Numerische Methoden und Algorithmen in der Physik
|
|
- Dennis Geiger
- vor 6 Jahren
- Abrufe
Transkript
1 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 39
2 Einführung NP-vollständige Probleme MST und Euler-/Hamiltonkreis Traveling Salesman Numerische Methoden und Algorithmen in der Physik Christian Autermann 2/ 39
3 Übersicht Einführung NP-vollständige Probleme Literaturliste Einleitung NP-Vollständigkeit Beispiel MST und Euler-/Hamiltonkreis Traveling Salesman Numerische Methoden und Algorithmen in der Physik Christian Autermann 3/ 39
4 Informationen Material: Stroustrup: The C++ Programming Language, 3rd edition cpp/ B. Stroustrup: C++ In-depth Series A. Koenig, B. E. Moo: Accelerated C++ Press et al: Numerical Recipes, 3rd edition T. H. Cormen et al: Introductions to Algorithms, 2nd edition Numerische Methoden und Algorithmen in der Physik Christian Autermann 4/ 39
5 NP-vollständige Probleme Übersicht Bei der Entwicklung von Algorithmen wird in der Regel versucht die Kosten, also die Laufzeitabängigkeit und z.b. den Speicherbedarf zu reduzieren. Alle bisher betrachteten Algorithmen waren mit mindestens polynomischem Aufwand lösbar. D.h. bei einem input der Größe n verhielt sich die Laufzeit höchstens wie O(n k ), wobei k eine beliebige Konstante ist. Gilt dies für alle Probleme? Numerische Methoden und Algorithmen in der Physik Christian Autermann 5/ 39
6 NP-vollständige Probleme Die Antwort ist Nein! Beispiel: Turing s Halting Problem Betrachte Algorithmus A, der bestimmen soll, ob ein Algorithmus B( k) für alle möglichen inputs k i ein Ergebnis liefert, also in endlicher Zeit beendet wird. Einen solchen Algorithmus A kann es nicht geben (Turing). Beweis Siehe z.b. Wikipedia Numerische Methoden und Algorithmen in der Physik Christian Autermann 6/ 39
7 NP Vollständigkeit Eine bestimmte Klasse von Problemen nennt man NP-vollständig. Es ist bis heute unbekannt, ob diese Probleme in polynomischem Aufwand gelösst werden können. Es kann gezeigt werden, dass wenn ein NP-vollständiges Problem mit polynomischen Aufwand gelöst werden kann, dann können alle NP-vollständigen Probleme mit O(n k ) Aufwand gelöst werden. Bisher ist weder ein solcher Algorithmus entwickelt worden, noch ist bewiesen, dass ein solcher Algorithmus nicht existieren kann. 1 Million Dollar Preisgeld für die Be- oder Widerlegung (Clay Mathematics Institute). Numerische Methoden und Algorithmen in der Physik Christian Autermann 7/ 39
8 NP-vollständige Probleme Definition P: Klasse aller Probleme die durch Algorithmen mit polynomischen Aufwand O(n k ) gelöst werden können. NP: Klasse aller Probleme, für die eine Lösungshypothese mit polynomischen Aufwand getestet werden kann. Es ist also offenbar P NP. NPC: (NP-vollständig) Klasse der Probleme, für die ein Algorithmus mit polynomischen Aufwand nicht bekannt ist. Es gilt NPC NP. Falls ein Element A gefunden wird, für das gilt A P und A NPC, dann gilt P = NP und NPC = 0. Numerische Methoden und Algorithmen in der Physik Christian Autermann 8/ 39
9 NP-Vollständigkeit Generelles Bei der Entwicklung eines Algorithmus für ein spezielles Problem kann es nützlich sein zuerst zu prüfen, ob das Problem NP-vollständig ist. In diesem Fall sucht man besser direkt nach einer guten approximativen Lösung, als nach einem schnellen Algorithmus, der das Problem löst. Numerische Methoden und Algorithmen in der Physik Christian Autermann 9/ 39
10 Nachweis auf NP-Vollständigkeit Man zeigt das ein Problem NP-vollständig ist, in dem man z.b. zeigt das es durch einen Reduktionsalgorithmus R mit polynomischen Aufwand auf ein neues Problem umgeformt werden kann, dass bekanntermaßen NP-vollständig ist. Im Umkehrschluss gilt, dass ein polynomischer Algorithmus A durch einen polynomischen Reduktionsalgorithmus R zu einem neuen Algorithmus mit polynomischen Aufwand wird. Die Klasse der polynomischen Algorithmen ist also offenbar abgeschlossen. Numerische Methoden und Algorithmen in der Physik Christian Autermann 10/ 39
11 NP-vollständige Probleme Beispiel für ein NP-vollständiges Problem Die Frage ob eine Aussagenlogik (siehe z.b. Schaltlogik oben) erfüllbar ist, d.h. für bestimmte Bedingungen (Startwerte) wahr ist, ist nur mit exponentiellen Aufwand beantwortbar und damit NP-vollständig. Für obiges Problem müssen alle 2 3 Startwertmöglichkeiten getestet werden. Numerische Methoden und Algorithmen in der Physik Christian Autermann 11/ 39
12 Übersicht Einführung NP-vollständige Probleme MST und Euler-/Hamiltonkreis Minimal Spanning Trees Eulerkreis Problem Hamiltonkreis Problem Traveling Salesman Numerische Methoden und Algorithmen in der Physik Christian Autermann 12/ 39
13 Beispiele für ähnliche aber P bzw. NP-vollständige Probleme Minimal spanning trees (Minimaler Spannbaum) verbindet alle Punkte eines Graphen mit dem kürzest möglichen Wegenetz. Durch einen Punkt dürfen beliebig viele Wege führen. Ein Eulerzug enthält jede Kante eines gegebenden Graphen Kreises exakt einmal. (Der Eulerzug oder Eulerkreis wird offen genannt, wenn der Start- und Endknoten nicht identisch sind). Es existieren effiziente (linear), exakte Lösungsverfahren. Ein Hamiltonkreis ist ein geschlossener Kreis, der alle Knoten des Graphen enthält (und keinen Knoten zweimal durchläuft oder überschreitet). Es ist ein fundamentales NP-vollständiges Problem der Graphentheorie. Numerische Methoden und Algorithmen in der Physik Christian Autermann 13/ 39
14 Minimal spanning trees Minimaler Spannbaum Für eine Menge von Punkten soll das kürzest mögliche Wegenetz gefunden werden, das alle Punkte verbindet. Beispiel: Eine Menge von Häusern soll miteinander vernetzt werden, es wird kein Wert auf Redundanz gelegt, aber die Kosten (also die Länge des Netzes) sollen so gering wie möglich sein. Es existieren Algorithmen, deren Aufwand O(K ln P) bzw. O(K + P ln P) ist, wobei P die Anzahl der Punkte und K die Zahl der möglichen erlaubten Kanten ist. Numerische Methoden und Algorithmen in der Physik Christian Autermann 14/ 39
15 Minimal spanning trees Minimaler Spannbaum Die grau unterlegten Wege bilden einen Minimalen Spannbaum mit Gewicht 37. Der MST ist nicht eindeutig, in diesem Beispiel könnte man die Kante b c mit Gewicht 8 durch die Kante a h mit Gewicht 8 ersetzen. Numerische Methoden und Algorithmen in der Physik Christian Autermann 15/ 39
16 Minimal spanning trees Der folgende Algorithmus gehöhrt zu der Klasse der gierigen Algorithmen; der Greedy Algorithmus wählt in jedem Schritt den Nachfolgezustand, der zu diesem Zeitpunkt den größten Gewinn verspricht. Pseudocode: Generische MST Implementation MST(Graph G) Baum A = 0 while A noch kein Minimaler Spannbaum ist Suche Kante (u,v) die sicher ist A = A + (u,v) return A A ist zu jedem Zeitpunkt ein Abschitt eines Minimalen Spannbaumes. In diesem Sinne ist eine Kante (u,v) sicher, wenn auch A+(u,v) MST ist. Das verbleibende Problem ist, eine sichere Kante zu finden! Numerische Methoden und Algorithmen in der Physik Christian Autermann 16/ 39
17 Minimal spanning trees Pseudocode: Kruskal Algorithmus Kruskal-MST(Graph G) for jeden Punkt v in G do Definiere elementaren Cluster C(v) Erstelle Liste K aller Kanten, sortiert nach Gewicht Baum A = 0 while A weniger als n-1 Kanten hat (oder Anzahl C > 1) Kante (u,v) = K[0] Lösche Element 0 aus K if C(v)!= C(u) then Erweitere A um die Kante (v,u) Kombiniere C(v) und C(u) zu einem Cluster return Baum A Es werden nach und nach Minimale Teil-Spannbäume angelegt. Schleifen werden vermieden, indem nur unabhängige Cluster kombiniert werden. Numerische Methoden und Algorithmen in der Physik Christian Autermann 17/ 39
18 Minimal spanning trees (1) (2) (3) (4) (5) (6) Numerische Methoden und Algorithmen in der Physik Christian Autermann 18/ 39
19 Eulerkreisproblem Eine Menge von Kanten soll zu einem zusammenhängenden Zug verbunden werden. Beispiel: Das Haus vom Nikolaus Dieses Problem ist offenbar lösbar, ein (offener) Eulerkreis ist z.b Numerische Methoden und Algorithmen in der Physik Christian Autermann 19/ 39
20 Eulerkreisproblem Das Königsberger Brückenproblem Das Problem geht zurück auf Leonhard Euler, der 1736 einen Rundweg über die sieben Pregel Brücken in Königsberg suchte, so dass jede nur einmal überschritten werden muss. Wie lautet die Lösung? Bzw. warum ist es nicht lösbar? Numerische Methoden und Algorithmen in der Physik Christian Autermann 20/ 39
21 Eulerkreisproblem Königsberger Brückenproblem Numerische Methoden und Algorithmen in der Physik Christian Autermann 21/ 39
22 Eulerkreisproblem Königsberger Brückenproblem Dieses Problem ist nicht lösbar! Euler bewies 1736, dass höchstens zwei Knoten mit einer ungeraden Anzahl von Kanten existieren dürfen, damit ein Eulerzug gefunden werden kann. Der Zug ist ein Eulerkreis, wenn es keine ungeraden Knoten gibt. Numerische Methoden und Algorithmen in der Physik Christian Autermann 22/ 39
23 Eulerkreisproblem Algorithmus von Fleury (1883) 1 Starte an einem Knoten mit ungerade Zahl von Kanten, falls solcher nicht existiert, dann wähle einen beliebigen Knoten 2 Wähle für den aktuellen Knoten eine Kante, die den Graph nicht in zwei Teile teilt, ausser wenn keine Alternative existiert 3 Der Endpunkt der Kante ist der neue aktuelle Knoten. Gehe zu (2) falls noch nicht benutzte Kanten existieren. Das Ergebnis ist ein Eulerkreis, wenn keine ungeraden Knoten existieren bzw. ein Eulerzug. Der Algorithmus ist von der Ordnung O(N 2 ), es existieren auch lineare Algorithmen. Numerische Methoden und Algorithmen in der Physik Christian Autermann 23/ 39
24 Hamiltonkreisproblem Es soll nun eine Menge von Knoten miteinander zu einem geschlossenen Zug verbunden werden. Im Gegensatz zum Eulerkreis ist das Hamiltonkreisproblem NP-vollständig und damit wesentlich schwieriger zu lösen, obwohl es auf den ersten Blick sehr ähnlich ist. Beispiel: Hamilton hat ein mathematisches Spiel auf einem Dodekaeder beschrieben, bei dem ein Spieler einen Wegabschnitt aus fünf Punkten vorgibt, den ein anderer Spieler vervollständigen muss. Numerische Methoden und Algorithmen in der Physik Christian Autermann 24/ 39
25 Hamiltonscher Dodekaeder Finde einen geschlossenen Weg, der alle Punkte verbindet. Numerische Methoden und Algorithmen in der Physik Christian Autermann 25/ 39
26 Übersicht Einführung NP-vollständige Probleme MST und Euler-/Hamiltonkreis Traveling Salesman Lösungen des TSP Approximation mit MST Approximation mit Simulierter Abkühlung Numerische Methoden und Algorithmen in der Physik Christian Autermann 26/ 39
27 Traveling Salesman Problem Beispiel für ein NP-vollständiges Problem Das wohl bekannteste Beispiel für NP-Vollständigkeit ist das Problem des Handlungsreisenden (TSP), ein Spezialfall eines Hamiltonkreises, nämlich der mit dem kürzesten Weg: Eine Anzahl N von Städten soll besucht, und schließlich zum Ausgangspunkt zurückgekehrt werden. Dabei soll die Anzahl der zurückzulegenden Kilometer (bzw. die Kosten) minimiert werden. Es gibt keine exakte Lösung mit Aufwand O(n k ) für irgendein k. Der brutale Algorithmus der einfach alle Möglichkeiten testet, braucht O(N!), andere optimiertere Algorithmen brauchen nur etwa O(n 2 2 n ) Schritte. Der aktuelle Rekord liegt bei Städten, um die exakte Lösung zu bestimmen wurden 135 CPU Jahre benötigt. Numerische Methoden und Algorithmen in der Physik Christian Autermann 27/ 39
28 Traveling Salesman Problem Approximation Große NP-vollständige Probleme werden approximativ gelöst. Der Approximationsalgorithmus ist dabei polynomisch zeitabhängig. Die Genauigkeit des Algorithmus in bezug auf die exakte Lösung sei durch (1 + ɛ) parametrisiert, wobei ɛ > 0. Man spricht von einem voll polynomischen Approximationsalgorithmus, falls das Laufzeitverhalten sowohl in bezug auf die Größe des inputs N, als auch in bezug auf 1/ɛ polynomisch ist, also von der Ordnung O( Nk ɛ j ) für irgendein j und k. Numerische Methoden und Algorithmen in der Physik Christian Autermann 28/ 39
29 Traveling Salesman Problem Dreiecksungleichung Die Dreiecksungleichung lautet: s(u w) s(u v) + s(v w) (1) Der direkte Weg ist immer kürzer als ein Umweg. Wird dies nicht vorausgesetzt, also werden z.b. die Kosten eines Wegs nicht rein geometrisch berechnet, sondern z.b. durch Zustand der Strasse, Steigung, Gegend, etc zusätzlich gewichtet, dann ist das Traveling Salesman Problem auch approximativ für ɛ =const nicht mehr polynomisch lösbar. Numerische Methoden und Algorithmen in der Physik Christian Autermann 29/ 39
30 Traveling Salesman Problem Nächster Nachbar Methode Eine einfache Methode ist die, iterativ den jeweils nächsten Nachbar (im Sinne von kürzester Entfernung) zu der Tour hinzuzufügen, bis alle Punkte besucht wurden. Diese Methode ist beliebig schlecht, u.a. weil bis zum Schluss nicht berücksichtig wurde, dass zum Startpunkt zurückgekehrt werden muss. Weitere Methoden: Minimal Spanning Trees ( Übung), Christofides-Heuristik (höchstens Faktor 1.5 schlechter als ideale Lösung), Post-Optimierungsverfahren, Abstrakte lokale und globale Suchverfahren, wie z.b. Simulierte Abkühlung ( Übung). Numerische Methoden und Algorithmen in der Physik Christian Autermann 30/ 39
31 Ein Minimaler Spannbaum (MST) ist ein Graph, der alle Punkte durch das kürzeste Wegenetz verbindet, dabei allerdings verschiedene Punkte mehrfach kreuzen kann. Mit Hilfe eines MST kann eine Tour für den Handlungsreisenden gefunden werden, die höchstens um den Faktor 2 länger ist als die ideale Tour, der Laufzeitaufwand des Algorithmus ist O(n 2 ln n) (wenn die Dreiecksungleichung gilt). Minimal Spanning Trees (MST) 1 Erzeuge einen minimalen Spannbaum für den zugrundeliegenden Graphen 2 Verdopple jede Kante im resultierenden Spannbaum 3 Wähle einen beliebigen Startknoten und folge den Kanten des verdoppelten Spannbaums im Sinne eines Eulerkreises. Bereits besuchte Knoten werden dabei durch die direkte Kante zum folgenden Knoten übersprungen, sofern es sich nicht um den letzten Knoten des Kreises handelt. Numerische Methoden und Algorithmen in der Physik Christian Autermann 31/ 39
32 (1): Ausgangsverteilung der acht zu besuchenden Städte Numerische Methoden und Algorithmen in der Physik Christian Autermann 32/ 39
33 (2): Der Minimale Spannbaum für die zu besuchenden Städte. Numerische Methoden und Algorithmen in der Physik Christian Autermann 33/ 39
34 (3): Verdoppelung der Kanten. Wähle einen beliebigen Startknoten und folge den Kanten des verdoppelten Spannbaums im Sinne eines Eulerkreises. Bereits besuchte Knoten werden dabei durch die direkte Kante zum folgenden Knoten übersprungen, sofern es sich nicht um den letzten Knoten des Kreises handelt. Numerische Methoden und Algorithmen in der Physik Christian Autermann 34/ 39
35 (4): Resultierende MST-Tour. Numerische Methoden und Algorithmen in der Physik Christian Autermann 35/ 39
36 (5): Die ideale Lösung ist in diesem Beispiel nur um 23% kürzer. Numerische Methoden und Algorithmen in der Physik Christian Autermann 36/ 39
37 Simulierte Abkühlung (simulated annealing) Grundidee: Nachbildung eines Abkühlungsprozesses: langsame Abkühlung sorgt dafür, dass die Moleküle ausreichend Zeit haben, sich zu ordnen und stabile Kristalle zu bilden. Dadurch wird ein energiearmer Zustand, nahe am Optimum erreicht Einfache Anwendung: 1 wähle zufälligen Schritt d zwischen [ δ, δ] mit u = x + d 2 wenn E(u) < E(x) wähle x = u 3 sonst: wähle x = u mit Wahrscheinlichkeit p(u) exp( E(u) E(x T ) 4 erniedrige langsam T und die maximale Schrittweite δ Numerische Methoden und Algorithmen in der Physik Christian Autermann 37/ 39
38 Simulierte Abkühlung Grundlage: Metropolisalgorithmus Akzeptiere immer Schritte bergab und manchmal Schritte bergauf (engl.: Metropolis-Hastings algorithm Metropolis et. al. 1953) Eigenschaften der Simulierten Abkühlung: findet globale Minima auch für kombinatorische Probleme anwendbar z.b. Handlungsreisendenproblem wenn Schrittrichtung zufällig, fast immer falsch bei mehrdimensionalen Räumen viele Funktionsauswertungen gutes Abkühlungsschema muss wolhüberlegt sein oder empirisch gefunden werden Numerische Methoden und Algorithmen in der Physik Christian Autermann 38/ 39
39 Simulierte Abkühlung Anwendung auf das Problem des Handlungsreisenden Die Energie E des Systems ist gegeben durch die Kosten, also die absolute Länge der aktuellen Tour. Dies soll minimiert werden. Der Zustand des Systems x beschreibt die Reihenfolge, in der die Punkte oder Städte angefahren werden sollen. Der neue Zustand u kann also die Reihenfolge x sein, wobei ein Teilabschnitt δ x z.b. in umgekehrter Richtung befahren wird, oder an eine andere Stelle in x verschoben wird. Numerische Methoden und Algorithmen in der Physik Christian Autermann 39/ 39
Numerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 11.12.2008 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Einführung Verfahren für
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Approximationsalgorithmen auf metrischen Instanzen Minimum Spanning Tree Definition (Spannbaum) Ein Spannbaum in einem Graphen G = (V,E) ist ein kreisfreier Teilgraph
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
Mehr1 Heuristiken für das Traveling Salesman Problem
Praktikum Diskrete Optimierung (Teil 5) 15.06.2011 1 1 Heuristiken für das Traveling Salesman Problem Wir betrachten das folgende Problem. Wir wollen einen gegebenen Graphen möglichst schnell so durchlaufen,
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 21 1 Approximationsalgorithmen auf
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
MehrGraphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:
KAPITEL 3 Graphen Man kann als Ursprung der Graphentheorie ein Problem sehen, welches Euler 1736 von Studenten aus Königsberg gestellt bekam. Der Fluss Pregel wird von 7 Brücken überquert, und die Frage
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
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
MehrGraphalgorithmen II. Werner Sembach Werner Sembach Graphalgorithmen II / 22
Graphalgorithmen II Werner Sembach 14.04.2014 Werner Sembach Graphalgorithmen II 14.04.2014 1 / 22 Übersicht Datenstrukturen Union-Find Fibonacci-Heap Werner Sembach Graphalgorithmen II 14.04.2014 2 /
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
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
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrSeminar: Einladung in die Mathematik
Seminar: Einladung in die Mathematik Marius Kling 11.11.2013 Übersicht 1. Königsberger Brückenproblem 2. Diskrete Optimierung 3. Graphentheorie in der Informatik 4. Zufällige Graphen 5. Anwendungen von
Mehrin einem Zug finden, egal, wie lange man probiert? b) Warum kann man von bestimmten Ecken aus niemals eine Lösung
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Graphentheorie... oder das Haus vom Nikolaus! Graphentheorie man könnte meinen, dass es hier um Funktionsgraphen geht, wie ihr sie
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 2016 2. Vorlesung Rundreiseprobleme Teil II Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise
MehrGraphen. Definitionen
Graphen Graphen werden häufig als Modell für das Lösen eines Problems aus der Praxis verwendet, wie wir im Kapitel 1 gesehen haben. Der Schweizer Mathematiker Euler hat als erster Graphen verwendet, um
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 6: Kreis- und Wegeprobleme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 27. März 2018 1/47 KREIS- UND WEGEPROBLEME 2/47
MehrPraktische Grenzen der Berechenbarkeit
Arno Schwarz Praktische Grenzen der Berechenbarkeit Während es im ersten Abschnitt um prinzipiell unlösbare Probleme ging, wenden wir uns nun Aufgaben zu, deren Lösbarkeit praktische Grenzen gesetzt sind.
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrApproximationsklassen für Optimierungsprobleme
Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrOptimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
MehrRundreiseproblem und Stabilität von Approximationsalg.
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Friedrich Alexander Universität Erlangen-Nürnberg Seminar Perlen der theoretischen Informatik, 2008-01-19 http://verplant.org/uni/perlen/
MehrEinführung in Berechenbarkeit, Komplexität und Formale Sprachen
Einführung in Berechenbarkeit, Komplexität und Formale Sprachen V17, 10.12.09 Willkommen zur Vorlesung Einführung in Berechenbarkeit, Komplexität und Formale Sprachen Friedhelm Meyer auf der Heide 1 Rückblick:
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)
WS 2015/16 Diskrete Strukturen Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrFreie Universität Berlin. Diskrete Mathematik. Ralf Borndörfer, Stephan Schwartz. Freie Universität. 08. April 2013
Diskrete Mathematik Ralf Borndörfer, Stephan Schwartz 08. April 2013 FUB VL Diskrete Mathematik SS 2013 1 Leonhard Euler (1707-1783) e i sin cos f(x) FUB VL Diskrete Mathematik SS 2013 2 Das Königsberger
MehrInformatik III. 4.3 Weitere NP-Vollständige Probleme und Approximation. Christian Schindelhauer
4.3 Weitere NP-Vollständige Probleme und Approximation Institut für Informatik Wintersemester 2007/08 1 Komplexitätstheorie Vertex Cover ist NP-vollständig 2 2 Wiederholung: 3-SAT Definition: 3-SAT = {
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen
MehrApproximierbarkeit. Definition. Ein Optimierungsproblem P ist gegeben durch ein Quadrupel. P = (I, Sol, m, goal), wobei:
Approximierbarkeit Ein Optimierungsproblem P ist gegeben durch ein Quadrupel wobei: P = (I, Sol, m, goal), I ist die Menge der Instanzen von P. Sol ist eine Funktion, die ein x I abbildet auf die Menge
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrFormale Grundlagen. Graphentheorie 2008W. Vorlesung im 2008S
Minimale Formale Grundlagen Graphentheorie Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt Minimale
MehrNaiver Algorithmus für Hamiltonkreis
Naiver Algorithmus für Hamiltonkreis Algorithmus HAMILTON EINGABE: G = ([n], E) in Adjazenzmatrixdarstellung 1 Für alle Permutationen π : [n] [n]. 1 Falls (π(1), π(2),..., π(n)) ein Kreis in G ist, AUSGABE
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrIndex. Algorithmus 13 effizient 85 Arboreszenzen 164. Grad 178 Aus- 239 In- 239 Graph 24 gerichtet 34 vollständig 216 Greedy-Algorithmen 152
Last but not least Wir danken allen, die uns bei unserem mathematischen Abenteuer unterstützt und ermutigt haben, unseren Familien und Freunden, Kolleginnen und Kollegen, den Mitarbeitern des Springer-Verlags,
MehrGraphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S
Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrWelche Probleme können Rechner (effizient) lösen? Die P = NP Frage. Ideen der Informatik Kurt Mehlhorn
Welche Probleme können Rechner (effizient) lösen? Die P = NP Frage Ideen der Informatik Kurt Mehlhorn Gliederung Ziele von Theorie Gibt es Probleme, die man prinzipiell nicht mit einem Rechner lösen kann?
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrRichtig oder falsch? Richtig oder falsch? Richtig oder falsch? Mit dynamischer Programmierung ist das Knapsack- Problem in Polynomialzeit lösbar.
Gegeben sei ein Netzwerk N = (V, A, c, s, t) wie in der Vorlesung. Ein maximaler s-t-fluss kann immer mit Hilfe einer Folge von höchstens A Augmentationsschritten gefunden werden. Wendet man den Dijkstra-Algorithmus
Mehr3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
MehrÜbersicht. Bielefeld Hannover. Kamen Paderborn. Unna Wünnenberg Kassel. Ziffer wählen. abheben. auflegen. Gespräch führen
Übersicht Graphen beschreiben Objekte und Beziehungen zwischen ihnen geeignet für Modellierung verschiedener Aufgaben betrachten endliche, ungerichtete und endliche, gerichtete Graphen Graphen bestehen
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 02. Mai 2017 [Letzte Aktualisierung: 10/07/2018,
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
MehrWestfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld
Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrDas Rundreiseproblem und Stabilität von Approximationsalgorithmen
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Florian Forster 21. Februar 2008 Zusammenfassung Diese Seminararbeit stellt das Rundreiseproblem und das TSP vor und führt kurz in die
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrSeminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP
Seminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP Tobias Boelter 28. Mai 2013 bei Prof. Dr. Rainer Schrader, Universität zu Köln Inhaltsverzeichnis 1 Einleitung 2 2 Lokale Suche
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
Mehr9: Gewichtete Graphen
Chr.Nelius: Graphentheorie (WS 06/7) 9 9: Gewichtete Graphen Beispiel: Eine Straßenkarte mit Entfernungsangaben zwischen den Orten ist ein Beispiel für einen gewichteten Graphen. (9.) DEF: Ein Graph G
MehrGraphalgorithmen 2. Oleksiy Rybakov. 3. Juni Betreuer: Tobias Werth, Daniel Brinkers
Graphalgorithmen 2 Oleksiy Rybakov 3. Juni 2015 Betreuer: Tobias Werth, Daniel Brinkers 1 / 40 Inhaltsverzeichnis 1 Minimale Spannbäume und Datenstrukturen 2 Kürzeste Wege 3 Spezielle Graphen 2 / 40 Minimale
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS0 Datum:.6.200 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Minimaler Spannbaum (MST) Challenge der Woche Fibonacci Heap Minimaler Spannbaum
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrRechenzeit für A. Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +).
Rechenzeit für A Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +). Rechenzeit des resultierenden Algo für A: t A (n) p(n) + q(n) t B (r(n)). Ist polynomiell, falls t B Polynom.
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrVOM PROBLEM ZUM PROGRAMM
VOM PROBLEM ZUM PROGRAMM Was ist ein Problem? Ein Problem im Sinne der Programmierung ist durch Computer lösbar. Aspekte: es läßt sich hinreichend genau spezifizieren (z. B. als Funktion Eingabewerte ->
MehrWeitere NP-vollständige Probleme
Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p
Mehr7: Graphentheorie. Definition 110
7: Graphentheorie Definition 110 Ein Graph besteht aus einer nichtleeren Menge V ( Vertices ) von Knoten und einer Menge E von Kanten ( Edges Verbindungen zwischen den Knoten), d.h., zwei-elementigen Mengen
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrEinführung Erfüllbarkeitsproblem NP-Vollständigkeit Definition von NP Was wäre, wenn Was tun? Ideen und Konzepte der Informatik.
Ideen und Konzepte der Informatik P versus NP Die Grenzen der (effizienter) Berechnung? Antonios Antoniadis Basiert auf Folien von Kurt Mehlhorn 8. Jan. 2018 8. Jan. 2018 1/24 Gliederung Ziele von Theorie/Grundlagenforschung
MehrKÖNIGSBERGER BRÜCKENPROBLEM
VOM PROBLEM ZUM PROGRAMM NUTZEN EINES FORMALEN MODELLS (U. A.) Was ist ein Problem? Ein Problem im Sinne der ierung ist durch Computer lösbar. Man kann leichter sehen, ob das Problem - oder Teile davon
MehrKlausur Algorithmentheorie
Prof. Dr. G. Schnitger Frankfurt, den 07.04.2011 M. Poloczek Klausur Algorithmentheorie WS 2010/2011 Name: Vorname: Geburtsdatum: Studiengang: BITTE GENAU LESEN Die Klausur besteht aus 4 Aufgaben, in denen
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
Mehr