Optimale Stationierung von Rettungshubschraubern
|
|
- Klaudia Morgenstern
- vor 6 Jahren
- Abrufe
Transkript
1 Rettungshubschraubern Universität Stuttgart Mathematische Modellierung Priv.-Doz. Dr. Iryna Rybak SS Julia Löffelhardt
2 Gliederung 1. Einführung 2. Modellrahmen 3. 1 Hubschrauber 1. 1 Hubschrauber, 2 Orte 2. 1 Hubschrauber, 3 Orte 3. 1 Hubschrauber, Orte 4. Allgemeiner Fall (n Hubschrauber, Orte) 1. Kontinuierliche Modelle 2. Kombinatorische Modelle 3. Gleichmäßige Auslastung 5. Lösungsheuristik 6. Anmerkungen 2
3 1. Einführung Betrachtung der Skigebiete (109) in Südtirol in 2D x= 93 y=63,5 3 Ortlieb et al.. S. 72
4 2. Allgemeiner Modellrahmen Gegebene Daten Ortskoordinaten der Skigebiete: P i =(x i,y i ), i=1,, Unfallhäufigkeit/ Ort: Gewichte w 1,, w >0 Anzahl der Hubschrauber: n< Gesuchte Größen n Standorte für die Hubschrauber: Q j =(u j,v j ), j= 1,, n Funktion, die jedem Hubschrauber seinen Wirkungskreis zuordnet: h: 1,, {1,, n} 4
5 Orte/ Skigebiete 2. Allgemeiner Modellrahmen Grafische Darstellung: Standort und Zuordnung h h: 1,, {1,, n}: n=3, = 16 Hubschrauber 5 Ortlieb et al., 2013, S.76
6 2. Allgemeiner Modellrahmen Weitere Annahmen: Bestimmung der Qualität des Standorts durch Flugzeit zum Unfallort Flugzeit proportional zur Länge der geraden Strecke Maß für die Flugzeit: euklidische Abstand: P=(x,y), Q=(u,v) d P, Q P Q = x u 2 + (y v)² 6
7 3. 1 Hubschrauber n=1 h fest Gesucht: Q= (u,v) als bester Standort Teilproblem der allgemeinen Fragestellung Einfachster Fall 7
8 3.1 1 Hubschrauber, 2 Orte n=1, =2 Orte P 1,P 2 mit w 1 = w 2 Bester Standort: Mittelpunkt der Strecke P 1 P 2 w 1 <w 2 Beispiel: P 1,P 2, w 1 =1, w 2 =2 bester Standort näher an P 2 Q = w 1 w 1 + w 2 P 1 + w 2 w 1 + w 2 P 2 = P 1 + w 2 w 1 + w 2 (P 2 P 1 ) = 1 3 P P 2 8
9 3.1 1 Hubschrauber, 2 Orte Zielkonflikt: d(p 1, Q) und d(p 2, Q) möglichst minimal Q nicht auf P 1 P 2 Abstände geringer, indem Q durch nächsten Punkt auf P 1 P 2 ersetzt wird: 9
10 3.1 1 Hubschrauber, 2 Orte Zielkonflikt: d(p 1, Q) und d(p 2, Q) möglichst minimal Auf P 1 P 2 : Verringerung von d(p 2, Q) Vergrößerung von d P 1, Q und umgekehrt: 10
11 3.1 1 Hubschrauber, 2 Orte Kompromiss Wahl hängt von Gesichtspunkt ab 3 verschiedene Kriterien: a) Gleichmäßig schnelle Versorgung der Unfallopfer b) Minimale Gesamtflugzeit c) Gewichtete Mittelbildung 11
12 3.1 1 Hubschrauber, 2 Orte a) Gleichmäßig schnelle Versorgung der Unfallopfer Q sollte so gewählt werden, dass F (Q) max(d P 1, Q, d P 2, Q ) minimal wird (Q P 1 P 2 ). P 1,P 2 auf der x- Achse an x 1,x 2 mit x 1 <x 2 & w 1,w 2 mit w 1 <w 2. Für jedes u x 1, x 2 F Q max u x 1, x 2 u, mit Minimum u = x 1 + x 2 2 Lösung: Q = 1 2 P P 2 Unabhängig von w 1,w 2 12
13 3.1 1 Hubschrauber, 2 Orte b) Minimale Gesamtflugzeit Q sollte so gewählt, dass F 1 Q w 1 d P 1, Q + w 2 d P 2, Q minimal wird. P 1,P 2 auf der x- Achse an x 1,x 2 mit x 1 <x 2 & Gewichten w 1,w 2, w 1 <w 2. Für jedes u x 1, x 2 F 1 u = w 1 u x 1 + w 2 x 2 u = w 1 u w 1 x 1 + w 2 x 2 w 2 u = w 1 w 2 u w 1 x 1 + w 2 x 2 hat Minimum in u=x 2. Lösung: Q= P 2 (falls w 1 <w 2 ) Verfahren ohne Berücksichtigung der Minderheit! Im Falle w 1 =w 2 ist jeder Punkt auf der Strecke P 1 P 2 eine Lösung. 13
14 3.1 1 Hubschrauber, 2 Orte c) Gewichtete Mittelbildung Q sollte so wählen, dass F 2 Q w 1 d P 1, Q ² + w 2 d P 2, Q ² minimal wird. P 1,P 2 auf der x- Achse an x 1,x 2 mit x 1 <x 2 & w 1,w 2 mit w 1 <w 2. Für jedes u x 1, x 2 : F 2 u = w 1 u x w 2 u x 2 2 = w 1 u 2 2x 1 u + x w 2 (u 2 2x 2 u + x 2 2 ) F 2 u = 2w 1 u 2x 1 w 1 + 2w 2 u 2x 2 w 2 =0 :2 +x 1 w 1, x 2 w 2 u w 1 + w 2 = x 1 w 1 + x 2 w 2 u = w 1x 1 + w 2 x 2 w 1 + w 2 14
15 3.1 1 Hubschrauber, 2 Orte c) Gewichtete Mittelbildung Lösung: Q = w 1 w 1 +w 2 P 1 + w 2 w 1 +w 2 P 2 Schwerpunkt aller Unfallorte gezählt mit Unfallhäufigkeit Interpretation fehlt 15
16 3.1 1 Hubschrauber, 2 Orte Zusammenfassung Präzises mathematisches Problem mit F, F 1 oder F 2. a) Gleichmäßig schnelle Versorgung der Unfallopfer F Unfallhäufigkeit spielt keine Rolle b) Minimale Gesamtflugzeit F 1 Mehrheitswahlrecht c) Gewichtete Mittelbildung F 2 Kompromiss 16
17 3.2 1 Hubschrauber, 3 Orte n=1, =3 3 Orte P 1,P 2,P 3 mit w 1 =w 2 =w 3 Betrachtung der drei Kriterien a) Gleichmäßig schnelle Versorgung der Unfallopfer b) Minimale Gesamtflugzeit c) Gewichtete Mittelbildung 17
18 3.2 1 Hubschrauber, 3 Orte a) Gleichmäßig schnelle Versorgung Minimiere F (Q) max(d P 1, Q, d P 2, Q, d(p 3, Q)) Ortlieb et al., S
19 3.2 1 Hubschrauber, 3 Orte a) Gleichmäßig schnelle Versorgung Lösung im stumpfwinkligen Dreieck: Ortlieb et al., S
20 3.2 1 Hubschrauber, 3 Orte b) Minimale Gesamtflugzeit Minimiere F 1 Q : = d P 1, Q + d P 2, Q + d(p 3, Q) Exkurs: Gradient der euklidischen orm f: R n R, f x = x = x i ² f x i = grad f = 1 n 2 i=1 x i ² x x ; n i=1 2x i = x = Q P: Q P Q P n = x i ² x i x i i=1 1 2 = Q P d(p,q) 20
21 3.2 1 Hubschrauber, 3 Orte b) Minimale Gesamtflugzeit Minimiere F 1 Q = d P 1, Q + d P 2, Q + d(p 3, Q) Lösung: konvexe, im Dreiecksinneren differenzierbare Funktion. gradf 1 Q = Q P 1 d(p 1, Q) + Q P 2 d(p 2, Q) + Q P 3 d(p 3, Q) Vektoren haben Länge 1, müssen sich zum ullvektor addieren, d.h. Winkel je 120 Fermat- Punkt (Dreieckswinkel <120 ) 21
22 3.2 1 Hubschrauber, 3 Orte Ortlieb et al., S
23 3.2 1 Hubschrauber, 3 Orte b) Minimale Gesamtflugzeit Minimiere F 1 Q = d P 1, Q + d P 2, Q + d(p 3, Q) Falls ein Winkel im Dreieck mindestens 120 groß: Fermat- Punkt existiert nicht Gesuchte Lösung ist genau dieser Punkt, an dem der Winkel >120 anliegt 23
24 3.2 1 Hubschrauber, 3 Orte c) Gewichtete Mittelbildung Minimiere F 2 Q d P 1, Q 2 + d P 2, Q 2 + d(p 3, Q)² Lösung: konvexe, überall differenzierbare Funktion grad F 2 Q = 2d P 1, Q Q P 1 d P 1, Q + 2d P 2, Q Q P 2 d P 2, Q + 2d P 3, Q Q P 3 d P 3, Q = 2(Q P 1 + Q P 2 + Q P 3 ) =0 :2 +P 1 +P 2 +P 3 :3 Q = 1 3 (P 1 + P 2 + P 3 ) Schwerpunkt 24
25 3.2 1 Hubschrauber, 3 Orte c) Gewichtete Mittelbildung Minimiere F 2 Q d P 1, Q 2 + d P 2, Q 2 + d(p 3, Q)² Ortlieb et al., S
26 3.2 1 Hubschrauber, 3 Orte Zusammenfassung 26
27 3.3 1 Hubschrauber, Orte n=1, >2 Orte P 1,,P mit den Unfallhäufigkeiten/ Gewichten w 1,,w Betrachtung der drei Kriterien a) Gewichtete Mittelbildung b) Gleichmäßig schnelle Versorgung der Opfer c) Minimale Gesamtflugzeit 27
28 3.3 1 Hubschrauber, Orte a) Gewichtete Mittelbildung Minimiere F 2 Q i=1 w i d(p i, Q)² Lösung: grad F 2 Q = 2 i=1 w i (P i, Q) =0 :2 i=1 w i P i i=1 w i Q = 0 + i=1 w i Q i=1 w i P i = Q i=1 w i : i=1 w i Q = i=1 i=1 w i w i P i 28
29 3.3 1 Hubschrauber, Orte a) Gewichtete Mittelbildung Setze Q ein: i=1 w i P i Q = w i P i i=1 w i P i = w i P i i=1 i=1 i=1 i=1 w i w i P i i=1 w i P i Q i=1 i=1 w i = 0 w i 29
30 3.3 1 Hubschrauber, Orte a) Gewichtete Mittelbildung Q ist Minimum, denn für jeden Punkt R in der Ebene ist: F 2 R = w i d P i, R 2 = w i P i R 2 = w i P i Q + Q R 2 i=1 i=1 i=1 = w i P i Q 2 + Q R P i Q, Q R i=1 = F 2 Q + w i d(q, R)² i=1 Und daher: F 2 R > F 2 Q Q Minimum 30
31 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: keine geschlossene auswertbare Formel 31
32 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: grafische Darstellung (=6) 32
33 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: grafische Darstellung (=6) 33
34 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: grafische Darstellung (=6) 34
35 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: grafische Darstellung (=6) 35
36 3.3 1 Hubschrauber, Orte b) Gleichmäßig schnelle Versorgung Minimiere F Q max i d(p i, Q) Lösung: Elzinga- Hearn- Algorithmus 36
37 3.3 1 Hubschrauber, Orte c) Minimale Gesamtflugzeit Minimiere F 1 Q : = i=1 w i d(p i, Q) Lösung: muss nicht eindeutig sein! Q {P i }; i=1,, ist genau dann optimal, wenn w i i=1 P i Q = 0 d(p i, Q) Q Є {P i }; i=1,,, Q=P j ist genau dann optimal, wenn i=1 i j w i P i P j d(p i,p j ) w j. 37
38 4. Allgemeiner Fall (n Hubschrauber, Orte) Orte/ Skigebiete mit Koordinaten P i =(x i,y i ), i1,, Gewichte/ Unfallhäufigkeiten w 1,, w >0 n= Anzahl der Hubschrauber, wobei n< 1. Kontinuierliche 2. Kombinatorische Modelle Modelle 38
39 4.1 Kontinuierliche Modelle Jeder Punkt der Ebene kommt in Frage: Kreuzspitze 39 ww.outdooractive.com%2fimg%2f800%2f%2f % 2F.jpg&imgrefurl=http%3A%2F%2Fwww.ammergauer-
40 4.1 Kontinuierliche Modelle Annahmen: Jeder Punkt der Ebene kommt in Frage Gleichmäßige Auslastung der Hubschrauber irrelevant 40
41 4.1 Kontinuierliche Modelle Gesucht sind: Standorte Q 1 =(u 1,v 1 ),, Q n =(u n,v n ) für die Hubschrauber Zuordnung h:{1,,} {1,,n} so dass n F 1 Q 1,, Q n, h w i d(p i, Q h(i) ) i=1 n F 2 Q 1,, Q n, h i=1 w i d(p i, Q h(i) )² F Q 1,, Q n, h max i d(p i, Q h(i) ) minimal wird. 41
42 4.2 Kombinatorische Modelle Annahme: als Standorte sind P 1,,P möglich Rein kombinatorisches Problem, denn wenn Orte fest sind, sind nur die Distanzen wichtig: a(i,j);=d(p i,p j ) für i,j=1,, Möglich von direkter Verbindung abzuweichen Möglichkeiten, die Hubschrauber zu platzieren: n 42
43 4.2 Kombinatorische Modelle Gesucht ist Teilmenge: j 1,, j n 1,, Zuordnung h: 1,, j 1,, j n so dass F 1 j 1,, j n, h n w i a(i, h(i)) i=1 n F 2 j 1,, j n, h i=1 w i a(i, h(i))² F j 1,, j n, h max i a(i, h(i)) minimal wird 43
44 4.2 Kombinatorische Modelle Falls n=1,=3 Distanzmatrix: d(p 1, P 1 ) d(p 1, P 2 ) d(p 1, P 3 ) d(p 2, P 1 ) d(p 2, P 2 ) d(p 2, P 3 ) d(p 3, P 1 ) d(p 3, P 2 ) d(p 3, P 3 ) 44
45 4.2 Kombinatorische Modelle Falls n=1, =3 Distanzmatrix: d P 1, P 1 = 0 d P 1, P 2 = 7 d P 1, P 3 = 3 d P 2, P 1 = 7 d P 2, P 2 = 0 d P 2, P 3 = 2 d P 3, P 1 = 3 d P 3, P 2 = 2 d P 3, P 3 = F j 1,, j n, h max i a(i, h(i)) mit a(i,j):=d(p i,p j ) für i,j=1,2,3 <- minimieren Q=P 3 45
46 4.3 Gleichmäßige Auslastung Annahme: Auslastung ist proportional zur Anzahl der Unfälle Sei w:= w 1 + +w Gleiche Auslastung wäre der Fall, wenn jeder der n Hubschrauber w/n Unfälle bearbeitet 46
47 4.3 Gleichmäßige Auslastung ebenbedingungen: Kontinuierliche Modelle: i h 1 (k) w i 1 n i=1 Für k=1,,n. C>0, möglich: C = max i Kombinatorische Modelle: Für k=1,,n. i h 1 (j k ) w i 1 n i=1 w i + C w i w i + C 47
48 5. Lösungsheuristik Ohne ebenbedingungen Algorithmus für Probleme mit 1 Hubschrauber ( Lösung:= Pseudoschwerpunkt) 48
49 5. Lösungsheuristik Satz (notwendige Optimalitätsbedingung): Bei einer Optimallösung eines unserer Probleme sind die folgenden Bedingungen erfüllt: Jeder Unfallort ist einem Hubschrauber zugeordnet, der ihm am nächsten liegt Jeder Hubschrauberstandort ist Pseudoschwerpunkt der ihm zugeordneten Unfallorte 49
50 5. Lösungsheuristik Algorithmus: 1. Wähle zufällig n verschiedene Unfallorte als Hubschrauberstandorte aus 2. Ordne jedem Ort den nächsten Standort zu 3. Verlege jeden Standort in den Pseudoschwerpunkt der zugeordneten Orte Bewegt sich dabei noch ein Standort gehe zu 2 50
51 5. Lösungsheuristik Beispiel: 25 Orte, 3 Hubschrauber, w i =1, i=1,..,25 51 Ortlieb et al., S. 89
52 5. Lösungsheuristik Beispiel: 25 Orte, 3 Hubschrauber, w i =1, i=1,..,25 52 Ortlieb et al., S. 89
53 5. Lösungsheuristik Beispiel: 25 Orte, 3 Hubschrauber, w i =1, i=1,..,25 53 Ortlieb et al., S. 89
54 5. Lösungsheuristik Beispiel: 25 Orte, 3 Hubschrauber, w i =1, i=1,..,25 Ortlieb et al., S
55 5. Lösungsheuristik Südtirol: 3 Hubschrauber, 109 Skigebiete ( ur Skigebiete selbst als mögliche Standorte) n n F 1 j 1,, j n, h i=1 w i a(i, h(i)) ; F 2 j 1,, j n, h i=1 w i a(i, h(i))² 55 Ortlieb et al., S. 89f
56 6. Anmerkungen Es gibt nicht EI Model für dieses Problem: ebenbedingungen, verschiedene Zielfunktionen Abhängig von den Prioritäten Kontinuierliche/ kombinatorische Modelle 56
57 6. Anmerkungen Ähnliche Anwendungen: Verteilung von Polizeiwachen Platzierung von Krankenhäusern Verteilung der Feuerwehrstationen Fragen der Standortoptimierung 57
58 Quellen Hamacher, H. W. Mathematische Lösungsverfahren für planare Standortprobleme. Ortlieb, C.; v. Dresky, C.; Gasser, I.& Günzel S. (2013) Mathematische Modellierung. Eine Einführung in zwölf Fallstudien. 2. Auflage. Wiesbaden: Springer Spektrum. %2Fwww.hotelviehhofen.com%2Fimages%2Fwinterurlaubviehhofen%2Fskifahren-saalbach-hinterglemm-. Zugriff am bergrettung jpg. Zugriff am
Hurra, Hurra, die Feuerwehr ist da oder: Schulgeometrie ausnahmsweise realitätsnahe
Hurra, Hurra, die Feuerwehr ist da oder: Schulgeometrie ausnahmsweise realitätsnahe Markus Buchtele markus.buchtele buchtele@uni-klu.ac.at http://www www.mathematik.uni-kl.de/~ kl.de/~mamaeusch/ http://www
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
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
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Mehr1 3 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7
1 3 1 3 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1 3 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1 3 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1є7 1
MehrUnterrichtsreihe zur Parabel
Unterrichtsreihe zur Parabel Übersicht: 1. Einstieg: Satellitenschüssel. Konstruktion einer Parabel mit Leitgerade und Brennpunkt 3. Beschreibung dieser Punktmenge 4. Konstruktion von Tangenten 5. Beweis
MehrWohin mit den Hubschraubern? Standortplanung in der Mathematik
3. Runde Landeswettbewerb Mathematik Rheinland-Pfalz 20. 22. April 2004 Wohin mit den Hubschraubern? Standortplanung in der Mathematik Workshop Silvia Schwarze Simone Horn Die Aufgabe: Hubschrauber positionieren
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrAufgaben zu Kapitel 5
Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5. Geben Sie zu folgenden komplexen Zahlen die Polarkoordinatendarstellung an z i z + i z 3 + 3i). r 5 ϕ 5 4 3 π bzw. r 6 3 ϕ 6 4 5
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrKapitel 3. Minkowski-Raum. 3.1 Raumzeitlicher Abstand
Kapitel 3 Minkowski-Raum Die Galilei-Transformation lässt zeitliche Abstände und Längen unverändert. Als Länge wird dabei der räumliche Abstand zwischen zwei gleichzeitigen Ereignissen verstanden. Solche
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
Mehrr a t u Parametergleichung der Geraden durch den Punkt A mit dem Richtungsvektor u t R heisst Parameter
8 3. Darstellung der Geraden im Raum 3.. Parametergleichung der Geraden Die naheliegende Vermutung, dass eine Gerade des Raumes durch eine Gleichung der Form ax + by + cz +d = 0 beschrieben werden kann
MehrD o n n e r s t a g, 1 4. J u l i
D o n n e r s t a g, 1 4. J u l i 2 0 1 6 L a m p e n f i e b e r M e i n N a m e i s t A r i s a W a t a n a b e. I c h k o m m e a u s J a p a n, Y o k o h a m a. I c h b i n 1 6 J a h r e H e u t e
MehrErweiterte Messunsicherheit
Erweiterte Messunsicherheit Gerd Wübbeler, Stephan Mieke PTB, 8.4 Berechnung der Messunsicherheit Empfehlungen für die Praxis Berlin, 11. und 12. März 2014 Gliederung 1. Was gibt die erweiterte Messunsicherheit
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis Tobias Ludes 02.07.07 Inhalt Einführung Algorithmen Modifikation der Gomory-Hu Methode Einführung Nach Gomory-Hu nur n-1 Netzwerk-Fluss- Berechnungen
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
MehrMinisterium für Schule und Weiterbildung NRW M LK HT 4 Seite 1 von 11. Unterlagen für die Lehrkraft. Abiturprüfung Mathematik, Leistungskurs
Seite von Unterlagen für die Lehrkraft Abiturprüfung 0 Mathematik, Leistungskurs. Aufgabenart Lineare Algebra/Geometrie ohne Alternative. Aufgabenstellung siehe Prüfungsaufgabe 3. Materialgrundlage entfällt
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
MehrÜbung Elementarmathematik im WS 2012/13. Lösung zum Klausurvorbereitung IV
Technische Universität Chemnitz Fakultät für Mathematik Dr. Uwe Streit Jan Blechschmidt Aufgabenkomplex 7 - Vektoren Übung Elementarmathematik im WS 202/3 Lösung zum Klausurvorbereitung IV. (5 Punkte -
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
Mehr1. Funktionen. 1.3 Steigung von Funktionsgraphen
Klasse 8 Algebra.3 Steigung von Funktionsgraphen. Funktionen y Ist jedem Element einer Menge A genau ein E- lement einer Menge B zugeordnet, so nennt man die Zuordnung eindeutig. 3 5 6 8 Dies ist eine
MehrDas Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung
Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm
MehrJürgen Roth Didaktik der Linearen Algebra und Analytischen Geometrie
Jürgen Roth Didaktik der Linearen Algebra und Analytischen Geometrie Modul 12a: Fachdidaktische Bereiche juergen-roth.de/lehre/did_linalg_anageo/ Kapitel 5: Skalarprodukt 5.1 Inhalte Didaktik der Linearen
MehrBeispiel mit Hinweisen 1 1/3 Dreieck
Beispiel mit Hinweisen 1 1/3 Dreieck Zeige für das Dreieck ABC [ A(5/5), B(29/15), C(5/15) ] die Richtigkeit von folgender Behauptung: Die drei Verbindungsstrecken der Eckpunkte mit den Berührungspunkten
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Standortplanung Kunden Speyer, Juni 2004 - Beispiele mathematischer Medellierung Seite 1 Prof Dr Horst W Hamacher Standortplanung
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrMathematik in der Biologie
Erich Bohl Mathematik in der Biologie 4., vollständig überarbeitete und erweiterte Auflage Mit 65 Abbildungen und 16 Tabellen ^J Springer Inhaltsverzeichnis Warum verwendet ein Biologe eigentlich Mathematik?
Mehr( ) ( ). Dann heißt die Zahl
Der Euklidische Abstand Seite 1 von 6 Der Euklidische Abstand Der Abstand zweier Punkte P und Q in der Modellebene ist eine Zahl, die von den Koordinaten der Punkte abhängt. Der Term, mit dem die Berechnung
MehrKern- und Schulcurriculum Mathematik Klasse 7/8. Stand Schuljahr 2009/10
Kern- und Schulcurriculum Mathematik Klasse 7/8 Stand Schuljahr 2009/10 Klasse 7 UE 1 Prozent- und Zinsrechnung Anteile in Prozent Grundaufgaben der Prozentrechnung Promille Prozentuale Änderungen Zinsen
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
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
MehrIterative Methods for Improving Mesh Parameterizations
Iterative Methods for Improving Mesh Parameterizations Autoren: Shen Dong & Michael Garland, SMI 07 Nicola Sheldrick Seminar Computergrafik April 6, 2010 Nicola Sheldrick (Seminar Computergrafik)Iterative
MehrTropische Kurven zählen. Enumerative Geometrie. Alg. Geometrie. Beispiel Strategie. Geometrie. Kurven Multiplizität Correspondence Theorem Ergebnisse
Alg. Ebene e Hannah Markwig Technische Universität Kaiserslautern 6. Juli 2006 Alg. Inhalt 1 () 2 3 Der Algorithmus zum Zählen ebener 4 Der Algorithmus Alg. Algebraische Geometrische Objekte sind Nullstellengebilde
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrPolygone - Bausteine der Computergrafik
Polygone - Bausteine der Computergrafik Schülerseminar Florian Buchegger Johannes Kepler Universität Linz Dez 12, 2014 Wo werden Polygone verwendet? Welche wichtige Algorithmen gibt es? Outline Wo werden
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrKern- und Schulcurriculum Mathematik Klasse 5/6. Stand Schuljahr 2009/10
Kern- und Schulcurriculum Mathematik Klasse 5/6 Stand Schuljahr 2009/10 Klasse 5 UE 1 Natürliche en und Größen Große en Zweiersystem Römische en Anordnung, Vergleich Runden, Bilddiagramme Messen von Länge
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
Mehr55. Mathematik-Olympiade 4. Stufe (Bundesrunde) Olympiadeklasse 10 Lösungen 1. Tag
55. Mathematik-Olympiade 4. Stufe (Bundesrunde) Olympiadeklasse 10 Lösungen 1. Tag c 2016 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 551041
MehrMit eckigen Rädern fahren
Mit eckigen Rädern fahren Für Spielfreudige und mathematisch Interessierte Mit eckigen Rädern fahren: Das klingt reichlich unwahrscheinlich, aber möglich ist es. Zugegeben: Die Idee ist etwas wunderlich
Mehr13. Klasse TOP 10 Grundwissen 13 Geradengleichungen 01
. Klasse TOP 0 Grundwissen Geradengleichungen 0 Punkt-Richtungs-Form Geraden sind gegeben durch einen Aufpunkt A (mit Ortsvektor a) auf der Geraden und einen Richtungsvektor u: x = a + λ u, λ IR. (Interpretation:
Mehr1.7. Die indirekte (umgekehrte) Proportionalität. a x heisst umgekehrte (indirekte) Proportionalität.
34 1.7. Die indirekte (umgekehrte) Proportionalität a Die Funktion f : y = a 0, 0 heisst umgekehrte (indirekte) Proportionalität. Spezialfall a = 1: f: Bilde den Kehrwert der gegebenen Zahl. An der Stelle
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
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.
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
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
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
MehrAnalytische Geometrie
Analytische Geometrie Übungsaufgaben Punkte, Vektoren, Geradengleichungen Gymnasium Klasse 0 Alexander Schwarz www.mathe-aufgaben.com März 04 Aufgabe : Gegeben sind die Punkte O(0/0/0), A(6/6/0), B(/9/0),
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
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
MehrMathematik 2 für Wirtschaftsinformatik
für Wirtschaftsinformatik Sommersemester 2012 Hochschule Augsburg Hinreichende Bedingung für lokale Extrema Voraussetzungen Satz D R n konvex und offen Funktion f : D R zweimal stetig partiell differenzierbar
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrAufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
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,
MehrInformation und Codierung
Richard W. Hamming Information und Codierung Technische Universität Darmstadt FACHBEREICH INFORMATIK BIBLIOTHEK Invantar-Nr.: Sachgebiete:. Standort: VCH Inhalt Vorwort zur 1. Auflage der Originalausgabe
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrAbiturprüfung 2000 LK Mathematik Baden-Württemberg
Abiturprüfung 000 LK Mathematik Baden-Württemberg Aufgabe I 1 Analysis ( )² Gegeben ist die Funktion f durch f ( ) = ; D f. Ihr Schaubild sei K. ( 4) a) Geben Sie die maimale Definitionsmenge D f an. Untersuchen
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr30. Satz des Apollonius I
30. Satz des Apollonius I Das Teilverhältnis T V (ABC) von drei Punkten ABC einer Geraden ist folgendermaßen definiert: Für den Betrag des Teilverhältnisses gilt (ABC) = AC : BC. Für das Vorzeichen des
Mehr31 Die Potentialgleichung
3 Die Potentialgleichung Die Potentialgleichung oder auch Poisson-Gleichung ist die lineare Gleichung zweiter Ordnung u = f in einem Gebiet R n. Im homogenen Fall f = 0 spricht man auch von der Laplace-
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 01/13 Hochschule Augsburg Mathematik : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren
MehrClusteranalyse: Gauß sche Mischmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse: Gauß sche Mischmodelle iels Landwehr Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Mehr2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n
2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n f ist in dem Fall ein Weg in R n. Das Bild f(t) des Weges wird als Kurve
MehrStoffverteilungsplan Elemente der Mathematik 3 Baden-Württemberg ISBN
Bleib fit im Umgang mit Bruchzahlen Zahl Algorithmus Klasse 6 1. Prozent- und Zinsrechnung 1.1 Absoluter und relativer Vergleich Anteile in Prozent 1.2 Grundaufgaben der Prozentrechnung Im Blickpunkt:
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
Mehr2.1 Importance sampling: Metropolis-Algorithmus
Kapitel 2 Simulationstechniken 2.1 Importance sampling: Metropolis-Algorithmus Eine zentrale Fragestellung in der statistischen Physik ist die Bestimmung von Erwartungswerten einer Observablen O in einem
MehrEine kurze Tabelle soll uns erste Einsichten erleichtern. Der Strich heißt, dass es eine solche Darstellung nicht gibt.
Summen von Quadraten 1 Physikalische Motivation Eine schwingende Saite hat eine Grundfrequenz F, die von Länge, Dicke, Beschaffenheit der Saite und so fort abhängt Neben dieser Grundfrequenz gibt es auch
MehrMit symbolischen, formalen und technischen Elementen der Mathematik umgehen Wertetabellen zur Bearbeitung linearer Zusammenhänge nutzen.
MAT 07-01 Zuordnungen 14 DS Leitidee: Funktionaler Zusammenhang Thema im Buch: Unterwegs Werte aus Schaubildern ablesen und ihre Bedeutung erklären. entscheiden und begründen, ob es sich um eine nicht
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
MehrAnwendungen der Spieltheorie
Mikroökonomie I Einführung in die Spieltheorie Universität Erfurt Wintersemester 08/09 Prof. Dr. Dittrich (Universität Erfurt) Spieltheorie Winter 1 / 28 Spieltheorie Die Spieltheorie modelliert strategisches
MehrBerufsmaturitätsprüfung 2009 Mathematik
GIBB Gewerblich-Industrielle Berufsschule Bern Berufsmaturitätsschule Berufsmaturitätsprüfung 2009 Mathematik Zeit: 180 Minuten Hilfsmittel: Formel- und Tabellensammlung ohne gelöste Beispiele, Taschenrechner
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrWiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE
Wiederholungsblatt Elementargeometrie im SS 01 bei Prof. Dr. S. Goette LÖSUNGSSKIZZE Die Lösungen unten enthalten teilweise keine vollständigen Rechnungen. Es sind aber alle wichtigen Zwischenergebnisse
MehrComputer-Graphik I Verallgemeinerte Baryzentrische Koordinaten
lausthal omputer-raphik I Verallgemeinerte Baryzentrische Koordinaten. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Verallgemeinerungen der baryzentr. Koord. 1. Was macht man im 2D bei
MehrMit kombinatorischer Optimierung zur Nadel im Heuhaufen
Mit kombinatorischer Optimierung zur Nadel im Heuhaufen Rico Zenklusen ETH Zurich Was ist kombinatorische Optimierung? Finde beste/gute Lösung in einer riesigen Menge endlich vieler Möglichkeiten. / 0
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
Mehrx 3 Genau dann liegt ein Punkt X mit dem Ortsvektor x auf g, wenn es ein λ R gib,t so dass
V. Geradengleichungen in Parameterform 5. Definition ---------------------------------------------------------------------------------------------------------------- x 3 v a x x x Definition und Satz :
MehrMathematik 1 für Naturwissenschaften
Hans Walser Mathematik für Naturwissenschaften Modul 0 Einführung Hans Walser: Modul 0, Einführung ii Inhalt Zahlen.... Natürliche Zahlen.... Ganze Zahlen.... Rationale Zahlen.... Reelle Zahlen... Smbole....
MehrStoffverteilung Mathematik Klasse 5 auf Basis der Bildungsstandards 2004
natürliche Zahlen einfache Zehnerpotenzen Massen Zeitspannen Längen Tabellen Diagramme Skizzen Tabellen Diagramme Natürliche Zahlen 1. Zählen und Darstellen 2. Große Zahlen 3. Rechnen mit natürlichen Zahlen
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.1 Einführung
Mathematik II Frühlingsemester 2015 Kap 9: Funktionen von mehreren Variablen 91 Einführung wwwmathethzch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof Dr Erich Walter Farkas http://wwwmathethzch/
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrWas ist Koordinaten-Geometrie?
Thema Was ist Koordinaten-Geometrie? ist eine Systematische Sammlung von Techniken, um geometrische Probleme Probleme nicht durch Zeichnen, sondern durch Berechnungen zu lösen. Vorgehensweise: 1. Was ist
Mehr