LiSA Scheduling Software
|
|
- Lukas Gabriel Geier
- vor 6 Jahren
- Abrufe
Transkript
1 LiSA Scheduling Software Vom Forschungsprojekt zum Software Paket für Lehre und Forschung Otto von Guericke Universität Magdeburg
2 Überblick Was ist Lisa? Zur Theorie Lisa intern Cooperative Development von Sandra Kutz Marc Mörig Ivo Rössling Lars Dornheim
3 Forschungsprojekt Start September 997 Förderung durch das Land Sachsen-Anhalt ( ) Cebit '99 Präsentation der Version.0 Problem- Klassifikation (Promotion) Cebit 2000 Version 2.0 Irreduzibilität (Promotion) Zahlreiche Diplomarbeiten
4 ...und seine Fortsetzung Warum soll das Projekt weiterbestehen? Einsatz für Forschung und Lehre Kein vergleichbares Paket Training in der Softwareentwicklung Weiterenwicklungen und Ergänzungen Notwendige Schritte Studentenprojekte Auslandskooperationen
5 Schedulingsoftware Scheduling: optimale Planung des zeitlichen Ablaufs Beschränkte Ressourcen Deterministische Shop Scheduling Probleme Graphisches Userinterface Algorithmen Visualisierung der Lösungen
6 Gipfeltreffen
7
8 Die Aufgabe... Es liegen Ihnen Anfragen über folgende Interviews mit Zeitangaben (in Minuten) vor. JAP USA GER RUS CNN ARD SAT BILD FOCUS 25 8 Unter diesen Vorgaben sollen die Interviews so geplant werden, dass sie zu einem möglichst frühen Zeitpunkt beendet sind. (Damit die Sitzung beginnen kann.)
9 Was ist ein Scheduling Problem? Gegeben ist eine Menge von Aufträgen Ai i =,...,n die auf einer Menge von Maschinen Mj j=,...,m bearbeitet werden soll. Die Maschinen sind also die Journalisten von: CNN, ARD, Sat, Bild, Focus Die Aufträge ensprechen den Vertretern aus: Japan, USA, Russland, Deutschland
10 Was ist ein Scheduling Problem? Menge der Operationen: SIJ Bearbeitungszeitmatrix: P = (pij)n x m SIJ [ ] [ P= ]
11 Technologische Reihenfolgen Reihenfolge in der ein Auftrag auf den verschiedenen Maschinen bearbeitet wird Japan: CNN ARD Focus USA: CNN ARD Sat Bild Russland: CNN ARD Sat Bild Deutschland: CNN ARD Bild Focus Eine von 3! * 4! * 5! * 3! = möglichen Technologien.
12 Organisatorische Reihenfolgen Reihenfolge in der die verschiedenen Aufträge auf einer Maschine bearbeitet werden CNN: JAP USA RUS GER ARD: JAP USA RUS GER Sat: USA RUS Eine von 3824 Bild: USA RUS GER möglichen organisatorischen Focus: JAP RUS Reihenfolgen.
13 Sequence Graph Der Sequence Graph entsteht aus den technologischen und organisatorischen Reihenfolgen. CNN ARD Sat Bild Japan,,2 USA 2, 2,2 2,3 2,4 Russland 3, 3,2 3,3 3,4 Deutschland 4, 4,2 Focus,5 4,4 3,5
14 Schedule Aus dem Sequence Graph und den Bearbeitungszeiten kann nun ein Schedule erzeugt werden. [ P= ] CNN ARD Sat Bild Japan 3 6 USA Russland Deutschland Focus
15 Gantt Diagramm
16 Was ist ein Scheduling Problem? Gesucht ist eine zulässige Kombination von technologischen und organisatorischen Reihenfolgen unter verschiedenen zusätzlichen Nebenbedingungen, so daß eine gegebene Zielfunktion minimiert wird.
17 Notation Maschinenumgebung Jobcharakteristika und weitere Nebenbedingungen Zielfunktion O C
18 Maschinenumgebung { P, Q, R } Parallelmaschinenprobleme Jeder Auftrag hat nur eine Operation, die auf einer beliebigen Maschine durchgeführt werden kann. { O, J, F } Shop Probleme Jeder Auftrag wird höchstens einmal auf jeder Maschine bearbeitet.
19 Nebenbedingungen {, pmtn } Preemption 2 {, prec, tree, outtree, intree, chain } Vorrangbedingungen 3 {, r i 0 } Bereitstellungszeiten 4 {, d i } Fertigstellungstermine 5 {, p i =, p ij =} Einheitsbearbeitungszeiten
20 Zielfunktionen Für einen Schedule lässt sich für jeden Auftrag Ai folgendes angeben: Fertigstellungszeit Ci Terminabweichung Li =C i d i Verspätung T i =max { 0, C i d i } ob Auftrag Ai verspätet ist U i = 0, C i d i, sonst { }
21 Zielfunktionen Gesamtbearbeitungszeit =C m a x =max {C i ;i=,..., n } maximale Terminabweichung =L m a x =max { Li ; i=,..., n } summierte Zielfunktionen { C i, T i, U i } mit einer zusätzlichen Wichtung wi für jeden Auftrag { w i C i, w i T i, w i U i }
22 Datenstrukturen Operationen und Bearbeitungszeiten [ SIJ = ] [ P= ]
23 Datenstrukturen Organisationen und Technologien CNN ARD Focus CNN ARD Sat Bild CNN ARD Sat Bild CNN ARD JAP JAP USA USA USA USA RUS RUS RUS RUS GER GER Focus Bild JAP GER RUS [ ] [ ] M O= 2 J O= 3 4
24 Datenstrukturen Sequence,,2,5 2, 2,2 2,3 2,4 3, 3,2 3,3 3,4 4, 4,2 4,4 3,5 [ 2 LR= ]
25 Datenstrukturen Schedule [ CIJ = ]
26 Die Aufgabe... Es liegen Ihnen Anfragen über folgende Interviews mit Zeitangaben (in Minuten) vor. JAP USA GER RUS CNN ARD SAT BILD FOCUS 25 8 Unter diesen Vorgaben sollen die Interviews so geplant werden, dass sie zu einem möglichst frühen Zeitpunkt beendet sind. (Damit die Sitzung beginnen kann.)
27 Lösungsverfahren Exakte Algorithmen Reihungsregeln SPT-Regel (kürzeste Bearbeitungszeit zuerst) Heuristiken
28 Lösung : SPT Regel mit semiaktivem Schedule SPT Regel mit aktivem Schedule
29 Darstellung der Ergebnisse Lateinische Rechtecke( Sequence) Listen von Plänen Sequence Graph Schedule ( Matrix der Bearbeitungsendzeiten) Gantt Diagramm ( maschinenorientiert/ auftragsorientiert) Kritischer Weg
30 Das Beispielszenario Im folgenden Fall finden die betreffenden Interviews im Anschluss an Beratungen statt. Die Politiker kommen zu unterschiedlichen Zeiten im Pressezentrum an. Dadurch verändert sich die zu betrachtende Zielfunktion, d.h. wird um Bereitstellungszeiten (release dates ) erweitert. Es werden folgende Zeiten angenommen: JAP USA GER RUS
31 Optimale Lösung O ri C m a x
32 Veränderte Zielfunktion An nächsten Tag treffen auch die Umweltminister der vier Staaten zu dem Treffen ein. Jetzt müssen bei den Interviews zusätzlich auch die Wichtigkeit der betreffenden Personen einkalkuliert werden. Es ist von grosser Bedeutung, das die Präsidenten möglichst früh interviewt werden, während es durchaus vertretbar ist, einen Umweltminister warten zu lassen.
33 Modellierung Zur Modellierung dieser Problemstellung werden für jeden Teilnehmer Prioritäten (als Gewichte) zugeordnet. Als Zielfunktion wird w C verwendet. i i JAP USA GER RUS CNN ARD SAT BILD FOCUS wi
34 Lösung mit Branch &Bound O w i C i
35 Überblick Einige Algorithmen vorgestellt Anwendung von Lisa dargestellt Möglichkeit selbst zu probieren Einsatz in Forschungsarbeiten Internationale Verbreitung Wie ist LiSA intern aufgebaut?
36 Teil 2: Ans Eingemachte Wie sieht's in LiSA aus? Modulkonzept Wie wächst LiSA? Verteilte Entwicklung Wie geht's weiter mit LiSA? Ausblick
37 LiSA Komponenten
38 Problem Klassifikation
39 Problem Klassifikation
40 Problem Klassifikation
41 LiSA Komponenten
42 Alg Files <EXACT> <PROBLEMTYPE> Lisa_ProblemType= { / pmtn </PROBLEMTYPE> <PROBLEMTYPE> Lisa_ProblemType= { O / pmtn </PROBLEMTYPE> </EXACT> <HEURISTIC> </HEURISTIC> / Cmax } / Cmax } Das ist aber einfach!!!
43 Implementierte Algorithmen
44 Verteilte Entwicklung
45 Die Zukunft moderne GUI Java, Web neues Alg File Konzept XML dynamische Transformation der Probleme
46 LiSA Scheduling Software magdeburg.de THX for listening : )
Scheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
MehrLiSA - A Library of Scheduling Algorithms Handbuch zu Version 3.0
1 LiSA - A Library of Scheduling Algorithms Handbuch zu Version 3.0 Michael Andresen, Heidemarie Bräsel, Frank Engelhardt, Frank Werner Fakultät für Mathematik Otto-von-Guericke Universität Magdeburg Abstrakt
MehrDas disjunktive Graphenmodell für Shop-Probleme
Das disjunktive Graphenmodell für Shop-Probleme Definition 1: Ein disjunktiver Graph ist ein Graph G =(V, E) mit V = {(i, j) (i, j) SIJ} {q} {s} Die Knotenmenge ist die Menge der Operationen zuzüglich
Mehr2. Maschinenumgebungen, Ablaufeigenschaften, Ziele
2. Maschinenumgebungen, Ablaufeigenschaften, Ziele Einige der in der Ablaufplanung typischen Bezeichnungen haben wir bereits kennen gelernt. Diese werden im Folgenden ergänzt und zu einer simplen, aber
MehrLiSA - A Library of Scheduling Algorithms Handbuch zu Version 3.0
1 LiSA - A Library of Scheduling Algorithms Handbuch zu Version 3.0 Michael Andresen, Heidemarie Bräsel, Frank Engelhardt, Frank Werner Fakultät für Mathematik Otto-von-Guericke Universität Magdeburg Abstrakt
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
MehrKonstruktive Heuristiken
Konstruktive Heuristiken Konstruktive Heuristik: Ein Plan oder ein Schedule wird durch das schrittweise Ein- oder Anfügen einer Operation oder einer Menge von Operationen erzeugt: - Reihungsregeln (Dispatching
MehrAblaufplanung für Batchmaschinen in der Halbleiterproduktion: Modellierung und Lösungsverfahren
Technische Universität Ilmenau Wirtschaftsinformatik I in der Halbleiterproduktion: Modellierung und Lösungsverfahren PD Dr. Vortrag anlässlich des Treffens SCM in the Electronics Industry der Arbeitsgruppe
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrAlgorithmen zur Visualisierung von Graphen Lagenlayouts
Algorithmen zur Visualisierung von Graphen Lagenlayouts Marcus Krug Institut für Theoretische Informatik 25.06.2009 1/ 41 E-Mail-Graph der Fakultät für Informatik 2/ 41 E-Mail-Graph der Fakultät für Informatik
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrFlexible Personaleinsatzplanung von Krankenhausärzten
Flexible Personaleinsatzplanung von Krankenhausärzten Jens O. Brunner, TUM School of Management Rainer Kolisch, TUM School of Management Tagung der GOR-Arbeitsgruppe Health Care Management Cottbus, den
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 16 P Instruktionen: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
MehrKap. 7 Optimierung. Überblick. Optimierung: Einführung. Motivation. Beispiele für Optimierungsprobleme. Rundreiseprobleme (TSP)
Kap. 7 Optimierung Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 22. VO 2. TEIL DAP2 SS 2009 9. Juli 2009 Überblick Einführung Einige klassische Optimierungsprobleme,
MehrEffiziente Algorithmen II
10. Präsenzaufgabenblatt, WiSe 2014/15 Übungstunde am 19.01.2015 Aufgabe Q Betrachten Sie das Knapsackpolytop P = conv(v ) mit V = {x n i=1 a ix i α} {0, 1} n für gegebenes α und a i 0 (insbesondere ist
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
MehrOptimierungsprobleme in der Industrie
Dipl.-Inf. 2006-01-20, TU Darmstadt Gliederung Einleitung Anwendungen, Modelle, Verfahren Einführung, Komplexität, Algorithmen Vorstellung Fazit, Literatur Beteiligte Institutionen www.mrupp.info Diplomarbeit
MehrApproximationsschemata
Effiziente Algorithmen Aproximationsalgorithmen 312 Definition Approximationsschemata Sei A(ǫ) ein Approximationsalgorithmus mit einem Parameter ǫ. 1. A(ǫ) ist ein PTAS (polynomial time approximation scheme),
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrKlausur zur Veranstaltung Industrielle Produktionsprozesse im WS 2009/10
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Veranstaltung Industrielle Produktionsprozesse im
MehrUML (Unified Modelling Language) von Christian Bartl
UML (Unified Modelling Language) von Inhaltsverzeichnis Inhaltsverzeichnis... 2 1 UML Unified Modelling Language... 3 2 Diagrammtypen... 3 2.1 Aktivitätsdiagramm... 3 2.1.1 Notation... 4 2.1.2 Beispieldiagramm...
MehrKapitel 4: Das Überdeckungsproblem
Kapitel : Das Überdeckungsproblem Kapitel Das Überdeckungsproblem Kapitel : Das Überdeckungsproblem Seite / 25 Kapitel : Das Überdeckungsproblem Inhaltsverzeichnis. Überdeckungsmatrizen.2 Minimalüberdeckungen.
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrAlgorithmen und Datenstrukturen (Informatik II) SS Klausur
Lehrstuhl für Algorith. und Datenstrukturen Prof. Dr. Hannah Bast Axel Lehmann Algorithmen und Datenstrukturen (Informatik II) SS 2013 http://ad-wiki.informatik.uni-freiburg.de/teaching Klausur Mittwoch
MehrLernumgebung für das Travelling Salesman Problem. Bedienungsanleitung. Projekt im Sommersemester 2016 Betreuer: Prof. Dr.
Lernumgebung für das Travelling Salesman Problem Bedienungsanleitung Projekt im Sommersemester 2016 Betreuer: Prof. Dr. Peter Klutke Alexander Kirijatov (286925), Andreas Peter (266601), Benjamin Heckel
MehrAufgabenblatt 4. Aufgabe 3. Aufgabe 1. Aufgabe 2. Prof. Dr. Th. Letschert Algorithmen und Datenstrukturen
Prof. Dr. Th. Letschert Algorithmen und Datenstrukturen Aufgabenblatt 4 Aufgabe 1 1. Erläutern Sie in eigenen Worten die Begriffe Datenstruktur, Datentyp und abstrakter Datentyp. Nutzen Sie das Beispiel
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung III: D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009,
MehrProduktionsplanung. Wolfgang Domschke Armin Scholl Stefan Voß. Ablauforganisatorische Aspekte. Springer. Zweite, überarbeitete und erweiterte Auflage
Wolfgang Domschke Armin Scholl Stefan Voß Produktionsplanung Ablauforganisatorische Aspekte Zweite, überarbeitete und erweiterte Auflage Mit 134 Abbildungen und 48 Tabellen Springer Inhaltsverzeichnis
MehrKontext-basierte Personalisierung von Web Services
Kontext-basierte Personalisierung von Web Services Markus Keidl, Stefan Seltzsam, Christof König und Alfons Kemper Universität Passau Fakultät für Mathematik und Informatik 94030 Passau @db.fmi.uni-passau.de
Mehr1 Klassen und Objekte
1 Klassen und Objekte Datentyp - Spezifikation des Typs von Datenobjekten Datenstruktur - logische Ordnung von Elementen eines Datentyps - zur (effizienten) Speicherung, Verwaltung, Zugriff - auf die Elemente
MehrGlobalübungsaufgabe1 (Rucksackproblem):
Prof. aa Dr. Ir. G. Woeginger T. Hartmann, D. Korzeniewski, B. Tauer Allgemeine Hinweise: Die Hausaufgaben sollen in Gruppen von je 2 Studierenden aus der gleichen Kleingruppenübung (Tutorium) bearbeitet
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrInhalt. 2 Transportoptimierung Das klassische Transportproblern Modell 73
Inhalt 1 Lineare Optimierung 13 1.1 Das Modell der linearen Optimierung 13 1.2 Graphische Lösung 20 1.3 Der primale Simplexalgorithmus 23 1.3.1 Grundlagen 24 1.3.2 Der Optimalitätstest 27 1.3.3 Verbesserungsschritt
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrPrüfung Algorithmen und Datenstrukturen I
Hochschule für angewandte Wissenschaften München Fakultät für Informatik und Mathematik Studiengruppe IF 3 B Wintersemester 2014/15 Prüfung Algorithmen und Datenstrukturen I Datum : 20.01.2015, 10:30 Uhr
MehrDynamische Datenstrukturen
Dynamische Datenstrukturen B-Bäume größere Datenmengen verwalten Extern speichern Art der Speicherung berücksichtigen sonst kein optimaler Datenzugriff möglich Art der Speicherung großer Datenmengen Magnetplatten
MehrKonzepte der Informatik
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Konzepte der Informatik Vorkurs Informatik zum WS 23/24 6.9. - 27.9.23 Dr. Werner Struckmann / Hendrik Freytag. April 2 Referent Kurztitel
MehrVorkurs Informatik WiSe 16/17
Institut für Programmierung Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 12.10.2016 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt
MehrVorkurs Informatik WiSe 15/16
Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 20.10.2015 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt dahinter? Darstellung von Graphen
MehrProportional Symbol Maps
Proportional Symbol Maps Florian Simon 8. Dezember, 2009 Proportional Symbol Maps Gegeben: Punkte p 1,..., p n R 2 mit zugeordneten Werten w 1,..., w n R Proportional Symbol Maps Gegeben: Punkte p 1,...,
MehrKlausur Algorithmentheorie
Prof. Dr. G. Schnitger Frankfurt, den 06.04.2009 Klausur Algorithmentheorie WS 2008/2009 Name: Vorname: Geburtsdatum: Studiengang: BITTE GENAU LESEN Die Klausur besteht aus 4 Aufgaben, in denen maximal
MehrKlausur Algorithmen und Datenstrukturen II 01. Agust 2016
Technische Universität Braunschweig Sommersemester 2016 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christian Scheffer Klausur Algorithmen und Datenstrukturen
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrPSE Verkehrssimulation
PSE Verkehrssimulation Einführung in die Thematik Michael Moltenbrey, Dirk Pflüger 16. Oktober 2007-1- Gliederung Motivation Ablauf des Praktikums Aufgabenstellungen Scheinkriterien Gruppeneinteilung Einführung
MehrPlanung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung
Planung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung Tobias Kreisel Universität Bayreuth Mathematisches Institut Seminar zur Ganzzahligen Optimierung Ausgangssituation Beweggründe
MehrIntegrierte Kampagnenplanung. Netzwerken der chemischen Industrie
Markus Meiler Integrierte Kampagnenplanung in logistischen Netzwerken der chemischen Industrie Mit einem Geleitwort von Prof. Dr. Hans-Otto Günther VA Springer Gabler RESEARCH Inhaltsverzeichnis IX Inhaltsverzeichnis
MehrEinführung in die objektorientierte Programmierung mit C++
Prof. Dr. Thomas Klinker FB Elektrotechnik und Informatik 08. 03. 2007 Projekt im 4. Semester Elektrotechnik: Einführung in die objektorientierte Programmierung mit C++ Aufgabe 1: Schreiben Sie ein Programm,
MehrLinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems
LinOpt Tool zur Visualisierung eines multikriteriellen Optimierungsproblems Erstellt von Michael Berklmeir, Michael Haarnagell, Stefan Kraus, Stephan Roser im Rahmen einer Seminararbeit am Lehrstuhl für
MehrBERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS. Master of Science
Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Master of Science Wintersemester 2014/2015 Prüfungsgebiet: MWiWi 4.1 Advanced OR methods in
MehrSequentielle Programm- / Funktionsausführung innerhalb eines Prozesses ( thread = Ausführungsfaden )
Threads Sequentielle Programm- / Funktionsausführung innerhalb eines Prozesses ( thread = Ausführungsfaden ) Ein thread bearbeitet eine sequentielle Teilaufgabe innerhalb eines Prozesses Mehrere nebenläufige
MehrKlausur zur Vorlesung Operations Research im Wintersemester 2009/10
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Vorlesung Operations Research im Wintersemester 2009/10
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales 2.
MehrZuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem
Zuordnungsproblem auch Ernennungs-, Zuweisungs-, Assignmentproblem Beispiele Mathematisches Modell Lösungsmethoden HTW-Berlin FB3 Prof. Dr. F. Hartl 1 2 Anwendungen Zuordnung von - 1 ME von A i nach B
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrRückblick: divide and conquer
Rückblick: divide and conquer pi = (xi,yi) } p å } ' }d(p,p) p ''=min(, ') F 0/0 p./95 weitere Algorithmentechniken Greedy-Algorithmen dynamische Programmierung Backtracking branch and bound Heuristiken
MehrService Engineering. IVS Arbeitsgruppe Softwaretechnik. Abschnitt: Einführung zur Vorlesung
Service Engineering IVS Arbeitsgruppe Softwaretechnik Abschnitt: Einführung zur Vorlesung Seite 1 Überblick zur Vorlesung Seite 2 Organisation Die Vorlesungen finden jeweils Donnerstag von 09:00 bis 11:00
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrCRP - Constraintbasierte Ressourcenplanung Die Notwendigkeit Die Anwendung
CRP - Constraintbasierte Ressourcenplanung Die Notwendigkeit Die Anwendungsfälle für die Ressourcenplanung findet man in Bereichen, wo mehrere Ressourcen (zum Beispiel Events, Zeit, Maschinen oder Personal)
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Hierarchische Zeichnungen 6. Vorlesung Sommersemester 2015 (basierend auf Folien von Marcus Krug, KIT) 2 Beispiel E-Mail-Graph zwischen Einrichtungen der Fak. für Informatik,
MehrReCoNodes: Optimierungsmethoden zur Steuerung
Optimierungsmethodik zur Steuerung hardwarerekonfigurierbarer Knoten Prof.Dr.Sándor Fekete Mathematische Optimierung TU Baunschweig & Prof.Dr.-Ing Jürgen Teich Software-Hardware-Co-Design Universität Erlangen-Nürnberg
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrDatenstrukturen (SoSe 12) Klausur (Modulabschlussprüfung)
Goethe-Universität Frankfurt am Main 27. Juli 2012 Institut für Informatik Theorie komplexer Systeme Dr. Mariano Zelke Datenstrukturen (SoSe 12) Klausur (Modulabschlussprüfung) Name: Vorname: Studiengang:
Mehr4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java)
4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java) Fachhochschule Darmstadt Haardtring 100 D-64295 Darmstadt Prof. Dr. Bernhard Humm FH Darmstadt, 8./15. November 2005 Einordnung
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrUnimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206
Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrRandomisierte Datenstrukturen
Seminar über Algorithmen DozentInnen: Helmut Alt, Claudia Klost Randomisierte Datenstrukturen Ralph Schäfermeier 13. 2. 2007 Das Verwalten von Mengen, so dass ein schneller Zugriff auf deren Elemente gewährleistet
MehrDistributed Genetic Programming Framework
Distributed Genetic Programming Framework Alexander Podlich podlich@student.uni-kassel.de DGPF-Projekt: Erstellung einer grafischen Benutzeroberfläche Sommersemester 2006 Überblick 1. Allgemeines zu DGPF
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?
MehrTourenplanung bei ambulanten Pflegediensten
Das Vehicle Routing Problem am Beispiel der Spitex Basel Bachelor Thesis zur Erlangung des akademischen Grades: Bachelor of Science in Business Administration FH mit der Vertiefung Unternehmensführung
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
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
MehrKlausur Algorithmen und Datenstrukturen II 29. Juli 2013
Technische Universität Braunschweig Sommersemester 2013 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Stephan Friedrichs Klausur Algorithmen und Datenstrukturen
MehrKapitel 8: Serialisierbarkeit
Liste P: Programmieren mit Java WS 2001/2002 Prof. Dr. V. Turau FH Wiesbaden Kapitel 8: Serialisierbarkeit Folie 189 : Serialisierbarkeit Die Umwandlung eines komplexen Objektes in ein Byte-Array nennt
MehrAlgorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8
ETH Zürich Institut für Theoretische Informatik Prof. Dr. Angelika Steger Florian Meier, Ralph Keusch HS 2017 Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8 Lösungsvorschlag zu Aufgabe 1
MehrDabei handelt es sich um eine Tabelle, in der die Zeilen- und Spaltenüberschriften die Knotenbezeichner sind.
3. Die Datenstruktur Graph 3.2 Repräsentation von Graphen Für die Darstellung eines Graphen eignet sich die sogenannte Adjazenzmatrix. Dabei handelt es sich um eine Tabelle, in der die Zeilen- und Spaltenüberschriften
MehrAlgorithmen, Datenstrukturen und Programmieren II SS 2001
Algorithmen, Datenstrukturen und Programmieren II SS 2001 1. InfixToPostfixConverter: Üblicherweise werden mathematische Ausdrücke in infix-notation geschrieben, d.h. der Operator steht zwischen den Operanden,
MehrSingle- und Multitasking
Single- und Multitasking Peter B. Ladkin ladkin@rvs.uni-bielefeld.de Peter B. Ladkin Command Interpreter (ComInt) läuft wartet auf Tastatur-Eingabe "liest" (parst) die Eingabe (für Prog-Name) Macht "Lookup"
MehrMathematische Computer-Software
Mathematische Computer-Software Kommerzielle Computeralgebrasysteme (CAS) Beispiele: Mathematica, Maple, Numerisches und symbolisches Verarbeiten von Gleichungen: Grundrechenarten Ableitung und Integration
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Eigene Entwicklungen Datenstrukturen Elementare Datentypen Abstrakte Datentypen Elementare
MehrKapitel 3: Sortierverfahren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrAlgorithmen und Datenstrukturen 1 VL Übungstest WS Januar 2011
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 2. Übungstest WS 2010 14. Januar
MehrWilli Küpper - Klaus Lüder - Lothar Streitferdt. Netzplantechnik. Physica-Verlag Würzburg - Wien 1975 ISBN
Willi Küpper - Klaus Lüder - Lothar Streitferdt Netzplantechnik Physica-Verlag Würzburg - Wien 1975 ISBN 3 7908 0139 9 INHALTSVERZEICHNIS 1. Einführung 9 2. Graphentheoretische Grundlagen 12 2.1 Grundbegriffe
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
MehrKonzepte und Methoden der Systemsoftware. Aufgabe 1: Multi-Feedback-Scheduling. SoSe bis P
SoSe 2013 Konzepte und Methoden der Systemsoftware Universität Paderborn Fachgebiet Rechnernetze Präsenzübung 4 13.05.2013 bis 17.05.2013 Aufgabe 1: Multi-Feedback-Scheduling 0 P 1. Beschreiben Sie kurz
MehrNP-Vollständigkeit einiger Zahlprobleme
NP-Vollständigkeit einiger Zahlprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 22. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrIR Seminar SoSe 2012 Martin Leinberger
IR Seminar SoSe 2012 Martin Leinberger Suchmaschinen stellen Ergebnisse häppchenweise dar Google: 10 Ergebnisse auf der ersten Seite Mehr Ergebnisse gibt es nur auf Nachfrage Nutzer geht selten auf zweite
MehrOffene Stellen Rockwell Automation AG, Schweiz
Offene Stellen, Schweiz CEDES Safety & Automation AG, Landquart Development Engineer Firmware / Software Development Engineer Electronic / Firmware Technische/r Kauffrau / Kaufmann Product Quality Engineer
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
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
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
Mehr