Algorithmentechnik - U bung 7 8. Sitzung Tanja Hartmann 04. Februar 2010
|
|
- Babette Glöckner
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmentechnik - U bung 7 8. Sitzung Tanja Hartmann 04. Februar 2010 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 Seminar im Sommersemester 2010 Algorithmisches in der Geometrie Präsentationen, das Wortproblem und formale Sprachen Endlich präsentierte Gruppe G = x 1,..., x n r 1,..., r n. Wortproblem in G: Ist das Wort w über {x 1,..., x n } {x 1 1,..., x n 1 } das neutrale Element in G? Wortproblem zu einer Grammatik G = (Σ, V, S, R): Liegt w Σ in der von G erzeugten Sprache? unsere Ziele Wortproblem in G Wortproblem einer Grammatik G G endlich G ist regulär G fast frei G ist kontextfrei Tanja Hartmann Übung Februar /9
3 Seminar im Sommersemester 2010 Algorithmisches in der Geometrie Präsentationen, das Wortproblem und formale Sprachen Voraussetzungen Grundlagen zu Gruppen (z.b. aus der Algebra I) Vorbesprechung in einer Woche Kurze Vorstellung und Vergabe der Themen am Donnerstag, , 13:15 Uhr im S33 (Gebäude 20.30) Weitere Informationen unter: Tanja Hartmann Übung Februar /9
4 Werbeblock - Veranstaltungen 2010 Vorlesungen Algorithmen für Routenplanung (mit Übung) Tanja Hartmann Übung Februar /9
5 Werbeblock - Veranstaltungen 2010 Vorlesungen Algorithmen für Routenplanung (mit Übung) Algorithmen für planare Graphen (mit Übung) Tanja Hartmann Übung Februar /9
6 Werbeblock - Veranstaltungen 2010 Vorlesungen Algorithmen für Routenplanung (mit Übung) Algorithmen für planare Graphen (mit Übung) K 4,4 G planar m 3n 6 hier: n = 5, m = 10 > 9 K 5,5 Tanja Hartmann Übung Februar /9
7 Werbeblock - Veranstaltungen 2010 Vorlesungen Algorithmen für Routenplanung (mit Übung) Algorithmen für planare Graphen (mit Übung) Algorithmen für Ad-hoc- und Sensornetzwerke Algorithmische Spieltheorie Approximations- und Online-Algorithmen K 4,4 G planar m 3n 6 hier: n = 5, m = 10 > 9 K 5,5 Tanja Hartmann Übung Februar /9
8 Werbeblock - Veranstaltungen 2010 Vorlesungen Seminare Algorithmen für Routenplanung (mit Übung) Algorithmen für planare Graphen (mit Übung) Algorithmen für Ad-hoc- und Sensornetzwerke Algorithmische Spieltheorie Approximations- und Online-Algorithmen Proofs from The Book (Anmeldung ab sofort bei Marcus Krug, Raum 317) K 4,4 G planar m 3n 6 hier: n = 5, m = 10 > 9 K 5,5 Tanja Hartmann Übung Februar /9
9 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Tanja Hartmann Übung Februar /9
10 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Tanja Hartmann Übung Februar /9
11 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen s t Tanja Hartmann Übung Februar /9
12 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen s t Tanja Hartmann Übung Februar /9
13 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen s t Tanja Hartmann Übung Februar /9
14 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen s t Tanja Hartmann Übung Februar /9
15 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates s t Tanja Hartmann Übung Februar /9
16 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates wird gelöscht s t Tanja Hartmann Übung Februar /9
17 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates θ s t Tanja Hartmann Übung Februar /9
18 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates θ s t Tanja Hartmann Übung Februar /9
19 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates θ s t Tanja Hartmann Übung Februar /9
20 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates s t Tanja Hartmann Übung Februar /9
21 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates s t Tanja Hartmann Übung Februar /9
22 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates State of the art: n 1 Flussberechnungen für statischen GH-Baum, sparen durch Steiner-Schnitte in ungewichtetem Graph s t Tanja Hartmann Übung Februar /9
23 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates State of the art: n 1 Flussberechnungen für statischen GH-Baum, sparen durch Steiner-Schnitte in ungewichtetem Graph viele Erkenntnisse zu global minimalen Schnitten s t Tanja Hartmann Übung Februar /9
24 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates State of the art: n 1 Flussberechnungen für statischen GH-Baum, sparen durch Steiner-Schnitte in ungewichtetem Graph viele Erkenntnisse zu global minimalen Schnitten Wenige Erkenntnisse zu dynamischen Gomory-Hu-Bäumen großes Potential für Neues! s t Tanja Hartmann Übung Februar /9
25 Werbeblock - Hiwi-Stellen 2010 FYS - Feasibility Study zu dynamischen Gomory-Hu-Bäumen Stichworte: multiterminale Flüsse/Schnitte, Minimale Schnittbasen Zielsetzung: Entwicklung dynamischer Updates State of the art: n 1 Flussberechnungen für statischen GH-Baum, sparen durch Steiner-Schnitte in ungewichtetem Graph viele Erkenntnisse zu global minimalen Schnitten Wenige Erkenntnisse zu dynamischen Gomory-Hu-Bäumen großes Potential für Neues! Hiwi-Stellen zu vergeben! s t Tanja Hartmann Übung Februar /9
26 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. Tanja Hartmann Übung Februar /9
27 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. A B C D { T { S Tanja Hartmann Übung Februar /9
28 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. s 3 := (s 1 s 2 ) \ (s 1 s 2 ). A B C D { T s 1 = {e E e hat genau ein Ende in S}, s 2 = {e E e hat genau ein Ende in T } { S Tanja Hartmann Übung Februar /9
29 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. s 3 := (s 1 s 2 ) \ (s 1 s 2 ). A B C D { T s 1 = {e E e hat genau ein Ende in S}, s 2 = {e E e hat genau ein Ende in T } { S s 1 s 2 = {e E e hat jeweils genau ein Ende in S und T } s 3 Tanja Hartmann Übung Februar /9
30 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. s 3 := (s 1 s 2 ) \ (s 1 s 2 ). A B C D { T s 1 = {e E e hat genau ein Ende in S}, s 2 = {e E e hat genau ein Ende in T } { S s 1 s 2 = {e E e hat jeweils genau ein Ende in S und T } s 3 B C und A D werden nicht zerschnitten Tanja Hartmann Übung Februar /9
31 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. s 3 := (s 1 s 2 ) \ (s 1 s 2 ). A B C D { T s 1 = {e E e hat genau ein Ende in S}, s 2 = {e E e hat genau ein Ende in T } { S s 1 s 2 = {e E e hat jeweils genau ein Ende in S und T } s 3 B C und A D werden nicht zerschnitten Übrige Kanten in s 1 s 2 bleiben erhalten A D gegenüber von B C Tanja Hartmann Übung Februar /9
32 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (a) Formulieren Sie die Partitionendarstellung des Schnitts s 3 := s 1 s 2 mit s 1 := (S, V \ S), s 2 := (T, V \ T ) in Abhängigkeit der Seiten S und T. s 3 := (s 1 s 2 ) \ (s 1 s 2 ). A B C D { T s 1 = {e E e hat genau ein Ende in S}, s 2 = {e E e hat genau ein Ende in T } { S s 1 s 2 = {e E e hat jeweils genau ein Ende in S und T } s 3 B C und A D werden nicht zerschnitten Übrige Kanten in s 1 s 2 bleiben erhalten A D gegenüber von B C s 3 = ((S \ T ) (T \ S), (S T ) (V \ T V \ S)) Tanja Hartmann Übung Februar /9
33 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (b) Zeige: Für je zwei Knoten u, v V und jede Basis B von C gilt, dass mindestens ein Schnitt aus B die Konten u und v trennt. Tanja Hartmann Übung Februar /9
34 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (b) Zeige: Für je zwei Knoten u, v V und jede Basis B von C gilt, dass mindestens ein Schnitt aus B die Konten u und v trennt. Betrachte den Schnitt ({u}, V \ {u}) muss als Linkombi darstellbar sein Annahme: In B gibt es keinen Schnitt, der u, v trennt Tanja Hartmann Übung Februar /9
35 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (b) Zeige: Für je zwei Knoten u, v V und jede Basis B von C gilt, dass mindestens ein Schnitt aus B die Konten u und v trennt. Betrachte den Schnitt ({u}, V \ {u}) muss als Linkombi darstellbar sein Annahme: In B gibt es keinen Schnitt, der u, v trennt ({u}, V \ {u}) nicht kombinierbar, denn... Tanja Hartmann Übung Februar /9
36 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (b) Zeige: Für je zwei Knoten u, v V und jede Basis B von C gilt, dass mindestens ein Schnitt aus B die Konten u und v trennt. Betrachte den Schnitt ({u}, V \ {u}) muss als Linkombi darstellbar sein Annahme: In B gibt es keinen Schnitt, der u, v trennt ({u}, V \ {u}) nicht kombinierbar, denn... A B C D { T Sei s 3 := s 1 s 2 und s 1, s 2 trennen u, v nicht { S Tanja Hartmann Übung Februar /9
37 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Kantenraum E ist GF(2)-VR der Dimension E =: m. Schnittraum C ist UVR von E, Schnitte char. durch kreuzende Kanten. c(b) := P b i B c(b i) mit c(b i ) Anzahl Kanten, die Schnitt b i kreuzen. (b) Zeige: Für je zwei Knoten u, v V und jede Basis B von C gilt, dass mindestens ein Schnitt aus B die Konten u und v trennt. Betrachte den Schnitt ({u}, V \ {u}) muss als Linkombi darstellbar sein Annahme: In B gibt es keinen Schnitt, der u, v trennt ({u}, V \ {u}) nicht kombinierbar, denn... A B C D { T Sei s 3 := s 1 s 2 und s 1, s 2 trennen u, v nicht u, v liegen in gleichem Quadranten (a) s 3 trennt u, v nicht { S Tanja Hartmann Übung Februar /9
38 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Ausgabe : Basis B des Schnittraumes C von G Wähle einen Knoten v V B forall v V \ {v} do b v {e E e inzident zu v } B B {b v } Return B (c) Zeige: Obiger Algo ist ein polynomieller 2-Approxalgo für MIN-SCHNITT-BASIS (Hinweis: B ist Basis). Tanja Hartmann Übung Februar /9
39 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Ausgabe : Basis B des Schnittraumes C von G Wähle einen Knoten v V B forall v V \ {v} do b v {e E e inzident zu v } B B {b v } Return B (c) Zeige: Obiger Algo ist ein polynomieller 2-Approxalgo für MIN-SCHNITT-BASIS (Hinweis: B ist Basis). Sei B minimale Basis: {u, w} kreuzt in B genau b u, b w trägt 2 bei Tanja Hartmann Übung Februar /9
40 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Ausgabe : Basis B des Schnittraumes C von G Wähle einen Knoten v V B forall v V \ {v} do b v {e E e inzident zu v } B B {b v } Return B (c) Zeige: Obiger Algo ist ein polynomieller 2-Approxalgo für MIN-SCHNITT-BASIS (Hinweis: B ist Basis). Sei B minimale Basis: {u, w} kreuzt in B genau b u, b w trägt 2 bei {u, w} kreutz mind. einen Schnitt in B (nach (b)) trägt 1 bei Tanja Hartmann Übung Februar /9
41 Min. Schnittbasis - Problem 1 [Kap. 7.1] (Approximationsalgos relativer Gütegarantie) Ausgabe : Basis B des Schnittraumes C von G Wähle einen Knoten v V B forall v V \ {v} do b v {e E e inzident zu v } B B {b v } Return B (c) Zeige: Obiger Algo ist ein polynomieller 2-Approxalgo für MIN-SCHNITT-BASIS (Hinweis: B ist Basis). Sei B minimale Basis: {u, w} kreuzt in B genau b u, b w trägt 2 bei {u, w} kreutz mind. einen Schnitt in B (nach (b)) trägt 1 bei c(b ) 2 c(b) (Laufzeit in O(2 E )) Tanja Hartmann Übung Februar /9
42 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Problem SUBSET-SUM Gegeben: S := {x 1,..., x n} N, t N Gesucht: M S, mit Summe z aller Elemente in M maximal, aber t Tanja Hartmann Übung Februar /9
43 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Eingabe : S, t, ɛ Ausgabe : Teilmengensumme z n S, L 0 0 for i = 1,..., n do L i MERGE-LISTS(L i 1, L i 1 + x i ) L i TRIM(L i, ɛ/2n) Entferne alle Elemente größer t aus L i 6 Return größtes (letztes) Element z in L n Problem SUBSET-SUM Gegeben: S := {x 1,..., x n} N, t N Gesucht: M S, mit Summe z aller Elemente in M maximal, aber t Zeige: Algo ist FPAS für optimales z. Tanja Hartmann Übung Februar /9
44 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Eingabe : S, t, ɛ Ausgabe : Teilmengensumme z n S, L 0 0 for i = 1,..., n do L i MERGE-LISTS(L i 1, L i 1 + x i ) L i TRIM(L i, ɛ/2n) Entferne alle Elemente größer t aus L i 6 Return größtes (letztes) Element z in L n Problem SUBSET-SUM Gegeben: S := {x 1,..., x n} N, t N Gesucht: M S, mit Summe z aller Elemente in M maximal, aber t Zeige: Algo ist FPAS für optimales z. (Ohne Zeile 4) L i enthält Summe t jeder Teilmenge aus P({x 1,..., x i }) Tanja Hartmann Übung Februar /9
45 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Eingabe : S, t, ɛ Ausgabe : Teilmengensumme z n S, L 0 0 for i = 1,..., n do L i MERGE-LISTS(L i 1, L i 1 + x i ) L i TRIM(L i, ɛ/2n) Entferne alle Elemente größer t aus L i 6 Return größtes (letztes) Element z in L n Problem SUBSET-SUM Gegeben: S := {x 1,..., x n} N, t N Gesucht: M S, mit Summe z aller Elemente in M maximal, aber t Zeige: Algo ist FPAS für optimales z. (Ohne Zeile 4) L i enthält Summe t jeder Teilmenge aus P({x 1,..., x i }) P i := { P m M m t M P({x 1,..., x i })} Tanja Hartmann Übung Februar /9
46 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Eingabe : S, t, ɛ Ausgabe : Teilmengensumme z n S, L 0 0 for i = 1,..., n do L i MERGE-LISTS(L i 1, L i 1 + x i ) L i TRIM(L i, ɛ/2n) Entferne alle Elemente größer t aus L i 6 Return größtes (letztes) Element z in L n Problem SUBSET-SUM Gegeben: S := {x 1,..., x n} N, t N Gesucht: M S, mit Summe z aller Elemente in M maximal, aber t Zeige: Algo ist FPAS für optimales z. (Ohne Zeile 4) L i enthält Summe t jeder Teilmenge aus P({x 1,..., x i }) P i := { P m M m t M P({x 1,..., x i })} γ P i : ˆγ P i 1, so dass γ = ˆγ + x mit x {0, x i } gilt (1) Tanja Hartmann Übung Februar /9
47 APPROX-SUBSET-SUM - Prob. 2 [Kap. 7.2] (FPAS) Eingabe : L := y 1..., y m, δ Ausgabe : verkürzte Liste L L y 1 last y 1 for i = 2,..., m do if y i > last (1 + δ) then Füge y i an L an last y i // y i last, da L sortiert 7 Return L Loesung an der Tafel...(siehe Lösungsvorschlag) Tanja Hartmann Übung Februar /9
48 Ergebnisse der Evaluierung Fragen zum Übungsleiter Verweis auf aktuelle Forschung? Verweis Theorie-Praxis? Kompetente Wirkung? Tanja Hartmann Übung Februar /9
49 Ergebnisse der Evaluierung Allgemeines Arbeitsaufwand... Strukturierung Engagement + Motivation Eingehen auf Fragen Tanja Hartmann Übung Februar /9
50 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p Tanja Hartmann Übung Februar /9
51 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p Symmetrie durch Multiplikation: p(1 p) = (1 p)p Tanja Hartmann Übung Februar /9
52 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p Symmetrie durch Multiplikation: p(1 p) = (1 p)p UND-Verknüpfung Elementarereignisse Tanja Hartmann Übung Februar /9
53 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p Symmetrie durch Multiplikation: p(1 p) = (1 p)p UND-Verknüpfung Elementarereignisse 2 RANDOM: x erste Rückgabe, y zweite Rückgabe P({x = 0, y = 1}) = (1 p)p P({x = 1, y = 0}) = p(1 p) Tanja Hartmann Übung Februar /9
54 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p while x = y do x BIASED-RANDOM y BIASED-RANDOM return x Symmetrie durch Multiplikation: p(1 p) = (1 p)p UND-Verknüpfung Elementarereignisse 2 RANDOM: x erste Rückgabe, y zweite Rückgabe P({x = 0, y = 1}) = (1 p)p P({x = 1, y = 0}) = p(1 p) Tanja Hartmann Übung Februar /9
55 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p while x = y do x BIASED-RANDOM y BIASED-RANDOM return x Erwartete Laufzeit bestimmt durch Anzahl Schleifendurchläufe Tanja Hartmann Übung Februar /9
56 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p while x = y do x BIASED-RANDOM y BIASED-RANDOM return x Erwartete Laufzeit bestimmt durch Anzahl Schleifendurchläufe Schleifendurchlauf = Bernoulli-Experiment mit W keit 2p(1 p) auf Erfolg Tanja Hartmann Übung Februar /9
57 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p while x = y do x BIASED-RANDOM y BIASED-RANDOM return x Erwartete Laufzeit bestimmt durch Anzahl Schleifendurchläufe Schleifendurchlauf = Bernoulli-Experiment mit W keit 2p(1 p) auf Erfolg Gesamte Schleife = unabhängige Bernoulli-Experimente mit geometrischer Verteilung Tanja Hartmann Übung Februar /9
58 Gleichverteiltes JA/NEIN - Prob. 4 [Kap. 8] (Randomisierte Algorithmen) Gegeben: RANDOM Wert 1 mit W keit p, Wert 0 mit W keit (1 p) Gesucht: ALGO Wert 1 mit W keit 1/2, Wert 0 mit W keit 1/2 Erwartete Laufzeit in Abhängigkeit von p while x = y do x BIASED-RANDOM y BIASED-RANDOM return x Erwartete Laufzeit bestimmt durch Anzahl Schleifendurchläufe Schleifendurchlauf = Bernoulli-Experiment mit W keit 2p(1 p) auf Erfolg Gesamte Schleife = unabhängige Bernoulli-Experimente mit geometrischer Verteilung X = Anzahl Durchläufe bis zum ersten Erfolg E(X) = 1/(2p(1 p)) Erwartete Laufzeit in Θ(1/(2p(1 p))) Tanja Hartmann Übung Februar /9
Algorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrFormale Sprachen. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S
Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Inhalt Das Alphabet Σ sei eine endliche
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
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
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
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
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
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesungen 5 und 6 Programm
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
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
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
MehrDynamisches Programmieren - Problemstruktur
Dynamisches Programmieren - Problemstruktur Optimale Substruktur: Optimale Lösung enthält optimale Lösungen von Teilproblemen. Bsp.: Kürzester Weg im Graphen, LCS (s. etwa Folie 42 der letzten Vorlesung)
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
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
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
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:
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
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrBerechenbarkeit und Komplexität
Berechenbarkeit und Komplexität Prof. Dr. Dietrich Kuske FG Theoretische Informatik, TU Ilmenau Wintersemester 2010/11 1 Organisatorisches zur Vorlesung Informationen, aktuelle Version der Folien und Übungsblätter
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrProgrammierung 2. Dynamische Programmierung. Sebastian Hack. Klaas Boesche. Sommersemester 2012. hack@cs.uni-saarland.de. boesche@cs.uni-saarland.
1 Programmierung 2 Dynamische Programmierung Sebastian Hack hack@cs.uni-saarland.de Klaas Boesche boesche@cs.uni-saarland.de Sommersemester 2012 2 Übersicht Stammt aus den Zeiten als mit Programmierung
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrLaufzeit und Komplexität
Laufzeit und Komplexität Laufzeit eines Algorithmus Benchmarking versus Analyse Abstraktion Rechenzeit, Anzahl Schritte Bester, Mittlerer, Schlechtester Fall Beispiel: Lineare Suche Komplexitätsklassen
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrFormale Sprachen und Grammatiken
Formale Sprachen und Grammatiken Jede Sprache besitzt die Aspekte Semantik (Bedeutung) und Syntax (formaler Aufbau). Die zulässige und korrekte Form der Wörter und Sätze einer Sprache wird durch die Syntax
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
MehrKombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik
Kombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrSortierte Folgen 250
Sortierte Folgen 250 Sortierte Folgen: he 1,...,e n i mit e 1 apple applee n kennzeichnende Funktion: M.locate(k):= addressof min{e 2 M : e k} Navigations Datenstruktur 2 3 5 7 11 13 17 19 00 Annahme:
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze VL 13 Der Schluss Markus Völker 18. Juli 2012 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER) KIT Universität des Landes
MehrCustomization (Zuschneiden)
Customization (Zuschneiden) Anpassen der (Graph)Datenstruktur an die Anwendung. I Ziel: schnell, kompakt. I benutze Entwurfsprinzip: make the common case fast I Listen vermeiden Mögliches Problem: Software-Engineering-Alptraum
MehrAlgorithmik Funke/Bahrdt/Krumpe/Mendel/Seybold SS Übungsblatt 4
Algorithmik Funke/Bahrdt/Krumpe/Mendel/Seybold SS 2015 http://www.fmi.informatik.uni-stuttgart.de/alg Institut für Formale Methoden der Informatik Universität Stuttgart Übungsblatt 4 Punkte: 50 Problem
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrWirtschaftsinformatik I
Wirtschaftsinformatik I - Tutorium 6/ 7 (April 2010) Zusatzinformationen - Lösungsvorschläge Wirtschaftsinformatik I Tutorium Jochen Daum (4.Semester BWL) Universität Mannheim Rechtshinweis: Diese Präsentation
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
Mehr11.1 Grundlagen - Denitionen
11 Binärbäume 11.1 Grundlagen - Denitionen Denition: Ein Baum ist eine Menge, die durch eine sog. Nachfolgerrelation strukturiert ist. In einem Baum gilt: (I) (II) 1 Knoten w ohne VATER(w), das ist die
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik
Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 10.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
MehrEin Satz der deutschen Sprache besitzt ein Subjekt, ein Prädikat und ein Objekt (SPO).
1 Grammatiken Autor: Tilman Blumenbach Letzte Änderung: 28. Juni 2012 18:15 Ziel von Grammatiken Wollen die Struktur von Sprachen modellieren und charakterisieren. Beispiel Ein Satz der deutschen Sprache
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 10 (3.6.2014) Binäre Suchbäume I Algorithmen und Komplexität Zusätzliche Dictionary Operationen Dictionary: Zusätzliche mögliche Operationen:
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
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
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen. Hashing 6. Algorithmische Geometrie 4/6, Folie 1 2014 Prof. Steffen Lange - HDa/FbI
MehrSatz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ).
Satz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ). Beweis: Für jedes a Σ muss jede Position in der Tabelle nur konstant oft besucht werden.
Mehr4.2 Die Chomsky Normalform
4.2 Die Chomsky Normalform Für algorithmische Problemstellungen (z.b. das Wortproblem) aber auch für den Nachweis von Eigenschaften kontextfreier Sprachen ist es angenehm, von CFG in Normalformen auszugehen.
MehrVorlesung Kombinatorische Optimierung (Wintersemester 2016/17)
Vorlesung Kombinatorische Optimierung (Wintersemester 06/7) Kapitel : Flüsse und Zirkulationen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 4. Oktober 06) Definition. Ein Netzwerk
MehrDatenstrukturen und Algorithmen
Datenstrukturen und Algorithmen VO 708.031 Bäume robert.legenstein@igi.tugraz.at 1 Inhalt der Vorlesung 1. Motivation, Einführung, Grundlagen 2. Algorithmische Grundprinzipien 3. Sortierverfahren 4. Halden
MehrSeminar Werkzeuggestütze. tze Softwareprüfung. fung. Slicing. Sebastian Meyer
Seminar Werkzeuggestütze tze Softwareprüfung fung Slicing Sebastian Meyer Überblick Einführung und Begriffe Static Slicing Dynamic Slicing Erweiterte Slicing-Techniken Fazit 2 Was ist Slicing?? (I) Program
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
MehrÜbung zur Vorlesung Algorithmische Geometrie
Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Woche 10 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Satz Sei G = (V, Σ, R, S) eine kontextfreie
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
Mehr14. Rot-Schwarz-Bäume
Bislang: Wörterbuchoperationen bei binären Suchbäume effizient durchführbar, falls Höhe des Baums klein. Rot-Schwarz-Bäume spezielle Suchbäume. Rot-Schwarz-Baum mit n Knoten hat Höhe höchstens 2 log(n+1).
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik
Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik Dozent: Prof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrAutomaten, Spiele, und Logik
Automaten, Spiele, und Logik Woche 2 25. April 2014 Inhalt der heutigen Vorlesung 1. Reguläre Ausdrücke 2. der Satz von Kleene 3. Brzozowski Methode 4. grep und perl Reguläre Ausdrücke Rekursive Definition,
MehrSpeicherplatz-Komplexität 1 / 30
Speicherplatz-Komplexität 1 / 30 Speicherplatz-Komplexität Warum sollte uns die Ressource Speicherplatz interessieren? Um die Komplexität der Berechnung von Gewinnstrategien für viele nicht-triviale 2-Personen
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 1 für die Übung
MehrDie Klassen P und NP. Dr. Eva Richter. 29. Juni 2012
Die Klassen P und NP Dr. Eva Richter 29. Juni 2012 1 / 35 Die Klasse P P = DTIME(Pol) Klasse der Probleme, die sich von DTM in polynomieller Zeit lösen lassen nach Dogma die praktikablen Probleme beim
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 13 (18.6.2014) Binäre Suchbäume IV (Rot Schwarz Bäume) Algorithmen und Komplexität Rot Schwarz Bäume Ziel: Binäre Suchbäume, welche immer
MehrSeminar Komplexe Objekte in Datenbanken
Seminar Komplexe Objekte in Datenbanken OPTICS: Ordering Points To Identify the Clustering Structure Lehrstuhl für Informatik IX - Univ.-Prof. Dr. Thomas Seidl, RWTH-Aachen http://www-i9.informatik.rwth-aachen.de
MehrSynergien aus Graph-Theorie und Data-Mining für die Analyse von Netzwerkdaten
für die Analyse von Netzwerkdaten Tanja Hartmann, Patricia Iglesias Sánchez, Andrea Kappes, Emmanuel Müller und Christopher Oßner IPD Institut für Programmstrukturen und Datenorganisation ITI Institut
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2010
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra
Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 4 26..25 INSTITUT FÜR THEORETISCHE INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrKapitel 1: Motivation / Grundlagen Gliederung
Gliederung 1. Motivation / Grundlagen 2. Sortier- und Selektionsverfahren 3. Paradigmen des Algorithmenentwurfs 4. Ausgewählte Datenstrukturen 5. Algorithmische Geometrie 6. Umgang mit algorithmisch schwierigen
Mehr6. Algorithmen der Computer-Geometrie
6. Algorithmen der Computer-Geometrie 1. Einführung 2. Schnitt von zwei Strecken 3. Punkt-in-Polygon-Test 4. Schnitt orthogonaler Strecken 5. Punkteinschlussproblem Geo-Informationssysteme 146 6.1 Computer-Geometrie
Mehr3.2 Binäre Suche. Usr/local/www/ifi/fk/menschen/schmid/folien/infovk.ppt 1
3.2 Binäre Suche Beispiel 6.5.1: Intervallschachtelung (oder binäre Suche) (Hier ist n die Anzahl der Elemente im Feld!) Ein Feld A: array (1..n) of Integer sei gegeben. Das Feld sei sortiert, d.h.: A(i)
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 27 29..24 FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Definition
MehrKomplexita tstheorie eine erste Ubersicht. KTV bedeutet: Details erfahren Sie in der Komplexitätstheorie-Vorlesung.
Komplexita tstheorie eine erste Ubersicht KTV bedeutet: Details erfahren Sie in der Komplexitätstheorie-Vorlesung. Probleme Problem = Menge von unendlich vielen konkreten Einzelfragen (Instanzen) F n,
MehrPunktbeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAufgabe 3: Übersetzen Sie die folgenden natürlich-sprachlichen Aussagen in die Sprache der
Aufgabe 1: Sind die folgenden Abbildungen jeweils injektiv, surjektiv und/oder bijektiv? (a) f 1 (x) = x, mit f 1 : R + R + (b) f (x) = x, mit f : R R (c) f 3 (x) = x, mit f 3 : R R (d) f 4 (x) = 3x, mit
MehrBeispiel 19. December 4, 2009
Beispiel 9 December 4, 2009 Computermathematik (für Informatik) 4. Übungsblatt (Musterlösung) 2. 2. 2009 Die heutigen Übungen sollen mit dem Computeralgebrasystem Sage gelöst werden. Die Lösung der Beispiele
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik
Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes
MehrInformatik II. PVK Part1 Severin Wischmann wiseveri@student.ethz.ch n.ethz.ch/~wiseveri
Informatik II PVK Part1 Severin Wischmann wiseveri@student.ethz.ch n.ethz.ch/~wiseveri KAUM JAVA Kaum Java Viel Zeit wird für Java-spezifisches Wissen benützt Wenig wichtig für Prüfung Letztjähriger Assistent
Mehr11.1 Kontextsensitive und allgemeine Grammatiken
Theorie der Informatik 7. April 2014 11. Kontextsensitive und Typ-0-Sprachen Theorie der Informatik 11. Kontextsensitive und Typ-0-Sprachen 11.1 Kontextsensitive und allgemeine Grammatiken Malte Helmert
MehrFormale Sprachen. Spezialgebiet für Komplexe Systeme. Yimin Ge. 5ahdvn. 1 Grundlagen 1. 2 Formale Grammatiken 4. 3 Endliche Automaten 5.
Formale Sprachen Spezialgebiet für Komplexe Systeme Yimin Ge 5ahdvn Inhaltsverzeichnis 1 Grundlagen 1 2 Formale Grammatien 4 Endliche Automaten 5 4 Reguläre Sprachen 9 5 Anwendungen bei Abzählproblemen
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrDatenstrukturen. Sommersemester Kapitel 1: Motivation / Grundlagen. Steffen Lange
Datenstrukturen Sommersemester 2010 Steffen Lange 1/1, Folie 1 2010 Prof. Steffen Lange - HDa/FbI - Datenstrukturen Organisatorisches Vorlesung wöchentlich; zwei Blöcke Folien im Netz (/* bitte zur Vorlesung
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmen und Datenstrukturen (WS 2007/08) 63
Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
Mehr