Algorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014
|
|
- Heinrich Fischer
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK LEHRSTUHL ALGORITHMIK KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft
2 Motivation Routenplanung Wichter Anwendungsbereich Navigationssysteme Kartendienste: Google Maps, Bing Maps,... Fahrplanauskunftssysteme Viele kommerzielle Systeme Nutzen heuristische Methoden Betrachten nur Teile des Transportnetzwerkes Geben keine Qualitätsgarantien Wir untersuchen Methoden zur Routenplanung in Transportnetzwerken mit beweisbar optimalen Lösungen Folie 2 3. April 2014
3 Problemstellung Anfrage: Finde beste Verbindung in Transportnetz Modellierung: Netzwerk als Graph G = (V, E) Kantengewichte sind Reisezeit Kürzeste Wege in G entsprechen schnellsten Verbindungen Klassisches Problem (Dijkstra [Dij59]) Probleme: Transportnetzwerke sind riesig Dijkstra zu langsam (> 1 Sekunde) Folie 3 3. April 2014
4 Beschleunigungstechniken Beobachtung: Dijkstra besucht alle Knoten, die näher sind als das Ziel Unnötige Berechnungen Folie 4 3. April 2014
5 Beschleunigungstechniken Beobachtung: Dijkstra besucht alle Knoten, die näher sind als das Ziel Unnötige Berechnungen Idee: Zwei Phasen Offline: Generiere Zusatzinformation in Vorberechnung Online: Beschleunige Anfrage mit dieser Information Drei Kriterien: Vorberechnungsplatz, Vorberechnungszeit, Beschleunigung Folie 4 3. April 2014
6 Routenplanung Paradebeispiel des Algorithm Engineering Design Exp Analyze Algorithmics erim e nt I mple e m nt Folie 5 3. April 2014
7 Routenplanung Paradebeispiel des Algorithm Engineering Realistische Rechnermodelle Design Exp Echtweltdaten Analyze Algorithmics erim e nt I mple e m nt Theoretische Garantien & Praktische Anwendung Folie 5 3. April 2014
8 Beschleunigungstechniken Viele Techniken: Arc-Flags [Lau04] Multi-Level Dijkstra [SWW00, HSW08] Customizable Route Planning (CRP) [DGPW11] ALT: A*, Landmarks, Triangle Inequality [GH05, GW05] Reach [GKW07] Contraction Hierarchies (CH) [GSSD08] Transit Node Routing (TNR) [ALS13] Hub Labeling (HL) [ADGW12]... Folie 6 3. April 2014
9 (Multi-Level) Overlays [SWW00, HSW08] Beobachtung: Viele (lange) Routen in Teilen identisch Idee: Berechne Teillösungen vor Overlay-Graph: Wähle wichtige Knoten (Separatoren, Pfadüberdeckung, heuristisch) Berechne Shortcut-Kanten: Überspringen unwichtige Knoten Erhalten Distanz zw. wichtigen Knoten Anfragen: Multi-Level Dijkstra-Variante Ignoriert Kanten zu weniger wichtigen Knoten s t Analog: Hierarchie mehrerer Level immer wichtigerer Knoten Folie 7 3. April 2014
10 Experimentelle Evaluation Eingabe: Straßennetzwerk von Europa ca. 18 Mio. Knoten ca. 42 Mio. Kanten VORBERECHNUNG ANFRAGEN Algorithmus Zeit [h:m] Platz [GiB] Zeit [µs] Beschleun. Dijkstra [Dij59] ALT [GH05, GW05] 0: CRP [DGPW11] 0:01 < Arc-Flags [Lau04] 0: CH [GSSD08] 0: TNR [ALS13] 0: HL [ADGW12] 0: Folie 8 3. April 2014
11 Experimentelle Evaluation Eingabe: Straßennetzwerk von Europa ca. 18 Mio. Knoten ca. 42 Mio. Kanten VORBERECHNUNG ANFRAGEN Algorithmus Zeit [h:m] Platz [GiB] Zeit [µs] Beschleun. Dijkstra [Dij59] ALT [GH05, GW05] 0: CRP [DGPW11] 0:01 < Arc-Flags [Lau04] 0: CH [GSSD08] 0: TNR [ALS13] 0: HL [ADGW12] 0: Mittlerweile im Einsatz bei Bing, Google, Tomtom,... Folie 8 3. April 2014
12 Andere Transportnetzwerke Eingabe: Ein Fahrplan ist eine Menge elementarer Verbindungen (IR 2269, Karlsruhe Hbf, Pforzheim Hbf, 10:05, 10:23) (IR 2269, Pforzheim Hbf, Muehlacker, 10:25, 10:33) (IR 2269, Muehlacker, Vaihingen(Enz), 10:34, 10:40) (IR 2269, Vaihingen(Enz), Stuttgart Hbf, 10:41, 10:57)... (ICE 791, Stuttgart Hbf, Ulm Hbf, 11:12, 12:06) (ICE 791, Ulm Hbf, Augsburg Hbf, 12:08, 12:47) (ICE 791, Augsburg Hbf, Muenchen Hbf, 12:49, 13:21) mit Zug-ID, Abfahrtshalt, Ankunfshalt und Anfahrts-/Ankunftszeit. Weiteres: (kurze) Fußwege für Umstiege, z.b. Bahnhof zu Bahnhofsvorplatz; Mindestumstiegszeiten Folie 9 3. April 2014
13 Fahrplanauskunft Inherent zeitabhängig: diskrete Abfahrtszeiten der Verkehrsmittel Mehr Anfrage-Szenarien: Jetzt losfahren: Früheste Ankunftszeit? Später losfahren: Kürzeste Reisezeit? Multikriteriell: Anzahl Umstiege, Preis,... Andere Netzwerkstruktur: Weniger hierarchisch, weniger stark separiert, spät abends ganz andere Reiseverläufe,... Reisezeit Abfahrtszeit Folie April 2014
14 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit Elementare Verbindungen sortiert nach Abfahrtszeit Ab.halt An.halt Ab.zeit An.zeit Ab.halt An.halt Ab.zeit An.zeit Ab.halt An.halt Ab.zeit An.zeit *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
15 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
16 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit : Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
17 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit : Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
18 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit :00 + 9:25 + Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
19 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit :00 + 9:25 + Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
20 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit :00 + 9:25 + Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
21 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit :00 + 9:25 9:55 Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Folie April 2014
22 Connection Scan (CSA) [DPSW13] Gesucht: Früheste Ankunfszeit Gegeben: Fahrplan, Starthaltestelle, Startzeit, Zielhaltestelle Haltestellen-ID früheste Ankunftszeit :00 + 9:25 9:55 Elementare Verbindungen sortiert nach Abfahrtszeit Ab: 1 An: 3 9:00 9:25 Ab: 3 An: 4 9:15 9:45 Ab: 3 An: 4 9:40 9:55 *Nicht im Beispiel: Fußwege und Mindestumstiegszeiten Effizienter als Dijkstra, bessere Ausnutzung moderner Rechnerarchitektur Folie April 2014
23 Experimentelle Evaluation Eingabe: Fahrplan London: 5 M Verbindungen, 21 k Haltestellen Deutschland: 46 M Verbindungen, 252 k Haltestellen Algorithmus Zeit [ms] Beschl. London DE TE Dijkstra [PSWZ08] 44.8 TD Dijkstra [PSWZ08] CSA [DPSW13] TE Dijkstra [PSWZ08] CSA [DPSW13] CSAccel [SW14] 8.7* Intel Xeon E5-2670, 2.6 GHz, 64 GiB DDR RAM, 20 MiB L2 cache *Vorberechnung: 30 Minuten, MiB Folie April 2014
24 Vision: Navi für die ganze Welt Weltweites Netzwerk mit Fahrrad, Bus, Tram, Pkw, Zug, Flugzeug,... Folie April 2014
25 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege Folie April 2014
26 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege U-Bahn Linie s Privat-Kfz t U-Bahn Linie Folie April 2014
27 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege U-Bahn Linie s Privat-Kfz t U-Bahn Linie Folie April 2014
28 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege U-Bahn Linie s Privat-Kfz t U-Bahn Linie Folie April 2014
29 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege U-Bahn Linie s Fahrradverleih U-Bahn Linie t Folie April 2014
30 Folgen von Verkehrsmitteln Problem: Unbeschränkte Pfade ermöglichen beliebige Umstiege U-Bahn Linie s Fahrradverleih U-Bahn Linie t Nicht alle Verkehrsmittelsequenzen möglich Bevorzugte Verkehrsmittel von Benutzer abhängig Folie April 2014
31 Lösungsverfahren Label Constrained Shortest Path Problem (LCSPP) Definiere Alphabet von Verkehrsmitteln Automat beschreibt Sequenzen von Verkehrsmitteln Jeder Pfad muss Beschränkungen des Automaten genügen (Eingabe) f f t c Folie April 2014
32 Lösungsverfahren Label Constrained Shortest Path Problem (LCSPP) Definiere Alphabet von Verkehrsmitteln Automat beschreibt Sequenzen von Verkehrsmitteln Jeder Pfad muss Beschränkungen des Automaten genügen (Eingabe) f f t c Algorithmen für LCSPP Dijkstra auf Produktgraph mit Automat funktioniert [BJM00] Beschleunigungstechniken: ANR [DPW09], SDALT [KLPC11] Automat als Eingabe der Anfrage: UCCH [DPW12] Folie April 2014
33 Experimentelle Evaluation Netzwerke: Straße: Europa & Nordamerika (50 M Knoten, 125 M Kanten) Schiene: Europa (31 k Haltestellen, 1.6 M Verbindungen) Flüge: Star Alliance (1 172 Flughäfen, 28 k Verbindungen) flight rail & flight VORBERECHNUNG ANFRAGEN Algorithmus Zeit [h:m] Platz [MiB] Zeit [ms] Beschl. Dijkstra ANR [DPW09] 3: UCCH [DPW12] 1: Dijkstra ANR [DPW09].00 UCCH [DPW12] 1: Intel Xeon E5430, 2.66 GHz, 32 GiB RAM, 12 MiB L2 cache Folie April 2014
34 Lösungsverfahren Nachteile von LCSPP s U-Bahn Linie Fahrradverleih U-Bahn Linie t Folie April 2014
35 Lösungsverfahren Nachteile von LCSPP s? t Folie April 2014
36 Lösungsverfahren Nachteile von LCSPP s? t Beschränkungen müssen im Voraus spezifiziert werden aber Benutzer kennt diese eventuell nicht Nur eine (beste?) Verbindung wird berechnet (keine Alternativen) Ziel: Berechne sinnvolle Menge multimodaler Verbindungen Folie April 2014
37 Neuer Ansatz [DDP + 12] Idee: Berechne multikriterielle, multimodale Pareto-Mengen Optimiere Ankunftszeit plus verschiedene (pro Verkehrsmittel) Bequemlichkeitskriterien Zum Beispiel # Umstiege (öff. Verkehr), Gehzeit, Taxi-Kosten, etc. Folie April 2014
38 Neuer Ansatz [DDP + 12] Idee: Berechne multikriterielle, multimodale Pareto-Mengen Optimiere Ankunftszeit plus verschiedene (pro Verkehrsmittel) Bequemlichkeitskriterien Zum Beispiel # Umstiege (öff. Verkehr), Gehzeit, Taxi-Kosten, etc. Kriterien: Ankunftszeit, # Umstiege, Gehzeit. 69 Lösungen. Bekanntes Problem: Pareto-Mengen wachsen stark in der # Kriterien Folie April 2014
39 Signifikante Reiserouten 10 Minuten länger gehen, um 10 Sekunden früher anzukommen? 1 Stunde länger Bus fahren, um 10 Sekunden weniger zu gehen? Folie April 2014
40 Signifikante Reiserouten 10 Minuten länger gehen, um 10 Sekunden früher anzukommen? 1 Stunde länger Bus fahren, um 10 Sekunden weniger zu gehen? Bewerte Reiserouten über Fuzzy-Logic-Klassifizierer [FA04] Dann: Höher bewertete Reiserouten sind signifikanter Folie April 2014
41 Signifikante Reiserouten Die drei höchstbewerteten Reiserouten. 10 Minuten länger gehen, um 10 Sekunden früher anzukommen? 1 Stunde länger Bus fahren, um 10 Sekunden weniger zu gehen? Bewerte Reiserouten über Fuzzy-Logic-Klassifizierer [FA04] Dann: Höher bewertete Reiserouten sind signifikanter Folie April 2014
42 Berechnungsaufwand reduzieren Problem: Anfragen langsam (> 1 s) Viele insignifikante Lösungen Gar nicht erst berechnen? Signifikanz-Filter bereits während Algorithmus MCR-hf: Fuzzy-Filter MCR-hb: Pareto-Filter, aber diskretisierte Kriterien Beschränke Gehzeit (Beliebte Heuristik) MCR-tx-ry: Max x-minütiges Gehen zwischen Verkehrsmitteln und max. y am Start/Ziel ( Fahrplanauskunft mit Vor- und Nachlauf) Reduziere Dimension, Anzahl Kriterien MR-x: Erhöhe für jedes x-minütige Gehen die Anzahl Umstiege +1 Folie April 2014
43 Experimentelle Evaluation London, multimodal: Straßennetz: 260 k Knoten, 1.4 M Kanten U-Bahn, Bus, Straßenbahn, k Stops, 5 M Verbindungen 564 Fahrradleihstationen Kriterien: Ankunftszeit, # Umstiege, Gehzeit Qualität-6 Algorithmus # Lsg. Zeit [ms] Avg. Sd. MCR % 0 % MCR-hf % 11 % MCR-hb % 10 % MCR-t10-r % 31 % MR % 29 % Intel Xeon E5-2670, 2.6 GHz, 64 GiB DDR RAM, 20 MiB L2 cache Folie April 2014
44 Experimentelle Evaluation London, multimodal: Straßennetz: 260 k Knoten, 1.4 M Kanten U-Bahn, Bus, Straßenbahn, k Stops, 5 M Verbindungen 564 Fahrradleihstationen Kriterien: Ankunftszeit, # Umstiege, Gehzeit Qualität-6 Algorithmus # Lsg. Zeit [ms] Avg. Sd. MCR % 0 % MCR-hf % 11 % MCR-hb % 10 % MCR-t10-r % 31 % MR % 29 % Intel Xeon E5-2670, 2.6 GHz, 64 GiB DDR RAM, 20 MiB L2 cache Folie April 2014
45 Fazit Zusammenfassung Algorithm Engineering: Ggs. Befruchtung von Theorie und Praxis (Sehr) schnelle Routenplanung in Straßen- und Fahrplannetzen Multimodale Routenplanung ist aufwendiger Schnelle Methoden, wenn nur kürzeste Reisezeit Netz offeriert viele interessante Trade-offs verschiedener Kriterien Multikriterielle Optimierung gut, um Nutzerauswahl zu ermöglichen Fuzzy-Filtering praktikabler Ansatz, um Signifikanz zu beurteilen Ausblick Modellierung Qualität multimodaler Lösungen abschließend geklärt? Skalierbarkeit: Multimodal multikriteriell für weltweites Routing? Weitere Fragen: Robustheit ggü. Verspätungen, Park & Ride,...? Folie April 2014
46 Vielen Dank! Folie April 2014
47 Bibliographie I Ittai Abraham, Daniel Delling, Andrew V. Goldberg, and Renato F. Werneck. Hierarchical hub labelings for shortest paths. In Proceedings of the 20th Annual European Symposium on Algorithms (ESA 12), volume 7501 of Lecture Notes in Computer Science, pages Springer, Julian Arz, Dennis Luxen, and Peter Sanders. Transit node routing reconsidered. In Proceedings of the 12th International Symposium on Experimental Algorithms (SEA 13), volume 7933 of Lecture Notes in Computer Science, pages Springer, Chris Barrett, Riko Jacob, and Madhav V. Marathe. Formal-language-constrained path problems. SIAM Journal on Computing, 30(3): , Daniel Delling, Julian Dibbelt, Thomas Pajor, Dorothea Wagner, and Renato F. Werneck. Computing and evaluating multimodal journeys. Technical Report , Faculty of Informatics, Karlsruhe Institute of Technology, Daniel Delling, Andrew V. Goldberg, Thomas Pajor, and Renato F. Werneck. Customizable route planning. In Proceedings of the 10th International Symposium on Experimental Algorithms (SEA 11), volume 6630 of Lecture Notes in Computer Science, pages Springer, Edsger W. Dijkstra. A note on two problems in connexion with graphs. Numerische Mathematik, 1: , Folie April 2014
48 Bibliographie II Julian Dibbelt, Thomas Pajor, Ben Strasser, and Dorothea Wagner. Intriguingly simple and fast transit routing. In Proceedings of the 12th International Symposium on Experimental Algorithms (SEA 13), volume 7933 of Lecture Notes in Computer Science, pages Springer, Daniel Delling, Thomas Pajor, and Dorothea Wagner. Accelerating multi-modal route planning by access-nodes. In Proceedings of the 17th Annual European Symposium on Algorithms (ESA 09), volume 5757 of Lecture Notes in Computer Science, pages Springer, September Julian Dibbelt, Thomas Pajor, and Dorothea Wagner. User-constrained multi-modal route planning. In Proceedings of the 14th Meeting on Algorithm Engineering and Experiments (ALENEX 12), pages SIAM, Marco Farina and Paolo Amato. A fuzzy definition of optimality for many-criteria optimization problems. IEEE Transactions on Systems, Man, and Cybernetics, Part A, 34(3): , Andrew V. Goldberg and Chris Harrelson. Computing the shortest path: A* search meets graph theory. In Proceedings of the 16th Annual ACM SIAM Symposium on Discrete Algorithms (SODA 05), pages SIAM, Andrew V. Goldberg, Haim Kaplan, and Renato F. Werneck. Better landmarks within reach. In Proceedings of the 6th Workshop on Experimental Algorithms (WEA 07), volume 4525 of Lecture Notes in Computer Science, pages Springer, June Folie April 2014
49 Bibliographie III Robert Geisberger, Peter Sanders, Dominik Schultes, and Daniel Delling. Contraction hierarchies: Faster and simpler hierarchical routing in road networks. In Proceedings of the 7th Workshop on Experimental Algorithms (WEA 08), volume 5038 of Lecture Notes in Computer Science, pages Springer, June Andrew V. Goldberg and Renato F. Werneck. Computing point-to-point shortest paths from external memory. In Proceedings of the 7th Workshop on Algorithm Engineering and Experiments (ALENEX 05), pages SIAM, Martin Holzer, Frank Schulz, and Dorothea Wagner. Engineering multilevel overlay graphs for shortest-path queries. ACM Journal of Experimental Algorithmics, 13(2.5):1 26, December Dominik Kirchler, Leo Liberti, Thomas Pajor, and Roberto Wolfler Calvo. UniALT for regular language constraint shortest paths on a multi-modal transportation network. In Proceedings of the 11th Workshop on Algorithmic Approaches for Transportation Modeling, Optimization, and Systems (ATMOS 11), volume 20 of OpenAccess Series in Informatics (OASIcs), pages 64 75, Ulrich Lauther. An extremely fast, exact algorithm for finding shortest paths in static networks with geographical background. In Geoinformation und Mobilität - von der Forschung zur praktischen Anwendung, volume 22, pages IfGI prints, Evangelia Pyrga, Frank Schulz, Dorothea Wagner, and Christos Zaroliagis. Efficient models for timetable information in public transportation systems. ACM Journal of Experimental Algorithmics, 12(2.4):1 39, Ben Strasser and Dorothea Wagner. Connection scan accelerated. In Proceedings of the 16th Meeting on Algorithm Engineering and Experiments (ALENEX 14), pages SIAM, Folie April 2014
50 Bibliographie IV Frank Schulz, Dorothea Wagner, and Karsten Weihe. Dijkstra s algorithm on-line: An empirical case study from public railroad transport. ACM Journal of Experimental Algorithmics, 5(12):1 23, Folie April 2014
Praktikum Routenplanung Vorbesprechung, Wintersemester 2013/2014 Moritz Baum, Julian Dibbelt, Ben Strasser 21. Oktober 2013
Praktikum Routenplanung Vorbesprechung, Wintersemester 013/014 Moritz Baum, Julian Dibbelt, Ben Strasser 1. Oktober 013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2014/2015 Moritz Baum, Julian Dibbelt, Ben Strasser 22. Oktober 2014
Praktikum Routenplanung Vorbesprechung, Wintersemester 014/015 Moritz Baum, Julian Dibbelt, Ben Strasser. Oktober 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrAlgorithmen für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrAlgorithmen für Routenplanung Vorlesung 12
Algorithmen für Routenplanung Vorlesung 12 Daniel Delling 1/ 33 Letztes Mal: Multikriterielle Wege Szenario: schnellste Verbindung häufig nicht die Beste Anzahl Umstiege, Fahrtkosten, Distanz, etc. multikriterielle
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrRoute Planning in Road Networks
D. Schultes: Route Planning in Road Networks 1 Route Planning in Road Networks Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) http://algo2.iti.uka.de/schultes/hwy/
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015
Algorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrRouting in Nahverkehrsnetzen
Routing in Nahverkehrsnetzen Daniel Friesel derf@chaosdorf.de @derfnull CCC Düsseldorf / Chaosdorf 12. Juni 2015 Einleitung Es gibt diverse Routingdienste 1 / 11 Einleitung Es gibt diverse Routingdienste
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2012/2013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17.
Praktikum Routenplanung Vorbesprechung, Wintersemester 01/013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17. Oktober 01 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2011/2012 Julian Dibbelt und Thomas Pajor 2. November 2011
Praktikum Routenplanung Vorbesprechung, Wintersemester 011/01 Julian Dibbelt und Thomas Pajor. November 011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität
MehrPraktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19.
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19. Oktober 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF.
MehrAlgorithmen für Routenplanung Vorlesung 7
Algorithmen für Routenplanung Vorlesung 7 Daniel Delling 1/ 47 Letztes Mal T Many-to-Many Transit-Node Routing S access node s t distances between transit nodes access node 2/ 47 Transit-Node Routing ersetzt
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 15. Sitzung, Sommersemester 2011 Thomas Pajor 20. Juni 2011 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT Universität des Landes
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung Vorlesung 11
Algorithmen für Routenplanung Vorlesung 11 Daniel Delling 1/ 35 Letztes Mal: Zeitabhängige Netzwerke Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar berechne
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Tag der Informatik, 15. Juli
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung Letzte Sitzung, Sommersemester 2010 Thomas Pajor 09. Juli 2010 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT University of the State
MehrAuskunftssysteme: Kurzwegsuche im öffentlichen Verkehr
Auskunftssysteme: Kurzwegsuche im öffentlichen Verkehr Proseminar Algorithmen der Verkehrssimulation WS 05/06 Teera Inprasit Gliederung Einführung Optimale Zugverbindung? Modellierungsansätze Vergleich
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrGenauer Hochleistungs-Routenplaner
Sanders/Schultes: Routenplanung 1 Genauer Hochleistungs-Routenplaner Prof. Dr. Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) Heidelberger
MehrAlgorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012
Algorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrKapitel 6: Dynamic Shortest Path
Kapitel 6: Dynamic Shortest Path 6.4 Experimentelle Analyse VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 18. VO 12. Juni 2007 Literatur für diese VO C.
MehrAlgorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012
Algorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 4. Termin, Sommersemester 2011 Reinhard Bauer 2. Mai 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 10
Algorithmen für Routenplanung Vorlesung 10 Daniel Delling 1/ 42 Letztes Mal: Zeitabhängige Netzwerke (Basics) Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 4. Sitzung, Sommersemester 2010 Thomas Pajor 3. Mai 2010
Algorithmen für Routenplanung 4. Sitzung, Sommersemester 20 Thomas Pajor 3. Mai 20 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 1. Vorlesung, Sommersemester 2015 Andreas Gemsa 13. April 2015
Algorithmen für Routenplanung 1. Vorlesung, Sommersemester 015 Andreas Gemsa 13. April 015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 1. Sitzung, Sommersemester 2010 Thomas Pajor 12. April 2010
Algorithmen für Routenplanung. Sitzung, Sommersemester 00 Thomas Pajor. April 00 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 3. Termin, Sommersemester 2011 Reinhard Bauer 21.11.2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012
Algorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
MehrAlgorithmen für Routenplanung Vorlesung 4
Algorithmen für Routenplanung Vorlesung 4 Daniel Delling 1/ 39 Letztes Mal (u,v) Geometrische Container Arc-Flags u 2/ 39 Themen Heute + nächste 1-2 Hierarchische Techniken s t 3/ 39 Ideensammlung Wie
MehrSichtbarkeitsgraph. Andreas Gemsa Übung Algorithmische Geometrie
Übung Algorithmische Geometrie Sichtbarkeitsgraph LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 19.07.2012 Ablauf Nachtrag Sichtbarkeitsgraph WSPD
MehrHighway Hierarchies. Kristian Dannowski, Matthias Hoeschel
Highway Hierarchies Kristian Dannowski, Matthias Hoeschel Gliederung Einleitung / Bidirektional Dijkstra Intuition / Naive Strategie Konstruktion der Highway Hierarchie Suche in der Highway Hierarchie
MehrAlgorithmen in Online-Systemen
Kurzvortrag - Lehrstuhl Algorithmik I - Prof. Dr. Wagner 1 Florian Drews, Richard Hertel: KIT Universität des Landes Baden-Württemberg und nationales Grossforschungszentrum in der Helmholtz-Gemeinschaft
MehrSchnellste Wege Wie funktioniert ein Navi?
Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn und Adrian Neumann Max-Planck-Institut für Informatik Vorlesung Ideen der Informatik Schnellste Wege Routenfinden im Navi Karten und Graphen Algorithmen
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmen für Routenplanung 13. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 28. Mai 2014
Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 28. Mai 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrAlgorithmen für Routenplanung Vorlesung 3
Algorithmen für Routenplanung Vorlesung 3 Daniel Delling 1/ 45 Letztes Mal bidirektionale Suche A Suche A mit Landmarken bidirektionale A Suche 2/ 45 Themen Heute Geometrische Container Arc-Flags s t 3/
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT University of the State of
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
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrMOLECULES National Take Up Seminar
Verkehrsinformationen und die Vorstellung des intermodalen Routenplaners mit Fokus Elektromobilität Berlin, 09. Oktober 2014 Agenda 1. 2. 3. Intermodale Routenplanung 4. 5. 2 Agenda 1. 2. 3. Intermodale
MehrGeometrische Algorithmen für Anwendungen in der Geovisualisierug
Geometrische Algorithmen für Anwendungen in der Geovisualisierug Institut für Theoretische Informatik Lehrstuhl für Algorithmik Prof. Dorothea Wagner Institut für Algebra und Geometrie Arbeitsgruppe Diskrete
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
MehrQuery Translation from XPath to SQL in the Presence of Recursive DTDs
Humboldt Universität zu Berlin Institut für Informatik Query Translation from XPath to SQL in the Presence of Recursive DTDs VL XML, XPath, XQuery: Neue Konzepte für Datenbanken Jörg Pohle, pohle@informatik.hu-berlin.de
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrSeminar Algorithmentechnik Einführung und Themenvergabe
Seminar Algorithmentechnik Einführung und vergabe Moritz Baum, Fabian Fuchs, Michael Hamann, Benjamin Niedermann, Roman Prutkin, Marcel Radermacher, Ignaz Rutter, Ben Strasser, Dorothea Wagner, Franziska
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 16. Sitzung, Sommersemester 2011 Thomas Pajor 4. Juli 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrÜber die Berechnung der Optimalwertfunktion in zeitabhängigen Netzwerken
Über die Berechnung der Optimalwertfunktion in zeitabhängigen Netzwerken Sebastian Kluge Elgersburg, 3.3.2010 Kürzeste Wege in Netzwerken H 288 km 426 km B K 194 km F 609 km 225 km N 439 km 204 km S 166
MehrVon A nach B: Wie funktioniert digitale Navigation? Doris Silbernagl, Nikolaus VWA-Workshop; Innsbruck;
Von A nach B: Wie funktioniert digitale Navigation? Doris Silbernagl, Nikolaus Krismer @ VWA-Workshop; Innsbruck; 07.06.2016 Page 1 Einteilung Begriffsklärung Digitale Navigation Positionsbestimmung Geoinformation
MehrSchnellste Wege, Teil II Stable Marriages
Schnellste Wege, Teil II Stable Marriages Kurt Mehlhorn und Kosta Panagiotou Max-Planck-Institut für Informatik Vorlesung Computational Thinking Übersicht Wiederholung: Grundalg und Korrektheit Dijkstras
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
MehrMathematische Verfahren zur Unterstützung der Rettungsdienstplanung
Mathematische Verfahren zur Unterstützung der Rettungsdienstplanung Melanie Reuter-Oppermann, Peter Hottum KARLSRUHE SERVICE RESEARCH INSTITUTE (KSRI) KIT The Research University in the Helmholtz Association
MehrDijkstra: Laufzeit. Insgesamt: T Dijkstra = O m T decreasekey (n)+n (T deletemin (n)+t insert (n))
Dijkstra: Laufzeit Function Dijkstra(s : NodeId) : NodeArray NodeArray d = {,..., }; parent[s]:= s; d[s] := 0; Q.insert(s) // O(n) while Q 6= /0 do u := Q.deleteMin // apple n foreach edge e =(u,v) 2 E
MehrBeschleunigte Berechnung von ressourcenbeschränkten kürzesten Wegen
Institut für Formale Methoden der Informatik Abteilung Algorithmik Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Bachelorarbeit Nr. 19 Beschleunigte Berechnung von ressourcenbeschränkten
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
MehrInternet Routing. Link State Routing. SS 2012 Grundlagen der Rechnernetze Internetworking 27
Internet Routing Link State Routing SS 2012 Grundlagen der Rechnernetze Internetworking 27 Link State Routing (R,U) (R,V) (R,W) (R,X) (R,Y) Erster Schritt U Zweiter Schritt Y R V R X W R Jeder Knoten teilt
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
Mehr6. Sich selbst organisierende Datenstrukturen
6. Sich selbst organisierende Datenstrukturen 6.1 Motivation einfach, wenig Verwaltungsoverhead effizient im amortisierten Sinn EADS 6.1 Motivation 201/598 6.2 Sich selbst organisierende lineare Listen
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr10. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Bäume
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze Übung 2 Greedy Routing Fabian Fuchs 05. November 2015 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER) KIT Universität
MehrExakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien
Exakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien Andreas Wickert Humboldt-Universität zu Berlin, Institut für Informatik, 10099 Berlin @informatik.hu-berlin.de Zusammenfassung
MehrSeminar Algorithmen für planare Graphen
Seminar Algorithmen für planare Graphen Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner Universität Karlsruhe (TH) Institut für Theoretische Informatik Lehrstuhl Algorithmik I 24. Oktober 2008
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrAlgorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation
Algorithmen zur Berechnung der Transitiven Hülle einer Datenbankrelation Daniel Reinhold Shenja Leiser 6. Februar 2006 2/28 Gliederung Einführung Transitive Hülle Definition Iterative Algorithmen 1. Naive
MehrSeminar Algorithmentechnik
Seminar Algorithmentechnik Institut für Theoretische Informatik Lehrstuhl für Algorithmik I Prof. Dorothea Wagner Karlsruhe Seminar Institut Algorithmentechnik für Technologie (KIT) Fakultät für Informatik
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
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
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrRecent Advances in Business Computing and Operations Research (RAIBCOR)
Recent Advances in Business Computing and Operations Research (RAIBCOR) Prof. Dr. Stefan Bock 31.10.2008 / 07.11.2008 Bergische Universität Wuppertal Wirtschaftsinformatik und Operations Research Agenda
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrKapitel 12: Schnelles Bestimmen der Frequent Itemsets
Einleitung In welchen Situationen ist Apriori teuer, und warum? Kapitel 12: Schnelles Bestimmen der Frequent Itemsets Data Warehousing und Mining 1 Data Warehousing und Mining 2 Schnelles Identifizieren
MehrSemi-Skylines und Skyline Snippets
Skyline von Manhattan, NY, USA Semi-Skylines und Skyline Snippets Markus Endres Universität Augsburg 10. Februar 2011 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] 2.0
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
MehrHidden Markov Model ein Beispiel
Hidden Markov Model ein Beispiel Gegeben: Folge von Beobachtungen O = o 1,..., o n = nass, nass, trocken, nass, trocken Menge möglicher Systemzustände: Z = {Sonne, Regen} Beobachtungswahrscheinlichkeiten:
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrIhre Route wird berechnet Schneller zum kürzesten Weg
Ihre Route wird berechnet Schneller zum kürzesten Weg Dr. Felix Hahne Curt Nowak (M.Sc.) hahne@bwl.uni-hildesheim.de cnowak@bwl.uni-hildesheim.de Stiftung Universität Hildesheim Institut für Betriebswirtschaft
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrAnkündigungen. Algorithmen für Ad-hoc- und Sensornetze. Überblick. Topologiekontrolle
Ankündigungen Algorithmen für Ad-hoc- und Sensornetze VL 04 Topologiekontrolle Markus Völker 09. Mai 202 (Version ) Vortrag am Montag, den 4.05.202, 0 Uhr, SR 236 Prof. Dr. Roger Wattenhofer (ETH Zürich):
MehrTopological Fisheye Views for Visualizing Large Graphs
Topological Fisheye Views for Visualizing Large Graphs Emden R. Gansner, Yehuda Koren, Stephen C. North Stefan Altmayer 11. Dezember 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrMaximum and Minimum Satisfiability Problem
and Lehrstuhl für Wissensverarbeitung und Informationssysteme Universität Potsdam 25. Januar 2006 Agenda 1 2 3 I Erfüllbarkeitsproblem der Aussagenlogik : Aussagenlogische Formel auf Erfüllbarkeit prüfen
Mehr