Anwendungsbeispiel 3 Train Timetabling Problem TTP
|
|
- Timo Eike Hauer
- vor 6 Jahren
- Abrufe
Transkript
1 Anwendungsbeispiel 3 Train Timetabling Problem TTP Frank Fischer, Christoph Helmberg TU Chemnitz Vielen Dank an Frank Fischer für die Bereitstellung der Folien. Anja Fischer, TU Dortmund, Veranstaltung Praxis der Optimierung
2 Problemstellung und Basismodell Algorithmische Herausforderungen Dynamische Graphengenerierung Rechenergebnisse
3 Das Problem Ziel Betriebsplan für das gesamte deutsche Streckennetz der Deutschen Bahn erzeugen (Train Timetabling Problem). Daten: Infrastrukturnetz Knoten (Bahnhöfe, Kreuzungen,... ) Kanten (Gleise). Personen- und Güterzüge Zugtyp (ICE, RB, Güterzug,... ) Fahrtstrecke Restriktionen: Fahrzeiten, Mindestzugfolgezeiten, Knotenkapazitäten, Rahmenfahrplan für Personenzüge.
4 Das Problem Ziel Betriebsplan für das gesamte deutsche Streckennetz der Deutschen Bahn erzeugen (Train Timetabling Problem). Daten: Infrastrukturnetz Knoten (Bahnhöfe, Kreuzungen,... ) Kanten (Gleise). Personen- und Güterzüge Zugtyp (ICE, RB, Güterzug,... ) Fahrtstrecke Restriktionen: Fahrzeiten, Mindestzugfolgezeiten, Knotenkapazitäten, Rahmenfahrplan für Personenzüge.
5 Das Problem Ziel Betriebsplan für das gesamte deutsche Streckennetz der Deutschen Bahn erzeugen (Train Timetabling Problem). Daten: Infrastrukturnetz Knoten (Bahnhöfe, Kreuzungen,... ) Kanten (Gleise). Personen- und Güterzüge Zugtyp (ICE, RB, Güterzug,... ) Fahrtstrecke Restriktionen: Fahrzeiten, Mindestzugfolgezeiten, Knotenkapazitäten, Rahmenfahrplan für Personenzüge.
6 Das Problem Ziel Betriebsplan für das gesamte deutsche Streckennetz der Deutschen Bahn erzeugen (Train Timetabling Problem). Daten: Infrastrukturnetz Knoten (Bahnhöfe, Kreuzungen,... ) Kanten (Gleise). Personen- und Güterzüge Zugtyp (ICE, RB, Güterzug,... ) Fahrtstrecke Restriktionen: Fahrzeiten, Mindestzugfolgezeiten, Knotenkapazitäten, Rahmenfahrplan für Personenzüge.
7 Das Problem Ziel Betriebsplan für das gesamte deutsche Streckennetz der Deutschen Bahn erzeugen (Train Timetabling Problem). Daten: Infrastrukturnetz Knoten (Bahnhöfe, Kreuzungen,... ) Kanten (Gleise). Personen- und Güterzüge Zugtyp (ICE, RB, Güterzug,... ) Fahrtstrecke Restriktionen: Fahrzeiten, Mindestzugfolgezeiten, Knotenkapazitäten, Rahmenfahrplan für Personenzüge.
8 Besonderheiten: Richtungskapazitäten Gesamt- und Richtungskapazitäten
9 Beispiele: Gesamt- und Richtungsgleiszahlen a) b) c) d) e) Richtungsgleiszahl Bsp. Gleiszahl von links von rechts a) 2 b) 3 2 c) d) e) f) f)
10 Besonderheiten: Rahmenfahrplan Für jeden Personenzug r R P und jeden Bahnhof gibt es Halteintervall Iu r = [t r u, t r u] {,...,, 2,..., }, Zug r soll in diesem Intervall am Bahnhof stehen, Mindesthaltezeit du r N, können genutzt werden um Anschlussbedingungen zu simulieren. Beispiel: Mindesthaltezeit = 2 Minuten, Halteintervall = [, 4] Die folgenden Fahrten sind alle zulässig.
11 Besonderheiten: Rahmenfahrplan Für jeden Personenzug r R P und jeden Bahnhof gibt es Halteintervall Iu r = [t r u, t r u] {,...,, 2,..., }, Zug r soll in diesem Intervall am Bahnhof stehen, Mindesthaltezeit du r N, können genutzt werden um Anschlussbedingungen zu simulieren. Beispiel: Mindesthaltezeit = 2 Minuten, Halteintervall = [, 4] Die folgenden Fahrten sind alle zulässig.
12 Besonderheiten: Rahmenfahrplan Für jeden Personenzug r R P und jeden Bahnhof gibt es Halteintervall Iu r = [t r u, t r u] {,...,, 2,..., }, Zug r soll in diesem Intervall am Bahnhof stehen, Mindesthaltezeit du r N, können genutzt werden um Anschlussbedingungen zu simulieren. Beispiel: Mindesthaltezeit = 2 Minuten, Halteintervall = [, 4] Die folgenden Fahrten sind alle zulässig.
13 Besonderheiten: Rahmenfahrplan Für jeden Personenzug r R P und jeden Bahnhof gibt es Halteintervall Iu r = [t r u, t r u] {,...,, 2,..., }, Zug r soll in diesem Intervall am Bahnhof stehen, Mindesthaltezeit du r N, können genutzt werden um Anschlussbedingungen zu simulieren. Beispiel: Mindesthaltezeit = 2 Minuten, Halteintervall = [, 4] Die folgenden Fahrten sind alle zulässig.
14 Besonderheiten: Rahmenfahrplan Für jeden Personenzug r R P und jeden Bahnhof gibt es Halteintervall Iu r = [t r u, t r u] {,...,, 2,..., }, Zug r soll in diesem Intervall am Bahnhof stehen, Mindesthaltezeit du r N, können genutzt werden um Anschlussbedingungen zu simulieren. Beispiel: Mindesthaltezeit = 2 Minuten, Halteintervall = [, 4] Die folgenden Fahrten sind alle zulässig.
15 Besonderheiten Verhaltensabhängige FZ und MZFZ Fahrzeiten (FZ) abhängig vom Zugtyp und vom Fahrverhalten Mindestzugfolgezeiten (MZFZ) abhängig von Zugtyp und Fahrverhalten beider Züge
16 Besonderheiten Verhaltensabhängige FZ und MZFZ Fahrzeiten (FZ) abhängig vom Zugtyp und vom Fahrverhalten Mindestzugfolgezeiten (MZFZ) abhängig von Zugtyp und Fahrverhalten beider Züge
17 Daten Infrastrukturnetzwerk G I = (V I, A I ), Knoten V I (Bahnhöfe, Weichen,... ), Strecken A I = A I, A I,2, eingleisig oder zweigleisig, Züge R mit Zugtyp m : R {,..., 6}, Strecke G r G I, Halteintervalle, Mindesthaltezeit für Personenzüge (aus Fahrplan), Zeiten: für B = {SS, FS, SF, FF }, Fahrzeiten f : A I R B R +, MZFZ h, h cr : A I (R B) 2 R +, Kapazitäten: (aus Knotentyp berechnet) absolut: c A : V I N, Richtung: c R : A I N.
18 Daten Infrastrukturnetzwerk G I = (V I, A I ), Knoten V I (Bahnhöfe, Weichen,... ), Strecken A I = A I, A I,2, eingleisig oder zweigleisig, Züge R mit Zugtyp m : R {,..., 6}, Strecke G r G I, Halteintervalle, Mindesthaltezeit für Personenzüge (aus Fahrplan), Zeiten: für B = {SS, FS, SF, FF }, Fahrzeiten f : A I R B R +, MZFZ h, h cr : A I (R B) 2 R +, Kapazitäten: (aus Knotentyp berechnet) absolut: c A : V I N, Richtung: c R : A I N.
19 Daten Infrastrukturnetzwerk G I = (V I, A I ), Knoten V I (Bahnhöfe, Weichen,... ), Strecken A I = A I, A I,2, eingleisig oder zweigleisig, Züge R mit Zugtyp m : R {,..., 6}, Strecke G r G I, Halteintervalle, Mindesthaltezeit für Personenzüge (aus Fahrplan), Zeiten: für B = {SS, FS, SF, FF }, Fahrzeiten f : A I R B R +, MZFZ h, h cr : A I (R B) 2 R +, Kapazitäten: (aus Knotentyp berechnet) absolut: c A : V I N, Richtung: c R : A I N.
20 Daten Infrastrukturnetzwerk G I = (V I, A I ), Knoten V I (Bahnhöfe, Weichen,... ), Strecken A I = A I, A I,2, eingleisig oder zweigleisig, Züge R mit Zugtyp m : R {,..., 6}, Strecke G r G I, Halteintervalle, Mindesthaltezeit für Personenzüge (aus Fahrplan), Zeiten: für B = {SS, FS, SF, FF }, Fahrzeiten f : A I R B R +, MZFZ h, h cr : A I (R B) 2 R +, Kapazitäten: (aus Knotentyp berechnet) absolut: c A : V I N, Richtung: c R : A I N.
21 Modell: Zuggraphen Klassisches Modell mittels zeitdiskretisierter Netzwerke für jeden einzelnen Zug: Für jeden Zug r R ein Graph G r T = (V r T, Ar T ) mit V r T enthält künstlichen Startknoten σ r, künstlichen Endknoten τ r, einen Warteknoten und einen Durchfahrtsknoten für jeden Infrastrukturknoten, Zeitschritt. A r T enthält Startkanten von σ r zu den Knoten des ersten Bahnhofs, Endkanten von den Knoten des letzten Bahnhofs zu τ r, Wartekanten zwischen zwei aufeinanderfolgenden Warteknoten eines Bahnhofs, Fahrtkanten zwischen Knoten aufeinanderfolgender Bahnhöfe.
22 Modell: Zuggraphen Klassisches Modell mittels zeitdiskretisierter Netzwerke für jeden einzelnen Zug: Für jeden Zug r R ein Graph G r T = (V r T, Ar T ) mit V r T enthält künstlichen Startknoten σ r, künstlichen Endknoten τ r, einen Warteknoten und einen Durchfahrtsknoten für jeden Infrastrukturknoten, Zeitschritt. A r T enthält Startkanten von σ r zu den Knoten des ersten Bahnhofs, Endkanten von den Knoten des letzten Bahnhofs zu τ r, Wartekanten zwischen zwei aufeinanderfolgenden Warteknoten eines Bahnhofs, Fahrtkanten zwischen Knoten aufeinanderfolgender Bahnhöfe.
23 Modell: Zuggraphen Klassisches Modell mittels zeitdiskretisierter Netzwerke für jeden einzelnen Zug: Für jeden Zug r R ein Graph G r T = (V r T, Ar T ) mit V r T enthält künstlichen Startknoten σ r, künstlichen Endknoten τ r, einen Warteknoten und einen Durchfahrtsknoten für jeden Infrastrukturknoten, Zeitschritt. A r T enthält Startkanten von σ r zu den Knoten des ersten Bahnhofs, Endkanten von den Knoten des letzten Bahnhofs zu τ r, Wartekanten zwischen zwei aufeinanderfolgenden Warteknoten eines Bahnhofs, Fahrtkanten zwischen Knoten aufeinanderfolgender Bahnhöfe.
24 Zuggraphen: Knoten t= Station 2 Station 3 t=2 t=3 t=4 t=5 t=6 t=7 Knoten Stopknoten Zug hält am Bahnhof Durchfahrtsknoten Zug durchfährt den Bahnhof
25 Zuggraphen: Wartekanten t= Bhf 2 Bhf 3 t=2 t=3 t=4 t=5 t=6 t=7
26 Zuggraphen: Fahrtkanten Fahrt-Fahrt t= Bhf 2 Bhf 3 t= Bhf 2 Bhf 3 Fahrt-Stop t=2 t=2 t=3 t=3 t=4 t=4 t=5 t=5 t=6 t=6 Stop-Fahrt t=7 t= Bhf 2 Bhf 3 t=7 t= Bhf 2 Bhf 3 Stop-Stop t=2 t=2 t=3 t=3 t=4 t=4 t=5 t=5 t=6 t=6 t=7 t=7
27 Zuggraphen: Modellierung Fahrplan entspricht σ r -τ r -Weg in G r T, Binärvariable x a {, } für jede Kante aus A r T, Flusserhaltungsgleichungen X r = {char. Vektoren zulässiger Pfade} in G r T.
28 Modell: Rahmenfahrplan Züge dürfen nicht zu früh losfahren: x (u,t)(u,t ) = falls t < t r u, Mindestwartezeit: wird in eingehenden Fahrtkanten berücksichtigt: FZ d von u nach v, Mindesthaltezeit δ (u, t)(v, t + d + δ) A r T, t N.
29 Nebenbedingungen: Knotenkapazitäten absolut: höchstens c u Züge dürfen Bahnhof u V I zur Zeit t T erreichen, x a c u, a=((u,t ),(u,t)) richtungsabhängig: höchstens c (u,v) Züge dürfen Bahnhof u V I von Bahnhof v V I zur Zeit t T erreichen, x a c (u,v). a=((u,t ),(v,t))
30 Nebenbedingungen: Knotenkapazitäten absolut: höchstens c u Züge dürfen Bahnhof u V I zur Zeit t T erreichen, x a c u, a=((u,t ),(u,t)) richtungsabhängig: höchstens c (u,v) Züge dürfen Bahnhof u V I von Bahnhof v V I zur Zeit t T erreichen, x a c (u,v). a=((u,t ),(v,t))
31 Nebenbedingungen: Mindestzugfolgezeiten Zwei Modellierungsmöglichkeiten Konfigurationsnetzwerke, Konfliktungleichungen.
32 Nebenbedingungen: Mindestzugfolgezeiten Ausschlussbedingungen von in Konflikt stehenden Kanten. (Beispiel: Zug vor Zug 2-3 Minuten, Zug 2 vor Zug - 2 Minuten): t=2 t=2 t=22 t=23 t=24 t=2 t=24 t=2 t=22 t=2 t=22 t=23 t=24 t=2 t=23 Station 42 Station Y Station 23 Station X Station Y Station X e {rote Kanten} x e Ziel: Maximale Cliquen im Konfliktgraphen finden.
33 Nebenbedingungen: Mindestzugfolgezeiten Bisher: Modelliert mittels Konfigurationsnetzwerken (Borndörfer, Schlechte 27): ein Konfigurationsnetzwerk für jede Infrastrukturkante, Fahrtkanten werden durch Konfigurationskanten freigeschaltet. Typ Typ 2 Konfigurationsgraph Nebenbedingung: x a = x a
34 Nebenbedingungen: Mindestzugfolgezeiten Bisher: Modelliert mittels Konfigurationsnetzwerken (Borndörfer, Schlechte 27): ein Konfigurationsnetzwerk für jede Infrastrukturkante, Fahrtkanten werden durch Konfigurationskanten freigeschaltet. Typ Typ 2 Typ Typ 2 Konfigurationsgraph Beispielkonfiguration Nebenbedingung: x a = x a
35 Nebenbedingungen: Mindestzugfolgezeiten Bisher: Modelliert mittels Konfigurationsnetzwerken (Borndörfer, Schlechte 27): ein Konfigurationsnetzwerk für jede Infrastrukturkante, Fahrtkanten werden durch Konfigurationskanten freigeschaltet. Zug Zug 2 Typ Typ 2 Zug 3 Zuggraph Beispielkonfiguration Nebenbedingung: x a = x a
36 Nebenbedingungen: Mindestzugfolgezeiten Cliques: Gut: funktionieren gut mit Lagrange-Relaxation, Bündelverfahren, Schlecht: sehr viele, sehr schwer zu separieren schlechtes Modell Konfigurationsnetzwerke: Gut: einfach zu separieren, starkes Modell, Schlecht: Dualraum extrem hochdimensional, sehr langsame Konvergenz bei Verfahren erster Ordnung, Umsetzung in der Praxis: meist Cliques, da anfangs viel schnellerer Fortschritt.
37 Nebenbedingungen: Mindestzugfolgezeiten Cliques: Gut: funktionieren gut mit Lagrange-Relaxation, Bündelverfahren, Schlecht: sehr viele, sehr schwer zu separieren schlechtes Modell Konfigurationsnetzwerke: Gut: einfach zu separieren, starkes Modell, Schlecht: Dualraum extrem hochdimensional, sehr langsame Konvergenz bei Verfahren erster Ordnung, Umsetzung in der Praxis: meist Cliques, da anfangs viel schnellerer Fortschritt.
38 Nebenbedingungen: Mindestzugfolgezeiten Cliques: Gut: funktionieren gut mit Lagrange-Relaxation, Bündelverfahren, Schlecht: sehr viele, sehr schwer zu separieren schlechtes Modell Konfigurationsnetzwerke: Gut: einfach zu separieren, starkes Modell, Schlecht: Dualraum extrem hochdimensional, sehr langsame Konvergenz bei Verfahren erster Ordnung, Umsetzung in der Praxis: meist Cliques, da anfangs viel schnellerer Fortschritt.
39 Lösungmethode Algorithmus basierend auf Lagrange-Relaxation der koppelnden Nebenbedingungen, gelöst mittels eines Bündelverfahrens: inf ϕ(y, y 2) := d T y + d2 T y 2 + [ ( ) ] max w r D r T y,y 2 x f X r y D2 f T T y2 x r. r R A I für koppelnde Nebenbedingungen D d, D 2 = d 2. pro Iteration des Bündelverfahrens: Lösung von unabhängigen Kürzester-Weg-Probleme in den Zug- und Konfigurationsnetzwerken ϕ(y) = d T y + [ ( ) ] T max w r D r T y x r. x r X r r R A I
40 Lösungmethode Algorithmus basierend auf Lagrange-Relaxation der koppelnden Nebenbedingungen, gelöst mittels eines Bündelverfahrens: inf ϕ(y, y 2) := d T y + d2 T y 2 + [ ( ) ] max w r D r T y,y 2 x f X r y D2 f T T y2 x r. r R A I für koppelnde Nebenbedingungen D d, D 2 = d 2. pro Iteration des Bündelverfahrens: Lösung von unabhängigen Kürzester-Weg-Probleme in den Zug- und Konfigurationsnetzwerken ϕ(y) = d T y + [ ( ) ] T max w r D r T y x r. x r X r r R A I
41 Herausforderungen enorme Problemgröße (ca. 3. Züge pro Tag in Deutschland), extrem große, zeitexpandierte Graphen, hoher Speicherbedarf, lange Rechenzeiten Ziel: Verbesserung des algorithmischen Schemas Bündelverfahren Aufruf Black Box Orakel Gr T Gr T 2 Gr T 3 Kürzeste-Wege-Unterprobleme Asynchrones, paralleles Bündelverfahren Fischer und Helmberg, 22 Dynamische Graphengenerierung Fischer und Helmberg 2, 22
42 Herausforderungen enorme Problemgröße (ca. 3. Züge pro Tag in Deutschland), extrem große, zeitexpandierte Graphen, hoher Speicherbedarf, lange Rechenzeiten Ziel: Verbesserung des algorithmischen Schemas Bündelverfahren Aufruf Black Box Orakel Gr T Gr T 2 Gr T 3 Kürzeste-Wege-Unterprobleme Asynchrones, paralleles Bündelverfahren Fischer und Helmberg, 22 Dynamische Graphengenerierung Fischer und Helmberg 2, 22
43 Herausforderungen enorme Problemgröße (ca. 3. Züge pro Tag in Deutschland), extrem große, zeitexpandierte Graphen, hoher Speicherbedarf, lange Rechenzeiten Ziel: Verbesserung des algorithmischen Schemas Bündelverfahren Aufruf Black Box Orakel Gr T Gr T 2 Gr T 3 Kürzeste-Wege-Unterprobleme Asynchrones, paralleles Bündelverfahren Fischer und Helmberg, 22 Dynamische Graphengenerierung Fischer und Helmberg 2, 22
44 Betrachten Gr T für ein festes r R (lassen Index r weg) Beobachtung: Ziel: zeitexpandierte Netzwerke sehr groß T, Verspätung wird bestraft Züge fahren früh nur kleine Teile von G T benötigt nur notwendige Teile von G T speichern, dynamisch weitere Teile hinzufügen, falls nötig, Motivation Korrektheit der Unterprobleme erhalten
45 Betrachten Gr T für ein festes r R (lassen Index r weg) Beobachtung: Ziel: zeitexpandierte Netzwerke sehr groß T, Verspätung wird bestraft Züge fahren früh nur kleine Teile von G T benötigt nur notwendige Teile von G T speichern, dynamisch weitere Teile hinzufügen, falls nötig, Motivation Korrektheit der Unterprobleme erhalten
46 Betrachten Gr T für ein festes r R (lassen Index r weg) Beobachtung: Ziel: zeitexpandierte Netzwerke sehr groß T, Verspätung wird bestraft Züge fahren früh nur kleine Teile von G T benötigt nur notwendige Teile von G T speichern, dynamisch weitere Teile hinzufügen, falls nötig, Motivation Korrektheit der Unterprobleme erhalten
47 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
48 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
49 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
50 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
51 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
52 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
53 Dynamische Zuggraphen: Funktionsweise Ziel Alle Orakelauswertungen sollen weiterhin exakt sein. konvexe Kostenstruktur: Verspätung ist teuer, Kosten impliziter Kanten dürfen nicht verringert werden (durch Lagrange-Multiplikatoren), hier: nur Strafkosten, Arbeitsweise: speichern Kern -graph, der beliebige Kosten enthält, zusätzlichen Rand mit unveränderten Kosten, falls Lösung den Rand nutzt Kerngraph erhöhen, Graph wächst, Weg neu berechnen.
54 Beispielgraph voll zeitexpandiert einfacher Ansatz Ansatz mit Shift Abbildung : Beispiel eines Güterzuges
55 Effizienz Dynamische Graphengenerierung für allgemeine azyklische Graphen kann sehr effizient implementiert werden. Theorem (Fischer, Helmberg 22) Die Konstruktion von G mem (Graph im Speicher) ist möglich in O( A max d) Schritten mit d max. Zeitschritt. Bemerkung Die Berechnung eines kürzesten Weges in G mem benötigt Θ( Kanten in G mem ) Schritte (abhängig von der Größe des gespeicherten Teilgraphen G mem )! Theorem (Fischer, Helmberg 22) Enthält G nur eine Route, dann gilt V mem \ V act = O( V max d). (G act Teilgraph, in dem die bisherigen kürzesten Wege liegen)
56 Effizienz Dynamische Graphengenerierung für allgemeine azyklische Graphen kann sehr effizient implementiert werden. Theorem (Fischer, Helmberg 22) Die Konstruktion von G mem (Graph im Speicher) ist möglich in O( A max d) Schritten mit d max. Zeitschritt. Bemerkung Die Berechnung eines kürzesten Weges in G mem benötigt Θ( Kanten in G mem ) Schritte (abhängig von der Größe des gespeicherten Teilgraphen G mem )! Theorem (Fischer, Helmberg 22) Enthält G nur eine Route, dann gilt V mem \ V act = O( V max d). (G act Teilgraph, in dem die bisherigen kürzesten Wege liegen)
57 Effizienz Dynamische Graphengenerierung für allgemeine azyklische Graphen kann sehr effizient implementiert werden. Theorem (Fischer, Helmberg 22) Die Konstruktion von G mem (Graph im Speicher) ist möglich in O( A max d) Schritten mit d max. Zeitschritt. Bemerkung Die Berechnung eines kürzesten Weges in G mem benötigt Θ( Kanten in G mem ) Schritte (abhängig von der Größe des gespeicherten Teilgraphen G mem )! Theorem (Fischer, Helmberg 22) Enthält G nur eine Route, dann gilt V mem \ V act = O( V max d). (G act Teilgraph, in dem die bisherigen kürzesten Wege liegen)
58 Testinstanzen Rhein-Main Schiene (Fern- und Güterverkehrsstrecke), Süd-West Teilnetz der Deutschen Bahn, jeweils 6 Stunden Zeithorizont
59 Testinstanzen Rhein-Main Schiene (Fern- und Güterverkehrsstrecke), Süd-West Teilnetz der Deutschen Bahn, jeweils 6 Stunden Zeithorizont Personenverkehr Teilnetz V I A I # Güter # Fern # Nah RM SW Tabelle : Testinstanzen
60 Testinstanzen Rhein-Main Schiene (Fern- und Güterverkehrsstrecke), Süd-West Teilnetz der Deutschen Bahn, jeweils 6 Stunden Zeithorizont Personenverkehr Teilnetz V I A I # Güter # Fern # Nah RM SW Tabelle : Testinstanzen Teilnetz Vollständig Einfache DG DG RM SW Tabelle : Anzahl aller Kanten am Ende des Lösungsprozesses Reduktion um Faktor 4!
61 Verspätung in Sekunden Rhein-Main Instanz Verspätung in Sekunden 4 Süd-West Instanz Maximum Fernverkehr Maximum Nahverkehr Fernverkehr Nahverkehr RM fast alle Züge ohne signifikante Verspätung, SW 99% aller Züge ohne signifikante Verspätung, Durschnittlich ca. eine Stunde Einsparung bei Güterzügen.
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
MehrPeriodische Fahrpläne und Kreise in Graphen
Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf
MehrUniversität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 ZPL Prof. Dr. Walter F. Tichy Dr. Victor Pankratius Ali Jannesari Agenda 1. ZPL Überblick 2. Konzepte von ZPL Regionen, Region Specifiers
MehrPraktikum Wissenschaftliches Rechnen 3. Aufgabenblatt
Institut für Wissenschaftliches Rechnen Technische Universität Braunschweig Prof. Hermann G. Matthies, Ph. D. Dipl.-inform. Oliver Kayser-Herold Praktikum Wissenschaftliches Rechnen 3. Aufgabenblatt Wir
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrParallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr
8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik
Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes
MehrPlietsch unterwegs: mit der S 4 wächst die Region weiter zusammen.
Plietsch unterwegs: mit der S 4 wächst die Region weiter zusammen. Alle Informationen zur Linie S 4 Richtung Stormarn Die Bahn macht mobil. Mit der S-Bahn Richtung Zukunft. Sehr geehrte Damen und Herren,
Mehr4. Hierarchische und netzwerkartige Datenbankmodelle
4. Hierarchische und netzwerkartige Datenbankmodelle 4.1 Hierarchische Datenbanken Hierarchien können durch Baumgraphen beschrieben werden. Datensätze einer hierarchischen Datenbank (HDB) sind in Segmenten
MehrSchienenersatzverkehr (SEV) Schweinfurt Schweinfurt Stadt Haßfurt
Würzburg Hbf Schweinfurt Hbf Bamberg Kursbuchstrecke 810 Gültig am 8. November 2015 (bis 14.30 Uhr) Schienenersatzverkehr (SEV) Schweinfurt Schweinfurt Stadt Haßfurt Mainfrankenbahn Erläuterungen zum SEV-Symbol
MehrEine molekulare Lösung des Hamiltonkreisproblems mit DNA
Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Seminar Molecular Computing Bild: http://creatia2013.files.wordpress.com/2013/03/dna.gif Andreas Fehn 11. Juli 2013 Gliederung 1. Problemstellung
MehrDer ICT-Dienstleister mit dem Bahn-Know-how
Der ICT-Dienstleister mit dem Bahn-Know-how Frankfurt am Main, 01.02.2015 Foto: Hans-Joachim Kirsche DB Systel Das Unternehmen Wir über uns Foto: Ralf Braum Unser Selbstverständnis Wir sind der ICT-Dienstleister
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
MehrAlgorithmen 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
Mehr3.1 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
Mehrx 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen
5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x
MehrWS 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
MehrRoth Nürnberg Hbf Altdorf (b Nürnberg) Kursbuchstrecke 890.2. Gültig in den Nächten 20./21. bis 22./23. und 27./28. bis 29./30.
Roth Nürnberg Hbf Altdorf (b Nürnberg) Kursbuchstrecke 890.2 Gültig in den Nächten 20./21. bis 22./23. und 27./28. bis 29./30. Mai 2016 Schienenersatzverkehr (SEV) Nür-Frankenstadion Feucht Erläuterungen
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
MehrSchnelle und flexible Stoffwertberechnung mit Spline Interpolation für die Modellierung und Optimierung fortschrittlicher Energieumwandlungsprozesse
Hochschule Zittau/Görlitz, Fakultät Maschinenwesen, Fachgebiet Technische Thermodynamik M. Kunick, H. J. Kretzschmar, U. Gampe Schnelle und flexible Stoffwertberechnung mit Spline Interpolation für die
MehrAlgorithmen 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
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
MehrDuplikatfilterung und Sampling von Webseiten
Duplikatfilterung und Sampling von Webseiten Seminar Suchmaschinen, Wintersemester 2007/2008 Martin Sauerhoff Lehrstuhl 2, Universität Dortmund Übersicht 1. Duplikatfilterung: 1.1 Gleichheitstest mit Fingerabdrücken
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrAgenda. Was ist Touch&Travel? Technische Funktionsweise. Ausblick
Touch&Travel Agenda Was ist Touch&Travel? Technische Funktionsweise Ausblick 2 Touch&Travel - Mobiltelefon als Bahn- und Busfahrkarte Touch&Travel Der einfache und flexible Zugang zu öffentlichen Verkehrsmitteln
MehrDeutsche Eisenbahnstrecken auf Schweizer Gebiet. Übersichtskarten
Deutsche Eisenbahnstrecken auf Schweizer Gebiet Übersichtskarten Inhalt: Gesamtübersicht Basel - Konstanz Übersicht Raum Basel Knoten Bf Basel Bad Bf Übersicht Kanton Schaffhausen sbahnhof SBB/DB Schaffhausen
MehrKompakte Graphmodelle handgezeichneter Bilder. Einbeziehung in Autentizierung und Bilderkennung
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Autentizierung und Bilderkennung Inhaltsverzeichnis 1 Einleitung Das graphische Model.1 Image Thinning................................. 3.
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrPressekonferenz Bauschwerpunkte 2015 in NRW. DB Netz AG Prof. Dr. Michael Häßler/Reiner Krieger Vertrieb und Fahrplan Düsseldorf, 04.02.
Pressekonferenz Bauschwerpunkte 015 in NRW DB Netz AG Prof. Dr. Michael Häßler/Reiner Krieger Vertrieb und Fahrplan Düsseldorf, 04.0.015 Bauschwerpunkte 015 1.. Köln Frankfurt (Main) Aachen Düren 7 3.
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
MehrPraktikum 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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrVerteilte Systeme SS 2015. Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404. Stand: 7.
Verteilte Systeme SS 2015 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 7. Juli 2015 Betriebssysteme / verteilte Systeme Verteilte Systeme (1/13) i
MehrSeminar künstliche Intelligenz
Seminar künstliche Intelligenz Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Stefan Görlich mi5517 25.05.2005 Inhalt 1. Einleitung 1.1 Problemstellung 3 1.2 Zielsetzung 3 1.3 Die Suche in öffentlichen
MehrFachgespräch Bahnstrecke Ulm - Augsburg. Deutsche Bahn AG Klaus-Dieter Josel Konzernbevollmächtigter Bayern Neusäß, 24. Juli 2015
Foto: Georg Wagner Foto: Andreas Mann Foto: Uwe Miethe Fachgespräch Bahnstrecke - Deutsche Bahn AG Klaus-Dieter Josel Konzernbevollmächtigter Bayern Neusäß, 4. Juli 015 In der Investitionsplanung für Bayern
MehrAachen Düren ( Köln) RE1 NRW Express / RE9 Rhein Sieg Express / RB 20 die euregiobahn
7 Aachen ( Köln) RE1 NRW Express / RE9 Rhein Sieg Express / RB die euregiobahn montags bis freitags Linie S13 RB RE1 RE9 RB RE1 RB RE9 RE1 RB RE1 RE1 RB RE9 RB ICE79 RE1 RB RE9 RB THA RE1 RB Bahnhöfe Aachen
MehrSeminarvortag 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:
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
MehrWS 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
MehrMaximaler 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
MehrCBLOCK: An Automatic Blocking Mechanism for Large-Scale De-duplication Tasks. Cathleen Ramson, Stefan Lehmann LSDD SS 2013 25.04.
CBLOCK: An Automatic Blocking Mechanism for Large-Scale De-duplication Tasks Cathleen Ramson, Stefan Lehmann LSDD SS 2013 25.04.2013 Gliederung 2 Motivation Ziel Algorithmen Zusammenfassung Bewertung Motivation
MehrHerzlich Willkommen in Basel
Herzlich Willkommen in Basel Trinationale Bahnperspektiven im Raum Basel Einführung Agglomerationsprogramm als strategische Grundlage Ausbau des Tramnetzes Regio-S-Bahn als Rückgrat R der regionalen Entwicklung?
MehrFormale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK
Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association
MehrApproximationsalgorithmen: 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
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 1 Programm des
MehrProjektgruppe. Knowledge Representation Persistence and Reasoning
Projektgruppe Seminarvortrag von Stefan Middeke Knowledge Representation Persistence and Reasoning 4. Juni 2010 Überblick Motivation Repräsentation der Daten Speicherung und Abfrage von Daten Folgerungen
MehrProzessor (CPU, Central Processing Unit)
G Verklemmungen G Verklemmungen Einordnung: Prozessor (CPU, Central Processing Unit) Hauptspeicher (Memory) Ein-, Ausgabegeräte/ Periphere Geräte (I/O Devices) externe Schnittstellen (Interfaces) Hintergrundspeicher
MehrProjekt AGB-10 Fremdprojektanalyse
Projekt AGB-10 Fremdprojektanalyse 17. Mai 2010 1 Inhaltsverzeichnis 1 Allgemeines 3 2 Produktübersicht 3 3 Grundsätzliche Struktur und Entwurfsprinzipien für das Gesamtsystem 3 3.1 Die Prefuse Library...............................
MehrKompakte Graphmodelle handgezeichneter Bilder
Kompakte Graphmodelle handgezeichneter Bilder Einbeziehung in Authentizierung und Bilderkennung Inhaltsverzeichnis Seminar Mustererkennung WS 006/07 Autor: Stefan Lohs 1 Einleitung 1 Das graphische Modell.1
MehrGültig am Sonntag, 18. August 2013 (ab 1:15 Uhr)
Nürnberg Hbf Feucht Neumarkt (Oberpf) Kursbuchstrecke 890.3 Gültig am Sonntag, 18. August 2013 (ab 1:15 Uhr) Schienenersatzverkehr (SEV) Nürnberg Hbf Ochenbruck (1 -Bahn) Erläuterungen zum SEV-Symbol Bei
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
Mehr1. Berichtigung (Änderungen in gelb)
Augsburg - Buchloe Kursbuchstrecke 987, 986, 971, 974 18. 19. Juni 2016 Samstag und Sonntag Schienenersatzverkehr (SEV) Augsburg - Bobingen 1. Berichtigung (Änderungen in gelb) 07-70917 Regio Bayern Erläuterungen
MehrMOBILITÄT 2100 NAHMOBILITÄT Nahverkehr der Zukunft
MOBILITÄT 2100 NAHMOBILITÄT Nahverkehr der Zukunft - vortrag - DB ML AG Christoph Djazirian Leiter Strategie Personenverkehr Frankfurt, den 21.06.2013 Rückblick und Status Quo Ausblick und Diskussion 2
MehrCatalyst. Watt (Leistung )
Catalyst Catalyst besteht aus professionellen Trainingsprogrammen für wissenschaftliche Analysen. Es stehen drei verschiedene Trainingsprogramme zur Verfügung, bei denen die Entfernung (je 100 Meter) oder
MehrSchwierige 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
MehrHefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 4 Kostenrechnung für Tourenplanung dispositiv
Hefte zur Logistik Prof. Dr. Siegfried Jetzke Heft 4 Kostenrechnung für Tourenplanung dispositiv Oktober 2010 Dieses Heft ist urheberrechtlich geschützt. Wenn Sie die Quelle angeben, können Sie gerne dieses
MehrMathematische Modelle zur Optimierung von logistischen Prozessen. Schienengüter in der Region Rhein-Ruhr
Mathematische Modelle zur Optimierung von logistischen Prozessen Schienengüter in der Region Rhein-Ruhr Ruhr Prof. Dr. Günter Törner Optimierungsmodelle zur Lösung von Erfassungs- problemen im Verkehr
MehrGruppe&Spar. Ab 6 Personen: gemeinsam reisen, gemeinsam sparen!
Gruppenflyer_apu 23.11.2009 13:54 Uhr Seite 12 Kontakt DB Fernverkehr AG Stephensonstraße 1 60326 Frankfurt am Main Änderungen vorbehalten, Einzelangaben ohne Gewähr. Stand: November 2009 VP 00410 Herausgeber
MehrHOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von.
HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Das Luzifer-Rätsel Prof. Dr. Hartmut Plesske Wintersemester 2008/09 von Max Nagl nagl@fh-konstanz.de Inhaltsverzeichnis Inhaltsverzeichnis
MehrMehr Bahn für Metropolen und Regionen Die größte Kundenoffensive in der Geschichte des DB Fernverkehrs
Mehr Bahn für Metropolen und Regionen Die größte Kundenoffensive in der Geschichte des DB Fernverkehrs DB Fernverkehr AG Angebotsmanagement Dr. Philipp Nagl Berlin, 11. Juni 2015 Der neue DB Fernverkehr:
MehrPlanungsperspekiven für kleine und große Grenzverkehre. Hollandstrecke (Oberhausen Emmerich Arnhem)
Planungsperspekiven für kleine und große Grenzverkehre Hollandstrecke (Oberhausen Emmerich Arnhem) Lothar Ebbers PRO BAHN NRW Gemeinnütziger Fahrgastverband Rhein-Ruhr und Randstad sind zwei benachbarte
MehrMarkenwert und Werbeverhalten
Markenwert und Werbeverhalten Eine ökonometrische Analyse Prof. Dr. Klaus Neusser Universität Bern Pressekonferenz vom 6. September 2006 Motivation und Ziel Fragen Modellrahmen Plan der Präsentation Die
MehrWicklesgreuth Windsbach. Kursbuchstrecke 922. Gültig am 18. + 20. + 21. Oktober 2013
Wicklesgreuth Windsbach Kursbuchstrecke 922 Gültig am 18. + 20. + 21. Oktober 2013 Schienenersatzverkehr (SEV) Wicklesgreuth Windsbach (jeweils ab 20 Uhr) Fränkische Seenlandbahn Erläuterungen zum SEV-Symbol
MehrReal Life Video und ErgoVideo
Real Life Video und ErgoVideo Diese Filme sind in folgenden Kategorien erhältlich: Klassiker, Bergetappen, Training mit den Professionals, Cycletours und Citytrips. Auf www.tacxvr.com finden Sie weitere
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrGliederung. 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
MehrSchnelle und konsistente Stoffwertberechnung mit Spline Interpolation Arbeiten innerhalb der IAPWS Task Group "CFD Steam Property Formulation"
M. Kunick, H. J. Kretzschmar Hochschule Zittau/Görlitz, Fachgebiet Technische Thermodynamik, Zittau Schnelle und konsistente Stoffwertberechnung mit Spline Interpolation Arbeiten innerhalb der IAPWS Task
MehrVerlorenen Sekunden auf der Spur. Ampel-Schaltzeiten: DVB wertet Informationen aus.
Verlorenen Sekunden auf der Spur Ampel-Schaltzeiten: DVB wertet Informationen aus. Vorfahrt für den Nahverkehr Sehr geehrte Damen und Herren, unsere Fahrgäste erwarten von uns, dass wir sie pünktlich mit
MehrIdee: Wenn wir beim Kopfknoten zwei Referenzen verfolgen können, sind die Teillisten kürzer. kopf Eine Datenstruktur mit Schlüsselwerten 1 bis 10
Binäre Bäume Bäume gehören zu den wichtigsten Datenstrukturen in der Informatik. Sie repräsentieren z.b. die Struktur eines arithmetischen Terms oder die Struktur eines Buchs. Bäume beschreiben Organisationshierarchien
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Ulrich Furbach Institut für Informatik Sommersemester 2014 Furbach Grundlagen d. Theoretischen Informatik:
MehrEinführung in die Informatik für Naturwissenschaftler und Ingenieure (alias Einführung in die Programmierung)
Wintersemester 2007/08 Einführung in die Informatik für Naturwissenschaftler und Ingenieure (alias Einführung in die Programmierung) (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl
MehrVerfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS
Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Dezember 007 Dipl.-Ing. Stefan Abu Salah Dipl.-Ing. Achim Marikar QoS (Quality of Service): Sicherstellung der Qualität Zeitkritische
MehrDie k kürzesten Wege in gerichteten Graphen
Die k kürzesten Wege in gerichteten Graphen Marc Benkert Wintersemester 001/00 1 Einführung 1.1 Problemstellung In einem gerichteten, gewichteten Graphen G = (V, E) sollen die k kürzesten Wege zu zwei
MehrSteinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering
Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas
MehrEntscheidungsbäume. 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
MehrKapitel 4: Analyse von Petrinetzen
Kapitel 4: Analyse von Petrinetzen 1. Beispiele 2. Analyseansatz 3. Markierungsgraph 4. Beschränktheit 5. State Space Explosion: Beispiel 6. Komplementbildung 7. Zusammenhängend 8. Tot, lebendig, verklemmungsfrei
Mehr12. Wahlperiode 10. 11. 1999. der Abg. Stephanie Günter u. a. Bündnis 90/Die Grünen
12. Wahlperiode 10. 11. 1999 Antrag der Abg. Stephanie Günter u. a. Bündnis 90/Die Grünen und Stellungnahme des Ministeriums für Umwelt und Verkehr Wiederinbetriebnahme der Schienenstrecke Müllheim Neuenburg
Mehr8 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
MehrÜberblick. Einführung Graphentheorie
Überblick Einführung Graphentheorie Graph-Algorithmen mit Map Kurzeinführung Graphentheorie Algorithmus zum Finden von Cliquen Graphen bestehen aus Knoten (englisch: Node, Vertex, Mehrzahl Vertices) Kanten
MehrFahrplanneuheiten Wien Hauptbahnhof ab 14. Dezember 2014
Fahrplanneuheiten Wien Hauptbahnhof ab 14. Dezember 2014 WIEN HAUPTBAHNHOF WIEN HAUPTBAHNHOF/WIEN MEIDLING KÜRZERE FAHRZEITEN, MEHR VERBINDUNGEN, BEQUEMES UMSTEIGEN WIEN HAUPTBAHNHOF/WIEN MEIDLING KÜRZERE
MehrTourist Town. wenn Computer ins Schwitzen geraten. Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014
Tourist Town wenn Computer ins Schwitzen geraten Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014 Inhalt 1. Was kommt jetzt? 2. Tourist Town Dominierende Mengen 3. Ausblick Isolde Adler Tourist
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrNürnberg Hbf Feucht Neumarkt (Oberpf) Kursbuchstrecke 890.3. Gültig in der Nacht 11./12. Oktober 2015 (ab 21:45 Uhr)
Nürnberg Hbf Feucht Neumarkt (Oberpf) Kursbuchstrecke 890.3 Gültig in der Nacht 11./12. Oktober 2015 (ab 21:45 Uhr) Haltausfall Postbauer-Heng (-Bahn) Erläuterungen zum SEV-Symbol Bei einem Schienenersatzverkehr
MehrKapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung
Kapitel 3: Problemformulierungen in der KI oder das Problem ist die halbe Lösung Lernziele: eine Struktur für die Definition eines problemlösenden Agenten kennen die wichtige Rolle von Abstraktionen in
MehrFahrplanänderungen Fernverkehr
Fernverkehr Herausgeber: Konzernkommunikation der Deutschen Bahn AG (Thorsten Bühn) Stand 03.07.2015 Die Service-Nummer der Bahn E-Mail Internet Telefon 0180 6 99 66 33 (20 ct/anruf aus dem Festnetz, Tarif
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrScheduling 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
MehrAlgorithmen und Datenstrukturen Bereichsbäume
Algorithmen und Datenstrukturen Bereichsbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung k-d Baum BSP Baum R Baum Motivation
MehrAutoSPARQL. Let Users Query Your Knowledge Base
AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik
MehrBedienungsanleitung (Kurzfassung) TomTom Pro 7250 / 7250 Truck
Bedienungsanleitung (Kurzfassung) TomTom Pro 7250 / 7250 Truck Mithilfe der Suche eine Route zu einer Adresse planen Wichtig: Aus Sicherheitsgründen und zur Vermeidung von Ablenkungen sollten Sie Ihre
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrVorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz
Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen)
MehrProbleme bei der Installation des Plugins smpmt.dll
SMP Financial Engineering GmbH Begleitmaterial des Softwarepakets Markttechnik für den Nanotrader/Futurestation Installation des Plugins smpmt.dll Um das Plugin smpmt.dll im Nanotrader ausführen zu können,
MehrSafety Requirements für Bahnbetriebsverfahren HAZOPS für den Zugleitbetrieb
Safety Requirements für Bahnbetriebsverfahren HAZOPS für den Zugleitbetrieb Bernd Sieker bsieker@rvs.uni-bielefeld.de Technische Fakultät, Universität Bielefeld Überblick Bahnbetriebsverfahren Begriffe
MehrGraphentheorie 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.................................
MehrHEUTE. Datenstrukturen im Computer. Datenstrukturen. Rekursion. Feedback Evaluation. abstrakte Datenstrukturen
9.2.5 HUT 9.2.5 3 atenstrukturen im omputer atenstrukturen ie beiden fundamentalen atenstrukturen in der Praxis sind rray und Liste Rekursion Feedback valuation rray Zugriff: schnell Umordnung: langsam
MehrInstitut für Programmierung und Reaktive Systeme 25. August 2014. Programmier-Labor. 04. + 05. Übungsblatt. int binarysearch(int[] a, int x),
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme 25. August 2014 Programmier-Labor 04. + 05. Übungsblatt Aufgabe 21: a) Schreiben Sie eine Methode
Mehr