Toleranzen in Helsgauns TSP-Heuristik
|
|
- Rudolf Geiger
- vor 8 Jahren
- Abrufe
Transkript
1 Vortrag am 27. April 2006 Betreuer: Dr. Gerold Jäger Prof. Dr. Paul Molitor Lehrstuhl für Datenstrukturen und eziente Algorithmen Martin-Luther-Universität Halle-Wittenberg
2 Inhaltsverzeichnis Einführung 1 Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie 2 Klassisches Verfahren von Lin-Kernighan 1973 Verbesserungen 3 Held-Karp-Approximation α und βwerte 4 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
3 Motivation Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie Kürzeste Tour durch Städte Leiterplatte mit 2392 Bohrungen Applegate, Bixby, Chvátal, Cook 2001 Padberg und Rinaldi 1987
4 Heuristik von Helsgaun für das TSP Motivation TSP,ATSP,HCP STSP wichtige Begrie führende TSP-Heuristik (derzeit gröÿte TSP-Probleme gelöst) exakte Verfahren (B&B): wenig Knoten (< 1000), langsam Heuristiken: viele Knoten ( ), schneller Aufgabe: Heuristik verbessern (insbes. durch "Toleranzen")
5 Ausgangspunkt Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie TSP geg: C R n,n... Kostenmatrix. Kante (i, j) hat Kosten c ij ges: Tour T = (i 1,..., i n ) mit i j i k und i j {1, 2,... n}, so dass c(t ) = c ik i k+1 + c ini 1 minimal symmetrisch (STSP) : i, j : c ij = c ji andernfalls ATSP metrisch : i, j, k : c ik c ij + c jk (Dreiecksungleichung) euklidisch : c ij geometrischer Abstand euklidisch metrisch und symmetrisch HCP - Hamilton Cycle Problem Existiert im ungerichteten Graphen G = (V, E) eine Tour T? Rösselsprungproblem
6 g : ATSP STSP Motivation TSP,ATSP,HCP STSP wichtige Begrie Transformation nach Jonker & Volgenant Setze D = (d ij ) R 2n,2n, M = max(c ij ) + 1 { cij i j i, j {1,..., n} : d n+i,j := d j,n+i := M i = j Alle anderen d ij := M Nachteil: Problemgröÿe verdoppelt Anzahl der Matrixelemente vervierfacht! ezientes Verfahren für STSP löst auch ATSP ezient
7 ATSP-Beispiel P Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie STSP(P)
8 h : HCP STSP Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie Transformation (Helsgaun) Setze D = (d ij ) R n,n mit { 0 (i, j) E(G) i, j : d ij := 1 sonst G hamiltonsch c(stsp(d)) = 0 HCP NP-vollständig für TSP, ATSP, HCP genügt es STSP zu lösen (unser Ziel)
9 Dilemma: STSP NP-vollständig Motivation TSP,ATSP,HCP STSP wichtige Begrie Berechnung optimaler Tour zu aufwendig approximative / heuristische Verfahren
10 Motivation TSP,ATSP,HCP STSP wichtige Begrie Toleranzen im vollständigen Graphen G = (V, E) Menge aller optimalen Touren unter Kosten c T c := {T opt T opt ist Tour, c(t opt ) = min c(t )} T ist Tour Beobachtungen für x E: c(x) hinreichend klein c(x) noch kleiner c(x) hinreichend groÿ c(x) noch gröÿer T opt T c : x T opt x T c T opt T c : x / T opt x / T c
11 Motivation TSP,ATSP,HCP STSP wichtige Begrie Toleranzen im vollständigen Graphen G = (V, E) Manipulation der Kostenfunktion c Seien x, y E. { c(y) + α falls x = y c α,x (y) := c(y) sonst obere Toleranz o T und untere Toleranz u T Seien T T c optimale Tour, x T und y / T. o T (x) := sup{α R T T c+α,x } u T (y) := sup{α R T T c α,y }
12 Motivation TSP,ATSP,HCP STSP wichtige Begrie Eigenschaften (vgl. Molitor, Jäger, Goldengorin) Unabhängigkeit der Toleranzen von einer speziellen Lösung Seien x, y E und T 1, T 2 T c mit x T 1 und y / T 2... o T1 (x) = o(x) = sup{α R x T c+α,x } u T2 (y) = u(y) = sup{α R y T c α,y } Folgerungen: Toleranzen einer optimalen Tour charakt. Gesamtproblem nur eine Lösung aus T c nötig zur Berechnung
13 Resultat Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie Verbieten und Erzwingen von Kanten (Nebenbedingungen) Seien in, out E mit in out =. D out in := {T T ist Tour, in T, out T = } T c out in := {T opt T opt D out in, c(t opt ) = min c(t )} T D out in Berechnung von Toleranzen für ein TSP Seien T T c, x T, y / T, T 1 T c x und T 2 T c y. o(x) = c(t 1 ) c(t ) u(y) = c(t 2 ) c(t )
14 Toleranzen Beispiel Motivation TSP,ATSP,HCP STSP wichtige Begrie T opt = (a, b, c, d) o(a, b) = o(d, c) = c(a, c, b, d) c(t opt ) = = 7 o(b, c) = o(a, d) = c(a, c, d, b) c(t opt ) = = 5 u(a, c) = u(b, d) = c(a, c, d, b) c(t opt ) = 5
15 k-optimalität Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie k-swap / k-opt Austausch von k Kanten aus einer Tour, so dass eine neue Tour entsteht. k-optimale Tour Eine Tour heiÿt k-optimal, wenn es keinen r-swap mit 2 r k gibt, der die Tour verbessert
16 k-optimalität Einführung Motivation TSP,ATSP,HCP STSP wichtige Begrie Beobachtung: desto gröÿer k, desto "optimaler" die Tour Implementierung O(n k ) Praxis: k 5
17 Lin-Kernighan-Heuristk 1973 Verbesserungen Basis für Helsgauns Erweiterungen Approximation von k-optimalen Touren Backtracking basierend auf k-swaps, k {2, 3} k dynamisch gesteuert viele weitere Kriterien zur Einschränkung des Suchraums
18 Lin-Kernighan-Heuristk 1973 Verbesserungen Verbesserungen von Lin und Kerninghan Suche weiter einschränken zuvor entnommene Kante nicht hinzunehmen zuvor hinzugenommene Kante nicht entnehmen Suche nach Verbesserungen abbrechen, falls gefundene Tour schon früher einmal gefunden spart sinnlose Suchzeit für Tour, die schon einmal nicht verbessert werden konnte betrachte nur Kanten zu 5 nächstgelegenen Nachbarn Meine Aufgabe: Ersetzen mit anderen (toleranten) Kanten
19 Verbesserungen nach Keld Helsgaun Held-Karp-Approximation α und βwerte erste Idee von Helsgaun Sofortige Anwendung verbessernder k-swaps (ohne "Sammeln") Helsgaun: Einschränkung auf 5 nächsten Nachbarn ungeeignet Abhilfe: Idee der Prioritäten Statt Kanten 5 nächster Nachbarn verwende Kanten höchster Priorität.
20 Untere Schranken Einführung Held-Karp-Approximation α und βwerte MST Aufspannender Baum mit minimalen Kosten minimaler 1-Baum Sei G = (V, E) ein Graph mit Kostenmatrix C, v 1 V und M ein MST für den Graphen G\v 1, dann ist M ergänzt um zwei kürzeste Kanten von v 1 ein minimaler 1-Baum. Vorsicht... 1-Baum ist kein Baum! MST und minimaler 1-Baum liefern untere Schranken für STSP (in polynomieller Zeit berechenbar).
21 1-Baum Veranschaulichung Held-Karp-Approximation α und βwerte Beobachtung: MST und 1-Baum viele Kanten mit optimaler Tour gemeinsam
22 Held-Karp-Approximation Held-Karp-Approximation α und βwerte 1-Baum verbessern via Transformation der Kostenmatrix Addition von x ändert optimale Tour nicht (aber min. 1-Baum) Allgemein: φ : C D mit d ij = c ij + π i + π j setze π := (π 1,..., π n ) und ω(π) := c(t π ) 2 π i (Rücktr.) T π min. 1-Baum für D, ω(π) untere Schranke für STSP ω(π) max mittels Subgradientenverfahren (Numerik)
23 α-werte Einführung Held-Karp-Approximation α und βwerte Sei T min. 1-Baum und T ij min. 1-Baum mit (i, j) T ij. α-werte Setze α(i, j) := c(t ij ) c(t ). Kostenänderung min. 1-Baums bei Aufnahme von (i, j) Lemma α(i, j) 0 (i, j) T T ij = T α(i, j) = 0 α-werte in O(n 2 ) berechenbar Beobachtung: α-werte sind erweiterte untere Toleranzen!
24 Held-Karp-Approximation α und βwerte Zusammenfassung: Helsgaun-Heuristik mache n Versuche (Trials) generiere "Greedy"-Anfangstour Anwendung k-swaps, k {1,..., 5} dynamisch Approximation k-optimaler Tour verbessere α-werte der Tourkanten
25 SNN vs α-werte (SLKH) SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP SNN: Nächster Nachbar (analog Lin und Kerninghan) ca. 70 % der symmetrischen TSPLIB-Beispiele getestet Cluster Uni-Halle: VLSI-Beispiele (noch in Arbeit)
26 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
27 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
28 SRX-Toleranzen, X 2 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP G = (V, E) tol SRX relaxierte Toleranzen Seien a, b V, Sort c (E(a)) = [k 1, k 2,..., k n ] mit c(k i ) c(k i+1 ). tol SRX (a, b) = (x 1) c(a, b) X c(k i ) i=2 tol SR2 beliebt für Branching bei Branch&Bound-Algorithmen (TSP, Steiner Bäume uvm.) k i, k j E(a) : k i SRX k j k i SNN k j c(k i ) c(k j ) Sort SNN (E(a)) = [k 1, k 2,... ] = Sort SRX (E(a))
29 SMTE-Toleranz Einführung SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Seien a, b V. Erweiterung der relaxierten Toleranz... SMTE-Toleranz (TSP-Applet von Prof. Sibeyn) Sort c (E(a)) = [k 1, k 2,..., k n ] mit c(k i ) c(k i+1 ), Sort c (E(b)) = [l 1, l 2,..., l n ] mit c(l i ) c(l i+1 ). c(k 3 ) c(k 1 ) falls c(a, b) = c(k 1 ) tol SMTE (a, b) = c(k 3 ) c(k 2 ) falls c(a, b) = c(k 2 ) + c(k 2 ) c(a, b) sonst c(l 3 ) c(l 1 ) falls c(b, a) = c(l 1 ) c(l 3 ) c(l 2 ) falls c(b, a) = c(l 2 ) c(l 2 ) c(b, a) sonst
30 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
31 SMTESOX-Toleranz SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Subgradienten Optimierung für SMTE Verallgemeinerung auf X Kanten
32 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP SMTESOX-Toleranzen: Bestimmung optimales X
33 SMTESO2-Toleranz im Vergleich SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
34 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP SSP3AX-Toleranzen, X {1,..., n 2} Toleranz bezüglich X billigster (alternativer) Wege metrisch: Kante + billigster Weg bilden 3-Eck gut geeignet für "Drilling"-Probleme (*.tsp aus TSPLIB) SSP3AX-Toleranzen Seien a, b V, Sort SSP3 (V \ {a, b}) = [v 1, v 2,..., v n 2 ] mit c(a, v i ) + c(v i, b) c(a, v i+1 ) + c(v i+1, b). tol SSP3AX (a, b) = X [c(a, v i ) + c(v i, b)] X c(a, b) i=1
35 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP SSP3AX-Toleranzen: Bestimmung optimales X
36 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP SSP3AX-Toleranzen für "Drilling"-Probleme
37 SSP3A6-Toleranz im Vergleich SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
38 D2OPT-Toleranzen: Idee SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP eingeschränkte 2-Swap-Nachbarschaft 2OPT (T, k) = Touren, die aus T durch Anwendung eines 2-Swaps durch Kante k entstehen D2OPTI-Toleranz Gegeben eine Tour T (z.b. durch Tourle) und Kante k E. tol D2OPT (T, k) := sup{α G 2OPT (T, k), c α,k (G) c α,k (T )} Toleranz bzgl. T und bestem 2-Swap durch k
39 D2OPT-Toleranzen: Berechnung SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Berechnung der D2OPTI-Toleranz Tol D2OPTI (T, k) = max{c(alt11) + c(alt22) c(1, 6), c(alt12) + c(alt21) c(3, 4)} c(k)
40 D2OPT-Toleranzen: Verbesserungen SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Problem 1: starke Tendenz zu lokalen Minima Problem 2: Updates aufwendig, O(rn) je r-swap Knoten später aktualisieren (D2OPT*XPD, dirty nodes). Erst aktualisieren, wenn mehr als X% Knoten "schmutzig". billige Kanten bevorzugen d.h. Mischen mit Kosten der Kante (zusätzliche Multiplikationen!)
41 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Einuss schmutziger Knoten mit SNN Anfangstour (andere analog)
42 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Bestimmung optimaler Mischungsfaktor (in Arbeit)
43 SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP D2OPT-Toleranzen geeignet für rl*.tsp aus TSPLIB
44 D2OPTMTENN-Toleranz im Vergleich SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
45 SLAP-Toleranz Einführung SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP Toleranz zum linearen Zuordnungsproblem Implementierung von Dr. Jäger, Danke :-) Problem 1: O(n 2 ) Speicherverbrauch nur mittelgroÿe Probleme (bis ca Knoten) Problem 2: Toleranz für asymmetrische Probleme schlecht für symmetrische Probleme
46 SLAP-Toleranz im Vergleich SNN,SRX, SMTE und SMTESOX SSP3AX D2OPT SLAP
47 Doppelbrücken-Technik nach Johnson und McGeoch Helsgaun: jeder Trial neue Anfangstour Verlust von k-optimalität Verallgemeinerung von Doppelbrücken zu r-swap-kicks,r > k weniger Swaps bis zur k-optimalität
48 k-swap-kicks im Vergleich (VLSI-Beispiele)
49 Backbone-Techniken nach Zhang und Looks Backbone-Kante Kante k heiÿt Backbone-Kante gdw. k T c Pseudo-Backbone-Kante Sei M eine Menge lokal optimaler Touren (Initialisierungsphase). Kante k heiÿt Pseudo-Backbone-Kante für M, falls k M Verwende die 5 Pseudo-Backbone-wahrscheinlichsten Kanten Verbesserung der bisher bekannten oberen Schranke des Problems xsc mit 6880 Knoten um 2 Kosteneinheiten
50 Backbone-Approximation im Vergleich (VLSI-Beispiele)
51 Backbone-Approximation im Vergleich (VLSI-Beispiele)
52 Backbone basierte Toleranzen Approximation der Toleranzen bezüglich optimaler Touren verwende statt optimale Touren beste entsprechende Touren aus Initialisierungsphase
53 Backbone-Toleranzen im Vergleich (VLSI-Beispiele)
54 Ausblick schnellere D2OPT-Updates: O(r) statt O(rn) weitere Mischungen untersuchen (SLHK + SMTESO ) Ausnutzen oberer Toleranz vom min. 1-Baum SLAP-Modikationen (kleine Kreise verbieten) DTP3: SSP3 mit alternativen Wegen über gefundene Touren SSP*AX-Toleranzen... bereits in Diplomarbeit beschrieben
55 Backbone-Techniken im Vergleich (VLSI-Beispiele)
Toleranzbasierte 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
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrDas Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!
Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
Mehr15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
MehrProgrammieren I. Kapitel 7. Sortieren und Suchen
Programmieren I Kapitel 7. Sortieren und Suchen Kapitel 7: Sortieren und Suchen Ziel: Varianten der häufigsten Anwendung kennenlernen Ordnung Suchen lineares Suchen Binärsuche oder Bisektionssuche Sortieren
MehrGuten Morgen und Willkommen zur Saalübung!
Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
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
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrEin Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch
Ein Blick voraus des Autors von C++: Bjarne Stroustrup 04.06.2005 Conrad Kobsch Inhalt Einleitung Rückblick Nur eine Übergangslösung? Was würde C++ effektiver machen? Quelle 2 Einleitung Wo steht C++,
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrVerkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Jörg Rambau
Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? 1 x x = Anteil der Fahrzeuge, die dort entlang fahren Verkehrsstauspiel:
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrHeuristische und exakte Lösungsansätze für das Handelsreisendenproblem. Dr. Gerold Jäger
Heuristische und exakte Lösungsansätze für das Handelsreisendenproblem Dr. Gerold Jäger Arbeitsgruppe Prof. Dr. Paul Molitor Institut für Informatik Martin-Luther-Universität Halle-Wittenberg 30. September
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
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 1 Programm des
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
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Elementare Datenstrukturen Rekursionen Bäume 2 1 Datenstruktur Baum Definition eines Baumes
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrAlgorithmen und Datenstrukturen Suchbaum
Algorithmen und Datenstrukturen Suchbaum Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Motivation Datenstruktur zur Repräsentation dynamischer Mengen
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrPeriodische Fahrpläne und Kreise in Graphen
Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrDerivate und Bewertung
. Dr. Daniel Sommer Marie-Curie-Str. 30 60439 Franfurt am Main Klausur Derivate und Bewertung.......... Wintersemester 2008/09 Klausur Derivate und Bewertung Wintersemester 2008/09 Aufgabe 1: Zinsurven,
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrPeer-to-Peer- Netzwerke
Peer-to-Peer- Netzwerke Christian Schindelhauer Sommersemester 2006 14. Vorlesung 23.06.2006 schindel@informatik.uni-freiburg.de 1 Evaluation der Lehre im SS2006 Umfrage zur Qualitätssicherung und -verbesserung
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrDow Jones am 13.06.08 im 1-min Chat
Dow Jones am 13.06.08 im 1-min Chat Dieser Ausschnitt ist eine Formation: Wechselstäbe am unteren Bollinger Band mit Punkt d über dem 20-er GD nach 3 tieferen Hoch s. Wenn ich einen Ausbruch aus Wechselstäben
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
Mehr1. Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes
1 Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 1 Woche: Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 5/ 44 Unser Modell Shannon
MehrAlgorithmen und Datenstrukturen Balancierte Suchbäume
Algorithmen und Datenstrukturen Balancierte Suchbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung Einfügen und Löschen Einfügen
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrOrderarten im Wertpapierhandel
Orderarten im Wertpapierhandel Varianten bei einer Wertpapierkauforder 1. Billigst Sie möchten Ihre Order so schnell wie möglich durchführen. Damit kaufen Sie das Wertpapier zum nächstmöglichen Kurs. Kurs
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrVERNEHMLASSUNGSBERICHT DER REGIERUNG BETREFFEND DIE ABÄNDERUNG DES KONSUMKREDITGESETZES (KKG) (UMSETZUNG DER RICHTLINIE 2011/90/EU)
VERNEHMLASSUNGSBERICHT DER REGIERUNG BETREFFEND DIE ABÄNDERUNG DES KONSUMKREDITGESETZES (KKG) (UMSETZUNG DER RICHTLINIE 2011/90/EU) Ressort Wirtschaft Vernehmlassungsfrist: 31. Januar 2013 3 INHALTSVERZEICHNIS
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrSANDBOXIE konfigurieren
SANDBOXIE konfigurieren für Webbrowser und E-Mail-Programme Dies ist eine kurze Anleitung für die grundlegenden folgender Programme: Webbrowser: Internet Explorer, Mozilla Firefox und Opera E-Mail-Programme:
Mehr+ Sicherheit + Flexibilität + Preisvorteil. Berufsunfähigkeitsversicherung. neue leben. start plan GO
+ Sicherheit + Flexibilität + Preisvorteil Berufsunfähigkeitsversicherung neue leben start plan GO Jetzt durchstarten und dreimal Pluspunkte sammeln Sichern Sie Ihr Einkommen ab. Vom ersten Arbeitstag
MehrBinäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen
Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
MehrEinführung in Scheduling
Einführung in Scheduling Dr. Julien Bidot Sommersemester 28 Institut für Künstliche Intelligenz Inhalt I. Definition und Formulierung des Scheduling- Problems II. Projektplanung III. Produktionsplanung
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra
Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
MehrAufgabe 6 Excel 2013 (Fortgeschrittene) Musterlösung
- 1 - Aufgabe 6 Excel 2013 (Fortgeschrittene) Musterlösung 1. Die Tabelle mit den Werten und Gewichten der Gegenstände, sowie die Spalte mit der Anzahl ist vorgegeben und braucht nur eingegeben zu werden
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrPflegende Angehörige Online Ihre Plattform im Internet
Pflegende Angehörige Online Ihre Plattform im Internet Wissen Wichtiges Wissen rund um Pflege Unterstützung Professionelle Beratung Austausch und Kontakt Erfahrungen & Rat mit anderen Angehörigen austauschen
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrCad-OasEs Int. GmbH. 20 Jahre UG/NX Erfahrung prägen Methodik und Leistungen. Nutzen Sie dieses Wissen!
Cad-OasEs Int. GmbH 20 Jahre UG/NX Erfahrung prägen Methodik und Leistungen Nutzen Sie dieses Wissen! Roland Hofmann Geschäftsführer der Cad-OasEs Int. GmbH Die Cad-OasEs bietet seit mehr als 20 Jahren
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrGründe für fehlende Vorsorgemaßnahmen gegen Krankheit
Gründe für fehlende Vorsorgemaßnahmen gegen Krankheit politische Lage verlassen sich auf Familie persönliche, finanzielle Lage meinen, sich Vorsorge leisten zu können meinen, sie seien zu alt nicht mit
MehrStackelberg Scheduling Strategien
Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:
Mehr