Matching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend
|
|
- Gisela Melsbach
- vor 6 Jahren
- Abrufe
Transkript
1 Organisatorisches VL-18: Matching (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Sprechstunde: Mittwoch 11:15 12:00 Übungen: Tim Hartmann, David Korzeniewski, Björn Tauer Webseite: SS 2017, RWTH Nächste Vorlesung: Donnerstag, Juli 6, Aula 1, zur gewohnten Zeit DSAL/SS 2017 VL-18: Matching 1/37 DSAL/SS 2017 VL-18: Matching 2/37 Tanzabend Grundlegende Definitionen Matching Algorithmus für bipartites Matching Satz von Hall Satz von König Algorithmus für gewichtetes bipartites Matching... möchte gerne tanzen mit... Anna Cor, Dirk Bea Adrian, Bernhard, Cor, Dirk Carrie Bernhard, Edward Doris Adrian, Edward, Frank, Greg Eva Adrian, Bernhard, Frank, Harry Francis Edward, Greg Gwen Edward, Frank, Harry, Ivo Hilda John, Kurt Ingrid Greg, Harry, Ivo Jeanette Greg, Kurt, Lambert Katie John, Kurt, Lambert Laura Ivo, Kurt DSAL/SS 2017 VL-18: Matching 3/37 DSAL/SS 2017 VL-18: Matching 4/37
2 Anna Adrian Anna Adrian Bea Bernhard Bea Bernhard Carrie Cor Carrie Cor Doris Dirk Doris Dirk Eva Edward Eva Edward Francis Frank Francis Frank Gwen Greg Gwen Greg Hilda Harry Hilda Harry Ingrid Ivo Ingrid Ivo Jeanette John Jeanette John Katie Kurt Katie Kurt Laura Lambert Laura Lambert DSAL/SS 2017 VL-18: Matching 5/37 DSAL/SS 2017 VL-18: Matching 6/37 Tanzabend: Komplikationen (1) Jeanette will auf einmal nicht mehr mit Greg tanzen Dafür will Jeanette nun mit John tanzen Gwen möchte nun doch mit Greg tanzen Und so weiter... möchte gerne tanzen mit... Anna Cor, Dirk Bea Adrian, Bernhard, Cor, Dirk Carrie Bernhard, Edward Doris Adrian, Edward, Frank, Greg Eva Adrian, Bernhard, Frank, Harry Francis Edward, Greg Gwen Edward, Frank, Greg, Harry, Ivo, John Hilda John, Kurt Ingrid Greg, Harry, Ivo, John Jeanette John, Kurt, Lambert Katie John, Kurt, Lambert Laura John, Kurt Anna Bea Carrie Doris Eva Francis Gwen Hilda Ingrid Jeanette Katie Laura Adrian Bernhard Cor Dirk Edward Frank Greg Harry Ivo John Kurt Lambert DSAL/SS 2017 VL-18: Matching 7/37 DSAL/SS 2017 VL-18: Matching 8/37
3 Tanzabend: Komplikationen (2) Einfache Erklärung Betrachte die vier Frauen Hilda, Jeanette, Katie und Laura. Diese vier wollen nur mit John, Kurt und Lambert tanzen. Anna Bea Carrie Doris Eva Francis Gwen Hilda Ingrid Jeanette Katie Laura Adrian Bernhard Cor Dirk Edward Frank Greg Harry Ivo John Kurt Lambert DSAL/SS 2017 VL-18: Matching 9/37 DSAL/SS 2017 VL-18: Matching 10/37 Matchings (1) Definitionen Definition: Matching Es sei G = (V, E) ein ungerichteter Graph. Eine Kantenmenge M E heisst Matching, falls je zwei verschiedene Kanten in M disjunkt sind (Für alle e, e M mit e e gilt e e = ) Ein Knoten v V wird von einem Matching M überdeckt, falls v e für eine Kante e M gilt. Definition: Bipartiter Graph Ein Graph G = (V, E) heisst bipartit, falls es eine Partition V = X Y der Knotenmenge gibt, sodass E X Y. Beispiel: Tanzabend mit X =Frauen und Y =Männer DSAL/SS 2017 VL-18: Matching 11/37 DSAL/SS 2017 VL-18: Matching 12/37
4 Matchings (2) Problem: MATCHING Gegeben: Ein ungerichteter Graph G = (V, E) Gesucht: Ein Matching M E mit maximaler Kardinalität Problem: BIPARTITES MATCHING Gegeben: Ein ungerichteter bipartiter Graph G = (V, E) Gesucht: Ein Matching M E mit maximaler Kardinalität Algorithmus für BIPARTITES MATCHING In dieser Vorlesung werden wir uns hauptsächlich mit BIPARTITEN MATCHINGs beschäftigen. DSAL/SS 2017 VL-18: Matching 13/37 DSAL/SS 2017 VL-18: Matching 14/37 Arbeitsplan Augmentierende Pfade (1) Arbeitsplan Wir beginnen mit dem leeren Matching M = Wir lassen das Matching M Schritt für Schritt wachsen Jeder Schritt erhöht die Kardinalität M um 1 Wenn wir stecken bleiben, ist M ein Matching maximaler Kardinalität Definition Es sei G = (V, E) ein Graph, und es sei M E ein Matching. Ein u-v-pfad heisst M-augmentierend, wenn die Endpunkte u und v nicht von M überdeckt werden, und wenn die Kanten abwechselnd zu E M und M gehören. = u v DSAL/SS 2017 VL-18: Matching 15/37 DSAL/SS 2017 VL-18: Matching 16/37
5 Augmentierende Pfade (2) Augmentierende Pfade (3) u v Beobachtung Es sei G = (V, E) ein Graph; es sei M E ein Matching; es sei P ein M-augmentierender u-v-pfad. Wenn wir die Kanten in P M aus M entfernen, und die Kanten in P (E M) zu M dazugeben, so erhalten wir ein neues Matching M mit M = M + 1. u v Wichtiges Unterproblem Gegeben: Ein bipartiter Graph G = (V, E) mit Bipartition V = X Y ; ein Matching M E in G Gesucht: Ein M-augmentierender Pfad DSAL/SS 2017 VL-18: Matching 17/37 DSAL/SS 2017 VL-18: Matching 18/37 Wie findet man einen augmentierenden Pfad? (1) Wie findet man einen augmentierenden Pfad? (2) Gegeben: bipartiter Graph G = (V, E) mit V = X Y ; Matching M Gesucht: Ein M-augmentierender Pfad Es seien X X und Y Y die nicht von M überdeckten Knoten Wir definieren einen gerichteten Hilfsgraphen: Knotenmenge X Y {s, t} Kante (s, x) für x X ; Kante (y, t) für y Y ; Kante (x, y) wenn {x, y} E M; Kante (y, x) wenn {x, y} M Beobachtung Gerichteter Pfad s u z 1 z 2 z k v t im Hilfsgraphen entspricht direkt einem M-augmentierenden Pfad u, z 1, z 2,..., z k, v im bipartiten G. Beobachtung Gerichteter Pfad s u z 1 z 2 z k v t im Hilfsgraphen entspricht direkt einem M-augmentierenden Pfad u, z 1, z 2,..., z k, v im bipartiten G. Satz Durch Anwendung von Breitensuche oder Tiefensuche im gerichteten Hilfsgraphen können wir in O( V + E ) Zeit einen M-augmentierenden Pfad im bipartiten Graphen G = (V, E) entdecken (oder feststellen, dass es keinen M-augmentierenden Pfad gibt). DSAL/SS 2017 VL-18: Matching 19/37 DSAL/SS 2017 VL-18: Matching 20/37
6 Und wenn es keinen augmentierenden Pfad gibt? Zusammenfassung Satz Für ein Matching M E in einem bipartiten Graphen G = (V, E) gilt genau eine der beiden folgenden Aussagen: (a) M ist ein Matching mit maximaler Kardinalität (b) Es existiert ein M-augmentierender Pfad (a) (b): (a) (b): ist klar muss bewiesen werden Betrachte optimales Matching M mit maximaler Kardinalität Der Graph (V, M M ) besteht aus Kreisen und Pfaden Kreise haben gerade Länge Pfade haben gerade oder ungerade Länge Theorem In einem bipartiten Graphen G = (V, E) kann ein Matching mit maximaler Kardinalität in O( V E ) Zeit berechnet werden. Ein einzelner augmentierender Pfad kostet O( V + E ) Zeit Es muss höchstens V /2-mal augmentiert werden DSAL/SS 2017 VL-18: Matching 21/37 DSAL/SS 2017 VL-18: Matching 22/37 Perfekte Matchings Definition: Perfektes Matching Ein Matching M in einem Graphen G = (V, E) heisst perfekt, falls M alle Knoten in V überdeckt. Der Satz von Philip Hall Hall Bedingung Für bipartite Graphen G = (X Y, E) lautet die Hall Bedingung: ( ) für alle S X gilt: N(S) S Notation: N(S)= Menge aller Nachbarn von Knoten v S Beobachtung Wenn ein bipartiter Graph G = (X Y, E) ein perfektes Matching hat, so erfüllt er die Hall Bedingung ( ). DSAL/SS 2017 VL-18: Matching 23/37 DSAL/SS 2017 VL-18: Matching 24/37
7 Satz von Hall (1) Satz (Hall, 1935) Ein bipartiter Graph G=(X Y, E) mit X = Y hat perfektes Matching, genau dann wenn die Hall Bedingung ( ) erfüllt ist. Für den Beweis betrachten wir uns den gerichteten Hilfsgraphen genauer, und bauen den Suchbaum langsam und Schritt für Schritt auf. Start: Wähle Knoten x 1, der von M nicht überdeckt wird. Schritt k: Betrachte x 1,..., x k und y 1,..., y k 1 aus früheren Schritten Wegen ( ) existiert neues y k, das zu einem der x i benachbart ist Zeichne blauen Pfeil von y k zu einem Nachbarn x i Falls y k von M überdeckt: Zeichne roten Pfeil von y k zum Partner x k+1 in M; NEXT Falls y k von M nicht überdeckt: STOP Extrahiere M-augmentierenden Pfad Satz von Hall (2) > > > > > s x 1 y 1 x 2 y 3 x 4 V V > y 2 y 5 x 6 V > > > > x 3 y 4 x 5 y 6 x 7 V V V > > y 7 x 8 y 8 x 9 y 9 DSAL/SS 2017 VL-18: Matching 25/37 DSAL/SS 2017 VL-18: Matching 26/37 Vertex Cover Satz von Dénes König Definition: Vertex Cover Es sei G = (V, E) ein ungerichteter Graph. Eine Knotenmenge C V heisst Vertex Cover, falls jede Kante e E zu mindestens einem Knoten in C inzident ist. ν(g) := Kardinalität des grössten Matchings in G τ(g) := Kardinalität des kleinsten Vertex Covers in G Beobachtung Jeder Graph G = (V, E) erfüllt ν(g) τ(g). Anmerkung: Strikte Ungleichheit möglich; zum Beispiel ν(c 5 ) < τ(c 5 ) DSAL/SS 2017 VL-18: Matching 27/37 DSAL/SS 2017 VL-18: Matching 28/37
8 Satz von König Satz (König, 1931) In einem bipartiten Graphen G = (X Y, E) gilt ν(g) = τ(g). Betrachte grösstes Matching M in G. Für jede Kante {x, y} M mit x X und y Y : Falls y im Hilfsgraphen von s aus erreichbar: y C Falls y im Hilfsgraphen von s nicht erreichbar: x C Betrachte beliebige Kante e = {x, y } E Dann e M, oder {x, y } M, oder {x, y } M In jedem dieser Fälle erhalten wir entweder x C oder y C oder wir finden einen augmentierenden Pfad im Hilfsgraphen Algorithmus für GEWICHTETES BIPARTITES MATCHING DSAL/SS 2017 VL-18: Matching 29/37 DSAL/SS 2017 VL-18: Matching 30/37 Gewichtetes Matching (1) Problem: GEWICHTETES MATCHING Gegeben: Graph G = (V, E); Kantengewichte w : E R Gesucht: Ein Matching M E mit maximalem Gewicht w(m) Problem: GEWICHTETES BIPARTITES MATCHING Gegeben: bipartiter Graph G = (V, E); Kantengewichte w : E R Gesucht: Ein Matching M E mit maximalem Gewicht w(m) Notation: w(m) := e M w(e) versus Gewichtetes Matching (2) Definition Es sei G = (V, E) ein bipartiter Graph mit Kantengewichten w : E R. Ein Matching M E heisst k-extrem, wenn M = k und w(m ) w(m) für alle Matchings M E mit M = k Arbeitsplan: M 0 = ist 0-extremes Matching Für k 1: Konstruiere k-extremes Matching M k aus (k 1)-extremem M k 1 Output = Matching M k mit grösstem Gewicht DSAL/SS 2017 VL-18: Matching 31/37 DSAL/SS 2017 VL-18: Matching 32/37
9 Vom (k 1)-extremen zum k-extremen Matching (1) Vom (k 1)-extremen zum k-extremen Matching (2) Sei G = (V, E) ein bipartiter Graph mit Kantengewichten w : E R Sei M k 1 ein (k 1)-extremes Matching Wir definieren für jede Kante e E eine reelle Länge l(e) = w(e), wenn e M k 1 l(e) = w(e), wenn e / M k 1 Satz Es sei P ein M k 1 -augmentierender Pfad mit minimaler Länge l(p). Die symmetrische Differenz M k 1 P ist k-extremes Matching M k. Der Graph (V, M k 1 M k ) besteht aus Kreisen und Pfaden Kreise haben gerade Länge Pfade haben gerade oder ungerade Länge Genau wie auf der letzten Folie: Sei G = (V, E) ein bipartiter Graph mit Kantengewichten w : E R Sei M k 1 ein (k 1)-extremes Matching Fast genau wie im ungewichteten Fall: Wir definieren gerichteten Hilfsgraphen mit: Knotenmenge X Y {s, t} Kante (s, x) mit Länge 0 für x X ; Kante (y, t) mit Länge 0 für y Y ; Kante (x, y) mit Länge w({x, y}) wenn {x, y} E M k 1 ; Kante (y, x) mit Länge w({x, y}) wenn {x, y} M k 1 Satz Der Hilfsgraphen enthält keinen Kreis mit negativer Länge. Ergo: Bellman-Ford ist anwendbar DSAL/SS 2017 VL-18: Matching 33/37 DSAL/SS 2017 VL-18: Matching 34/37 Gewichtetes Matching: Hauptresultat Schlussbemerkungen In dieser Vorlesung haben wir schnelle Algorithmen für BIPARTITES MATCHING und GEWICHTETES BIPARTITES MATCHING entwickelt. Theorem In einem kanten-gewichteten bipartiten Graphen G = (V, E) kann ein Matching mit maximalem Gewicht in O( V 2 E ) Zeit berechnet werden. Es muss höchstens V -mal augmentiert werden Eine Augmentation kostet O( V E ) Zeit mit Bellman-Ford Die Literatur enthält allgemeinere Resultate: Theorem In einem (nicht notwendigerweise bipartiten) Graphen G = (V, E) kann ein Matching mit maximaler Kardinalität in O( V E ) Zeit berechnet werden. Theorem In einem (nicht notwendigerweise bipartiten) Graphen G = (V, E) mit Kantengewichten w : E R kann ein Matching mit maximalem Gewicht in O( V 2 E ) Zeit berechnet werden. DSAL/SS 2017 VL-18: Matching 35/37 DSAL/SS 2017 VL-18: Matching 36/37
10 Organisatorisches Nächste Vorlesung: Donnerstag, Juli 6, Aula 1, zur gewohnten Zeit Webseite: DSAL/SS 2017 VL-18: Matching 37/37
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
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:
MehrFelix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
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 1 Programm des
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 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/ws0809
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
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 4 Programm des
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
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
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
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
MehrAnwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin
Anwendungen von Netzwerkfluss Wojciech Polcwiartek Institut für Informatik FU Berlin 13. 01. 2009 Gliederung Einführung Netzwerk, Fluss und Schnitt Max-Flow-Min-Cut Theorem Algorithmen zum Bestimmen vom
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
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
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
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.
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
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,
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
MehrVerteilen von Bällen auf Urnen
Verteilen von Bällen auf Urnen Szenario: Wir verteilen n Bälle auf m Urnen, d.h. f : B U mit B = {b 1,..., b n } und U = {u 1,..., u m }. Dabei unterscheiden wir alle Kombinationen der folgenden Fälle
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!
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber auf freie Stellen
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
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.
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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Vlad Popa 08.06.2010 Inhaltsverzeihnis 1. Flussnetzwerke und Flüsse 1.1 Ford- Fulkerson 1.2 Edmond Karp 1.3 Dinic 2. Schnitte 3. Maximaler Fluss bei minimalen Kosten
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
Mehr4.7 Der Algorithmus von Dinic für maximalen Fluss
4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen
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
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
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
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!
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #7: Matchingtheorie Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Matchings und erweiternde Wege Satz von Berge Das Heiratsproblem und der
MehrFlüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
Mehr2 Tiefen- und Breitensuche
2 Tiefen- und Breitensuche Übersicht 2.1 SpannendeBäume... 21 2.2 WiefindetmanspannendeBäume?... 24 2.3 AnwendungenvonBFSundDFS... 29 2.4 Aufgaben... 33 2.1 Spannende Bäume Vor nicht allzu langer Zeit
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
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
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis Tobias Ludes 02.07.07 Inhalt Einführung Algorithmen Modifikation der Gomory-Hu Methode Einführung Nach Gomory-Hu nur n-1 Netzwerk-Fluss- Berechnungen
MehrGrundlagen Datenstrukturen Transitive Hülle Traversierung Kürzeste Wege Spannender Baum Max. Fluss Zuordnungen. 6. Graphen
. Graphen viele praktische (Optimierungs-)Probleme sind als graphentheoretische Probleme formulierbar z.b. in Produktionsplanung, Personaleinsatzplanung,.... Grundlagen gerichteter, ungerichteter und gewichteter
MehrWilliam Rowan Hamilton,
3.2.2 Hamiltonkreise Definition 130. In einem Graph G = (V,E) nennt man einen Kreis, der alle Knoten aus V genau einmal durchläuft, einen Hamiltonkreis. Enthält ein Graph eine Hamiltonkreis, nennt man
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
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
MehrKürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring
Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrEinführung in die Graphentheorie. Monika König
Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
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
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
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
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei
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
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
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
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
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrFlüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk
Flüsse in Netzwerken Seminar über Algorithmen SoSe 2005 Mike Rohland & Julia Schenk Inhalt Einführung Definition Maximale Flüsse Schnitte Restgraphen Zunehmende Wege Max-Fluss Min-Schnitt Theorem Ford-Fulkerson
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
MehrLösungsvorschläge zu den Aufgaben
Lösungsvorschläge zu den Aufgaben Version: 06.02.2007 Hinweis: Diese Lösungen sind nicht als Musterlösungen gedacht, die zeigen sollen, wie man seine Lösungen aufschreiben soll. Sie sollen nur kurz und
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
Mehr3. Übungsblatt zu Algorithmen II im WS 2011/2012
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Moritz Kobitzsch, Dennis Schieferdecker 3. Übungsblatt zu Algorithmen II im WS 20/202 http://algo2.iti.kit.edu/algorithmenii.php
MehrGraphen. Leonhard Euler ( )
Graphen Leonhard Euler (1707-1783) 2 Graph Ein Graph besteht aus Knoten (nodes, vertices) die durch Kanten (edges) miteinander verbunden sind. 3 Nachbarschaftsbeziehungen Zwei Knoten heissen adjazent (adjacent),
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
MehrUniversität des Saarlandes
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Kurt Mehlhorn WiSe 2015/2016 Übungen zu Ideen der Informatik http://www.mpi-inf.mpg.de/departments/algorithms-complexity/teaching/winter15/ideen/
MehrFormale Grundlagen der Informatik
Formale Grundlagen der Informatik / 2015 1 Die Elemente einer (endlichen) Menge sollen den Elementen einer zweiten, gleichmächtigen Menge zugeordnet werden Problemstellung Bipartite Graphen Zuordnungsprobleme
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
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
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
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrWie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung
Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko
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
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
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrInhaltsverzeichnis. - Kurzer Überblick Seite ) Einleitung Seite ) Vorbereitungen Seite 2. - ungewichtete und ungerichtete Graphen Seite 2
Inhaltsverzeichnis - Kurzer Überblick Seite 1-1) Einleitung Seite 1-2) Vorbereitungen Seite 2 - ungewichtete und ungerichtete Graphen Seite 2 - Erweiterung für gerichtete Graphen Seite 8-3) a) Abschätzung
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrGraphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007
Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
Mehrentheoretische Konzepte und Algorithmen
Sven Oliver Krumke, Hartmut Noitemeier entheoretische Konzepte und Algorithmen Teubner Inhaltsverzeichnis 1 Einleitung 1 1.1 Routenplanung 1 1.2 Frequenzplanung im Mobilfunk I 1.3 Museumswärter 3 1.4 Das
Mehr