Algebraische Entscheidungsbäume
|
|
- Jacob Brandt
- vor 6 Jahren
- Abrufe
Transkript
1 Algebraische Entscheidungsbäume Behsaad Ramez 28. Mai Wiederholung 1.1 Allgemeine Sortieralgorithmen Definition:Allgemeine Sortieralgorithmen,sind Sortieralgorithmen, die nur auf Vergleichen zwischen Elementen der Eingabefolge beruhen. Sie sind auf beliebigen linear geordneten Universen (U, ) definiert. Abbildung 1: Ein Vergleichsbaum für 3 Elemente 1
2 Allgemeine Sortieralgorithmen sind durch einen Vergleichsbaum darstellbar. Im entsprechenden Vergleichsbaum repräsentiert jedes Blatt eine andere Permutation der n Eingabeelemente. Die Anzahl der Blätter k ist also n! Die Anzahl der Vergleiche entspricht im schlechtesten Fall der Höhe des Baums.Es folgt: Anzahl Vergleiche log(k) log(n!) Anzahl Vergleiche mindestens Θ(nlog(n)) Ein vergleichsbasierte Algorithmus benötigt zum Sortieren von n Elementen Ω(nlog(n)) Vergleiche.Wobei: f Ω(g) : c > 0 x 0 x > x 0 : f(x) c g(x) Wir haben also eine untere Schranke für das Sortieren auf beliebigen linear geordneten Universen gefunden. 1.2 Aussicht Wir werden nun ein Berechnungsmodell kennenlernen,in dem sich untere Schranken von Problemen systematisch feststellen lassen. 2 Algebraische Berechnungsbäume: 2.1 Einführung Ein Algorithmus P ist informal eine Prozedur,die eine Eingabe bestehend aus n reellen Zahlen auf eine Ausgabe aus dem Lösungsraum S abbildet. P : R n S Ein algebraischer Berechnungsbaum T für die Eingabe s 1...s n ist ein Binärbaum mit folgenden Einschränkungen: 1. Blätter enthalten Elemente aus S 2. Knoten u mit einem Kind,markiert durch Z(u): Z(u)=A 1 &A 2,& {+,,,/} Z(u)= A1 A i {Z(u ),R,s 1..s n },u : Vorfahre von u 3. Knoten mit zwei Kindern ist markiert durch A 0 A {Z(u ),R,s 1..s n },u : Vorfahre von u Kanten markiert durch,> A T ist der Algorithmus der T entspricht 2
3 Abbildung 2: algebraischer Berechnungsbaum 2.2 Definitionen: P : R n S sei ein Berechnungsproblem. P ist im algebraischen Berechnungsbaummodell lösbar, falls ein algebraischer Berechnungsbaum T existiert, sodass: (s 1,..s n ) R n,a T (s 1,..s n ) = P (s 1..s n ) Sei T ein algebraischer Berechnungsbaum.Die Zeitkomplexität von A T ist definiert als die Höhe von T. Sei P : R n S sei ein Berechnungsproblem,dass im algebraischen Berechnungsbaummodell lösbar ist. Die Zeitkomplexität von P ist definiert als die minimale Höhe aller algebraischen Berechnungsbäume,die P lösen. 3 Algebraische Entscheidungsbäume: 3.1 Definition Ein Berechnungsproblem P : R n S wird Entscheidungsproblem genannt,falls S = {Y ES,NO}. 3
4 Ein Beispiel dafür ist das element uniqueness Problem,das folgendermaßen definiert ist: { Y ES falls si s P (s 1..s n ) = j, i j NO, sonst Die Betrachtung von Entscheidungsproblemen hat den Vorteil,dass sie einfacher zu analysieren sind als Berechnungsprobleme. Da viele Berechnungsprobleme intern ein Entscheidungsproblem lösen,kann man ihre untere Schranke über eine Reduktion eines entsprechendes Entscheidungsproblem auf sie zeigen. Ein Algebraischer Berechnungsbaum T wir algebraischer Entscheidungsbaum genannt,falls die Blätter von T entweder YES oder NO beinhalten. 3.2 V P und die untere Schranke P : R n {Y ES,NO} sei ein Entscheidungsproblem. Ein Punkt (s 1..s n ) R n wird YES- Instanz genannt,falls P (s 1..s n ) = Y ES.V P R n sei die Menge aller YES-Instanzen: Beispiel element uniqueness: V P = (s 1,..s n ) R : 1 i<j n (s i s j ) 0 Eine untere Schranke eines Entscheidungsproblems P kann über die topologische Struktur von V P gefunden werden. CC(V P ) sei die Anzahl der Zusammenhangskomponenten von V P. Für die untere Schranke gilt dann: Im linearen Entscheidungsbaummodell: P Ω(log(CC(V P ))) Im algebraischen Entscheidungsbaummodell:P Ω( log(cc(v P ) nlog(3)) 1+2log3 ) 4 Lineare Entscheidungsbäume 4.1 Definition Als Einführung in das Thema werden wir eine erst einmal eine eingeschränkte Form von Entscheidungsbäumen betrachten. In linearen Entscheidungsbäumen ist jeder Knoten u mit einem Kind beschriftet durch Z(u) = A 1 &A 2,wobei: 1. & {+, },A i {Z(u ),R,s 1..s n },u : Vorfahre von u 2. & {,/} 4
5 A 1 {Z(u ),R,s 1..s n },u : Vorfahre von u A 2 R Es können also keine zwei Eingabeelemente miteinander multipliziert werden. Daraus folgt,dass jede Variable Z(u),die während der Ausführung entsteht eine lineare Funktion der Eingabevariablen ist.(z.b s 2 + 6s 3 ) 4.2 R(w) und Zeitkomplexität Sei R(w) die Menge der Eingaben für die A T im Blatt w terminiert. Seien v 1...v k alle Knoten auf dem Weg nach w,die zwei Kinder haben. Dann ist R(w) die Menge aller Punkte,(s 1...s n ) R n sodass für alle 1 i k gilt: 1. F i (s 1..s n ) 0 falls T auf dem Weg nach w,von v i aus zum linken Kind geht. 2. F i (s 1..s n ) > 0 falls T auf dem Weg nach w,von v i aus zum rechten Kind geht. Wobei F i (s 1..s n ) 0 eine lineare Funktion auf s 1..s n ist. Im linearen Entscheidungsbaummodell ist R(w) verbunden. Das heißt für p, q R(w) existiert eine stetige Kurve in R n zwischen p und q,die komplett in R(w) enthalten ist. Abbildung 3: R(w) ist konvex Daraus folgt: Seien A,B zwei verschiedene Zusammenhangskomponenten, p A, q B. 5
6 Die Blätter w p und w q,in denen A T bei Eingabe p,q terminiert sind verschieden. Es gibt mindestens so viele Blätter in T wie es Zusammenhangskomponenten in V P gibt. Abbildung 4: p und q sind in verschiedenen Blättern von T Da wir nun wissen,dass es mindestens so viele Blätter in T gibt,wie Zusammenhangskomponenten in V P folgt für die Zeitkomplexität eines Entscheidungsproblems P im linearen Entscheidungsbaummodell 4.3 Beispiel element uniqueness P Ω(log(CC(V P ))) Als Beispiel für das Finden von unteren Schranken nehmen wir wieder das element uniqueness Problem,mit: V P = (s 1,..s n ) R : 1 i<j n (s i s j ) 0 Seien π, p zwei verschiedene Permutationen von 1..n. Dann sind zwei Punkte p = (π(1)..π(n)),q = (p(1)..p(n)) in verschiedenen Zusammenhangskomponeten von V P. Es gibt nämlich immer 2 Indizes i,j mit 1 i n,1 j n so dass π(i) < π(j) und p(i) > p(j). Wenn man nun eine Kurve von p nach q zeichnen möchte, durchquert man immer die Hyperebene,in der x i = x j.dieser Punkt gehört aber nicht mehr zu V P,weshalb p,q in verschiedenen Zusammenhangskomponenten von V P seien müssen. CC(V P ) n! element uniqueness Ω(nlog(n)) 6
7 Abbildung 5: Beispiel element uniqueness 5 Allgemeine untere Schranke Das es mindestens so viele Blätter gibt wie Zusammenhangskomponenten gilt nur für lineare Entscheidungsbäume.Für den allgemeinen Fall müssen wir uns weitere Überlegungen machen. 7
8 Abbildung 6: Ein Blatt kann mehr als eine Zusammenhangskomponente beschreiben 5.1 Theorem zur Komplexität von Polynomen Seien k,g N\{0},und F 1...F k Polynome auf n Variablen, deren Grad kleiner oder gleich g ist: W = {(x 1..x n ) R n : F i (x 1,..x n ) = 0, 1 i k} Die Menge W hat höchstens g(2g 1) n 1 Zusammenhangskomponenten. Dieser Satz basiert auf einem nichttrivialen Beweis aus dem Bereich der algebraischen Topologie. Als nächstes werden wir sehen,wie man eine Menge von polynomiellen Ungleichungen und Gleichungen in eine Menge von polynomiellen Gleichungen umwandelt: 5.2 Umformung von Ungleichungen a,b,c N,E 1..E a,n 1..N b,p 1...P c sind Polynome mit Grad 2 W ist die Menge,für die die folgenden Punkte gelten: 8
9 1. E i (x 1..x n ) = 0, i : 1 i a 2. N i (x 1..x n ) 0, i : 1 i b 3. P i (x 1..x n ) > 0, i : 1 i c d = CC(W ),p j R n sei ein beliebiger Punkt aus der j-ten Zusammenhagskomponente von W. W ɛ ist dann: 1. E i (x 1..x n ) = 0, i : 1 i a 2. N i (x 1..x n ) 0, i : 1 i b 3. P i (x 1..x n ) ɛ, i : 1 i c ɛ = min{p i (p j ) : 1 i c,1 j d} mit b+c neuen Variablen formen wir E,N,P in polynomielle Gleichungen um. W sei die Menge aller Punkte (x 1..x n+b+c ) R n+b+c : 1. E i (x 1..x n ) = 0, i : 1 i a 2. N i (x 1..x n ) + x 2 n+i = 0, i : 1 i b 3. P i (x 1..x n ) x 2 n+b+i ɛ = 0, i : 1 i c Die Projektionvon W auf die ersten n Koordinaten ergibt genau W ɛ W ɛ = {(x 1..x n ) : x n+1..x n+b+c R,(x 1..x n+b+c W )} Da W ɛ eine Teilmenge von W ist,folgt nach dem obigen Theorem: CC(W ) CC(W ɛ ) CC(W ) 2 3 n+b+c 1 3 n+b+c 5.3 Reduktion von Entscheidungsbäumen u 1..u k+1 sei ein Pfad p in T von der Wurzel u 1 bis zum Blatt w=u k+1. Man kann R(w) mit k+s polynomiellen Ungleichungen darstellen. s=die Anzahl der Zuweisungen auf p. Wir benutzen dafür folgende Variablen: x 1..x n stellen die Eingabewerte s 1..s n dar x n+1..x n+k repräsentieren u 1..u k s Gehe auf dem Pfad p von der Wurzel bis w und füge für u i entsprechende Gleichungen und Ungleichungen hinzu. Wobei man für Knoten mit einem Kind(Berechnungsknoten) z.b. für Z(u i ) = Z(u j ) + Z(u l ), x n+i x n+j x n+l = 0 hinzufügt. 9
10 Abbildung 7: Ersetzungsregeln 10
11 Bei Knoten mit zwei Kindern fügt man die entsprechende Ungleichung hinzu,die zu u i+1 führt. Sei r nun die Anzahl der Berechnungsknoten,s die Anzahl der Funktionen(für die wir 2 Gleichungen brauchen) und t die Anzahl der Entscheidungen für den linken Weg in p. Es gibt also s+t polynomielle Ungleichungen.Und k-r-t polynomielle > Ungleichungen.Da wir n+k Variablen haben folgt: CC(R(w)) CC(W ) 3 n+2k+s r 3 n+2h,da s r,k h Da, folgt: V P = R(w) w:yes Blatt von T CC(V P ) w:yes Blatt von T CC(R(w)) CC(V P ) 3 n+2h 2 h h log(cc(v P )) nlog(3) 1 + 2log3 6 Beispiele Nach obigem Beweis folgt für das element uniqueness Problem: h nlog(n) nlog(3) 1 + 2log3 h Ω(nlog(n)) Wir können nun daraus untere Schranken für folgende Probleme folgern: Sortieren:Sei A der Algorithmus der das Sortierproblem in T(n) löst. Der Algorithmus B sei folgendermassen definiert:er bekommt als Eingabe n reelle Zahlen s 1..s n die er mit A sortiert.nun geht B durch die sortierte Folge und vergleicht je zwei Nachbarn auf Gleichheit.Falls keine gleichen Elemente in der Eingabe sind 11
12 gibt B NO zurück.andernfalls YES. Offensichtlich löst B das element uniquenes Problem in T(n)+O(n) Zeit.Da wir wissen,dass element uniqueness die untere Schranke von Ω(nlog(n)) hat folgt T (n) Ω(nlog(n)) closest pair: Das closest pair Problem auf einer Eingabe s 1..s n ist folgendermassen definiert: P (x 1..x n ) = min(x i x j,i j,1 i n,1 j n) Die untere Schranke von Ω(nlog(n)) folgt für closest pair, da P (x 1..x n ) 0 nur wenn alle Elemente x 1..x n verschieden sind. Diskriminante: Die Diskriminante von x 1..x n R ist definiert als: P (x 1..x n ) = i j(x i x j ) Da P (x 1..x n ) 0 nur wenn alle Elemente x 1..x n verschieden sind, gilt auch hier die untere Schranke Ω(nlog(n)) von element uniqueness. Set Disjointnis: Gegeben zwei Mengen A = {x 1..x n },B = {y 1..y n } Bestimme ob A B = W = (x 1..x n,y 1..y n ) : i,j (x i y j ) 0 Um CC(V P ) zu finden,geht man hier ähnlich vor wie bei element uniqueness. Seien p 1,p 2 zwei verschiedene Folgen von Zahlen von 1..2n, wobei die ersten Elemente (x 1..x n )eine Permutation π 1 der gerade Zahlen von 1..2n,und die letzten Elemente (y 1..y n )eine Permutation π 2 der ungerade Zahlen von 1..2n sind. (Wobei π 1 π 2 ) Es gibt nun immer zwei indizes i,j mit x i < y j in p 1 und x i > y j in p 2. Die beiden Punkte p 1 und p 2 liegen auf zwei verschiedenen Seiten einer Hyperebene x i = y j, die nicht in V P enthalten ist. Es muss also mindestens (n! (n! 1)) viele Zusammenhangskomponenten in V P geben. P Ω(log(CC(V P ))) = Ω(log((n!) 2 )) = Ω(nlog(n)) 12
13 Resultante: Gegeben 2n reelle Zahlen x 1..x n,y 1..y n R P (x 1..x n,y 1..y n ) = (x i y j ) i,j Da P (x 1..x n,y 1..y n ) 0 nur wenn es keine Schnitte in den Mengen A = {x 1..x n },B = {y 1..y n } gilt die untere Schranke Ω(nlog(n)) von Set Disjointnis. 7 Quellen Geometric Spanner Networks(Giri Narashimhan,Michiel Smid) Lower Bounds for Algebraic Computation Trees (Micheal Ben-Or) Skript zu Höhere Algorithmik aus dem WS 05/06 13
Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
Mehr2.2 Allgemeine (vergleichsbasierte) Sortierverfahren
. Allgemeine (vergleichsbasierte) Sortierverfahren Vergleichsbaum: Der Aufbau des Verbleichsbaum ist für jeden Algorithmus und jede Eingabelänge n gleich. Jede Permutation der Eingabe, muss zu einem anderen
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
MehrT (n) = max. g(x)=n t(n) S(n) = max. g(x)=n s(n)
Beim Logarithmischen Kostenmaß wird, im Gegensatz zum EKM, die Stelligkeit der Werte berücksichtigt und mit in die Laufzeit eingerechnet. Beispiel: R1 := R2 (R3), wobei R2 den Wert 5, R3 den Wert 10 und
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
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
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (25 Sortieren vorsortierter Daten)
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (25 Sortieren vorsortierter Daten) 1 Untere Schranke für allgemeine Sortierverfahren Satz Zum Sortieren einer Folge von n Schlüsseln mit einem allgemeinen
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein
Mehr8.1.3 Operation Build-Max-Heap Operation zur Konstruktion eines Heaps Eingabe: Feld A[1..n], n = länge(a) BUILD-MAX-HEAP (A)
Stand der Vorlesung: Datenstruktur Heap: fast vollständiger Binärbaum MaxHeap: sortierter Heap, größtes Element an Wurzel Sortierverfahren: HeapSort: Sortieren eines Feldes A[1.. n] Idee: in place: Feld
MehrSymmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome
Proseminar Lineare Algebra SS10 Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome Natalja Shesterina Heinrich-Heine-Universität ASymmetrische Polynome Definition 1 Sei n
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrDie Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche" Punkte mit inhomogenen K
Kapitel IV Projektive Geometrie In diesem Kapitel wird eine kurze Einführung in die projektive Geometrie gegeben. Es sollen unendlich ferne Punkte mit Hilfe von homogene Koordinaten eingeführt werden und
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
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
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
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
MehrDie Unlösbarkeit der Gleichung fünften Grades durch Radikale. Teilnehmer: Gruppenleiter:
Die Unlösbarkeit der Gleichung fünften Grades durch adikale Teilnehmer: Max Bender Marcus Gawlik Anton Milge Leonard Poetzsch Gabor adtke Miao Zhang Gruppenleiter: Jürg Kramer Andreas-Oberschule Georg-Forster-Oberschule
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrÜbungen zu Partielle Differentialgleichungen, WS 2016
Übungen zu Partielle Differentialgleichungen, WS 2016 Ulisse Stefanelli 16. Januar 2017 1 Beispiele 1. Betrachten Sie die Beispiele von nichtlinearen PDG und Systemen, die wir im Kurs diskutiert haben,
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrM. Pester 29. Ein konvexes d-polytop ist eine begrenzte d-dimensionale polyedrale Menge. (d = 3 Polyeder, d = 2 Polygon)
M. Pester 29 6 Konvexe Hülle 6.1 Begriffe Per Definition ist die konvexe Hülle für eine Menge S von lich vielen Punkten die kleinste konvexe Menge, die S enthölt (z.b. in der Ebene durch ein umspannes
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/200 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt
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
Mehr9. Geometrische Konstruktionen und Geometrische Zahlen.
9. Geometrische Konstruktionen und Geometrische Zahlen. Die Dreiteilungsgleichnung. Das Problem der Dreiteilung des Winkels wurde von Descartes vollständig gelöst. Dies ist in der Geometrie von Descartes
Mehr2.9 Die komplexen Zahlen
LinAlg II Version 1 3. April 2006 c Rudolf Scharlau 121 2.9 Die komplexen Zahlen Die komplexen Zahlen sind unverzichtbar für nahezu jede Art von höherer Mathematik. Systematisch gehören sie zum einen in
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
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,
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 3. Übung: Woche vom bis
Übungsaufgaben 3. Übung: Woche vom 27. 10. bis 31. 10. 2010 Heft Ü1: 3.14 (c,d,h); 3.15; 3.16 (a-d,f,h,j); 3.17 (d); 3.18 (a,d,f,h,j) Übungsverlegung für Gruppe VIW 05: am Mo., 4.DS, SE2 / 022 (neuer Raum).
MehrÜbungsblatt 12: Abschluss
Übungsblatt 1: Abschluss 1. PRIMITIVE ELEMENTE V 1.1. (a) Sei E K eine endliche Galoiserweiterung. Zeigen Sie (mit Hilfe der Galoiskorrespondenz), dass für α E die beiden Aussagen äquivalent sind: (i)
MehrInhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
Mehr2 Polynome und rationale Funktionen
Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine
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
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrTheoretische Informatik 1
Theoretische Informatik 1 Registermaschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Registermaschinen Algorithmusbegriff konkretisiert formale Beschreibung
MehrÜbungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
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
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.
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrKapitel 9 Algorithm. Geometrie. Kürzeste Abstände Konvexe Hülle
Kapitel 9 Algorithm. Geometrie Kürzeste Abstände Konvexe Hülle Überblick Teilgebiet der Informatik, in dem es um die Entwicklung effizienter Algorithmen und die Bestimmung der algorithmischen Komplexität
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
MehrPolynome Teil V: Elementarsymmetrische Funktionen.
Die WURZEL Werkstatt Mathematik Polynome Teil V: Elementarsymmetrische Funktionen. Es gibt Gleichungssysteme, die lassen sich mit schulischen Mitteln nicht bzw. nur sehr mühsam knacken. So musste etwa
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
Mehrmax{ x i a i : 1 i n} max{ x p a p, x r a r } max{a p x p, x r a r } d 2.
Erster Tag 5. Juli 007 Aufgabe 1. Gegeben seien eine positive ganze Zahl n und reelle Zahlen a 1, a,..., a n. Für jedes i (1 i n) sei d i = max{a j : 1 j i} min{a j : i j n} und sei d = max{d i : 1 i n}.
MehrKlausur Theoretische Informatik I WS 2004/2005
Technische Universität Chemnitz Chemnitz, den 22.02.2005 Fakultät für Informatik Prof. Dr. Andreas Goerdt Klausur Theoretische Informatik I WS 2004/2005 Studiengang Mechatronik Aufgabe 1 (2+2+2 Punkte)
MehrEinführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrKostenmaße. F3 03/04 p.188/395
Kostenmaße Bei der TM nur ein Kostenmaß: Ein Schritt (Konfigurationsübergang) kostet eine Zeiteinheit; eine Bandzelle kostet eine Platzeinheit. Bei der RAM zwei Kostenmaße: uniformes Kostenmaß: (wie oben);
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrNichtdeterministische Platzklassen
Sommerakademie 2010 Rot an der Rot AG 1: Wieviel Platz brauchen Algorithmen wirklich? Nichtdeterministische Platzklassen Ulf Kulau August 23, 2010 1 Contents 1 Einführung 3 2 Nichtdeterminismus allgemein
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
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
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.
MehrDatenstrukturen. einfach verkettete Liste
einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrEbene algebraische Kurven
Ebene algebraische Kurven Tangenten und Singularitäten Meyrer Claudine 4. November 010 Inhaltsverzeichnis 1 Lokale Eigenschaften an-algebraischer Kurven (in C ) 1.1 Denitionen..............................
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
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
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrMathematik für Studierende der Erdwissenschaften Lösungen der Beispiele des 5. Übungsblatts
Mathematik für Studierende der Erdwissenschaften Lösungen der Beispiele des 5. Übungsblatts 1. Stetigkeit und Grenzwerte: (a) Aus der folgenden grafischen Darstellung von y 1 (x) = x 2/3 /(1 + x 2 ) ist
Mehr1.3. Beträge, Gleichungen und Ungleichungen
1.3. Beträge, Gleichungen und Ungleichungen Das Maximum zweier Zahlen a, b wird mit max(a,b) bezeichnet, ihr Minimum mit min(a,b). Der Absolutbetrag einer reellen Zahl a ist a = max ( a, a ) oder auch
MehrLösung zur Übung für Analysis einer Variablen WS 2016/17
Blatt Nr. 3 Prof. F. Merkl Lösung zur Übung für Analysis einer Variablen WS 206/7 Aufgabe Das Guthaben G setzt sich zusammen aus der Summe aller bisherigen Einzahlungen multipliziert mit ( + p) k, wobei
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung 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
MehrAlgorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie
Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie Einführung in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 11. November 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
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
Mehr4. Vortrag - Garben. Ling Lin, Kristijan Cule Datum: 26. April 2009
4. Vortrag - Garben Datum: 26. April 2009 1 Graduierte Ringe Definition 4.1.1. Eine k-algebra R heißt graduiert, wenn sie dargestellt werden kann als eine direkte Summe R = R n, wobei die R n als k-unterräume
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr3. Musterlösung. Problem 1: Heapsort
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 3. Musterlösung Problem : Heapsort ** 2 3 4 5 Algorithmus : Heapsort (A) Eingabe : Array A der Länge n Ausgabe : Aufsteigend
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
MehrMusterlösung zu Blatt 11, Aufgabe 1
Musterlösung zu Blatt, Aufgabe Analysis II MIIA SoSe 7 Martin Schottenloher Musterlösung zu Blatt, Aufgabe I Aufgabenstellung Berechnen Sie folgende komplexe Kurvenintegrale vgl. 3.9: a zn dz für n N,
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
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrAlgorithmen und Datenstrukturen Kapitel 1 Algorithmen & Algorithmenanalyse
Algorithmen und Datenstrukturen Kapitel 1 Algorithmen & Frank Heitmann heitmann@informatik.uni-hamburg.de 14. Oktober 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/48 Der Sprung ins Wasser...
MehrGrundlagen der Kombinatorik
60 Kapitel 4 Grundlagen der Kombinatori Einer der Schwerpunte der Kombinatori ist das Abzählen von endlichen Mengen. Wir stellen zunächst einige Grundregeln des Abzählens vor, die wir gelegentlich auch
MehrUnentscheidbare Probleme: Diagonalisierung
Unentscheidbare Probleme: Diagonalisierung Prof Dr Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Oktober 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrÜbung zur Vorlesung Algorithmische Geometrie
Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)
MehrLösungen der Aufgaben zu Abschnitt 5.4
A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ
MehrProgrammieren für Fortgeschrittene
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme Wintersemester 2011/12 Programmieren für Fortgeschrittene Rekursive Spezifikationen Die folgende
Mehr10 Untermannigfaltigkeiten
10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
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
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrWiederholungsblatt zur Gruppentheorie
Wiederholungsblatt zur Gruppentheorie von Christian Elsholtz, TU Clausthal, WS 1999/2000 Um Ihnen zu helfen, die Gruppentheorie zu wiederholen, stelle ich hier einige wichtige Beispiele und einige Lösungen
Mehr