Kommissionierung unter Nebenbedingungen aus der Praxis
|
|
- Ruth Meinhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Kommissionierung unter Nebenbedingungen aus der Prais Konstantin Behne, Jürgen Branke Institut Karlsruhe Institute of Technology Michael Gräf, Christian Schmidt Karlsruhe Projektbüro KIT 2 March, 2008
2 Übersicht Kommissionierung im Kleinteile-Lager Praisrelevante Nebenbedingungen Lösungsansatz Empirische Ergebnisse Zusammenfassung und Ausblick Jürgen Branke 2. Oktober 2007
3 Kommissionierung 2 Jürgen Branke 2. Oktober 2007
4 Kommissionierung (Standardproblem) Gegeben: Kundenaufträge, jeweils bestehend aus mehreren Artikeln Lagerort für jeden Artikel ma. Anzahl Aufträge je Tour Gesucht: Gruppierung von Kundenaufträgen zu Touren Reihenfolge für jede Tour So dass insgesamte Weglänge minimal ist Depot Jürgen Branke 2. Oktober 2007
5 Praisrelevante Nebenbedingungen Komplee Lagertopologie (mehrere Hallen) Einbahnstraßenregelung Nicht alle Aufträge zu Beginn des Tages bekannt CutOff-Zeiten Volumen auf einer Tour beschränkt 4 Jürgen Branke 2. Oktober 2007
6 Savings-Verfahren Initialisierung: ein Auftrag pro Tour SOLANGE (Zusammenlegung möglich) Lege Touren zusammen, bei denen die größte Ersparnis erzielt wird Beispiel: Auftrag : 2 Artikel Auftrag 2: 6 Artikel Auftrag : Artikel Auftrag 4: Artikel Auftrag 5: Artikel Ma. Volumen: 8 Artikel S I\ j S I\j 2 (5,4) 6 2 (5,4) S I\j 2 (,) (5,4) 2 (,) (5,4) =>. Kommtouren (5,4),(,),(2) S ij =D(i)+D(j)-D(i,j) Herausforderung: Häufige Neuberechnung der Wegersparnis 2000 Aufträge / Artikel pro Tag -> 5,2 Mio Wegeberechnungen 5 Jürgen Branke 2. Oktober 2007
7 Berechnung der Savingswerte Verwendung einer Nearest-Neighbor-Heuristik einfach mit Vorausschau mit erweiterter Vorausschau Summe: v v 2 v v 5 v 5 v v 7 v 7 v 8 v 8 v 2 v 0 v v 5 9 v 4 v 7 v v 2 v 0 2 Abweichung der Nearest-Neighbor-Heuristik mit Vorausschau von optimaler Lösung Anzahl Gänge Lagerbereich OG 0,00% 0,6% 0,78% 0,55% 0,80%,7%,49%,57% EG 0,00% 0,00% 0,02% 0,0% 0,2% 0,4% 0,52% 0,7% 6 Jürgen Branke 2. Oktober 2007
8 Erweiterte Vorausschau Beispiel: Zu besuchende Gänge:,,6, Vorausschau: 6 D Jürgen Branke 2. Oktober 2007
9 Erweiterte Vorausschau Beispiel: Zu besuchende Gänge:,,6, Vorausschau: D Jürgen Branke 2. Oktober 2007
10 Caching und Parallelisierung Es kommt nur auf die Kombination von Gängen an Speicherung berechneter Wege im Cache Trotz 5,2 Mio zu berechnender Wege müssen nur ca. 50,000 Werte für verschiedene Gangkombinationen berechnet werden (99% Hit-Rate) Parallelisierung für 8-Prozessor-Maschine Laufzeit < Minuten 9 Jürgen Branke 2. Oktober 2007
11 Savingsheuristik + Nearest Neighbor Heuristik Ist-Situation Savings+NN Savings+NN +Vorausschau Savings+NN +Voraussschau (erweitert) Montag 5.907,7 49.4, , Dienstag ,2 40.5, Mittwoch 04.6, , , ,6 Donnerstag , , 8.279, 8.088,5 Freitag 8.42, , , Durchschnitt 28.74,76.255,74 (-5%) 08.9,0 (-2,%) ,22 (-2,2%) 0 Jürgen Branke 2. Oktober 2007
12 Volumenoptimierung Es treten sehr viele gleiche Savingswerte auf Zusätzliches Kriterium mit dem Ziel der Volumenoptimierung maimales Volumen der kleineren Tour Jürgen Branke 2. Oktober 2007
13 Volumenoptimierung Montag Dienstag Mittwoch Donnerstag Freitag Durchschnitt Savings+NN +Vorausschau (erweitert) , , ,22 MaMin , , , , , 0.79,26 (+,%) Volumenoptimierung führt zu einer Verschlechterung Grund: Begrenzung auf maimal 6 zusammengefasste Aufträge mit insgesamt 0 Artikeln Kontraproduktiv, am Ende viele kleine Aufträge zu haben 2 Jürgen Branke 2. Oktober 2007
14 Volumenoptimierung ohne Pickrestriktion Montag Dienstag Mittwoch Donnerstag Freitag Durchschnitt Savings+NN +Voraussschau (erweitert) 2942, , 7298,5 7842, 6056, 6480,74 MaMin 29750, ,4 727,5 7878, ,8 6268,9 (-0,4%) Jürgen Branke 2. Oktober 2007
15 Berücksichtigung der Dynamik. Aufträge werden erst im Laufe des Tages bekannt Problem wird in regelmäßigen Abständen mit neuesten Daten neu gelöst (Rechenzeit < Minuten) 2. Berücksichtigung von CutOff-Zeiten Abarbeitung der Touren in Reihenfolge CutOff-Zeit - Packzeit - Kommissionierzeit Solange Lösung CutOff-Zeiten verletzt Bestrafung der Savingswerte linear abhängig davon, wie unterschiedlich die CutOff-Zeit der Touren sind Je größer die Bestrafung, desto stärker wird im Savings-Algorithmus auf gleiche CutOff-Zeiten optimiert desto eher können CutOff-Zeiten eingehalten werden desto schlechter vermutlich die erreichte Wegstrecke Binäre Suche nach kleinstem Bestrafungs-Faktor, der zu gültiger Lösung führt 4 Jürgen Branke 2. Oktober 2007
16 CutOff-Zeiten 0,9 0,8 0,7 0,6 0,5 0,4 0 0, 0,2 0, 0, 0,2 0, 0 0:00 6:00 2:00 8:00 0:00 CutOff-Zeit 5 Jürgen Branke 2. Oktober 2007
17 CutOff-Zeiten , 0,2 0, 0,4 0,5 0,6 0,7 0,8 0,9 Faktor fr Bestrafung 6 Jürgen Branke 2. Oktober 2007
18 Zusammenfassung Kombination des Savingsverfahrens mit Nearest-Neighbor-Heuristik mit (erweiterter) Vorausschau Effiziente Implementierung mit Cache-Maps (99% der Wege müssen nicht neu berechnet werden) und Parallelisierung Lösung des dynamischen Problems Berücksichtigung von CutOff-Zeiten Einsparung im Vergleich zur Ist-Situation von rund 50% Integriert in Produkt WPLAN von Locom Ausblick (teilweise schon realisiert) Aufhebung der Einbahnstraßenregelung Anschluss-Packliste im Untergeschoss Berücksichtigung einer gleichmäßigen Auslastung der Packstation Gleichzeitige Kommissionierung und Einlagerung 7 Jürgen Branke 2. Oktober 2007
Theoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrDatum Wochen Band DVD Band eingelegt Protokoll kontr. Recovery kontr. Tag Nr. RW Sign. Sign. Sign.
Monat: Januar Anzahl Bänder: 9 01.01.2015 Donnerstag Do DO 02.01.2015 Freitag Fr FR 03.01.2015 Samstag 04.01.2015 Sonntag 05.01.2015 Montag Mo1 MO 06.01.2015 Dienstag Di DI 07.01.2015 Mittwoch Mi MI 08.01.2015
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
MehrHans Scheitter GmbH & Co.KG
2010 Beschläge in Schmiedeeisen, Messing und Kupfer JANUAR Neujahr 01 Samstag 02 Sonntag 03 Montag 04 Dienstag 05 Mittwoch 06 Donnerstag 07 Freitag 08 Samstag 09 Sonntag 10 Montag 11 Dienstag 12 Mittwoch
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2016 Patrick Schäfer, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Marius Kloft RUD 26, 0 115 Mittwoch 11 13 Uhr Marius Kloft
MehrMündliche Prüfung zum Praxismodul III des Studienjahrgangs 2011 von Montag, 22.9. bis Freitag, 26.9.2014 Kurse MA-WIN11A, F
Prüfungsausschuss B1, Montag, 22. September 2014, Raum: 403D 09:30-10:00 4678276 Rechnungswesen / Materialwirtschaft A 10:10-10:40 5659097 Marketing / Rechnungswesen F 10:50-11:20 9077545 Rechnungswesen
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrGierige Algorithmen. Seminar Hallo Welt! für Fortgeschrittene. Jennifer Naumann. 11.Juni 2013
Gierige Algorithmen Seminar Hallo Welt! für Fortgeschrittene Jennifer Naumann 11.Juni 2013 Jennifer Naumann Gierige Algorithmen 11.Juni 2013 1 / 44 Übersicht 1 Einführung Definition Wann darf man gierige
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
MehrKonzentrische U-Bahn-Linienpläne
Bachelor-Kolloquium Konzentrische U-Bahn-Linienpläne Magnus Lechner 19.03.2014 Betreuer: Prof. Dr. Alexander Wolff Dipl.-Inf. Martin Fink Motivation Warum sind U-Bahn-Linienpläne von Interesse? Motivation
MehrDer Materialfluss durch das Lager
Der Materialfluss durch das Lager Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966, FAX: (0231)755-4902
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrBericht:)Alex)Riebau) Woche)2)()16.05.: ))) Samstag' '
Bericht:AlexRiebau Woche2(16.05.:22.05.2015 Samstag'16.05.2015' SamstagwarbeiKevinundmirwenigerschlafenangesagt.Um17Uhrfuhrenwir,wieerschonsagte, ineinhotelwospäteraufgroßerbühnegejamtwurde.eshießsofortammorgen,dassichdort
MehrDynamische Programmierung
Dynamische Programmierung Claudia Gerhold 9.5.6 Claudia Gerhold Dynamische Programmierung 9.5.6 / 4 Agenda Einführung Dynamische Programmierung Top-Down Ansatz mit Memoization Bottom-Up Ansatz 3 Anwendungsbeispiele
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Tag der Informatik, 15. Juli
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
MehrVon Labyrinthen zu. Algorithmen
Von Labyrinthen zu 4 Gerald Futschek Charakterisierung Algorithmus Ein Algorithmus ist ein schrittweises Verfahren ist exakt beschrieben liefert nach endlich vielen Schritten das Ergebnis (terminiert)
MehrTARUK Vortragslounge
Uhrzeit Mittwoch, 08.02.2012 Uhrzeit donnerstag, 09.02.2012 Uhrzeit freitag, 10.02.2012 Uhrzeit samstag, 11.02.2012 15.00 15.30 Ecuador Tierparadies Galápagos und Andenwelt Halle B6, Raum 2 15.30 16.00
Mehr4.4 Hierarchische Clusteranalyse-Verfahren
Clusteranalyse 18.05.04-1 - 4.4 Hierarchische Clusteranalyse-Verfahren Ablauf von hierarchischen Clusteranalyse-Verfahren: (1) Start jedes Objekt sein eigenes Cluster, also Start mit n Clustern (2) Fusionierung
MehrBeschreibung Berechnungsweise des Optimierungsverfahrens zur Minimierung des 2-Tagesversatzes im analytisches Lastprofilverfahren
Beschreibung Berechnungsweise des Optimierungsverfahrens zur Minimierung des 2-Tagesversatzes im analytisches Lastprofilverfahren (gültig ab 01.03.2017 / Stand Januar 2017) Im analytischen Verfahren ist
MehrDie beste Investition in die Sicherheit ist die Vermeidung von unbeabsichtigten Stößen durch Gabelstapler oder andere Transportgeräte.
Die beste Investition in die Sicherheit ist die Vermeidung von unbeabsichtigten Stößen durch Gabelstapler oder andere Transportgeräte. 01 Klassisch Stabilität Innovation Sicherheit Präzision Qualität Robust
MehrHeuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg 30. September
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2015 Marc Bux, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Ulf Leser RUD 26, 0 115 Mittwoch 11 13 Uhr Ulf Leser RUD 26,
MehrLineare Gleichungssysteme. 1-E Ma 1 Lubov Vassilevskaya
Lineare Gleichungssysteme 1-E Ma 1 Lubov Vassilevskaya Systeme linearer Funktionen und Gleichungen y = a 1 a 2... a n lineare Funktion Funktion ersten Grades,,..., unabhängige Variablen y abhängige Variable
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)
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrEntwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung
Entwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung Diplomarbeit Christian Weiprecht Bauhaus-Universität Weimar Fakultät Bauingenieurwesen Professur CAD in der Bauinformatik Inhaltsübersicht
MehrSoftware Strategien zur weiteren Optimierung der Kommissionierung
Software Strategien zur weiteren Optimierung der Kommissionierung als Ergänzung zu der angeboten Hardware dem elektronischen Kommissionierboard und der Multiple-Order-Picking Abwicklung Genial einfach..
MehrKombinatorische Algorithmen zur Berechnung von Marktequilibria
Seminar über Algorithmen Beispielbild Kombinatorische Algorithmen zur Berechnung von Marktequilibria 12.11.2013, Sebastian Stugk Übersicht 1. Marktmodelle und Gleichgewichtsdefinition 2. Das Eisenberg-Gale-Programm
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrSimulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung
Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung R. Kessler DLR-AS-CASE Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung Slide 1 > HPC 2009
Mehr20. Dynamic Programming II
536 20. Dynamic Programming II Subset Sum Problem, Rucksackproblem, Greedy Algorithmus, Lösungen mit dynamischer Programmierung, FPTAS, Optimaler Suchbaum [Ottman/Widmayer, Kap. 7.2, 7.3, 5.7, Cormen et
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrBezug Dienstaltersgeschenk (DAG) als Lehrperson
Kanton Zürich Bildungsdirektion Lehrpersonal, Personal Bezug Dienstaltersgeschenk (DAG) als Lehrperson Gültig ab 1. August 2017 247-70 IN 21. April 2017 2/7 Inhalt 1. Grundsätzliches 3 2. Bewilligung DAG-Antrag
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrDienstag, 3. September Mittwoch, 4. September Donnerstag, 5. September Freitag, 6. September. Mittwoch, 25. September.
3. Semester Montag, 2. September Dienstag, 3. September Mittwoch, 4. September Donnerstag, 5. September Freitag, 6. September Montag, 9. September Dienstag, 10. September Mittwoch, 11. September Donnerstag,
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
MehrUNIVERSITÄTSKLINIKUM DES SAARLANDES
Gruppe A Mittwoch 16.04.2014 Medizinische Soziologie I 07.05. 2014 28.05.2014 04.06.2014 11.06.2014 18.06.2014 25.06.2014 02.07.2014 Methodische Grundlagen Emotion, Stress & Gesundheit Lernen und Kognitive
Mehr8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrSysteme II 13. Woche Data Centers und Verteiltes Hashing
Systeme II 13. Woche Data Centers und Verteiltes Hashing Christian Schindelhauer Technische Fakultät Rechnernetze und Telematik Albert-Ludwigs-Universität Freiburg World Wide Web Client-Server-Architektur
MehrDatenstrukturen und Algorithmen D-INFK
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik Peter Widmayer
MehrVorkurs Mathematik (WS 2017/18) Selbsttest zum Vorkurs
Dr. Kristin Göbel, Email: kristin.goebel@uni-hamburg.de Vorkurs Mathematik (WS 2017/18) Selbsttest zum Vorkurs Dieser Selbsttest dient dazu, dass Sie ihre mathematischen Kenntnisse einschätzen können.
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
Mehr6. Sich selbst organisierende Datenstrukturen
6. Sich selbst organisierende Datenstrukturen 6.1 Motivation einfach, wenig Verwaltungsoverhead effizient im amortisierten Sinn EADS 6.1 Motivation 201/598 6.2 Sich selbst organisierende lineare Listen
MehrTheoretische Informatik: Berechenbarkeit und Formale Sprachen
Theoretische Informatik: Berechenbarkeit und Formale Sprachen Prof. Dr. F. Otto Fachbereich Elektrotechnik/Informatik, Universität Kassel 34109 Kassel, Germany E-mail: otto@theory.informatik.uni-kassel.de
MehrIndizierung von Geodaten - Raumbezogene Indexstrukturen. Seminar mobile Geoinformationssystem Vortrag von Markus Steger
Indizierung von Geodaten - Raumbezogene Indexstrukturen Seminar mobile Geoinformationssystem Vortrag von Markus Steger Index wozu ist er gut? Index allgemein Effizienter Zugriff auf Daten, i.d.r. mit B-Baum
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrÜbungsklausur Algorithmen I
Jun.-Prof. Hofheinz, Jun.-Prof. Meyerhenke (ITI, KIT) 08.06.2015 Übungsklausur Algorithmen I Aufgabe 1. (Algorithm Engineering) Nennen Sie zwei Konzepte, die Algorithm Engineering im Gegensatz zu theoretischer
MehrDiese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Wa
103 Diese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Was bedeutet das für die Ableitungen? Was ist eine
MehrAlgorithmen und Datenstrukturen 1 Kapitel 5
Algorithmen und Datenstrukturen 1 Kapitel 5 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Kapitel 5: Effizienz von Algorithmen 5.1 Vorüberlegungen Nicht
MehrGenerated by Foxit PDF Creator Foxit Software
3.Jan 2011-10.Jul 2011 Dienstag, 11. Januar 2011 Donnerstag, 13. Januar 2011 Dienstag, 18. Januar 2011 Montag, 7. Februar 2011 Montag, 14. Februar 2011 Samstag, 26. Februar 2011 Donnerstag, 3. März 2011
MehrTheorieplan Januar 2015
Theorieplan Januar 2015 Donnerstag 01.01.2015 Freitag 02.01.2015 Samstag 03.01.2015 Sonntag 04.01.2015 Montag 05.01.2015 9 6 Dienstag 06.01.2015 1 11 Mittwoch 07.01.2015 10 7 Donnerstag 08.01.2015 2 12
MehrAuswirkungen von Energieeffizienz auf die Immobilienbewertung
DEPARTMENT FÜR BAUEN UND UMWELT Forum Building Science 2011 Auswirkungen von Energieeffizienz auf die Immobilienbewertung Dipl.-Ing. Martin M. Roth, FRICS, REV, CIS HypZert (F/R), SV, ZT (r.) www.irg.at
MehrData Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
MehrP-Median Problem. Michael Enser Anzahl der ausgewählten Standorte oder Mediane
P-Median Problem Michael nser 4..20 Inhaltsverzeichnis Allgemeines p-median-problem. Allgemeine ention............................. 2.2 in kleines eispiel.............................. 2 2 -median Problem
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
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
MehrEin Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen
Ein Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen Holger Hennings, Fabio Valdés Fachpraktikum Erweiterbare Datenbanksysteme (WS 2017/18) Lehrgebiet Datenbanksysteme für neue Anwendungen
MehrHeuristische Verfahren
Heuristische Verfahren Bei heuristischen Verfahren geht es darum in polynomieller Zeit eine Näherungslösung zu bekommen. Diese kann sehr gut oder sogar optimal sein, jedoch gibt es keine Garantie dafür.
MehrAlgorithmen und Datenstrukturen I Grundlagen
Algorithmen und Datenstrukturen I Grundlagen Prof. Dr. Oliver Braun Letzte Änderung: 01.11.2017 14:15 Algorithmen und Datenstrukturen I, Grundlagen 1/24 Algorithmus es gibt keine präzise Definition Handlungsvorschrift
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrLineare Gleichungssystem
Lineare Gleichungssystem 8. Juli 07 Inhaltsverzeichnis Einleitung Der Gauß-Algorithmus 4 3 Lösbarkeit von Gleichungssystemen 6 Einleitung Wir haben uns bisher hauptsächlich mit dem Finden von Nullstellen
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
MehrProgrammieren 1 C Überblick
Programmieren 1 C Überblick 1. Einleitung 2. Graphische Darstellung von Algorithmen 3. Syntax und Semantik 4. Einstieg in C: Einfache Sprachkonstrukte und allgemeiner Programmaufbau 5. Skalare Standarddatentypen
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrExperimente. Zahlenbeispiel. Cache-Optimale Algorithmen. Warum Funktionieren Caches? Cache-Oblivious Speichermodell. Characterisierung von Caches
M=10 9, B=10 6 Zahlenbeispiel Für c=1/7 folgt daraus Experimente 20 Millionen Operationen auf Priority Queue mit verschiedenen Implementierungen Datenstrukturen ohne Rücksicht auf Paging-Effekte (Fibonacci
MehrFree-Floating Carsharing Systeme Wirkung und Optimierungsstrategien
Free-Floating Carsharing Systeme Wirkung und Optimierungsstrategien Dipl.-Math. Simone Weikl, 30.09.2013 WiMobil E-PLAN München Simone Weikl - Institut für Verkehrswesen und Raumplanung Univ.-Prof. Dr.-Ing.
MehrSimulation von Flüssigkeitsbrücken zwischen Nanopartikeln
Simulation von Flüssigkeitsbrücken zwischen Nanopartikeln Michael Dörmann, Hans-Joachim Schmid Lehrstuhl für Partikelverfahrenstechnik Universität Paderborn 03.04.2014 Agenda Motivation Methode Ergebnisse
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
Mehr20. Dynamic Programming II
Aufgabe 20. Dynamic Programming II Subset Sum Problem, Rucksackproblem, Greedy Algorithmus, Lösungen mit dynamischer Programmierung, FPTAS, Optimaler Suchbaum [Ottman/Widmayer, Kap. 7.2, 7.3, 5.7, Cormen
MehrLiebe Patienten, in den Schneeferien Februar bis 06. Februar ist die Praxis zu folgenden Zeiten geöffnet:
in den Schneeferien - 02. Februar bis 06. Februar 2015 - Montag, 02.02.15: 15:00-19:00 Uhr Dienstag, 03.02.15: 15:00-18:00 Uhr Mittwoch, 04.02.15: 9:00-12:00 Uhr Donnerstag, 05.02.15 geschlossen Freitag,
MehrEin Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen
Ein Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen Holger Hennings, Fabio Valdés Fachpraktikum Erweiterbare Datenbanksysteme (WS 2015/16) Lehrgebiet Datenbanksysteme für neue Anwendungen
MehrKombinatorische Reverse Auction Lieferanteninformation
Kombinatorische Reverse Auction Lieferanteninformation Ausgangssituation: Warenkörbe werden bisher blind einkauft Warenkörbe mit vielen und niedrigen Einzelpositionen werden ohne Preisvergleich gekauft
MehrÜbersicht. A. Hinneburg, Web Data Mining MLU Halle-Wittenberg, SS 2007
Übersicht Grundlagen für Assoziationsregeln Apriori Algorithmus Verschiedene Datenformate Finden von Assoziationsregeln mit mehren unteren Schranken für Unterstützung Finden von Assoziationsregeln für
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Hierarchische Zeichnungen 6. Vorlesung Sommersemester 2015 (basierend auf Folien von Marcus Krug, KIT) 2 Beispiel E-Mail-Graph zwischen Einrichtungen der Fak. für Informatik,
MehrTheorieplan Januar 2014
Januar 2014 Mittwoch 01.01.2014 Neujahr Donnerstag 02.01.2014 13 9 Freitag 03.01.2014 Samstag 04.01.2014 Sonntag 05.01.2014 Montag 06.01.2014 6 3 Dienstag 07.01.2014 14 10 Mittwoch 08.01.2014 7 4 Donnerstag
MehrUntersuchungen zur effizienten Implementierung eines mathematischen Algorithmus in einem FPGA am Beispiel eines Sudoku-Lösers
Fakultät Informatik - Institut für Technische Informatik - Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Diplom Untersuchungen zur effizienten Implementierung eines mathematischen
MehrLösungsvorschlag Serie 2 Rekursion
(/) Lösungsvorschlag Serie Rekursion. Algorithmen-Paradigmen Es gibt verschiedene Algorithmen-Paradigmen, also grundsätzliche Arten, wie man einen Algorithmus formulieren kann. Im funktionalen Paradigma
MehrSelbstbeobachtungstagebuch
Ihr Tagebuch verschafft Ihnen einen genauen Überblick über den Verlauf Ihrer n Tragen Sie ein, wie Sie diese Empfindung,, nach, und erleben. Notieren Sie unbedingt, was Ihre Körperempfindung jeweils beeinflusst
Mehr