Flussmethoden: orthogonales Graphenzeichnen

Größe: px
Ab Seite anzeigen:

Download "Flussmethoden: orthogonales Graphenzeichnen"

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

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

Mehr

Wiederholung zu Flüssen

Wiederholung 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:

Mehr

Die Komplexität von Domino

Die 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

Mehr

Netzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex

Netzwerk-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

Mehr

Algorithmen zur Visualisierung von Graphen Einführung

Algorithmen 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

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 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

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen

Algorithmen 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

Mehr

6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen

6. 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

Mehr

Probleme aus NP und die polynomielle Reduktion

Probleme 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

Mehr

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17

Übungsblatt 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

Mehr

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering

Das 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

Mehr

Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken

Lokalisierung 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

Mehr

8 Diskrete Optimierung

8 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

Mehr

Knickminimierung in Orthogonalen Zeichnungen fast-planarer Graphen mit fester Topologie

Knickminimierung 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:

Mehr

Routing Algorithmen. Begriffe, Definitionen

Routing 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

Mehr

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX

Graphentheorie 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

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen 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

Mehr

Effiziente Algorithmen Übung 2 Lösungen

Effiziente 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/

Mehr

Punktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Punktlokalisierung. 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

Mehr

Wie komme ich von hier zum Hauptbahnhof?

Wie 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!

Mehr

Graphen und Bäume. A.1 Graphen

Graphen 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

Mehr

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung

Kapitel 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

Mehr

Anwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin

Anwendungen 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

Mehr

Das Multi Traveling Salesman Problem

Das 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

Mehr

2. Repräsentationen von Graphen in Computern

2. 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

Mehr

Kapitel 4: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 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

Mehr

Lernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen

Lernmodul 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

Mehr

6. Flüsse und Zuordnungen

6. 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

Mehr

Information Systems Engineering Seminar

Information 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

Mehr

Maximale s t-flüsse in Planaren Graphen

Maximale 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

Mehr

Overview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces

Overview. 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

Mehr

11. Übung zu Algorithmen I 6. Juli 2016

11. 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

Mehr

WS 2008/09. Diskrete Strukturen

WS 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

Mehr

Graphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph

Graphentheorie. 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

Mehr

Polygontriangulierung

Polygontriangulierung Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. 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

Mehr

Gliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen

Gliederung. 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

Mehr

Algorithmische Graphentheorie

Algorithmische 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

Mehr

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. 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

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 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

Mehr

Minimal spannende Bäume

Minimal 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

Mehr

Kapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen

Kapitel 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

Mehr

15. Elementare Graphalgorithmen

15. 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

Mehr

Algorithmen und Datenstrukturen Kapitel 10

Algorithmen 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

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

Längen-beschränkte Schnitte und Flüsse

Längen-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

Mehr

16. Flächenfärbungen

16. 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

Mehr

Flüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk

Flüsse 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

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010

1. 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

Mehr

Optimierung I. Dr. Ulf Lorenz F2.413

Optimierung 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:

Mehr

Very simple methods for all pairs network flow analysis

Very 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

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

3 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

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

8 Das Flussproblem für Netzwerke

8 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

Mehr

Beschriftung in Dynamischen Karten

Beschriftung 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

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: 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

Mehr

Bäume und Wälder. Definition 1

Bäume 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

Mehr

Einführung in Approximative Algorithmen und Parametrisierte Komplexität

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

Mehr

Algorithmische Graphentheorie

Algorithmische 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,

Mehr

Massive Parallelität : Neuronale Netze

Massive 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

Mehr

Induzierte Bäume in planaren Graphen

Induzierte 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.

Mehr

maximaler Fluss & minimaler Schnitt

maximaler 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...

Mehr

Was bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone

Was 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

Mehr

4. Kreis- und Wegeprobleme Abstände in Graphen

4. 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

Mehr

1. Einleitung wichtige Begriffe

1. 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

Mehr

Statistik und Graphentheorie

Statistik 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:

Mehr

Approximationsalgorithmen: 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 Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie

Stefan 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

Mehr

Rechnerische Komplexität

Rechnerische 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

Mehr

Übungsblatt Nr. 5. Lösungsvorschlag

Übungsblatt 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)

Mehr

Tropische Kurven zählen. Enumerative Geometrie. Alg. Geometrie. Beispiel Strategie. Geometrie. Kurven Multiplizität Correspondence Theorem Ergebnisse

Tropische 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

Mehr

Effiziente Algorithmen I

Effiziente 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

Mehr

Effiziente Algorithmen und Datenstrukturen II

Effiziente 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

Mehr

Vorlesungen vom 5.Januar 2005

Vorlesungen 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

Mehr

Klausur Theoretische Informatik I WS 2004/2005

Klausur 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)

Mehr

Sudoku ist NP-vollständig

Sudoku 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

Mehr

Algorithmen & Komplexität

Algorithmen & 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

Mehr

Übungsblatt 2 - Lösung

Übungsblatt 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

Mehr

2.2C. Das allgemeine Dreieck

2.2C. 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

Mehr

Algorithmentheorie. 13 - Maximale Flüsse

Algorithmentheorie. 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

Mehr

Diskrete Strukturen Kapitel 1: Einleitung

Diskrete 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

Mehr

Flüsse in Netzwerken. Zeitplan Zeitplan Netzwerke. Theorie & Algorithmen Gunnar W. Klau TU Wien

Flüsse 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,

Mehr

Teil III. Komplexitätstheorie

Teil 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

Mehr

4.7 Der Algorithmus von Dinic für maximalen Fluss

4.7 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

Mehr

Einführung in die Informatik 2

Einführung 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.

Mehr

Theoretische Informatik. Probabilistische Turingmaschinen PTM PTM. Rainer Schrader. 10. Juni 2009

Theoretische 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

Mehr

Formale Grundlagen der Informatik

Formale 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

Mehr

Theoretische Informatik 1

Theoretische Informatik 1 Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, 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

Mehr

Studienschwerpunkt: Diskrete Strukturen Dieser Vorlesungszyklus wird in jedem 2ten Jahr gestartet. Der neue Zyklus beginnt jetzt. Das Angebot: Sommers

Studienschwerpunkt: 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.

Mehr

KAPITEL 4 FLÜSSE IN NETZWERKEN

KAPITEL 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

Mehr

Flüsse, Schnitte, bipartite Graphen

Flüsse, 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

Mehr

Visualisierung I 9. Darstellung von Graphen

Visualisierung 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

Mehr

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie

Diskrete 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

Mehr

Das Heiratsproblem. Definition Matching

Das 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

Mehr

Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;

Seminar 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

Mehr

Zeichnen von Rechengraphen

Zeichnen 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

Mehr

Bipartite Graphen. Beispiele

Bipartite 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

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. 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