Definition : Diechromatische Zahl eines Graphen G ist die kleinste Anzahl chromatische Zahl von Farben für eine zulässige Färbung.

Größe: px
Ab Seite anzeigen:

Download "Definition : Diechromatische Zahl eines Graphen G ist die kleinste Anzahl chromatische Zahl von Farben für eine zulässige Färbung."

Transkript

1 4 Definition : Eine zulässige Färbung ist eine Färbung der Knoten des ( un- zulässige Färbung gerichteten ) Graphen, so daß je zwei adjazente Knoten verschiedene Farben haben. Trivial ist, daß n verschiedene Farben immer eine zulässige Färbung sind ( Anzahl Knoten = Anzahl Farben ). Definition : Diechromatische Zahl eines Graphen G ist die kleinste Anzahl chromatische Zahl von Farben für eine zulässige Färbung. Symbol : χ(g) Beispiele : 1. Polyeder : χ(g =Würfel) = 2, χ(g = Tetraeder) = 4 (a) Würfel (b) Tetraeder Abbildung 10: Färbung von Polyedern 2. Färbung eines Graphen : χ(g) = 4 21

2 3. Färben einer Landkarte : Eine Landkarte ist ein planarer Graph 2.Die Knoten sind durch die Länder gegeben. 2 Knoten werden durch eine Kante verbunden, wenn die Länder eine gemeinsame Grenze haben. Abbildung 11: Färbung einer Landkarte Jede Landkarte kann mit vier Farben zulässig gefärbt werden ( Vierfarbensatz ) Vierfarbensatz 4. Party mit n Gästen : Die Gäste stellen die Knoten dar. Jede Kante zwischen zwei Knoten bedeutet, daß die jeweiligen zwei Gäste nicht miteinander harmonieren. Gesucht ist eine zulässige Färbung des Graphen, die einer Verteilung der Gäste auf verschiedene Tische ohne Disharmonien entspricht. Einfache Aussagen : 1. Für einen vollständigen Graphen G mit n Knoten gilt : χ(g) = n 2. Für einen Kreis G mit gerader Länge gilt : χ(g) =2 3. Für einen Kreis G mit ungerader Länge gilt : χ(g) =3 2 in der Ebene ohne Überschneidungen der Kanten darstellbar 22

3 4.1 Färbung mit 2 Farben Satz : Ein Graph G =(X, K) hat eine zulässige Färbung mit 2 Farben G hat keinen Kreis mit ungerader Länge. Beweis : : trivial ( siehe Aussage 3 ) : In jeder Zusammenhangskomponente von G wird folgendermaßen gefärbt : 1. Wähle x 0 aus der Knotenmenge der Zusammenhangskomponente beliebig. Alle Knoten y mit Distanz D(x 0,y) = gerade erhalten die Farbe F 1. Alle Knoten y mit Distanz D(x 0,y) = ungerade erhalten die Farbe F Noch zu zeigen : 2 adjazente Knoten x 1 und x 2 haben nicht die gleiche Farbe. Indirekter Beweis : Annahme : x 1 und x 2 seien adjazent und haben die gleiche Farbe F 1 ( oder F 2 ). kürzester Weg von x 0 nach x 1 : gerade ( ungerade ) Länge kürzester Weg von x 0 nach x 2 : gerade ( ungerade ) Länge Kante von x 1 nach x 2 : Länge 1 Der Weg von x 0 über x 1 und x 2 und zurück zu x 0 ist offenbar stets ein Kreis ungerader Länge! Algorithmus : Beginne mit einem beliebigen Knoten x 0 aus X. Bilde sukzessive um x 0 konzentrische Schalen gleichgefärbter Knoten, solange dies möglich ist. Die Schalen enthalten genau die Knoten gleicher Distanz von x 0.Einezulässige Färbung ist möglich, wenn in keiner Schale adjazente Knoten existieren. Zwei-Farben-Algorithmus Gegeben sei ein ungerichteter zusammenhängender Graph G = (X, K) mittels Nachfolgerliste nf der Länge 2m und zugehöriger Indexliste inf der Länge n + 1. Außerdem ist ein Startknoten x 0 X mittels des Indexes i 0 gegeben. Gesucht ist die Entscheidung, ob eine zulässige Färbung mit 2 Farben möglich ist. Falls ja, Angabe der Färbung der Knoten mittels farbe. 23

4 Listing 2: Zwei-Farben-Algorithmus 1 VAR N,M,I0 : integer; 2 TYPE PListe = array[1..n+1] OF integer; 3 KListe = array[1..2*m] OF integer; 4 5 PROCEDURE ZweiFarben( nf : KListe; inf, Farbe, D : PListe ); 6 VAR i,j,k,dakt,farbeakt : integer; 7 unfaerbbar : boolean; 8 BEGIN 9 FOR i:=1 TO N DO D[i]:=-1; D[I0]:=0; Dakt:=0; Farbe[I0]:=0; 12 unfaerbbar:=false; FarbeAkt:=0; // Anfangsinitialisierung REPEAT 15 FOR i:=1 TO N DO BEGIN 16 IF D[i] = Dakt THEN BEGIN 17 FOR j:=inf[i] TO inf[i+1]-1 DO BEGIN 18 k:=nf[j]; 19 IF D[k] = -1 THEN BEGIN 20 D[k]:=Dakt+1; 21 Farbe[k]:=1-FarbeAkt; 22 END 23 ELSE 24 IF D[k] = Dakt THEN unfaerbbar:=true; 25 END; 26 END; 27 END; 28 Dakt:=Dakt+1; 29 FarbeAkt:=1-FarbeAkt; 30 UNTIL ( Dakt = N ) OR ( unfaerbbar ); 31 END; 24

5 Beispiel : , 3, 5 3 2, 4 4 3, 5 5 2, 4 Nachfolgerliste : j nf[j] Index- und Färbeliste : i inf[i] farbe[i] gesucht Die Abarbeitung des Zwei-Farben-Algorithmus liefert folgende Lösung: i farbe[i]

6 4.2 Maximalgrad und Greedy-Algorithmus Definition : Der Maximalgrad eines Graphen G ist definiert durch Maximalgrad δ(g) := Offensichtlich gilt: χ(g) δ(g) + 1. max d(x i). i=1,2,...,n Eine zulässige Färbung mit höchstens δ(g) + 1 Farben ermittelt der Greedy-Algorithmus : Schritte : Greedy-Algorithmus 1. x 1 X erhält Farbe 0; i =2 2. x 1,x 2,...,x i 1 X seien bereits gefärbt (a) Betrachte die in Γ(x i ) {x 1,x 2,...,x i 1 } vergebenen Farben j 1,j 2,...,j r (b) x i erhält die Farbe j i =min({0, 1, 2,...,δ(G)}\{j 1,j 2,...,j r }) (c) i := i Solange i<n+ 1 fahre mit Schritt 2 fort. 26

7 Beispiel : Der Greedy-Algorithmus benötigt fünf Farben, um den obigen Graphen zulässig zu färben. Durch Vertauschen der Knotennummern 10 und 12 wird eine Farbe weniger benötigt. Eine eventuell günstigere Knotennummerierung kann durch den folgenden Algorithmus erreicht werden : 1. i := n, G i := G 2. Ermittle in G i einen Knoten x i mit minimalem Grad d i. (a) Bilde G i 1 dadurch, daß x i werden (b) i := i 1 und alle inzidenten Kanten entfernt 3. Solange i>0, setze in Schritt 2 fort. Der Greedy-Algorithmus liefert jetzt eine zulässige Färbung mit höchstens δ (G) + 1 Farben, wobei δ (G) :=max i=1,2,...,n d (x i). 27

8 Für obiges Beispiel : i x i x i d i (a) Ausgangsfärbung (b) Färbung nach Neunummerierung Also reichen sogar 3 Farben für eine zulässige Färbung. Bemerkung : Es gibt eine Nummerierung der Knoten, so daß der Greedy- Algorithmus zu einer zulässigen Färbung mit χ(g) Farbenführt. 28

9 Backtracking-Algorithmus : 1. x 1,x 2,...,x i 1 seien zulässig gefärbt, dann (a) wird x i zunächst mit der ersten Farbe gefärbt, (b) verträgt sich diese Farbe mit den bereits gefärbten Nachbarn von x i, so geht man zu x i+1, (c) wenn nicht, dann wird die nächste Farbe für x i überprüft, (d) sind alle c Farben für x i mit negativem Resultat überprüft, so geht man zu x i 1 zurück und ändert die Farbe für x i Nach Abarbeitung von 1. tritt eine der folgenden Situationen ein: Beispiel : (a) man erreicht den letzten Knoten x n,kanndiesenzulässig färben und hat damit eine zulässige Färbung des Graphen mit höchstens c Farben gefunden, (b) man steht wieder am Anfang des Algorithmus, was bedeutet, dass eine zulässige Färbung des Graphen mit c Farben nicht möglich ist (alle Möglichkeiten wurden durchprobiert). (a) Graph G (b) c =2 (c) c =3 Abbildung 12: Backtracking-Algorithmus Für c = 2 entsteht ein Farbänderungsverlauf mit dem Ergebnis, daß eine zulässige Färbung mit 2 Farben nicht möglich ist. Für c = 3 entsteht ein gültiger Farbänderungsverlauf und somit eine zulässige Färbung. 29

10 4.3 Das Vier-Farben-Problem, der Fünf-Farben-Satz Graphentheoretisch lautet das Vier-Farben-Problem : Jeder planare Graph G hat die chromatische Zahl χ(g) 4. Vier-Farben-Problem Historie des Vier-Farben-Problems : 1850 Vermutung von de Morgan, über 125 Jahre ungelöst 1976 K. Appel, W. Hahen, (H. Heesch ) : Betrachtung von ca Arten von planaren Graphen, Computerlösung in letzter Zeit N. Robertson, D. Sanders, P. Seymow, R. Thomas :Vereinfachung des Beweises, Reduktion auf ca. 650 Fälle bisher kein Beweis ohne Computerhilfe Eulersche Polyederformel : Sei G ein zusammenhängender planarer Graph mit n Knoten, m Kanten und g Gebieten ( einschließlich des sog. Außengebietes ). Dann gilt : n }{{} Knoten }{{} m + g =2 }{{} Kanten Gebiete Eulersche Polyederformel Bemerkung : Graph. Aus einem Polyeder entsteht durch Projektion ein planarer (a) Polyeder (b) planarer Graph Abbildung 13: Projektion eines Polyeders auf einen planaren Graph Der Quader hat n =8Ecken,m = 12 Kanten und g =6Flächen; der planare Graph n =8Knoten,m = 12 Kanten und g = 6 Gebiete ( einschließlich des Außengebietes ). 30

11 Beweis der Eulerschen Polyederformel : Induktionsanfang : für m =0folgt,daßn = 1 und g =1 Induktionsvoraussetzung : für m>0 sei die Behauptung richtig Induktionsbehauptung : die Eulersche Polyederformel ist richtig für einen zusammenhängenden planaren Graphen G mit m + 1 Kanten Induktionsbeweis : 1. Fall : G enthalte keinen Kreis. Dann muß g = 1 und n = m +2sein. Folglich : (m +2) (m +1)+1=2. 2. Fall : G enthalte einen Kreis. Es wird eine Kante aus dem Kreis entfernt. Dadurch verschmelzen zwei Gebiete. Nach Induktionsvoraussetzung gilt : Aussagen : n m +(g 1) = 2 n (m +1)+g =2 1. Für einen planaren Graphen G mit n 3 Knoten gilt : m 3n 6 2. In einem planaren Graphen G gibt es mindestens einen Knoten x mit d(x) 5. Beweis zu Aussage 1 : G sei zusammenhängend ( ansonsten für jede Zusammenhangskomponente ) 1. Fall : g = 1( d.h. G hat Baumstruktur ). Aus der Baumstruktur folgt, daß m = n 1seinmuß.Für n 3 gilt sicher n 1 3n Fall : g 2. Für ein Gebiet i in G ist die Länge l i des umlaufendes Kreises 3. Somit ergibt sich : 2m = g i=1 l i 3g. Wennmannundie umgeformte Eulersche Polyederformel g = 2 n m einsetzt, ergibt sich folgende Abschätzung : 2m 6 3n +3m und damit m 3n 6. Beweis zu Aussage 2 : Für n 6 ist die Aussage klar. Sei nun n>6 und d(x) 6für alle x X angenommen. Dann gilt : 6n 2m, wasim Widerspruch zu m 3n 6steht. 31

12 Fünf-Farben-Satz : 1879 zeigte A. Kempe einen Beweis für das Vier-Farben-Problem entdeckte P. Heawood einen Fehler in diesem Beweis, der jedoch bei der Färbung mit 5 Farben nicht auftritt. Kempes Beobachtung ist die folgende : Sei G zulässig gefärbt. Für zwei Farben i, j wird definiert : Fünf-Farben-Satz X ij = {x X x ist mit i oder j gefärbt} G ij = der durch X ij erzeugte Teilgraph Beispiel : (a) Graph G (b) Graph G 13 mit getauschten Farben Z sei eine Zusammenhangskomponente von G ij.nunwerdeninz die Farben getauscht : x wird mit der Farbe i gefärbt, falls x vorher mit der Farbe j gefärbt war, und umgekehrt. DieneueFärbung wird nach G übertragen. Die neue Färbung ist in G zulässig und die Anzahl der Farben bleibt gleich. Beim Beweis des Fünf-Farben-Satzes, dass jeder planare Graph mit 5 Farben zulässig gefärbt werden kann, wird dieser Farbentausch Kempes genutzt.. 32

13 Beweis des Fünf-Farben-Satzes: Induktionsanfang : für n = 1 trivial Induktionsvoraussetzung : für n sei die Behauptung richtig Induktionsbeweis : Sei G ein planarer Graph mit n + 1 Knoten, Sei x X ein Knoten mit d(x) 5. Sei G der durch X \{x} erzeugte Teilgraph von G. Nachder Induktionsvoraussetzung besitzt G eine zulässige Färbung mit 5 Farben. 1. Fall : Verwenden die Nachbarn von x nicht alle 5 Farben, so ist eine zulässige Färbung von G mit 5 Farben trivial. 2. Fall : Die 5 Nachbarn x i von x benutzen alle 5 Farben i, wobeii = 1,...,5. Die Knoten x i laufen um x im Uhrzeigersinn. x1 x5 x2 x x4 x3 Ziel ist es, die Knoten x 1 bis x 5 mit 4 Farben zulässig färben. Es werden die Teilgraphen G ij mit 1 i, j 5vonG nach der Idee von Kempebetrachtet, konkret G Fall : Es gibt keinen Weg in G 13 von x 1 nach x 3. x 1 liege in einer Zusammenhangskomponente Z von G 13.InZ werden die Farben 1 und 3 getauscht. Insgesamt bleibt eine zulässige Färbung von G erhalten. x 1 und x 3 sind jedoch beide mit der Farbe 3 gefärbt. Die Farbe 1 kann für x verwendet werden. x1 Z x5 x2 x x4 x3 33

14 2. Fall:Esgibteinen Weg in G 13 von x 1 nach x 3. Zusammen mit x und den beiden Kanten von x nach x 1 und x 3 ergibt sich ein Kreis G K. x1 Gk x5 x2 x x3 x4 Jeder Weg von x 2 nach x 4 in G muß einen Knoten x K von G K benutzen. x K ist mit Farbe 1 oder 3 gefärbt. Somit liegen x 2 und x 4 in unterschiedlichen Zusammenhangskomponenten von G 24.Dasheißt, auf G 24 kann der 1. Fall angewendet werden. x1 Gk x5 x2 x4 x x3 xk 34

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden

Mehr

16. Flächenfärbungen

16. Flächenfärbungen Chr.Nelius: Graphentheorie (WS 2015/16) 57 16. Flächenfärbungen In der Mitte des 19. Jahrhunderts tauchte eine Vermutung auf, die erst 125 Jahre später bewiesen werden sollte und die eine der bekanntesten

Mehr

Das Briefträgerproblem

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

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. Musterlösung. Problem 1: Boruvka MST Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

2 Eulersche Polyederformel und reguläre Polyeder

2 Eulersche Polyederformel und reguläre Polyeder 6 2 Eulersche Polyederformel und reguläre Polyeder 2.1 Eulersche Polyederformel Formal besteht ein Graph aus einer Knotenmenge X und einer Kantenmenge U. Jede Kante u U ist eine zweielementige Teilmenge

Mehr

Vier-Farbenproblem. (c) Ein etwas schwereres Beispiel...

Vier-Farbenproblem. (c) Ein etwas schwereres Beispiel... Vier-Farbenproblem Kann man jede Landkarte mit vier Farben färben, sodass keine aneindander angrenzenden Länder die gleiche Farbe haben? Versuchen Sie die Karte Deutschlands oder eines der anderen Bilder

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. 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,

Mehr

SS 2013 1.1-1 / 12

SS 2013 1.1-1 / 12 AMPELSTEUERUNG EINER KREUZUNG monika.heiner@informatik.tu-cottbus.de SS 2013 1.1-1 / 12 (A) PROBLEM D C E B A Ziel (1) Sicherheit: keine kollidierenden Wege gleichzeitig, z.b. EB und AD Ziel (2) Maximierung:

Mehr

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung

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

Mehr

Elementargeometrie. Prof. Dr. Andreas Meister SS digital von: Frank Lieberknecht

Elementargeometrie. Prof. Dr. Andreas Meister SS digital von: Frank Lieberknecht Prof. Dr. Andreas Meister SS 2004 digital von: Frank Lieberknecht Geplanter Vorlesungsverlauf...1 Graphentheorie...1 Beispiel 1.1: (Königsberger Brückenproblem)... 1 Beispiel 1.2: (GEW - Problem)... 2

Mehr

Datenstrukturen & Algorithmen Lösungen zu Blatt 6 FS 14

Datenstrukturen & Algorithmen Lösungen zu Blatt 6 FS 14 Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 2. April

Mehr

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten Gliederung Zusammenhang von Graphen Stark Zusammenhängend K-fach Zusammenhängend Brücken Definition Algorithmus zum Finden von Brücken Anwendung Zusammenhangskomponente Definition Wichtige Aussagen und

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

2. Repräsentationen von Graphen in Computern

2. Repräsentationen von Graphen in Computern 2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen

Mehr

1. Einleitung wichtige Begriffe

1. Einleitung wichtige Begriffe 1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

Mehr

Statistik und Graphentheorie

Statistik und Graphentheorie Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:

Mehr

4.7 Der Algorithmus von Dinic für maximalen Fluss

4.7 Der Algorithmus von Dinic für maximalen Fluss 4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen

Mehr

Graphentheorie Mathe-Club Klasse 5/6

Graphentheorie Mathe-Club Klasse 5/6 Graphentheorie Mathe-Club Klasse 5/6 Thomas Krakow Rostock, den 26. April 2006 Inhaltsverzeichnis 1 Einleitung 3 2 Grundbegriffe und einfache Sätze über Graphen 5 2.1 Der Knotengrad.................................

Mehr

Graphen: Datenstrukturen und Algorithmen

Graphen: Datenstrukturen und Algorithmen Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.

Mehr

Gibt es in Königsberg einen Spaziergang, bei dem man jede der. Pregelbrücken. überquert?

Gibt es in Königsberg einen Spaziergang, bei dem man jede der. Pregelbrücken. überquert? Graphentheorie Gibt es in Königsberg einen Spaziergang, bei dem man jede der sieben Pregelbrücken genau einmal überquert? 1 Königsberger Brückenproblem Im Jahre 1736 Leonhard Euler löste das Problem allgemein

Mehr

Vorlesungen vom 5.Januar 2005

Vorlesungen vom 5.Januar 2005 Vorlesungen vom 5.Januar 2005 5 Planare Graphen 5.1 Beispiel: Gas, Wasser, Elektrik Drei eingeschworene Feinde, die im Wald leben, planen Trassen zu den Versorgungswerken für die drei Grundgüter Gas, Wasser

Mehr

Effiziente Algorithmen I

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

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei

Mehr

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007 Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80

Mehr

Guten Morgen und Willkommen zur Saalübung!

Guten Morgen und Willkommen zur Saalübung! Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen 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

Mehr

Institut für Mathematik Geometrie und Lineare Algebra J. Schönenberger-Deuel. Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien.

Institut für Mathematik Geometrie und Lineare Algebra J. Schönenberger-Deuel. Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien. Lösungen Übung 13 Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien. a) Strategie 1 (nächster Nachbar): Jedes Mal reist der Reisende vom Punkt, wo er gerade ist, zur nächstgelegenen Stadt,

Mehr

3 Vom Zählen zur Induktion

3 Vom Zählen zur Induktion 7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,

Mehr

3.2 Binäre Suche. Usr/local/www/ifi/fk/menschen/schmid/folien/infovk.ppt 1

3.2 Binäre Suche. Usr/local/www/ifi/fk/menschen/schmid/folien/infovk.ppt 1 3.2 Binäre Suche Beispiel 6.5.1: Intervallschachtelung (oder binäre Suche) (Hier ist n die Anzahl der Elemente im Feld!) Ein Feld A: array (1..n) of Integer sei gegeben. Das Feld sei sortiert, d.h.: A(i)

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) 5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!

Mehr

Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)

Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:

Mehr

Graphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph

Graphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine

Mehr

Abschnitt: Algorithmendesign und Laufzeitanalyse

Abschnitt: Algorithmendesign und Laufzeitanalyse Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN

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

Mehr

Definitionen und Sätze der Graphentheorie. Dr. F. Göring

Definitionen und Sätze der Graphentheorie. Dr. F. Göring Definitionen und Sätze der Graphentheorie Dr. F. Göring 4. Februar 2010 Zusammenfassung Die wesentlichen Definitionen und Sätze zusammengestellt. Kapitel 1 Einführung Definition 1.1 Sei Ω eine Grundmenge.

Mehr

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie

Mehr

Randomisierte Algorithmen

Randomisierte Algorithmen Randomisierte Algorithmen Randomisierte Algorithmen 7. Random Walks Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 43 Überblick Überblick Ein randomisierter

Mehr

Übung zur Vorlesung Algorithmische Geometrie

Übung zur Vorlesung Algorithmische Geometrie Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)

Mehr

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

Mehr

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Technische 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 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

Mehr

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:

Mehr

Planare Graphen, Traveling Salesman Problem, Transportnetze. Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61)

Planare Graphen, Traveling Salesman Problem, Transportnetze. Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61) Planare Graphen, Traveling Salesman Problem, Transportnetze Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61) Teil IV: Planare Graphen / Transportnetze 1. Planare Graphen / Traveling

Mehr

C++, LEDA und STL Visualisierung minimal/maximal aufspannender Bäume

C++, LEDA und STL Visualisierung minimal/maximal aufspannender Bäume Fachbereich IV, Informatik Softwarepraktikum C++, LEDA und STL Visualisierung minimal/maximal aufspannender Bäume Wintersemester 2004/2005 Dokumentation Algorithmen zur Lösung von MST - Problemen Nicolas

Mehr

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

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

Mehr

Algorithmentheorie. 13 - Maximale Flüsse

Algorithmentheorie. 13 - Maximale Flüsse Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk

Mehr

Kombinatorische Optimierung

Kombinatorische 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 1 Programm des

Mehr

Breiten- und Tiefensuche in Graphen

Breiten- und Tiefensuche in Graphen Breiten- und Tiefensuche in Graphen Inhalt Theorie. Graphen. Die Breitensuche in der Theorie am Beispiel eines ungerichteten Graphen. Die Tiefensuche in der Theorie am Beispiel eines gerichteten Graphen

Mehr

Körper zum Selberbauen Polydron

Körper zum Selberbauen Polydron Körper zum Selberbauen Polydron Was versteht man unter Polydron? Polydron ist ein von Edward Harvey erfundenes intelligentes Spielzeug, mit dem man verschiedene geometrische Figuren bauen kann. Es ist

Mehr

Stetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543

Stetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543 Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen

Mehr

Tag der Mathematik 2013

Tag der Mathematik 2013 Tag der Mathematik 2013 Gruppenwettbewerb Allgemeine Hinweise: Als Hilfsmittel dürfen nur Schreibzeug, Geodreieck und Zirkel benutzt werden. Taschenrechner sind nicht zugelassen. Teamnummer Die folgende

Mehr

Algorithmen und Datenstrukturen 2

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

Mehr

Konjunktive und disjunktive Normalformen

Konjunktive und disjunktive Normalformen Konjunktive und disjunktive Normalformen Nachdem gesprochen wurde, wie man Boolesche Terme unter einer Belegung der Variablen interpretiert und dass somit jeder Boolesche Term eine Boolesche Funktion repräsentiert,

Mehr

WS 2013/14. Diskrete Strukturen

WS 2013/14. Diskrete Strukturen WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314

Mehr

Mathematik Übungsblatt - Lösung. b) x=2

Mathematik Übungsblatt - Lösung. b) x=2 Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung

Mehr

Property Testing in Graphen mit beschränktem Maximalgrad

Property Testing in Graphen mit beschränktem Maximalgrad Property Testing in Graphen mit beschränktem Maximalgrad Björn Schümann Seminar Graphentheorie und Kombinatorik WS 2007-08 Inhaltsverzeichnis 1 Einleitung 2 2 Allgemeine Aussagen zum Property Testing 3

Mehr

Kostenmaße. F3 03/04 p.188/395

Kostenmaße. F3 03/04 p.188/395 Kostenmaße Bei der TM nur ein Kostenmaß: Ein Schritt (Konfigurationsübergang) kostet eine Zeiteinheit; eine Bandzelle kostet eine Platzeinheit. Bei der RAM zwei Kostenmaße: uniformes Kostenmaß: (wie oben);

Mehr

Algorithmische Mathematik

Algorithmische Mathematik Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

5 Zwei spieltheoretische Aspekte

5 Zwei spieltheoretische Aspekte 5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,

Mehr

Vorlesung 4 BETWEENNESS CENTRALITY

Vorlesung 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/

Mehr

18 Höhere Ableitungen und Taylorformel

18 Höhere Ableitungen und Taylorformel 8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS

ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung

Mehr

3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson

3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson 3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson Definition 3.4.1 Die Aufgabe, zu jedem Netzwerk N = (s, t, V, E, c o ) mit n = V Knoten und m = E Kanten den Fluß f IR m mit maximalem Wert zu

Mehr

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

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

Mehr

Routing Algorithmen. Begriffe, Definitionen

Routing 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

Mehr

Kapitel MK:IV. IV. Modellieren mit Constraints

Kapitel MK:IV. IV. Modellieren mit Constraints Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren

Mehr

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29

Teil 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

Mehr

Neutrale kombinatorische Spiele

Neutrale kombinatorische Spiele Neutrale kombinatorische Spiele Vortrag zum Seminar Anwendungen der Wahrscheinlichkeitstheorie Oskar Braun 10. Juli 2012 Inhaltsverzeichnis 1 Einleitung 2 2 Einführung 2 3 Das Nim-Spiel 4 4 Graphenspiele

Mehr

Zahlen und metrische Räume

Zahlen und metrische Räume Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus

Mehr

Flüsse in Netzwerken

Flüsse in Netzwerken Skript zum Seminar Flüsse in Netzwerken WS 2008/09 David Meier Inhaltsverzeichnis 1 Einführende Definitionen und Beispiele 3 2 Schnitte in Flussnetzwerken 12 2.1 Maximaler s t Fluss..........................

Mehr

Grundlagen der Programmierung 2. Bäume

Grundlagen der Programmierung 2. Bäume Grundlagen der Programmierung 2 Bäume Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 24. Mai 2006 Graphen Graph: Menge von Knoten undzugehörige (gerichtete oder ungerichtete)

Mehr

Schwierige Probleme in der Informatik Informationen für die Lehrperson

Schwierige Probleme in der Informatik Informationen für die Lehrperson Schwierige Probleme in der Informatik Informationen für die Lehrperson Thema, Adressaten,... Das Thema dieses Moduls sind NP-vollständige Probleme, also schwierige Probleme in der Informatik. GraphBench

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Vollständige Induktion

Vollständige Induktion Vollständige Induktion Tobias Strauß 6.0.009 Das Prinzip der vollständigen Induktion Die vollständige Induktion ist eines der wichtigsten Beweisprinzipien in der Mathematik. Nicht nur in der diskreten

Mehr

13. Binäre Suchbäume

13. Binäre Suchbäume 1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),

Mehr

A2.3 Lineare Gleichungssysteme

A2.3 Lineare Gleichungssysteme A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen

Mehr

Übersicht 2. Mathematik als Beruf? Von logischen Strukturen und spannenden Aufgaben. Martin Oellrich. ein Problem vor der Haustür 3

Übersicht 2. Mathematik als Beruf? Von logischen Strukturen und spannenden Aufgaben. Martin Oellrich. ein Problem vor der Haustür 3 Mathematik als Beruf? Von logischen Strukturen und spannenden Aufgaben Übersicht vom Problem zur Theorie 0. Juni 008 0. Juni 008 Martin Oellrich die Idee weiter denken MathematikerIn werden? Gibt es einen

Mehr

Praktikum Planare Graphen

Praktikum Planare Graphen 1 Praktikum Planare Graphen Michael Baur, Martin Holzer, Steffen Mecke 10. November 2006 Einleitung Gliederung 2 Grundlagenwissen zu planaren Graphen Themenvorstellung Gruppeneinteilung Planare Graphen

Mehr

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:

Mehr

Analysis I - Stetige Funktionen

Analysis I - Stetige Funktionen Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt

Mehr

Hackenbusch und Spieltheorie

Hackenbusch und Spieltheorie Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)

Mehr

Datenstrukturen und Algorithmen SS07

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

Mehr

Fußbälle, platonische und archimedische Körper

Fußbälle, platonische und archimedische Körper Fußbälle, platonische und archimedische Körper Prof. Dr. Wolfram Koepf http://www.mathematik.uni-kassel.de/~koepf Was ist ein Fußball? Sepp Herberger: Der Ball ist rund. Ist also ein Fußball eine Kugel?

Mehr