp. 1-7, E. Schömer, J. Sellen, M. Teichmann, C.-K. Yap Smallest enclosing cylinders Algorithmica, 27, pp , P.K. Agarwal, B. Aronov, and M. Sharir Line transversals of balls and smallest enclosing cylinders in three dimensions Discrete Comput. Geom., 21, pp , P.K. Agarwal, B. Aronov, M. Sharir Computing envelopes in four dimensions with applications SIAM J. Comput., 26, pp , P.K. Agarwal, B. Aronov, S. Har-Peled, and M. Sharir Approximation and exact algotithms for minimum-width annuli and shells Proc. 15th ACM Sympos. Comput. Geom., pp ,
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrBerechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen
Definition Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Seminar über Algorithmen WS 2005/2006 Vorgetragen von Oliver Rieger und Patrick-Thomas Chmielewski basierend auf der Arbeit
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrAlgorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2)
Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2) Nico Düvelmeyer WS 2009/2010, 22.12.2009 Überblick 1 Fertigstellung Kapitel 7 2 Definition Voronoi Diagramm 3 Grundlegende
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
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
MehrFinite Elemente I Konvergenzaussagen
Finite Elemente I 195 5 onvergenzaussagen 5 onvergenzaussagen TU Bergakademie Freiberg, SoS 2006 Finite Elemente I 196 5.1 Interpolation in Sobolev-Räumen Wesentlicher Baustein der FE-onvergenzanalyse
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrAlgorithmische Geometrie
Algorithmische Geometrie Martin Peternell TU Wien 31. Fortbildungstagung für Geometrie 2010, Strobl 1 Themen der Algorithmische Geometrie Entwurf von Algorithmen für geometrische Fragestellungen betreffend
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrAlgorithmische Geometrie: Lineare Optimierung (I)
Algorithmische Geometrie: Lineare Optimierung (I) Nico Düvelmeyer WS 2009/2010, 17.11.2009 Überblick 1 Geometrie von Gießformen 2 Durchschnitte von Halbebenen 3 Inkrementeller Algorithmus Überblick 1 Geometrie
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
MehrDie Lagrange-duale Funktion
Die Lagrange-duale Funktion Gregor Leimcke 21. April 2010 1 Die Lagrangefunktion Wir betrachten das allgemeine Optimierungsproblem wobei minimiere f 0 über D sodass f i 0, i = 1,..., m 1.1 D = h i = 0,
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
MehrMehrkriterielle Optimierung mit Metaheuristiken
Sommersemester 2006 Mehrkriterielle Optimierung mit Metaheuristiken (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS XI) Fachgebiet Computational Intelligence
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrDistanzprobleme in der Ebene
Distanzprobleme in der Ebene (Literatur: deberg et al., Kapitel 7,9) Christian Knauer 1 Motivation: Alle nächsten Nachbarn Gegeben: Eine Menge von Punkten P in der Ebene Berechne: Zu jedem Punkt aus P
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen
MehrALGEBRA Der Lösungsweg muss klar ersichtlich sein Schreiben Sie Ihre Lösungswege direkt auf diese Aufgabenblätter
Berufsmaturitätsschule GIB Bern Aufnahmeprüfung 2005 Mathematik Teil A Zeit: 45 Minuten Name / Vorname:... ALGEBRA Der Lösungsweg muss klar ersichtlich sein Schreiben Sie Ihre Lösungswege direkt auf diese
MehrGrundlagen zur Delaunay-Triangulierung und zur konvexen Hülle. zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"):
Grundlagen zur Delaunay-Triangulierung und zur konvexen Hülle zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"): 1 Erzeugung des Voronoi-Diagramms (siehe Vorlesung "Algorithmische
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrDas Subgradientenverfahren
Das Subgradientenverfahren Seminar Optimierung WS 05/06 Betreuer: Prof. F. Jarre von Jalo Liljo Das Subgradientenverfahren Das Ziel dieses Vortrags ist die Berechnung einer Lösung des unrestringierten
MehrOptimierung 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
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
Mehr1 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
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Teile-und-Herrsche-Algorithmen: Bäume und serienparallele Graphen 3. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) 2 Ankündigung
MehrOptimierung. 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
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrIntegralrechnung für GLET
Freitagsrunden Tech Talk November 2, 2012 1 Grundlagen Rechenregeln für Integrale 2 Mehrdimensionale Integrale Flächenintegrale Volumenintegrale Lösbar? 3 Kugel- und Zylinderkoordinaten Kugelkoordinaten
MehrDelaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Delaunay-Triangulierungen INSTITUT FU R THEORETISCHE INFORMATIK FAKULTA T FU R INFORMATIK Martin No llenburg 10.06.2014 Grafik c Rodrigo I. Silveira 1 Dr. Martin No llenburg
MehrÜbungsblatt 1: Lösungswege und Lösungen
Übungsblatt : Lösungswege und Lösungen 5..6 ) Hier geht es weniger um mathematisch-strenge Beweise als darum, mit abstrakten Vektoren ohne Komponenten) zu hantieren und damit die Behauptungen plausibel
MehrEntwurf und Analyse von Algorithmen
Entwurf und Analyse von Algorithmen (5. Sem 2VO MAT.319 & 1 UE MAT.320 // 3VU 716.325) VO/UE/VU: Oswin Aichholzer UE/VU: Birgit Vogtenhuber Institut für Softwaretechnologie Entwurf 22nd European und Analyse
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
MehrBlatt 4. Stoß und Streuung - Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 211 Blatt 4. Stoß und Streuung - Lösungsvorschlag Aufgabe 4.1. Stoß Zwei
MehrTheoretische 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
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
MehrAlgorithmen 2. Kapitel: Approximationsalgorithmen. Thomas Worsch. Fakultät für Informatik Karlsruher Institut für Technologie
Algorithmen 2 Algorithmen 2 Kapitel: Approximationsalgorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2017/2018 1 / 40 Einleitung Überblick Einleitung
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
MehrVolumen eines Rotationskörpers
Volumen eines Rotationskörpers Das Volumen V des durch Rotation des Funktionsgraphen r = f (x) 0, a x b, um die x-achse erzeugten Körpers lässt sich durch Integration über die kreisförmigen Querschnitte
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrDas Gradientenverfahren
Das Gradientenverfahren - Proseminar: Algorithmen der Nichtlinearen Optimierung - David Beisel December 10, 2012 David Beisel Das Gradientenverfahren December 10, 2012 1 / 28 Gliederung 0 Einführung 1
MehrÜbungen zur Experimentalphysik 3
Übungen zur Experimentalphysik 3 Prof. Dr. L. Oberauer Wintersemester 2010/2011 5. Übungsblatt - 22.November 2010 Musterlösung Franziska Konitzer (franziska.konitzer@tum.de) Aufgabe 1 ( ) (8 Punkte) Ein
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrVon mathematischer Modellierung und Computeralgebra - Die Lösung eines handfesten mathematischen Problems
Von mathematischer Modellierung und Computeralgebra - Die Lösung eines handfesten mathematischen Problems Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik Institut für Mathematik
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrKapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.04.2012 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
MehrOptimierung. Vorlesung 13
Optimierung Vorlesung 13 Letze Woche Branch&Bound Suchbaum Nach Möglichkeit nicht komplett durchsuchen Abschätzungen nach oben und unten Suchheuristiken Randomisierte Lokale Suche Simulated Annealing Metropolis
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrDas 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
MehrAlgorithmische Geometrie. Prof. Dr. Thomas Ottmann. Mitarbeit: PD Dr. Sven Schuierer Dr. Stefan Edelkamp
Algorithmische Geometrie Prof. Dr. Thomas Ottmann Mitarbeit: PD Dr. Sven Schuierer Dr. Stefan Edelkamp Literatur: M. de Berg, M. van Krefeld, M. Overmars O. Schwarzkopf: Computational Geometry (Algorithms
MehrÜbung Computergrafik 3
Übung Computergrafik 3 1.Übungsblatt: Geometrie Stephan Groß (Dank an Irini Schmidt und Jakob Bärz) Institut für Computervisualistik Universität Koblenz-Landau 6. Juli 2011 Aufgabe 1: Fragezeichen Gegeben:
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrTheoretische Informatik. nichtdeterministische Turingmaschinen NDTM. Turingmaschinen. Rainer Schrader. 29. April 2009
Theoretische Informatik Rainer Schrader nichtdeterministische Turingmaschinen Zentrum für Angewandte Informatik Köln 29. April 2009 1 / 33 2 / 33 Turingmaschinen das Konzept des Nichtdeterminismus nahm
Mehr(u, v) z(u, v) u Φ(u, v) (v = const.) Parameterlinie v = const. v Φ(u, v) (u = const.) Parameterlinie u = const.
13 Flächenintegrale 64 13 Flächenintegrale Im letzten Abschnitt haben wir Integrale über Kurven betrachtet. Wir wollen uns nun mit Integralen über Flächen beschäftigen. Wir haben bisher zwei verschiedene
MehrApproximationsalgorithmen. Wintersemester 2013/14 HERZLICH WILLKOMMEN!
Approximationsalgorithmen Wintersemester 2013/14 HERZLICH WILLKOMMEN! 1 / 39 Worum geht s? Eine Bemerkung von Vasek Chvatal In den kommunistischen Ländern des Ostblocks in den 60 er und 70 er Jahren war
MehrGeometrische Algorithmen Voronoi-Diagramme. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Voronoi-Diagramme
Folie 1 von 32 Geometrische Algorithmen Voronoi-Diagramme Folie 2 von 32 Voronoi-Diagramme Übersicht Problemstellung Animation zur Konstruktion eines Voronoi-Diagramms Definition, Eigenschaften eines Voronoi-Diagramms
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
MehrMathematik I (MATHE1) Klausuren lineare Algebra & analytische Geometrie
Mathematik I (MATHE1) Klausuren lineare Algebra & analytische Geometrie Prof. Dr. Thomas Risse www.weblearn.hs-bremen.de/risse/mai www.weblearn.hs-bremen.de/risse/mai/docs Fakultät Elektrotechnik & Informatik
MehrProseminar: Konvexe Mengen
Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten
MehrPolarisierung und Magnetisierung
Übung 2 Abgabe: 10.03. bzw. 14.03.2017 Elektromagnetische Felder & Wellen Frühjahrssemester 2017 Photonics Laboratory, ETH Zürich www.photonics.ethz.ch Polarisierung und Magnetisierung 1 Mathematische
MehrSeminar Algorithmen für planare Graphen
Seminar Algorithmen für planare Graphen Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner Universität Karlsruhe (TH) Institut für Theoretische Informatik Lehrstuhl Algorithmik I 24. Oktober 2008
MehrProbabilistische Analyse von Algorithmen
Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen 27. Mai 2005 Übersicht Einführung 1 Einführung 2 Exkurs: Wahrscheinlichkeitstheorie Borgwardts 3 Idee 4 Formale Beschreibung des s Motivation
Mehr1 Pyramide, Kegel und Kugel
1 Pyramide, Kegel und Kugel Pyramide und Kegel sind beides Körper, die - anders als Prismen und Zylinder - spitz zulaufen. Während das Volumen von Prismen mit V = G h k berechnet wird, wobei G die Grundfläche
MehrTetris ist NP-vollständig. Vortrag zum Seminar über Algorithmen SS2007 von Dietmar Mühmert
Tetris ist NP-vollständig Vortrag zum Seminar über Algorithmen SS2007 von Dietmar Mühmert Das Spiel Tetris Tetris wurde Mitte der 80er Jahre von dem russischen Mathematiker Alexei Paschitnow erfunden.
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehrbekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrange.tex,v 1.6 2012/11/06 14:26:21 hk Exp hk $ 2 Extrema unter Nebenbedingungen 2.1 Restringierte Optimierungsaufgaben Nachdem wir jetzt die bereits bekannten Techniken zur Bestimmung der lokalen
MehrWie gross ist der Flächeninhalt A eines Quadrats mit der Seitenlänge a? A = a 2
Stereometrie-Formeln Quadrat eines Quadrats mit der Seitenlänge a? A = a Quadrat Wie lang ist die Diagonale d eines Quadrats mit der Seitenlänge a? d = a Rechteck eines Rechtecks mit den Seitenlängen a
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
Mehr1 Ableitungen. Definition: Eine Kurve ist eine Abbildung γ : I R R n, γ besteht also aus seinen Komponentenfunktionen. a 1 + tx 1. eine Kurve.
1 Ableitungen Definition: Eine Kurve ist eine Abbildung γ : I R R n, γ besteht also aus seinen Komponentenfunktionen γ 1 (t) γ(t) = γ n (t) Bild(γ) = {γ(t) t I} heißt auch die Spur der Kurve Beispiel:1)
MehrOptimale Steuerung 1 Prozessoptimierung 1
Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrUE Extremwertaufgaben 01
1. Ein Rechteck mit einem Umfang von 2m dreht sich um eine seiner Seiten. Wie müssen die Seiten des Rechtecks gewählt werden, damit (a) die Mantelfläche (b) das Volumen des entstehenden Drehzylinders möglichst
MehrTypischerweise sind randomisierte Algorithmen einfacher zu beschreiben und zu implementieren als deterministische Algorithmen.
Kapitel Randomisierte Algorithmen Einleitung Definition: Ein Algorithmus, der im Laufe seiner Ausführung gewisse Entscheidungen zufällig trifft, heisst randomisierter Algorithmus. Beispiel: Bei der randomisierten
MehrDas Boolesche Modell
mit konvexen Körnern 3.12.2009 mit konvexen Körnern Ziele des heutigen Seminars: ist sehr anwendungsbezogen. Daher ist unser Ziel, am Ende die folgenden statistischen Fragen zu beantworten: Wann ist das
MehrKonvexe Mengen mit konstanter Breite
PROSEMINAR KONVEXE MENGEN Konvexe Mengen mit konstanter Breite Christoph Buck Vortrag vom 11.05.2005 ProseminarWS 2004/2005 bei Prof. Dr. E. Oeljeklaus Universität Bremen 1 Dieser Vortrag im Rahmen des
Mehr