Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013
|
|
- Henriette Krüger
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft
2 Letztes Mal Einführung zeitabhängige Routenplanung Folie Juni 2013
3 Heute: Beschleunigungstechniken Landmarken Bidirektionale Suche Kontraktion Arc-Flags s t Folie Juni 2013
4 Landmarken Vorberechnung: wähle eine Hand voll ( 16) Knoten als Landmarken berechne Abstände von und zu allen Landmarken Anfrage: benutze Landmarken und Dreiecksungleichung um eine untere Schranke für den Abstand zum Ziel zu bestimmen d(s, t) d(l 1, t) d(l 1, s) d(s, t) d(s, L 2 ) d(t, L 2 ) verändert Reihenfolge der besuchten Knoten Folie Juni 2013
5 Anpassung Beobachtung: Korrektheit von ALT basiert darauf, dass reduzierte Kosten größergleich 0 sind len π (u, v) = len(u, v) π(u) + π(v)! 0 durch Erhöhen der Kantengewichte wird dies nicht verletzt Folie Juni 2013
6 Anpassung Beobachtung: Korrektheit von ALT basiert darauf, dass reduzierte Kosten größergleich 0 sind len π (u, v) = len(u, v) π(u) + π(v)! 0 durch Erhöhen der Kantengewichte wird dies nicht verletzt Somit: Definiere lowerbound-graph G = (V, E, len) mit len := min len Vorberechnung auf lowerbound-graph korrekt aber eventuell langsamere Anfragezeiten Folie Juni 2013
7 Bidirektionale Suche s t starte zweite Suche von t relaxiere rückwärts nur eingehende Kanten stoppe die Suche, wenn beide Suchräume sich treffen Folie Juni 2013
8 Anpassung Zeitanfragen: Ankunft unbekannt Rückwärtsuche? Folie Juni 2013
9 Anpassung Zeitanfragen: Ankunft unbekannt Rückwärtsuche? Rückwärtssuche nur zum Einschränken der Vorwärtssuche benutzen je nach Beschleunigungstechnik verschieden später Folie Juni 2013
10 Anpassung Zeitanfragen: Ankunft unbekannt Rückwärtsuche? Rückwärtssuche nur zum Einschränken der Vorwärtssuche benutzen je nach Beschleunigungstechnik verschieden später Profilanfragen: Anfrage zu allen Startzeitpunkten somit Rückwärtsuche kein Problem µ: tentative Abstandsfunktion breche ab, wenn minkey( Q ) + minkey( Q ) µ Erinnere: key von v ist der lowerbound seiner Profilfunktion Folie Juni 2013
11 Arc-Flags Idee: partitioniere den Graph in k Zellen hänge ein Label mit k Bits an jede Kante zeigt ob e wichtig für die Zielzelle ist modifizierter Dijkstra überspringt unwichtige Kanten Beobachtung: Partition wird auf ungewichtetem Grahen durchgeführt Flaggen müssen allerdings aktualisiert werden Folie Juni 2013
12 Anpassung Idee: ändere Intuition einer gesetzten Flagge Konzept bleibt gleich: Eine Flagge pro Kante und Region setze Flagge wenn Kante mindestens ein mal am Tag wichtig ist Folie Juni 2013
13 Anpassung Idee: ändere Intuition einer gesetzten Flagge Konzept bleibt gleich: Eine Flagge pro Kante und Region setze Flagge wenn Kante mindestens ein mal am Tag wichtig ist Anpassung: für alle Randknoten b und alle Knoten u: Berechne Abstandsfunktion d (u, b) setze Flagge wenn gilt len(u, v) d (v, b) d (u, b) u v w x b Folie Juni 2013
14 Anpassung Idee: ändere Intuition einer gesetzten Flagge Konzept bleibt gleich: Eine Flagge pro Kante und Region setze Flagge wenn Kante mindestens ein mal am Tag wichtig ist Anpassung: für alle Randknoten b und alle Knoten u: Berechne Abstandsfunktion d (u, b) setze Flagge wenn gilt len(u, v) d (v, b) d (u, b) u v w x b Folie Juni 2013
15 Anpassung Idee: ändere Intuition einer gesetzten Flagge Konzept bleibt gleich: Eine Flagge pro Kante und Region setze Flagge wenn Kante mindestens ein mal am Tag wichtig ist Anpassung: für alle Randknoten b und alle Knoten u: Berechne Abstandsfunktion d (u, b) setze Flagge wenn gilt len(u, v) d (v, b) d (u, b) u v w x b Folie Juni 2013
16 Anpassung Idee: ändere Intuition einer gesetzten Flagge Konzept bleibt gleich: Eine Flagge pro Kante und Region setze Flagge wenn Kante mindestens ein mal am Tag wichtig ist Anpassung: für alle Randknoten b und alle Knoten u: Berechne Abstandsfunktion d (u, b) setze Flagge wenn gilt len(u, v) d (v, b) d (u, b) u v w x b Folie Juni 2013
17 Approximation Arc-Flags Beobachtung: viele Interpolationspunkte (Straße) Berechnung der Abstandsfunktionen ist sehr zeitintensiv Laufzeit stark abhängig von der Komplexität der Funktionen Idee: v u w x b Folie Juni 2013
18 Approximation Arc-Flags Beobachtung: viele Interpolationspunkte (Straße) Berechnung der Abstandsfunktionen ist sehr zeitintensiv Laufzeit stark abhängig von der Komplexität der Funktionen Idee: benutze über- and Unterapproximation 22 u v 16 w 21 x 19 b Folie Juni 2013
19 Approximation Arc-Flags Beobachtung: viele Interpolationspunkte (Straße) Berechnung der Abstandsfunktionen ist sehr zeitintensiv Laufzeit stark abhängig von der Komplexität der Funktionen Idee: benutze über- and Unterapproximation 22 u v 16 w 21 x 19 b Folie Juni 2013
20 Approximation Arc-Flags Beobachtung: viele Interpolationspunkte (Straße) Berechnung der Abstandsfunktionen ist sehr zeitintensiv Laufzeit stark abhängig von der Komplexität der Funktionen Idee: benutze über- and Unterapproximation schnellere Vorberechnung, langsamere Anfragen aber immer noch korrekt u v w x b Folie Juni 2013
21 Heuristische Flaggen Idee: führe von jedem Randknoten K Zeitanfragen aus mit fester Ankunftszeit setze Flagge, wenn Kante auf einem dem Bäume eine Baumkante ist Folie Juni 2013
22 Heuristische Flaggen Idee: führe von jedem Randknoten K Zeitanfragen aus mit fester Ankunftszeit setze Flagge, wenn Kante auf einem dem Bäume eine Baumkante ist Beobachtungen: Flaggen eventuell nicht korrekt ein Pfad wird aber immer gefunden Fehlerrate? Folie Juni 2013
23 Kontraktion Knoten-Reduktion: entferne Knoten füge neue Kanten (Shortcuts) hinzu, um die Abstände zwischen verbleibenden Knoten zu erhalten Zeugensuche: behalte nur relevante Shortcuts lokale Suche während oder nach Knoten-Reduktion Folie Juni 2013
24 Kontraktion Knoten-Reduktion: entferne Knoten füge neue Kanten (Shortcuts) hinzu, um die Abstände zwischen verbleibenden Knoten zu erhalten Zeugensuche: behalte nur relevante Shortcuts lokale Suche während oder nach Knoten-Reduktion Folie Juni 2013
25 Anpassung Zeugensuche Zeitunabhängig: Kante (u, v) nicht nötig, wenn (u, v) nicht Teil des kürzesten Weges von u nach v ist, also len(u, v) > d(u, v) lokale Dijkstra-Suche von u Zeitabhängig: Folie Juni 2013
26 Anpassung Zeugensuche Zeitunabhängig: Kante (u, v) nicht nötig, wenn (u, v) nicht Teil des kürzesten Weges von u nach v ist, also len(u, v) > d(u, v) lokale Dijkstra-Suche von u Zeitabhängig: Kante (u, v) nicht nötig, wenn (u, v) nicht Teil eines kürzesten Wege von u nach v ist, also len(u, v) > d (u, v) lokale Profilsuche Problem: deutlich langsamer Folie Juni 2013
27 Korridorsuche Idee: führe zunächst zwei Dijkstra-Suchen mit len und len durch relaxiere dann nur solche Kanten (u, v), für die d(s, u) + len(u, v) d(s, v) gilt lokale Profilsuche in diesem Korridor Anmerkung: auch zur Beschleunigung von s-t Profil-Suchen Folie Juni 2013
28 Approximation der Shortcuts Problem: hoher Speicherbedarf der Shortcuts (Straße) Ideen: Shortcuts nur approximieren, inexakte Anfragen Keine Gewichte am Shortcut speichern, stattdessen on-the-fly entpacken und Pfad linken spart Speicher, kostet Laufzeit speichere auf Shortcuts Über- und Unterapproximation der Funktionen induzieren wieder Korridor (aber genaueren als nur Min/Max!) entpacke Shortcuts im Korridor, dies gibt einen Teil des Originalgraphen benutze nun die nicht-approximierten Originalkanten für eine exakte Suche Folie Juni 2013
29 Anpassung der Basismodule Basismodule: 0 Bidirektionale Suche + Landmarken + Kontraktion + Arc-Flags Somit sind folgende Algorithmen gute Kandidaten ALT Core-ALT SHARC Contraction Hierarchies MLD Folie Juni 2013
30 Bidirektionaler zeitabhängiger ALT s t Idee - Drei Phasen: Folie Juni 2013
31 Bidirektionaler zeitabhängiger ALT s t Idee - Drei Phasen: 1 Vorwärts zeitabhängig, Rückwärtssuche benutzt Minima der Funktionen. Fertig wenn Suchen sich treffen. Berechne zeitabhängige tentative Distanz µ (durch Auswerten des gefundenen Weges, alternativ: Rückwärtssuche schleift auch Maxima durch, benutzt diese zum bestimmen von µ) Folie Juni 2013
32 Bidirektionaler zeitabhängiger ALT s t Idee - Drei Phasen: 1 Vorwärts zeitabhängig, Rückwärtssuche benutzt Minima der Funktionen. Fertig wenn Suchen sich treffen. Berechne zeitabhängige tentative Distanz µ (durch Auswerten des gefundenen Weges, alternativ: Rückwärtssuche schleift auch Maxima durch, benutzt diese zum bestimmen von µ) 2 Rückwärtssuche arbeitet weiter bis minkey( Q ) > µ Folie Juni 2013
33 Bidirektionaler zeitabhängiger ALT s t Idee - Drei Phasen: 1 Vorwärts zeitabhängig, Rückwärtssuche benutzt Minima der Funktionen. Fertig wenn Suchen sich treffen. Berechne zeitabhängige tentative Distanz µ (durch Auswerten des gefundenen Weges, alternativ: Rückwärtssuche schleift auch Maxima durch, benutzt diese zum bestimmen von µ) 2 Rückwärtssuche arbeitet weiter bis minkey( Q ) > µ 3 Vorwärtssuche arbeitet weiter bis t abgearbeitet worden ist und besucht nur Knoten, die die Rückwärtssuche zuvor besucht hat Folie Juni 2013
34 Approximation Beobachtung: Phase 2 läuft recht lange weiter, bis minkey( Q ) > µ gilt insbesondere dann schlecht, wenn die lower bounds stark vom echten Wert abweichen Approximation: breche Phase 2 bereits ab, wenn minkey( Q ) K > µ gilt dann ist der berechnete Weg eine K -Approximation des kürzesten Weges Folie Juni 2013
35 Experimente Error Query relative abs. #sett. #rel. time scen. algorithm K rate av. max max [s] nodes edges [ms] mid Sat Sun uni-alt 0.0% 0.000% 0.00% TDALT % 0.000% 0.00% % 0.094% 14.32% % 0.097% 27.59% uni-alt 0.0% 0.000% 0.00% TDALT % 0.000% 0.00% % 0.088% 13.97% % 0.089% 26.17% uni-alt 0.0% 0.000% 0.00% TDALT % 0.000% 0.00% % 0.088% 14.28% % 0.089% 32.08% Folie Juni 2013
36 Core-ALT Idee begrenze Beschleunigungstechnik auf kleinen Subgraphen (Kern) s t Vorberechnung kontrahiere Graphen zu einem Kern Landmarken nur im Kern Anfrage Folie Juni 2013
37 Core-ALT Idee begrenze Beschleunigungstechnik auf kleinen Subgraphen (Kern) s t Vorberechnung kontrahiere Graphen zu einem Kern Landmarken nur im Kern Anfrage Initialphase: normaler Dijkstra Folie Juni 2013
38 Core-ALT Idee begrenze Beschleunigungstechnik auf kleinen Subgraphen (Kern) s t Vorberechnung kontrahiere Graphen zu einem Kern Landmarken nur im Kern Anfrage Initialphase: normaler Dijkstra benutze Landmarken nur im Kern Folie Juni 2013
39 Core-ALT Idee begrenze Beschleunigungstechnik auf kleinen Subgraphen (Kern) s t Vorberechnung kontrahiere Graphen zu einem Kern Landmarken nur im Kern Anfrage Initialphase: normaler Dijkstra benutze Landmarken nur im Kern zeitabhängig: Rückwärtssuche ist zeitunabhängig Vorwärtssuche darf alle Knoten der Rückwärtssuche besuchen Folie Juni 2013
40 Experimente Preproc. Error Query time space relative abs. #settled #relaxed time scenario K [min] [B/n] rate av. max max [s] nodes edges [ms] % 0.000% 0.00% Monday % 0.051% 11.00% % 0.052% 17.25% % 0.000% 0.00% midweek % 0.051% 13.84% % 0.052% 13.84% % 0.000% 0.00% Friday % 0.052% 11.29% % 0.054% 21.19% % 0.000% 0.00% Saturday % 0.031% 11.50% % 0.031% 24.17% % 0.000% 0.00% Sunday % 0.029% 12.72% % 0.029% 17.84% Folie Juni 2013
41 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
42 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
43 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
44 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
45 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
46 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
47 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
48 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
49 SHARC (Kontraktion, Arc-Flags) Vorberechnung: Multi-Level-Partition iterativer Prozess: kontrahiere Subgraphen berechne Flaggen Flaggenverfeinerung Anpassung: Kontraktion und Flaggen berechnung anpassen Verfeinerung durch (lokale) Profilsuchen Folie Juni 2013
50 Experimente Preprocessing Time-Queries time space edge points time speed scenario algom [h:m] [B/n] inc. inc. [ms] up Monday eco 1: % 366.8% midweek eco 1: % 363.8% Friday eco 1: % 358.0% Saturday eco 0: % 283.6% agg 48: % 264.4% Sunday eco 0: % 215.8% agg 27: % 202.6% no traffic static 0: % 23.9% Folie Juni 2013
51 Approximation Prepro Error Time-Queries time space error max max time spd scenario algo [h:m] [B/n] -rate rel. abs.[s] [ms] up Monday heu 3: % 0.54% midweek heu 3: % 0.61% Friday heu 3: % 0.50% Saturday heu 2: % 0.23% Sunday heu 1: % 0.36% no static 0: % 0.00% Beobachtung: Fehler sehr gering hoher Speicherverbrauch Folie Juni 2013
52 Profilsuchen Time-Queries Profile-Queries #del. time #del. #re- time profile traffic var. mins [ms] mins ins. [ms] /time Monday eco heu midweek eco heu Friday eco heu eco Saturday agg heu eco Sunday agg heu Folie Juni 2013
53 Contraction Hierarchies Vorberechnung: benutze gleiche Knotenordnung kontrahiere zeitabhängig erzeugt Suchgraphen G = (V, E E) Folie Juni 2013
54 Contraction Hierarchies Vorberechnung: benutze gleiche Knotenordnung kontrahiere zeitabhängig erzeugt Suchgraphen G = (V, E E) Anfrage Rückwärts aufwärts mittels min-max Suche markiere alle Kanten (u, v) aus E mit d(u, v) + d(v, t) d(u, v) diese Menge sei E zeitabhängige Vorwärtsuche in (V, E E ) Folie Juni 2013
55 Experimente Contr. Queries type of ordering const. space time speed input ordering [h:m] [h:m] [B/n] [ms] up Monday static min 0:05 0: timed 1:47 0: midweek static min 0:05 0: timed 1:48 0: Friday static min 0:05 0: timed 1:30 0: Saturday static min 0:05 0: timed 0:52 0: Sunday static min 0:05 0: timed 0:38 0: Folie Juni 2013
56 Approximation Idee: speicher jeden Shortcut als Approximation reduziert Speicher um bis zu Faktor 10 Folie Juni 2013
57 Approximation Idee: speicher jeden Shortcut als Approximation reduziert Speicher um bis zu Faktor 10 Query: low-up bound Suchen in approximierter CH (Phase 1 3) alle Knoten an denen Suchen sich treffen: Kandidaten C entpacke alle (approximierten) Shortcuts auf wegen s C t Pfaden erzeugt (exakten) Subgraphen (Korridor) time-dependent Dijkstra im Korridor (Phase 4) nicht viel langsamer (Faktor 2) ist exakt Folie Juni 2013
58 Approximation Folie Juni 2013
59 Profilsuchen Variante 1: normale Profilsuche in der CH langsam Folie Juni 2013
60 Profilsuchen Variante 1: normale Profilsuche in der CH langsam Variante 2: normale Profilsuche im Korridor besser aber es geht noch besser Folie Juni 2013
61 Profilsuchen Variante 1: normale Profilsuche in der CH langsam Variante 2: normale Profilsuche im Korridor besser aber es geht noch besser Variante 3: Kontraktion des Corridors Interpolationspunkte steigen langsamer an ca. 30 ms Folie Juni 2013
62 Ergebnisse Folie Juni 2013
63 Ergebnisse II Folie Juni 2013
64 MLD Beobachtungen Folie Juni 2013
65 MLD Beobachtungen Partitionierung metrik-unabhängig viele Shortcuts / Overlay-Kanten Großer Vorteil von MLD (eigentlich): Komplettes Speicherlayout nach Partitionierung bekannt Folie Juni 2013
66 MLD Beobachtungen Partitionierung metrik-unabhängig viele Shortcuts / Overlay-Kanten Großer Vorteil von MLD (eigentlich): Komplettes Speicherlayout nach Partitionierung bekannt Work in progress Speicherlayout hängt an Komplexität der Overlay-Kanten-Funktionen; die ist aber vorab unbekannt unklar ob abspeichern aller Shortcuts sinnvoll hilft geschickte Approximation? Folie Juni 2013
67 Ende Literatur (Zeitabhängige Beschleunigungstechniken): Daniel Delling: Enginering and Augmenting Route Planning Algorithms Ph.D. Thesis, Universität Karlsruhe (TH), Gernot Veit Batz, Robert Geisberger, Sabine Neubauer, Peter Sanders Time-Dependent Contraction Hierarchies and Approximation In: Proceedings of the 9th International Symposium on Experimental Algorithms (SEA 10), Folie Juni 2013
68 Nächste Termine Montag, Mittwoch, Montag, Folie Juni 2013
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung Vorlesung 10
Algorithmen für Routenplanung Vorlesung 10 Daniel Delling 1/ 42 Letztes Mal: Zeitabhängige Netzwerke (Basics) Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar
MehrAlgorithmen für Routenplanung Vorlesung 11
Algorithmen für Routenplanung Vorlesung 11 Daniel Delling 1/ 35 Letztes Mal: Zeitabhängige Netzwerke Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar berechne
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrAlgorithmen für Routenplanung Vorlesung 7
Algorithmen für Routenplanung Vorlesung 7 Daniel Delling 1/ 47 Letztes Mal T Many-to-Many Transit-Node Routing S access node s t distances between transit nodes access node 2/ 47 Transit-Node Routing ersetzt
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung Letzte Sitzung, Sommersemester 2010 Thomas Pajor 09. Juli 2010 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT University of the State
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 3
Algorithmen für Routenplanung Vorlesung 3 Daniel Delling 1/ 45 Letztes Mal bidirektionale Suche A Suche A mit Landmarken bidirektionale A Suche 2/ 45 Themen Heute Geometrische Container Arc-Flags s t 3/
MehrAlgorithmen für Routenplanung Vorlesung 4
Algorithmen für Routenplanung Vorlesung 4 Daniel Delling 1/ 39 Letztes Mal (u,v) Geometrische Container Arc-Flags u 2/ 39 Themen Heute + nächste 1-2 Hierarchische Techniken s t 3/ 39 Ideensammlung Wie
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 für Routenplanung
Algorithmen für Routenplanung 4. Termin, Sommersemester 2011 Reinhard Bauer 2. Mai 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 5. Sitzung, Sommersemester 2010 Thomas Pajor 10. Mai 2010
Algorithmen für Routenplanung 5. Sitzung, Sommersemester 00 Thomas Pajor 0. Mai 00 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 12
Algorithmen für Routenplanung Vorlesung 12 Daniel Delling 1/ 33 Letztes Mal: Multikriterielle Wege Szenario: schnellste Verbindung häufig nicht die Beste Anzahl Umstiege, Fahrtkosten, Distanz, etc. multikriterielle
MehrAlgorithmen für Routenplanung 4. Sitzung, Sommersemester 2010 Thomas Pajor 3. Mai 2010
Algorithmen für Routenplanung 4. Sitzung, Sommersemester 20 Thomas Pajor 3. Mai 20 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015
Algorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012
Algorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 15. Sitzung, Sommersemester 2011 Thomas Pajor 20. Juni 2011 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT Universität des Landes
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2013/2014 Moritz Baum, Julian Dibbelt, Ben Strasser 21. Oktober 2013
Praktikum Routenplanung Vorbesprechung, Wintersemester 013/014 Moritz Baum, Julian Dibbelt, Ben Strasser 1. Oktober 013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrAlgorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012
Algorithmen für Routenplanung 10. Sitzung, Sommersemester 2012 Daniel Delling 4. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrAlgorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012
Algorithmen für Routenplanung 14. Vorlesung, Sommersemester 2012 Daniel Delling 18. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2014/2015 Moritz Baum, Julian Dibbelt, Ben Strasser 22. Oktober 2014
Praktikum Routenplanung Vorbesprechung, Wintersemester 014/015 Moritz Baum, Julian Dibbelt, Ben Strasser. Oktober 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrRoute Planning in Road Networks
D. Schultes: Route Planning in Road Networks 1 Route Planning in Road Networks Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) http://algo2.iti.uka.de/schultes/hwy/
MehrAlgorithmen für Routenplanung 10. Sitzung, Sommersemester 2014 Ben Strasser 21. Mai 2014
Algorithmen für Routenplanung 10. Sitzung, Sommersemester 014 Ben Strasser 1. Mai 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrAlgorithmen für Routenplanung 7. Vorlesung, Sommersemester 2015 Ben Strasser 18. Mai 2014
Algorithmen für Routenplanung 7. Vorlesung, Sommersemester 01 Ben Strasser 18. Mai 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr10. 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 Bäume
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
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.
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 16. Sitzung, Sommersemester 2011 Thomas Pajor 4. Juli 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 3. Termin, Sommersemester 2011 Reinhard Bauer 21.11.2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
0. Übung Algorithmen I Veit Batz, Timo Bingmann, Christian Schulz, Vitaly Osipov INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 80 xb 0,8 xa + 0,7 xb 00 kg 0,06 xa + 0,2 xb 5 kg 60 xb 70 kg 40 20
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 016 Moritz Baum 15. Juni 016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrHighway Hierarchies. Kristian Dannowski, Matthias Hoeschel
Highway Hierarchies Kristian Dannowski, Matthias Hoeschel Gliederung Einleitung / Bidirektional Dijkstra Intuition / Naive Strategie Konstruktion der Highway Hierarchie Suche in der Highway Hierarchie
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
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,
MehrAlgorithmen für Routenplanung 1. Vorlesung, Sommersemester 2015 Andreas Gemsa 13. April 2015
Algorithmen für Routenplanung 1. Vorlesung, Sommersemester 015 Andreas Gemsa 13. April 015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 1. Vorlesung, Sommersemester 2018 Tim Zeitz 17. April 2018
Algorithmen für Routenplanung. Vorlesung, Sommersemester 08 Tim Zeitz 7. April 08 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrGenauer Hochleistungs-Routenplaner
Sanders/Schultes: Routenplanung 1 Genauer Hochleistungs-Routenplaner Prof. Dr. Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) Heidelberger
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2012/2013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17.
Praktikum Routenplanung Vorbesprechung, Wintersemester 01/013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17. Oktober 01 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA
MehrAuskunftssysteme: Kurzwegsuche im öffentlichen Verkehr
Auskunftssysteme: Kurzwegsuche im öffentlichen Verkehr Proseminar Algorithmen der Verkehrssimulation WS 05/06 Teera Inprasit Gliederung Einführung Optimale Zugverbindung? Modellierungsansätze Vergleich
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
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
MehrSeminar Algorithmen für planare Graphen
Seminar Algorithmen für planare Graphen Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner Universität Karlsruhe (TH) Institut für Theoretische Informatik Lehrstuhl Algorithmik I 24. Oktober 2008
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2011/2012 Julian Dibbelt und Thomas Pajor 2. November 2011
Praktikum Routenplanung Vorbesprechung, Wintersemester 011/01 Julian Dibbelt und Thomas Pajor. November 011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität
MehrBeschleunigte Berechnung von ressourcenbeschränkten kürzesten Wegen
Institut für Formale Methoden der Informatik Abteilung Algorithmik Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Bachelorarbeit Nr. 19 Beschleunigte Berechnung von ressourcenbeschränkten
MehrChristian Schulz und Johannes Singler
Christian Schulz und Johannes Singler, Prof. Sanders 1 KIT Christian Universität des Schulz Landes Baden-Württemberg und Johannes undsingler: nationales 3. Übung Forschungszentrum Algorithmen in der Helmholtz-Gemeinschaft
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 für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2010 Reinhard Bauer 25. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT University of the State of
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 11, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 11, 18.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
MehrAlgorithmen in Online-Systemen
Kurzvortrag - Lehrstuhl Algorithmik I - Prof. Dr. Wagner 1 Florian Drews, Richard Hertel: KIT Universität des Landes Baden-Württemberg und nationales Grossforschungszentrum in der Helmholtz-Gemeinschaft
MehrAlgorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2013 Julian Dibbelt 8. Juli 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 1. Sitzung, Sommersemester 2010 Thomas Pajor 12. April 2010
Algorithmen für Routenplanung. Sitzung, Sommersemester 00 Thomas Pajor. April 00 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
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
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
MehrAlgorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
MehrTopological Fisheye Views for Visualizing Large Graphs
Topological Fisheye Views for Visualizing Large Graphs Emden R. Gansner, Yehuda Koren, Stephen C. North Stefan Altmayer 11. Dezember 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrVoronoi-Diagramme. 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 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
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
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung Übung 1 Thomas Pajor 8. Mai 2009 1/ 28 Organisatorisches Willkommen zur Übung zur Vorlesung Algorithmen für Routenplanung Euer Übungsleiter Name: Thomas Pajor E-Mail: pajor@ira.uka.de
MehrMASTER THESIS. Ontology-Based Route Queries with Time Windows. Tobias Faaß. 17. Juni 2015
MASTER THESIS Ontology-Based Route Queries with Time Windows 17. Juni 2015 Tobias Faaß Albert-Ludwigs-Universität Freiburg im Breisgau Technische Fakultät Institut für Informatik GLIEDERUNG 1. Einführung
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 für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014
Algorithmen für Routenplanung 17. Sitzung, Sommersemester 2014 Moritz Baum 7. Juli 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
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
MehrExakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien
Exakte Kürzeste Pfade in Straßennetzwerken mit Highway Hierarchien Andreas Wickert Humboldt-Universität zu Berlin, Institut für Informatik, 10099 Berlin @informatik.hu-berlin.de Zusammenfassung
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
MehrSchnellste Wege Wie funktioniert ein Navi?
Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn und Adrian Neumann Max-Planck-Institut für Informatik Vorlesung Ideen der Informatik Schnellste Wege Routenfinden im Navi Karten und Graphen Algorithmen
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
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
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrAlgorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014
Algorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK LEHRSTUHL ALGORITHMIK KIT Universität des Landes
MehrErinnerung VL
Erinnerung VL.6.16 Graphtraversierung (DFS, topologische Sortierung und mehr) Kürzeste Wege: Problemstellung, Algorithmen Analoger Algorithmus Dijkstras Algorithmus: Idee, Korrektheit Heute: mehr zu Dijkstra,
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.6.1 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=99 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik 1 Organisatorisches
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 10 FS 16
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 11. Mai
MehrSichtbarkeitsgraph. Andreas Gemsa Übung Algorithmische Geometrie
Übung Algorithmische Geometrie Sichtbarkeitsgraph LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 19.07.2012 Ablauf Nachtrag Sichtbarkeitsgraph WSPD
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrKürzeste und Schnellste Wege
Ideen und Konzepte der Informatik Kürzeste und Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn Schnellste Wege Routen finden im Navi Karten und Graphen Schnellste und kürzeste Wege sind das gleiche
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze Übung 6 Kommunikation und Färbungen im SINR Modell (basierend auf VL11) Fabian Fuchs 17. Jan. 2015 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR
MehrDijkstra: Laufzeit. Insgesamt: T Dijkstra = O m T decreasekey (n)+n (T deletemin (n)+t insert (n))
Dijkstra: Laufzeit Function Dijkstra(s : NodeId) : NodeArray NodeArray d = {,..., }; parent[s]:= s; d[s] := 0; Q.insert(s) // O(n) while Q 6= /0 do u := Q.deleteMin // apple n foreach edge e =(u,v) 2 E
Mehr