Kap. 4: Das Handlungsreisendenproblem (TSP)
|
|
- Moritz Martin
- vor 6 Jahren
- Abrufe
Transkript
1 Kap. 4: Das Handlungsreisendenproblem (TSP) VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 7./8. VO 24./26. April 2007
2 Literatur Mutzel: Skript zu Branch & Cut (s. vorige VO) TSP-Web Site: Bei Interesse: M. Jünger, G. Reinelt und G. Rinaldi: The Traveling Salesman Problem, 1995, Elsevier Science in the collection "Network Models, Handbook on Operations Research and Management Science" (Eds. M. Ball, T. Magnanti, C. Monma, G. Nemhauser), vol. 7, NEUES BUCH: D. Applegate, R.E. Bixby, V. Chvátal und W.J. Cook: The Traveling Salesman Problem: A Computational Study, Princeton University Press 2007, 606 pp. Nachschlagewerk bei Interesse: M. Jünger und D. Naddef (Eds.): Computational Combinatorial Optimization, Optimal or Provably Near-Optimal Solutions, LNCS 2241, Springer, 2001, i.e
3 Überblick 4.1 Einführung Einführung in TSP 4.2 ILP-Formulierung für TSP 4.3 Branch-and-Cut Algorithmus Separierung der Subtour Bedingungen Zusätzliche Ungleichungen Branch& Cut Spaltengenerierung 4.4 Engineering Lin-Kernighan (s. 3. Mai) 3
4 4.1 Einführung: Das Travelling Salesman Problem Das Handlungsreisendenproblem, TSP Gegeben: Vollständiger ungerichteter Graph G=(V,E) mit Kantenkosten c e Gesucht: Tour T (Kreis, der jeden Knoten genau einmal enthält) mit minimalen Kosten c(t)= c e 4
5 Buch von F. Voigt, Ilmenau 1831 Der Handlungsreisende, wie er sein soll und was er zu thun hat, um Aufträge zu erhalten und eines glücklichen Erfolgs in seinen Geschäften gewiß zu sein. Von einem alten Commis=Voyageur. Durch geeignete Auswahl und Planung der Tour kann man oft so viel Zeit sparen, daß wir einige Vorschläge zu machen haben. Der Wichtigste Aspekt ist, so viele Orte wie möglich zu erreichen, ohne einen Ort zweimal zu besuchen. 5
6 Anwendungen des TSP Tourenplanung (Pharma-Referenten, AGFA, Schulbusrouting, Postal routing Vehicle Routing (Speditionen) Sammeltaxis (statt Bus auf dem Land) VLSI-Design (Bohrprobleme) Bioinformatik (Genome Sequencing) Teleskop Kristallographie Datenclustering 6
7 Bohrmaschine für Leiterplatten 7
8 Bohrköpfe 8
9 Bohrproblem: TSP mit Städten 9
10 Das Travelling Salesman Problem Ann.: Rechner schafft 40 Mio. Touren pro Sekunde Anzahl der verschiedenen Touren: ( V -1)! / 2 n #Tour ca ca ca ca ca Zeit Sek. 3 Tage 2,5 Jahre 48 Jahre 10 8 Jahre Jahre Anzahl der Atome im Weltall: ca
11 Meilensteine für TSP Lösungen Jahr Weltmeister Dantzig,Fulkerson,Johnson Held, Karp Grötschel Crowder, Padberg Padberg, Rinaldi Grötschel, Holland Padberg, Rinaldi Applegate, Bixby, Chvátal, Cook Applegate, Bixby, Chvátal, Cook Applegate, Bixby, Chvátal, Cook Applegate, Bixby, Chvátal, Cook, Helsgaun Städte aktuelle Challenge: Worldtour Städte 11
12 15112 Städte TSP 22,6 CPU Jahre auf 110 Prozessoren 12
13 24978 Städte TSP Optimallösung 8 Jahre 13
14 Lösung mittels Branch & Cut 14
15 World Tour: Städte Tour der Länge 7,516,353,779 (Keld Helsgaun, 2003) Garantie: Tourlänge 0.076% nahe an OPT(Concorde TSP code) aktuelle Challenge 15
16 4.2 ILP-Formulierung für TSP Binär-Variable: x uv =1, wenn Kante uv in Tour T, und x uv =0 sonst Beispiel: <1,3,2,4,6,5> 16
17 ILP-Formulierung für TSP Geg.: vollständiger Graph G=(V,E) mit c e für alle Kanten e Grad-Gl. Subtour-Ungl. Problem: Ganzzahlige Optimierung ist NP-schwer Löst eine Relaxierung des Problems 17
18 4.3 Branch & Cut für TSP LP-Relaxierung: Entferne Ganzzahligkeitsbedingungen minimiere so dass e E x e c x e δ ( v) e 0 x x e e e 1 ganzzahlig = 2 für für für alle alle alle e E e E v V x e e δ ( W ) 2 für alle φ W V Subtour-Relaxierung: man relaxiert Ganzzahligkeit 18
19 Branch & Cut für TSP Auch die Subtour-Relaxierung hat bereits exponentiell viele ( Θ(2 n 1 ))Ungleichungen hoffnungslos? Lösung: Schnittebenenverfahren Können wir die Subtour-Relaxierung beim TSP lösen? 19
20 Satz von Grötschel, Lovasz, Schrijver Ein Optimierungsproblem ist in polynomieller Zeit lösbar genau dann wenn das zugehörige Separationsproblem in polynomieller Zeit lösbar ist. Frage: Können wir Separationsproblem für die Subtour-Ungleichungen des TSP lösen? 20
21 Definition Separationsproblem 21
22 Separierung TSP Subtour Bedingungen x e e δ ( W ) 2 für alle φ W V Min Cut = 0 Verletzte Subtour-Ungleichung gefunden 6 e δ ( W ) xe = 0 für W = {1,3,5} 22
23 Separierung TSP Subtour Bedingungen x ij i W, j V W 2 für alle φ W V 1/ / /2 1/ /2 1/2 Min Cut = bessere Relaxierungen durch Hinzunahme weiterer Ungl. Subtour-Relaxierung gelöst aber nicht TSP Es existiert keine verletzte Subtour-Ungleichung 23
24 Satz von Grötschel, Lovasz, Schrijver Ein Optimierungsproblem ist in polynomieller Zeit lösbar genau dann wenn das zugehörige Separationsproblem in polynomieller Zeit lösbar ist. Frage: Können wir Separationsproblem für die Subtour-Ungleichungen des TSP lösen? Lösung des kleinsten Schnittproblems 24
25 Bekannte Ungleichungen beim TSP Grad Gleichungen Subtour Bedingungen 2-Matching Ungleichungen Blossom Ungleichungen Comb Ungleichungen Cliquenbaum Ungleichungen Hypergraph Ungleichungen Separierungsproblem polynomiell Separierungsproblem offen Wie kommt man auf diese Ungleichungen: Polyedertheorie oder: Rechnen und dann Studium von nicht-zulässigen Lösungen 25
26 Branch & Cut für TSP Vollständige lineare Beschreibungen sind sehr gross Städte Touren Gleichungen Ungleichungen Praxis: ILP Formulierungen 26
27 Branch-and-Cut Verfahren Verbindung von Schnittebenenverfahren mit Branch-and-Bound Versuche, jeweils die Teilprobleme (LP-Relaxierungen) mittels Schnittebenenverfahren zu lösen Falls die Lösung nicht ganzzahlig ist, dann wähle nicht-ganzzahlige Variable und generiere zwei neue Teilprobleme: P1 mit zusätzlichen Restriktionen x e =0 P2 mit zusätzlichen Restriktionen x e =1 27
28 Branch & Cut (Grundidee) Identifiziere die zulässigen Lösungen mit 0/1- Vektoren Beschreibe die konvexe Hülle dieser Vektoren möglichst gut durch lineare Ungleichungen 28
29 Branch & Cut (Grundidee) Menge der zulässigen Lösungen 29
30 Branch & Cut (Grundidee) Konvexe Hülle über diese Menge 30
31 Branch & Cut (Grundidee) Zielfunktion Die Beschreibung der konvexen Hülle durch lineare Un-/gleichungen ist i.a. nicht bekannt. 32
32 Branch & Cut (Grundidee) Lösung: stattdessen Relaxierung der ILP-Formulierung 33
33 Branch & Cut (Grundidee) Lösungspunkt über die LP-Relaxierung ist aber nicht zulässig für unser Originalproblem 35
34 Branch & Cut (Grundidee) Identifiziere die zulässigen Lösungen mit 0/1- Vektoren Beschreibe die konvexe Hülle dieser Vektoren möglichst gut durch lineare Ungleichungen Finde möglichst gute Algorithmen, die für einen gegebenen Punkt von diesem verletzte Ungleichungen finden bzw. feststellen, dass keine solchen existieren. Separierung 36
35 Branch & Cut (Grundidee) Schnittebene für Separierung 38
36 Branch & Cut (Grundidee) 39
37 Branch & Cut (Grundidee) neuer Lösungspunkt der LP-Relaxierung 41
38 Branch & Cut (Grundidee) Hinzufügen einer Schnittebene: schneidet den Punkt weg 43
39 Branch & Cut (Grundidee) Schnittebenenverfahren (Cutting Plane Method) neuer Lösungspunkt der LP-Relaxierung zulässig und damit optimal 45
40 Und wenn man gar keine Schnittebenen mehr findet? Branch jetzt: Branch-and-Cut Verfahren noch einmal allgemein 46
41 Branch & Cut (Grundidee) Separierungsproblem Löse Relaxierungen mit Schnittebenenverfahren. Cut Verzweige, wenn keine Schnittebenen gefunden werden, aber die Lösung nicht ganzzahlig ist. Branch Finde gute zulässige Lösungen basierend auf fraktionellen Lösungen. Exploit Schneide nichtprofitable Teilbäume weg. Bound 47
42 Branch & Cut (Grundidee) Bound Cut Branch
43 Eine typische B&C Berechnung Maximierungsproblem obere Schranke untere Schranke = zulässige Lösung wird besser 49
44 Alternative Relaxierung 2. Relaxierung: Entferne Subtour-Ungleichungen minimiere so dass e E x e c e δ ( v) x e 0 e x x e e = 2 1 ganzzahlig für alle für alle für alle e E e E v V 2-Matching Relaxierung 50
45 Branch & Cut für TSP Erhaltene Lösung: Problem: Lösung ist nicht zusammenhängend 6 Aber: gibt untere Schranke 51
46 Bekannte Ungleichungen beim TSP Grad Gleichungen Subtour Bedingungen 2-Matching Ungleichungen Blossom Ungleichungen Comb Ungleichungen Cliquenbaum Ungleichungen Hypergraph Ungleichungen Separierungsproblem polynomiell Separierungsproblem offen Wie kommt man auf diese Ungleichungen: Polyedertheorie oder: Rechnen und dann Studium von nicht-zulässigen Lösungen 52
47 Comb-Ungleichungen Seien W, T 1,,T k V, wobei W der Griff (handle) und T i die Zinken (teeth) sind. Es muss gelten: T 1 W T 3 T 2 53
48 Comb-Ungleichungen Seien W, T 1,,T k V, wobei W der Griff (handle) und T i die Zinken (teeth) sind. Es muss gelten: 2-Matching Ungleichungen, wenn für alle i gilt: T i =2 54
49 2-Matching Ungleichungen Seien W, T 1,,T k V, wobei W der Griff (handle) und T i die Zinken (teeth) sind. Es muss gelten: Der Name kommt daher, weil die Ungleichungen das 2-Matching Polytop {x A n x=2,0 x 1, x ganzzahlig} (mit A n Inzidenzmatrix) zusammen mit A n x=2 und 0 x 1 vollständig beschreiben (Edmonds, 1965). 55
50 Die 2-Matching Ungleichungen sind gültig für alle 0/1- Vektoren, die charakteristische Vektoren von Touren sind. Beweis: Es gilt: 2-Matching Ungleichungen T 3 T 1 W T 2 56
51 2-Matching Ungleichungen Die 2-Matching Ungleichungen sind gültig für alle 0/1- Vektoren, die charakteristische Vektoren von Touren sind. l.s. ganzzahlig r.s. ganzzahlig weil k ungerade 57
52 Beispiel: Bayern 29 Städte in Bayern TSPLIB/bayg29.tspx 58
53 9 Coburg 12 Hof 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham 24 Regensburg 20 Nördlingen 13 Ingolstadt 10 Donauwörth 4 Augsburg 10 Landshut 27 Straubing 23 Passau 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 59
54 9 Coburg 12 Hof 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham e e x e =1 x e = Nördlingen 13 Ingolstadt 10 Donauwörth 24 Regensburg 10 Landshut 27 Straubing 23 Passau 4 Augsburg 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 60
55 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 12 Hof 9 Coburg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham 2 verletzte Subtour- Ungleichungen und 2 verletze 2-Matching Ungleichungen e e x e =1 x e = Nördlingen 13 Ingolstadt 10 Donauwörth 24 Regensburg 10 Landshut 27 Straubing 23 Passau 4 Augsburg 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 61
56 9 Coburg 12 Hof 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham e e x e =1 x e = Nördlingen 13 Ingolstadt 10 Donauwörth 24 Regensburg 10 Landshut 27 Straubing 23 Passau 4 Augsburg 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 62
57 9 Coburg 12 Hof 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham e e x e =1 x e = Nördlingen 13 Ingolstadt 10 Donauwörth 24 Regensburg 10 Landshut 27 Straubing 23 Passau 4 Augsburg 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 63
58 9 Coburg 12 Hof 3 Aschaffenburg 26 Schweinfurt 29 Würzburg 5 Bamberg 6 Bayreuth 28 Weiden 21 Nürnberg 1 Amberg 2 Ansbach 8 Cham e e x e =1 x e = Nördlingen 13 Ingolstadt 10 Donauwörth 24 Regensburg 10 Landshut 27 Straubing 23 Passau 4 Augsburg 19 München 15 Landsberg 18 Memmingen 25 Rosenheim 14 Kempten 17 Lindau 11 Garmisch-Partenkirchen 22 Oberstdorf 7 Berchtesgaden 64
59 Spaltengenerierung für TSP Idee: 1. Starte nicht mit allen Variablen, sondern nur mit einer Teilmenge E E (dies entspricht einer Teilmenge der Spalten des ILPs). 2. Bewährt hat sich Sparse Graph Reserve Graph ganz G. 3. z.b. als Sparse Graph den 5-Nächsten Nachbar Graphen, als Reserve Graph den 10-Nächsten Nachbarn 4. Löse die LP-Relaxierung LPRel bzgl. E 5. Nun muss man testen, ob diese Lösung auch eine gültige Lösung der LP-Relaxierung bzgl. E ist.
60 Spaltengenerierung für TSP Idee: 1. Starte nicht mit allen Variablen, sondern nur mit einer Teilmenge E E (dies entspricht einer Teilmenge der Spalten des ILPs). 2. Löse die LP-Relaxierung LPRel bzgl. E 3. Nun muss man testen, ob diese Lösung auch eine gültige Lösung der LP-Relaxierung bzgl. E ist. 4. Falls dies nicht der Fall ist, müssen zusätzliche Spalten hinzugefügt werden Re-Optimierung über dem neuen E gehe zu Sonst: Falls die Lösung von LPRel ganzzahlig ist Optimallösung gefunden Branch&Cut&Price 6. Sonst: Branching
61 Pricing-Problem Geg. ist eine Lösung x* von LPRel bzgl. E E. Ist diese optimal auch bzgl. E? Eine neue Spalte t E\E kann den Lösungswert nur dann verbessern, wenn die reduzierten Kosten der dazugehörigen Variablen kleiner als 0 sind. Reduzierte Kosten für neue Variable t: c t - π A t, wobei A t die Spalte t der Matrix bezeichnet c t der dazugehörige Kostenkoeffizient, und π der Lösungsvektor der dualen Variablen Suche also eine Spalte t, für die der Wert c t - π A t < 0. Bei TSP: probiere zunächst alle Kanten aus Reserve Graph, wenn nicht erfolgreich, dann alle restlichen Kanten aus G.
62 Pricing-Problem Bemerkung: Für alle Spalten, die bereits in E enthalten sind gilt: die reduzierten Kosten von Lösung x* sind 0, sie werden also nicht wieder ausgewählt.
63 Experimentelle Resultate für TSP mittels Branch & Cut Jünger, Reinelt, Rinaldi: The Traveling Salesman Problem, TR 1994, IASI CNR Rom Concorde, 2003 Problem BC- Knoten Subtour- Relaxierung Anzahl Cuts Zeit (s) BC- NEU Zeit NEU pr % ,37 pr % ,06 lin ,7% ,78 rat ,3% ,30 nrw ,5% ,12 pr ,8% ,04 und jetzt: auf zur neuen Challenge:
64 World Tour: Städte Tour der Länge 7,516,353,779 (Keld Helsgaun, 2003) Garantie: Tourlänge 0.076% nahe an OPT(Concorde TSP code) mittels Variante von Lin-Kernighan s. nächste VO aktuelle Challenge 70
Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrKap. 5: Graph Coloring
Kap. 5: Graph Coloring Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 10./11. VO 18.12.06 / 8.1.07 Überblick 5.1 Einführung Definition und Motivation Sudoku 5.2 ILP-Formulierungen
MehrÜberblick Kap. 5: Graph Coloring
Überblick Kap. 5: Graph Coloring Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 10./11. VO 18.12.0 / 8.1.07 5.1 Einführung Definition und Motivation Sudoku 5.2 ILP-Formulierungen
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrÜberblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching
Kap. 1.4: Minimum Weight Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 4. VO 6. November 2006 Überblick kurze Wiederholung: 1.2 Blüten-Schrumpf-Algorithmus für Perfektes Matching
MehrHeuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg 30. September
Mehr»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a
MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrMietpreise in Unterfranken
Mietpreise in Unterfranken Aschaffenburg (Stadt) 7,49 7,62 1,74 % Aschaffenburg (Kreis) 7,24 7,13-1,52 % Bad Kissingen 4,00 4,21 5,25 % Haßberge 4,77 4,72-1,05 % Kitzingen 5,47 5,47 0,00 % Main-Spessart
MehrKap. 4.3: Das Dualitätstheorem der linearen Optimierung
Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18. VO A&D WS 08/09 18.12.2008 1 Literatur
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrGültige Ungleichungen für das Pfadweite- Problem
Gültige Ungleichungen für das Pfadweite- Problem von Tom Rihm Masterarbeit in Mathematik vorgelegt der Fakultät für Mathematik, Informatik und Naturwissenschaften der Rheinisch- Westfälischen Technischen
MehrGanzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
MehrOptimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung
Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze
MehrDas Problem des Handelsreisenden: Lösungsansätze mit Weltrekordcharakter. Dr. Gerold Jäger
Das Problem des Handelsreisenden: Lösungsansätze mit Weltrekordcharakter Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg Lange Nacht
MehrFremdenverkehr im Juni 2015 Übernachtungen von Gästen. Ankünfte von Gästen. Auslastung. Durchschn. Veränderung. aus der Bundesrepublik.
Fremdenverkehr in Bayern im Monat Anzahl Gemeinden, Beherbergungsbetriebe, Gästebetten, Gästeankünfte nach - Beherbergungsbetriebe mit zehn o mehr Gästebetten - vorläufige Fremdenverkehr im Juni 2015 Geöffnete
MehrLineare Programmierung
Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes
MehrPrimale Separierung für Max-Cut und gradbeschränkte minimale
Primale Separierung für Max-Cut und gradbeschränkte minimale Spannbäume Diplomarbeit von Markus Behle angefertigt im Institut für Informatik der Universität zu Köln unter Anleitung von Prof. Dr. Michael
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrBayern ,
Schulden- jahres- gegenüber nehmer/ sicht mangels bereini- Verfahrenzeitraum: dem -innen 1) liche Verwaltungsbezirk eröffnet Masse gungsplaninsgesamtverfahren Vor- Forde Insgesamt Bayern... 6372 526 96
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
MehrBayern <www.zoll.de/goto?id=497958>
31.07.2014 14:25 1 von 9 > Startseite > Fachthemen > Steuern > Verkehrsteuern > Kraftfahrzeugsteuer > Grundsätze der Besteuerung > Ansprechpartner und Kontaktstellen > Bayern Bayern
MehrFrauenbeschäftigungsquote. (in %)
Frauenbeschäftigungsquote (in %) Relative Entwicklung der Altersgruppe 25-64 2009-2030 (in %) Deutschland 51,8-11,1 Bayern 54,8-5,3 Amberg, kreisfreie Stadt 51,9-8,7 Ansbach, kreisfreie Stadt 57,4-5,6
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
Mehr3.6 Branch-and-Bound-Verfahren
36 Branch-and-Bound-Verfahren Die Branch-and-Bound -Methode beruht darauf, auf eine intelligente Weise alle zulässigen Lösungen eines kombinatorischen Optimierungsproblems aufzulisten und mit Hilfe von
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrModerne Heuristische Optimierungsverfahren: Meta-Heuristiken
Moderne Heuristische Optimierungsverfahren: Meta-Heuristiken pmerz@informatik.uni-tuebingen.de Wilhelm-Schickard-Institut für Informatik - WSI-RA Sand 1, Raum A 316 Lerninhalte Einführung in Optimierungsprobleme
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
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
MehrTraveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger
Traveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger Inhalt Allgemeine Problembeschreibung Historie Mathematische Beschreibung Algorithmische Komplexität Beispiel Symmetrisches
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
MehrZuständigkeit der Staatsoberkasse Landshut für Kassenaufgaben der Finanzämter
Zuständigkeit der Staatsoberkasse Landshut für Kassenaufgaben der Finanzämter Zuständigkeit der Staatsoberkasse Landshut für Kassenaufgaben der Finanzämter FMBl. 2000 S. 184 StAnz. 2000 S. 22 600 F Zuständigkeit
MehrRundreisen Das Travelling-Salesman-Problem
Rundreisen Das Travelling-Salesman-Problem MS Wissenschaft Das Matheschiff Exponatentwicklung: DFG-Forschungszentrum Matheon Konrad-Zuse-Zentrum für Informationstechnik Berlin Im Folgenden werden optimale
MehrGrün markiert: Ausschüttung möglich mit Betrag / Vergleich 2013 und 2012
Diese Übersicht wurde uns vom Bürgerforum Landsberg am Lech e.v. zur Verfügung gestellt: Verantwortlich: Dr. Rainer Gottwald, St.-Ulrich-Str. 11, 86899 Landsberg am Lech, Tel. 08191/922219; Mail: info@stratcon.de
MehrAuswirkungen der demographischen Entwicklung auf die Schullandschaft
Auswirkungen der demographischen Entwicklung auf die Schullandschaft Informationsveranstaltung der Regierung von Unterfranken: Veitshöchheim 7. Mai 2010 Referent: Markus Teubner Aufbau (1) Bevölkerungsentwicklung
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrOptimierungsprobleme in der Industrie
Dipl.-Inf. 2006-01-20, TU Darmstadt Gliederung Einleitung Anwendungen, Modelle, Verfahren Einführung, Komplexität, Algorithmen Vorstellung Fazit, Literatur Beteiligte Institutionen www.mrupp.info Diplomarbeit
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
MehrBaugenehmigungen BAYERN Juli 2017
Baugenehmigungen BAYERN Juli 2017 Inhalt: 1. Übersicht Baugenehmigungen Bayern (Regierungsbezirke) Wohnbau nach Haustyp (EFH/ZFH und MFH) 2. Diagramm Genehmigungen Wohngebäude nach Monaten 3. Diagramm
MehrFunkanalyse Bayern Hörer gestern Bayern gesamt Mehr-Frq.standorte 1) 2-Frq.-standorte 1) 1-Frq.-standorte 1) Bayern gesamt
Hörer gestern Mehr-Frq.standorte 1) 2-Frq.-standorte 1) 1-Frq.-standorte 1) 03 04 03 04 03 04 03 04 % % % % % % % % Lokalprogramme Mehrfrequenzstandorte (M/N) 1) 13,8 14,3 43,4 46,1 3,1 3,4 12,0 16,4 Lokalprogramme
Mehr(1) Die Aufgaben der Wasserwirtschaft werden in der Unterstufe von den Wasserwirtschaftsämtern wahrgenommen.
Verordnung über die Einrichtung und Organisation der staatlichen Behörden für die Wasserwirtschaft (OrgWasV) Vom 4. Dezember 2005 Fundstelle: GVBl 2005, S. 623 Stand: letzte berücksichtigte Änderung: 1
MehrOptimierungsalgorithmen
Optimierungsalgorithmen Jakob Puchinger Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Übersicht
MehrSchriftliche Anfrage. Antwort des Staatsministeriums für Arbeit und Sozialordnung, Familie und Frauen vom Bayerischer Landtag
Bayerischer Landtag 16. Wahlperiode Drucksache 16/9679 07.11.2011 Schriftliche Anfrage der Abgeordneten Margit Wild SPD vom 16.08.2011 Schwangerenberatungsstellen in Bayern Ich frage die Staatsregierung:
MehrDiskrete und kombinatorische Optimierung
Prof. Dr. Gerhard Reinelt Institut für Informatik Mathematikon 1.329 Im Neuenheimer Feld 205 Studieninformation zum Gebiet Diskrete und kombinatorische Optimierung 1. Beschreibung des Gebiets Diskrete
MehrVormerkstelle des Freistaates Bayern Info
Vormerkstelle des Freistaates Bayern Info Übersichten der Vorbehaltstellen aus den Einstellungsjahren 2009 bis 2017 für den Einstieg als Beamter/in in der zweiten Qualifikationsebene im Bereich des nichttechnischen
MehrBayerisches Landeskriminalamt
Bayerisches Landeskriminalamt Sicherheitstechnische Prävention Anschriften der Kriminalpolizeilichen Beratungsstellen in Bayern Bayerisches Landeskriminalamt Sicherheitstechnische Prävention Maillingerstraße
MehrVormerkstelle des Freistaates Bayern
Vormerkstelle des Freistaates Bayern Übersichten der Vorbehaltstellen aus den Einstellungsjahren 2009 bis 2016 für den Einstieg als Beamter/in in der dritten Qualifikationsebene im Bereich des nichttechnischen
MehrAktuelle Information zur Patienteneinschreibung (Stand: )
HzV-Vertrag AOK Bayern S15 München, 03.12.2015 HzV-Vertrag AOK Bayern S15 Aktuelle Information zur Patienteneinschreibung (Stand: 03.12.2015) Versichertenanschreiben durch die AOK Bayern Neue Formulare
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
Mehr17. Wahlperiode /6408
Bayerischer Landtag 17. Wahlperiode 03.06.2015 17/6408 Schriftliche Anfrage des Abgeordneten Dr. Christian Magerl BÜNDNIS 90/DIE GRÜNEN vom 10.02.2015 Abschüsse von Gänsesägern, Kormoranen und Graureihern
MehrVormerkstelle des Freistaates Bayern Info
Vormerkstelle des Freistaates Bayern Info Übersichten der Vorbehaltstellen aus den Einstellungsjahren 2009 bis 2017 für den Einstieg als Beamter/in in der dritten Qualifikationsebene im Bereich des nichttechnischen
MehrVormerkstelle des Freistaates Bayern
Vormerkstelle des Freistaates Bayern Übersichten der Vorbehaltstellen aus den Einstellungsjahren 2009 bis 2016 für den Einstieg als Beamter/in in der zweiten Qualifikationsebene im Bereich des nichttechnischen
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrMarktspiegel für Bayern 2015 Preise neu und gebraucht
Marktspiegel für Bayern 2015 Preise neu und gebraucht Oberbayern Kaufpreise Neubaumarkt Baugrundstück / m² Altötting 107.237 80 120 220.000 240.000 2.200 2.400 2.200 2.400 2.200 2.400 2.200 2.400 120 180
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrMarktspiegel für Bayern 2016 Kaufpreise neu und gebraucht
Marktspiegel für Bayern 2016 Kaufpreise neu und gebraucht Oberbayern Kaufpreise Neubaumarkt Baugrundstück / m² Altötting 107.757 80 120 240.000 260.000 2.200 2.400 2.200 2.400 2.200 2.400 2.200 2.400 120
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrLandschaftsrahmenplan Bayern
Landschaftsrahmenplan Bayern Dieses Verzeichnis enthält die dem gemeldeten Datensätze mit Stand 30.01.2014. Für Richtigkeit und Vollständigkeit der gemeldeten Daten übernimmt das BfN keine Gewähr. Titel
MehrOptimierungsverfahren in der Transportlogistik
Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /
MehrMegatrends am Arbeitsmarkt
Megatrends am Arbeitsmarkt Initiative Familienbewusste Personalpolitik Strategiesitzung am 23. Oktober 2013 in Nürnberg Stefan Böhme Regionales Forschungsnetz IAB Bayern Gliederung s Entwicklung des Arbeitsmarktes
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
MehrStädte in Bayern Überblick
Städte in Bayern Überblick Erstellt von Banu Gollnick Schriftart: SchulVokalDotless Bilder von pixabay und Wikipedia, https://pixabay.com/de/frauenkirche-bayernlandeshauptstadt-1530530 Namensnennung nicht
MehrLineare Programmierung
Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes
MehrSeminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1)
Seminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1) Anna Raaz 21.12.2007 Einführung Die Relaxierung von Lagrange wird in der stochastischen Optimierung meistens
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
Mehr1-Zimmer-Eigentumswohnung
Oberbayern Angebot / Nachfrage / Preistendenz Neubaumarkt Baugrundstück Altötting Bad Tölz-Wolfratshausen c g 2 a g 2 c g 2 c g 2 c g 2 c g 2 a g 2 c g 1 c c 3 g g 3 g g 3 g g 3 Berchtesgadener Land Raum
MehrEinführung in die Mathematik des Operations Research
Universität zu Köln Mathematisches Institut Prof. Dr. F. Vallentin Einführung in die Mathematik des Operations Research Sommersemester 3 en zur Klausur (7. Oktober 3) Aufgabe ( + 3 + 5 = Punkte). Es sei
MehrKap. 7.3 Enumerationsverfahren Kap. 7.4 Branch-and-Bound Kap. 7.5 Dynamische Programmierung
Kap. 7.3 Enumerationsverfahren Kap. 7.4 Branch-and-Bound Kap. 7.5 Dynamische Programmierung Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund ACHTUNG: Die VO
MehrGanzzahlige Optimierung (IP)
Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger
MehrFactsheet. Kinderarmut. Kinder im SGB-II-Bezug 14,3 14,7. Deutschland 19,3 17,0. Berlin. Brandenburg 20,1 16,9 12,4 13,2. Sachsen.
Factsheet Bayern Kinderarmut Kinder im SGB-II-Bezug ABBILDUNG 1 Anteil der Kinder unter 18 Jahren in Familien im In Prozent 2011 2015 Nordrhein-Westfalen 15,0 17,6 Saarland 28,8 31,6 Bremen 10,7 11,5 Rheinland-
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1. VO A&D WS 08/09 14. Oktober 2008 1 bevor wir thematisch beginnen: Kapitel
Mehr17. Wahlperiode 28.02.2014 17/486. werden. Zu 2.: werden. Zu 4.: werden.
Bayerischer Landtag 17. Wahlperiode 28.02.2014 17/486 Schriftliche Anfrage des Abgeordneten Dr. Christian Magerl BÜNDNIS 90/DIE GRÜNEN vom 03.12.2013 Überwachung der nach BImSchG genehmigungsbedürftigen
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrI. Art und Zahl der Betten in den Bezirkskrankenhäusern (Stand: )
I. Art und Zahl der Betten in den n (Stand: 01.01.2016) Psychiatrie gefördert stationär teilstationär KJP gefördert stationär teilstationär Neurologie gefördert stationär teilstationär 1. Oberbayern kbo-heckscher-klinikum
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
MehrKAPITEL 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
MehrI. Art und Zahl der Betten in den Bezirkskrankenhäusern (Stand: )
Psychiatrie gefördert teil KJP gefördert teil Neurologie gefördert teil 1. Oberbayern kbo-heckscher-klinikum München 75 44 119 kbo-heckscher-klinikum Rosenheim 30 10 40 kbo-heckscher-klinikum Rottmannshöhe
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
Mehrhttp://www.muenchen.de/rathaus/rgu/gutachten_genehm_vorschr/aerztliche_gutachten/300653/index.html
Gesundheitsamt München Referat für Gesundheit und Umwelt der Landeshauptstadt München Dachauer Str. 90 80335 München Kontakt: Telefon: 089 / 23 39 63 00 Email: gs.rgu@muenchen.de http://www.muenchen.de/rathaus/rgu/gutachten_genehm_vorschr/aerztliche_gutachten/300653/index.html
MehrAnfrage der Abgeordneten Ruth Müller zum Plenum vom 24. November 2015
Anfrage der Abgeordneten Ruth Müller zum Plenum vom 24. November 2015 Nachdem die Rentenlücke von Frauen im Vergleich zu Männern immer noch bei über 50 Prozent liegt, frage ich die Staatsregierung, ob
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrONLINE-SEMINAR AOK BAYERN NEUERUNGEN FÜR ZAHNARZTPRAXEN 2016
ONLINE-SEMINAR AOK BAYERN NEUERUNGEN FÜR ZAHNARZTPRAXEN 2016 0 IHRE REFERENTEN DER AOK BAYERN Stefan Kronthaler Christine Wiedemann 1 IHRE REFERENTEN DER AOK BAYERN Karl-Heinz Eppinger Liane Heubeck 2
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrNP-schwierige kombinatorische Optimierungsprobleme
Kapitel 3 NP-schwierige kombinatorische Optimierungsprobleme Optimierungsprobleme sind Probleme, die im Allgemeinen viele zulässige Lösungen besitzen. Jeder Lösung ist ein bestimmter Wert (Zielfunktionswert,
MehrDaten zur Raumbeobachtung
Bayerisches Staatsministerium der Finanzen, für Landesentwicklung und Heimat Daten zur Raumbeobachtung 0-54 - . Bevölkerung. Einwohner Daten zur Raumbeobachtung 0 Bevölkerungsentwicklung in 00-0 Index
MehrHof. Hof. Coburg. Coburg. Kulmbach. Kulmbach. Bayreuth. Bayreuth. Bamberg. Bamberg. Nürnberg. Nürnberg. Ingolstadt. Ingolstadt. Augsburg.
Funkanalyse Bayern Weiden Weiden Straubing Straubing Berchtesgadener Land Berchtesgadener Land Bayreuth Bayreuth Memmingen Memmingen Donauwörth Donauwörth München München Augsburg Augsburg Kulmbach Kulmbach
MehrDie Integrationsfachdienste in Bayern. Informationsveranstaltung im Bayerischen Staatsministerium für Unterricht und Kultus
Die Integrationsfachdienste in Bayern Informationsveranstaltung im Bayerischen Staatsministerium für Unterricht und Kultus 18.11.2011 Gesetzliche Verankerung der Integrationsfachdienste Seit 2001 festgeschrieben
Mehr