Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3

Transkript

1 Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa

2 Prüfung! Termine: 20. Juli 27. September Ansprechpartner: Lilian Beckert Raum 321 Alle Infos auch auf der Homepage

3 Ablauf Smallest Enclosing Disk Konvexe Hülle im R 3

4 Problem Frage: Wie findet man eine gute Position für den Roboter? Smallest Enclosing Disc

5 Smallest Enclosing Disk (SED) Def.: Sei P eine n-elementige Menge von Punkten im R 2. Die smallest enclosing disc ist für P ist der Kreis der alle Punkte aus P enthält und minimalen Radius hat. Lösung: Ähnlicher Ansatz wie bei linearer Programmierung. randomisiert inkrementell Idee: Erzeuge zufällige Permutation von P {p 1,..., p n }. Im i-ten Schritt: Füge zur Menge P i := {p 1,..., p i } den Punkt p i+1 hinzu. Finde neue smallest enclosing disk D i.

6 Smallest Enclosing Disk Lm: Sei 2 < i < n, und sei P i und D i wie gerade dann gilt: (i) Wenn p i D i 1, dann gilt D i = D i 1 (ii) Wenn p i / D i 1, dann liegt p i auf dem Rand von D i p i p i D i 1 D i 1 = D i D i

7 Smallest Enclosing Disk SED MiniDisc(P R 2 ) P = RandomPermutation(P ) Sei D 2 die smallest enclosing disc von {p 1, p 2 } for i 3 bis n do if p i D i 1 then D i = D i 1 else D i = MiniDiscWithPoint({p 1,..., p i 1 }, p i ) return D i p i D i 1 D i

8 Smallest Enclosing Disk SED MiniDiscWithPoint({p 1,..., p i 1 }, q) P = RandomPermutation({p 1,..., p i 1 }) Sei D 1 die smallest disc die p 1 und q auf dem Rand hat for j 2 bis i 1 do if p j D j 1 then D j = D j 1 else D j = MiniDiscWith2Points({p 1,..., p j 1 }, p j, q) return D j p i = q D 1 p j p 1

9 Smallest Enclosing Disk SED MiniDiscWith2Points({p 1,..., p j 1 }, q 1, q 2 ) Sei D 0 die smallest disc bei der q 1 und q 2 auf dem Rand liegen for k 1 to j 1 do if p k D k 1 then D k = D k 1 else D k = disc bei der q 1, q 2 und p k auf dem Rand liegen return D j D 0 q = q 1 p j = q 2

10 Smallest Enclosing Disk SED MiniDiscWith2Points({p 1,..., p j 1 }, q 1, q 2 ) Sei D 0 die smallest disc bei der q 1 und q 2 auf dem Rand liegen for k 1 to j 1 do if p k D k 1 then D k = D k 1 else D k = disc bei der q 1, q 2 und p k auf dem Rand liegen return D j D 0 q = q 1 p j = q 2

11 Smallest Enclosing Disk SED MiniDiscWith2Points({p 1,..., p j 1 }, q 1, q 2 ) Sei D 0 die smallest disc bei der q 1 und q 2 auf dem Rand liegen for k 1 to j 1 do if p k D k 1 then D k = D k 1 else D k = disc bei der q 1, q 2 und p k auf dem Rand liegen return D j D 0 q = q 1 p l p j = q 2

12 Analyse Theorem: Die smallest enclosing disc für n Punkte in der Ebene kann in erwartet O(n) berechnet werden. MiniDisc MiniDiscWithPoint MiniDiscWith2Points MiniDisc(P R 2 ) O(n) P = RandomPermutation(P ) Sei D 2 die smallest enclosing disc von {p 1, p 2 } for i 3 bis n do if p i D i 1 then D i = D i 1 else D i = MiniDiscWithPoint({p 1,..., p i 1 }, p i ) return D i

13 Analyse Theorem: Die smallest enclosing disc für n Punkte in der Ebene kann in erwartet O(n) berechnet werden. MiniDisc MiniDiscWithPoint MiniDiscWith2Points MiniDiscWithPoint({p 1,..., p i 1 }, q) O(i) P = RandomPermutation({p 1,..., p i 1 }) Sei D 1 die smallest disc die p 1 und q auf dem Rand hat for j 2 bis i 1 do if p j D j 1 then D j = D j 1 else D j = MiniDiscWith2Points({p 1,..., p j 1 }, p j, q) return D j

14 Analyse Theorem: Die smallest enclosing disc für n Punkte in der Ebene kann in erwartet O(n) berechnet werden. MiniDisc MiniDiscWithPoint MiniDiscWith2Points MiniDiscWith2Points({p 1,..., p j 1 }, q 1, q 2 ) Sei D 0 die smallest disc bei der q 1 und q 2 auf dem Rand liegen for k 1 to j 1 do if p k D k 1 then D k = D k 1 else D k = disc bei der q 1, q 2 und p k auf dem Rand liegen return D j O(j)

15 Analyse Theorem: Die smallest enclosing disc für n Punkte in der Ebene kann in erwartet O(n) berechnet werden. MiniDisc MiniDiscWithPoint MiniDiscWith2Points Erkenntnis: Linearer Aufwand für jede Funktion. Frage: Wie wahrscheinlich ist es, dass MiniDiscWithPoint MiniDiscWith2Points aufruft?

16 Analyse (i) Frage: Wie wahrscheinlich ist es, dass MiniDiscWithPoint MiniDiscWith2Points aufruft? MiniDiscWithPoint({p 1,..., p i 1 }, q)... for j 2 bis i 1 do if p j D j 1 then D j = D j 1 else D j = MiniDiscWith2Points({p 1,..., p j 1 }, p j, q) return D j Idee: Rückwärtsanalyse Fixiere P i := {p 1,..., p i }. Sei D i die smallest enclosing disc für P i. Außerdem liege q auf dem Rand von D i. Entferne nun ein p j P i. Wann ändert sich die smallest enclosing disc?

17 Analyse (ii) Idee: Rückwärtsanalyse Fixiere P i := {p 1,..., p i }. Sei D i die smallest enclosing disc für P i. Außerdem liege q auf dem Rand von D i. Entferne nun ein p j P i. Wann ändert sich die smallest enclosing disc? Erkenntnis: Höchstens 2 der i Knoten dafür verantwortlich. O(i) + n ( ) O(j) 2 j = O(i) j=2 Erwarteter Aufwand fürminidiscwithpoint: O(i)

18 Analyse (iii) Frage: Wie wahrscheinlich ist es, dass MiniDisc MiniDiscWithPoint aufruft? Gleiche Idee liefert gleiches Ergebnis MiniDisc MiniDiscWithPoint MiniDiscWith2Points Erwartet: Erwartet: O(n) O(j) O(i) Thm: Die SED für n Punkte in der Ebene kann in erwartet O(n) Zeit berechnet werden.

19 Ablauf Smallest Enclosing Disk Konvexe Hülle im R 3

20 Die konvexe Hülle R 3 Def: Eine Menge S heißt konvex, wenn für je zwei Punkte p, q S auch gilt pq S. Die konvexe Hülle CH(S) von S ist die kleinste konvexe Menge, die S enthält. 2D Vergleich 3D Def. (fast) identisch Art Polygon Polytop Kompl. O(n) Kanten? z x y

21 Komplexität konvexer Hüllen Dimension Komplexität O(1) O(n)? 2D 1D Thm: Sei P ein konvexes Polytop mit n Knoten. Dann ist #Kanten in P höchsten 3n 6 und #Facetten höchstens 2n 4. 3D

22 Komplexität konvexer Hüllen in 3D Thm: Sei P ein konvexes Polytop mit n Knoten. Dann ist #Kanten in P höchsten 3n 6 und #Facetten höchstens 2n 4. Beweis: s. Tafel

23 Komplexität konvexer Hüllen Dimension Komplexität 1 O(1) 2 O(n) 3 O(n) d Θ(n d/2 ) 1D 2D Upper Bound Theorem 3D

24 Erster Schritt Angenommen: Konvexe Hülle von r 1 Knoten gegeben. Wie erweitern zu einer konvexen Hülle für r Knoten? r

25 Erster Schritt Angenommen: Konvexe Hülle von r 1 Knoten gegeben. Wie erweitern zu einer konvexen Hülle für r Knoten? p h f f q r Facette f sichtbar von p aber nicht von q aus

26 Erster Schritt Angenommen: Konvexe Hülle von r 1 Knoten gegeben. Wie erweitern zu einer konvexen Hülle für r Knoten? Horizont Konfliktgraph G Konflikte Knoten Facetten f r r P conflict (f) f F conflict (r)

27 Erster Schritt Angenommen: Konvexe Hülle von r 1 Knoten gegeben. Wie erweitern zu einer konvexen Hülle für r Knoten? Horizont Konfliktgraph G Konflikte Knoten Facetten f r r f r + 1 P conflict (f) F conflict (r) Wie bestimmt man neue Konflikte?

28 3dConvexHull(P R 3 ) wähle P P (4 nicht koplan. Punkte) C CH(P ); P P \ P P = RandomPermutation(P) initializiere Konfliktgraph G while P do p P.remove first() if F conflict (p) then // p liegt außerhalb von C Lösche alle Facetten F conflict (p) aus C L Horizont-Kanten die von p aus sichtbar sind foreach e L do f erzg. Facette C (e, p); erzg. Knoten für f in G (f 1, f 2 ) vorher inzident C (e) P (e) P conflict (f 1 ) P conflict (f 2 ) foreach p P (e) do if f sichtbar von p then add edge(p, f) zu G p 3 lösche Knoten {p} F conflict (p) von G

29 Analyse Begrenze #Facetten, die der Algorithmus erzeugt. Lemma: Idee: Die erwartete Anzahl an erzeugen Facetten ist höchstens 6n 20. Rückwärtsanalyse Fixiere P i := {p 1,..., p i }. Entferne nun ein p j P i. Wie viele Facetten werden entfernt? Erinnerung: Thm: Sei P ein konvexes Polytop mit n Knoten. Dann ist #Kanten in P höchsten 3n 6 und #Facetten höchstens 2n 4.

30 Analyse Begrenze #Facetten durch den Grad deg(p r ) eines Knotens p r. In Schritt r: Nach Thm insgesamt 3r 6 Kanten r deg(p i ) 6r 12 i durchschnittl. deg(p i ) 6 12/r Erwartungswert deg(p i ) 6 12/r? Die ersten 4 Punkte werden nicht zufällig gewählt. Erinnerung: Thm: Sei P ein konvexes Polytop mit n Knoten. Dann ist #Kanten in P höchsten 3n 6 und #Facetten höchstens 2n 4.

31 Analyse Begrenze #Facetten durch den Grad deg(p r ) eines Knotens p r. E[deg(p r, CH(P r ))] = 1 r 4 Lemma: 4 + n r=5 1 r 4 r i=5 ( r i=1 = 6r r 4 = 6 deg(p i, CH(P i )) ) [deg(p i, CH(P i ))] 12 Die ersten 4 Knoten haben mind. Grad 12 Die erwartete Anzahl an erzeugen Facetten ist höchstens 6n 20. E[deg(p r, CH(P r ))] 4 + (n 4) 6 = 6n 20

32 Laufzeit? Thm: Die konvexe Hülle für eine Menge von n Punkten im R 3 kann in erwartet O(n log n) Zeit berechnet werden. Lemma: Die erwartete Anzahl an erzeugen Facetten ist höchstens 6n 20.

33 3dConvexHull(P R 3 ) wähle P P (4 nicht koplan. Punkte) C CH(P ); P P \ P P = RandomPermutation(P) initializiere Konfliktgraph G while P do p P.remove first() if F conflict (p) then Lösche alle Facetten F conflict (p) aus C L Horizont-Kanten die von p aus sichtbar sind foreach e L do f erzg. Facette C (e, p); erzg. Knoten für f in G (f 1, f 2 ) vorher inzident C (e) P (e) P conflict (f 1 ) P conflict (f 2 ) foreach p P (e) do if f sichtbar von p then add edge(p, f) zu G lösche Knoten {p} F conflict (p) von G

34 Laufzeit Thm: Die konvexe Hülle für eine Menge von n Punkten im R 3 kann in erwartet O(n log n) Zeit berechnet werden. O(n) p r : O( F c (p r ) ) Gesamt: E[ n F c (p r ) = O(n) r=5 Kapitel 9, 11 in [BCKO08] O(n) O(n log n) O(n)

35 Diskussion Optimale Laufzeit? Divide-and-Conquer Algorithmus mit Laufzeit O(n log n) Was ist mit Dimensionen > 3? Durch das Upper Bound Theorem ist bekannt, dass die Komplexität der konvexen Hülle einer Punktmenge bestehend aus n Punkten im d-dimensionalen Raum in Θ(n d/2 ) ist. Der hier vorgestellte Algorithmus kann für höhere Dimensionen angepasst werden. Der beste Ausgabe-Sensitive Algorithmus für die Berechnung konvexer Hüllen im R d hat eine Laufzeit von: O(n log k + (nk) 1 1/( d/2 +1) log O(1) n) Danke!