2. Übung Algorithmen I
|
|
- Bernhard Holzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische Informatik
2 Organisatorisches Mittwoch finden keine Tutorien statt Betroffene Studenten: bitte diese Woche ein alternatives Tutorium besuchen Fehler: Blatt 2, Aufgabe 3 2 Timo Bingmann, Christian Schulz
3 Modellierungen mit Graphen (cont.) 3 Timo Bingmann, Christian Schulz
4 Modellierungen Landkarten Gegeben: Gesucht: Landkarte Färbung der Länder (benachbarte verschiedenfarbig) 4 Timo Bingmann, Christian Schulz
5 Modellierungen Landkarten Graph: Länder Knoten, Kanten wenn benachbart suche c : V {1,..., k} mit (u, v) E c(u) c(v) Ziel: finde minimales k 5 Timo Bingmann, Christian Schulz
6 Modellierungen Landkarten Graph: Länder Knoten, Kanten wenn benachbart suche c : V {1,..., k} mit (u, v) E c(u) c(v) Ziel: finde minimales k 6 Timo Bingmann, Christian Schulz
7 Modellierungen Landkarten ob 2-Färbung existiert, effizient entscheidbar (Übung) ab 3 Farben NP-vollständig 7 Timo Bingmann, Christian Schulz
8 Modellierungen Routing Gegeben: Frage: Straßenkarte Wie kommt man am schnellsten von Berlin nach Rom Was ist hier die Modellierung? Optimierungskriterien? Wie findet man so eine Tour? Dijkstra s Algorithmus(Vorlesung) Was ist Stand der Technik? 8 Timo Bingmann, Christian Schulz
9 Modellierungen Graphpartitionierung Geben G und k > 1, teile V in k Teilmengen V 1,..., V k so dass: 1 alle Mengen disjunkt, und die Vereinigung gerade V ist 2 alle Mengen ungefähr gleich groß 3 Anzahl der Kanten wird minimiert contraction phase match contract input graph local improvement initial uncontract output partition uncoarsening phase partitioning 9 Timo Bingmann, Christian Schulz
10 Weitere Anwendungen R n n Ax = b R n 10 Timo Bingmann, Christian Schulz
11 Intelligentes Raten 11 Timo Bingmann, Christian Schulz
12 Abschätzen von Rekurrenzen machmal kann man Lösungen erraten obere Schranken einfacher als exakte Schranken Beispiel: T (2n) = 2T (n) + 2n 1, T (2) = 1 T (n) = O(f (n))? 12 Timo Bingmann, Christian Schulz
13 Abschätzen von Rekurrenzen Erster Versuch T (2n) = 2T (n) + 2n 1, T (2) = 1 Rate: T (n) n 2 Müssen zeigen: T (2n) (2n) 2 T (2n) = 2T (n) + 2n 1 2n 2 + 2n 1 < (2n) 2 13 Timo Bingmann, Christian Schulz
14 Abschätzen von Rekurrenzen Zweiter Versuch T (2n) = 2T (n) + 2n 1, T (2) = 1 Rate: T (n) cn Müssen zeigen: T (2n) c(2n) T (2n) = 2T (n) + 2n 1 2cn + 2n 1 > 2cn Suche also Schranke zwischen cn und n 2 14 Timo Bingmann, Christian Schulz
15 Abschätzen von Rekurrenzen Dritter Versuch T (2n) = 2T (n) + 2n 1, T (2) = 1 Rate: T (n) n log 2 n Müssen zeigen: T (2n) 2n log 2 2n T (2n) = 2T (n) + 2n 1 2n log 2 n + 2n 1 = 2n(log 2 n + log 2 2) 1 = 2n log 2 2n 1 < 2n log 2 2n 15 Timo Bingmann, Christian Schulz
16 Abschätzen von Rekurrenzen Allgemeiner T (2n) = 2T (n) + 2n 1, T (2) = 1 nur für n = 2 k mit k N allgemeiner: T (n) = 2T ( n/2 ) + n 1 für n = 2 k stimmen beide Gleichungen überein 16 Timo Bingmann, Christian Schulz
17 Abschätzen von Rekurrenzen Allgemeiner T (n) = 2T ( n/2 ) + n 1 es gilt: T (n) T (n + 1) für 2 k 1 < n < 2 k T (2 k 1 ) T (n) T (2 k ) also: T (n) T (2 k ) c2 k log 2 2 k c2n log 2 (2n) c 1 n log 2 n 17 Timo Bingmann, Christian Schulz
18 Abschätzen von Rekurrenzen Allgemeiner T (n) = 2T ( n/2 + x) + n 1 wieder geschickt raten Timo Bingmann, Christian Schulz
19 Obere Schranken von Rekurrenzen Zusammenfassung/Kochrezept T (g(n)) = A(T, n) g : N N Funktion die Wachstum der Rekurrenz definiert A Ausdruck der T (n) und n enthält z.b. g(n) = 2n, A(T, n) = 2T (n) + 2n 1 Kochrezept: 1 rate T (n) f (n) 2 zeige: T (g(n)) f (g(n)) oder: 1 rate T (n) f (n) 2 ersetze Vorkommen von T (n/p) entsprechend 19 Timo Bingmann, Christian Schulz
20 Variablenwechsel Algebraische Manipulationen T (n) = T ( n) + 1, T (4) = 1 für n = 2 2i 20 Timo Bingmann, Christian Schulz
21 Variablenwechsel Algebraische Manipulationen T (n) = T ( n) + 1 setze m = log n, also n = 2 m dann: T (2 m ) = T (2 m/2 ) Timo Bingmann, Christian Schulz
22 Variablenwechsel Algebraische Manipulationen T (2 m ) = T (2 m/2 ) + 1 Trick: setze S(m) := T (2 m ) liefert: S(m) = O(?) S(m) = S(m/2) Timo Bingmann, Christian Schulz
23 Variablenwechsel Algebraische Manipulationen T (2 m ) = T (2 m/2 ) + 1 Trick: setze S(m) := T (2 m ) liefert: S(m) = O(log m) S(m) = S(m/2) Timo Bingmann, Christian Schulz
24 Variablenwechsel Algebraische Manipulationen T (n) = T ( n) + 1 S(m) = S(m/2) + 1 S(m) = O(log m) liefert für n = 2 2i : T (n) = T (2 m ) = S(m) = O(log m) = O(log log n) 24 Timo Bingmann, Christian Schulz
25 Mastertheorem Wiederholung - Einfache Form Für positive Konstanten a, b, c, d, sei n = b k für ein k N. { a falls n = 1 Basisfall r(n) = cn + dr(n/b) falls n > 1 teile und herrsche. Es gilt Θ(n) falls d < b r(n) = Θ(n log n) falls d = b Θ ( n log d) b falls d > b. 25 Timo Bingmann, Christian Schulz
26 Turm von Hanoi 26 Timo Bingmann, Christian Schulz
27 Generierende Funktionen Advanced Guessing mit F (z) = f (n)z n n=0 27 Timo Bingmann, Christian Schulz
28 Partialbruch-Zerlegung Gesucht: (1 αz)(1 βz) = 1 z z Timo Bingmann, Christian Schulz
29 Partialbruch-Zerlegung Gesucht: (1 αz)(1 βz) = 1 z z 2. Aus Koeffizienten-Vergleich mit (1 αz)(1 βz) = 1 (α + β)z + α βz 2 folgt (α + β) = 1 und α β = Timo Bingmann, Christian Schulz
30 Partialbruch-Zerlegung Gesucht: (1 αz)(1 βz) = 1 z z 2. Aus Koeffizienten-Vergleich mit folgt (1 αz)(1 βz) = 1 (α + β)z + α βz 2 (α + β) = 1 und α β = 1. Wegen β = 1 α folgt α (1 α) = 1. Es ist also die quadratische Gleichung zu lösen. α α = 0 α 2 α 1 = 0 28 Timo Bingmann, Christian Schulz
31 Partialbruch-Zerlegung Gesucht: (1 αz)(1 βz) = 1 z z 2. Aus Koeffizienten-Vergleich mit folgt (1 αz)(1 βz) = 1 (α + β)z + α βz 2 (α + β) = 1 und α β = 1. Wegen β = 1 α folgt α (1 α) = 1. Es ist also die quadratische Gleichung α α = 0 α 2 α 1 = 0 zu lösen. Mit Mitternachtsformel folgt α = 1 ± = 1 ± Timo Bingmann, Christian Schulz
32 Partialbruch-Zerlegung Man nennt φ := a = ( 1 ) 5 und ˆφ := b = 2 den Goldenen Schnitt und für diese gilt: φ + ˆφ = 1 sowie φ ˆφ = 1. Welche für die Zerlegung genau passen, denn 1 z z 2 = (1 φz)(1 + ˆφz) = 1 (φ + ˆφ)z + (φ ˆφ)z Timo Bingmann, Christian Schulz
33 Partialbruch-Zerlegung z Für die Zerlegung F (z) = 1 z z 2 = a 1 φz + b fehlen noch 1 ˆφz die Nenner. 30 Timo Bingmann, Christian Schulz
34 Partialbruch-Zerlegung z Für die Zerlegung F (z) = 1 z z 2 = a 1 φz + b fehlen noch 1 ˆφz die Nenner. Für diese gilt z = a(1 ˆφz) + b(1 φz) = a a ˆφ z + b bφ z, also 0 = a + b und 1 = a ˆφ bφ. 30 Timo Bingmann, Christian Schulz
35 Partialbruch-Zerlegung z Für die Zerlegung F (z) = 1 z z 2 = a 1 φz + b fehlen noch 1 ˆφz die Nenner. Für diese gilt also z = a(1 ˆφz) + b(1 φz) = a a ˆφ z + b bφ z, 0 = a + b und 1 = a ˆφ bφ. Wegen b = a ist also ( = a ˆφ + aφ = a(φ ˆφ) = a 2 1 ) 5 = a 2 ( ) Timo Bingmann, Christian Schulz
36 Partialbruch-Zerlegung z Für die Zerlegung F (z) = 1 z z 2 = a 1 φz + b fehlen noch 1 ˆφz die Nenner. Für diese gilt also z = a(1 ˆφz) + b(1 φz) = a a ˆφ z + b bφ z, 0 = a + b und 1 = a ˆφ bφ. Wegen b = a ist also ( = a ˆφ + aφ = a(φ ˆφ) = a 2 1 ) 5 = a 2 ( ) Man erhält also a = 1 5 und b = Timo Bingmann, Christian Schulz
Christian 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
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
Mehr1. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
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
Mehr12. Übung Algorithmen I
12. Übung Algorithmen I Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und 12. Übung Algorithmen
Mehr11. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrQuantifizierung der Ineffizienz von Equilibria
Quantifizierung der Ineffizienz von Equilibria Marcus Juli 2010 INSTITUT FÜR THEORETISCHE INFORMATIK KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) KIT Universität des Landes Baden-Württemberg und nationales
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
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 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
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
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze VL 11 Kommunikation und Färbungen im SINR Modell Fabian Fuchs 17. Dez. 2015 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER)
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17.November 2011 INSTITUT FÜR THEORETISCHE 0 KIT 17.11.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrGrundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrÜberblick. F3 01/02 p.295/325
Überblick fn := 3fn-1 + 4fn-2 + 1 Beispiele für Rekurrenzen Beweisen Raten Summen Abwickeln Formelsammlung Chaos?! Suche nach einer Systematik F3 01/02 p.295/325 Allgemeines Verfahren Bestimmung einer
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
MehrAlgorithmenbegriff: Berechenbarkeit. Algorithmenanalyse. (Berechnung der Komplexität)
Über-/Rückblick Algorithmenbegriff: Berechenbarkeit Turing-Maschine RAM µ-rekursive Funktionen Zeit Platz Komplexität Algorithmentechniken Algorithmenanalyse (Berechnung der Komplexität) Rekursion Iteration
Mehr2 Wachstumsverhalten von Funktionen
Algorithmen und Datenstrukturen 40 2 Wachstumsverhalten von Funktionen Beim Vergleich der Worst-Case-Laufzeiten von Algorithmen in Abhängigkeit von der Größe n der Eingabedaten ist oft nur deren Verhalten
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales 7.
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2016 Patrick Schäfer, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Marius Kloft RUD 26, 0 115 Mittwoch 11 13 Uhr Marius Kloft
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 15.01.2015 INSTITUT FÜR THEORETISCHE 0 KIT 15.01.2015 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
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
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
Mehr2. Übung Algorithmen I
1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Amortisierte Analyse Beispiel Binärzähler
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrChaos?! Überblick. Beispiele für Rekurrenzen. fn := 3fn-1 + 4fn Beweisen. Abwickeln. Raten Summen. Formelsammlung. Suche nach einer Systematik
Überblick fn := 3fn-1 + 4fn-2 + 1 Beispiele für Rekurrenzen Beweisen Raten Summen Abwickeln Formelsammlung Chaos?! Suche nach einer Systematik F3 03/04 p.294/395 Allgemeines Verfahren Bestimmung einer
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.
MehrÜbung Algorithmen I
Übung Algorithmen I 10.5.17 Sascha Witt sascha.witt@kit.edu (Mit Folien von Lukas Barth, Julian Arz, Timo Bingmann, Sebastian Schlag und Christoph Striecks) Roadmap Listen Skip List Hotlist Amortisierte
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 26.04.2017 Institut für theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=799 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik
MehrArbeitsheft zur NP-Vollständigkeit
Arbeitsheft zur NP-Vollständigkeit (BuK / WS 2017 / RWTH Aachen) Gerhard J. Woeginger Dieses Arbeitsheft enthält einige Übungsaufgaben zur NP-Vollständigkeit. Jede Aufgabe besteht im Wesentlichen aus einem
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
MehrGrundbegriffe der Informatik Tutorium 14
Grundbegriffe der Informatik Tutorium 14 Tutorium Nr. 16 Philipp Oppermann 11. Februar 2015 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrAbbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z}
u v u v z w z w y x y x Abbildung 1: Reduktion: CLIQUE zu VERTEX-COVER. links: Clique V = {u, v, x, y}. rechts:der Graph Ḡ mit VC V \ V = {w, z} Definition 0.0.1 (Vertex Cover (VC)). Gegeben: Ein ungerichteter
MehrWie beim letzten Mal - bitte besucht: http://pingo.upb.de/549170 Ihr seid gleich wieder gefragt... Übung Algorithmen I 4.5.16 Lukas Barth lukas.barth@kit.edu (Mit Folien von Julian Arz, Timo Bingmann,
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
MehrGraphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen
Graphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen Dr. Gerold Jäger Habilitationsvorlesung Christian-Albrechts-Universität zu Kiel Institut für Informatik 21. April
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
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
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
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
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
122 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 123 Das Suchproblem Gegeben Menge von Datensätzen.
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
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
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2015 Marc Bux, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Ulf Leser RUD 26, 0 115 Mittwoch 11 13 Uhr Ulf Leser RUD 26,
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
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
MehrTheoretische Grundlagen der Informatik. Vorlesung am 02. November INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik Vorlesung am 2. November 27 2..27 Dorothea Wagner - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Vorlesung am 2. November 27 Helmholtz-Gemeinschaft
MehrKapitel 8. Rekursionsgleichungen. Landau-Symbole. Lösen von Rekursionsgleichungen Allgemeines Iterationsmethode Spezialfälle Erzeugende Funktionen
Rekursionsgleichungen Landau-Symbole Kapitel 8 Lösen von Rekursionsgleichungen Allgemeines Iterationsmethode Spezialfälle Erzeugende Funktionen Kapitel 8 Rekursionsgleichungen p./42 Landau-Symbole () Modellierung
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
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
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 2016 Marc Bux, Humboldt-Universität zu Berlin Organisation Vorlesung: Montag 11 13 Uhr Marius Kloft RUD 26, 0 115 Mittwoch 11 13 Uhr Marius Kloft RUD
MehrAlgorithmen für Ad-hoc- und Sensornetze
Algorithmen für Ad-hoc- und Sensornetze Übung 2 Greedy Routing Fabian Fuchs 05. November 2015 (Version 1) INSTITUT FÜR THEORETISCHE INFORMATIK - LEHRSTUHL FÜR ALGORITHMIK (PROF. WAGNER) KIT Universität
Mehr2. Effizienz von Algorithmen
Effizienz von Algorithmen 2. Effizienz von Algorithmen Effizienz von Algorithmen, Random Access Machine Modell, Funktionenwachstum, Asymptotik [Cormen et al, Kap. 2.2,3,4.2-4.4 Ottman/Widmayer, Kap. 1.1]
MehrAsymptotik und Laufzeitanalyse
und Vorkurs Informatik SoSe13 08. April 2013 und Algorithmen = Rechenvorschriften Wir fragen uns: Ist der Algorithmus effizient? welcher Algorithmus löst das Problem schneller? wie lange braucht der Algorithmus
MehrGrundbegriffe der Informatik Tutorium 11
Grundbegriffe der Informatik Tutorium 11 Tutorium Nr. 32 Philipp Oppermann 29. Januar 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrNotation für das asymptotische Verhalten von Funktionen
Vorbemerkungen: Notation für das asymptotische Verhalten von Funktionen 1. Aussagen über die Komplexität von Algorithmen und von Problemen sollen (in der Regel) unabhängig von speziellen Maschinenmodellen
MehrWelche Probleme können Rechner (effizient) lösen? Die P = NP Frage. Ideen der Informatik Kurt Mehlhorn
Welche Probleme können Rechner (effizient) lösen? Die P = NP Frage Ideen der Informatik Kurt Mehlhorn Gliederung Ziele von Theorie Gibt es Probleme, die man prinzipiell nicht mit einem Rechner lösen kann?
MehrGrundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008
Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung 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
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
MehrGraphentheorie. Färbungen. Knoten- und Kantenfärbungen. Knoten- und Kantenfärbungen. Rainer Schrader. 28. Januar 2008
Graphentheorie Rainer Schrader Färbungen Zentrum für Angewandte Informatik Köln 28. Januar 2008 1 / 57 2 / 57 wir wollen versuchen, die Knoten eines Graphen zu färben dabei dürfen keine zwei benachbarten
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrReguläre Sprachen. R. Stiebe: Theoretische Informatik für ING-IF und Lehrer,
Reguläre Sprachen Reguläre Sprachen (Typ-3-Sprachen) haben große Bedeutung in Textverarbeitung und Programmierung (z.b. lexikalische Analyse) besitzen für viele Entscheidungsprobleme effiziente Algorithmen
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
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
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
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
MehrGrundbegriffe der Informatik Aufgabenblatt 11
Matr.nr.: Nachname: Vorname: Grundbegriffe der Informati Aufgabenblatt 11 Tutorium: Nr. Name des Tutors: Ausgabe: 21. Januar 2016 Abgabe: 29. Januar 2016, 12:30 Uhr im GBI-Briefasten im Untergeschoss von
MehrSeminar Algorithmentechnik
Seminar Algorithmentechnik Institut für Theoretische Informatik Lehrstuhl für Algorithmik I Prof. Dorothea Wagner Karlsruhe Seminar Institut Algorithmentechnik für Technologie (KIT) Fakultät für Informatik
MehrKomplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben
Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 1-10. Sitzung Dennis Felsing dennis.felsing@student.kit.edu http://www.stud.uni-karlsruhe.de/~ubcqr/2010w/tut gbi/ 2011-01-10 Überblick 1 O-Notation Wiederholung Mastertheorem
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 12. Vorlesung 12.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Aufbau Viceroy Knoten in Viceroy
MehrKnoten-Partitionierung in feste Eigenschaften ist NP-schwer
Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser
MehrGrundbegriffe der Informatik Tutorium 3
Grundbegriffe der Informatik Tutorium 3 Tutorium Nr. 16 Philipp Oppermann 18. November 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrLernmodul 2 Topologie. Lernmodul 2: Geoobjekte und ihre Modellierung - Topologie
Folie 1 von 71 Lernmodul 2 Topologie Folie 2 von 71 Topologie Übersicht Topologie - Allgemeines Punktmengentopologie Nachbarschaft Beispiele zur Nachbarschaft Nähe, offene/geschlossene Menge Abschluß,
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
MehrAlgebra. Roger Burkhardt Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft
Algebra Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft FS 2010 Roger Burkhardt roger.burkhardt@fhnw.ch Algebra
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge von Datensätzen. Beispiele
Mehrlässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens
Praktikum Algorithmen-Entwurf (Teil 5)..5 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen Endpunkt
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
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrDer Lese-Schreib-Kopf kann auch angehalten werden (H). Die Verarbeitung ist dann beendet.
Die Turingmaschine besteht aus der Steuereinheit, die verschiedene Zustände annimmt dem Band, welches unendlich ausgedehnt ist, aber nur auf einem endlichem Bereich mit Zeichen aus einem Alphabet beschrieben
MehrHier ist ein einfaches Turingprogramm. Außer dem Leerzeichen ist das Band nur mit. 1 belegt.
Die Turingmaschine besteht aus der Steuereinheit, die verschiedene Zustände annimmt dem Band, welches unendlich ausgedehnt ist, aber nur auf einem endlichem Bereich mit Zeichen aus einem Alphabet beschrieben
MehrKonvexe Hülle im R 3 + WSPD
Übung Algorithmische Geometrie Konvexe Hülle im R 3 + WSPD LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 12.07.2012 Ablauf Konvexe Hülle im R 3
MehrQuadratische Funktionen
Quadratische Funktionen Mag. DI Rainer Sickinger HTL v 2 Mag. DI Rainer Sickinger Quadratische Funktionen 1 / 33 Definition Quadratische Funktion Definition (Quadratische Funktion) Sei D R und f : D R
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
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
MehrAlgorithmen und Datenstrukturen Tutorium Übungsaufgaben
Algorithmen und Datenstrukturen Tutorium Übungsaufgaben AlgoDat - Übungsaufgaben 1 1 Landau-Notation Aufgabe Lösung 2 Rekurrenzen Aufgabe 3 Algorithmenentwurf und -analyse Aufgabe AlgoDat - Übungsaufgaben
Mehr6 Julia-Mengen. 114 Kapitel 2 Konforme Abbildungen
114 Kapitel 2 Konforme Abbildungen 6 Julia-Mengen Sei G C ein Gebiet. Eine holomorphe Abbildung f : G G kann eine holomorphe oder eine meromorphe Funktion auf G sein. Definition. Zwei holomorphe Abbildungen
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
MehrGrundbegriffe der Informatik Tutorium 11
Grundbegriffe der Informatik Tutorium 11 Tutorium Nr. 16 Philipp Oppermann 21. Januar 2015 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
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
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
MehrA1-1 Kubische Gleichung
A1-1 Kubische Gleichung Wir betrachten das kubische Polynom p(x) = x 3 + a 2 x 2 + a 1 x + a 0, x R bzw. die kubische Gleichung mit reellen Koeffizienten a 0, a 1 und a 2. x 3 + a 2 x 2 + a 1 x + a 0 =
Mehr