Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
|
|
- Oswalda Hochberg
- vor 6 Jahren
- Abrufe
Transkript
1 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 2008
2 Überblick 1 Einleitung Was ist das Handelsreisendenproblem? Mathematische Modellierung Bedeutung des Handelsreisendenproblems Anwendungen in der Praxis Beispiel
3 Überblick 2 Exakte Lösungsansätze Trivialer Algorithmus Erweiterung des trivialen Algorithmus TSP-Wettbewerb exakter Lösungsansätze
4 Überblick 3 Nächster-Nachbar-Algorithmus k-opt-algorithmus Helsgauns Algorithmus Unser Algorithmus TSP-Wettbewerb heuristischer Lösungsansätze
5 Einleitung Was ist das Handelsreisendenproblem? Ein Handelsreisender möchte eine vorgegebene Menge von Städten nacheinander besuchen. Danach möchte er zu seinem Ausgangsort zurückkehren. Die Reihenfolge, in der er die Städte besucht, kann er selbst festlegen. Eine solche Reise nennt man eine Tour durch alle Städte. Jede dieser Touren liefert eine Gesamtlänge, die der Handelsreisende für diese Tour zurücklegen muss.
6 Einleitung Was ist das Handelsreisendenproblem? Er kann zwei Ziele verfolgen: Er sucht eine Tour mit minimaler Gesamtlänge. Diese muss nicht eindeutig sein. Er sucht eine Tour mit möglichst kleiner Gesamtlänge, z.b. kleiner als eine vorgegebene Länge. Das Handelsreisendenproblem ist auch unter dem englischen Ausdruck Travelling Salesman Problem (TSP) bekannt.
7 Einleitung Mathematische Modellierung Lege einen Graphen G = (V, E) an mit Längenfunktion c : E R + 0. Die Knotenmenge V ist die Menge aller Städte. Die Kantenmenge E ist die Menge aller Wege. Die Länge c(e) einer Kante e E ist die Länge des e entsprechenden Weges. Sei V = n. Da jeder Weg theoretisch für die Tour benutzt werden kann, gilt: E = ( n 2) = (n 2 n)/2. Der Graph ist vollständig. Lege die Städtereihenfolge v 1, v 2,..., v n fest, so dass folgender Ausdruck minimal wird: n 1 c(v n, v 1 ) + c(v i, v i+1 ) i=1
8 Einleitung Bedeutung des Handelsreisendenproblems Das Handelsreisendenproblem ist eines der bekanntesten Probleme der Theoretischen und Praktischen Informatik. Gründe: Einfach zu verstehen. Schwer zu lösen (wie wir später sehen werden). Praktikabilität von Algorithmen: In welcher Laufzeit finden Algorithmen Touren mit welcher Qualität?
9 Einleitung Bedeutung des Handelsreisendenproblems Theoretische Analyse von Algorithmen: Was ist die minimale/ maximale Laufzeit bzw. die bestmögliche/ schlechtestmögliche Qualität eines Algorithmus? Sowohl theoretische als auch praktische Methoden für das TSP haben sich auch hilfreich für verwandte Optimierungsprobleme erwiesen.
10 Einleitung Anwendungen in der Praxis Netzfahrplan: Ein Verkehrsmittel fährt vorgegebene Haltestellen an. Lagerlogistik: Einzelposten einer Bestellung werden im Lager zusammengesucht. Tourenplanung: Einsatzfahrzeug fährt Depots ab. Design von Mikrochips: Die Städte sind Bohrlöcher. Genom-Sequenzierung: Die Städte sind DNA-Teilstränge.
11 Einleitung Beispiel Kürzeste Tour durch Städte in Deutschland
12 Exakte Lösungsansätze Trivialer Algorithmus Frage: Was würden Sie tun, wenn Sie ein Handelsreisender wären und an einer bestimmten Stadt starten würden? Probiere alle möglichen Touren durch. Wähle davon die Tour mit kleinster Länge aus. Wieviel Touren hat man durchzuprobieren? Nehmen wir an, der Handelsreisende startet an einer festen Stadt. Dann hat er noch n 1 Möglichkeiten für die nächste Stadt. Nach Erreichen der ersten Stadt hat er nur noch n 2 Möglichkeiten, da zwei Städte schon besucht wurden. Dies geht so weiter, bis: Nach Erreichen der (n 1)-ten Stadt hat er nur noch 1 Möglichkeit, da alle anderen Städte schon besucht wurden.
13 Exakte Lösungsansätze Trivialer Algorithmus Insgesamt hat man erstmal (n 1)! Touren durchzuprobieren. Da der umgekehrte Weg dieselbe Länge wie der originale Weg hat, sind nur (n 1)!/2 Touren durchzuprobieren Beispiele: n = 5 : 12 mögliche Touren. n = 10 : mögliche Touren. n = 30 : 4, mögliche Touren. n = 70 : 8, mögliche Touren. Vergleiche: Im Universum gibt es etwa Atome. Die derzeit besten Hochleistungsrechner brauchen schon für 30 Städte Millionen Jahre, alle möglichen Touren durchzuprobieren.
14 Exakte Lösungsansätze Erweiterung des trivialen Algorithmus Ziel: Verkleinerung des Suchraumes Idee: Man hat während der Suche schon eine Tour mit Gesamtlänge K Einheiten gefunden. Seien A 1, A 2,..., A l verschiedene Städte mit l < n. Fall 1: Der Weg (A 1, A 2,..., A l ) habe Länge K + 1 Einheiten. Fall 2: Die kleinste Tour, die den Weg (A 1, A 2,..., A l ) enthält, habe Länge K + 1 Einheiten. Dann kommen alle Touren, in denen der Handelsreisende den kompletten Weg (A 1, A 2,..., A l ) durchläuft, nicht mehr für eine minimale Tour in Frage.
15 Exakte Lösungsansätze TSP-Wettbewerb exakter Lösungsansätze TSP-Wettbewerb, Teil 1: Finde für Probleme mit möglichst vielen Städten eine minimale Tour. Größte optimal gelöste Beispieleingaben Jahr Forschungsteam Anzahl Städte 1954 Dantzig, Fulkerson, Johnson Held, Karp Camerini, Fratta, Maffioli Grötschel Crowder, Padberg Padberg, Rinaldi Grötschel, Holland Padberg, Rinaldi Applegate, Bixby, Chvátal, Cook Applegate, Bixby, Chvátal, Cook (USA-Tour) 2001 Applegate, Bixby, Chvátal, Cook (D-Tour) 2004 App., Bixby, Chvátal, Cook, Helsgaun (S-Tour) 2006 App., Bixby, Chvátal, Cook, Helsgaun
16 Nächster-Nachbar-Algorithmus Frage: Was würden Sie tun, wenn Sie ein Handelsreisender wären und an einer bestimmten Stadt starten würden? Gehe in jedem Schritt zur nächstgelegenen Stadt. Wenn man alle Städte besucht hat, gehe wieder zum Startort. Nachteil dieses Algorithmus: Am Anfang der Reise legt man zwar sehr kurze Entfernungen zurück. Am Ende ist die Auswahl an nicht besuchten Städten sehr klein, und die zurückgelegten Entfernungen können sehr groß sein. Dieser Algorithmus heisst Nächster-Nachbar-Algorithmus.
17 Nächster-Nachbar-Algorithmus Wieviele Schritte benötigt der Nächster-Nachbar-Algorithmus? Man muss (n 1)-mal die kleinste Entfernung zur nächsten noch nicht besuchten Stadt, also maximal n 1 Längenwerte betrachten. O(n 2 ) Schritte. Die Schrittzahl enthält die Problemgröße n nur als Basis eines Polynoms, nicht im Exponenten. Deshalb ist das Anwenden des Nächster-Nachbar-Algorithmus für das Handelsreisendenproblem ein leichtes Problem der Informatik.
18 Nächster-Nachbar-Algorithmus Hochleistungsrechner können diesen Algorithmus in wenigen Tagen mit 1 Million Städten durchführen. Im Vergleich benötigt die exakte Lösung des Handelsreisendenproblems (n 1)!/2 Schritte. Dieser Ausdruck kann nicht geschrieben werden, so dass die Problemgröße n nur als Basis auftaucht. Das Handelsreisendenproblem selbst ist ein schweres Problem der Informatik.
19 k-opt-algorithmus Starte mit einer (schon recht guten) Tour, die man durch den Nächster-Nachbar-Algorithmus erhalten hat. Ersetze (wenige) Tour-Kanten durch (genau so viele) Nicht- Tourkanten, so dass weiter eine Tour vorliegt, die aber besser ist als die ursprüngliche Tour. Dies kann für zwei Kanten so aussehen:
20 k-opt-algorithmus Für k Kanten heisst dieser Schritt k-opt-schritt. Führe solange wie möglich k-opt-schritte durch. Optimierungen: Wähle (meist) k 5. Betrachte für jeden Knoten nur die 5 kürzesten angrenzenden Kanten. Die verbliebenen Kanten bezeichnet mam als Kandidatensystem.
21 Helsgauns Algorithmus Die beste Umsetzung eines k-opt-algorithmus stammt von Keld Helsgaun aus dem Jahre 1998 bzw. eine erweiterte Version aus dem Jahre Die Laufzeit von Helsgauns Algorithmus hängt sehr stark von der Anzahl der Städte n ab. Helsgauns Hauptverbesserung: Betrachte für jeden Knoten nicht die 5 kürzesten angrenzenden Kanten, sondern die 5 angrenzenden Kanten mit einem besseren Kriterium.
22 Helsgauns Algorithmus Definition: a) Jede Menge von n 1 Kanten, die keinen Kreis enthält, ist ein Baum. b) Einen Baum mit minimaler Summe der Kantenlängen bezeichnet man als minimal spannenden Baum.
23 Helsgauns Algorithmus Beobachtungen Lässt man von einer Tour eine Kante weg, so erhält man einen Baum. Die Länge eines minimal spannenden Baumes ist kleiner als die einer TSP-Lösung. Minimale spannende Bäume und TSP-Lösungen stimmen in sehr vielen Kanten überein. Einen minimal spannender Baum kann man deutlich schneller, nämlich in O(n 2 ) Schritten, berechnen.
24 Helsgauns Algorithmus Definition: Die untere Toleranz einer Kante e außerhalb eines minimal spannenden Baums ist die Länge t(e), um die man c(e) verringern muss, damit e doch im minimal spannenden Baum liegt. Helsgauns neues Kandidatensystem: Betrachte für jeden Knoten die 5 angrenzenden Kanten, die entweder im minimal spannenden Baum liegen oder außerhalb liegen und kleinste untere Toleranz t(e) haben.
25 Unser Algorithmus Finde mit bekannten Algorithmen, z.b. dem Algorithmus von Helsgaun, gute Touren, die sogenannten Starttouren. Dabei heisst gut, dass sie recht kleine Länge haben, aber noch verbesserbar sind. a b c
26 Unser Algorithmus Suche nun die Kanten, die in allen Touren dieser Menge enthalten sind. d
27 Unser Algorithmus Eine neue Beispieleingabe wird gebildet, indem die Städte, die auf einem Weg von gemeinsamen Kanten liegen, weggelassen werden. Dabei werden alle Kanten der Starttouren, die durch weggelassene Städte führen, fixiert, d.h. diese Kanten müssen in der gesuchten Tour auftreten. e f
28 Unser Algorithmus Auf die neue Beispieleingabe wird wiederum der Algorithmus von Helsgaun angewandt. Da Helsgauns Algorithmus sehr stark von der Städteanzahl n abhängt, ist er nun deutlich effektiver und führt zu besseren Touren.
29 Unser Algorithmus Für dieses Beispiel erhält man folgende minimale Tour: f Unser Algorithmus funktioniert besonders gut, wenn die Starttouren nicht zu ähnlich sind, da sonst der Suchraum zu stark eingeschränkt wird.
30 TSP-Wettbewerb heuristischer Lösungsansätze TSP-Wettbewerb, Teil 2: Finde für Beispieleingaben, für die die Berechnung einer minimalen Tour zu schwer ist, eine möglichst gute Tour. Die 241 Beispieleingaben wurden aus verschiedenen Anwendungen genommen. Die schwierigste (und interessanteste) Beispieleingabe ist das World-TSP mit Städten.
31 TSP-Wettbewerb heuristischer Lösungsansätze Für 18 Beispieleingaben haben wir einen Weltrekord aufgestellt. Diese Eingaben werden im folgenden aufgeführt. 13 der 18 Weltrekorde sind noch aktuell. Unser (ehrgeiziges) Ziel: Berechnung einer Weltrekordtour für das World-TSP.
32 TSP-Wettbewerb heuristischer Lösungsansätze Weltrekorde unserer Arbeitsgruppe, Teil 1 Datum Forschungsteam Anzahl Städte Richter, Goldengorin, Jäger, Molitor Richter, Goldengorin, Jäger, Molitor Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter
33 TSP-Wettbewerb heuristischer Lösungsansätze Weltrekorde unserer Arbeitsgruppe, Teil 2 Datum Forschungsteam Anzahl Städte Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Jäger, Molitor, Richter Dong, Molitor Dong, Molitor Dong, Molitor
Das Problem des Handelsreisenden: Lösungsansätze mit Weltrekordcharakter. Dr. Gerold Jäger
Das Problem des Handelsreisenden: Lösungsansätze mit Weltrekordcharakter Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg Lange Nacht
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrDie Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem
Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Gerold Jäger 4. Februar 2010 Gerold Jäger Theorie der Toleranzen 4. Februar 2010 1 / 35 Überblick 1 Theorie der Toleranzen
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
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
MehrTheoretische 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
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
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
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,
MehrToleranzen in Helsgauns TSP-Heuristik
Vortrag am 27. April 2006 Betreuer: Dr. Gerold Jäger Prof. Dr. Paul Molitor Lehrstuhl für Datenstrukturen und eziente Algorithmen Martin-Luther-Universität Halle-Wittenberg http://www.informatik.uni-halle.de/
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
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
MehrOptimierungsprobleme in der Industrie
Dipl.-Inf. 2006-01-20, TU Darmstadt Gliederung Einleitung Anwendungen, Modelle, Verfahren Einführung, Komplexität, Algorithmen Vorstellung Fazit, Literatur Beteiligte Institutionen www.mrupp.info Diplomarbeit
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
Mehr»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a
MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere
MehrInstitut für Mathematik Geometrie und Lineare Algebra J. Schönenberger-Deuel. Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien.
Lösungen Übung 13 Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien. a) Strategie 1 (nächster Nachbar): Jedes Mal reist der Reisende vom Punkt, wo er gerade ist, zur nächstgelegenen Stadt,
MehrDatenstrukturen und Algorithmen 2. Klausur SS 2001
UNIVERSITÄT PADERBORN FACHBEREICH 7 (MATHEMATIK INFORMATIK) Datenstrukturen und Algorithmen 2. Klausur SS 200 Lösungsansätze Dienstag, 8. September 200 Name, Vorname:...................................................
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
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
MehrPrüfungsklausur Operations Research,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 20..206 A Name, Vorname Matr. Nr. Aufgabe 2 3a 3b 4 5 6 gesamt erreichbare P. 2+(5) 2+(4) 5 8 4 65+(9) erreichte
MehrWie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung
Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko
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
Mehr9: Gewichtete Graphen
Chr.Nelius: Graphentheorie (WS 06/7) 9 9: Gewichtete Graphen Beispiel: Eine Straßenkarte mit Entfernungsangaben zwischen den Orten ist ein Beispiel für einen gewichteten Graphen. (9.) DEF: Ein Graph G
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
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
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.
Mehr11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME
Algorithmen und Datenstrukturen 11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME Algorithmen und Datenstrukturen - Ma5hias Thimm (thimm@uni-koblenz.de) 1 Algorithmen und Datenstrukturen 11.1. BERECHNUNG MAXIMALER FLÜSSE
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
MehrRundreisen Das Travelling-Salesman-Problem
Rundreisen Das Travelling-Salesman-Problem MS Wissenschaft Das Matheschiff Exponatentwicklung: DFG-Forschungszentrum Matheon Konrad-Zuse-Zentrum für Informationstechnik Berlin Im Folgenden werden optimale
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
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
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
MehrKap. 4: Das Handlungsreisendenproblem (TSP)
Kap. 4: Das Handlungsreisendenproblem (TSP) VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 7./8. VO 24./26. April 2007 Literatur Mutzel: Skript zu Branch
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrStatistische Untersuchungen zu endlichen Funktionsgraphen
C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion
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:
Mehr1 Kürzeste Pfade in Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 03.11.2011 1 1 Kürzeste Pfade in Graphen Es sei ein gerichteter Graph G = (V, E) mit V = n Knoten, E = m Kanten und Kantengewichten c : E R gegeben. Ein Pfad in G
MehrUniversität des Saarlandes
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Kurt Mehlhorn WiSe 2015/2016 Übungen zu Ideen der Informatik http://www.mpi-inf.mpg.de/departments/algorithms-complexity/teaching/winter15/ideen/
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 13: Flüsse und Zuordnungen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 9. Juni 2017 DURCHSATZ D(e) ist die maximale Flussmenge,
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrGraphen. Graphen und ihre Darstellungen
Graphen Graphen und ihre Darstellungen Ein Graph beschreibt Beziehungen zwischen den Elementen einer Menge von Objekten. Die Objekte werden als Knoten des Graphen bezeichnet; besteht zwischen zwei Knoten
MehrModerne Heuristische Optimierungsverfahren: Meta-Heuristiken
Moderne Heuristische Optimierungsverfahren: Meta-Heuristiken pmerz@informatik.uni-tuebingen.de Wilhelm-Schickard-Institut für Informatik - WSI-RA Sand 1, Raum A 316 Lerninhalte Einführung in Optimierungsprobleme
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
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
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
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
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
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
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
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
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
MehrSchwierige Probleme in der Informatik
Schwierige Probleme in der Informatik Ablauf Geschichte durchlesen 10 min Einführung in GraphBench 10 min Entdeckungsphase 60 min Diskussion mit Mitschüler Vorbereitung des Vortrags 30 min Kurzvorträge
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labyrinth heraus? Labrys Grundriss des Palastes von Knossos
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 und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
Mehr4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
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
Mehr3.6 Branch-and-Bound-Verfahren
36 Branch-and-Bound-Verfahren Die Branch-and-Bound -Methode beruht darauf, auf eine intelligente Weise alle zulässigen Lösungen eines kombinatorischen Optimierungsproblems aufzulisten und mit Hilfe von
MehrElectronic Design Automation (EDA) Technology Mapping
Electronic Design Automation (EDA) Technology Mapping Überblick digitale Synthese Technology Mapping Abbildung durch die Abdeckung eines Baumes Partitionierung des DAG Dekomposition und Abdeckung Beispiel
MehrPrüfungsklausur Operations Research,
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 10.7.2008 A Name, Vorname Matr. Nr. Aufgabe 1 : In drei Porzellanwerken W 1, W 2 und W 3 werden Speiseservice hergestellt,
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 29. Januar 2013 Näherungsalgorithmen, Fernau, Universität Trier, WiSe 2012/13
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrErfüllbarkeitsprobleme. Begriffe. Varianten von SAT
Erfüllbarkeitsprobleme SAT (satisfiability problem) Eingabe: Formel F in konjunktiver Form. Frage: Gibt es eine Belegung x der Variablen in F mit F(x)=1? Beispiel: Begriffe erfüllbar satisfiable: Eigenschaft
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
1 Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Ziele 2 Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
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
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
MehrSystems of Distinct Representatives
Systems of Distinct Representatives Seminar: Extremal Combinatorics Peter Fritz Lehr- und Forschungsgebiet Theoretische Informatik RWTH Aachen Systems of Distinct Representatives p. 1/41 Gliederung Einführung
MehrApproximation mit relativer Gütegarantie Überblick und einführende Beispiele
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen
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 4 für die Übung
Mehrij. , d (k 1) + d (k 1)
Dabei war ja die Idee, dass wir unser k Schritt für Schritt erhöhen bis wir bei n angekommen sind, denn dann haben wir das Problem gelöst. Dies ist im Grunde unser Algorithmus. Wir müssen diesen nur noch
MehrNP-vollständige Probleme
Effiziente Algorithmen Lösen NP-vollständiger Probleme 256 NP-vollständige Probleme Keine polynomiellen Algorithmen, falls P NP. Viele wichtige Probleme sind NP-vollständig. Irgendwie müssen sie gelöst
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
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
MehrGALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 1623
MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623 La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere
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
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
Mehr