Flussmethoden: orthogonales Graphenzeichnen
|
|
- Joachim Bergmann
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmen zur Visualisierung von Graphen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Tamara Mchedlidze Martin Nöllenburg
2 Orthogonale Gitterzeichnungen 2
3 Orthogonale Gitterzeichnungen Wiederholung: Was kennen Sie schon dazu? 2
4 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Topology Shape Metrics [Tamassia SIAM J. Comput. 987] 3
5 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Topology Shape Metrics [Tamassia SIAM J. Comput. 987] Kreuzungsminimierung kombinatorische Einbettung
6 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Topology Shape Metrics [Tamassia SIAM J. Comput. 987] Kreuzungsminimierung kombinatorische Einbettung Knickminimierung orthogonale Beschreibung
7 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Kreuzungsminimierung kombinatorische Einbettung Topology Shape Metrics Knickminimierung orthogonale Beschreibung [Tamassia SIAM J. Comput. 987] planare Einbettung Flächenminimierung 4 3
8 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Kreuzungsminimierung kombinatorische Einbettung Topology Shape Metrics Knickminimierung orthogonale Beschreibung [Tamassia SIAM J. Comput. 987] planare Einbettung Flächenminimierung 4 3
9 Knickminimierung bei fester Einbettung Problem geometrische Knickminimierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 kombinatorische Einbettung F und äußere Facette f 0 Ges: einbettungsäquivalente orthogonale Gitterzeichnung mit minimaler Knickanzahl 4
10 Knickminimierung bei fester Einbettung Problem geometrische Knickminimierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 kombinatorische Einbettung F und äußere Facette f 0 Ges: einbettungsäquivalente orthogonale Gitterzeichnung mit minimaler Knickanzahl bzw. zunächst folgende Variante Problem kombinatorische Knickminimierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 kombinatorische Einbettung F und äußere Facette f 0 Ges: einbettungsäquivalente orthogonale Beschreibung H(G) mit minimaler Knickanzahl 4
11 Orthogonale Beschreibung Eingabe: planarer Graph G =(V,E), Facettenmenge F, äußere Facette f 0 Ausgabe: orthogonale Beschreibung H(G) ={H(f) f 2F} Facettenbeschreibung H(f): im UZS um f geordnete Folge von Kantenbeschreibungen (e,, ) mit e ist Randkante von f ist Folge in {0, } (0 = Rechtsknick, = Linksknick) ist Winkel 2{ 2,, 3 2, 2 } zwischen e und Nachfolger e0 5
12 Orthogonale Beschreibung: Beispiel H(f 0 )=((e,, 2 ), (e 5,, 3 2 ), (e 4, ;, ),(e 3, ;, ),(e 2, ;, 2 )) H(f )=((e, 00, 3 2 ), (e 2, ;, 2 ), (e 6, 00, )) H(f 2 )=((e 5, 000, 2 ), (e 6,, 2 ), (e 3, ;, ),(e 4, ;, 2 )) f 0 e e e 3 2 f f 2 e 4 e 6 e 5 Wie sieht die kombinatorische Zeichnung zu H(G) aus? 6
13 Orthogonale Beschreibung: Beispiel H(f 0 )=((e,, 2 ), (e 5,, 3 2 ), (e 4, ;, ),(e 3, ;, ),(e 2, ;, 2 )) H(f )=((e, 00, 3 2 ), (e 2, ;, 2 ), (e 6, 00, )) H(f 2 )=((e 5, 000, 2 ), (e 6,, 2 ), (e 3, ;, ),(e 4, ;, 2 )) f 0 0 e 0 f 0 e e e 3 2 f f 2 e 4 e 6 e e 6 e 5 e 2 e 3 e 4 f 0 f 2 0 6
14 Orthogonale Beschreibung: Beispiel H(f 0 )=((e,, 2 ), (e 5,, 3 2 ), (e 4, ;, ), (e 3, ;, ), (e 2, ;, 2 )) H(f )=((e, 00, 3 2 ), (e 2, ;, 2 ), (e 6, 00, )) H(f 2 )=((e 5, 000, 2 ), (e 6,, 2 ), (e 3, ;, ),(e 4, ;, 2 )) f 0 falsch rum!? f 0 0 e 0 f 0 e e e 3 2 f f 2 e 4 e 6 e e 6 e 5 e 2 e 3 e 4 f 0 f 2 0 6
15 Orthogonale Beschreibung: Beispiel H(f 0 )=((e,, 2 ), (e 5,, 3 2 ), (e 4, ;, ),(e 3, ;, ),(e 2, ;, 2 )) H(f )=((e, 00, 3 2 ), (e 2, ;, 2 ), (e 6, 00, )) H(f 2 )=((e 5, 000, 2 ), (e 6,, 2 ), (e 3, ;, ),(e 4, ;, 2 )) f 0 e e e 3 2 f f 2 e 4 e 6 e 5 f e e 6 e 5 e 2 e 3 e f 0 f 2 0 6
16 Orthogonale Beschreibung: Beispiel H(f 0 )=((e,, 2 ), (e 5,, 3 2 ), (e 4, ;, ),(e 3, ;, ),(e 2, ;, 2 )) H(f )=((e, 00, 3 2 ), (e 2, ;, 2 ), (e 6, 00, )) H(f 2 )=((e 5, 000, 2 ), (e 6,, 2 ), (e 3, ;, ),(e 4, ;, 2 )) f 0 e e e 3 2 f f 2 e 4 e 6 e 5 f e 0 2 e 2 e 3 e f 0 f 2 e 6 e 5 0 konkrete Geometrie noch nicht festgelegt! 6
17 Korrektheit einer orthogonalen Beschreibung (H) H(G) entspricht F,f 0 7
18 Korrektheit einer orthogonalen Beschreibung (H) H(G) entspricht F,f 0 (H2) für gemeinsame Randkante {u, v} zweier Facetten f und g mit ((u, v),, ) 2 H(f) und ((v, u), 2, 2 ) 2 H(g) gilt ist invertierte und umgedrehte Folge 2 7
19 Korrektheit einer orthogonalen Beschreibung (H) H(G) entspricht F,f 0 (H2) für gemeinsame Randkante {u, v} zweier Facetten f und g mit ((u, v),, ) 2 H(f) und ((v, u), 2, 2 ) 2 H(g) gilt ist invertierte und umgedrehte Folge 2 (H3) Sei 0 (bzw. )dieanzahlnullen(bzw.einsen)in und X r =(e,, ). Für C(r) := 0 X +2 2 / gilt: C(r) =4für f 6= f 0 und C(r) = 4 r2h(f) r2h(f 0 ) 7
20 Korrektheit einer orthogonalen Beschreibung (H) H(G) entspricht F,f 0 (H2) für gemeinsame Randkante {u, v} zweier Facetten f und g mit ((u, v),, ) 2 H(f) und ((v, u), 2, 2 ) 2 H(g) gilt ist invertierte und umgedrehte Folge 2 (H3) Sei 0 (bzw. )dieanzahlnullen(bzw.einsen)in und X r =(e,, ). Für C(r) := 0 X +2 2 / gilt: C(r) =4für f 6= f 0 und C(r) = 4 r2h(f) r2h(f 0 ) (H4) Für jeden Knoten v ist die Summe der anliegenden Winkel gleich 2 7
21 Kombinatorische Knickminimierung Problem kombinatorische Knickminimierung Geg: Graph G =(V,E) mit Maximalgrad 4 kombinatorische Einbettung F und äußere Facette f 0 Ges: einbettungsäquivalente orthogonale Beschreibung H(G) mit minimaler Knickanzahl 8
22 Kombinatorische Knickminimierung Problem kombinatorische Knickminimierung Geg: Graph G =(V,E) mit Maximalgrad 4 kombinatorische Einbettung F und äußere Facette f 0 Ges: einbettungsäquivalente orthogonale Beschreibung H(G) mit minimaler Knickanzahl Idee: erstelle ein Flussnetzwerk mit eine Flusseinheit entspricht einem /2 Winkel Fluss von Knoten zu Facetten entspricht Knotenwinkel Fluss zwischen Facetten entspricht Kantenknicken 8
23 Erinnerung: s-t Flussnetzwerk Flussnetzwerk (D =(V,A); s, t; c) mit gerichtetem Graph D =(V,A) Kantenkapazitäten c : A! R + 0 Quelle s 2 V,Senket 2 V Eine Abbildung X : A! R + 0 heißt s-t-fluss, falls gilt: X (i,j)2a X(i, j) 0 apple X(i, j) apple c(i, j) 8(i, j) 2 A () X X(j, i) =0 8i 2 V \{s, t} (2) (j,i)2a 9
24 Erinnerung: Allgemeines Flussnetzwerk Flussnetzwerk (D =(V,A); `; u; b) mit gerichtetem Graph D =(V,A) untere Kantenkapazitäten ` : A! R + 0 obere Kantenkapazitäten u : A! R + 0 Knotenbewertung b : V! R mit P i2v Eine Abbildung X : A! R + 0 b(i) =0 heißt Fluss, falls gilt: X (i,j)2a `(i, j) apple X(i, j) apple u(i, j) 8(i, j) 2 A (3) X X(i, j) X(j, i) =b(i) 8i 2 V (4) (j,i)2a 0
25 Fragestellungen für Flussnetzwerke (A) Gültiger Fluss: Finde einen gültigen Fluss X : A! R + 0,d.h. Kapazitäten l(e),u(e) werden respektiert Bedarf b(v) wird genau erfüllt
26 Fragestellungen für Flussnetzwerke (A) Gültiger Fluss: Finde einen gültigen Fluss X : A! R + 0,d.h. Kapazitäten l(e),u(e) werden respektiert Bedarf b(v) wird genau erfüllt Zusätzlich gegeben: Kostenfunktion cost : A! R + 0 Def: cost(x) := P (i,j)2a cost(i, j) X(i, j)
27 Fragestellungen für Flussnetzwerke (A) Gültiger Fluss: Finde einen gültigen Fluss X : A! R + 0,d.h. Kapazitäten l(e),u(e) werden respektiert Bedarf b(v) wird genau erfüllt Zusätzlich gegeben: Kostenfunktion cost : A! R + 0 Def: cost(x) := P (i,j)2a cost(i, j) X(i, j) (B) Minimalkostenfluss Finde einen gültigen Fluss X : A! R + 0,dercost(X) minimiert (unter allen gültigen Flüssen)
28 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} 2
29 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} b(v) =4 8v 2 V 2
30 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} b(v) =4 8v 2 V b(f) = 2(d G (f) 2) 8f 2F\{f 0 } b(f 0 )= 2(d G (f) + 2) 2
31 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} 9 b(v) =4 8v 2 V = b(f) = 2(d G (f) 2) 8f 2F\{f 0 } ; ) P w b(w) =0? b(f 0 )= 2(d G (f) + 2) 2
32 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} 9 b(v) =4 8v 2 V = b(f) = 2(d G (f) 2) 8f 2F\{f 0 } ; ) P w b(f 0 )= 2(d G (f) + 2) b(w) =0 (Euler) 2
33 Flussnetzwerk zur Knickminimierung Flussnetzwerk N(G) =((V [F,A); `; u; b; cost) A = {(v, f) 2 V F v inzident zu f} [ A = {(f,g) 2F F f,g adjazent via Kante e} 9 b(v) =4 8v 2 V = b(f) = 2(d G (f) 2) 8f 2F\{f 0 } ; ) P w b(f 0 )= 2(d G (f) + 2) b(w) =0 (Euler) 8(f,g) 2 A, f, g 2F `(f,g) :=0appleX(f,g) apple=: u(f,g) 8(v, f) 2 A, v 2 V,f 2F `(v, f) :=apple X(v, f) apple 4=:u(v, f) X X 8i 2 V [F X(i, j) X(j, i) =b(i) (i,j)2a (j,i)2a 2
34 Beispiel Flussnetzwerk f 0 f f 2 v 2 v 3 e 2 e 3 v e 4 e 6 e v 5 e 5 v 4 3
35 Beispiel Flussnetzwerk f 0 f f 2 v 2 v 3 e 2 e 3 v e 4 e 6 e v 5 e 5 v 4 3 V F
36 Beispiel Flussnetzwerk f 0 f f 2 v 2 v 3 e 2 e 3 v e 4 e 6 e v 5 e 5 v 4 V F V F 3
37 Beispiel Flussnetzwerk f 0 f f 2 v 2 v 3 e 2 e 3 v e 4 e 6 e v 5 e 5 v 4 V F F F V F 3
38 Beispiel Flussnetzwerk f 0-4 v 2 4 v 3 4 e 2 e 3 f f 2 v 4-2 e 6-4 e 4 e 4 v 5 e 5 4 v 4 V F F F V F 3
39 Beispiel Flussnetzwerk f 0-4 v 2 4 v 3 4 e 2 e 3 f f 2 v 4 e -2 4 e 6 v 5 e 5-4 e 4 4 v 4 `/u/c V F F F /4/0 V F 3
40 Beispiel Flussnetzwerk f 0-4 v 2 4 v 3 4 e 2 e 3 f f 2 v 4 e -2 4 e 6 v 5 e 5-4 e 4 4 v 4 `/u/c V F F F /4/0 0// V F 3
41 Beispiel Flussnetzwerk 3 f v 4 e f f v 2 4 v 3 4 e 2 e e 6 v 5 e e 4 4 v 4 `/u/c V F F F V F /4/0 0//
42 Beispiel Flussnetzwerk 3 f v 4 e f f v 2 4 v 3 4 e 2 e e 6 v 5 e e 4 4 v 4 cost = Knick! (nach außen) `/u/c V F F F V F /4/0 0//
43 Kernaussage Satz : Zu einem planar eingebetteten Graphen (G, F,f 0 ) existiert genau dann eine zulässige orthogonale Beschreibung H(G) mit k Knicken, wenn es im Flussnetzwerk N(G) einen Fluss x mit Kosten k gibt. 4
44 Kernaussage Satz : Zu einem planar eingebetteten Graphen (G, F,f 0 ) existiert genau dann eine zulässige orthogonale Beschreibung H(G) mit k Knicken, wenn es im Flussnetzwerk N(G) einen Fluss x mit Kosten k gibt. Beweis: ( Geg: Fluss x in N(G) mit Kosten k Ges: orthogonale Beschreibung H(G) mit k Knicken 4
45 Kernaussage Satz : Zu einem planar eingebetteten Graphen (G, F,f 0 ) existiert genau dann eine zulässige orthogonale Beschreibung H(G) mit k Knicken, wenn es im Flussnetzwerk N(G) einen Fluss x mit Kosten k gibt. Beweis: ( Geg: Fluss x in N(G) mit Kosten k Ges: orthogonale Beschreibung H(G) mit k Knicken transformiere Fluss in orthogonale Beschreibung zeige Eigenschaften (H) (H4) 4
46 Kernaussage Satz : Zu einem planar eingebetteten Graphen (G, F,f 0 ) existiert genau dann eine zulässige orthogonale Beschreibung H(G) mit k Knicken, wenn es im Flussnetzwerk N(G) einen Fluss x mit Kosten k gibt. Beweis: ( Geg: Fluss x in N(G) mit Kosten k Ges: orthogonale Beschreibung H(G) mit k Knicken transformiere Fluss in orthogonale Beschreibung zeige Eigenschaften (H) (H4) ) Geg: orthogonale Beschreibung H(G) mit k Knicken Ges: Fluss x in N(G) mit Kosten k 4
47 Kernaussage Satz : Zu einem planar eingebetteten Graphen (G, F,f 0 ) existiert genau dann eine zulässige orthogonale Beschreibung H(G) mit k Knicken, wenn es im Flussnetzwerk N(G) einen Fluss x mit Kosten k gibt. Beweis: ( Geg: Fluss x in N(G) mit Kosten k Ges: orthogonale Beschreibung H(G) mit k Knicken transformiere Fluss in orthogonale Beschreibung zeige Eigenschaften (H) (H4) ) Geg: orthogonale Beschreibung H(G) mit k Knicken Ges: Fluss x in N(G) mit Kosten k definiere Abbildung x : A! R + 0 zeige x erfüllt Flussbedingungen und hat Kosten k 4
48 Zusammenfassung Knickminimierung Aus Satz folgt, dass die orthogonale Knickminimierung für eingebettete planare Graphen durch Lösen eines Min-Cost-Flow Problems durchgeführt werden kann. 5
49 Zusammenfassung Knickminimierung Aus Satz folgt, dass die orthogonale Knickminimierung für eingebettete planare Graphen durch Lösen eines Min-Cost-Flow Problems durchgeführt werden kann. Dieses spezielle Flussproblem lässt sich unter Ausnutzung der Planarität von N(G) in O(n 3/2 ) Zeit lösen. [Cornelsen, Karrenbauer GD 20] 5
50 Zusammenfassung Knickminimierung Aus Satz folgt, dass die orthogonale Knickminimierung für eingebettete planare Graphen durch Lösen eines Min-Cost-Flow Problems durchgeführt werden kann. Dieses spezielle Flussproblem lässt sich unter Ausnutzung der Planarität von N(G) in O(n 3/2 ) Zeit lösen. [Cornelsen, Karrenbauer GD 20] Die Knickminimierung ohne gegebene kombinatorische Einbettung ist NP-schwer. [Garg, Tamassia SIAM J. Comput. 200] 5
51 Zusammenfassung Knickminimierung Aus Satz folgt, dass die orthogonale Knickminimierung für eingebettete planare Graphen durch Lösen eines Min-Cost-Flow Problems durchgeführt werden kann. Dieses spezielle Flussproblem lässt sich unter Ausnutzung der Planarität von N(G) in O(n 3/2 ) Zeit lösen. [Cornelsen, Karrenbauer GD 20] Die Knickminimierung ohne gegebene kombinatorische Einbettung ist NP-schwer. [Garg, Tamassia SIAM J. Comput. 200] Das Entscheidungsproblem, ob ein Graph eine orthogonale Zeichnung mit höchstens f(e) Knicken pro Kante e besitzt ist polynomiell lösbar, falls f(e) für alle e 2 E. [Bläsius et al. GD 200] 5
52 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Kreuzungsminimierung kombinatorische Einbettung Topology Shape Metrics Knickminimierung orthogonale Beschreibung planare Einbettung Flächenminimierung 4 6
53 (Planare) Orthogonale Zeichnungen Dreistufiger Ansatz: V = {v,v 2,v 3,v 4 } E = {v v 2,v v 3,v v 4,v 2 v 3,v 2 v 4 } Kreuzungsminimierung kombinatorische Einbettung Topology Shape Metrics Knickminimierung orthogonale Beschreibung planare Einbettung Flächenminimierung 4 6
54 Kompaktierung Problem Kompaktierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 orthogonale Beschreibung H(G) Ges: kompaktes orthogonales Layout von G, dash(g) realisiert 7
55 Kompaktierung Problem Kompaktierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 orthogonale Beschreibung H(G) Ges: kompaktes orthogonales Layout von G, dash(g) realisiert Spezialfall: alle Facetten sind Rechtecke! Garantien möglich minimale Gesamtkantenlänge minimale Fläche 7
56 Kompaktierung Problem Kompaktierung Geg: planarer Graph G =(V,E) mit Maximalgrad 4 orthogonale Beschreibung H(G) Ges: kompaktes orthogonales Layout von G, dash(g) realisiert Spezialfall: alle Facetten sind Rechtecke! Garantien möglich minimale Gesamtkantenlänge minimale Fläche Eigenschaften: Knicke höchstens als Ecken der äußeren Facette gegenüberliegende Seiten einer Facette gleich lang 7
57 Flussnetzwerk Längenzuweisung Def: Flussnetzwerk N hor =((W hor,a hor ); `; u; b; cost) W hor = F\{f 0 }[{s, t} A hor = {(f,g) f,g besitzen gemeinsames horizontales Kantensegment und f liegt unterhalb von g}[{(t, s)} `(a) = 8a 2 A hor u(a) = 8a 2 A hor cost(a) = 8a 2 A hor b(f) =0 8f 2 W hor t 8 s
58 Flussnetzwerk Längenzuweisung Def: Flussnetzwerk N hor =((W hor,a hor ); `; u; b; cost) W hor = F\{f 0 }[{s, t} A hor = {(f,g) f,g besitzen gemeinsames horizontales Kantensegment und f liegt unterhalb von g}[{(t, s)} `(a) = 8a 2 A hor u(a) = 8a 2 A hor cost(a) = 8a 2 A hor b(f) =0 8f 2 W hor s und t repräsentieren untere und obere Hälfte von f 0 t 8 s
59 Flussnetzwerk Längenzuweisung Def: Flussnetzwerk N ver =((W ver,a ver ); `; u; b; cost) W ver = F\{f 0 }[{s, t} A ver = {(f,g) f,g besitzen gemeinsames vertikales Kantensegment und f liegt links von g}[{(t, s)} `(a) = 8a 2 A hor u(a) = 8a 2 A hor cost(a) = 8a 2 A hor b(f) =0 8f 2 W hor s t 9
60 Optimales Layout Satz 2: Ganzzahlige Flüsse x hor und x ver in N hor und N ver mit minimalen Kosten liefern: zugeh. Seitenlängen induzieren gültiges Layout x hor (t, s) und x ver (t, s) entsprechen minimaler Breite und Höhe des Layouts P a2a hor x hor (e) cost(a)+ P e2a ver x ver (a) cost(a) entsprechen minimaler Gesamtkantenlänge 20
61 Optimales Layout Aber was macht man, wenn nicht alle Facetten Rechtecke sind? Satz 2: Ganzzahlige Flüsse x hor und x ver in N hor und N ver mit minimalen Kosten liefern: zugeh. Seitenlängen induzieren gültiges Layout x hor (t, s) und x ver (t, s) entsprechen minimaler Breite und Höhe des Layouts P a2a hor x hor (e) cost(a)+ P e2a ver x ver (a) cost(a) entsprechen minimaler Gesamtkantenlänge 20
62 Verfeinerung von (G, H) innere Facette f Dummyknoten für Knicke 2
63 Verfeinerung von (G, H) innere Facette e 4 e 5 f e 8 e 9 e 3 e 0 e e e 0 e 5 e 4 e 3 e 2 e 7 e2 Dummyknoten für Knicke e 6 2
64 Verfeinerung von (G, H) innere Facette e 5 corner(e) next(e) f e e 4 e 8 e 9 e 3 e 0 e e e 0 e 5 e 4 e 3 e 2 e 7 e2 Dummyknoten für Knicke e 6 2
65 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
66 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e e 8 e 9 e 0 e 3 e2 front(e 0 ): Nachfolger erste Kante mit P turn(e) = Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
67 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e e 8 e 9 e 0 e 3 extend(e 0 ) project(e 0 ) e2 front(e 0 ): Nachfolger erste Kante mit P turn(e) = Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
68 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
69 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
70 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
71 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
72 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
73 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
74 Verfeinerung von (G, H) innere Facette e 4 e 5 e 5 f e 0 e e 3 e 4 e 2 e 6 e 7 e 8 e 9 e e 0 e2 e 3 Dummyknoten für Knicke 8 >< Linksknick turn(e) = 0 kein Knick >: Rechtsknick 2
75 Verfeinerung von (G, H) äußere Facette e 4 e 5 e 8 e 9 e 0 e e 2 e 3 e 0 e e 2 e 3 e 4 e 5 e 6 e 7 f 0 22
76 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
77 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
78 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
79 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
80 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
81 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
82 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
83 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
84 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
85 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
86 Verfeinerung von (G, H) äußere Facette e 5 e 8 e 9 e 0 e e 2 e 0 e e 2 f 0 e 3 e 4 e 4 e 7 e 5 e 6 e 3 22
87 Verfeinerung von (G, H) äußere Facette e 4 e 5 e 8 e 9 e 0 e e 2 e 3 e 0 e e 2 e 3 e 4 e 5 e 6 e 7 f 0 22
88 Verfeinerung von (G, H) äußere Facette Flächenminimal? 22
89 Verfeinerung von (G, H) äußere Facette Flächenminimal? Nein! 22
90 Verfeinerung von (G, H) äußere Facette Flächenminimal? Nein! Die Flächenkompaktierung bei gegebener orthogonaler Beschreibung ist im Allgemeinen NP-schwer. 22
Geradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
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:
MehrDie Komplexität von Domino
Die Komplexität von Domino - oder die Frage nach dem Problem, ob man ein Polygon mit einer Menge von Dominosteinen bedecken kann Referent: Thorsten Reinhardt Freie Universität Berlin / FB Informatik Seminar
MehrNetzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex
Netzwerk-Simplex MinCostFlow als Lineares Programm of 2 Netzwerksimplex MinCostFlow geg: gerichteter Graph G, Kapazitäten u R R 0 { }, Bedarfe b V R, Pfeilkosten c R R ges: zulässiger b-fluss f mit minimalen
MehrAlgorithmen zur Visualisierung von Graphen Einführung
Algorithmen zur Visualisierung von Graphen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Tamara Mchedlidze Martin Nöllenburg 22.10.2013 1 Organisatorisches Dozenten Tamara Mchedlidze mched@iti.uka.de
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
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
MehrAlgorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 8, 4.11.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Am Dienstag, 11.11., fällt die
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
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
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
MehrLokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Seminararbeit: Algorithmen für Sensornetzwerke Thomas Gramer 1 Thomas Gramer: KIT Universität des Landes Baden-Württemberg und nationales
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
MehrKnickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie
Knickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie Diplomarbeit von Robert Jungblut An der Fakultät für Informatik Institut für theoretische Informatik Erstgutachter:
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrGraphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX
Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
MehrEffiziente Algorithmen Übung 2 Lösungen
TU Ilmenau, Fakultät für Informatik und Automatisierung FG Komplexitätstheorie und Effiziente Algorithmen Univ.-Prof. Dr. M. Dietzfelbinger, M. Sc. Stefan Walzer https://www.tu-ilmenau.de/iti/lehre/lehre-ws-016017/ea/
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrAnwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin
Anwendungen von Netzwerkfluss Wojciech Polcwiartek Institut für Informatik FU Berlin 13. 01. 2009 Gliederung Einführung Netzwerk, Fluss und Schnitt Max-Flow-Min-Cut Theorem Algorithmen zum Bestimmen vom
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
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
MehrOverview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces
Overview Testen von Planarität Markus Chimani LS XI Algorithm Engineering, TU Dortmund VO Automatisches Zeichnen von Graphen 15 Planarität Grundbegriffe Wie erkennt man Planarität Boyer-Myrvold Überblick
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
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
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
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
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
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
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrAlgorithmen 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
MehrLängen-beschränkte Schnitte und Flüsse
Seminarausarbeitung über G. Baiers et al. Abhandlung über: Längen-beschränkte Schnitte und Flüsse (oder: Length-bounded Cuts and Flows) Frank Obermüller 06. Dezember 2009 1 Einleitung Sei G = (V, E) ein
Mehr16. Flächenfärbungen
Chr.Nelius: Graphentheorie (WS 2015/16) 57 16. Flächenfärbungen In der Mitte des 19. Jahrhunderts tauchte eine Vermutung auf, die erst 125 Jahre später bewiesen werden sollte und die eine der bekanntesten
MehrFlüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk
Flüsse in Netzwerken Seminar über Algorithmen SoSe 2005 Mike Rohland & Julia Schenk Inhalt Einführung Definition Maximale Flüsse Schnitte Restgraphen Zunehmende Wege Max-Fluss Min-Schnitt Theorem Ford-Fulkerson
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/200 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
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
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
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
Mehr8 Das Flussproblem für Netzwerke
8 Das Flussproblem für Netzwerke 8.1 Netzwerke mit Kapazitätsbeschränkung Definition 15 Ein Netzwerk N = (V, E, γ, q, s) besteht aus einem gerichteten Graph G = (V, E), einer Quelle q V und einer Senke
MehrBeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie Teil 2 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 11.06.2013 Die Ära der dynamischen Karten Die meisten
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrEinführung 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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie WS 2008/2009 Vorlesung: Dr. Felix Brandt, Dr. Jan Johannsen Übung: Markus Brill, Felix Fischer Institut für Informatik LMU München Organisatorisches Vorlesung Donnerstag,
MehrMassive Parallelität : Neuronale Netze
Massive Parallelität : Neuronale Netze PI2 Sommer-Semester 2005 Hans-Dieter Burkhard Massive Parallelität : Neuronale Netze Knoten: Neuronen Neuronen können erregt ( aktiviert ) sein Kanten: Übertragung
MehrInduzierte Bäume in planaren Graphen
Induzierte Bäume in planaren Graphen Bachelorarbeit von Simon Bischof An der Fakultät für Informatik Institut für Theoretische Informatik Erstgutachter: Zweitgutachter: Betreuende Mitarbeiter: Prof. Dr.
Mehrmaximaler Fluss & minimaler Schnitt
maximaler Fluss & minimaler Schnitt Referat in angewandte Logistik Marcus Pottendorfer HTBLuVA Sankt Pölten Inhalt Maximaler Fluss minimaler Schnitt... 2 Grundbegriffe... 2 Erklärung... 2 Minimaler Schnitt...
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
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
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:
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
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrRechnerische Komplexität
Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit
MehrÜbungsblatt Nr. 5. Lösungsvorschlag
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 Aufgabe 1: Eine schöne Bescherung (K)
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
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
MehrEffiziente Algorithmen und Datenstrukturen II
Effiziente Algorithmen und Datenstrukturen II Prof. Dr. Christian Scheideler Technische Universität München, 25. April 2006 1 Algorithmen für maximale Flüsse 1.1 Flüsse Ein Flussnetzwerk G = (V, E) ist
MehrVorlesungen vom 5.Januar 2005
Vorlesungen vom 5.Januar 2005 5 Planare Graphen 5.1 Beispiel: Gas, Wasser, Elektrik Drei eingeschworene Feinde, die im Wald leben, planen Trassen zu den Versorgungswerken für die drei Grundgüter Gas, Wasser
MehrKlausur Theoretische Informatik I WS 2004/2005
Technische Universität Chemnitz Chemnitz, den 22.02.2005 Fakultät für Informatik Prof. Dr. Andreas Goerdt Klausur Theoretische Informatik I WS 2004/2005 Studiengang Mechatronik Aufgabe 1 (2+2+2 Punkte)
MehrSudoku ist NP-vollständig
Sudoku ist NP-vollständig Seminar über Algorithmen und Komplexität Freie Universität Berlin Institut für Informatik SS 007 Sarah Will 8.07.007 Einführung Sudoku ist ein japanisches Logikrätsel und hat
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrÜbungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
Mehr2.2C. Das allgemeine Dreieck
.C. Das allgemeine Dreieck Jedes Dreieck läßt sich nach geeigneter Drehung und Verschiebung in ein Dreieck mit den Eckpunkten A = ( x, 0 ), B = ( y, 0 ), C = ( 0, z ) (x, y, z > 0) transformieren. Die
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
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrFlüsse in Netzwerken. Zeitplan Zeitplan Netzwerke. Theorie & Algorithmen Gunnar W. Klau TU Wien
Zeitplan 200 Flüsse in Netwerken Theorie & Algorithmen Gunnar W. Klau TU T6 T T8 Mi,..200 Di, 16..200 Mi, 1..200 Einführung, Netwerke, Flussprobleme, Wiederholung Maximale Flüsse, Max-Flow- Min-Cut-Theorem,
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
Mehr4.7 Der Algorithmus von Dinic für maximalen Fluss
4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 NP-Vollständigkeit Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr, o.n.v.
MehrTheoretische Informatik. Probabilistische Turingmaschinen PTM PTM. Rainer Schrader. 10. Juni 2009
Theoretische Informatik Rainer Schrader Probabilistische Turingmaschinen Institut für Informatik 10. Juni 009 1 / 30 / 30 Gliederung probabilistische Turingmaschinen Beziehungen zwischen und NDTM es stellt
MehrFormale Grundlagen der Informatik
Formale Grundlagen der Informatik / 2015 1 Die Elemente einer (endlichen) Menge sollen den Elementen einer zweiten, gleichmächtigen Menge zugeordnet werden Problemstellung Bipartite Graphen Zuordnungsprobleme
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrStudienschwerpunkt: Diskrete Strukturen Dieser Vorlesungszyklus wird in jedem 2ten Jahr gestartet. Der neue Zyklus beginnt jetzt. Das Angebot: Sommers
Studienschwerpunkt Diskrete Strukturen Stefan Felsner Diskrete Mathematik http://www.math.tu-berlin.de/~felsner Studienschwerpunkt: Diskrete Strukturen Dieser Vorlesungszyklus wird in jedem 2ten Jahr gestartet.
MehrKAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Vlad Popa 08.06.2010 Inhaltsverzeihnis 1. Flussnetzwerke und Flüsse 1.1 Ford- Fulkerson 1.2 Edmond Karp 1.3 Dinic 2. Schnitte 3. Maximaler Fluss bei minimalen Kosten
MehrVisualisierung I 9. Darstellung von Graphen
Visualisierung I 9. Darstellung von Graphen Vorlesung: Mi, 9:00 11:00, INF 368 532 Übung: Do, 14:00 16:00, INF 350 OMZ R U011 JProf. Dr. Heike Jänicke http://www.iwr.uni-heidelberg.de/groups/covis/ Inhaltsverzeichnis
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrZeichnen von Rechengraphen
Julius-Maximilians-Universität Würzburg Institut für Informatik Lehrstuhl für Informatik I Effiziente Algorithmen und wissensbasierte Systeme Masterarbeit Zeichnen von Rechengraphen Julian Schuhmann Eingereicht
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
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
Mehr