Route Planning in Road Networks
|
|
- Axel Armbruster
- vor 6 Jahren
- Abrufe
Transkript
1 D. Schultes: Route Planning in Road Networks 1 Route Planning in Road Networks Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) Karlsruhe, 7. Februar 2008
2 D. Schultes: Route Planning in Road Networks 2 Problemstellung: Routenplanung In gegebenem Straßennetzwerk eine optimale Route bestimmen von einem gegeben Startpunkt zu einem gegebenen Zielpunkt? Anwendungen: Online-Routenplanungssysteme, Navigationssysteme im Auto Vekehrssimulationen, Logistik-Optimierungen
3 D. Schultes: Route Planning in Road Networks 3 die klassische Lösung [1959] Dijkstras Algorithmus O(nlogn+m) (mit Fibonacci Heaps) nicht praktikabel Dijkstra s z für große Graphen (z.b. Europäisches Straßennetz: Knotenpunkte) bidirektionaler Dijkstra s z verbessert die Laufzeit, aber immer noch zu langsam
4 D. Schultes: Route Planning in Road Networks 4 Beschleunigungstechniken allgemeine Lösung langsam Dijkstra: Ω(n+m) aber: für spezielle Fälle gibt es noch Hoffnung z.b. bei Straßennetzen Zusatzdaten z.b. Knotenkoordinaten Vorberechnungen Hilfsdaten z.b. Wegweiser spezielle Eigenschaften des Graphen z.b. planar, hierarchisch
5 D. Schultes: Route Planning in Road Networks 5 Ziele Primärziele: schnelle Suchzeiten beweisbar optimale Routen Sekundärziele: schnelle Vorberechnung / Umgang mit großen Netzwerken niedriger Speicherverbrauch schnelle Aktualisierung Einfachheit
6 D. Schultes: Route Planning in Road Networks 6 Highway Hierarchien HH Star zielgerichtet [DIMACS 06] Transit Node Routing sehr schnelle Suchzeiten [DIMACS 06, ALENEX 07, Science 07] Grundlage Highway Hierarchien [ESA 05, ESA 06] Hwy Node Routing Aktualisierungen möglich [WEA 07] Many to Many Distanztabellen berechnen [ALENEX 07]
7 D. Schultes: Route Planning in Road Networks 7 Highway Hierarchien bestimme eine Hierarchie von Highway Netzwerken bzw. ordne Kanten nach Wichtigkeit bidirektionaler Suchalgorithmus: mit zunehmender Entfernung von Start/Ziel: betrachte nur noch wichtigere Kanten
8 D. Schultes: Route Planning in Road Networks 8 Konstruktion: abwechselnd Highway Hierarchien Kantenreduktion: entferne Kanten, die ausschließlich in der Nähe von Start/Ziel gebraucht werden N (s) N (t) s t Highway Knotenreduktion ( Kontraktion ): überspringe Knoten mit niedrigem Grad kontrahiertes Netzwerk = nicht übersprungene Knoten + Shortcuts übersprungene Knoten
9 D. Schultes: Route Planning in Road Networks 9 Highway Hierarchien Grundlage für andere Verfahren s z direkt anwendbar für Punkt-zu-Punkt Anfragen 13 min Vorberechnungszeit } Europa 0.61 ms um optimale Pfadlänge zu bestimmen (0.80 ms um kompletten Pfad zu bestimmen) Knoten AMD Opteron 2.0 GHz akzeptabler Speicherverbrauch (48 Byte/Knoten) kann reduziert werden auf 17 Byte/Knoten Sanders, Schultes. ESA 2006.
10 D. Schultes: Route Planning in Road Networks 10 Highway Hierarchies Star HH Star zielgerichtet [DIMACS 06] Transit Node Routing sehr schnelle Suchzeiten [DIMACS 06, ALENEX 07, Science 07] Highway Hierarchien Grundlage [ESA 05, ESA 06] Hwy Node Routing Aktualisierungen möglich [WEA 07] Many to Many Distanztabellen berechnen [ALENEX 07]
11 D. Schultes: Route Planning in Road Networks 11 Highway Hierarchies Star Kombination der Highway Hierarchien mit zielgerichteter Suche leichte Verbesserung (0.49 ms) größere Wirkung für Näherungslösungen oder bei Verwendung einer Distanzmetrik (anstatt einer Reisezeitmetrik) Delling, Sanders, Schultes, Wagner. DIMACS Challenge 2006.
12 D. Schultes: Route Planning in Road Networks 12 Many-to-Many HH Star zielgerichtet [DIMACS 06] Transit Node Routing sehr schnelle Suchzeiten [DIMACS 06, ALENEX 07, Science 07] Highway Hierarchien Grundlage [ESA 05, ESA 06] Hwy Node Routing Aktualisierungen möglich [WEA 07] Many to Many Distanztabellen berechnen [ALENEX 07]
13 D. Schultes: Route Planning in Road Networks 13 Distanztabellen Gegeben: Graph G = (V,E) Menge von Startknoten S V Menge von Zielknoten T V Gesucht: S T Distanztabelle mit den Längen aller kürzester Wege z.b Tabelle in 23 Sekunden Knopp, Sanders, Schultes, Schulz, Wagner. ALENEX 2007.
14 D. Schultes: Route Planning in Road Networks 14 Transit-Node Routing HH Star zielgerichtet [DIMACS 06] Transit Node Routing sehr schnelle Suchzeiten [DIMACS 06, ALENEX 07, Science 07] Highway Hierarchien Grundlage [ESA 05, ESA 06] Hwy Node Routing Aktualisierungen möglich [WEA 07] Many to Many Distanztabellen berechnen [ALENEX 07]
15 D. Schultes: Route Planning in Road Networks 15 Motivation Brüssel London Kopenhagen Berlin Wien München Rom Paris
16 D. Schultes: Route Planning in Road Networks 16 Beobachtungen 1. Bei langen Fahrten verlässt man den Startpunkt über einen von wenigen wichtigen Verkehrsknotenpunkten ( Zugangspunkte ) ( für jeden Knoten alle Zugangspunkte speichern) [ 10 pro Knoten] 2. Jeder Zugangspunkt ist für mehrere Knoten relevant. Vereinigungsmenge aller Zugangspunkte ist klein ( Transitknotenmenge ) ( die Abstände zwischen allen Transitknoten speichern) [ Abstände]
17 D. Schultes: Route Planning in Road Networks 17 Transit-Node Routing Vorberechnung: bestimme Transitknotenmenge T V berechne T T Distanztabelle für jeden Knoten: bestimme die Zugangsknoten (A : V 2 T ), speichere die Abstände s z Suche (Start s und Ziel t gegeben): berechne d T (s,t) := min{d(s,u)+d(u,v)+d(v,t) : u A(s),v A(t)}
18 D. Schultes: Route Planning in Road Networks 18 Transit-Node Routing Lokalitätsfilter: lokale Fälle müssen erkannt werden ( Sonderbehandlung) L : V V {true,false} L(s,t) impliziert d(s,t) = d T (s,t)
19 D. Schultes: Route Planning in Road Networks 19 Beispiel
20 D. Schultes: Route Planning in Road Networks 20 Experimentelle Ergebnisse extrem schnelle Suchzeiten (4 µs, > mal schneller als DIJKSTRA) größere Vorberechnungszeit (1:15 h) und mehr Speicher (247 Byte/Knoten) benötigt Sieger beim 9th DIMACS Implementation Challenge 2006 Scientific American 50 Award 2007 Sanders, Schultes. DIMACS Challenge Bast, Funke, Sanders, Schultes. Science, Bast, Funke, Matijevic, Sanders, Schultes. ALENEX 2007.
21 D. Schultes: Route Planning in Road Networks 21 Offene Fragen Wie bestimmt man die Transitknoten? Wie kann man die Zugangspunkte effizient bestimmen? Wie bestimmt man einen effektiven Lokalitätsfilter? Wie geht man mit den lokalen Fällen um??
22 D. Schultes: Route Planning in Road Networks 22 Offene Fragen Wie bestimmt man die Transitknoten? Wie kann man die Zugangspunkte effizient bestimmen? Wie bestimmt man einen effektiven Lokalitätsfilter? Wie geht man mit den lokalen Fällen um? Antwort: Verwende andere Routenplanungstechniken!
23 D. Schultes: Route Planning in Road Networks 23 Highway-Node Routing HH Star zielgerichtet [DIMACS 06] Transit Node Routing sehr schnelle Suchzeiten [DIMACS 06, ALENEX 07, Science 07] Highway Hierarchien Grundlage [ESA 05, ESA 06] Hwy Node Routing Aktualisierungen möglich [WEA 07] Many to Many Distanztabellen berechnen [ALENEX 07]
24 D. Schultes: Route Planning in Road Networks 24 Overlaygraph: Definition [Holzer, Schulz, Wagner, Weihe, Zaroliagis ] gegeben: Graph G = (V,E) wähle Knotenteilmenge S V
25 D. Schultes: Route Planning in Road Networks 25 Overlaygraph: Definition [Holzer, Schulz, Wagner, Weihe, Zaroliagis ] gegeben: Graph G = (V,E) wähle Knotenteilmenge S V Overlaygraph G := (S,E ) wähle Kantenmenge E, die kürzeste-wege-distanzen erhält
26 D. Schultes: Route Planning in Road Networks 26 Suche: Intuition bidirektional suche in G bis Suchbäume durch Knoten in S abgedeckt t s
27 D. Schultes: Route Planning in Road Networks 27 Suche: Intuition bidirektional suche in G bis Suchbäume durch Knoten in S abgedeckt setze Suche ausschließlich in G fort t s
28 D. Schultes: Route Planning in Road Networks 28 Highway-Node Routing verwende Overlaygraph-Konzept iterativ klassifiziere Knoten nach Wichtigkeit mit Hilfe der Highway Hierarchien d.h. bestimme Knotenmengen V =: S 0 S 1 S 2 S 3... S L (entscheidender Unterschied zu [Holzer, Schulz, Wagner, Weihe, Zaroliagis]) 13 min konstruiere mehrstufigen Overlaygraphen 2 min G 0 = G = (V,E),G 1 = (S 1,E 1 ),G 2 = (S 2,E 2 ),...,G L = (S L,E L ) (fortgeschrittene Techniken benötigt) Schultes, Sanders. WEA 2007.
29 D. Schultes: Route Planning in Road Networks 29 Suchalgorithmus Knotenlevel l(u) := max{l u S l } ( Vorwärtssuchgraph G := V, {(u,v) (u,v) S }) L i=l(u) E i ( RückwärtssuchgraphG := V, {(u,v) (v,u) S }) L i=l(u) E i eine einfache Dijkstra-Suche in G und eine in G G s 2 t 2 G Level 2 s 1 t 1 Level 1 s t Level 0
30 D. Schultes: Route Planning in Road Networks 30 Korrektheitsbeweis Level 2 Level 1 s s 1 s 2 t 2 t 1 t Level 0 d 0 (s,t) kürzester Weg von s nach t in G = G 0
31 D. Schultes: Route Planning in Road Networks 31 Korrektheitsbeweis Level 2 s s 1 s 2 t 2 t 1 d 1 (s 1,t 1 ) Level 1 s 1 s 2 t 2 t 1 t Level 0 d 0 (s 1,t 1 ) Overlaygraph G 1 erhält den Abstand von s 1 S 1 nach t 1 S 1
32 D. Schultes: Route Planning in Road Networks 32 Korrektheitsbeweis s s 2 t 2 d 2 (s 2,t 2 ) s 1 s 2 t 2 t 1 d 1 (s 2,t 2 ) Level 2 Level 1 s 1 s 2 t 2 t 1 t Level 0 Overlaygraph G 2 erhält den Abstand von s 2 S 2 nach t 2 S 2
33 D. Schultes: Route Planning in Road Networks 33 Korrektheitsbeweis G s 2 t 2 G Level 2 s 1 t 1 Level 1 s t Level 0 ( G := V, {(u,v) (u,v) S }) L i=l(u) E i ( G := V, {(u,v) (v,u) S }) L i=l(u) E i
34 D. Schultes: Route Planning in Road Networks 34 Speicherverbrauch / Suchzeiten unterschiedliche Kompromisse zum Beispiel: 9.5 Byte pro Knoten Mehrverbrauch 0.89 ms kompletten mehrstufigen Overlaygraphen speichern 0.7 Byte pro Knoten Mehrverbrauch 1.44 ms nur Vorwärts- und Rückwärts-SuchgraphenG undg speichern ( G undg sind unabhängig von s und t) Suchzeiten unter Verwendung der Stall-on-Demand Technik
35 D. Schultes: Route Planning in Road Networks 35 Obere Schranken # s-t-paare Europa Suchraumgroesse Garantie für Europa: maximale Suchraumgröße = Knoten
36 D. Schultes: Route Planning in Road Networks 36 Dynamische Szenarien tausche Kostenfunktion aus typischerweise < 2 min ändere einzelne Kantengewichte aktualisiere die Datenstrukturen 2 40 ms pro Kantenänderung ODER umfahre die Staus z.b. 3.6 ms bei 100 Staus
37 D. Schultes: Route Planning in Road Networks 37 Level 0 Level 1 Level 2 Level 3 Level 4 Level 5 Level 6 Level 7
38 D. Schultes: Route Planning in Road Networks 38 Zusammenfassung Umgang mit sehr großen Straßennetzen statisches Punkt-zu-Punkt Routing schnellste Suchzeiten Transit-Node Routing schnellste Vorberechnung Highway Hierarchien geringster Speicherverbrauch Highway-Node Routing dynamisches Punkt-zu-Punkt Routing Austausch der Kostenfunktion } Highway-Node Routing Änderung einzelner Kantengewichte Distanztabellen-Berechnung Many-to-Many
39 D. Schultes: Route Planning in Road Networks 39 Ausblick: Wissenschaft R. Jacob and S. Sachdeva. I/O efficieny of highway hierarchies. Technical Report, ETH Zürich, A. V. Goldberg, H. Kaplan, R. F. Werneck. Better landmarks within reach. In 6th Workshop on Experimental Algorithms (WEA), R. Bauer and D. Delling. SHARC: Fast and robust unidirectional routing. In Workshop on Algorithm Engineering and Experiments (ALENEX), G. Nannicini et al. Fast paths in large-scale dynamic road networks. Computational Optimization and Applications, accepted for publication. R. Geisberger, P. Sanders, D. Schultes, D. Delling. Contraction hierarchies... Submitted for publication, P. Sanders, D. Schultes, C. Vetter. Mobile route planning. Submitted for publication, R. Bauer, D. Delling, P. Sanders, D. Schieferdecker, D. Schultes, D. Wagner. Combining Hierarchical and Goal-Directed Speed-Up Techniques for Dijkstra s Algorithm. Submitted for publication, 2008.
40 D. Schultes: Route Planning in Road Networks 40 Zusammenfassung Umgang mit sehr großen Straßennetzen statisches Punkt-zu-Punkt Routing schnellste Suchzeiten Transit-Node Routing schnellste Vorberechnung Highway Hierarchien geringster Speicherverbrauch Highway-Node Routing dynamisches Punkt-zu-Punkt Routing Austausch der Kostenfunktion } Highway-Node Routing Änderung einzelner Kantengewichte Distanztabellen-Berechnung Many-to-Many
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Tag der Informatik, 15. Juli
MehrAlgorithmen für Routenplanung Vorlesung 7
Algorithmen für Routenplanung Vorlesung 7 Daniel Delling 1/ 47 Letztes Mal T Many-to-Many Transit-Node Routing S access node s t distances between transit nodes access node 2/ 47 Transit-Node Routing ersetzt
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrGenauer Hochleistungs-Routenplaner
Sanders/Schultes: Routenplanung 1 Genauer Hochleistungs-Routenplaner Prof. Dr. Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) Heidelberger
MehrAlgorithmen für Routenplanung Vorlesung 12
Algorithmen für Routenplanung Vorlesung 12 Daniel Delling 1/ 33 Letztes Mal: Multikriterielle Wege Szenario: schnellste Verbindung häufig nicht die Beste Anzahl Umstiege, Fahrtkosten, Distanz, etc. multikriterielle
MehrDijkstra: Laufzeit. Insgesamt: T Dijkstra = O m T decreasekey (n)+n (T deletemin (n)+t insert (n))
Dijkstra: Laufzeit Function Dijkstra(s : NodeId) : NodeArray NodeArray d = {,..., }; parent[s]:= s; d[s] := 0; Q.insert(s) // O(n) while Q 6= /0 do u := Q.deleteMin // apple n foreach edge e =(u,v) 2 E
MehrAlgorithmen für Routenplanung Vorlesung 11
Algorithmen für Routenplanung Vorlesung 11 Daniel Delling 1/ 35 Letztes Mal: Zeitabhängige Netzwerke Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar berechne
MehrErinnerung VL
Erinnerung VL 22.06.2016 Dijkstra: Implementierung, Laufzeit Heute: Negative Kantengewichte (Bellman-Ford) Weitere Variationen (azyklische Graphen) Ausblick: Routenplanung in Straÿennetzwerken Abschluss
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
MehrAlgorithmen für Routenplanung Vorlesung 10
Algorithmen für Routenplanung Vorlesung 10 Daniel Delling 1/ 42 Letztes Mal: Zeitabhängige Netzwerke (Basics) Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015
Algorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrHighway Hierarchies. Kristian Dannowski, Matthias Hoeschel
Highway Hierarchies Kristian Dannowski, Matthias Hoeschel Gliederung Einleitung / Bidirektional Dijkstra Intuition / Naive Strategie Konstruktion der Highway Hierarchie Suche in der Highway Hierarchie
MehrSchnellste Wege, Teil II Stable Marriages
Schnellste Wege, Teil II Stable Marriages Kurt Mehlhorn und Kosta Panagiotou Max-Planck-Institut für Informatik Vorlesung Computational Thinking Übersicht Wiederholung: Grundalg und Korrektheit Dijkstras
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2013/2014 Moritz Baum, Julian Dibbelt, Ben Strasser 21. Oktober 2013
Praktikum Routenplanung Vorbesprechung, Wintersemester 013/014 Moritz Baum, Julian Dibbelt, Ben Strasser 1. Oktober 013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrAlgorithmen für Routenplanung 5. Sitzung, Sommersemester 2010 Thomas Pajor 10. Mai 2010
Algorithmen für Routenplanung 5. Sitzung, Sommersemester 00 Thomas Pajor 0. Mai 00 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 4
Algorithmen für Routenplanung Vorlesung 4 Daniel Delling 1/ 39 Letztes Mal (u,v) Geometrische Container Arc-Flags u 2/ 39 Themen Heute + nächste 1-2 Hierarchische Techniken s t 3/ 39 Ideensammlung Wie
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
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 4. Termin, Sommersemester 2011 Reinhard Bauer 2. Mai 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrSchnellste Wege Wie funktioniert ein Navi?
Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn und Adrian Neumann Max-Planck-Institut für Informatik Vorlesung Ideen der Informatik Schnellste Wege Routenfinden im Navi Karten und Graphen Algorithmen
MehrAlgorithmen für Routenplanung Vorlesung 3
Algorithmen für Routenplanung Vorlesung 3 Daniel Delling 1/ 45 Letztes Mal bidirektionale Suche A Suche A mit Landmarken bidirektionale A Suche 2/ 45 Themen Heute Geometrische Container Arc-Flags s t 3/
MehrKapitel 6: Dynamic Shortest Path
Kapitel 6: Dynamic Shortest Path 6.4 Experimentelle Analyse VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 18. VO 12. Juni 2007 Literatur für diese VO C.
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2014/2015 Moritz Baum, Julian Dibbelt, Ben Strasser 22. Oktober 2014
Praktikum Routenplanung Vorbesprechung, Wintersemester 014/015 Moritz Baum, Julian Dibbelt, Ben Strasser. Oktober 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrExakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien
Exakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien Andreas Wickert Humboldt-Universität zu Berlin, Institut für Informatik, 10099 Berlin @informatik.hu-berlin.de Zusammenfassung
MehrRouting in Nahverkehrsnetzen
Routing in Nahverkehrsnetzen Daniel Friesel derf@chaosdorf.de @derfnull CCC Düsseldorf / Chaosdorf 12. Juni 2015 Einleitung Es gibt diverse Routingdienste 1 / 11 Einleitung Es gibt diverse Routingdienste
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrÜber die Berechnung der Optimalwertfunktion in zeitabhängigen Netzwerken
Über die Berechnung der Optimalwertfunktion in zeitabhängigen Netzwerken Sebastian Kluge Elgersburg, 3.3.2010 Kürzeste Wege in Netzwerken H 288 km 426 km B K 194 km F 609 km 225 km N 439 km 204 km S 166
MehrAlgorithmen für Routenplanung 4. Sitzung, Sommersemester 2010 Thomas Pajor 3. Mai 2010
Algorithmen für Routenplanung 4. Sitzung, Sommersemester 20 Thomas Pajor 3. Mai 20 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012
Algorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrAlgorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014
Algorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK LEHRSTUHL ALGORITHMIK KIT Universität des Landes
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
MehrAlgorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012
Algorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrPraktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19.
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19. Oktober 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF.
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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,
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrBeschleunigte Berechnung von ressourcenbeschränkten kürzesten Wegen
Institut für Formale Methoden der Informatik Abteilung Algorithmik Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Bachelorarbeit Nr. 19 Beschleunigte Berechnung von ressourcenbeschränkten
MehrOrganisatorisches. Programmierpraktikum Das Canadian Traveller Problem. Organisatorisches. Organisatorisches
Organisatorisches Programmierpraktikum Das Canadian Traveller Problem Rainer Schrader Birgit Engels Anna Schulze Zentrum für Angewandte Informatik Köln. April 006 Prof. Dr. Rainer Schrader Tel.: 470-600
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
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
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung Letzte Sitzung, Sommersemester 2010 Thomas Pajor 09. Juli 2010 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT University of the State
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
MehrAlgorithmen für Routenplanung 1. Sitzung, Sommersemester 2010 Thomas Pajor 12. April 2010
Algorithmen für Routenplanung. Sitzung, Sommersemester 00 Thomas Pajor. April 00 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAuskunftssysteme: Kurzwegsuche im öffentlichen Verkehr
Auskunftssysteme: Kurzwegsuche im öffentlichen Verkehr Proseminar Algorithmen der Verkehrssimulation WS 05/06 Teera Inprasit Gliederung Einführung Optimale Zugverbindung? Modellierungsansätze Vergleich
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
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
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
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
MehrProseminar 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
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT University of the State of
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 13, Donnerstag, 30.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 0 / 04 Vorlesung, Donnerstag, 0. Januar 0 (Kürzeste Wege, Dijkstras Algorithmus) Junior-Prof. Dr. Olaf Ronneberger
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
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 3. Termin, Sommersemester 2011 Reinhard Bauer 21.11.2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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.
Mehr1 Kürzeste Pfade in Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 03.11.2011 1 1 Kürzeste Pfade in Graphen Es sei ein gerichteter Graph G = (V, E) mit V = n Knoten, E = m Kanten und Kantengewichten c : E R gegeben. Ein Pfad in G
MehrTransit Nodes und Dynamic Highway Node Routing
Transit Nodes und Dynamic Highway Node Routing Christian Kaptur 17. Dezember 2008 1 Christian Kaptur Transit Nodes und Dynamic Highway Node Routing Gliederung 1 Einführung vorherige Arbeiten 2 Transit-Node
MehrIhre Route wird berechnet Schneller zum kürzesten Weg
Ihre Route wird berechnet Schneller zum kürzesten Weg Dr. Felix Hahne Curt Nowak (M.Sc.) hahne@bwl.uni-hildesheim.de cnowak@bwl.uni-hildesheim.de Stiftung Universität Hildesheim Institut für Betriebswirtschaft
MehrAlgorithmen für Routenplanung 1. Vorlesung, Sommersemester 2015 Andreas Gemsa 13. April 2015
Algorithmen für Routenplanung 1. Vorlesung, Sommersemester 015 Andreas Gemsa 13. April 015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 23.6.2016 Giuseppe Accaputo g@accaputo.ch 1 Programm für heute Repetition Datenstrukturen Unter anderem Fragen von gestern Point-in-Polygon Algorithmus Shortest
MehrAlgorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
0. Übung Algorithmen I Veit Batz, Timo Bingmann, Christian Schulz, Vitaly Osipov INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 80 xb 0,8 xa + 0,7 xb 00 kg 0,06 xa + 0,2 xb 5 kg 60 xb 70 kg 40 20
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
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
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2012/2013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17.
Praktikum Routenplanung Vorbesprechung, Wintersemester 01/013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17. Oktober 01 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
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)
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2010/11
MehrFortgeschrittene 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
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
MehrBerechnung kürzester Wege
Berechnung kürzester Wege 7. Algorithmus der Woche Informatikjahr 2006 Prof. Dr. Peter Sanders Dipl.-Inform. Johannes Singler 18. April 2006 Berechnung kürzester Wege 7. Algorithmus der Woche, Informatikjahr
MehrKürzeste Wege in Graphen
Kürzeste Wege in Graphen Algorithmische Paradigmen In diesem Abschnitt wollen wir nicht nur neue Algorithmen vorstellen, sondern auch den Blick auf Gemeinsamkeiten und prinzipielle Unterschiede zwischen
MehrAlgorithmen für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
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
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrOverview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces
Overview Testen von Planarität Markus Chimani LS XI Algorithm Engineering, TU Dortmund VO Automatisches Zeichnen von Graphen 15 Planarität Grundbegriffe Wie erkennt man Planarität Boyer-Myrvold Überblick
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
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
MehrDie 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
MehrAlgorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012
Algorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrMatching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend
Organisatorisches VL-18: Matching (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Sprechstunde: Mittwoch 11:15 12:00 Übungen: Tim Hartmann,
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
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrUberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski Summen 5. Pseudo-Scheiben 6. Bewegungsplanung
Vorlesung Geometrische Algorithmen Bewegungsplanung fur Roboter (Robot Motion Planning) Sven Schuierer Uberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski
MehrKürzeste 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
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge
Mehr