Sichtbarkeitsgraph. Andreas Gemsa Übung Algorithmische Geometrie
|
|
- Edith Kopp
- vor 6 Jahren
- Abrufe
Transkript
1 Übung Algorithmische Geometrie Sichtbarkeitsgraph LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa
2 Ablauf Nachtrag Sichtbarkeitsgraph
3 WSPD Bedingung: Für jedes q, p P existiert genau ein Index l, so dass q A l und p B l für {A l, B l } in W.
4 Ablauf Nachtrag Sichtbarkeitsgraph
5 Ablauf Nachtrag Sichtbarkeitsgraph
6 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten.
7 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten.
8 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s
9 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s
10 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s a) Zeige, dass #Segmente eines kürzesten Wegs in O(n) ist. b) Beispiel für Θ(n)
11 Aufgabe 1 Gegeben: Lemma 1: Menge Für eine S Menge von Polygonen S von disjunkten mit insgesamt Polygonen n Knoten. in R 2 und zwei Punkte s und t außerhalb S ist jeder kürzeste st-weg in R 2 \ S ein Polygonzug dessen innere Knoten Knoten von S sind. t s t Beweisskizze: s a) Zeige, dass #Segmente eines kürzesten Wegs in O(n) ist. b) Beispiel für Θ(n)
12 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s a) Zeige, dass #Segmente eines kürzesten Wegs in O(n) ist. b) Beispiel für Θ(n)
13 Aufgabe 1 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s t s a) Zeige, dass #Segmente eines kürzesten Wegs in O(n) ist. b) Beispiel für Θ(n)
14 Aufgabe 2 VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 return E
15 Aufgabe 2 VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 return E Beobachtung: VisibleVertices wird n mal aufgerufen
16 Aufgabe 2 VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 return E Beobachtung: VisibleVertices wird n mal aufgerufen VisibleVertices in O(n log n)
17 Aufgabe 2 VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 return E Beobachtung: VisibleVertices wird n mal aufgerufen VisibleVertices in O(n log n) Gesamtlaufzeit: O(n 2 log n)
18 Aufgabe 2 VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 return E Beobachtung: VisibleVertices wird n mal aufgerufen VisibleVertices in O(n log n) Gesamtlaufzeit: O(n 2 log n) Q: Wie VisibiltyGraph in O(n 2 )? Hinweis: Nutze Dualität
19 Aufgabe 2 Trapezzerlegung
20 Aufgabe 2 Trapezzerlegung
21 Aufgabe 2 Trapezzerlegung Sichtbarkeit Punkte zu Segmente
22 Aufgabe 2 Trapezzerlegung Sichtbarkeit Punkte zu Segmente
23 Aufgabe 2 Trapezzerlegung Sichtbarkeit Punkte zu Segmente
24 Aufgabe 2 Trapezzerlegung Sichtbarkeit Punkte zu Segmente 360 Rotation Q: Was sind hier die Events?
25 Aufgabe Rotation Q: Was sind hier die Events?
26 Aufgabe Rotation Q: Was sind hier die Events?
27 Aufgabe Rotation Q: Was sind hier die Events?
28 Aufgabe Rotation Q: Was sind hier die Events?
29 Aufgabe Rotation Q: Was sind hier die Events?
30 Aufgabe Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
31 Aufgabe 2 θ 360 Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
32 Aufgabe 2 θ 360 Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
33 Aufgabe 2 θ y = mx + b m = tan (θ) 360 Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
34 Aufgabe 2 Dualität: (a, b) y = a x + b θ y = mx + b m = tan (θ) 360 Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
35 Aufgabe 2 Dualität: (a, b) y = a x + b Events x-koordinate der Punkte (im Dualraum) θ y = mx + b m = tan (θ) 360 Rotation Q: Was sind hier die Events? A: Strahl trifft Knoten
36 Aufgabe 2 Dualität: (a, b) y = a x + b Events x-koordinate der Punkte (im Dualraum) θ y = mx + b m = tan (θ) Vorgehen: 360 Wandle Rotation alle Knoten der Polygone in Geraden um (Dualität) Q: Was Sweepe sindvon hier links die nach Events? rechts durch A: das Strahl Geradenarrangement trifft Knoten Beim Sweep merke die Schnittpunkte der Geraden Sweep liefert Events sortiert nach Winkel in O(n 2 )
37 Aufgabe 2 w v
38 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar
39 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar
40 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments
41 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Wie f(v) updaten?
42 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments
43 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments
44 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments
45 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments
46 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments Gleiches Segment
47 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments Gleiches Segment Kante zum Sichtbarkeitsgraph hinzu } Füge
48 Aufgabe 2 w v Bestimme Segment f(v) das als erstes vom Strahl getroffen wird. Fälle: Unsichtbar Verlassen eines Segments Betreten eines Segments Gleiches Segment O(1) O(1) O(1) O(1) Kante zum Sichtbarkeitsgraph hinzu } Füge
49 Aufgabe 3 Gegeben: Menge S von Polygonen mit insgesamt n Knoten. t s
50 Aufgabe 3 Gegeben: Menge S von n Scheiben t s
51 Aufgabe 3 Gegeben: Menge S von n Scheiben t s Tangente s/t Kreis Tangente Kreis Kreis Kreissegment
52 Aufgabe 3 u v A B Tangente Kreis Kreis
53 Aufgabe 3 u a b v A B Tangente Kreis Kreis
54 Aufgabe 3 a b u p q v A B Tangente Kreis Kreis
55 Aufgabe 3 a b u p q v A t B Tangente Kreis Kreis
56 Aufgabe 3 u a p b v A B Tangente Kreis Kreis
57 Sichtbarkeitsgraph VL Gegeben sei eine Menge S disjunkter offener Polygone......mit Knotenmenge V (S). s t Def.: Dann ist G vis (S) = (V (S), E vis (S)) der Sichtbarkeitsgraph von S mit E vis (S) = {uv u, v V (S) und u sieht v} und w(uv) = uv. Dabei gilt u sieht v : uv S = {u, v} Definiere S = S {s, t} und G vis (S ) analog. Lemma 1 Der kürzeste st-weg, der die Hindernisse in S vermeidet, entspricht einem kürzesten Weg in G vis (S ).
58 Aufgabe 3 Sichtbarkeitsgraph Gegeben sei eine Menge S disjunkter offener Scheiben. s t
59 Aufgabe 3 Sichtbarkeitsgraph Gegeben sei eine Menge S disjunkter offener Scheiben. s Tangentenknoten: V (S) E vis (S) = {uv u, v V (S) und u sieht v} und w(uv) = uv. E arc (S) = {Kreisbogen uv u, v V (S) und u, v auf gleicher Scheibe hintereinander } und w(uv) = uv α. t
60 Aufgabe 3 Sichtbarkeitsgraph Gegeben sei eine Menge S disjunkter offener Scheiben. s Tangentenknoten: V (S) E vis (S) = {uv u, v V (S) und u sieht v} und w(uv) = uv. E arc (S) = {Kreisbogen uv u, v V (S) und u, v auf gleicher Scheibe hintereinander } und w(uv) = uv α. Def.: Dann ist G vis (S) = (V (S), E vis (S) E arc ) der Sichtbarkeitsgraph von S. t Definiere S = S {s, t} und G vis (S ) analog.
61 Aufgabe 3 Sichtbarkeitsgraph Gegeben sei eine Menge S disjunkter offener Scheiben. s Tangentenknoten: V (S) E vis (S) = {uv u, v V (S) und u sieht v} und w(uv) = uv. E arc (S) = {Kreisbogen uv u, v V (S) und u, v auf gleicher Scheibe hintereinander } und w(uv) = uv α. Def.: Dann ist G vis (S) = (V (S), E vis (S) E arc ) der Sichtbarkeitsgraph von S. t Definiere S = S {s, t} und G vis (S ) analog.
62 Aufgabe 3 Sichtbarkeitsgraph berechnen VisibilityGraph(S) Input: Menge disjunkter Polygone S Output: Sichtbarkeitsgraph G vis (S) 1 E 2 foreach v V (S) do 3 W VisibleVertices(v, S) 4 E E {vw w W } 5 E E { arc zum nächsten Nachbarn auf der Scheibe } 6 return E
63 Aufgabe 3 Sichtbare Knoten berechnen
64 Aufgabe 3 Sichtbare Knoten berechnen
65 Aufgabe 3 Sichtbare Knoten berechnen
66 Aufgabe 3 Sichtbare Knoten berechnen VisibleVertices(p, S) r {p + k ( 1 0) k R + 0 } I {e E(S) e r } T balancedbinarytree(i) w 1,..., w n sortiere V (S) im UZS W for i = 1 to n do if Visible(p, w i ) then W W {w i } füge in T zu w i inzidente Kante aus pw + i ein lösche aus T zu w i inzidente Kanten aus return W pw i
67 Aufgabe 3 Shortest Path ShortestPath(S, s, t) n = V (S), m = E vis (S) Input: Hindernismenge S, Punkte s, t R 2 \ S Output: kürzester kollisionsfreier st-weg in S 1 G vis VisibilityGraph(S {s, t}) O(n 2 log? n) 2 foreach uv E vis (S) do w(uv) uv O(m) 3 return Dijkstra(G vis, w, s, t) O(n log n + m) O(n 2 log n)
68 Aufgabe 3 Worst Case n Scheiben Von jeder Scheibe mindestens eine Tangente an jede andere Scheibe Ω(n) Tangentenknoten pro Scheibe Ω(n 2 ) Knoten insgesamt Ω(n) Tangentenknoten pro Scheibe Ω(n 2 ) Kanten pro Scheibe + Ω(n 2 ) Kanten von Scheiben zu Scheiben Ω(n 2 ) Kanten insgesamt
69 Aufgabe 3 Shortest Path ShortestPath(S, s, t) n 2 = V (S), m = E Input: Hindernismenge S, Punkte s, t R 2 \ S Output: kürzester kollisionsfreier st-weg in S 1 G vis VisibilityGraph(S {s, t}) O(n 4 log n? 2 ) 2 foreach uv E vis (S) do w(uv) uv O(m) 3 return Dijkstra(G vis, w, s, t) O(n 2 log n 2 + m) O(n 4 log n 2 )
70 Aufgabe 3 Shortest Path ShortestPath(S, s, t) n 2 = V (S), m = E Input: Hindernismenge S, Punkte s, t R 2 \ S Output: kürzester kollisionsfreier st-weg in S 1 G vis VisibilityGraph(S {s, t}) O(n 4 log n? 2 ) 2 foreach uv E vis (S) do w(uv) uv O(m) 3 return Dijkstra(G vis, w, s, t) O(n 2 log n 2 + m) O(n 4 log n 2 )
71 Danke! Viel Erfolg bei der Prüfung!
72 Praktikum Routenplanung Praktikum zur Routenplanung im Wintersemester 2012/2013 (Master) Betreuung: Moritz Baum, Julian Dibbelt, Thomas Pajor 6 ECTS-Punkte Praktische Implementierung einiger Aspekte aus der Vorlesung Beschleunigungstechniken Alternativrouten Public Transport Hub-Labels (in Datenbanken)... Möglichkeit aktuelle Forschung im Bereich Routenplanung praktisch auszuprobieren Details werden auf unserer Seite bekanntgegeben unter Thomas Pajor Algorithmen für Routenplanung Folie Juli 2012 Institut für Theoretische Informatik Lehrstuhl Algorithmik
73 Vorlesung Graphvisualisierung Algorithmen zur Visualisierung von Graphen Dozenten: Tamara Mchedlidze, Martin Nöllenburg, Ignaz Rutter 5 ECTS-Punkte Termin: Dienstags 9:45 Uhr und mittwochs 14 Uhr Themen (Auswahl): Kräftebasierte Layouts Knickminimierung, Winkelauflösung Lagenlayouts, Baumlayouts, Gitterzeichnungen Zeichnen von Metromaps... Mehr Informationen werden auf unserer Seite bekanntgegeben unter Thomas Pajor Algorithmen für Routenplanung Folie Juli 2012 Institut für Theoretische Informatik Lehrstuhl Algorithmik
74 Seminar Algorithmentechnik Geometrische Algorithmen für Anwendungen in der Geovisualisierung Andreas Gemsa, Martin Nöllenburg, Ignaz Rutter Termin: Dienstags 15:45 Uhr 4 ECTS-Punkte Themen (Auswahl): Schematische Karten Kartogramme Beschriftung von Karten Dynamische Darstellung von Karten Generalisierung... Mehr Informationen werden auf unserer Seite bekanntgegeben unter Thomas Pajor Algorithmen für Routenplanung Folie Juli 2012 Institut für Theoretische Informatik Lehrstuhl Algorithmik
75 Seminar Graph-Theorie/Data-Mining Synergien aus Graph-Theorie und Data-Mining zur Analyse von Netzwerkdaten Proseminar und Seminar (Algorithmentechnik B) Zusammen mit dem IPD Methoden zur Analyse komplexer Netwzwerke z.b. soziale Netzwerke, Zitationsdatenbanken, Sensornetzwerke Schwerpunkte: Maße zur Bewertung von Knoten und Subgraphen Graph Clustering zur Gruppierung von ähnlichen Graph-Strukturen Graph Outlier Mining zur Erkennung von Graph-Anomalien Erster Termin: 16. Oktober 2012, 14 Uhr (SR 348, Geb ) Thomas Pajor Algorithmen für Routenplanung Folie Juli 2012 Institut für Theoretische Informatik Lehrstuhl Algorithmik
Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrGeradenarrangements 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
MehrBeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie Teil 2 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 11.06.2013 Die Ära der dynamischen Karten Die meisten
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.06.2014 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrPunkt-in-Polygon-Suche Übersicht
Folie 1 von 43 Punkt-in-Polygon-Suche Übersicht! Praxisbeispiel/Problemstellung! Zählen von Schnittpunkten " Schnitt einer Halbgerade mit der Masche " Aufwandsbetrachtung! Streifenkarte " Vorgehen und
MehrGeometrische Algorithmen Punkt-in-Polygon-Suche. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Punkt-in-Polygon-Suche
Folie 1 von 51 Geometrische Algorithmen Punkt-in-Polygon-Suche Folie 2 von 51 Punkt-in-Polygon-Suche Übersicht Praxisbeispiel/Problemstellung Zählen von Schnittpunkten Schnitt einer Halbgerade mit der
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 00
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 22. Vorlesung Tiefensuche und Topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Vorlesungsumfrage Nutzen Sie die Vorlesungsbefragung
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrAlgorithmen 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
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
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem
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,
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,
MehrZusammenfassung. Benjamin Niedermann Vorlesung Algorithmische Kartografie
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 02.07.2015 1 Wiederholung Themen der
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Große Übung #6 Phillip Keldenich, Arne Schmidt 26.02.2017 Heute: Master-Theorem Phillip Keldenich, Arne Schmidt Große Übung 2 Vorbetrachtungen Wir betrachten rekursive Gleichungen
Mehr7. Triangulation von einfachen Polygonen
1 7. Triangulation von einfachen Polygonen 2 Ziel Bessere Laufzeit als O(n log n) durch schnelleres Berechnen der Trapezzerlegung des Polygons. 3 Idee Finde Methode, den Anfangspunkt einer Strecke in der
MehrDer Dreyfus-Wagner Algorithmus für das Steiner Baum Problem
Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Andreas Moser Dietmar Ebner Christian Schauer Markus Bauer 9. Dezember 2003 1 Einführung Der in der Vorlesung gezeigte Algorithmus für das Steiner
MehrAlgorithmen zur Visualisierung von Graphen Einführung
Algorithmen zur Visualisierung von Graphen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Tamara Mchedlidze Martin Nöllenburg 22.10.2013 1 Organisatorisches Dozenten Tamara Mchedlidze mched@iti.uka.de
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
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
Mehr12.4 Traveling Salesman Problem
96 KOMBINATORISCHE SUCHE.4 Traveling Salesman Problem Definition.3(TSP, Problem des Handlungsreisenden): Wir betrachten einen gerichteten, gewichteten Graphen G = (V,E) mit K : V R. K({u,v}) sind die Kosten
MehrÜbersicht über Informatik und Softwaresystemtechnik WS 99/00, Prof. Dr. Andreas Schwill
Konvexe Hülle Hierbei handelt es sich um ein klassisches Problem aus der Algorithmischen Geometrie, dem Teilgebiet der Informatik, in dem man für geometrische Probleme effiziente Algorithmen bestimmt.
MehrKlausur Theoretische Informatik I WS 2004/2005
Technische Universität Chemnitz Chemnitz, den 22.02.2005 Fakultät für Informatik Prof. Dr. Andreas Goerdt Klausur Theoretische Informatik I WS 2004/2005 Studiengang Mechatronik Aufgabe 1 (2+2+2 Punkte)
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
MehrÜbungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
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
MehrLokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Seminararbeit: Algorithmen für Sensornetzwerke Thomas Gramer 1 Thomas Gramer: KIT Universität des Landes Baden-Württemberg und nationales
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
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Geradlinige Zeichnungen planarer Graphen 6. Vorlesung Sommersemester 2013 (basierend auf Folien von Marcus Krug und Tamara Mchedlidze, KIT) 2 Planare Graphen: Charakterisierung,
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
Mehr8. A & D - Heapsort. Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können.
8. A & D - Heapsort Werden sehen, wie wir durch geschicktes Organsieren von Daten effiziente Algorithmen entwerfen können. Genauer werden wir immer wieder benötigte Operationen durch Datenstrukturen unterstützen.
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
MehrKapitel 2. Suche nach endlich vielen Wörtern. R. Stiebe: Textalgorithmen, Winter 2005/06 113
Kapitel 2 Suche nach endlich vielen Wörtern R. Stiebe: Textalgorithmen, Winter 2005/06 113 Übersicht Aufgabenstellung Gegeben: Text T und eine endliche Menge von Wörtern P = {P 1,..., P r }; Gesucht: alle
MehrKapitel 9 Algorithm. Geometrie. Kürzeste Abstände Konvexe Hülle
Kapitel 9 Algorithm. Geometrie Kürzeste Abstände Konvexe Hülle Überblick Teilgebiet der Informatik, in dem es um die Entwicklung effizienter Algorithmen und die Bestimmung der algorithmischen Komplexität
Mehr2.7.1 Inside-Test Konvexe Hülle Nachbarschaften Schnittprobleme
2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften 2.7.4 Schnittprobleme 1 2.7 Geometrische Algorithmen 2.7.1 Inside-Test 2.7.2 Konvexe Hülle 2.7.3 Nachbarschaften
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
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
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
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
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
MehrÜbungsklausur Algorithmen I
Universität Karlsruhe, Institut für Theoretische Informatik Prof. Dr. P. Sanders 26.5.2010 svorschlag Übungsklausur Algorithmen I Hiermit bestätige ich, dass ich die Klausur selbständig bearbeitet habe:
MehrVorlesung Algorithmische Kartografie
Übung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 18.07.2013 Wiederholung Themen der Vorlesung: Linienvereinfachung
MehrÜbersicht. Berechnung der Potenz für zwei ganze Zahlen Klausuraufgabe SS 2010! Berechnung der Cosinus-Funktion Klausuraufgabe WS 2010/2011!
Algorithmen und Datenstrukturen Wintersemester 2012/13 8. Vorlesung Algorithmen in Java Jan-Henrik Haunert Lehrstuhl für Informatik I Übersicht Berechnung der Potenz für zwei ganze Zahlen Klausuraufgabe
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
MehrFelix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 11 (4.6.2014) Binäre Suchbäume II Algorithmen und Komplexität Binäre Suchbäume Binäre Suchbäume müssen nicht immer so schön symmetrisch sein
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Teile & Herrsche-Algorithmen: Bäume und serienparallele Graphen Vorlesung im Wintersemester 200/20 Robert Görke.0.20 Robert Görke Algorithmen zur Visualisierung
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
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
MehrZusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus
Zusammenfassung Verallgemeinerungen VD Segmente/Pledge Algorithmus Elmar Langetepe University of Bonn Algorithmische Geometrie VD Segmente/Pledge 29.06.11 c Elmar Langetepe SS 11 1 Voronoi Diagramm von
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 3. Vorlesung Laufzeitanalyse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Recap: Diskutieren Sie mit Ihrer NachbarIn! 1. 2. 3. Was sind
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
MehrFormale Grundlagen der Informatik
Formale Grundlagen der Informatik / 2015 1 Die Elemente einer (endlichen) Menge sollen den Elementen einer zweiten, gleichmächtigen Menge zugeordnet werden Problemstellung Bipartite Graphen Zuordnungsprobleme
MehrKlausur Algorithmen und Datenstrukturen
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Algorithmen und Datenstrukturen 22.08.2013
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrM. Pester 29. Ein konvexes d-polytop ist eine begrenzte d-dimensionale polyedrale Menge. (d = 3 Polyeder, d = 2 Polygon)
M. Pester 29 6 Konvexe Hülle 6.1 Begriffe Per Definition ist die konvexe Hülle für eine Menge S von lich vielen Punkten die kleinste konvexe Menge, die S enthölt (z.b. in der Ebene durch ein umspannes
Mehr7. Sortieren Lernziele. 7. Sortieren
7. Sortieren Lernziele 7. Sortieren Lernziele: Die wichtigsten Sortierverfahren kennen und einsetzen können, Aufwand und weitere Eigenschaften der Sortierverfahren kennen, das Problemlösungsparadigma Teile-und-herrsche
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 Vorlesung 4 Programm des
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
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrKap. 6.3: Traversieren von Graphen Kap. 6.4: Elementare Graphalgorithmen
Kap. 6.3: Traversieren von Graphen Kap. 6.4: Elementare Graphalgorithmen Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 19. VO DAP2 SS 2008 19. Juni 2008 1
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende
MehrLösungsvorschlag 1. Vorlesung Algorithmentechnik im WS 09/10
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Lösungsvorschlag Vorlesung Algorithmentechnik im WS 09/0 Problem : Dynamisches Array (Amortisierte Analyse) [vgl. Kapitel 0.3 im Skript]
MehrBillard auf polygonförmigen Tischen
Billard auf polygonförmigen Tischen Myriam Freidinger 1 Der Fagnano Billardstrahl im Dreieck Lemma 1. Sei ABC ein spitzwinkliges Dreieck und P,Q und R die Basispunkte der Höhen von A,B und C, dann beschreibt
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
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
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales
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
MehrKonvexe Hülle. Konvexe Hülle. Mathematik. Konvexe Hülle: Definition. Mathematik. Konvexe Hülle: Eigenschaften. AK der Algorithmik 5, SS 2005 Hu Bin
Konvexe Hülle Konvexe Hülle AK der Algorithmik 5, SS 2005 Hu Bin Anwendung: Computergraphik Boundary Kalkulationen Geometrische Optimierungsaufgaben Konvexe Hülle: Definition Mathematik Konvex: Linie zwischen
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
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrPraktikum 3 Algorithmik SS Aufgabe 10: Aufgabe 9 ( Skyline-Problem ) weitere Aufgaben folgen. Name:... Matr-Nr:...
Praktikum 3 Algorithmik SS 2007 14052007 Aufgabe 9: Aufgabe 10: Das Skyline-Problem Union-Find-Strukturen weitere Aufgaben folgen Name: Matr-Nr: Datum: Unterschrift des Dozenten (wenn bestanden): Aufgabe
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 5 14. Juni 2011 Grundlagen: Algorithmen und Datenstrukturen
MehrDefinition 15 Rot-Schwarz-Bäume sind externe Binärbäume (jeder Knoten hat 0 oder 2 Kinder) mit roten und schwarzen Kanten, so dass gilt:
2.2 Rot-Schwarz-Bäume Definition 15 Rot-Schwarz-Bäume sind externe Binäräume (jeder Knoten hat 0 oder 2 Kinder) mit roten und schwarzen Kanten, so dass gilt: 1 alle Blätter hängen an schwarzen Kanten (durchgezogene
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
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
MehrAlgorithmische Geometrie 1. Einführung
Algorithmische Geometrie 1. Einführung JProf. Dr. Heike Leitte Computergraphik und Visualisierung Algorithmische Geometrie Veranstaltung: 2 SWS Vorlesung: Mi, 9:15 10:45 1 SWS Übung: Do 14:00 16:00 Übungen:
MehrPraktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19.
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19. Oktober 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF.
MehrComputer-Graphik I Verallgemeinerte Baryzentrische Koordinaten
lausthal omputer-raphik I Verallgemeinerte Baryzentrische Koordinaten. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Verallgemeinerungen der baryzentr. Koord. 1. Was macht man im 2D bei
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen und Datenstrukturen Wintersemester 2004/ November T(n) = T(n a) + T(a) + n
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
Mehr3. Musterlösung. Problem 1: Heapsort
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 3. Musterlösung Problem : Heapsort ** 2 3 4 5 Algorithmus : Heapsort (A) Eingabe : Array A der Länge n Ausgabe : Aufsteigend
MehrDiskrete Mathematik für Informatiker
Universität Siegen Lehrstuhl Theoretische Informatik Carl Philipp Reh Daniel König Diskrete Mathematik für Informatiker WS 016/017 Übung 7 1. Gegeben sei folgender Graph und das Matching M = {{h, f}, {c,
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrZweizusammenhang und starker Zusammenhang
.. Zeizusammenhang und starker Zusammenhang Carsten Gutenger Vorlesung Algorithmen und Datenstrukturen WS /. Januar Zeizusammenhang Betrachte ein Netzerk (Graph) Z.B. Computernetzerk, Flug- oder Schienennetzerk
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik 4. Kellerautomaten und kontextfreie Sprachen (III) 17.06.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
Mehr