Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
|
|
- Dominik Burgstaller
- vor 6 Jahren
- Abrufe
Transkript
1 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 in Netzwerken und Anwendungen 8. Netzplantechnik 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
2 Gliederung des Kapitels a) Einordnung / Motivation b) Begriffe / Grundlagen c) Anwendungen d) e) Kantenbasierte Algorithmen 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
3 Anmerkungen die Grundidee für solche pfadbasierten Algorithmen haben wir bereits kennen gelernt interessanterweise kann man diese Grundidee gut und schlecht realisieren (/* und auf den ersten Blick unterscheiden sich diese Realisierungen kaum */)... gut bedeutet, dass der entsprechende Algorithmus ein effizienter Algorithmus ist... schlecht bedeutet, dass der entsprechende Algorithmus nachweislich kein effizienter Algorithmus ist 7/3, Folie 3 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
4 Algorithmische Fragestellung gegeben: ein Flussnetzwerk, d.h. ein gerichteter Graph mit zwei ausgezeichneten Knoten s und t (/* die Quelle bzw. die Senke */) und einer Funktion c(.), die jeder Kante eine ganze Zahl > 0 als Kapazität zuordnet gesucht: der maximale Wert eines Flusses in G von s nach t 7/3, Folie 4 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
5 generischer Ansatz ) setze f([u,v]) = 0 für alle Kanten [u,v] in G ) bestimme das zu f(.) gehörende Restflussnetzwerk G f mit der Kapazitätsfunktion c (.) 3) überprüfe, ob es in G f einen Erweiterungspfad P gibt falls nein, stoppe falls ja, wähle das zuerst gefundene P und gehe zu 3) 4) bestimme c P, bestimme den aktualisierten Fluss f (.) und gehe zu )... diesen Ansatz nennt man Ford-Fulkerson-Methode... wir wissen schon, dass diese Methode das leistet, was sie soll 7/3, Folie 5 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
6 Beispiel 3 (0,) (0,3) s 3 t s (0,3) (0,) (0,) t s 3 3 t 7/3, Folie 6 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
7 Beispiel s 3 3 t... Erweiterungspfad: P = (s,,,t) mit c P = (0,) (0,3) s (0,3) (0,) (0,) t (,) (0,3) s (0,3) (,) (,) t 7/3, Folie 7 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
8 Beispiel (,) (0,3) s (0,3) (,) t (,) s 3 t 3 7/3, Folie 8 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
9 Beispiel s 3 3 t s... Erweiterungspfad: P = (s,,,t) mit c P = (,) (0,3) (,) (0,3) (,) t (,) (,3) s (,3) (0,) (,) t 7/3, Folie 9 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
10 Beispiel (,) (,3) s (,3) (0,) t (,) s t... offenbar gibt es keinen Erweiterungspfad mehr... also hat der maximale Fluss den Wert 4 7/3, Folie 0 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
11 Anmerkungen (/* Laufzeit */) es sei G ein Flussnetzwerk mit n Knoten und m Kanten ), ) und 4) kann man offenbar in Zeit O(n+m) realisieren da das jeweils betrachtete Restflussnetzwerk n Knoten und maximal m Kanten besitzt, ist es zulässig, dass die Laufzeit für 3) auch in Abhängigkeit von n und m abgeschätzt wird 3) kann man mit Hilfe der Tiefen- bzw. Breitensuche in der Zeit O(n+m) realisieren... um die Gesamtlaufzeit abzuschätzen, muss man nur noch wissen, wie viele Iterationen benötigt werden 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
12 Anmerkungen (/* Laufzeit */) es sei z die Größe des maximalen Flusses f*(.), d.h. z = val(f*) wir wissen, dass z eine ganze Zahl ist wir wissen, dass der aktuelle Fluss in 4) jeweils um eine ganze Zahl erhöht wird... also wird der aktuelle Fluss f(.) höchstens z mal verändert und folglich genügen z Iterationen... demzufolge benötigt die Ford-Fulkerson-Methode insgesamt höchstens die Zeit O(z*(n+m)) 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
13 Anmerkungen (/* Laufzeit */) falls z eine Zahl ist, die nicht viel größer als n und m ist, haben wir mit der Ford-Fuklerson-Methode einen effizienten Algorithmus, um einen maximalen Fluss zu bestimmen... falls z viel größer als n und m sind, ist das nicht mehr der Fall... für n = 0, m = 90 und z = 0 50, liefert unsere Abschätzung, dass die Ford-Fulkerson-Methode 0 5 viele Rechenschritte benötigt (/* das ist garantiert nicht effizient */)... das nächste Beispiel zeigt, dass diese Bedenken nicht ganz unbegründet sind 7/3, Folie 3 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
14 Beispiel wir gehen davon aus, dass in der Ford-Fulkerson-Methode 3) mit Hilfe der Tiefensuche realisiert wird wir gehen davon aus, dass die Kanten - wie üblich - in lexikographischer Ordnung besucht werden offenbar hat der maximale Fluss f*(.) den Wert 00 7/3, Folie 4 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
15 Beispiel P = (,,3,4,5,,6) P = (,,5,4,3,,6) P = (,,3,4,5,,6) /3, Folie 5 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
16 Anmerkungen wenn man die Ford-Fulkerson-Methode so implementiert, dass 3) mit Hilfe der Tiefensuche realisiert wird, kann es passieren, dass die Anzahl der Iterationen gleich der Größe z des maximalen Flusses f*(.) ist... in unserem Beispiel mussten wir die Kapazität von zwei Kanten so wählen, dass sie gleich der z sind... dass ist nicht weiter schlimm, da man nur log(z) Platz benötigt wird, um z zu speichern... ein Algorithmus, der O(z*(n+m)) viele Rechenschritte benötigt, ist immer noch expontentiell in der Größe der Beschreibung des gegebenen Flussnetzwerks G (/* es gilt G n+m+m*log(z) */) 7/3, Folie 6 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
17 Eine einfache Verbesserungsmöglichkeit wenn man die Ford-Fulkerson-Methode so implementiert, dass 3) mit Hilfe der Breitensuche realisiert wird, kann man garantieren, dass deutlich weniger Iterationen benötigt werden man kann zeigen, dass dann O(n*m) viele Iterationen genügen... das entsprechende Verfahren heißt Algorithmus von Edmonds und Karp und hat eine Laufzeit in der Größe O((n*m)(n+m))... offenbar ist der Algorithmus von Edmonds und Karp ein effizientes Verfahren zum Bestimmen von maximalen Flüssen in Flussnetzwerken 7/3, Folie 7 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
18 Algorithmus von Edmonds und Karp ) setze f([u,v]) = 0 für alle Kanten [u,v] in G ) bestimme das zu f(.) gehörende Restflussnetzwerk G f mit der Kapazitätsfunktion c (.) 3) überprüfe mit Hilfe der Breitensuche, ob es in G f einen Erweiterungspfad P gibt falls nein, stoppe falls ja, wähle das zu erst gefundene P und gehe zu 3) 4) bestimme c P, bestimme den aktualisierten Fluss f (.) und gehe zu )... offenbar leistet dieser Algorithmus auch das, was er soll 7/3, Folie 8 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
19 Beispiel (00,00) (00,00) (0,) P = (,,6) (0,) 3 (0,) (0,) 4... für dieses kritische Beispiel benötigt der Algorithmus von Edmonds und Karp genau eine Iteration 7/3, Folie 9 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
20 Eigenschaften des Algorithmus von Edmonds und Karp es sei G f das aktuelle Restflussnetzwerk und P der zu erst gefundene Erweiterungspfad Dann gilt: P ist ein kürzester Erweiterungspfad von der Quelle s zur Senke t P besucht jeden Knoten aus V höchstens einmal für jeden besuchten Knoten v ist der Teilpfad von der Quelle s zum Knoten v ein kürzester Pfad von s nach v... der Begriff kürzester Pfad bezieht sich hier auf die Anzahl der Knoten, auf dem betrachten Pfad!!! 7/3, Folie 0 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
21 Anmerkungen es sei G ein Flussnetzwerk mit n Knoten und m Kanten um zu zeigen, dass die Anzahl der Iteration des Algorithmus von Edmonds und Karp in der Größe O(n*m) liegt benötigen wir folgenden Hilfsbegriff es seien f(.) zulässiger Fluss in G und G f das zugehörige Restflussnetzwerk es sei v ein Knoten aus V \ { s,t } dann bezeichnet d f (v) die Entfernung zwischen der Quelle s und dem Knoten v in G f, d.h. die Anzahl der Kanten auf einem kürzesten Pfad von s nach t in G f (/* falls es keinen Pfad von s nach v gibt, so ist d f (v) = + */) 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
22 Beobachtung es sei G ein Flussnetzwerk mit n Knoten und m Kanten es seien G f,..., G fz die Restflussnetzwerke, die der Algorithmus von Edmonds und Karp sukzessive erzeugt es sei v ein Knoten V \ { s,t } Dann gilt: d f (v) d f (v)... d fz (v)... die Entfernungen eines Knotens v von der Quelle s werden nicht kleiner 7/3, Folie 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
23 Begründung es seien G f und G f nacheinander erzeugte Restflussnetzwerke Annahme: es sei v ein Knoten, für den d f (v) > d f (v) gilt wir wählen v so, dass auf dem kürzesten Pfad P* von s nach v in G f für alle Zwischenknoten u gilt: d f (u ) d f (u )... das geht offenbar (/* falls man einen Zwischenknoten u findet, der diese Eigenschaft nicht hat, so setzt man u = v */)... man kann sich leicht überlegen, dass es auf dem kürzesten Pfad P* von s nach v in G f wenigstens einen Zwischenknoten u gibt falls nicht, so muss es in G f die Kante [s,v] geben [s,v] darf dann nicht in G f vorkommen dann müsste aber die Kante [v,s] in einem kürzesten Erweiterungspfad in G f von s nach t benutzt worden sein (/* das geht nicht, da dann s zweimal besucht würde */) 7/3, Folie 3 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
24 Begründung... in G f... in G f s u v s u es gilt d f (u) d f (u) < + und d f (v) = d f (u) + wegen d f (v) < d f (v), darf die Kante [u,v] in G f nicht vorkommen (/* sonst gilt sofort d f (v) = d f (u) + d f (u) + = d f (v) */) also muss die Kante [v,u] in G f auf dem zu erst gefundenen, kürzesten Erweiterungspfad P von s nach t liegen 7/3, Folie 4 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
25 Begründung... in G f... in G f s u v s u v t da [v,u] in G f auf dem zu erst gefundenen kürzesten Erweiterungspfad P von s nach t liegt, wissen wir: der Teilpfad P von s über v nach u in G f kann nicht mehr Kanten enthalten als der Pfad P in G f von s nach u (/* da P ein kürzester Pfad von s nach t ist, muss dessen Teilpfad P auch ein kürzester Pfad von s nach u sein */) also gilt: d f (v) = d f (u) - 7/3, Folie 5 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
26 Begründung... in G f... in G f s u v s u v wir wissen, dass gilt: d f (v) = d f (u) - wir wissen, dass gilt: d f (v) = d f (u) + t wenn d f (v) < d f (v) gilt, müsste auch d f (u) + < d f (u) - gelten also müsste auch d f (u) < d f (u) - gelten... wir haben jedoch vorausgesetzt, dass d f (u) d f (u) gilt, und haben damit einen Widerspruch abgeleitet 7/3, Folie 6 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
27 Beobachtung es sei G ein Flussnetzwerk mit n Knoten und m Kanten Dann gilt: Der Algorithmus von Edmonds und Karp benötigt höchstens O(n*m) viele Iterationen 7/3, Folie 7 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
28 Hilfsbegriff zur Begründung es sei G f ein Restflussnetzwerk mit der Kapazitätsfunktion es sei [u,v] eine Kante in G f die Kante [u,v] heißt kritisch für G f, falls gilt: der zu erst gefundene kürzeste Erweiterungspfad P in G f, der die Kante [u,v] benutzt es gilt c ([u,v]) = c P > 0... c P ist die minimale Kapazität einer Kante auf dem Erweiterungspfad P 7/3, Folie 8 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
29 Einige hilfreiche Beobachtungen es sei G ein Flussnetzwerk mit n Knoten und m Kanten es seien G f,..., G fz die Restflussnetzwerke, die der Algorithmus von Edmonds und Karp sukzessive erzeugt Dann gilt: Wenn die Kante [u,v] in einem Restflusswerk G fi kritisch ist, so kommt die Kante [u,v] oder die Kante [v,u] in G vor. Wenn die Kante [u,v] in einem Restflusswerk G fi kritisch ist, so kommt die Kante [u,v] im Restflusswerk G fi+ nicht vor. In jedem Restflusswerk G fi mit i < z kommt wenigstens eine kritische Kante [u,v] vor. 7/3, Folie 9 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
30 Qualitative Idee es sei G ein Flussnetzwerk mit n Knoten und m Kanten es seien G f,..., G fz die Restflussnetzwerke, die der Algorithmus von Edmonds und Karp sukzessive erzeugt wir werden zeigen:... jede überhaupt als kritische Kante infrage kommende Kante [u,v] kann nur O(n) mal benutzt werden, um ein neues Restflussnetzwerk zu definieren... da höchstens m viele Kanten überhaupt als kritische Kanten infrage kommen, kann es nur O(n*m) viele Restflussnetzwerke geben, die der Algorithmus von Edmonds und Karp sukzessive erzeugt 7/3, Folie 30 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
31 Begründung (/* einfacher Fall */) es sei die betrachtete Kante eine vom Typ [s,u] oder [u,t]... dann kann diese Kante nur einmal kritisch sein falls eine Kante vom Typ [s,u] oder [u,t] in im Restflussnetzwerk G fi kritisch ist, so enthält das Restflussnetzwerk G fi+ die Kante [s,u] oder [u,t] nicht mehr und dafür die Kante [u,s] oder [t,u] diese Kanten können im Restflussnetzwerk G fi+ nicht auf einem kürzesten Erweiterungspfad P von der Quelle s zur Senke t benutzt werden (/* sonst würden s oder t mehr als einmal besucht werden */) 7/3, Folie 3 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
32 Begründung (/* der schwierigere Fall */) es sei die betrachtete Kante eine vom Typ [u,v] mit u s und v t es sei G fi das Restflussnetzwerk, in dem die Kante [u,v] eine kritische Kante ist... in G fi... in G fi+ s u v s s u v s offenbar gilt d fi (v) = d fi (u) + 7/3, Folie 3 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
33 Begründung (/* der schwierigere Fall */) damit die Kante [u,v] in einem Restflussnetzwerk G fj mit j > i+ wieder eine kritische Kante werden kann, muß es ein k mit i+ k < j geben, so dass die umgedrehte Kante [v,u] eine kritische Kante im Restflussnetzwerk G fk ist... in G fk... in G fk+ s u v s s u v s offenbar gilt d fk (u) = d fk (v) + 7/3, Folie 33 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
34 Begründung (/* der schwierigere Fall */) wir wissen, dass d fi (v) = d fi (u) + gilt wir wissen, dass d fk (u) = d fk (v) + gilt wir wissen auch, dass i < k gilt, und damit gilt auch d fi (v) d fk (v)... also gilt d fk (u) = d fk (v) + d fi (u) + + = d fi (v) +... folglich hat sich die Entfernung des Knotens u von der Quelle s im Restflussnetwerk G fk im Vergleich zur Entfernung des Knotens u von der Quelle s im Restflussnetzwerk G fj echt vergrößert 7/3, Folie 34 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
35 Konsequenzen es sei G ein Flussnetzwerk mit n Knoten und m Kanten es seien G f,..., G fz die Restflussnetzwerke, die der Algorithmus von Edmonds und Karp sukzessive erzeugt dann gibt es mit Blick auf eine Kante [u,v] im schlimmsten Fall... spätestens wenn die Kante n-mal kritisch geworden ist, gilt d f (u) n in jedem noch zu untersuchenden Restflussnetzwerke G f... folglich kann die Kante [u,v] in in keinem der zu untersuchenden Restflussnetzwerke G f auf einem kürzesten Erweiterungspfad von der Quelle s zur Senke t benutzt werden (/* auf dem Teilpfad bis zum Knoten u würde schon jeder Knoten einmal vorkommen */) 7/3, Folie 35 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
36 Zusammenfassung wenn man die Ford-Fulkerson-Methode zur Bestimmung von maximalen Flüssen verwendet, sollte man stets nach kürzesten Erweiterungspfaden suchen wenn man eine Bereitensuche benutzt (/* siehe Algorithmus von Edmonds und Karp */), erhält man einen effizienten pfadbasierten Algorithmus 7/3, Folie 36 0 Prof. Steffen Lange - HDa/FbI - Graphen und Optimierung
Algorithmen 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
MehrMaximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
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
MehrStatistische Untersuchungen zu endlichen Funktionsgraphen
C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion
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
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
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrKapitel 6: Graphalgorithmen Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
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
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
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
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
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
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
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
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Elementare Datenstrukturen Rekursionen Bäume 2 1 Datenstruktur Baum Definition eines Baumes
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
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
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
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
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
MehrPrimzahlzertifikat von Pratt
Primzahlzertifikat von Pratt Daniela Steidl TU München 17. 04. 2008 Primzahltests in der Informatik "Dass das Problem, die Primzahlen von den Zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren
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
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,
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
MehrInformatik 11 Kapitel 2 - Rekursive Datenstrukturen
Fachschaft Informatik Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Michael Steinhuber König-Karlmann-Gymnasium Altötting 15. Januar 2016 Folie 1/77 Inhaltsverzeichnis I 1 Datenstruktur Schlange
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
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
MehrVerfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS
Verfahren zur Berechnung von Routen zur Gewährleistung von Ende-zu-Ende QoS Dezember 007 Dipl.-Ing. Stefan Abu Salah Dipl.-Ing. Achim Marikar QoS (Quality of Service): Sicherstellung der Qualität Zeitkritische
MehrAbstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015
Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
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
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (20 Graphen) T. Lauer
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (20 Graphen) T. Lauer 1 Motivation Wie komme ich am besten von Freiburg nach Ulm? Was ist die kürzeste Rundreise durch eine gegebene Menge von Städten?
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrEine molekulare Lösung des Hamiltonkreisproblems mit DNA
Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Seminar Molecular Computing Bild: http://creatia2013.files.wordpress.com/2013/03/dna.gif Andreas Fehn 11. Juli 2013 Gliederung 1. Problemstellung
MehrBranch-and-Bound. Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir
Effiziente Algorithmen Lösen NP-vollständiger Probleme 289 Branch-and-Bound Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir 1.
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
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
MehrDie Komplexitätsklassen P und NP
Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 3. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und
MehrDie k kürzesten Wege in gerichteten Graphen
Die k kürzesten Wege in gerichteten Graphen Marc Benkert Wintersemester 001/00 1 Einführung 1.1 Problemstellung In einem gerichteten, gewichteten Graphen G = (V, E) sollen die k kürzesten Wege zu zwei
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
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:
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrBreiten- und Tiefensuche in Graphen
Breiten- und Tiefensuche in Graphen Inhalt Theorie. Graphen. Die Breitensuche in der Theorie am Beispiel eines ungerichteten Graphen. Die Tiefensuche in der Theorie am Beispiel eines gerichteten Graphen
MehrABITURPRÜFUNG 2009 LEISTUNGSFACH INFORMATIK
ABITURPRÜFUNG 2009 LEISTUNGSFACH INFORMATIK (HAUPTTERMIN) Bearbeitungszeit: 270 Minuten Hilfsmittel: Wörterbuch zur deutschen Rechtschreibung Taschenrechner (nicht programmierbar, nicht grafikfähig) (Schüler,
MehrGrundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny
Grundlagen der Informatik Prof. Dr. Stefan Enderle NTA Isny 2 Datenstrukturen 2.1 Einführung Syntax: Definition einer formalen Grammatik, um Regeln einer formalen Sprache (Programmiersprache) festzulegen.
MehrEine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder
Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element
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
Mehr15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
MehrGrundwissen Informatik Q11/12 Fragenkatalog
12_Inf_GrundwissenInformatik_Opp.doc 1 Grundwissen Informatik Q11/12 Fragenkatalog 11/2 Aufgabengebiet 1: Graphen, Wege durch Graphen: 1. Durch welche Bestandteile wird ein Graph festgelegt? 2. Nenne verschiedene
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
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrGuten Morgen und Willkommen zur Saalübung!
Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei
MehrSchwierige Probleme in der Informatik Informationen für die Lehrperson
Schwierige Probleme in der Informatik Informationen für die Lehrperson Thema, Adressaten,... Das Thema dieses Moduls sind NP-vollständige Probleme, also schwierige Probleme in der Informatik. GraphBench
MehrAutoSPARQL. Let Users Query Your Knowledge Base
AutoSPARQL Let Users Query Your Knowledge Base Christian Olczak Seminar aus maschinellem Lernen WS 11/12 Fachgebiet Knowledge Engineering Dr. Heiko Paulheim / Frederik Janssen 07.02.2012 Fachbereich Informatik
MehrBäume und Wälder. Bäume und Wälder 1 / 37
Bäume und Wälder Bäume und Wälder 1 / 37 Bäume Ein (ungerichteter) Baum ist ein ungerichteter Graph G = (V, E), der zusammenhängend ist und keine einfachen Kreise enthält. Bäume und Wälder 2 / 37 Bäume
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
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
MehrSeminar künstliche Intelligenz
Seminar künstliche Intelligenz Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Stefan Görlich mi5517 25.05.2005 Inhalt 1. Einleitung 1.1 Problemstellung 3 1.2 Zielsetzung 3 1.3 Die Suche in öffentlichen
MehrKapitel 4: Analyse von Petrinetzen
Kapitel 4: Analyse von Petrinetzen 1. Beispiele 2. Analyseansatz 3. Markierungsgraph 4. Beschränktheit 5. State Space Explosion: Beispiel 6. Komplementbildung 7. Zusammenhängend 8. Tot, lebendig, verklemmungsfrei
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
MehrInstitut für Programmierung und Reaktive Systeme 25. August 2014. Programmier-Labor. 04. + 05. Übungsblatt. int binarysearch(int[] a, int x),
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme 25. August 2014 Programmier-Labor 04. + 05. Übungsblatt Aufgabe 21: a) Schreiben Sie eine Methode
MehrKapitel 2: Formale Sprachen Kontextfreie Sprachen. reguläre Grammatiken/Sprachen. kontextfreie Grammatiken/Sprachen
reguläre Grammatiken/prachen Beschreibung für Bezeichner in Programmiersprachen Beschreibung für wild cards in kriptsprachen (/* reguläre Ausdrücke */)?; [a-z]; * kontextfreie Grammatiken/prachen Beschreibung
Mehr1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert
Inhalt Einführung 1. Arrays 1. Array unsortiert 2. Array sortiert 3. Heap 2. Listen 1. Einfach verkettete Liste unsortiert 2. Einfach verkettete Liste sortiert 3. Doppelt verkettete Liste sortiert 3. Bäume
MehrWissensbasierte Systeme
WBS5 Slide 1 Wissensbasierte Systeme Vorlesung 5 vom 17.11.2004 Sebastian Iwanowski FH Wedel WBS5 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrProgrammiertechnik II
Bäume Symboltabellen Suche nach Werten (items), die unter einem Schlüssel (key) gefunden werden können Bankkonten: Schlüssel ist Kontonummer Flugreservierung: Schlüssel ist Flugnummer, Reservierungsnummer,...
MehrAlgorithmische Methoden der Netzwerkanalyse
Algorithmische Methoden der Netzwerkanalyse Marco Gaertler 9. Dezember, 2008 1/ 15 Abstandszentralitäten 2/ 15 Distanzsummen auf Bäumen Lemma Sei T = (V, E) ein ungerichteter Baum und T s = (V S, E s )
MehrJÖRG RAMBAU. Neulich an der TU Berlin...
Neulich an der TU Berlin... WO BLEIBT DER AUFZUG? Grrr!! u(x, y) = 1 + 4πy Zzzzz... u 0 (ξ)e (x ξ) 2 4y dξ Kann Mathematik da helfen? Wo bleibt der Aufzug Diskrete Mathematik spart Zeit und Nerven Jörg
MehrEinführung in die Informatik
Einführung in die Informatik Jochen Hoenicke Software Engineering Albert-Ludwigs-University Freiburg Sommersemester 2014 Jochen Hoenicke (Software Engineering) Einführung in die Informatik Sommersemester
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
MehrAlgorithmen und Datenstrukturen Suchbaum
Algorithmen und Datenstrukturen Suchbaum Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Motivation Datenstruktur zur Repräsentation dynamischer Mengen
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrProjekt AGB-10 Fremdprojektanalyse
Projekt AGB-10 Fremdprojektanalyse 17. Mai 2010 1 Inhaltsverzeichnis 1 Allgemeines 3 2 Produktübersicht 3 3 Grundsätzliche Struktur und Entwurfsprinzipien für das Gesamtsystem 3 3.1 Die Prefuse Library...............................
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Mehr3.2 Binäre Suche. Usr/local/www/ifi/fk/menschen/schmid/folien/infovk.ppt 1
3.2 Binäre Suche Beispiel 6.5.1: Intervallschachtelung (oder binäre Suche) (Hier ist n die Anzahl der Elemente im Feld!) Ein Feld A: array (1..n) of Integer sei gegeben. Das Feld sei sortiert, d.h.: A(i)
Mehr8. Uninformierte Suche
8. Uninformierte Suche Prof. Dr. Ruolf Kruse University of Mageurg Faculty of Computer Science Mageurg, Germany ruolf.kruse@cs.uni-mageurg.e S otationen () otationen: Graph Vorgänger (ancestor) von Knoten
MehrAlgorithmik - Kompaktkurs
Algorithmik - Kompaktkurs Sommersemester 2012 Steffen Lange 0/1, Folie 1 2012 Prof. Steffen Lange - HDa/FbI - Algorithmik Organisatorisches Vorlesung Folien im Netz (/* bitte zur Vorlesung mitbringen */)
MehrSmart Graphics: Methoden 2 Suche
Smart Graphics: Methoden 2 Suche Vorlesung Smart Graphics LMU München Medieninformatik Butz/Boring Smart Graphics SS2007 Methoden: Suche Folie 1 Themen heute Smart Graphics Probleme als Suchprobleme Suchverfahren
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
MehrModellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik)
Modellierung biologischer Prozesse Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Überblick Einführung Arten von Modellen Die stochastische Pi-Maschine Warum Modelle Die Biologie konzentriert
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
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
MehrFormale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK
Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association
MehrDatenstrukturen. Mariano Zelke. Sommersemester 2012
Datenstrukturen Mariano Zelke Sommersemester 2012 Mathematische Grundlagen: Das Handwerkszeug Mariano Zelke Datenstrukturen 2/26 Formeln: n - i = n (n+1) 2 und - i=1 k i=0 a i = ak+1 1 a 1, falls a 1 Rechnen
Mehr