Komplexgewichtetes Rucksackproblem und Anreize in Wechselstromnetzen
|
|
- Gregor Fuchs
- vor 6 Jahren
- Abrufe
Transkript
1 Komplexgewichtetes Rucksackproblem und Anreize in Wechselstromnetzen 13. Dezember 2016 Sebastian Graf KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
3 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
4 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
5 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
6 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
7 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
8 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
9 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
10 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
11 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
12 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
13 Motivation Wechselstromnetze Algorithmen zur inelastischen Stromallokation rar Spieltheoretische Aspekte Grundlagenproblem 1
14 lated Work Weitestgehend grüne Wiese [Sianaki et al., 2010]: 0-1 Rucksackproblem für Gleichstromallokation [Kellerer et al., 2004]: Buch Knapsack Problems ferenz Quadratisches Rucksackproblem
15 Heute Hauptsächlich [Yu und hau, 2012] Problemdefinition Approximationsalgorithmus Einbettung in anreizkompatiblen Mechanismus Nichtapproximierbarkeit durch ein FPTAS 3
16 lated Work [hau et al., 2014], behandelt im Vortrag am PTAS Erlaubt größere maximale Phasendifferenzen < π ϕ 4
17 lated Work [hau et al., 2014], behandelt im Vortrag am PTAS Erlaubt größere maximale Phasendifferenzen < π ϕ 4
18 lated Work [Khonji et al., 2014], behandelt im Vortrag am [hau et al., 2014] liefert bestmögliche Approximation ϕ 4
19 Approximationsresultate APX PTAS F PTAS 5
20 Approximationsresultate 1 7 APX O(n c ) 1 ɛ PTAS O(n 1 ɛ ) 1 ɛ O( 1 ɛ n) F PTAS 5
21 Approximationsresultate APX PTAS? F PTAS 5
22 Approximationsresultate APX PTAS F PTAS 5
23 0-1 Rucksackproblem (1-KP) Gegenstände i I mit Wert v i R und Gewicht w i R 0 Kapazität R 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes ILP: arg max x {0,1} n{v T x w T x } Eines der ursprünglichen NP-vollständigen Probleme v i w i w 1 6
24 0-1 Rucksackproblem (1-KP) Gegenstände i I mit Wert v i R und Gewicht w i R 0 Kapazität R 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes ILP: arg max x {0,1} n{v T x w T x } Eines der ursprünglichen NP-vollständigen Probleme v i w i v = 31 w 1 6
25 0-1 Rucksackproblem (1-KP) Gegenstände i I mit Wert v i R und Gewicht w i R 0 Kapazität R 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes ILP: arg max x {0,1} n{v T x w T x } Eines der ursprünglichen NP-vollständigen Probleme v i w i v = 34 w 1 6
26 m-dimensionales Rucksackproblem (m-kp) Gegenstände i I mit Wert v i R und Gewicht w i R m 0 Kapazität R m 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes ILP: arg max x {0,1} n{v T x W T x } I R 7
27 m-dimensionales Rucksackproblem (m-kp) Gegenstände i I mit Wert v i R und Gewicht w i R m 0 Kapazität R m 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes ILP: arg max x {0,1} n{v T x W T x } I R 7
28 Komplexgewichtetes Rucksackproblem (-KP) Gegenstände i I mit Wert v i R und Gewicht w i 0 Kapazität R 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes QQP: arg max x {0,1} n{v T x x T ww T x 2 } 8
29 Komplexgewichtetes Rucksackproblem (-KP) Gegenstände i I mit Wert v i R und Gewicht w i 0 Kapazität R 0 Bestimme arg max K I { i K v i i K w i } Äquivalentes QQP: arg max x {0,1} n{v T x x T ww T x 2 } 8
30 Verallgemeinertes -KP (G-KP) Gegenstände i I mit Wert v i R und Gewicht w i 0 Kapazitäten, R, I R 0 Bestimme K I, das i K v i maximiert dabei i K w i einhält zusätzlich i K w R i R und i K w I i I genügt I 9 R
31 FPTAS zu 1-KP Spezialfall ganzzahliger Werte v i Dynamische Programmierung [Kellerer et al., 2004] Exakte Lösung in O(n 2 V ), wobei n = I, V = max i I v i Pseudopolynomiell 10
32 FPTAS zu 1-KP Idee für 1 ɛ-approximation: diskretisiere Werte in O( 1 ɛn) Stufen berechne Lösung des dynamisches Programm auf abgerundeten Werten Lösungsgüte 1 ɛ Algorithm 1 Alg 1d [(w i, v i : i I ), ] 1: V max i I {v i } 2: N 1 ɛ I 3: for i I do 4: ṽ i v i V N 5: end for 6: K solve-dp[(w i, ṽ i : i I ), ] 7: return K N = 5 10
33 FPTAS zu 1-KP Idee für 1 ɛ-approximation: diskretisiere Werte in O( 1 ɛn) Stufen berechne Lösung des dynamisches Programm auf abgerundeten Werten Lösungsgüte 1 ɛ Algorithm 1 Alg 1d [(w i, v i : i I ), ] 1: V max i I {v i } 2: N 1 ɛ I 3: for i I do 4: ṽ i v i V N 5: end for 6: K solve-dp[(w i, ṽ i : i I ), ] 7: return K N = 5 10
34 Approximationsalgorithmus zu -KP D Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
35 Approximationsalgorithmus zu -KP D 1 D 2 Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
36 Approximationsalgorithmus zu -KP D 2 D 1 w Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
37 Approximationsalgorithmus zu -KP D 2 D 1 w Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
38 Approximationsalgorithmus zu -KP D 2 D 1 w w Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
39 Approximationsalgorithmus zu -KP D 1 D 2 Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
40 Approximationsalgorithmus zu -KP D 1 D 2 Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
41 Approximationsalgorithmus zu -KP D 1 D 2 Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 11
42 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Abschätzung für unabhängige Teilprobleme Führe Fallunterscheidung über Beschaffenheit der Optimallösung K 12
43 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 12
44 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 12
45 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 12
46 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 12
47 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): I w( K ) 12
48 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): I 1 I = I 1 I 2 v( K ) = max i {1,2} v( K i ) I 2 w( K 1 ) w( K 2 ) 12
49 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Zwischenstand Aussage über Lösungen des projizierten 1-KP Problems v( K ) = max{v( K 1 ), v( K 2 )} v(k) = v( K) ρv( K ) ρv( K i ) Weiter mit Fallunterscheidung über Optimallösung K 12
50 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Fall w(k ) D 1 : v(k) ρv( K 1 ) ρv(k ) D 2 D 1 12
51 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Fall j K : w j D 1 : K = K1 K 2 mit w(k 1 ), w(k 2 ) D 1 D 2 D 1 12
52 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Fall j K : w j D 1 : K = K1 K 2 mit w(k 1 ), w(k 2 ) D 1 D 2 D 1 v(k) ρ 2 2v( K 1 ) ρ 2 (v(k 1 ) + v(k 2 )) ρ 2 v(k ) 12
53 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Fall!j K : w j D 2 : K \ {j} I 1, j I 2 D 2 D 1 12
54 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Fall!j K : w j D 2 : K \ {j} I 1, j I 2 D 2 D 1 v(k) ρ 2 (v( K 1 ) + v( K 2 )) ρ 2 (v(k \ {j}) + v j )) ρ 2 v(k ) 12
55 Modellierung des Allokationsproblems Spieltheoretischer Mechanismus um -KP Zentraler Allokationsalgorithmus sammelt Energiebedarf und Angebot der Verbraucher ein Öffentlich bekannter Algorithmus Tatsächlicher Energiebedarf ist geheim Abnehmer können falschen Bedarf angeben! Anreizkompatibilität des Mechanismus sicherstellen Jeder Spieler hat den größten Nutzen, wenn er wahrheitsgemäß antwortet 13
56 Ein Anreizkompatibler Mechanismus Menge A zielgerichteter (single-minded) Agenten Jeder Agent a A hat einen Typ t a = (d a, v a ) Bedarf d a und Wertschätzung v a sind geheim Agent kann zu niedrigeren Bedarf angeben, um selektiert zu werden { va, falls d Bewertungsfunktion t a (o) = a o a zu Zuweisung o 0, sonst Mechanismus M = (A, p) Allokationsalgorithmus A bestimmt Zuweisung A(t) A 0 p a (t) von Agent a fällige Zahlung Nutzenfunktion u a (t) = t a (A(t)) p a (t) 14
57 Ein Anreizkompatibler Mechanismus Definition. Ein Mechanismus M ist anreizkompatibel, wenn wahrheitsgemäße Enthüllung des Typs t a von Agent a zur Maximierung seiner Nutzenfunktion u a (t) führt. Äquivalent: t a : u a (t a, t a ) u a (t a, t a ) 14
58 Ein Anreizkompatibler Mechanismus Definition. Ein Mechanismus M ist anreizkompatibel, wenn wahrheitsgemäße Enthüllung des Typs t a von Agent a zur Maximierung seiner Nutzenfunktion u a (t) führt. Äquivalent: t a : u a (t a, t a ) u a (t a, t a ) Satz ([Briest et al., 2011]). Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. 14
59 Ein Anreizkompatibler Mechanismus Satz. Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. Definition. M = (A, p) heißt exakt, wenn für alle Agenten a A und Eingaben t = (d a, v a : a A) gilt: A(t) a ist entweder d a oder 0. 14
60 Ein Anreizkompatibler Mechanismus Satz. Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. Definition. M = (A, p) heißt exakt, wenn für alle Agenten a A und Eingaben t = (d a, v a : a A) gilt: A(t) a ist entweder d a oder 0. 14
61 Ein Anreizkompatibler Mechanismus Satz. Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. 14
62 Ein Anreizkompatibler Mechanismus Definition. Ein Allokationsalgorithmus A ist monoton, wenn aus d a A(t a, t a ) a folgt, dass d a A(t a, t a ) a für alle t a = (d a, v k ) und t a = (d a, v a) mit v a v a d a d a. t a t a 14
63 Ein Anreizkompatibler Mechanismus Definition. Ein Allokationsalgorithmus A ist monoton, wenn aus d a A(t a, t a ) a folgt, dass d a A(t a, t a ) a für alle t a = (d a, v k ) und t a = (d a, v a) mit v a v a d a d a. Lemma. Alg b ist ein monotoner Algorithmus für -KP, sofern Alg 1d ein monotoner Algorithmus für 1-KP ist. 14
64 Ein Anreizkompatibler Mechanismus Lemma. Alg b ist ein monotoner Algorithmus für -KP, sofern Alg 1d ein monotoner Algorithmus für 1-KP ist. Beweis (nach [Yu und hau, 2012]): Sei t a = (d a, v a ) und t a = (d a, v a) mit v a v a d a d a Außerdem gilt a Alg b (t a, t a ) Zeige: a Alg b (t a, t a ) Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K t a t a 14
65 Ein Anreizkompatibler Mechanismus Lemma. Alg b ist ein monotoner Algorithmus für -KP, sofern Alg 1d ein monotoner Algorithmus für 1-KP ist. Beweis (nach [Yu und hau, 2012]): Sei t a = (d a, v a ) und t a = (d a, v a) mit v a v a d a d a Außerdem gilt a Alg b (t a, t a ) Zeige: a Alg b (t a, t a ) Algorithm 2 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K t a t a 14
66 Ein Anreizkompatibler Mechanismus Satz. Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. Lemma. Alg b ist ein monotoner Algorithmus für -KP, sofern Alg 1d ein monotoner Algorithmus für 1-KP ist. 14
67 Ein Anreizkompatibler Mechanismus Satz. Sei A ein exakter und monotoner Allokationsalgorithmus für zielgerichtete Agenten. Dann gibt es eine Zahlung p A, so dass (A, p A ) ein anreizkompatibler Mechanismus ist. Lemma. Alg b ist ein monotoner Algorithmus für -KP, sofern Alg 1d ein monotoner Algorithmus für 1-KP ist. Folgerung. Da für 1-KP ein monotones F PTAS existiert [Briest et al., 2011], können wir einen anreizkompatiblen 1 2 ɛ-approximationsalgorithmus für -KP konstruieren, der Zeit polynomial in der Eingabelänge und 1 ɛ benötigt. 14
68 Nichtapproximierbarkeit durch F PTAS Satz. Es existiert kein FPTAS für -KP, falls P NP. Beweis (nach [Yu und hau, 2012]): Entscheide Equipartition mittels FPTAS für -KP Definition (Equipartition Problem). Sei I eine Menge von n Gegenständen mit Gewichten w i N. Entscheide, ob Partition I = I 1 I 2 existiert mit I 1 = I 2 und i I 1 w i = i I 2 w i. 15
69 Nichtapproximierbarkeit durch F PTAS Definition (Equipartition Problem). Sei I eine Menge von n Gegenständen mit Gewichten w i N. Entscheide, ob Partitionen I = I 1 I 2 existieren mit I 1 = I 2 und i I 1 w i = i I 2 w i. 15
70 Nichtapproximierbarkeit durch F PTAS Definition (Equipartition Problem). Sei I eine Menge von n Gegenständen mit Gewichten w i N. Entscheide, ob Partitionen I = I 1 I 2 existieren mit I 1 = I 2 und i I 1 w i = i I 2 w i. 15
71 Nichtapproximierbarkeit durch F PTAS Definition (Equipartition Problem). Sei I eine Menge von n Gegenständen mit Gewichten w i N. Entscheide, ob Partitionen I = I 1 I 2 existieren mit I 1 = I 2 und i I 1 w i = i I 2 w i. Satz ([Kellerer et al., 2004]). Equipartition ist NPvollständig. 15
72 Nichtapproximierbarkeit durch F PTAS Satz. Es existiert kein FPTAS für -KP, falls P NP. Beweis (nach [Yu und hau, 2012]): Entscheide Equipartition mittels FPTAS für -KP Dazu: Entscheidungsproblem -KP D zu -KP Entscheidet für (zusätzliches) V, ob ein Rucksack K mit Gesamtwert i K v i V existiert 15
73 Nichtapproximierbarkeit durch F PTAS Satz. Es existiert kein FPTAS für -KP, falls P NP. Beweis (nach [Yu und hau, 2012]): Entscheide Equipartition mittels FPTAS für -KP P-duktion: I = I v i = 1 Gegeben: Equipartition Instanz (w i : i I ) Ausgabe: -KP D Instanz ((w i, v i : i i),, V ), wobei V = n 2 w max = max w i i I w i = w i + jβ(w max w i ) W β = nw max W = W = i I i I w i 2 w i 15
74 Nichtapproximierbarkeit durch F PTAS Satz. Es existiert kein FPTAS für -KP, falls P NP. Beweis (nach [Yu und hau, 2012]): Entscheide Equipartition mittels FPTAS für -KP Angenommen, es gäbe FPTAS für -KP Wähle ɛ = 1 n+1 Optimalwert z für 1 ɛ-approximation mit Wert z z (1 ɛ)z > z z n z 1 z ist ganzzahlig, daher Approximation z exakt Widerspruch zur NP-Schwere von Equipartition 15
75 Zusammenfassung Optimierungsproblem -KP ( 1 2 ɛ)-approximationsalgorithmus mittels F PTAS für 1-KP Einbettung in anreizkompatiblen Allokationsmechanismus Eignet sich zur Modellierung von Wechselstromsystemen lativ simple Allokationslösung Existenz eines FPTAS für -KP (vermutlich) widerlegt Offene Fragen PTAS für -KP finden monotonen Algorithmus für G-KP finden Netztopologie berücksichtigen 16
76 Ausblick [hau et al., 2014], behandelt im Vortrag am anreizkompatibles PTAS für -KP für ϕ [0, π 2 ) anreizkompatibles FPTAS für Fall ϕ ( π 2, π), der Kapazitätsbedingung um höchstens 1 + ɛ verletzt Erweiterung auf multi-minded agents [Khonji et al., 2014], behandelt im Vortrag am Fall ϕ ( π 2, π) existiert kein α-approximationsalgorithmus -KP ausgeforscht, Konzentration auf G-KP [Khonji et al., 2016] Erweitert -KP auf Scheduling Problem mit diskreten Zeitschlitzen Greedy 1 2 cos ϕ 2 -Approximation für -KP in O(n log n) ϕ 17
77 Literaturverzeichnis [hau et al., 2014] hi Kin hau, Khaled Elbassioni, and Majid Khonji. Truthful mechanisms for combinatorial A electric power allocation. 13th International onference on Autonomous Agents and Multiagent Systems, AAMAS 2014, [Kellerer et al., 2004] Hans Kellerer, Ulrich Pferschy, and David Pisinger. Knapsack Problems, volume [Khonji et al., 2014] Majid Khonji, hi Kin hau, and Khaled Elbassioni. Inapproximability of power allocation with inelastic demands in A electric systems and networks. Proceedings - International onference on omputer ommunications and Networks, IN,
78 Literaturverzeichnis [Sianaki et al., 2010] Omid Ameri Sianaki, Omar Hussain, and Azadeh Rajabian Tabesh. A Knapsack problem approach for achieving efficient energy consumption in smart grid for endusers life style IEEE onference on Innovative Technologies for an Efficient and liable Electricity Supply, pages , [Yu und hau, 2012] Lan Yu and hi-kin hau. omplex-demand Knapsack Problems and Incentives in A Power Systems. 2005, [Briest et al., 2011] Patrick Briest, Piotr Krysta, and Berthold Vöcking. Approximation Techniques for Utilitarian Mechanism Design. Stoc, 40(6): ,
79 Literaturverzeichnis [Khonji et al., 2016] Majid Khonji, Areg Karapetyan, Khaled M Elbassioni, and Sid hi-kin hau. omplex-demand Scheduling Problem with Application in Smart Grid. orr, abs/1603.0, [Frieze et al., 1984] A. M. Frieze and M. R B larke. Approximation algorithms for the m-dimensional 0-1 knapsack problem: Worstcase and probabilistic analyses,
80 FPTAS zu 1-KP Spezialfall ganzzahliger Werte v i Dynamische Programmierung [Kellerer et al., 2004] Exakte Lösung in O(n 2 V ), wobei n = I, V = max i I v i Pseudopolynomiell kursionsgleichung:, falls v < 0 (i, v) = 0, falls i = v = 0 min{(i 1, v), (i 1, v v i ) + w i }, sonst (i, v) minimal nötige Kapazität, um unter Berücksichtigung der ersten i Gegenstände Wert v zu erreichen Wert der Optimallösung arg max 0 v nv {(n, v) (n, v) } 10
81 FPTAS zu 1-KP Idee für 1 ɛ-approximation: diskretisiere Werte in O( 1 ɛn) Stufen berechne Lösung des dynamisches Programm auf abgerundeten Werten Lösungsgüte 1 ɛ Algorithm 1 Alg 1d [(w i, v i : i I ), ] 1: V max i I {v i } 2: N 1 ɛ I 3: for i I do 4: ṽ i v i V N 5: end for 6: K solve-dp[(w i, ṽ i : i I ), ] 7: return K N = 5 10
82 FPTAS zu 1-KP Idee für 1 ɛ-approximation: diskretisiere Werte in O( 1 ɛn) Stufen berechne Lösung des dynamisches Programm auf abgerundeten Werten Lösungsgüte 1 ɛ Algorithm 1 Alg 1d [(w i, v i : i I ), ] 1: V max i I {v i } 2: N 1 ɛ I 3: for i I do 4: ṽ i v i V N 5: end for 6: K solve-dp[(w i, ṽ i : i I ), ] 7: return K N = 5 10
83 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Algorithm 1 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 1d [( w i, v i : i I ), 2 ] return K 19
84 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach v(k) = [Yu und hau, 2012]): i K v i, w(k) = i K w i Partitioniere I in I 1 = {i I : w i D 1 } und I 2 = {i I : w i D 2 } Alg 1d liefert Lösungen K 1, K 2 Optimallösungen K 1, K 2 w(k 1 ) 2 K 2 = {arg max i I v i }, denn i I 2 : w i = 2 Alg 1d liefert Lösung K = max{k 1, K 2 } 19
85 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 19
86 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 19
87 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): D 1 D 2 w( K ) 19
88 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): I w( K ) 19
89 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): I 1 I = I 1 I 2 v( K ) = max i {1,2} v( K i ) I 2 w( K 1 ) w( K 2 ) 19
90 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) des projizierten Problems auf I i 19
91 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) Fall w(k ) D 1 : des projizierten Problems auf I i klar: v(k) v(k 1 ) ρv( K 1 ) = ρv(k ) D 1 D 2 19
92 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) Fall j K : w j D 1 : des projizierten Problems auf I i 2 < w(k ) und j K : w j 2 19 K = K 1 K 2 mit w(k 1 ), w(k 2 ) D 1 v(k) v(k 1 ) ρ 2 2v( K 1 ) ρ 2 (v(k 1 ) + v(k 2 )) = ρ 2 v(k ) D 1 D 2
93 Approximationsgüte von Alg b Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) Fall j K : w j D 1 : des projizierten Problems auf I i 2 < w(k ) und j K : w j 2 19 K = K 1 K 2 mit w(k 1 ), w(k 2 ) D 1 v(k) v(k 1 ) ρ 2 2v( K 1 ) ρ 2 (v(k 1 ) + v(k 2 )) = ρ 2 v(k ) D 1 D 2
94 Approximationsgüte von Alg b 19 Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) Fall!j K : w j D 2 : des projizierten Problems auf I i K \ {j} I 1, also v(k \ {j}) v( K 1 ) j I 2, also v({j}) v( K 2 ) v(k) 1 2 (v(k 1) + v(k 2 )) ρ 2 (v( K 1 ) + v( K 2 )) ρ 2 v(k ) D 1 D 2
95 Approximationsgüte von Alg b 19 Satz. Ist Alg 1d ein ρ-approximationsalgorithmus für 1-KP, so ist Alg b ein ρ 2 -Approximationsalgorithmus für -KP Beweis (nach [Yu und hau, 2012]): Optimallösung des Gesamtproblems K Optimallösungen K i v(k i ) ρv( K i ) Fall!j K : w j D 2 : des projizierten Problems auf I i K \ {j} I 1, also v(k \ {j}) v( K 1 ) j I 2, also v({j}) v( K 2 ) v(k) 1 2 (v(k 1) + v(k 2 )) ρ 2 (v( K 1 ) + v( K 2 )) ρ 2 v(k ) D 1 D 2
96 Anreizkompatible Zahlungsfunktion kritischer Wert für Agent a: θ a (d a, t a ) Agent a ist selektiert, genau dann, wenn v k θ a (d a, t a ) Idee: Lasse jeden selektierten Agenten seinen kritischen Wert zahlen { p A θ a (d a, t a ), falls a selektiert (t) a = 0, sonst θ a (d a, t a ) [0, v a ] kritischer Wert kann über binäre Suche bestimmt werden Annahme: v k N Stellt nichtnegative Nutzenfunktion sicher Die war so definiert: u a (t) = t a (A(t)) p a (t) 20
97 Approximationsalgorithmus zu G-KP Algorithm 3 Alg b [(w i, v i : i I ), ] 1: for i I do 2: w i min{ w R i +w I i 2, 2 } 3: end for 4: K Alg 3d [(( w i, wi R, wi I ), v i : i I ), 2, R, I ] 5: return K I R 21
98 Skizze PTAS für m-kp Nach [Frieze et al., 1984]: Durchlaufe alle möglichen Rucksäcke K I der Größe O(m 1 ɛ ɛ ) Betrachte Gegenstände in K als selektiert, führe LP auf restlichen Gegenständen I \ K aus Runde Ergebnis x ab 22
Einführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
MehrDas Lastverteilungsproblem
Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht
MehrNP-vollständig - Was nun?
Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
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,
MehrApproximation im Sinne der Analysis:
1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
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
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrProbabilistische Analyse von Algorithmen
Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen 27. Mai 2005 Übersicht Einführung 1 Einführung 2 Exkurs: Wahrscheinlichkeitstheorie Borgwardts 3 Idee 4 Formale Beschreibung des s Motivation
MehrApproximation in Batch and Multiprocessor Scheduling
Approximation in Batch and Multiprocessor Scheduling Tim Nonner IBM Research Albert-Ludwigs-Universität Freiburg 3. Dezember 2010 Scheduling Zeit als Ressource und Beschränkung Formaler Gegeben sind Jobs
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
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
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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
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
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
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrEinführung in Algorithmen und Komplexität
Einführung in Algorithmen und Komplexität SS2004 w u v High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 Was haben wir bisher gemacht? - Rechenmodell:
MehrAlle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)).
8. Untere Schranken für Sortieren Alle bislang betrachteten Sortieralgorithmen hatten (worst-case) Laufzeit Ω(nlog(n)). Werden nun gemeinsame Eigenschaften dieser Algorithmen untersuchen. Fassen gemeinsame
MehrInformatik II Greedy-Algorithmen
7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:
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.
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrÜbung zu Grundbegriffe der Informatik. Simon Wacker. 15. November 2013
Übung zu Grundbegriffe der Informatik Simon Wacker 15. November 2013 Vollständige Induktion über die Wortlänge Es sei B ein Alphabet. Dann ist B = n N 0 B n. Für jedes Wort w B sei A w eine Aussage, die
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2006/07 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2006/07 in Trier Henning Fernau Universität Trier fernau@informatik.uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
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:
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
MehrProbeklausur zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Probeklausur 25.01.2013 Probeklausur zur Vorlesung Berechenbarkeit und Komplexität Aufgabe 1 (1+2+6+3 Punkte)
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrApproximations-Algorithmen
Approximations-Algorithmen Institut für Computergraphik und Algorithmen Abteilung für Algorithmen und Datenstrukturen 186.102 Sommersemester 2004, 2h VU Motivation: Bereits viele einfache Optimierungsprobleme
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
Mehr5.4 Das Rucksackproblem
Problemstellung: 5.4 Das Rucksackproblem Eingabe: Ganzzahlige Volumina a 1,..., a n > 0, Nutzenwerte c 1,..., c n > 0, ganzzahlige Volumenschranke b. Aufgabe: Packe die Objekte in einen Rucksack von Volumen
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
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
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrDynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206
Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische
Mehr7 Der kleine Satz von Fermat
7 Der kleine Satz von Fermat Polynomkongruenz modulo p. Sei p eine Primzahl, n 0 und c 0,..., c n Z. Wir betrachten die Kongruenz ( ) c 0 + c 1 X +... + c n 1 X n 1 + c n X n 0 mod p d.h.: Wir suchen alle
MehrKlausuraufgaben. 1. Wir betrachten die folgende Sprache über dem Alphabet {a, b}
Klausuraufgaben 1. Wir betrachten die folgende Sprache über dem Alphabet {a, b} L = {a n b m n > 0, m > 0, n m} a) Ist L kontextfrei? Wenn ja, geben Sie eine kontextfreie Grammatik für L an. Wenn nein,
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
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrNichtlineare Gleichungssysteme
Kapitel 2 Nichtlineare Gleichungssysteme Problem: Für vorgegebene Abbildung f : D R n R n finde R n mit oder ausführlicher f() = 0 (21) f 1 ( 1,, n ) = 0, f n ( 1,, n ) = 0 Einerseits führt die mathematische
MehrMusterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 2013/14
Institut für Theoretische Informatik Prof. Dr. Jörn Müller-Quade Musterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 23/4 Vorname Nachname Matrikelnummer Hinweise Für die
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 18, 2012 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrUniversität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III
Name Vorname Matrikelnummer Universität Karlsruhe Institut für Theoretische Informatik o. Prof. Dr. P. Sanders 26. Feb. 2007 Klausur: Informatik III Aufgabe 1. Multiple Choice 10 Punkte Aufgabe 2. Teilmengenkonstruktion
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
MehrEin Fundamentalbereich der Modulgruppe. 1 Erzeugende
Ein Fundamentalbereich der Modulgruppe Vortrag zum Seminar zur Funktionentheorie,.04.009 Kerstin Küpper Im Vortrag wird die Modulgruppe und ihre Erzeuger untersucht und ein exakter Fundamentalbeich der
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
MehrMusterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2012/13
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Musterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 22/3 Vorname Nachname Matrikelnummer
MehrSingle Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths
Shortest Paths Label Correcting Algorithms Florian Reitz Universität Trier Fachbereich IV Fach Informatik Seminar Netzwerkalgorithmen WS 2005/2006 Einleitung: Problemübersicht Eben: Schnelle Algorithmen
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
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
Mehr6 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.7 200//29 :58:57 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Konvergenz einer reellen oder komplexen Folge gegen
MehrApproximations- und Online-Algorithmen
Approximations- und Online-Algorithmen Wie komme ich mit Unfähigkeit und Unwissen zurecht? Rob van Stee 14. April 2010 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der
MehrVorlesung Berechenbarkeit und Komplexität. Motivation, Übersicht und Organisatorisches
Berechenbarkeit und Komplexität: Motivation, Übersicht und Organisatorisches Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Berechenbarkeit die absoluten Grenzen
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrSeminar Algorithmische Spieltheorie WS 2007/08. Martin Sauerhoff
Seminar Algorithmische Spieltheorie WS 2007/08 Martin Sauerhoff Worum geht es? Internet/WWW: Interaktion zwischen Parteien ( Spielern ), die private, egoistische Interessen verfolgen; Erreichen von globalen
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrSS11 Effiziente Algorithmen 5. Kapitel: Dynamische Programmierung
SS11 Effiziente Algorithmen 5. Kapitel: Dynamische Programmierung Martin Dietzfelbinger Juni/Juli 2011 FG KTuEA, TU Ilmenau Effiziente Algorithmen SS11 Kapitel 5 Kapitel 5: Dynamische Programmierung Typische
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrHumboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T.
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T. Streubel Lösungsalternativen für die Übungsaufgaben zur Vorlesung
MehrRO-Tutorien 3 / 6 / 12
RO-Tutorien 3 / 6 / 12 Tutorien zur Vorlesung Rechnerorganisation Christian A. Mandery WOCHE 2 AM 06./07.05.2013 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrSeminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln
Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln Michael Kniely November 2009 1 Vorbemerkungen Definition. Sei n N +, ϕ(n) := {d [0, n 1] ggt (d, n) = 1}. Die Abbildung ϕ : N + N + heißt
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
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
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
Mehr3. Das Auslastungsspiel
Literatur: 3. Das Auslastungsspiel R. W. Rosenthal. A class of games possessing pure-strategy Nash equilibria. International Journal of Game Theory 2, pp. 65 67. 1973. D. S. Johnson, Chr. H. Papadimitriou,
MehrSeminararbeit zur Zahlentheorie. Die Gaußschen Zahlen
Universität Paderborn WS 2007/2008 Warburger Str. 100 33098 Paderborn Seminararbeit zur Zahlentheorie Die Gaußschen Zahlen Tatjana Linkin, Svetlana Krez 20. November 2007 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis
MehrEin Dieb raubt einen Laden aus; um möglichst flexibel zu sein, hat er für die Beute nur einen Rucksack dabei
7/7/ Das Rucksack-Problem Englisch: Knapsack Problem Das Problem: "Die Qual der Wahl" Ein Dieb raubt einen Laden aus; um möglichst flexibel zu sein, hat er für die Beute nur einen Rucksack dabei Im Ladens
MehrMinimale Anzahl von Hinweisen bei Sudoku
Minimale Anzahl von Hinweisen bei Sudoku Sascha Kurz sascha.kurz@uni-bayreuth.de (basierend auf Arbeiten von Ariane Papke und Gary McGuire et al.) Oberseminar Effizienz dezentraler Strukturen, Bayreuth,
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrAlgorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie
Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie Einführung in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 11. November 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrSeminar Kommutative Algebra und Varietäten Vortrag 1: Ideale kommutativer Ringe
Seminar Kommutative Algebra und Varietäten Vortrag 1: Ideale kommutativer Ringe Sebastian Dobrzynski 17042014 1 Grundsätzliches zu Idealen Vorab legen wir fest: Alle im Vortrag betrachteten Ringe sind
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrDynamisches Programmieren - Problemstruktur
Dynamisches Programmieren - Problemstruktur Optimale Substruktur: Optimale Lösung enthält optimale Lösungen von Teilproblemen. Bsp.: Kürzester Weg im Graphen, LCS (s. etwa Folie 42 der letzten Vorlesung)
MehrTheoretische Informatik SS 03 Übung 11
Theoretische Informatik SS 03 Übung 11 Aufgabe 1 Zeigen Sie, dass es eine einfachere Reduktion (als die in der Vorlesung durchgeführte) von SAT auf 3KNF-SAT gibt, wenn man annimmt, dass die Formel des
Mehr6 Reelle und komplexe Zahlenfolgen
Mathematik für Physiker I, WS 200/20 Freitag 0.2 $Id: folgen.tex,v. 200/2/06 :2:5 hk Exp $ $Id: reihen.tex,v. 200/2/0 4:4:40 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Cauchyfolgen Wir kommen nun
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrReferat rekursive Mengen vs. rekursiv-aufzählbare Mengen
Kapitel 1: rekursive Mengen 1 rekursive Mengen 1.1 Definition 1.1.1 informal Eine Menge heißt rekursiv oder entscheidbar, wenn ihre charakteristische Funktion berechenbar ist. 1.1.2 formal Eine Menge A
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrExact Sampling: Der Propp-Wilson-Algorithmus
Exact Sampling: Der Propp-Wilson-Algorithmus Markus Gerstel Proseminar: Markovketten in der Algorithmik Technische Universität München gerstel@in.tum.de Zusammenfassung Der Propp-Wilson-Algorithmus liefert
MehrLösungen zu Aufgabenblatt 7P
Analysis Prof. Dr. Peter Becker Fachbereich Informatik Sommersemester 205 9. Mai 205 Lösungen zu Aufgabenblatt 7P Aufgabe (Stetigkeit) (a) Für welche a, b R sind die folgenden Funktionen stetig in x 0
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
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
MehrGrundbegriffe der Informatik Tutorium 2
Grundbegriffe der Informatik Tutorium 2 Tutorium Nr. 32 Philipp Oppermann 13. November 2013 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
Mehr$Id: stetig.tex,v /06/26 15:40:18 hk Exp $
$Id: stetig.tex,v 1.11 2012/06/26 15:40:18 hk Exp $ 9 Stetigkeit 9.1 Eigenschaften stetiger Funktionen Am Ende der letzten Sitzung hatten wir eine der Grundeigenschaften stetiger Funktionen nachgewiesen,
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
Mehr