Seminar. Das Steinerbaumproblem
|
|
- Heiko Fromm
- vor 6 Jahren
- Abrufe
Transkript
1 Seminar Das Steinerbaumproblem Philipp Gillitzer Matrikelnr.: Studiengang Informatik(IT-Sicherheit) Semester 6 Hochschule Aalen Wintersemester 16/17 1
2 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen Graphentheoretische Grundlagen Definitionen Steinerbaum Komplexität 6 4 Approximationsalgorithmus er Approximation Zusammenfassung 13 2
3 1 Einleitung Das Steinerbaumproblem ist ein Problem der Graphentheorie das eine Verallgemeinerung des minimalen Spannbaums darstellt. In beiden Problemen wird jeweils versucht eine gewisse Auswahl von Kanten auszuwählen, die alle Knoten des Graphens verbinden. Somit soll jeder Knoten von jedem anderen Knoten erreichbar sein. Die Anzahl der Kanten bzw. die Summe derren Gewichte soll möglichst gering sein. Bei dem Steinerbaumproblem ist es jedoch möglich zu den eigentlichen vorgegebenen Knoten noch andere Knoten zu verwenden um das gesamte Kantengewicht weiter zu verringern. Diese Knoten nennt man dann auch Steinerpunkte. Dies ist eine Beobachtung, die der Schweizer Mathematiker Jacob Steiner im 19. Jahrhundert machte. Genau wie bei den minimalen Spannbäumen findet sich auch für das Ausfindig machen der Steiner-Knoten reelle und praktische Anwendungen. So zum Beispiel im Entwurf von integrierten Schaltkreisen und in der Planung von Weg- und Telekommunikationsnetzen. Es soll nun ein Kommunikationsnetz zwischen mehreren Großstädten erneuert werden. Das Netz darf aber natürlich auch durch Kleinstädte verlaufen. Dabei sollen die Gesamtkosten des Netzes minimal gehalten werden, indem die Gesamtlänge der Kanten minimiert wird. Diese Aufgabe entspricht dem Auffinden eines minimalen Steinerbaumes. In der Ausarbeitung wird genau auf dieses Problem eingegangen. Das euklidische Steinerbaumproblem, bei welchem unendlich viele Punkte aus dem metrischen Raum frei wählbar hinzugefügt werden können, wird hierbei nicht näher erläutert. Der überwiegende Teil dieser Ausarbeitung stammt aus dem Buch [1] 3
4 2 Grundlagen 2.1 Graphentheoretische Grundlagen Bevor mit der Definition des Steinerbaumproblems begonnen wird, sollen zunächst noch einige graphentheoretische Grundlagen wiederholt werden um auch den Begriff Baum nochmals klar zu definieren. Beweise Lemma 2.1. Sei G = (V, E) ein Wald mit n Kanten und c Komponenten. Dann ist E = n - c. Korollar 2.2. Jeder Baum T mit n Knoten hat genau n 1 Kanten. Korollar 2.3. Jeder Baum T hat mindestens 2 Blätter. Lemma 2.4. Ein Graph G = ( V, E) ist genau dann zusammenhängend, wenn G einen aufspannenden Graph enthält. Theorem 2.5. Sei G = ( V, E) ein Graph mit n Knoten. Folgende Aussagen gelten dann als äquivalent 1. G ist ein Baum. 2. Jedes Paar x, y V mit x y besitzt genau einen Pfad von x nach y in G. 3. G ist minimal zusammenhängend. Das heißt, dass G für alle {x, y} E zusammenhängend ist und G {x, y} nicht zusammenhängend ist. 4. G ist maximal azyklisch. Das heißt, dass Gfür alle {x, y} / E azyklisch ist und G + {x, y} ein Kreis enthält. 5. G ist azyklisch und E = n G ist zusammenhängend und E = n 1. Beweis. Sei G ein Baum und x, y V mit x y. Da G zusammenhängend ist besitzt der Graph mindestens einen Pfad von Konten x nach Knoten v. Auch ist jedes Paar von Knoten höchstens durch einen Pfad verbunden, da G azyklisch ist. Dies beweist 1 2. Die Implikationen 2 3 und 3 4 sind klar. 4 5 und 5 6 folgen direkt aus Lemma 2.1. Die Implikation 6 1 folgt aus Lemma 2.4, dass jeder zusammenhängende Graph eine aufspannenden Baum T enthält, mit E(T ) = n 1 nach Korollar 2.2. Diese Informationen und dieses Wissen genügen um die Frage nach dem minimal aufspannenden Spannbaum eine Graphen G = ( V, E) zu beschreiben, bei der ein zusammenhängender Teilgraph gesucht wird, der alle Konten des Graphen G enthält. 4
5 Um dieses Problem nun etwas interessanter zu machen, sei eine Teilmenge K V gegeben. Auch hier sucht man einen zusammenhängenden Teilgraph von G, der alle Knoten von K enthält aber auch zusätzliche Knoten aus V K enthalten darf. Auch soll dieser Teilgraph so wenig Kanten wie möglich enthalten, um die Knoten zu verbinden. Es steht fest, dass dieser Teilgraph nicht mehr als V 1 Kanten hat, nach Lemma 1.4 selbst ein Baum sein muss und alle Blätter aus der Menge K sein müssen, da sonst die Kantenanzahl unnötigerweise erhöht werden würde. Dies bildet die Grundlage für den nächsten Abschnitt. 2.2 Definitionen Steinerbaum Die im vorherigen Abschnitt beschriebene Modifikation des minimalen Spannbaumes soll nun in eine Definition gefasst werden. Ein Teilgraph T von G bezeichnet man als Steinerbaum für K, falls T alle Knoten von K (d.h. K V (T )) enthält, sodass alle Blätter von T Element der Menge K sind. Die Knoten von K nennt man dabei die Terminale von T. Die Knoten V (T )\K nennt man Steiner-Knoten. Ein minimaler Steinerbaum für K im Graphen G ist ein Steinerbaum mit der minimalen Anzahl von Kanten im Teilgraph T. Hieraus folgt die nachstehende Definition: MINIMUM STEINER PROBLEM IN GRAPHS Gegeben: Ein zusammenhängender Graph G = (V, E) und eine Teilmenge von Terminalen K V. Gesucht: Ein minimaler Steinerbaum für K in G. Das heißt einen Steinerbaum T für K, sodass E(T ) = min{ E(T ) T ist ein Steinerbaum für K in G}. Dieses Problem erscheint zunächst recht einfach lösbar zu sein. Jedoch ist aus algorithmischer Sicht höchst herausfordernd. Das oben beschriebene Problem beschränkt sich auf Graphen mit Kantengewicht Eins. Da dies aus praktischer Sicht nicht sehr tauglich ist, soll als nächstes das Problem für gewichtete Graphen beschrieben werden. Ein gewichter Graph oder Netzwerk wird mit einem Triple N = (V, E, l) beschrieben. G = (V, E) beschreibt einen Graph und l : E(G) R 0 beschreibt die eine Funktion, die jeder Kante einen nichtnegativen Wert zuweist, welcher beispeilsweiße als Länge, Kosten oder Gewicht angesehen werden kann. Die Länge eines Teilgraphens H von G ist l(h) = e E(H) l(e). Ist G ein ungewichter Graph ist die Länge l(h) gleich der Anzahl der Kanten in H. Dies nennt man dann auch die Größe von H und bezeichnet dies mit H. Mit p(v, w) bezeichnet man die Länge des kürzesten Pfades vom Knoten v zum Knoten w. Hieraus folgt die erweiterte Definition: 5
6 MINIMUM STEINER PROBLEM IN WEIGHTED GRAPHS/NETWORKS Gegeben: Ein zusammenhängender gewichteter Graph N = (V, E, l) und eine Teilmenge von Terminalen K V. Gesucht: Ein minimaler Steinerbaum für K in N. Das heit einen Steinerbaum T für K, sodass l(t ) = min{ l(t ) T ist ein Steinerbaum für K in N}. 3 Komplexität Die meisten Probleme der Komplexitätstheorie spiegeln reelle Probleme wieder. Viele sind jedoch schwierig zu lösen und zu diesen gehört auch das Auffinden eines minimalen Steinerbaum. Dieses Problem liegt in der Komplexitätsklasse der NP-vollständigen Probleme. Theorem 3.1. Das STEINER PROBLEM IN GRAPHS ist NP-Vollständig. Beweis. Um zu zeigen dass STEINER PROBLEM IN GRAPHS NP, genügt es zu zeigen dass das Problem N P -vollständig ist. Dazu reduzieren wir das Entscheidungsproblem 3SAT auf die Entscheidungsproblemversion des Steinerbaums und geben eine polyonmielle Reduktionsfunktion an. Seien x 1,..., x n die Variablen und C 1,..., C m die Klauseln einer beliebig vorgegebenen 3SAT -Instanz. Das Ziel ist es einen Graphen G = (V, E), eine Menge von Terminalen K und eine Schranke B zu erzeugen bzw. zu bestimmen, sodass G einen Steinerbaum für K, mit höchstens der Größe B besitzt, genau dann wenn die gegebene 3SAT -Instanz erfüllbar ist. Der Graph G wird folgendermaßen konstruiert. Als Erstes verbindet man die Knoten u und v mit einem Variablenpfad, wie es in der Abbildung 1 ersichtlich ist. Abbildung 1: Die Umwandlung von 3SAT zum Steinerproblem: Der Variablenpfad 6
7 Als zweiten Schritt erstellt man für jede Klausel C i einen Knoten, der zu seinen enthaltenen Literalen einen Pfad der Länge t = 2n + 1. Die Terminalmenge setzt man K = {u, v} {C 1,..., C m } und wählt B = 2n + t m. Abbildung 2: Der Klauselknoten zu der Klausel C i = x 2 x j x n. Die gestrichelte Linie stellt den Pfad der Länge t = 2n + 1 zu den enthaltenen Literalen des Variablenpfads dar. Gegeben sei nun eine erfüllbare 3SAT -Instanz. Um einen Steinerbaum für K zu konstruieren wird zunächst der Variablenpfad P zwischen den Knoten u und v konstruiert und mit einer erfüllbaren Belegung erweitert. Dies geschieht indem man x i P setzt, falls x i in der Belegung wahr bzw. Eins ist. Analog wird x i P gesetzt, falls x i in der Belegung falsch bzw. Null sein sollte. Da nun für jede Klausel der zugehörige Knoten C i mit einem Pfad der Länge t zu P hinzugefügt werden kann, erhält man einen Steinerbaum der Länge 2n + t m = B. Somit wurde die erste Richtung gezeigt. Für die andere Richtung sei T ein Steinerbaum für K, der höchstens die Länge B besitzt. Nach Konstruktion muss jede Klausel ihren zugehörigen Knoten C i mit dem Variablenpfad verbunden sein. Nimmt man nun an, dass es eine Klausel C i0 gibt, die mit mindestens 2 Pfaden zum Variablenpfad verbunden ist, dann ist E(T ) (m + 1) t > B, da der Pfad zu einem Klauselknoten größer als 2 n ist. Somit wurde die definierte Schranke überschritten. Dies kann aber nicht sein und zeigt, dass u und v nur durch den Variablenpfad verbunden werden kann, welcher 2n Kanten benötigt. Da jede Klausel mindestens t Kanten benötigt um C i mit dem Variablenpfad zu verbinden kann man schließen, dass der Pfad von u nach V genau 2n Kanten umfasst und jede Klausel bzw. jeder Klauselknoten mit genau t Kanten zu genau diesem Pfad verbunden sein muss. Daher stellt der Pfad von u nach v eine erfüllbare Belegung von 3SAT dar. Die beschrieben Konstruktion ist in polynomieller Zeit erzeugbar. 7
8 C 1 C 2 u x 1 x 1 v Abbildung 3: Beispielgraph für F (x 1 ) = (x 1 x 1 x 1 ) (x 1 x 1 x 1 ) Als Beispiel sei die 3Sat-Instanz F (x 1 ) = (x 1 x 1 x 1 ) (x 1 x 1 x 1 ) gegeben. Diese Instanz ist offensichtlich nicht erfüllbar. Die resultierende Schranke B beträgt demnach ( ) 1 = 5. Da nun alle Terminale {u, v, C 1, C 2 } erreicht werden müssen ist uns die Konstruktion des Steinerbaumes nicht möglich, da der Pfad zu den Klauselknoten alleine schon 2 3 = 6 beträgt. Somit ist kein Steinerbaum der Länge B erzeugbar. C 1 C 2 C 3 x 1 x 2 x 3 u v x 1 x 2 x 3 Abbildung 4: Beispielgraph für F (x 1 ) = (x 1 x 1 x 1 ) (x 1 x 2 x 3 ) (x 1 x 2 x 1 ) Dieses ausführlichere Beispiel der Instanz F (x 1 ) = (x 1 x 1 x 1 ) (x 1 x 2 x 3 ) (x 1 x 2 x 1 ) besitzt erfüllbare Belegungen. Um genau zu sein liefern nur die Belegungen (0, 0, 0), (0, 1, 0)und(1, 0, 1) den Wahrheitswert 0. Betrachtet man solch eine Belegung auf dem Variablenpfad, können manche Klauselknoten nicht erreicht werden ohne zusätzliche Kanten hinzuzufügen. 8
9 Für die anderen Belegungen ist die Konstruktion möglich, was ausreicht um sagen zu können das die Fromel erfüllbar ist, falls nur der Graph vorgegeben wäre. 4 Approximationsalgorithmus Im Kapitel 2 hat man gesehen, dass das Steinerbaumproblem N P -Vollständig ist. Daher ist es sehr unwahrscheinlich, dass effiziente Algorithmen, in polynomieller Zeit, zur Lösung des Problems gibt. Daher wird in diesem Kapitel ein Verfahren vorgestellt der eine 2-Approximation darstellt. Dieser basiert auf der Berechnung des minimalen Spannbaumes in einem angepassten Graphen. Der Algorithmus stammt von Kou, Markowsky und Berman. Folgende Notationen werden verwendet. N = (V, E, l; K) beschreibt ein Steinerbaumproblem in einem zusammenhängenden gewichteten Graphen mit seiner Längenfunktion(l 0) und der Terminal Menge K. Nun wird jedem dieser Steinerbaumprobeme N = (V, E, l) einen complete distance network(kompletter Distanzgraph) N D = (K, E D, l D )zugeordnet. Die Knotenmenge von N D entspricht dabei der Menge der Terminale von K. Die Kantenmenge definiert man mit E D = ( ) K 2, was einen vollständigen Graphen zwischen den Terminalen aufspannt. Die Längenfunktion l d ordnet jeder Kante {x, y} E D die Länge des kürzesten Pfades x y in N zu. Zum Abschluss bezeichnet man die Länge eines minimalen Steinerbaumes für die Menge der Terminale K in N mit smt(n) er Approximation Der Springpunkt dieses Algorithmus ist das folgende Lemma, welches die Länge eines Steinerbaums in einem gewichteten Graphen mit der Länge des minimalen Spannbaums in dem zugehörigen Distanzgraphen vergleicht. Lemma 4.1. Sei N = (V, E, l; K) ein Steinerbaumproblem. Dann erfüllt jeder minimale Spannbaum T im Distanzgraphen N D die Gleichung l D (T ) (2 2 ) smt(n) (1) k wobei k = K der Kardinalität der Menge der Terminale entspricht. Beweis. Sei S opt ein beliebiger minimaler Steinerbaum in N. Man verankert nun den Baum S opt im Graphen und betrachtet einen Weg W über die äusseren Regionen. Dabei wird jedes Terminal genau einmal und jede Kante genau zwei Mal durchlaufen. Die Länge dieses Weges, vom Startpunkt und wieder zurück, hat daher genau die doppelte Länge von S opt. 9
10 Abbildung 5: Illustriert den Beweis von Lemma 4.1. Der Weg W besteht aus den Pfaden 1 2, 2 3,..., 7 8, 8 1. Um den Weg W zu erhalten, entfernt man den Weg vom Knoten 7 zum Knoten 8. Sei t die Anzahl der Blätter in S opt. Dann besthet der Weg W aus t k Pfaden zwischen aufeinanderfolgenden Blättern in S opt. Entfernt man nun den längsten dieser Pfade (Abbildung 5) aus W beträgt die Länger resultierende Weg W höchstens das (1 1 t ) fache von W. Man kann nun beobachten, dass man durch das Folgen des Weges W ohne Probleme einen Spannbaum in N D erstellen kann, dessen Länge maximal die der von W ist. Dies schlussfolgert den Beweis dieses Lemmas. Abbildung 6: Gewichteter Graph N = (V, E, l; K) mit untenstehenden Eigenschaften zeigt auf, dass die Schranke von Lemma 6.1 die bestmögliche ist. Aus der Vorlesung ist bekannt, dass die Berechnung des minimalen Spannbaumes effizient ist. Mit dem Algorithmus von Kruskal oder Prim kann somit die minimale Kantenmenge berechnet werden, die alle Knoten zu verbindet. Somit war auch jeder Knoten von jedem beliebigen Knoten genau über ein Pfad erreichbar. Nach Lemma 3.1 ist nun klar, dass der minimale 10
11 Spannbaum im kompletten Distanzgraphen die Länge des minimalen Steinerbaums um den Faktor Zwei approximiert. Und tatsächlich kann ein minimaler Spannbaum im kompletten Distanzgraphen auch zur Konstruktion eines Steinerbaumes verwendet werden, dessen Länge höchstens zwei mal so groß ist wie die des minimalen Steinerbaums. Dazu sei folgender Algorithmus angegeben: MST-ALGORITHM Eingabe: Gewichteten Graphen bzw. Netzwerk N = (V, E, l; K) Ausgabe: Steinerbaum S K für N. (1) Berechnung des kompletten Distanzgraphen N D = (K, E D, l D ) (2) Berechnung des minimalen Spannbaum T D in N D (3) Umwandlung von T D in einen gewichteten Teilgraphen N[T D ] von N, indem jede Kante von T D mit zugehörigen kürzesten Pfad ersetzt wird. (4) Berechnung des minimalen Spannbaums T für den Teilgraphen N[T D ]. (5) Umwandlung von T in einen Steinerbaum S K für N, indem nacheinander alle Blätter gestrichen werden, die keine Terminale sind. Abbildung 7 verdeutlicht die Schritte des Algorithmus. Theorem 4.2. Sei N = (V, E, l; K) ein Netzwerk. Dann berechnet der MST-ALGORITHM in polinommieller Zeit einen Steinerbaum S K für N sodass l(s K ) (2 2 ) smt(n) (2) k Beweis. Nach Lemma 4.1 gilt l D (T ) (2 2 k ) smt(n). Nach den Schritten (3), (4) und (5) können keine neunen Kanten hinzugekommen sein. Daher gilt l(t D ) l(t ) l(s K ). 11
12 Abbildung 7: Zeigt alle Schritte des MST-ALGORITHM. Die Analyse des Algorithmus zeigt auf, dass der Großteil der Zeit für die Berechnung des Distanzgraphen N D benötigt wird. Dieses kann mittels der Berechnung der kürzesten Wege berechnet werden, die eine Laufzeit von O(n log n + m). Als Gesamtlaufzeit ergibt sich O(n 2 log n + n m). Mit dem Algorithmus von Melhorn gibt es einen Algorithmus der auf dem Beschriebenen aufsetzt. Allerdings wird dort anstatt des vollsta ndigen nur ein modifizierter Distanzgraph errechnet. Der Algorithmus von Melhorn erreicht ebenfalls die Aproximationsgüte 2, verbessert jedoch die Laufzeit auf O(n log n + n m). Auch existieren andere Algorithmen, wie z.b. Greedy- Algorithmen, die eine verbesserte Approximationsgüte aufweisen. So erreicht ein auf der Linearen Optimierung basierter Algorithmus sogar die Approximationsgüte 1,39. 12
13 5 Zusammenfassung Nach den allgemeinen Graphentheoretischen Grundlagen und den Definitionen der Steinerbaum Probleme könnte man meinen, dass das Problem nicht sonderlich schwer sei, da es dem minimalen Spannbaum recht ähnlich ist und für diesen effiziente Algorithmen existieren. Die Reduktion von 3SAT auf das Steinerbaumproblem in Graphen zeigte jedoch, dass das Problem der Klasse der N P -Vollständigen Probleme angehört. Die Charakteristik dieser Probleme ist, dass keine effizienten Algorithmen bekannt sind um dieses Probleme effizient zu lösen und daher mit Approximationsalgorithmen versucht wird, Näherungslösungen zu berechnen. Dies ist für das Steinerbaumproblem auch möglich und es wurde eine Approximation der Güte 2 aufgezeigt, was aber höchstens als obere Schranke angesehen werden kann. Jedoch existieren auch Algorithmen mit einer besseren Approximationsgüte. 13
14 Literatur [1] Hans Jürgen Prömel, Angelika Steger, The Steiner Tree Problem, Vieweg Verlag, 1st edition, Februar 2002 [2] Dr. G. Nirmala, C. Sujatha, Every u-v path of NP-complete Steiner graphs contains exactly 2n-edges, /ijsrp-p3308.pdf [3] Steinerbaumproblem, 2016, [4] Algorithmen 1, Vorlesung und Übung, SS 2016, Karlsruher Institut für Technologie, 14
Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering
Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
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
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
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
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
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
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 16 Programm: Einführung
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
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
MehrInformatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 20. Vorlesung 12.01.2007 1 Komplexitätstheorie - Zeitklassen Die Komplexitätsklassen TIME DTIME, NTIME P NP Das Cook-Levin-Theorem Polynomial-Zeit-Reduktion
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
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
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
MehrFormale Grundlagen der Informatik 1 Kapitel 23 NP-Vollständigkeit (Teil 2)
Formale Grundlagen der Informatik 1 Kapitel 23 (Teil 2) Frank Heitmann heitmann@informatik.uni-hamburg.de 5. Juli 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/37 Die Klassen P und NP P := {L
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
MehrInformatik III - WS07/08
Informatik III - WS07/08 Kapitel 4 1 Informatik III - WS07/08 Prof. Dr. Dorothea Wagner dwagner@ira.uka.de Kapitel 4 : Komplexitätsklassen Informatik III - WS07/08 Kapitel 4 2 Sprachen, Probleme, Zeitkomplexität
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
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
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
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
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 22.12.2011 INSTITUT FÜR THEORETISCHE 0 KIT 09.01.2012 Universität des Andrea Landes Schumm Baden-Württemberg - Theoretische und Grundlagen der Informatik
MehrDas Rucksackproblem. Definition Sprache Rucksack. Satz
Das Rucksackproblem Definition Sprache Rucksack Gegeben sind n Gegenstände mit Gewichten W = {w 1,...,w n } N und Profiten P = {p 1,...,p n } N. Seien ferner b, k N. RUCKSACK:= {(W, P, b, k) I [n] : i
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrAbbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z}
u v u v z w z w y x y x Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z} Definition 0.0.1 (Vertex Cover (VC)). Gegeben: Ein ungerichteter
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrEinige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
MehrEffiziente Algorithmen I
9. Präsenzaufgabenblatt, WiSe 2013/14 Übungstunden am 13.01. & 15.01.2014 Aufgabe Q Gegeben sei ein Fluss-Netzwerk mit Digraph D = (V, A), Knotenkapazitäten c(u, v) 0, Quelle s und Senke t. Kann sich der
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.
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
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
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:
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 16.12.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrÜbung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:
Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu
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/
MehrNP-vollständig - Was nun?
Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am..03 Randomisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrKochrezept für NP-Vollständigkeitsbeweise
Kochrezept für NP-Vollständigkeitsbeweise Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 11. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrTheoretische Informatik Mitschrift
10. Komplexitätstheorie Theoretische Informatik Mitschrift Klassifikation algorithmischer Probleme (formalisiert als Sprachen) nach ihrem Bedarf an Berechnungsressourcen (= Rechenzeit, Speicherplatz als
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:
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrSatz 227 3SAT ist N P-vollständig. Info IV 2 N P-Vollständigkeit 375/388 c Ernst W. Mayr
Definition 6 3SAT ist die Menge der booleschen Formeln in konjunktiver Normalform, die in jeder Klausel höchstens drei Literale enthalten und die erfüllbar sind. Satz 7 3SAT ist N P-vollständig. Info IV
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrEinführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
MehrÜbung Theoretische Grundlagen
Übung Theoretische Grundlagen Komplexitätstheorie Nico Döttling 8. Januar 2010 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in
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
MehrÜbung zur Vorlesung Diskrete Strukturen I
Technische Universität München WS 00/0 Institut für Informatik Aufgabenblatt Prof. Dr. J. Csirik. November 00 Brandt & Stein Übung zur Vorlesung Diskrete Strukturen I Abgabetermin: Tutorübungen am. und.
MehrKomplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben
Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrMustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
Mehr2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010
2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit
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,
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrKlausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
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
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
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
MehrHamilton-Pfad auf Gittergraphen ist NP vollständig
Hamilton-Pfad auf Gittergraphen ist NP vollständig von Stephanie Wilke 1. Einleitung Ein Hamilton-Pfad in einem ungerichteten Graphen ist ein Pfad, der jeden Knoten genau einmal enthält. Es soll nun gezeigt
MehrNP-Vollständigkeit einiger Zahlprobleme
NP-Vollständigkeit einiger Zahlprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 22. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
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
MehrKapitel 8: Bipartite Graphen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
MehrUniv.-Prof. Dr. Goulnara ARZHANTSEVA
Diskrete Mathematik Univ.-Prof. Dr. Goulnara ARZHANTSEVA SS 2018 c Univ.-Prof. Dr. Goulnara Arzhantseva Kapitel 08: Menger, König und Hall / Planare Graphen 1 / 30 Der Satz von Menger: s t trennende Kantenmenge
MehrWir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll.
Kapitel 2 Zusammenhang 2.1 Zusammenhängende Graphen Wir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll. (1) Setze E = E, F =. (2) Wähle e E und setze F = F {e},
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 14. Mai
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
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,
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrKnoten-Partitionierung in feste Eigenschaften ist NP-schwer
Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser
MehrName:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
MehrADS 2: Algorithmen und Datenstrukturen
ADS 2: Algorithmen und Datenstrukturen Teil I Prof. Peter F. Stadler & Sebastian Will Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität Leipzig 9. April
MehrTechnische Universität München Zentrum Mathematik. Optimierung 2, WS 2008/09 Übungsblatt 12
Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt, Dr. M. Ritter Optimierung 2, WS 2008/09 Übungsblatt 12 Aufgabe 12.1 Betrachten Sie die folgenden
MehrBerechnung minimaler Spannbäume. Beispiel
Minimale Spannbäume Definition Sei G pv, Eq ein ungerichteter Graph und sei w : E Ñ R eine Funktion, die jeder Kante ein Gewicht zuordnet. Ein Teilgraph T pv 1, E 1 q von G heißt Spannbaum von G genau
MehrArbeitsheft zur NP-Vollständigkeit
Arbeitsheft zur NP-Vollständigkeit (BuK / WS 2017 / RWTH Aachen) Gerhard J. Woeginger Dieses Arbeitsheft enthält einige Übungsaufgaben zur NP-Vollständigkeit. Jede Aufgabe besteht im Wesentlichen aus einem
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
MehrMinimal spannende Bäume
Minimal spannende Bäume Ronny Harbich 4. Mai 006 (geändert 19. August 006) Vorwort Ich danke Patrick Bahr und meinem Bruder Steffen Harbich für die Unterstützung bei dieser Arbeit. Sie haben sowohl zu
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
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
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
MehrApproximation mit relativer Gütegarantie Überblick und einführende Beispiele
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen
MehrInformatik III. Christian Schindelhauer Wintersemester 2006/ Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 23. Vorlesung 25.01.2007 1 NP-Vollständigkeit Definition: Eine Sprache S ist NP-vollständig, wenn: S NP S ist NP-schwierig, d.h. für alle L
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
Mehr