Technische Universität München Zentrum Mathematik. Optimierung 2, WS 2008/09 Übungsblatt 12
|
|
- Busso Bayer
- vor 5 Jahren
- Abrufe
Transkript
1 Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt, Dr. M. Ritter Optimierung 2, WS 2008/09 Übungsblatt 12 Aufgabe 12.1 Betrachten Sie die folgenden Probleme: Problem (Hamiltonkreis) Gegeben: Ein Graph G = (V, E). Auftrag: Entscheide, ob G einen Hamiltonkreis besitzt. Problem (Gerichteter Hamiltonkreis) Gegeben: Ein Digraph G = (V, E). Auftrag: Entscheide, ob G einen (gerichteten) Hamiltonkreis besitzt. a) Zeigen Sie: Das Problem Hamiltonkreis kann polynomiell auf das Problem Gerichteter Hamiltonkreis reduziert werden. b) Was sagen Sie zu folgender Aussage: Hat man eine Instanz G = (V, E) von Gerichteter Hamiltonkreis gegeben, so deniert man einfach einen ungerichteten Graphen G = (V, E ) durch E := {{u, v} : (u, v) E}. Damit ist das Problem auf Hamiltonkreis reduziert. c) Zeigen Sie: Das Problem Gerichteter Hamiltonkreis kann polynomiell auf das Problem Hamiltonkreis reduziert werden. Lösung zu Aufgabe 12.1 a) Zu einer Instanz G = (V, E) von Hamiltonkreis denieren wir einen Digraphen G := (V, E ) durch E := {(u, v), (v, u)}. {u,v} E Besitzt G einen gerichteten Hamiltonkreis, so entspricht diesem natürlich auch ein Hamiltonkreis in G. Umgekehrt gibt es zu jedem Hamiltonkreis in G aber auch einen korrespondierenden Hamiltonkreis in G (genau genommen sogar zwei), wenn man sich auf eine Durchlaufrichtung festlegt. Also gilt: G besitzt genau dann einen Hamiltonkreis, wenn G einen besitzt, damit hat man die gewünschte polynomielle Reduktion. b) Die Aussage ist natürlich Unsinn, wie folgendes Beispiel zeigt: 1
2 Oenbar bestitzt der Digraph keinen gerichteten Hamiltonkreis, seine ungerichtete Version hat aber natürlich einen Hamiltonkreis. c) Sei G = (V, E) eine Instanz von Gerichteter Hamiltonkreis, dann nehmen wir folgende Transformation auf einen (ungerichteten) Graphen G = (V, E ) vor (vgl. Skizze): V := v V { v +, v, v } E := E 1 E 2 := {{ u, v +} : (u, v) E } ( {{ v +, v }, { v, v }}) v V v v + v v Wir zeigen, dass diese Transformation die gesuchte Reduktion darstellt. Dass die Transformation mit polynomiell beschränktem Aufwand durchführbar ist, ergibt sich aus der Tatsache, dass der neue Graph 3n Knoten und m + 2n Kanten besitzt, seine Gröÿe ist also polynomiell beschränkt in der Gröÿe des Digraphen G. Bleibt zu zeigen, dass G genau dann einen Hamiltonkreis enthält, wenn G einen gerichteten Hamiltonkreis enthält. Die eine Richtung ist klar: Falls G einen gerichteten Hamiltonweg enthält, ergibt sich daraus natürlich auch ein Hamiltonweg in G, wenn man jeden Knoten x durch die Knotenfolge x +, x, x ersetzt. Für die Umkehrung setzen wir voraus, dass G einen Hamiltonkreis enthält. Dieser Kreis enthält dann natürlich auch alle Mittelknoten, und mit einem Mittelknoten x sind auch die beiden Kanten {x +, x} und {x, x } im Hamiltonkreis enthalten, und zwar unmittelbar hintereinander (anders ist x ja nicht zu erreichen). Der Hamiltonkreis ist also eine Aneinanderreihung von Knotentripeln x +, x, x oder x, x, x +. Aus der Konstruktion 2
3 von G folgt aber, dass diese Tripel alle einheitlicher Reihenfolge durchlaufen werden müssen, d.h. auf einen Minusknoten folgt immer ein Plusknoten oder umgekehrt von einem x -Knoten kommt man ja nur zu einem y + -Knoten und umgekehrt. Ein solcher Hamiltonkreis entspricht aber einem gerichteten Hamiltonkreis in G, wenn man ihn in der Reihenfolge x +, x, x für alle Knoten durchläuft. Aufgabe 12.2 Wir zeigen, dass der Floyd-Warshall Algorithmus auf einem Graphen G = (V, E) mit n = V als Beispiel für dynamische Optimierung verstanden werden kann. Dazu konstruieren wir den zugehörigen Schichtgraphen. Dabei benutzen wir jeweils eine Schicht von Knoten für jeden Schritt des Algorithmus, also für jede Matrix D (k) G, k = 0,..., n, und einen Knoten pro Schicht für jeden Eintrag von = (δ(k) ij ) i,j [n]. D (k) G a) Skizzieren Sie die Knotenmenge des Schichtgraphen und beschreiben Sie die Bedeutung der einzelnen Knoten. Wieviele Knoten gibt es in Ihrem Schichtgraphen? b) Beschreiben Sie die Kantenmenge Ihres Schichtgraphen und die dazugehörige Stufenkostenfunktion. Was stellen Sie für Ihre Stufenkostenfunktion fest? c) Bestimmen Sie eine möglichst scharfe Laufzeitschranke für Ihren Algorithmus. Lösung zu Aufgabe 12.2 a) Neben einem Startknoten s benutzen wir für jeden der n Schritte (und für die urprüngliche Distanzmatrix) des Floyd-Warshall-Algorithmus eine Schicht von Knoten, die den Matrix-Einträgen des entsprechenden Schrittes entsprechen. Der Eintrag an Stelle (i, j) in der k-ten Matrix repräsentiert die Länge eines kürzesten v i, v j -Weges in dem gegebenen Graphen, der nur Knoten v 1,..., v k als Zwischenknoten benutzt, für k = 0 entspricht er dem Wert der Distanzmatrix an der Stelle (i, j). Den entsprechenden Knoten in unserem Schichtgraphen (der sich in Schicht k bendet) indizieren wir als v i,j,k. Insgesamt haben wir damit s und v i,j,k i, j {1,..., n}, k {0,..., n}, also n 2 (n+1)+1 Knoten. b) Die erste Schicht der Knoten v i,j,0 unseres Graphen soll jeweils die Kantenlängen zwischen Knoten v i und v j angeben. Dazu verbinden wir s mit einer Kante mit jedem dieser Knoten, und benutzen als Stufenkostenfunktion φ((s, v i,j,0 )) = w((v i, v j )), falls (v i, v j ) E und φ((s, v i,j,1 )) = sonst. Damit enthalte die Schicht k die kürzesten Wege zwischen Knoten allein mit Zwischenknoten aus v 1,...v k. Die Kanten zu Schicht k + 1 entstehen folgendermaÿen: Da ein kürzester Weg über Knoten v 1,..., v k+1 zwischen zwei Knoten möglicherweise den Knoten v k+1 gar nicht benutzt, haben wir Kanten (v i,j,k, v i,j,k+1 ) mit φ((v i,j,k, v i,j,k+1 )) = 0, so dass das Label von Knoten v i,j,k direkt für v i,j,k+1 übernommen werden kann. 3
4 Durch das Erlauben von v k+1 auf dem Weg entstehen durch den Dreiecksoperator möglicherweise v i, v j -Wege der Form v i,..., v k+1,..., v j. Dessen Länge setzt sich natürlich zusammen aus der Länge des Weges v i,..., v k+1 und des Weges v k+1,..., v j. Dementsprechend fügen wir dem Schichtgraphen Kanten von v i,k+1,k zu v i,j,k+1 hinzu mit φ((v i,k+1,k, v i,j,k+1 )) = δ(v k+1,j,k ), wobei δ(v k+1,j,k ) dem Label des Knotens v k+1,j,k entspricht, also der Länge eines kürzesten v k+1, v j -Weges über Knoten v 1,..., v k. Da δ(v i,k+1,k ) der Länge eines kürzesten v i, v k+1 -Weges über Knoten v 1,..., v k entspricht, wird das Label des Knotens v i,j,k+1 genau mit der Länge eines kürzesten v i, v j -Weges über v 1,..., v k+1 belegt, wenn wir das Minimum der angebotenen Wege zum Knoten auswählen. Diese Stufenkostenfunktion lässt sich nicht geschlossen angeben: Mit der Denition φ((v i,k+1,k, v i,j,k+1 )) = δ(v k+1,j,k ) kennen wir die Kantengewichte zur Schicht k + 1 erst, nachdem wir die Knotenlabels der Schicht k berechnet haben. Für unseren Algorithmus ist dies unproblematisch. c) Wir bestimmen eine Laufzeitschranke für unseren Algorithmus durch die Anzahl der Knoten und Kanten in unserem Graphen. Nach Aufgabe a) haben wir n 3 +n+1 Knoten. Von s laufen n 2 Kanten zu den Knoten der ersten Schicht. Danach haben wir n weitere Übergänge von einer Schicht zur nächsten. In diesen gibt es für jeden Knoten v i,j,k eine Kante zu v i,j,k+1 und für n weitere Knoten v i,k+1,k (i {1,..., n}) jeweils n weitere Kanten zu Knoten v i,j,k+1 (j {1,..., n}). Wir haben also n 2 +n 2 = 2n 2 Kanten für einen solchen Schichtübergang. Zusammen haben wir n 3 + n + 1 Knoten und n 2 + n (2n 2 ) = n 2 + 2n 3 Kanten, sind also in O(n 3 ). (Vgl. Vorlesung) Aufgabe 12.3 Hausaufgabe a) Erweitern Sie den Euklidischen Algorithmus (6.1.9 der Vorlesung) zur Bestimmung des gröÿten gemeinsamen Teilers zweier Zahlen a, b N derart, dass Faktoren s, t Z bestimmt werden, so dass ggt (a, b) = s a + t b. Begründen Sie die Korrektheit Ihres Algorithmus. b) Benutzen Sie Ihren Algorithmus aus Teilaufgabe a), um eine ganzzahlige Lösung der folgenden diophantischen Gleichung zu bestimmen: 6 x x x 3 = 16 c) Bestimmen Sie alle ganzzahligen Lösungen der Gleichung aus Teilaufgabe b) analog zur Vorlesung. (Vgl. Beispiel der Vorlesung.) Lösung zu Aufgabe
5 Algorithmus 1 : Erweiterter Euklidischer Algorithmus Input : a, b N Output : s, t Z mit ggt (a, b) = s a + t b Setze k = 0; r 0 = a, r 1 = b; s 0 = 1, s 1 = 0; t 0 = 0, t 1 = 1. while r k+1 0 do k := k + 1 q k := r k 1 r k r k+1 := r k 1 q k r k s k+1 := s k 1 q k s k t k+1 := t k 1 q k t k end return: s = s k, t = t k a) Analog zu Algorithmus wird eine Folge fallender r k konstruiert, die als ggt von a und b in Frage kommen. Sobald r k+1 = r k 1 q k r k = 0 brechen wir ab, da wir dadurch wissen, dass r k 1 r k N und wir hiermit feststellen, dass ggt (a, b) = ggt (r k 1, r k ) = r k ist. (Vgl. Lemma ). Mit der gewählten Initialisierung gilt r 0 = a = 1 a + 0 b = s 0 a + t 0 b r 1 = b = 0 a + 1 b = s 1 a + t 1 b Die Belegungen der s k und t k erfolgen nun analog zu den Belegungen der r k, so dass stets r k = s k a + t k b gilt. Da am Ende des Algorithmus ggt (a, b) = r k gilt, arbeitet der Algorithmus korrekt. b) Nach Lemma und Bemerkung berechnen wir (iterativ) den ggt der drei Koef- zienten. (Natürlich kann man ihn in diesem Beispiel einfach ablesen.) Hierzu benutzen wir unseren erweiterten Euklidischen Algorithmus, so dass wir dabei die Lösung der Gleichung mitbestimmen. Schritt 1: ggt (6, 12) = 6 = durch Ablesen oder wie folgt r 0 = 6, s 0 = 1, t 0 = 0 r 1 = 12, s 1 = 0, t 1 = 1 r 2 = = 6, s 2 = 1, t 2 = 0 r 3 = = 0, s 3 = = 2, t 3 = = 1 Also: s = s 2 = 1, t = t 2 = 0 Schritt 2: ggt (6, 14) = 2 = durch Ablesen oder wie folgt r 0 = 6, s 0 = 1, t 0 = 0 r 1 = 14, s 1 = 0, t 1 = 1 r 2 = = 6, s 2 = 1, t 2 = 0 r 3 = = 2, s 3 = = 2, t 3 = = 1 r 4 = = 0, s 4 = 1 3 ( 2), t 4 = = 3 Also: s = s 3 = 2, t = t 3 = 1 5
6 Schritt 3: Zusammen ergibt sich ggt (6, 12, 14) = 2 = 2 ggt (6, 12)+1 14 = 2( )+1 14 = Da 16 = 2 8 erhalten wir als Lösung x 1 = 2 8 = 16, x 2 = 0, x 3 = 1 8 = 8. c) In Matrixschreibweise sehen unsere ggt -Berechnungen wie folgt aus: (6, 12, 14) = (6, 0, 14) (6, 0, 14) = (6, 0, 2) (6, 0, 2) = (0, 0, 2) Wir erhalten eine Matrix C = = mit (6, 12, 14)C = (0, 0, 2). Damit ist 6 x x x 3 = 2β lösbar für β Z, also insbesondere für 2β = 16. C ist regulär, also gilt für y := (y 1, y 2, y 3 ) T := C 1 x 16 = (6, 12, 14)x = (6, 12, 14)Cy = (0, 0, 2)y = 2y 3 Damit ist y 3 = 8 und wir erhalten alle Lösungen in der Form x = Cy = (7, 0, 3) T y 1 + ( 2, 1, 0) T y 2 + ( 2, 0, 1) T 8, wobei y 1, y 2 Z beliebig sind. 6
Technische Universität München Zentrum Mathematik. Optimierung 2, WS 2008/09 Übungsblatt 10
Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt, Dr. M. Ritter Optimierung 2, WS 2/9 Übungsblatt 1 Aufgabe 1.1 Betrachten Sie das Problem Subset
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
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
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrTechnische Universität München Fakultät für Mathematik Algorithmische Diskrete Mathematik WS 2012/2013 Prof. Dr. P. Gritzmann 22.
Note: Name Vorname Matrikelnummer Studiengang Unterschrift der Kandidatin/des Kandidaten Hörsaal Reihe Platz Technische Universität München Fakultät für Mathematik Algorithmische Diskrete Mathematik WS
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
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 22.12.2011 INSTITUT FÜR THEORETISCHE 0 KIT 09.01.2012 Universität des Andrea Landes Schumm Baden-Württemberg - Theoretische und Grundlagen der Informatik
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 008/09 Blatt
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
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrGliederung. Algorithmen und Datenstrukturen II. Graphen: All-pairs shortest paths. Graphen: All-pairs shortest paths. Graphen: Kürzeste Pfade III
Gliederung Algorithmen und Datenstrukturen II : Kürzeste Pfade III D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg 1 Problem Transitiver
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 16.12.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrÜbungen zur Vorlesung Grundbegriffe der Theoretischen Informatik Thomas Schwentick
Übungen zur Vorlesung Grundbegriffe der Theoretischen Informatik Thomas Schwentick Gaetano Geck, Moritz Martens, Martin Schuster SoSe 2014 Übungsblatt 12 24.6.2014 Abgabe bis spätestens am Dienstag, 1.7.2014
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
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
Mehr2.6 Asymptotische Approximation: Min Binpacking
2.6 Asymptotische Approximation: Min Binpacking In diesem Abschnitt geht es die Erscheinung, dass manche Optimierungsprobleme Approximationsalgorithmen haben, die nur für Inputs x mit groÿem Wert m (x)
MehrTechnische Universität München Zentrum Mathematik. Optimierung 3, SS 2009 Übungsblatt 12
Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Inf. Dipl.-Math. S. Borgwardt Optimierung 3, SS 009 Übungsblatt Aufgabe. Sei ϕ : R n R stetig dierenzierbar und nach unten
MehrÜbung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:
Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu
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
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
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
MehrKürzeste Wege. Ein Startknoten, nichtnegative Gewichte
Kürzeste Wege Gegeben ein Digraph D = (V, A) mit Bogengewichten c(a). Aufgabe: Finde einen Weg W von einem Knoten zu allen anderen oder zu einem bestimmten mit c(w) minimal. Problem: negative Gewichte
MehrSingle Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths
Shortest Paths Label Correcting Algorithms Florian Reitz Universität Trier Fachbereich IV Fach Informatik Seminar Netzwerkalgorithmen WS 2005/2006 Einleitung: Problemübersicht Eben: Schnelle Algorithmen
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
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
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
MehrNaiver Algorithmus für Hamiltonkreis
Naiver Algorithmus für Hamiltonkreis Algorithmus HAMILTON EINGABE: G = ([n], E) in Adjazenzmatrixdarstellung 1 Für alle Permutationen π : [n] [n]. 1 Falls (π(1), π(2),..., π(n)) ein Kreis in G ist, AUSGABE
Mehr2. Klausur Datenstrukturen und Algorithmen SS 2014
Prof. aa Dr. E. Ábrahám F. Corzilius, S. Schupp, T. Ströder 2. Klausur Datenstrukturen und Algorithmen SS 2014 Vorname: Nachname: Studiengang (bitte genau einen markieren): Informatik Bachelor Informatik
MehrKlausur Algorithmentheorie
Prof. Dr. G. Schnitger Frankfurt, den 24.02.2011 M. Poloczek Klausur Algorithmentheorie WS 2010/2011 Name: Vorname: Geburtsdatum: Studiengang: BITTE GENAU LESEN Die Klausur besteht aus 4 Aufgaben, in denen
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,
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrKap. 6.6: Kürzeste Wege
0.0.00 Nachtest für Ausnahmefälle Kap..: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund./. VO DAP SS 00./. Juli 00 Di. Juli 00, :00 Uhr, OH, R.
MehrWeitere NP-vollständige Probleme
Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
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
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrDas Rucksackproblem. Definition Sprache Rucksack. Satz
Das Rucksackproblem Definition Sprache Rucksack Gegeben sind n Gegenstände mit Gewichten W = {w 1,...,w n } N und Profiten P = {p 1,...,p n } N. Seien ferner b, k N. RUCKSACK:= {(W, P, b, k) I [n] : i
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
MehrGrundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9
Grundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9 Aufgabe 9.1 (5+ Punkte) Für Graphen mit gewichteten Kanten steht in der Adjazenzmatrix an der Stelle i,j eine 0, falls es keine Kante von i
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
MehrSeien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren.
Beweis: 1. 2. Seien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren. Widerspruchsannahme: Es gibt zwei verschiedene Pfade zwischen u und v. Dann gibt es einen
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 5: Suchalgorithmen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 20. März 2018 1/91 WIEDERHOLUNG - BÄUME / bin etc home
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrTheoretische Grundlagen der Informatik. Vorlesung am 17. Januar INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik 0 17.01.2019 Torsten Ueckerdt - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Evaluation Ergebnisse
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrOrganisatorisches. Programmierpraktikum Das Canadian Traveller Problem. Organisatorisches. Organisatorisches
Organisatorisches Programmierpraktikum Das Canadian Traveller Problem Rainer Schrader Birgit Engels Anna Schulze Zentrum für Angewandte Informatik Köln. April 006 Prof. Dr. Rainer Schrader Tel.: 470-600
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
MehrAlgorithmische Mathematik I
Algorithmische Mathematik I Wintersemester 2011 / 2012 Prof. Dr. Sven Beuchler Peter Zaspel Übungsblatt zur Wiederholung Teil 1. Abgabe am -. Aufgabe 1. a) Was ist eine B-adische Darstellung mit fixer
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
MehrStud.-Nummer: Datenstrukturen & Algorithmen Seite 1
Stud.-Nummer: Datenstrukturen & Algorithmen Seite 1 Aufgabe 1. / 15 P Hinweise: 1) In dieser Aufgabe sollen Sie nur die Ergebnisse angeben. Diese können Sie direkt bei den Aufgaben notieren. 2) Sofern
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
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 9 Programm: Übungsblatt
MehrDigraphen, DAGs und Wurzelbäume
Digraphen (gerichtete Graphen) Slide 1 Digraphen, DAGs und Wurzelbäume Digraphen (gerichtete Graphen) Slide 2 Eingangs- und Ausgangsgrad Bei einer gerichteten Kante e = (u,v) E heißt u Startknoten von
Mehr7. Der Entwurf von Algorithmen (Fortsetzung)
Prof. Dr. Norbert Blum M.Sc. Adrian Schmitz Informatik V BA-INF 041 - Algorithmen und Berechnungskomplexität II SS 2015 Mögliche Klausuraufgaben Stand 1. Juli 2015 Bitte beachten Sie, dass die tatsächlichen
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
MehrAlgorithmen I - Tutorium 28 Nr. 12
Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
MehrZentralübung zur Vorlesung Diskrete Strukturen
WS 2010/11 Zentralübung zur Vorlesung Diskrete Strukturen Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/uebung/ 2. Februar 2011 ZÜ DS ZÜ XIII 1. Übungsbetrieb:
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrGraphalgorithmen II. Werner Sembach Werner Sembach Graphalgorithmen II / 22
Graphalgorithmen II Werner Sembach 14.04.2014 Werner Sembach Graphalgorithmen II 14.04.2014 1 / 22 Übersicht Datenstrukturen Union-Find Fibonacci-Heap Werner Sembach Graphalgorithmen II 14.04.2014 2 /
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)
WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrZählen perfekter Matchings in planaren Graphen
Zählen perfekter Matchings in planaren Graphen Kathlén Kohn Institut für Mathematik Universität Paderborn 25. Mai 2012 Inhaltsverzeichnis Motivation Einführung in Graphentheorie Zählen perfekter Matchings
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
MehrHärte von Hamilton-Kreis und TSP Überblick über die Komplexitätslandschaft
Härte von Hamilton-Kreis und TSP Überblick über die Komplexitätslandschaft Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 5. Februar 2010 Berthold Vöcking, Informatik
MehrEffiziente Algorithmen I
9. Präsenzaufgabenblatt, WiSe 2013/14 Übungstunden am 13.01. & 15.01.2014 Aufgabe Q Gegeben sei ein Fluss-Netzwerk mit Digraph D = (V, A), Knotenkapazitäten c(u, v) 0, Quelle s und Senke t. Kann sich der
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
MehrTheoretische Grundlagen der Informatik. Vorlesung am 8. Januar INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik 0 08.01.2019 Torsten Ueckerdt - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Letzte Vorlesung Eine
Mehr10 Kürzeste Pfade SSSP-Problem
In diesem Kapitel setzen wir uns mit der Berechnung von kürzesten Pfaden in einem Graphen auseinander. Definition 10.1 (Pfadgewichte). i) Das Gewicht eines Pfades p = (v 0, v 1,..., v k ) ist die Summe
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
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
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrAufgabe Mögliche Punkte Erreichte Punkte a b c d Σ a b c d Σ x1 13
Universität Karlsruhe Theoretische Informatik Fakultät für Informatik WS 2003/04 ILKD Prof. Dr. D. Wagner 14. April 2004 2. Klausur zur Vorlesung Informatik III Wintersemester 2003/2004 Hier Aufkleber
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrEinführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
Mehr12.4 Traveling Salesman Problem
96 KOMBINATORISCHE SUCHE.4 Traveling Salesman Problem Definition.3(TSP, Problem des Handlungsreisenden): Wir betrachten einen gerichteten, gewichteten Graphen G = (V,E) mit K : V R. K({u,v}) sind die Kosten
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
MehrDAP2 Probeklausur. Matrikelnummer Vorname Nachname. Datum: 24. Juli C. Sohler A. Krivo²ija, A. Rey, H. Sandvoÿ
SoSe 2017 C. Sohler A. Krivo²ija, A. Rey, H. Sandvoÿ DAP2 Probeklausur Datum: 2. Juli 2017 Matrikelnummer Vorname Nachname Diese Klausur besteht aus acht Aufgaben mit insgesamt 50 Punkten. Zum Bestehen
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrSeminar: Data Mining. Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen. Ein Vortrag von Mathias Rohde. 11.
Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen 11. Juni 2009 Gliederung 1 Problemstellung 2 Vektorprodukt Approximationen Samplesammlung 3 Schritte Lokalität und Nachrichtenkomplexität
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 16: Erste Algorithmen in Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für
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
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
MehrRelationen und DAGs, starker Zusammenhang
Relationen und DAGs, starker Zusammenhang Anmerkung: Sei D = (V, E). Dann ist A V V eine Relation auf V. Sei andererseits R S S eine Relation auf S. Dann definiert D = (S, R) einen DAG. D.h. DAGs sind
Mehr