Flächenkartogramme. Benjamin Niedermann Vorlesung Algorithmische Kartografie /
|
|
- Gert Weiß
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg /
2 Ra umliche statistische Daten Wie visualisiert man Statistiken zu ra umlichen Daten? Beispiel: Bevo lkerung in den USA 2-1 Fla chenkartogramme
3 Ra umliche statistische Daten Wie visualisiert man Statistiken zu ra umlichen Daten? Beispiel: Bevo lkerung in den USA als Tabelle? 2-2 Fla chenkartogramme
4 Ra umliche statistische Daten Wie visualisiert man Statistiken zu ra umlichen Daten? Beispiel: Bevo lkerung in den USA als Tortendiagramm? als Tabelle? 2-3 Fla chenkartogramme
5 Ra umliche statistische Daten Wie visualisiert man Statistiken zu ra umlichen Daten? Beispiel: Bevo lkerung in den USA als Balkendiagramm? als Tortendiagramm? als Tabelle? 2-4 Fla chenkartogramme
6 Ra umliche statistische Daten Wie visualisiert man Statistiken zu ra umlichen Daten? Beispiel: Bevo lkerung in den USA als Balkendiagramm? als Tabelle? 2-5 als Tortendiagramm? Problem: Standardmethoden zeigen keine ra umlichen Muster! Fla chenkartogramme
7 Kartenbasierte statistische Visualisierung Choroplethenkarte: nutze Farbschema 3-1
8 Kartenbasierte statistische Visualisierung non-contiguous area cartogram: Fläche proportional zur Bevölkerung 3-2
9 Kartenbasierte statistische Visualisierung contiguous area cartogram: Diffusionsprozess (Gastner, Newman 2004) 3-3
10 Kartenbasierte statistische Visualisierung Dorling cartograms: Kreisscheiben proportionaler Größe 3-4
11 Kartenbasierte statistische Visualisierung 3-5 rectangular cartograms: jede Region als Rechteck (Raisz 1934)
12 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). 4-1 Fla chenkartogramme
13 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt 4-2 Fla chenkartogramme
14 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c Benjamin Hennig 4-3 Fla chenkartogramme
15 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c Benjamin Hennig 4-4 Fla chenkartogramme
16 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig 4-5 Fla chenkartogramme
17 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig 4-6 Fla chenkartogramme
18 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig 4-7 c Bettina Speckmann Fla chenkartogramme
19 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig 4-8 c Bettina Speckmann Fla chenkartogramme
20 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig 4-9 c Bettina Speckmann Fla chenkartogramme
21 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig c Bettina Speckmann Welche Kriterien bestimmen die Qualita t eines Kartogramms? 4-10 Fla chenkartogramme
22 Fla chenkartogramme Def.: Ein Fla chenkartogramm (dt. Kartenanamorphote) ist eine Kartendarstellung, in der jede Fla cheneinheit proportional zu einer externen Gro ße und nicht mehr zur tatsa chlichen Fla che ist (z.b. Bevo lkerungszahl). Form, Lage und Nachbarschaften der Regionen werden verzerrt c New York Times c Benjamin Hennig Qualita tskriterien: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen 4-11 c Bettina Speckmann korrekte Adjazenzen kleiner Fla chenfehler geringe Komplexita t Ablesen der Fla che Fla chenkartogramme
23 Kartenprojektion durch Diffusion [Gastner, Newman 04] Bevölkerungsdichte in Standardkarte sehr unterschiedlich ideales Kartogramm hat überall die gleiche Dichte modelliere Dichteausgleich als physikalischen Diffusionsprozess ergibt Transformation T : R 2 R 2 5-1
24 Kartenprojektion durch Diffusion [Gastner, Newman 04] Bevölkerungsdichte in Standardkarte sehr unterschiedlich ideales Kartogramm hat überall die gleiche Dichte modelliere Dichteausgleich als physikalischen Diffusionsprozess ergibt Transformation T : R 2 R 2 5-2
25 Kartenprojektion durch Diffusion [Gastner, Newman 04] Bevölkerungsdichte in Standardkarte sehr unterschiedlich ideales Kartogramm hat überall die gleiche Dichte modelliere Dichteausgleich als physikalischen Diffusionsprozess ergibt Transformation T : R 2 R 2 5-3
26 Kartenprojektion durch Diffusion [Gastner, Newman 04] Bevölkerungsdichte in Standardkarte sehr unterschiedlich ideales Kartogramm hat überall die gleiche Dichte modelliere Dichteausgleich als physikalischen Diffusionsprozess ergibt Transformation T : R 2 R 2 Diffusionsgleichung ist partielle Differentialgleichung Implementierung nutzt Fouriertransformation und numerische Lösungsverfahren asymptotisch konstante Dichte in ganzer Karte 5-4
27 Kartenprojektion durch Diffusion [Gastner, Newman 04] Bevölkerungsdichte in Standardkarte sehr unterschiedlich ideales Kartogramm hat überall die gleiche Dichte modelliere Dichteausgleich als physikalischen Diffusionsprozess ergibt Transformation T : R 2 R 2 Diffusionsgleichung ist partielle Differentialgleichung Implementierung nutzt Fouriertransformation und numerische Lösungsverfahren asymptotisch konstante Dichte in ganzer Karte GDP cartogram c Newman 5-5
28 Gitterbasierte Diffusionskartogramme [Hennig 11] Erweiterung durch fein aufgelöstes Gitter ( 365K Zellen) Datenwert für jede Gitterzelle ermöglicht detailliertere Kartogramme (Abbildung von Ballungsräumen etc) 6-1
29 Gitterbasierte Diffusionskartogramme [Hennig 11] Erweiterung durch fein aufgelöstes Gitter ( 365K Zellen) Datenwert für jede Gitterzelle ermöglicht detailliertere Kartogramme (Abbildung von Ballungsräumen etc) Demo: ScapeToad 6-2
30 Zusammenfassung Diffusionskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche 7
31 Zusammenfassung Diffusionskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche 7
32 Kreiskartogramme [Dorling 95] einfache, abstrakte Form: jede Region als Kreisscheibe Fläche fest skaliert bzgl. gegebener Größe initiale Platzierung im Schwerpunkt der Region iteratives Verschieben zum Auflösen der Überlappungen 8-1
33 Kreiskartogramme [Dorling 95] einfache, abstrakte Form: jede Region als Kreisscheibe Fläche fest skaliert bzgl. gegebener Größe initiale Platzierung im Schwerpunkt der Region iteratives Verschieben zum Auflösen der Überlappungen kräftebasierter Algorithmus (ähnl. Spring-Embedder): while Kräfte > ε do foreach disk D do foreach disk D D do Abstoßung von D D geographischer Nachbar foreach Nachbar D von D mit Abstand > 0 do Anziehung zu D D D D 8-2
34 Kreiskartogramme [Dorling 95] einfache, abstrakte Form: jede Region als Kreisscheibe Fläche fest skaliert bzgl. gegebener Größe initiale Platzierung im Schwerpunkt der Region iteratives Verschieben zum Auflösen der Überlappungen kräftebasierter Algorithmus (ähnl. Spring-Embedder): while Kräfte > ε do foreach disk D do foreach disk D D do Abstoßung von D D geographischer Nachbar foreach Nachbar D von D mit Abstand > 0 do Anziehung zu D D Demo! D D 8-3
35 Verbesserung Kreiskartogramme [Inoue 11] weiteres Kriterium: minimiere Abweichung der relativen Lage benachbarter Regionen Formulierung als nicht-lineares Optimierungsproblem: geogr. Nachbarn min (i,j) E [ ( ) ] 2 dij ( ) 2 α 1 (1 α) θ ij θ (0) ij r i r j s.t. d ij r i r j i j d ij = (x i x j ) 2 (y i y j ) 2 Eingabewinkel r j θ ij = arctan y j y i x j x i, 0 α 1 Lösung mit Solver NUOPT r i θ ij d ij 9
36 Vergleich Dorling Inoue Inoue Dorling 10
37 Zusammenfassung Kreiskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche 11
38 Zusammenfassung Kreiskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche 11
39 Rechteckskartogramme jede Region als Rechteck repräsentiert gegebene Zielflächen trade-off korrekte Flächen/korrekte Adjazenzen 12
40 Problemstellung Geg: politische Karte M (Rechtecksunterteilung), positives Gewicht w i für jede Region R i
41 Problemstellung Geg: bzw: politische Karte M (Rechtecksunterteilung), positives Gewicht w i für jede Region R i knotengewichteter intern triangulierter planar eingeb. Graph G dual zu M, Knoten v i entspricht Region R i, Kanten zw. adjazenten Regionen, Knotengewichte w i bzw
42 Problemstellung Geg: bzw: Ges: politische Karte M (Rechtecksunterteilung), positives Gewicht w i für jede Region R i knotengewichteter intern triangulierter planar eingeb. Graph G dual zu M, Knoten v i entspricht Region R i, Kanten zw. adjazenten Regionen, Knotengewichte w i verzerrte Karte M äquivalent zu M mit R i = w i bzw
43 Problemstellung Geg: bzw: Ges: bzw: politische Karte M (Rechtecksunterteilung), positives Gewicht w i für jede Region R i knotengewichteter intern triangulierter planar eingeb. Graph G dual zu M, Knoten v i entspricht Region R i, Kanten zw. adjazenten Regionen, Knotengewichte w i verzerrte Karte M äquivalent zu M mit R i = w i flächenproportionale Kontaktrepräsentation von G, jeder Knoten v i als geometrisches Objekt s i mit Fläche w i, so dass s i und s j sich berühren gdw. v i v j E bzw
44 Qualitätskriterien gute Lösung falsche relative Lage falsche Adjazenzen schlechte aspect ratio kleiner Fehler korrekte Adjazenzen gute aspect ratio korrekte relative Positionen
45 Qualitätskriterien gute Lösung falsche relative Lage falsche Adjazenzen schlechte aspect ratio kleiner Fehler korrekte Adjazenzen gute aspect ratio korrekte relative Positionen Können Flächen und Adjazenzen immer erhalten werden? 14-2
46 Qualitätskriterien gute Lösung Adjazenzen vs. Flächenfehler falsche relative Lage falsche Adjazenzen schlechte aspect ratio kleiner Fehler korrekte Adjazenzen gute aspect ratio korrekte relative Positionen
47 Überblick des Verfahrens [van Kreveld, Speckmann 07] NW SH HH HB NI MV BE BB ST Eingabekarte NW HB NI SH HH ST MV BB BE SL RP HE BW TH BY SN Dualgraph SL RP HE BW TH BY SN N N Wa SH MV Rechtecksdual Wa SH MV BB W NW RP NI HE BW BB ST SN TH BY O Kartogramm W NW RP NI HE BW ST TH BY SN O S S 15
48 Rechtecksdual Graph heißt intern trianguliert, wenn jede (innere) Facette ein Dreieck ist ein Kreis C in G heißt separierend, wenn sowohl innerhalb als auch außerhalb von C weitere Knoten liegen 16-1
49 Rechtecksdual Graph heißt intern trianguliert, wenn jede (innere) Facette ein Dreieck ist ein Kreis C in G heißt separierend, wenn sowohl innerhalb als auch außerhalb von C weitere Knoten liegen Satz 1: Ein planar eingeb. Graph G hat ein Rechtecksdual R mit vier äußeren Rechtecken gdw. G intern trianguliert, äußere Facette ein Viereck, G enthält keine separierenden Dreiecke. 16-2
50 Rechtecksdual Graph heißt intern trianguliert, wenn jede (innere) Facette ein Dreieck ist ein Kreis C in G heißt separierend, wenn sowohl innerhalb als auch außerhalb von C weitere Knoten liegen Satz 1: Ein planar eingeb. Graph G hat ein Rechtecksdual R mit vier äußeren Rechtecken gdw. G intern trianguliert, äußere Facette ein Viereck, G enthält keine separierenden Dreiecke. Graph-Modifikationen: 16-3
51 Beispiel Deutschland HB SH HH MV SL NW RP NI HE BW TH BY ST BE BB SN 17-1
52 Beispiel Deutschland NW HB NI HE SH HH TH ST MV BE BB SN NW NI HE SH TH ST MV BB SN entferne Grad-1 und -2 Knoten RP RP SL BW BY BW BY 17-2
53 Beispiel Deutschland NW HB NI HE SH HH TH ST MV BE BB SN NW NI HE SH TH ST MV BB SN entferne Grad-1 und -2 Knoten RP RP SL BW BY BW BY Wa SH MV füge flexiblen Meeresknoten als Puffer hinzu RP NW NI HE TH ST BB SN BY BW 17-3
54 Beispiel Deutschland NW HB NI HE SH HH TH ST MV BE BB SN NW NI HE SH TH ST MV BB SN entferne Grad-1 und -2 Knoten RP RP SL BW BY BW BY N Wa SH MV Wa SH MV füge flexiblen Meeresknoten als Puffer hinzu RP NW NI HE BW TH BY ST BB SN W RP NW NI HE BW TH BY ST BB SN O erstelle äußeres Viereck Satz 1 gilt S 17-4
55 Reguläre Kantenbeschriftung Die Nachbarn jedes inneren Rechtecks lassen sich in vier nichtleere Gruppen einteilen (N,S,W,O) und bilden in der zyklischen Ordnung vier Blöcke. N N N W O S S 18-1
56 Reguläre Kantenbeschriftung Die Nachbarn jedes inneren Rechtecks lassen sich in vier nichtleere Gruppen einteilen (N,S,W,O) und bilden in der zyklischen Ordnung vier Blöcke. N N N W O S S Eine Beschriftung der Kanten eines Graphen G mit {N,S,W,O} heißt reguläre Kantenbeschriftung, falls obige Bedingung an jedem inneren Knoten erfüllt ist. 18-2
57 Reguläre Kantenbeschriftung Die Nachbarn jedes inneren Rechtecks lassen sich in vier nichtleere Gruppen einteilen (N,S,W,O) und bilden in der zyklischen Ordnung vier Blöcke. N N N W O S S Eine Beschriftung der Kanten eines Graphen G mit {N,S,W,O} heißt reguläre Kantenbeschriftung, falls obige Bedingung an jedem inneren Knoten erfüllt ist. ist nicht eindeutig! 18-3
58 Reguläre Kantenbeschriftung Die Nachbarn jedes inneren Rechtecks lassen sich in vier nichtleere Gruppen einteilen (N,S,W,O) und bilden in der zyklischen Ordnung vier Blöcke. N N N W O S S Eine Beschriftung der Kanten eines Graphen G mit {N,S,W,O} heißt reguläre Kantenbeschriftung, falls obige Bedingung an jedem inneren Knoten erfüllt ist. richte Kanten von W nach O und von S nach N färbe W O Kanten rot und S N Kanten grün 18-4
59 Konstruktion Rechtecksdual [He, Kant 97] N Wa SH MV NI BB W NW ST O HE TH SN RP BW BY S 19-1
60 Konstruktion Rechtecksdual [He, Kant 97] N Wa SH MV NI BB N W NW ST O Wa SH MV HE TH SN RP W NW NI ST BB O BW S BY TH SN RP HE Wa N SH MV BW BY NI BB W NW ST O S TH SN HE RP BY BW S 19-2
61 Konstruktion Rechtecksdual [He, Kant 97] N SH Wa NI MV W* O* BB N W NW ST O Wa SH MV HE TH SN RP W NW NI ST BB O BW S BY TH SN RP HE Wa N SH MV N* BW BY NI BB W NW ST O S TH SN HE RP BY S* BW S 19-3
62 Konstruktion Rechtecksdual [He, Kant 97] N Wa N SH MV SH Wa 2 MV W* 5 O* NI 8 0 BB 1 ST 7 O 6 TH SN 2 4 W NW HE RP W NW NI ST BB O BW S 3 BY TH SN RP HE BW BY Wa NI 7 N SH 8 6 MV 9 BB N* S W NW 3 4 ST TH 5 SN O RP HE BW 2 1 BY 0 S* S 19-4
63 Konstruktion Rechtecksdual [He, Kant 97] N W RP NW Wa NI HE BW S N SH TH BY ST MV BB SN O W SH Wa 2 MV W* 5 O* NI 8 0 BB 1 ST 7 O 6 SN 2 4 W NW RP Wa NI NW 3 HE RP BW 7 HE BW S N SH ST TH BY TH BY 9 8 N* 6 MV BB 5 SN S* 0 O W N Wa SH MV NI BB O ST NW SN HE TH RP BW BY S S 19-5
64 Überblick des Verfahrens [van Kreveld, Speckmann 07] NW SH HH HB NI MV BE BB ST Eingabekarte NW HB NI SH HH ST MV BB BE SL RP HE BW TH BY SN Dualgraph SL RP HE BW TH BY SN N N Wa SH MV Rechtecksdual Wa SH MV BB W NW RP NI HE BW BB ST SN TH BY O Kartogramm W NW RP NI HE BW ST TH BY SN O S S 20
65 Problem: Flächenzuweisung abstraktes Rechtecksdual benötigt noch korrekte Flächen betrachte hierarchische Rechteckszerlegung: Wa SH MV NI ST BB NW HE TH SN RP BW BY gruppiere Rechtecke, die zusammen größere Rechtecke bilden 21-1
66 Problem: Flächenzuweisung abstraktes Rechtecksdual benötigt noch korrekte Flächen betrachte hierarchische Rechteckszerlegung: Wa SH MV NI ST BB NW HE TH SN RP BW BY 21-2 gruppiere Rechtecke, die zusammen größere Rechtecke bilden zerschneidbare Rechtecke, die in zwei Teile zerfallen leichter Fall (s. Übung) komplexere Rechtecke Algorithmus für L-zerlegbare Layouts
67 Aufgabe Geg.: Rechtecksdual R bestehend aus 1. Rechtecken R 1,..., R n, und 2. hierarchische Rechteckszerlegung H. Ann.: Jeder Knoten in H hat maximal zwei Nachfolger Beschreiben Sie ein Verfahren, das basierend auf R und H die Größen von R 1,..., R n so anpasst, dass die entsprechenden Flächen mit vorgegebenen Werten A 1,..., A n übereinstimmen. 22
68 Lösung Annahme: Rechtecksdual besteht nur aus zerschneibaren Rechtecken
69 Lösung Annahme: Rechtecksdual besteht nur aus zerschneibaren Rechtecken Flächenbedarf von jedem atomaren Rechteck bekannt Fläche von zusammengesetzten Rechtecken bekannt
70 Lösung Annahme: Rechtecksdual besteht nur aus zerschneibaren Rechtecken Flächenbedarf von jedem atomaren Rechteck bekannt Fläche von zusammengesetzten Rechtecken bekannt. Top-Down-Ansatz: Steige rekursiv im Baum ab und passe Größe der Rechtecke entsprechend an
71 L-zerlegbare Layouts Ein irreduzibles Rechteckslayout R heißt L-zerlegbar, falls es eine Folge (R 1, R 2,..., R n ) der Rechtecke von R gibt, so dass R 1 und R n in gegenüberliegenden Ecken von R liegen und jedes Polygon n j=i R j L-förmig ist L-Zerlegungssequenz 24-1
72 L-zerlegbare Layouts Ein irreduzibles Rechteckslayout R heißt L-zerlegbar, falls es eine Folge (R 1, R 2,..., R n ) der Rechtecke von R gibt, so dass R 1 und R n in gegenüberliegenden Ecken von R liegen und jedes Polygon n j=i R j L-förmig ist irreduzibel= Keine Teilmenge S R mit S > 1 bildet Rechteck L-Zerlegungssequenz 24-2
73 L-zerlegbare Layouts Ein irreduzibles Rechteckslayout R heißt L-zerlegbar, falls es eine Folge (R 1, R 2,..., R n ) der Rechtecke von R gibt, so dass R 1 und R n in gegenüberliegenden Ecken von R liegen und jedes Polygon n j=i R j L-förmig ist L-Zerlegungssequenz 5 nicht L-förmig zerlegbar 24-3
74 Existenz einer Lösung Satz 2: Ein L-zerlegbares Layout hat entweder genau eine oder keine Lösung als Kartogramm ohne Flächenfehler und mit korrekten Adjazenzen. 25-1
75 Existenz einer Lösung Satz 2: Ein L-zerlegbares Layout hat entweder genau eine oder keine Lösung als Kartogramm ohne Flächenfehler und mit korrekten Adjazenzen. Beweisskizze: y 1 R 1 L 1 () () 25-2
76 25-3 Existenz einer Lösung Satz 2: Ein L-zerlegbares Layout hat entweder genau eine oder keine Lösung als Kartogramm ohne Flächenfehler und mit korrekten Adjazenzen. Beweisskizze: y 1 () () Fallunterscheidung R 1 L 1
77 Heuristik für Rechteckskartogramme Nicht jedes Rechtecksdual ist L-zerlegbar, nicht jede Flächenzuweisung für L-zerlegbare Layouts hat eine Lösung. Wa SH NI MV BB ST SegmentMoving while lokale Verbesserung möglich do s bel. maximales Segment bewege s in bessere Richtung ggf. berücksichtige Adjazenzen ggf. berücksichtige aspect ratio NW RP HE BW TH BY SN liefert immer ein Layout findet lokale Optima Wasser benötigt keine Zielfläche keinerlei Garantie oder Konvergenz bewiesen 26-1
78 Heuristik für Rechteckskartogramme Nicht jedes Rechtecksdual ist L-zerlegbar, nicht jede Flächenzuweisung für L-zerlegbare Layouts hat eine Lösung. Wa NW RP SH MV NI BB ST SN HE TH BW BY Demo! SegmentMoving while lokale Verbesserung möglich do s bel. maximales Segment bewege s in bessere Richtung ggf. berücksichtige Adjazenzen ggf. berücksichtige aspect ratio liefert immer ein Layout findet lokale Optima Wasser benötigt keine Zielfläche keinerlei Garantie oder Konvergenz bewiesen 26-2
79 Aufgabe: Weitere Heuristik Gegeben: Ein Rechtecksdual R bestehend aus den Rechtecken R 1,..., R n. Zielbreiten w 1,..., w n R Zielhöhen h 1,..., h n R 27-1
80 Aufgabe: Weitere Heuristik Gegeben: Ein Rechtecksdual R bestehend aus den Rechtecken R 1,..., R n. Zielbreiten w 1,..., w n R Zielhöhen h 1,..., h n R Gesucht: Für jedes Rechteck R i Breite w i und Höhe h i sodass a) die Adjazenzen aus R erhalten bleiben, und b) w i w i und h i h i für alle 1 i n, und c) n i=1 w i n i=1 h i minimiert wird. 27-2
81 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) 28-1
82 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) gerichteter Graph D = (V, A) 28-2
83 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 b(v) > 0: Quelle b(v) < 0: Senke 28-3
84 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) b(v) > 0: Quelle gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 untere Kapazitäten l : A R 0 obere Kapazitäten u: A R 0 b(v) < 0: Senke 28-4
85 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) b(v) > 0: Quelle gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 untere Kapazitäten l : A R 0 obere Kapazitäten u: A R 0 b(v) < 0: Senke 28-5
86 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) b(v) > 0: Quelle gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 untere Kapazitäten l : A R 0 obere Kapazitäten u: A R 0 b(v) < 0: Senke Abbildung X : A R 0 heißt Fluss, wenn 28-6
87 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) b(v) > 0: Quelle gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 untere Kapazitäten l : A R 0 obere Kapazitäten u: A R 0 b(v) < 0: Senke Abbildung X : A R 0 1. Kapazitätsbedingung: heißt Fluss, wenn (i, j) A : l(i, j) X(i, j) u(i, j) Flusserhaltungsbedingung: i V \{s, t} : X(i, j) j:(i,j) A X(j, i) = b(i) j:(j,i) A
88 Allgemeines Flussmodell Gegeben: Netzwerk N = (D = (V, A), b, l, u) b(v) > 0: Quelle gerichteter Graph D = (V, A) Knotenbewertung b: V R mit v V b(i) = 0 untere Kapazitäten l : A R 0 obere Kapazitäten u: A R 0 b(v) < 0: Senke Gesucht: Fluss X sodass cost(x) = (i,j) A cost(i, j) X(i, j) minimiert wird, wobei cost: A R 0 gegebene Kostenfunktion ist. 28-8
89 Lösung 29
90 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t s 29
91 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t s 29
92 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 s 29
93 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 4. Kante e zwischen je zwei Knoten v i und u j getrennt durch horz. Kante (aufwärts). l(e) = 0, u(e) = und cost(e) = 0 s 29
94 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 4. Kante e zwischen je zwei Knoten v i und u j getrennt durch horz. Kante (aufwärts). l(e) = 0, u(e) = und cost(e) = 0 5. Kante e zwischen Knoten der oberen Reihe Rechtecke und t. l(e) = 0, u(e) = und cost(e) = 0 s 29
95 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 4. Kante e zwischen je zwei Knoten v i und u j getrennt durch horz. Kante (aufwärts). l(e) = 0, u(e) = und cost(e) = 0 5. Kante e zwischen Knoten der oberen Reihe Rechtecke und t. l(e) = 0, u(e) = und cost(e) = 0 s 6. Kante e zwischen s und Knoten der unteren Reihe Rechtecke. l(e) = 0, u(e) =, cost(e) = 0 29
96 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 4. Kante e zwischen je zwei Knoten v i und u j getrennt durch horz. Kante (aufwärts). l(e) = 0, u(e) = und cost(e) = 0 5. Kante e zwischen Knoten der oberen Reihe Rechtecke und t. l(e) = 0, u(e) = und cost(e) = 0 s 6. Kante e zwischen s und Knoten der unteren Reihe Rechtecke. l(e) = 0, u(e) =, cost(e) = 0 Wie Knotenbewertung b: V R 0 festlegen? 29
97 Lösung Idee: Flussnetzwerk N H für horz. Kanten. t 1. Für jedes R i zwei Knoten u i, v i 2. Knoten s und t 3. Kante e i = (u i, v i ) mit l(e i ) = w i, u(e i ) =, cost(e i ) = 1 4. Kante e zwischen je zwei Knoten v i und u j getrennt durch horz. Kante (aufwärts). l(e) = 0, u(e) = und cost(e) = 0 5. Kante e zwischen Knoten der oberen Reihe Rechtecke und t. l(e) = 0, u(e) = und cost(e) = 0 s 6. Kante e zwischen s und Knoten der unteren Reihe Rechtecke. l(e) = 0, u(e) =, cost(e) = 0 b(s) = gewünschte Breite b(t) = b(s) b(v) = 0 für restl. Knoten v 29
98 Lösung Idee: Flussnetzwerk N H für horz. Kanten. Analog: Flussnetzwerk N V für vert. Kanten. 29
99 Lösung Idee: Flussnetzwerk N H für horz. Kanten. Analog: Flussnetzwerk N V für vert. Kanten. Löse Flussproblem mit minimalen Kosten auf Netzwerk bestehend aus den Komponenten N H und N V. 29
100 Lösung Idee: Flussnetzwerk N H für horz. Kanten. Analog: Flussnetzwerk N V für vert. Kanten. Löse Flussproblem mit minimalen Kosten auf Netzwerk bestehend aus den Komponenten N H und N V. Kann ähnliches Netzwerk auch für Flächen konstruiert werden? 29
101 Lösung Idee: Flussnetzwerk N H für horz. Kanten. Analog: Flussnetzwerk N V für vert. Kanten. Löse Flussproblem mit minimalen Kosten auf Netzwerk bestehend aus den Komponenten N H und N V. Kann ähnliches Netzwerk auch für Flächen konstruiert werden? Nein, denn eine reine Flächenzuweisung zu Rechtecken bestimmt die Form der Rechtecke nicht. 29
102 Flächenuniverselle Layouts Einseitige Rechteckslayouts sind flächenuniversell, d.h. sie lassen sich für jede beliebige Flächenzuweisung realisieren. [Eppstein et al. 12] Ein Layout heißt einseitig, falls jedes maximale Segment auf einer Seite nur an ein einziges Rechteck angrenzt nicht einseitig einseitig 30
103 Zusammenfassung Rechteckskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche NW RP NI HE SH BW MV BB ST SN TH BY NI NW RP SH HE BW MV BB ST TH SN BY MV SH NI BB ST SN NW HE TH RP BW BY Bevölkerung Studierende pro Einwohner Arbeitslosenquote 31
104 Zusammenfassung Rechteckskartogramme Diskussion: Wiedererkennbarkeit der Form Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche / / NW RP NI HE SH BW MV BB ST SN TH BY NI NW RP SH HE BW MV BB ST TH SN BY MV SH NI BB ST SN NW HE TH RP BW BY Bevölkerung Studierende pro Einwohner Arbeitslosenquote 31
105 Zusammenfassung Kartogramme Wiedererkennbarkeit Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler geringe Komplexität Ablesen der Fläche 32
106 Zusammenfassung Kartogramme Wiedererkennbarkeit Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler / / geringe Komplexität Ablesen der Fläche 32
107 Zusammenfassung Kartogramme Wiedererkennbarkeit Vergleichbarkeit Lage der Regionen korrekte Adjazenzen kleiner Flächenfehler / / geringe Komplexität Ablesen der Fläche Kein Kartogrammtyp ist perfekt, alle haben ihre Vor- und Nachteile. Auswahl sollte je nach Anwendungszweck erfolgen. 32
108 Teilnehmer für Benutzerstudie gesucht! Kontext: Algorithmische Kartografie Beschriftung Ablauf: Ibis Hotel Kulturspeicher Main Station Hauptbahnhof Escalera Ulmer Hof Hotel Urlaub Hauptbahnhof West Hotel Poppular Juliuspromenade interne Label Barbarossaplatz Ibis Hotel Kulturspeicher Escalera Ulmer Hof Hotel Urlaub externe Label Main Station Hauptbahnhof Hauptbahnhof West Hotel Poppular Juliuspromenade Barbarossaplatz Fragebogen am Computer ausfüllen (ca. 20 min). Raum 305, Infobau Geb Mögliche Termine: : 11:30 Uhr, 13:15 Uhr Weshalb daran teilnehmen? Unterstützung der aktuellen Forschung. Unter Teilnehmern werden 3 Amazon-Gutscheine im Wert von je 25 Euro verlost. 33
I Deutsche und ausländische Schulabsolventen mit Hochschul- und Fachhochschulreife von 1998 bis 2020 I.1 Hochschulreife I.1.
I Deutsche und ausländische Schulabsolventen mit Hochschul- und Fachhochschulreife von 1998 bis 2020 I.1 Hochschulreife I.1.1 Anzahl 1) BW BY BE BB HB HH HE MV 2) 3) NI NW RP SL 4) SN ST 2) SH TH BG 1998
MehrLiteratur. 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,
MehrDas Falten-und-Schneiden Problem
Das Falten-und-Schneiden Problem Kristian Bredies Uttendorf, 14. Februar 2005 Inhalt Einleitung Origami Das Falten-und-Schneiden Problem Mathematische Analyse Flaches Origami Lokale Eigenschaften Faltbarkeit
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
MehrForschungsfragestellungen
Aufstieg aus dem Migrationsmilieu in hochqualifizierte Berufe Stefanie Smoliner, (ZSI) smoliner@zsi.at Mikrozensus-NutzerInnenkonferenz, Mannheim, 9.9.-3.9.11 Forschungsfragestellungen In welchem Ausmaß
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
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
Mehr4 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
MehrPunktbeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den
MehrFreie Schulen in der Finanzierungsklemme
Freie Schulen in der Finanzierungsklemme Helmut E. Klein Senior Researcher Pressekonferenz des Bundes der Freien Waldorfschulen Kiel, 29.09.2011 Agenda Schulstatistische Befunde Öffentliche Finanzierung:
MehrGDA Ziel 3: Verringerung von Häufigkeit und Schwere von Hauterkrankungen
GDA Ziel 3: Verringerung von Häufigkeit und Schwere von Hauterkrankungen Dr. Burkhardt Jaeschke Bremen, 7.09.2009 Projektplan AG HAUT vom 28.0.2008 (Fassung 04.05.2009) Verbesserter Gesundheitsschutz bei
MehrAlgorithmentheorie. 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
MehrAnmerkungen 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
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
MehrStudiengebühren/Studienbeiträge in den Bundesländern
Studiengebühren/Studienbeiträge in den Bundesländern Entwicklungsstand, Ähnlichkeiten und Unterschiede Hannover, den 11. Oktober 2006 Fatma Ebcinoğlu Fragen Welche Länder führen wann Studiengebühren/Studienbeiträge
MehrDie Bundesländer auf dem steinigen Weg zur Schuldenbremse
Die Bundesländer auf dem steinigen Weg zur Schuldenbremse Wirtschaftsrat Deutschland Arbeitsgruppe Staatsfinanzen 4. Oktober 2011 Dr. Gisela Meister-Scheufelen Schuldenstand Deutschland 2010 in Mrd. Euro
MehrStatistischer Monatsbericht für Oktober 2014
Statistischer Monatsbericht für Oktober 2014 12.12.14 M442 Von Ziel- und Herkunftsgebieten - Die Wanderung nach bzw. aus im Vergleich Wanderung im Fokus der Planung Das Wachstum der beiden Großstädte ist
MehrInformieren, begeistern, Interesse wecken! Im neuen FuturePlan Magazine. www.futureplan-magazine.de
Informieren, begeistern, Interesse wecken! Im neuen FuturePlan Magazine. www.futureplan-magazine.de Stand: 01/2016 DAS FUTURePLAn MAgAzine Das FuturePlan Magazine porträtiert innovative Unternehmen, stellt
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
MehrStand der Digitalisierung der Bodenschätzung in den Bundesländern
Stand der Digitalisierung der Bodenschätzung in den Bundesländern Festveranstaltung Digitale Bodenschätzung Hessen am 1. Juli 2015 Dieter Will, Landesamt für Steuern, Rheinland-Pfalz Stand der Digitalisierung
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrDynamic Label Placement in Practice
Disputation Dynamic Label Placement in Practice Beschriftungsplatzierung in interaktiven Karten in der Praxis Nadine Schwartges Lehrstuhl für Informatik I, Universität Würzburg 17.04.2015 Interaktive Karten
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
MehrKrankenhausstatistik
Krankenhausstatistik Eckdaten I Krankenhäuser, Krankenhausbetten, Bettenauslastung Krankenhäuser Krankenhausbetten Bettenauslastung Anzahl in 1.000 in % Index (Jahr 2000 = ) 110 90 80 Krankenhäuser Betten
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
MehrWintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung
Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Ulrich Loup 24.03.2006 Prüfungsstoff: Alegebra I, Analysis IV, Graphentheorie I Prüfer: Prof. Dr. Wilhelm Plesken Protokollant: Dipl.
MehrStand der Einführung in Deutschland
HIS-Workshop Studiengebühren am 3./4. Juli 2006 in Hannover Stand der Einführung in Deutschland Vergleich der Ländermodelle Fatma Ebcinoğlu Fragen Welche Länder führen wann Studiengebühren ein? Welche
MehrAllgemein bildende Schulen in Ganztagsform in den Ländern in der Bundesrepublik Deutschland - Statistik 2003 bis 2007 -
Sekretariat der Ständigen Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland IV D DST 1933-4(20) Bonn, den 27.04.2009 Allgemein bildende Schulen in Ganztagsform in den Ländern in
MehrAntwort. Deutscher Bundestag Drucksache 16/6583. der Bundesregierung
Deutscher Bundestag Drucksache 16/6583 16. Wahlperiode 08. 10. 2007 Antwort der Bundesregierung auf die Kleine Anfrage der Abgeordneten Patrick Meinhardt, Uwe Barth, Cornelia Pieper, weiterer Abgeordneter
MehrAlgorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 8, 4.11.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Am Dienstag, 11.11., fällt die
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
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
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
MehrKapitel 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
MehrProgrammierung 2. Dynamische Programmierung. Sebastian Hack. Klaas Boesche. Sommersemester 2012. hack@cs.uni-saarland.de. boesche@cs.uni-saarland.
1 Programmierung 2 Dynamische Programmierung Sebastian Hack hack@cs.uni-saarland.de Klaas Boesche boesche@cs.uni-saarland.de Sommersemester 2012 2 Übersicht Stammt aus den Zeiten als mit Programmierung
MehrKonzepte für eine Altschuldenregelung: Wie wirken sich die vorliegenden Modelle auf die einzelnen Bundesländer aus?
Konzepte für eine Altschuldenregelung: Wie wirken sich die vorliegenden Modelle auf die einzelnen Bundesländer aus? Vortrags- und Podiumsveranstaltung: Das Altschuldenproblem: Tragfähige Lösungen für die
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrEinführung in Scheduling
Einführung in Scheduling Dr. Julien Bidot Sommersemester 28 Institut für Künstliche Intelligenz Inhalt I. Definition und Formulierung des Scheduling- Problems II. Projektplanung III. Produktionsplanung
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
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
MehrTETRA-Digitalfunk für Behörden und Organisationen mit Sicherheitsaufgaben in Deutschland
Deutscher Bundestag Drucksache 17/12586 17. Wahlperiode 01. 03. 2013 Antwort der Bundesregierung auf die Kleine Anfrage der Abgeordneten Sabine Zimmermann, Sabine Stüber, Jan Korte, weiterer Abgeordneter
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
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
MehrUndirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time
Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer
MehrKostenmaße. 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);
MehrSatzungen der Ärzteversorgungen
Satzungen der Aerzteversorgungen 2013-07-28.doc 1 / 6 Satzungen der Ärzteversorgungen Stand der Inhalte im wesentlichen August 2012 Letzte Korrektur: Juli 2013 Inhaltsverzeichnis Satzungen der Ärzteversorgungen...1
MehrAlgorithmen 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
MehrSortierverfahren für Felder (Listen)
Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
MehrAlgorithmen 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
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:
MehrDer Deutsche Schulpreis 2016
Der Deutsche Schulpreis 2016 Bewerberstatistik Innerhalb Deutschlands haben sich 80 Schulen um den Deutschen Schulpreis 2016 beworben. Davon sind 68,8 % Neubewerber, d.h. diese Schulen haben bisher noch
Mehrw a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2
1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba
MehrExpander Graphen und Ihre Anwendungen
Expander Graphen und Ihre Anwendungen Alireza Sarveniazi Mathematisches Institut Universität Göttingen 21.04.2006 Alireza Sarveniazi (Universität Göttingen) Expander Graphen und Ihre Anwendungen 21.04.2006
MehrDigitale Entwicklung in Mecklenburg-Vorpommern. Juli 2012. TNS Infratest Digitalisierungsbericht 2012
Digitale Entwicklung in Mecklenburg-Vorpommern Juli 2012 1 Inhalt 1 Methodische Hinweise 2 Stand der Digitalisierung in den TV-Haushalten 3 Verteilung der Übertragungswege 4 Digitalisierung der Übertragungswege
MehrMethoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07
Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2
MehrDer Deutsche Schulpreis 2013
Der Deutsche Schulpreis 2013 Bewerberstatistik Es gingen 114 Bewerbungen ein, davon 80 % von Schulen in staatlicher Trägerschaft. Neue Bewerber und Wiederbewerber 65 % der Schulen sind neue Bewerber, 35
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
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
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
MehrErratum zur Technischen Dokumentation zur QS-Spezifikation für QS-Filter-Software 14.0
Sektorenübergreifende Qualitätssicherung im Gesundheitswesen Erratum zur Technischen Dokumentation zur QS-Spezifikation für QS-Filter-Software 14.0 Erfassungsjahr 2011 Stand: 29. Oktober 2010 AQUA Institut
MehrInformatik II Greedy-Algorithmen
7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:
MehrAbwicklung großer Baumaßnahmen des Freistaates Bayern. Wegfall der HBFG-Finanzierung
Abwicklung großer Baumaßnahmen des Freistaates Bayern nach Wegfall der HBFG-Finanzierung Referent: Kurt Weigl, Bayer. Staatsministerium für Wissenschaft, Forschung und Kunst Hochschulbau nach dem Wegfall
Mehr13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems
13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems 13.1 Modellierung des Rucksackproblems 13.2 Lösung mit Greedy-Algorithmus 13.3 Lösung mit Backtracking 13.4 Lösung mit Dynamischer Programmierung
MehrWie stark muss der Finanzausgleich im Jahr 2020 ausgleichen, damit (fast) alle Länder die Schuldenbremse einhalten können?
Ingolf Deubel Wie stark muss der Finanzausgleich im Jahr 2020 ausgleichen, damit (fast) alle Länder die Schuldenbremse einhalten können? Reformoptionen des bundesstaatlichen Finanzausgleichs Wissenschaftliche
MehrFerienkalender 2016. Deutschland 2 Österreich 4 Schweiz 5 Italien 6 Großbritannien 7 Belgien 8 Niederlande 9 Tschechien 10 Polen Russland
Ferienkalender 2016 Deutschland 2 Österreich 4 Schweiz 5 Italien 6 Großbritannien 7 Belgien 8 Niederlande 9 Tschechien 10 Polen Russland 11 12 1 Deutschland Baden- Württemberg Winter Ostern Pfingsten Sommer
MehrWir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:
1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.
MehrAllgemein bildende Schulen in Ganztagsform in den Ländern in der Bundesrepublik Deutschland - Statistik 2008 bis 2012 -
Sekretariat der Ständigen Konferenz der Kultusminister der Länder in der Bundesrepublik Deutschland Berlin, den 11.04.2014 IV C DST 1933-4(20) Allgemein bildende Schulen in Ganztagsform in den Ländern
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
Mehr6.2 Petri-Netze. kommunizierenden Prozessen in der Realität oder in Rechnern Verhalten von Hardware-Komponenten Geschäftsabläufe Spielpläne
6.2 Petri-Netze WS 06/07 mod 621 Petri-Netz (auch Stellen-/Transitions-Netz): Formaler Kalkül zur Modellierung von Abläufen mit nebenläufigen Prozessen und kausalen Beziehungen Basiert auf bipartiten gerichteten
MehrDigitalisierungsbericht 2011: Daten und Fakten. Juli 2011 Dr. Oliver Ecke, Regina Deck
Digitalisierungsbericht 2011: Daten und Fakten Juli 2011 Dr. Oliver Ecke, Regina Deck Agenda Methodische Hinweise Stand der Digitalisierung in den TV-Haushalten Verteilung der Übertragungswege (Basis:
Mehrder Verbraucherzentrale Brandenburg Neuruppin, 2. Arbeitsforum Energie am 14.10.2014, Dr. Andreas Schmeller
Energieberatung der Verbraucherzentrale Brandenburg Neuruppin, 2. Arbeitsforum Energie am 14.10.2014, Dr. Andreas Schmeller Energieberatung - zentrale Angebote 0800 809 802 400 (kostenfrei aus dem deutschen
MehrHessisches Ministerium der Finanzen EPSAS aus dem Blickwinkel des Landes Hessen
Hessisches Ministerium der Finanzen EPSAS aus dem Blickwinkel des Landes Hessen Brüssel, den 20. August 2014 1 EPSAS Entwicklung auf Europäischer Ebene Richtlinie 2011/85/EU v. 8.11.2011 über Anforderungen
MehrEinkommen in den Volkswirtschaftlichen Gesamtrechnungen (VGR)
Kolloquium Einkommen in den Volkswirtschaftlichen Gesamtrechnungen (VGR) Indikator (nicht nur) für die Rentenanpassung 3. Januar 2013 Sabine Quaiser - Referat 46 2 An den verschiedensten Stellen des Wirtschafts-
MehrDer Deutsche Schulpreis 2014
Der Deutsche Schulpreis 2014 Bewerberstatistik Es haben sich 116 Schulen aus allen Bundesländern beworben: GmbH Postfach 10 06 28 70005 Stuttgart Traditionell erhalten wir aus NW, BY und BW viele Bewerbungen,
Mehr5. Verschiedene Repräsentanten
5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und
MehrSonstige steuerliche Förderungen
5 Sonstige steuerliche Förderungen Allgemeine Investitionsförderung 8, Teil 1: Finanzierungs- und Förderprogramme Europäischer Fischereifonds (EFF) (2007-2013).., Finanzierungen mit der Europäischen Bank
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
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
MehrQualitätsbericht KHK. der SKD BKK Gesamt. für den Zeitraum vom 01.01.2014 bis 31.12.2014
Qualitätsbericht KHK gemäß 137f Abs. 4 Satz 2 SGB V der Gesamt für den Zeitraum vom 01.01.2014 bis 31.12.2014 erstellt am 30.09.2015 durch die AnyCare GmbH Dieser Qualitätsbericht dient der BKK zum Nachweis
MehrKürzeste 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
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrMit Sicherheit mehr erreichen.
Mit Sicherheit mehr erreichen. FSP Wer sind wir? Die FSP Fahrzeugsicherheitsprüfung ist seit mehr als 20 Jahren im Markt und ein bundesweit tätiges Unternehmen in den Bereichen: Services und Lösungen für
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrComputer Graphik II Tesselierung impliziter Kurven und Flächen
Computer Graphik II impliziter Kurven und Flächen 1 impliziter Flächen Problem: Nullstellenmenge kann nicht explizit berechnet werden! Lösung: ApproximaCon der Fläche auf Zellen Beispiel 2D: f p ( )
MehrGesetzliche Krankenversicherung
Gesetzliche Krankenversicherung Nachfolgend erhalten Sie einen Überblick über die wesentlichsten gesetzlichen Krankenversicherungen mit Kontaktangabe. Krankenkasse Möglich in Kontakt actimonda krankenkasse
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
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
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrDas Heilpraktikerwesen
Das Heilpraktikerwesen Versuch einer Situationsdarstellung in den verschiedenen Bundesländern Stand: April 2015 Referentin: Gesundheitsamt im Landratsamt Heilbronn Email: gesundheitsamt@landratsamt-heilbronn.de
MehrStudie zu Chancen und Barrieren bei erdgekoppelten Wärmepumpen
Studie zu Chancen und Barrieren bei erdgekoppelten Wärmepumpen Dr. Burkhard Sanner Dr. Erich Mands UBeG Dr. Mands & Sauer GbR Reinbergstr. 2, 3558 Wetzlar www.ubeg.de Chancen durch erdgekoppelte Wärmepumpen:
MehrStand des Breitbandausbaus und Strategie der Bundesregierung zur Breitbandversorgung in Deutschland
Deutscher Bundestag Drucksache 17/4348 17. Wahlperiode 29. 12. 2010 Antwort der Bundesregierung auf die Kleine Anfrage der Abgeordneten Tabea Rößner, Kerstin Andreae, Dr. Konstantin von Notz, weiterer
MehrIngenieurberufe statistische Daten und Fakten
Jost Hähnel Annette Martin Bundesingenieurkammer Charlottenstr. 4 169 Berlin Tel. 030-2534 29 05 Fax 030 2534 29 04 info@bingk.de www.bingk.de Ingenieurberufe statistische Daten und Fakten Zusammenstellung
MehrDigitalisierungsbericht 2013
September 2013 Digitalisierungsbericht 2013 Digitale Entwicklung in Berlin und Brandenburg Inhaltsverzeichnis Methodische Hinweise Stand der Digitalisierung in den TV-Haushalten Verteilung der Übertragungswege
Mehr