Kombinatorische Optimierung
|
|
- Bella Gerstle
- vor 5 Jahren
- Abrufe
Transkript
1 Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 Wiederholung TSP: Kurz: TSP kann mit relativer Güte 3/2 1/n approximiert werden Kurz: PTAS für euklidisches TSP Nichtapproximierbarkeit mit konstanter relativer Güte Geglättete Analyse für 2-Opt-Heuristik (lokale Suche) 2 Henning Meyerhenke:
3 Vorlesung 18 Programm: Packungsprobleme und deren Approximation 3 Henning Meyerhenke:
4 Inhalt Approximation Packungsprobleme Greedy-Heuristiken Ein asymptotisches Approximationsschema 4 Henning Meyerhenke:
5 Modellierungsaufgabe Sie sollen für eine Tischlerei folgende Aufgabe modellieren (und lösen): Für einen Auftrag muss die Tischlerei viele kurze Balken mit vorgegebenen Längen < 10m liefern. Vom Großhandel kann man Holzbalken der Länge 10m zum Preis von 5 EUR pro Stück kaufen. Diese Balken werden für den Auftrag in kleinere Stücke gesägt. [ mdhl/artikelbilder/lokales/mz-mlz-evz-gz/mslo/ms_ s/ _1_m3_bauspieltreff1.jpg?version= ] 5 Henning Meyerhenke:
6 Modellierungsaufgabe Sie sollen für eine Tischlerei folgende Aufgabe modellieren (und lösen): Für einen Auftrag muss die Tischlerei viele kurze Balken mit vorgegebenen Längen < 10m liefern. Vom Großhandel kann man Holzbalken der Länge 10m zum Preis von 5 EUR pro Stück kaufen. Diese Balken werden für den Auftrag in kleinere Stücke gesägt. Dabei soll möglichst wenig Verschnitt anfallen. Denn: Man will möglichst wenig lange Balken einkaufen müssen. [ mdhl/artikelbilder/lokales/mz-mlz-evz-gz/mslo/ms_ s/ _1_m3_bauspieltreff1.jpg?version= ] 5 Henning Meyerhenke:
7 Bin-Packing (Behälterproblem) formal OBdA skalieren wir die langen Balken auf Länge 1 (in der Abbildung weiterhin 10). Instanz: Liste nichtnegativer Zahlen a 1,..., a n 1. Aufgabe: Bestimme k N und eine Zuordnung f : {1,..., n} {1,..., k} mit i:f (i)=j a i 1 für alle j {1,..., k}, die k minimiert. [ binpacking.jpg?w=298&h=300] 6 Henning Meyerhenke:
8 Komplexität Theorem Das folgende Problem ist N P-vollständig: Entscheide für eine gegebene Instanz I von BIN-PACKING, ob es eine Lösung für I mit zwei Behältern gibt. Corollary Falls P = N P, dann gibt es keinen Approximationsalgorithmus für BIN-PACKING mit polynomieller Laufzeit und relativer Güte < 3/2. Frage: Warum? 1 oder: stark 7 Henning Meyerhenke:
9 Komplexität Theorem Das folgende Problem ist N P-vollständig: Entscheide für eine gegebene Instanz I von BIN-PACKING, ob es eine Lösung für I mit zwei Behältern gibt. Corollary Falls P = N P, dann gibt es keinen Approximationsalgorithmus für BIN-PACKING mit polynomieller Laufzeit und relativer Güte < 3/2. Frage: Warum? Theorem Das Entscheidungsproblem BIN-PACKING ist streng 1 N P-vollständig, d.h. das Problem bleibt auch bei unärer Kodierung N P-vollständig. 1 oder: stark 7 Henning Meyerhenke:
10 Greedy-Heuristiken Next-Fit-Algorithmus 1: function NEXTFIT(I = (a 1,..., a n )) 2: setze k := 1 Anzahl Behälter 3: setze S := 0 Füllstand des aktuellen Behälters 4: for i := 1 to n do 5: if S + a i > 1 then 6: setze k := k + 1 und S := 0 7: end if 8: setze f (i) := k und S := S + a i 9: end for 10: return (k, f ) Beispiel: Siehe Tafel! 8 Henning Meyerhenke:
11 Güte des Next-Fit-Algorithmus Theorem Der NEXTFIT-Algorithmus läuft in O(n) Zeit. Für jede Instanz I = (a 1,..., a n ) gilt: NF (I) 2 SUM(I) 1 2OPT (I) 1. Beweis. Laufzeit: Klar. Setze k := NF (I) und sei f die berechnete Zuordnung. Addieren zweier benachbarter Behälter: Für j = 1,..., k 2 folgt: i:f (i) {2j 1,2j} a i > Henning Meyerhenke:
12 Fortsetzung des Beweises Der NEXTFIT-Algorithmus läuft in O(n) Zeit. Für jede Instanz I = (a 1,..., a n ) gilt: NF (I) 2 SUM(I) 1 2OPT (I) 1. Beweis. Addieren aller Ungleichungen: k 2 < SUM(I). Linke Seite ganze Zahl k 1 2 k SUM(I) 1 2 Erste Ungleichung gezeigt, zweite ist trivial. 10 Henning Meyerhenke:
13 Diskussion NEXT-FIT garantiert relative Güte 2. Frage: Wann ist der Algorithmus besonders schlecht? 11 Henning Meyerhenke:
14 Diskussion NEXT-FIT garantiert relative Güte 2. Frage: Wann ist der Algorithmus besonders schlecht? Was passiert wohl mit der Güte, wenn alle Elemente klein sind? 11 Henning Meyerhenke:
15 Güte des Next-Fit-Algorithmus Proposition Sei 0 < γ < 1. Für jede Instanz I = (a 1,..., a n ) mit a i γ für alle i {1,..., n} gilt: SUM(I) NF (I). 1 γ Beweis. Ähnlich wie zuvor, Übung! 12 Henning Meyerhenke:
16 Diskussion NEXT-FIT hat relative Güte 2, bei kleinen Elementen sogar besser. Vorgehen des Algorithmus: Wenn Element nicht mehr passt, wird ein neuer Behälter verwendet. Frage: Fällt Ihnen direkt eine möglicherweise bessere Variante ein? 13 Henning Meyerhenke:
17 Greedy-Heuristiken First-Fit-Algorithmus 1: function FIRSTFIT(I = (a 1,..., a n )) 2: for i := 1 to n do { } 3: setze f (i) := min j N : h<i:f (h)=i a h + a i 1 4: end for 5: setze k := max i {1,...,n} f (i) 6: return (k, f ) Beispiel: Siehe Tafel! 14 Henning Meyerhenke:
18 Greedy-Heuristiken First-Fit-Algorithmus 1: function FIRSTFIT(I = (a 1,..., a n )) 2: for i := 1 to n do { } 3: setze f (i) := min j N : h<i:f (h)=i a h + a i 1 4: end for 5: setze k := max i {1,...,n} f (i) 6: return (k, f ) Beispiel: Siehe Tafel! Theorem FF (I) OPT (I). 14 Henning Meyerhenke:
19 Greedy-Heuristiken First-Fit-Decreasing-Algorithmus 1: function FIRSTFITDECREASING(I = (a 1,..., a n )) 2: setze I := absteigend sortierte Permutation von I 3: return FIRSTFIT(I ) Beispiel: Siehe Tafel! 15 Henning Meyerhenke:
20 Greedy-Heuristiken First-Fit-Decreasing-Algorithmus 1: function FIRSTFITDECREASING(I = (a 1,..., a n )) 2: setze I := absteigend sortierte Permutation von I 3: return FIRSTFIT(I ) Beispiel: Siehe Tafel! Theorem (Simchi-Levi, 1994) Der FIRST-FIT-DECREASING-Algorithmus ist ein Approximationsalgorithmus mit relativer Güte 3/2 für das BIN-PACKING-Problem. 15 Henning Meyerhenke:
21 Beweis der Güte Beweis. Sei I eine Instanz, setze k := FFD(I) und j := 2 3 k. Fall 1: Behälter j enthält Objekt der Größe > 1/2: Jeder Behälter mit kleinerem Index hatte keinen Platz für dieses Objekt. Absteigende Sortierung Es gibt j Objekte der Größe > 1/2. OPT (I) j 2 3 k. 16 Henning Meyerhenke:
22 Beweis der Güte Beweis. Sei I eine Instanz, setze k := FFD(I) und j := 2 3 k. Fall 1: Behälter j enthält Objekt der Größe > 1/2: Jeder Behälter mit kleinerem Index hatte keinen Platz für dieses Objekt. Absteigende Sortierung Es gibt j Objekte der Größe > 1/2. OPT (I) j 2 3 k. Fall 2: Behälter j enthält kein Objekt der Größe > 1/2: Kein Behälter mit Index j enthält Objekt der Größe > 1/2. Behälter j bis k enthalten mindestens 2(k j) + 1 Objekte, von denen keins in die Behälter mit den Indizes 1,..., j 1 passt. 2(k j) + 1 2(k ( 2 3 k )) k 1 3 j 1 OPT (I) SUM(I) Tafel! > j 1 OPT (I) j 2 3 k. 16 Henning Meyerhenke:
23 Asymptotische Approximationsgüte Wegen Korollar auf Folie 18/7 ist relative Güte 3/2 bestmöglich. Allerdings geht es in einem etwas anderen Sinn noch besser: Definition (Asymptotische relative Güte) Sei Π ein Optimierungsproblem mit nichtnegativen Gewichten. A heißt Approximationsalgorithmus mit asymptotischer relativer Güte α, wenn es eine Konstante c gibt und A zu jeder Instanz I von Π eine zulässige Lösung berechnet mit: 1 α OPT (I) c A(I) αopt (I)+c. 17 Henning Meyerhenke:
24 Asymptotische Approximationsgüte Wegen Korollar auf Folie 18/7 ist relative Güte 3/2 bestmöglich. Allerdings geht es in einem etwas anderen Sinn noch besser: Definition (Asymptotische relative Güte) Sei Π ein Optimierungsproblem mit nichtnegativen Gewichten. A heißt Approximationsalgorithmus mit asymptotischer relativer Güte α, wenn es eine Konstante c gibt und A zu jeder Instanz I von Π eine zulässige Lösung berechnet mit: 1 α OPT (I) c A(I) αopt (I)+c. Theorem (Dósa, 2007) Für alle Instanzen I des BIN-PACKING-Problems gilt FFD(I) 11 9 OPT (I) und diese Schranke ist bestmöglich. 17 Henning Meyerhenke:
25 Asymptotisches Approximationsschema Definition (Asymptotisches Approximationsschema) Ein AAS für Π ist ein Algorithmenpaar (A, A ) mit: A ist Polyn.zeit-Alg., der aus Eingabe ɛ > 0 eine Zahl c ɛ berechnet. A erhält eine Instanz I von Π und ein ɛ > 0 und liefert eine zulässige Lösung für I mit 1 1+ɛ OPT (I) c ɛ A(I, ɛ) (1 + ɛ)opt (I) + c ɛ. Die Laufzeit von A ist polynomiell in der Größe von I. 18 Henning Meyerhenke:
26 Asymptotisches Approximationsschema Definition (Asymptotisches Approximationsschema) Ein AAS für Π ist ein Algorithmenpaar (A, A ) mit: A ist Polyn.zeit-Alg., der aus Eingabe ɛ > 0 eine Zahl c ɛ berechnet. A erhält eine Instanz I von Π und ein ɛ > 0 und liefert eine zulässige Lösung für I mit 1 1+ɛ OPT (I) c ɛ A(I, ɛ) (1 + ɛ)opt (I) + c ɛ. Die Laufzeit von A ist polynomiell in der Größe von I. Theorem (Fernandez de la Vega und Lueker, 1981) Für jedes 0 < ɛ 1/2 und jede Instanz I des BIN-PACKING-Problems kann eine Lösung mit höchstens (1 + ɛ)opt (I) + ɛ 2 Behältern berechnet werden. Die dazu benötigte Zeit ist polynomiell in n, aber exponentiell in 1/ɛ. 18 Henning Meyerhenke:
27 Beweisidee Beweisidee. Formuliere das Problem als ganzzahliges LP. Relaxiere das ILP zu einem LP. Bestimme geeignete BIN-PACKING-Lösung aus der LP-Lösung und schätze deren Qualität ab. 19 Henning Meyerhenke:
28 Beweisidee Beweisidee. Formuliere das Problem als ganzzahliges LP. Relaxiere das ILP zu einem LP. Bestimme geeignete BIN-PACKING-Lösung aus der LP-Lösung und schätze deren Qualität ab. Algorithmusskizze: Partitioniere die n Zahlen in m + 2 Gruppen, ihrer Größe entsprechend. Verpacken der Gruppe mit den größten Zahlen: Einen Behälter pro Zahl benutzen. Verpacken der m mittleren Gruppen: In jeder dieser Gruppen alle Zahlen der größten gleich setzen und dann obige Abschätzung verwenden. Verpacken der Gruppe mit den kleinsten Zahlen, u.a. mit NEXTFIT. 19 Henning Meyerhenke:
29 ILP- und IP-Formulierung Zahlen der Instanz I: a 1,..., a m. I enthält genau b i Kopien von a i {T 1,..., T N } ist die Menge der Packmöglichkeiten eines Behälters: ILP: {T 1,..., T N } := min udn N x j j=1 { (k 1,..., k m ) Z m + : m k i a i 1 i=1 } (1) N t ji x j b i (i = 1,..., m) (2) j=1 x j Z + (j = 1,..., N) (3) 20 Henning Meyerhenke:
30 ILP- und IP-Formulierung Zahlen der Instanz I: a 1,..., a m. I enthält genau b i Kopien von a i {T 1,..., T N } ist die Menge der Packmöglichkeiten eines Behälters: LP: {T 1,..., T N } := min udn N x j j=1 { (k 1,..., k m ) Z m + : m k i a i 1 i=1 } (1) N t ji x j b i (i = 1,..., m) (2) j=1 x j R 0 (j = 1,..., N) (3) 20 Henning Meyerhenke:
31 Hilfsresultat 1 Lemma (Fernandez de la Vega und Lueker, 1981) Sei I eine Instanz von BIN-PACKING mit nur m verschiedenen Zahlen. Sei x eine zulässige Lösung von (LP 1-3) mit höchstens m nichtverschwindenden Komponenten. Dann kann eine Lösung für I mit höchstens N j=1 x j + m 1 2 Behältern in der Zeit O( I ) gefunden werden. 21 Henning Meyerhenke:
32 Beweis des Lemmas Beweis. Vektor x verpackt I i.a. nicht vollständig. (Manche Zahlen verpackt er mglw. öfter als notwendig, kein Problem.) Übrige Objekte bilden Instanz I. SUM(I ) N j=1 (x j x j ) m i=1 t jia i N j=1 x j N j=1 x j 22 Henning Meyerhenke:
33 Beweis des Lemmas Beweis. Vektor x verpackt I i.a. nicht vollständig. (Manche Zahlen verpackt er mglw. öfter als notwendig, kein Problem.) Übrige Objekte bilden Instanz I. SUM(I ) N j=1 (x j x j ) m i=1 t jia i N j=1 x j N j=1 x j Genügt z.z.: I kann man in SUM(I ) + m 1 2 Grund: Dann gilt für Gesamtzahl: N j=1 Rest: Siehe Tafel! x j + SUM(I m 1 ) + 2 N j=1 Behälter packen. m 1 x j Henning Meyerhenke:
34 Hilfsresultat 2 Corollary (Fernandez de la Vega und Lueker, 1981) Seien m und γ > 0 fest Konstanten. Sei I eine Instanz von BIN-PACKING mit nur m verschiedenen Zahlen, alle γ. Dann können wir eine Lösung mit OPT(I) + m 1 2 Behältern in der Zeit O( I ) finden. 23 Henning Meyerhenke:
35 Beweis des Korollars Beweis. SIMPLEX liefert optimale Basislösung x von (LP 1-3). Da jede Ecke N NB mit Gleichheit erfüllt, hat x höchstens m nichtverschwindende Komponenten. 24 Henning Meyerhenke:
36 Beweis des Korollars Beweis. SIMPLEX liefert optimale Basislösung x von (LP 1-3). Da jede Ecke N NB mit Gleichheit erfüllt, hat x höchstens m nichtverschwindende Komponenten. Zeit zur Bestimmung von x hängt nur von m und N ab. In jedem Behälter sind höchstens 1/γ Objekte. N (m + 1) 1 γ 24 Henning Meyerhenke:
37 Beweis des Korollars Beweis. SIMPLEX liefert optimale Basislösung x von (LP 1-3). Da jede Ecke N NB mit Gleichheit erfüllt, hat x höchstens m nichtverschwindende Komponenten. Zeit zur Bestimmung von x hängt nur von m und N ab. In jedem Behälter sind höchstens 1/γ Objekte. N (m + 1) 1 γ Da N j=1 x j OPT (I), folgt der Beweis mit vorigem Lemma. 24 Henning Meyerhenke:
38 Ein streng polynomielles asymptot. Approximationsschema Definition Ein streng polynomielles AAS ist ein AAS, dessen Laufzeit polynomiell in der Größe der Eingabe und in 1/ɛ ist. Theorem (Karmarkar und Karp, 1982) Es gibt ein streng polynomielles asymptotisches Approximationsschema für das BIN-PACKING-Problem. 25 Henning Meyerhenke:
39 Zusammenfassung Packungsprobleme sind allgegenwärtig in Industrie, Handel, Logistik, etc. Wir können nun unser Sägeproblem mit Hilfe von BIN-PACKING lösen. 26 Henning Meyerhenke:
40 Zusammenfassung Packungsprobleme sind allgegenwärtig in Industrie, Handel, Logistik, etc. Wir können nun unser Sägeproblem mit Hilfe von BIN-PACKING lösen. BIN-PACKING ist streng N P-vollständig. Mehrere Greedy-Heuristiken garantieren bereits relative Güte 2. Es gibt sogar (strenges) asymptotisches Approximationsschema. Dieses benutzt u.a. LP-Relaxierung. Andere (Meta)Heuristiken sind für die Praxis denkbar. 26 Henning Meyerhenke:
Algorithmische 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
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
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 16 Programm: Einführung
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
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
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
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
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
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
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
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
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
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
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
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
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
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)
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrApproximationsklassen für Optimierungsprobleme
Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................
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
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
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
MehrEinführung in Berechenbarkeit, Komplexität und Formale Sprachen
Einführung in Berechenbarkeit, Komplexität und Formale Sprachen V17, 10.12.09 Willkommen zur Vorlesung Einführung in Berechenbarkeit, Komplexität und Formale Sprachen Friedhelm Meyer auf der Heide 1 Rückblick:
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Map Labeling INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrOptimierung. Vorlesung 9
Optimierung Vorlesung 9 Heute Facility location problem 1. Komplemetärer Schlupf 2. Das Facility Location Problem 3. Problemstellung LP, Duales, Schlupf Eine Approximationsalgorithmus Analyse und Beweis
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
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
MehrKlausur Algorithmen und Datenstrukturen II 29. Juli 2013
Technische Universität Braunschweig Sommersemester 2013 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Stephan Friedrichs Klausur Algorithmen und Datenstrukturen
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
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
MehrEinführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
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 3 Programm des
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrVORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max
MehrEffiziente Algorithmen II
10. Präsenzaufgabenblatt, WiSe 2014/15 Übungstunde am 19.01.2015 Aufgabe Q Betrachten Sie das Knapsackpolytop P = conv(v ) mit V = {x n i=1 a ix i α} {0, 1} n für gegebenes α und a i 0 (insbesondere ist
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
MehrApproximationsalgorithmen. Approximation im Sinne der Analysis:
Approximationsalgorithmen Ulrich Pferschy 1 Approximationsalgorithmen Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung / Motivation
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrWiederholung. Divide & Conquer Strategie
Wiederholung Divide & Conquer Strategie Binäre Suche O(log n) Rekursives Suchen im linken oder rechten Teilintervall Insertion-Sort O(n 2 ) Rekursives Sortieren von a[1..n-1], a[n] Einfügen von a[n] in
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
MehrVorlesung Theoretische Informatik (Info III)
1 Vorlesung Theoretische Informatik (Info III) Prof. Dr. Dorothea Wagner Dipl.-Math. Martin Holzer 20. Dezember 2007 Einleitung Motivation 2 Thema heute Relative Approximation (Forts.) Approximationsschemata
MehrKompaktkurs Diskrete Optimierung
Technische Universität Braunschweig SS 08 Institut für Betriebssysteme und Rechnerverbund Postfach 339 D-3803 Braunschweig Notizen Kompaktkurs Diskrete Optimierung Henrik Peters Bearbeitungsstand: 17.
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrNP-vollständig - Was nun?
Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.
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
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
MehrOnline-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01
Online-Algorithmen Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Vortrag Bin Packing von Thilo Geertzen 25. Oktober 2000 Online Algorithmen
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 16.11.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
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
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
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
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
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
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
MehrApproximation im Sinne der Analysis:
1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische
MehrKap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18./20. VO A&D WS 08/09
MehrKap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 17.01.013 Parametrisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
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
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
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2006/07 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2006/07 in Trier Henning Fernau Universität Trier fernau@informatik.uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrLiteratur für diese VO. Überblick. Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. : Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO
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
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
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 Wiederholung Bin-Packing:
MehrWann sind Codes eindeutig entschlüsselbar?
Wann sind Codes eindeutig entschlüsselbar? Definition Suffix Sei C ein Code. Ein Folge s {0, 1} heißt Suffix in C falls 1 c i, c j C : c i = c j s oder 2 c C und einen Suffix s in C: s = cs oder 3 c C
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrApproximationsalgorithmen VU
1 Approximationsalgorithmen VU Institut für Computergraphik und Algorithmen Abteilung für Algorithmen und Datenstrukturen 186.102 Sommersemester 2011, 2h VU Motivation: Bereits viele einfache Optimierungsprobleme
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 29. Januar 2013 Näherungsalgorithmen, Fernau, Universität Trier, WiSe 2012/13
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrInformatik III - WS07/08
Informatik III - WS07/08 Kapitel 4 1 Informatik III - WS07/08 Prof. Dr. Dorothea Wagner dwagner@ira.uka.de Kapitel 4 : Komplexitätsklassen Informatik III - WS07/08 Kapitel 4 2 Sprachen, Probleme, Zeitkomplexität
MehrNP-Vollständigkeit einiger Zahlprobleme
NP-Vollständigkeit einiger Zahlprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 22. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 23. November 2017 INSTITUT FÜR THEORETISCHE 0 23.11.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 25. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 25.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
Mehr1 Einführung in Lineare Programme und Dualität
Gliederung Inhaltsverzeichnis 1 Einführung in Lineare Programme und Dualität 1 1.1 Lineare Programme......................... 1 1.2 Dualität............................... 2 2 Grundlegende Sätze und Definitionen
MehrAlgorithmen I - Tutorium 28 Nr. 2
Algorithmen I - Tutorium 28 Nr. 2 11.05.2017: Spaß mit Invarianten (die Zweite), Rekurrenzen / Mastertheorem und Merging Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 2016 2. Vorlesung Rundreiseprobleme Teil II Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
MehrRandomisierte und Approximative Algorithmen. Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn
Randomisierte und Approximative Algorithmen Prof. Dr. Heiko Röglin Institut für Informatik Universität Bonn 22. Januar 2018 Inhaltsverzeichnis 1 Einleitung 4 2 Greedy-Algorithmen 6 2.1 Vertex Cover................................
MehrFormaler. Gegeben: Elementfolge s = e 1,...,e n. s ist Permutation von s e 1 e n für eine lineare Ordnung ` '
Sortieren & Co 164 165 Formaler Gegeben: Elementfolge s = e 1,...,e n Gesucht: s = e 1,...,e n mit s ist Permutation von s e 1 e n für eine lineare Ordnung ` ' 166 Anwendungsbeispiele Allgemein: Vorverarbeitung
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrApproximationsschemata
Effiziente Algorithmen Aproximationsalgorithmen 312 Definition Approximationsschemata Sei A(ǫ) ein Approximationsalgorithmus mit einem Parameter ǫ. 1. A(ǫ) ist ein PTAS (polynomial time approximation scheme),
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2005/2006
1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2005/2006 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 16.12.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
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
Mehr