Betriebliche Optimierung
|
|
- Annegret Dunkle
- vor 5 Jahren
- Abrufe
Transkript
1 Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22
2 1 Das Travelling Salesperson Problem 2 Gemischt Ganzzahlige Programme Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 2 / 22
3 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie angewandter Natur Testproblem für neue algorithmische Ideen Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 3 / 22
4 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie angewandter Natur Testproblem für neue algorithmische Ideen Problembeschreibung Gegeben: n verschiedene Orte mit den paarweise Distanzen zwischen allen Orten Gesucht: Kürzeste Tour, die jeden Ort genau einmal besucht Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 3 / 22
5 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie angewandter Natur Testproblem für neue algorithmische Ideen Problembeschreibung Gegeben: n verschiedene Orte mit den paarweise Distanzen zwischen allen Orten Gesucht: Kürzeste Tour, die jeden Ort genau einmal besucht Ziel: Finde einen möglichst effizienten Algorithmus, der TSP löst. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 3 / 22
6 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 4 / 22
7 Das Travelling Salesperson Problem Komplexität eines Algorithmus Komplexität Komplexität eines Algorithmus beschreibt den benötigten Ressourcenbedarf. Zeitkomplexität: Anzahl der elementaren Rechenschritte die ein Algorithmus bis zur Terminierung benötigt. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 5 / 22
8 Das Travelling Salesperson Problem Komplexität eines Algorithmus Komplexität Komplexität eines Algorithmus beschreibt den benötigten Ressourcenbedarf. Zeitkomplexität: Anzahl der elementaren Rechenschritte die ein Algorithmus bis zur Terminierung benötigt. Speicherkomplexität: Menge an Speicherplatz die der Algorithmus benötigt. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 5 / 22
9 Das Travelling Salesperson Problem Komplexität eines Algorithmus Komplexität Komplexität eines Algorithmus beschreibt den benötigten Ressourcenbedarf. Zeitkomplexität: Anzahl der elementaren Rechenschritte die ein Algorithmus bis zur Terminierung benötigt. Speicherkomplexität: Menge an Speicherplatz die der Algorithmus benötigt. Komplexität wird von der Größe der Inputdaten abhängig gemacht! Graph mit n Knoten und m Kanten: Inputgröße von n+m Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 5 / 22
10 Das Travelling Salesperson Problem Komplexität eines Algorithmus Komplexität Komplexität eines Algorithmus beschreibt den benötigten Ressourcenbedarf. Zeitkomplexität: Anzahl der elementaren Rechenschritte die ein Algorithmus bis zur Terminierung benötigt. Speicherkomplexität: Menge an Speicherplatz die der Algorithmus benötigt. Komplexität wird von der Größe der Inputdaten abhängig gemacht! Graph mit n Knoten und m Kanten: Inputgröße von n+m Ganze Zahl x: Inputgröße von log(x) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 5 / 22
11 Das Travelling Salesperson Problem Komplexität eines Algorithmus O-Notation (Landau Symbol) Definition: f O(g) c > 0 x 0 : f(x) c g(x) x > x 0 Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 6 / 22
12 Das Travelling Salesperson Problem Komplexität eines Algorithmus O-Notation (Landau Symbol) Definition: f O(g) c > 0 x 0 : f(x) c g(x) x > x 0 Das bedeutet, dass das Wachstum von f asymptotisch gesehen (x ) nicht schneller verläuft als jenes von g. Problem mit Inputgröße n Polynomieller Algorithmus hat Laufzeit von O(n c ) für Konstante c. Exponentieller Algorithmus hat Laufzeit von O(c n ) für ein beliebiges c > 1. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 6 / 22
13 Das Travelling Salesperson Problem Hamiltonscher Kreis Hamiltonscher Pfad ist N P-vollständig! Wahrscheinlich existiert kein polynomieller Algorithmus. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 7 / 22
14 Das Travelling Salesperson Problem Hamiltonscher Kreis Hamiltonscher Pfad ist N P-vollständig! Wahrscheinlich existiert kein polynomieller Algorithmus. Dieser würde nämlich alle N P-vollständigen Probleme in Polynomialzeit lösen. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 7 / 22
15 Das Travelling Salesperson Problem Hamiltonscher Kreis Hamiltonscher Pfad ist N P-vollständig! Wahrscheinlich existiert kein polynomieller Algorithmus. Dieser würde nämlich alle N P-vollständigen Probleme in Polynomialzeit lösen. Das wichtigste offene Problem der theoretischen Informatik. Clay Mathematics Institute: 7 Millennium Probleme (bei Lösung eines dieser Probleme warten jeweils Dollar) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 7 / 22
16 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Definition (Pfad in einem Graphen G = (V,E)) Ein Pfad ist eine Folge von Knoten v 1,v 2,...,v k mit (v i,v i+1 ) E. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 8 / 22
17 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Definition (Pfad in einem Graphen G = (V,E)) Ein Pfad ist eine Folge von Knoten v 1,v 2,...,v k mit (v i,v i+1 ) E. Definition (Geschlossener Pfad) Ein geschlossener Pfad ist ein Pfad mit v 1 = v k Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 8 / 22
18 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Definition (Pfad in einem Graphen G = (V,E)) Ein Pfad ist eine Folge von Knoten v 1,v 2,...,v k mit (v i,v i+1 ) E. Definition (Geschlossener Pfad) Ein geschlossener Pfad ist ein Pfad mit v 1 = v k Definition (Hamiltonscher Kreis) Geschlossener Pfad in einem Graphen, der jeden Knoten genau einmal enthält. Gegeben: Graph G = (V,E) Gesucht: Existenz eines Hamiltonschen Kreises in G Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 8 / 22
19 Das Travelling Salesperson Problem Das Travelling Salesperson Problem TSP löst Hamiltonschen Pfad Gegeben sei ein Graph G = (V,E) und gesucht ist die Existenz eines Hamiltonschen Pfades in G. Reduziere dieses Problem auf eine TSP Instanz G = (V,E ): G beinhaltet eine Kante für jedes Paar von Knoten aus V (vollständiger Graph). Definiere die Abstände zwischen zwei Knoten (a, b) wie folgt: - falls e = (a,b) E setzte d(e) = 1, - sonst setzte d(e) = M (M >> n) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 9 / 22
20 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Theorem TSP ist N P-schwer. Beweis = Annahme: G besitzt einen Hamiltonschen Kreis K. Daraus folgt die Existenz einer TSP Lösung in G mit Länge n: man nimmt in der TSP Lösung ganz einfach alle Kanten aus K. Dies ist per Definition eine zulässige Lösung mit Gewicht n. = Annahme: G hat TSP Lösung mit Länge n Daraus folgt die Existenz eines Hamiltonschen Kreises in G: die TSP Lösung beinhaltet genau n Kanten von Gewicht 1, welche auch in G existieren (alle neuen Kanten haben ein Gewicht >> n). Somit entspricht diese Lösung per Definition einem Hamiltonschen Kreis in G. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 10 / 22
21 Das Travelling Salesperson Problem Approximationsalgorithmus O sei optimaler Zielfunktionswert eines Optimierungsproblems P. Definition (Approximationsalgorithmus mit multiplikativer Gütegarantie α) Ein Approximationsalgorithmus mit multiplikativer Gütegarantie α 1 liefert für P eine Lösung mit Zielfunktionswert O sodass: { } O O min O, = α O Konsequenz des Beweises Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 11 / 22
22 Das Travelling Salesperson Problem Approximationsalgorithmus O sei optimaler Zielfunktionswert eines Optimierungsproblems P. Definition (Approximationsalgorithmus mit multiplikativer Gütegarantie α) Ein Approximationsalgorithmus mit multiplikativer Gütegarantie α 1 liefert für P eine Lösung mit Zielfunktionswert O sodass: { } O O min O, = α O Konsequenz des Beweises Allgemeines TSP ist inapproximierbar! Egal wie schlecht die geforderte Multiplikative Güte auch ist! Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 11 / 22
23 Das Travelling Salesperson Problem Das Travelling Salesperson Problem Konzentration auf ein Unterproblem mit für die Praxis relevanten Eigenschaften! Definition (Das metrische TSP) Für alle Kanten (a,b) gilt, dass d(a,b) d(a,c)+d(c,b). Metrische Instanzen Euklidsche TSP Graphische TSP 2 3-Approximation von Christofides für metrische TSP. Verbessert auf 2 3 +ǫ von Gharan et.al.[2010]. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 12 / 22
24 Ganzzahlige Lineare Programme Einleitendes Ganzzahlige lineare Programme (ILP) sind ein guter Kandidat um kombinatorische Optimierungsprobleme zu lösen. Lineare Zielfunktion in n Variablen Maximierung Minimierung Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 13 / 22
25 Ganzzahlige Lineare Programme Einleitendes Ganzzahlige lineare Programme (ILP) sind ein guter Kandidat um kombinatorische Optimierungsprobleme zu lösen. Lineare Zielfunktion in n Variablen Maximierung Minimierung Lineare Ungleichungen als Nebenbedingungen Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 13 / 22
26 Ganzzahlige Lineare Programme Einleitendes Ganzzahlige lineare Programme (ILP) sind ein guter Kandidat um kombinatorische Optimierungsprobleme zu lösen. Lineare Zielfunktion in n Variablen Maximierung Minimierung Lineare Ungleichungen als Nebenbedingungen Koeffizienten und Konstante aus Q Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 13 / 22
27 Ganzzahlige Lineare Programme Einleitendes Ganzzahlige lineare Programme (ILP) sind ein guter Kandidat um kombinatorische Optimierungsprobleme zu lösen. Lineare Zielfunktion in n Variablen Maximierung Minimierung Lineare Ungleichungen als Nebenbedingungen Koeffizienten und Konstante aus Q Bedingungen an Variablen stetig (aus R) diskret (aus N oder Z) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 13 / 22
28 Ganzzahlige Lineare Programme Einleitendes Zwei Schwerpunkte: 1 Modellierung eines praxisrelevanten Problems als ILP. 2 Lösung eines ILP mittels Computer. Anwendungen Produktionsplanung Logistik Spieltheorie Dienstplanoptimierung... Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 14 / 22
29 TSP - Standard ILP Formulierung Man bezeichne die n Orte als 1,2...,n und modelliere den Problem mittels gerichteten Graphen: Für jedes Paar von Knoten führe die Kante (i,j) und (j,i) ein. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 15 / 22
30 TSP - Standard ILP Formulierung Man bezeichne die n Orte als 1,2...,n und modelliere den Problem mittels gerichteten Graphen: Für jedes Paar von Knoten führe die Kante (i,j) und (j,i) ein. Die Distanzen zischen Ort i und Ort j bezeichne man als d(i,j) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 15 / 22
31 TSP - Standard ILP Formulierung Man bezeichne die n Orte als 1,2...,n und modelliere den Problem mittels gerichteten Graphen: Für jedes Paar von Knoten führe die Kante (i,j) und (j,i) ein. Die Distanzen zischen Ort i und Ort j bezeichne man als d(i,j) x ij ist eine Binärvariable die sagt ob die Tour von i nach j führt. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 15 / 22
32 TSP - Standard ILP Formulierung n n min d(i,j) x ij (1) i=1 j=1 j i Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 16 / 22
33 TSP - Standard ILP Formulierung n n min d(i,j) x ij (1) s.t. i=1 j=1 j i n j=1 j i x ij = 1 i (2) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 16 / 22
34 TSP - Standard ILP Formulierung n n min d(i,j) x ij (1) s.t. s.t. i=1 j=1 j i n j=1 j i n j=1 j i x ij = 1 i (2) x ji = 1 i (3) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 16 / 22
35 TSP - Standard ILP Formulierung n n min d(i,j) x ij (1) s.t. s.t. i=1 j=1 j i n j=1 j i n j=1 j i i S j S j i x ij = 1 i (2) x ji = 1 i (3) x ij S 1 S V S > 1 (4) x ij {0,1} i,j = 1,...,n j i (5) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 16 / 22
36 TSP - Standard ILP Formulierung Problem: Exponentiell viele Nebenbedingungen werden durch (4) beschrieben. Idee - Löse das Problem ohne (4). Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 17 / 22
37 TSP - Standard ILP Formulierung Problem: Exponentiell viele Nebenbedingungen werden durch (4) beschrieben. Idee - Löse das Problem ohne (4). - Verletzt die Lösung Nebenbedingungen von (4): Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 17 / 22
38 TSP - Standard ILP Formulierung Problem: Exponentiell viele Nebenbedingungen werden durch (4) beschrieben. Idee - Löse das Problem ohne (4). - Verletzt die Lösung Nebenbedingungen von (4): Ja Füge die verletzte Nebenbedingungen hinzu und löse das Ganze iterativ nochmals. Nein Optimum gefunden! Es existieren aber auch Formulierungen mit polynomiell vielen Nebenbedingungen (kleiner Auszug): Miller,Tucker and Zemlin [1960] Gavish and Graves [1978] Finke, Claus and Gunn [1983] Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 17 / 22
39 TSP - Miller, Tucker and Zemlin [1960] u i (i {2,...,n}) sei eine beliebige reelle Variable mit u i [2,n] n n min d(i,j) x ij (6) s.t. s.t. i=1 j=1 j i n j=1 j i n j=1 j i x ij = 1 i (7) x ji = 1 i (8) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 18 / 22
40 TSP - Miller, Tucker and Zemlin [1960] u i (i {2,...,n}) sei eine beliebige reelle Variable mit u i [2,n] n n min d(i,j) x ij (6) s.t. s.t. i=1 j=1 j i n j=1 j i n j=1 j i x ij = 1 i (7) x ji = 1 i (8) s.t. u i u j +(n 1)x ij (n 2) 2 i j n (9) x ij {0,1} i,j = 1,...,n j i (10) Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 18 / 22
41 TSP - Miller, Tucker and Zemlin [1960] Die Nebenbedingungen u i u j +(n 1)x ij (n 2) 2 i j n eliminieren Subtouren! Beweis Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 19 / 22
42 TSP - Miller, Tucker and Zemlin [1960] Die Nebenbedingungen eliminieren Subtouren! u i u j +(n 1)x ij (n 2) 2 i j n Beweis Annahme wir haben eine Lösung mit Subtour: Somit beinhaltet eine der Subtouren Ort 1 nicht. Summiere über die relevanten MTZ Nebenbedingungen. Annahme wir haben eine zulässige TSP Tour in der Knoten i an der k-ten Position vorkommt: Setzte u i = k. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 19 / 22
43 TSP - Miller, Tucker and Zemlin [1960] Somit kommen wir mit ca. 2n +(n 1) 2 O(n 2 ) Nebenbedingungen aus. Instanzgrößen Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 20 / 22
44 TSP - Miller, Tucker and Zemlin [1960] Somit kommen wir mit ca. 2n +(n 1) 2 O(n 2 ) Nebenbedingungen aus. Instanzgrößen Instanzen mit < 1000 Knoten sind ILP-basiert auf Standardhardware lösbar. Mit aufwändigen Verfahren (Concorde,...) sind Instanzen mit mehreren Knoten in Reichweite. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 20 / 22
45 Vehicle Routing Problemdefinition 1 Depot, k Fahrzeuge und n Kunden jeder Kunde hat einen Bedarf an Gütern jedes Fahrzeug hat eine Transportkapazität Gesucht: Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 21 / 22
46 Vehicle Routing Problemdefinition 1 Depot, k Fahrzeuge und n Kunden jeder Kunde hat einen Bedarf an Gütern jedes Fahrzeug hat eine Transportkapazität Gesucht: k Touren mit optimalen Gesamtkosten durch die n Orte Bedarf der Kunden ist erfüllt Fahrzeuge sind nicht überladen Instanzen mit 100 Kunden sind bereits sehr schwer lösbar. Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 21 / 22
47 ILP - Auffrischung / Einführung MIT-Open Course Ware optimization-methods-in-management-science-spring-2013/tutorials/ von Donald E. Knuth Tutorial 1 Tutorial 4 Tutorial 9 Lizenzbestimmungen zu finden unter: Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 22 / 22
Betriebswirtschaftliche 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
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 / 21 1 Approximationsalgorithmen auf
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
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
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
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Approximationsalgorithmen auf metrischen Instanzen Minimum Spanning Tree Definition (Spannbaum) Ein Spannbaum in einem Graphen G = (V,E) ist ein kreisfreier Teilgraph
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
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrApproximierbarkeit. Definition. Ein Optimierungsproblem P ist gegeben durch ein Quadrupel. P = (I, Sol, m, goal), wobei:
Approximierbarkeit Ein Optimierungsproblem P ist gegeben durch ein Quadrupel wobei: P = (I, Sol, m, goal), I ist die Menge der Instanzen von P. Sol ist eine Funktion, die ein x I abbildet auf die Menge
MehrRundreiseproblem und Stabilität von Approximationsalg.
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Friedrich Alexander Universität Erlangen-Nürnberg Seminar Perlen der theoretischen Informatik, 2008-01-19 http://verplant.org/uni/perlen/
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrVarianten des Travelling Salesman Problem (TSP)
Varianten des Travelling Salesman Problem (TSP) Lars Schmidt und Dominik Wol 11.01.2010 Travelling Salesman Problem (TSP) TSP als ILP Asymmetrische Travelling Salesman Problem (ATSP) ATSP als ILP multiple
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
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
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
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
MehrApproximationsklassen für Optimierungsprobleme
Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................
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
MehrAnwendungsbeispiel: MTO
Anwendungsbeispiel MAXIMUM TREE ORIENTATION Universität Ulm 16. November 211 Inhaltsverzeichnis 1 Problemvorstellungen 2 Motivation 3 Integer Linear Programming 4 Tiefenbeschränkter Suchbaum 5 Konfliktgraph
MehrOptimierung. Vorlesung 08
Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T
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
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
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
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
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
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 / 19 1 Joachim Schauer ( Institut für
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
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
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
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
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
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
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
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
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
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
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
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
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)
WS 2015/16 Diskrete Strukturen Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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
MehrToleranzbasierte 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
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
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
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
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
Mehrlineare Programmierung
lineare Programmierung Viele Probleme sind durch lineare Gleichungssysteme charakterisiert lineare Programmiermethoden Der Lösungsraum ist häufig auf ganze Zahlen oder gar natürliche Zahlen eingeschränkt!
MehrTheoretische Informatik II
Theoretische Informatik II Einheit 5.2 Das P N P Problem 1. Nichtdeterministische Lösbarkeit 2. Sind N P-Probleme handhabbar? 3. N P-Vollständigkeit Bei vielen schweren Problemen ist Erfolg leicht zu testen
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
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrNetzwerkverbindungsspiele
Netzwerkverbindungsspiele Algorithmische Spieltheorie Sommer 2017 Annamaria Kovacs Netzwerkverbindungsspiele 1 / 12 Local Connection Spiel Computer (oder autonome Systeme) sind die Spieler (Knoten). Sie
MehrTraveling Salesman Problem (TSP) Exakte Algorithmen für NP-schwere Probleme Integer Lineare Programme Branch-and-Cut
Traveling Salesman Problem (TSP) Exakte Algorithmen für NP-schwere Probleme Integer Lineare Programme Branch-and-Cut VO Graphenalgorithmen WiSe 2009/10 Markus Chimani TU Dortmund NP-schwere Probleme 2
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
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
MehrKap. 5: Planaritätsbasierte Verfahren
Kap. 5: Planaritätsbasierte Verfahren Prof. Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering LS11 Universität Dortmund 23. VO WS07/08 21. Januar 2008 Literatur für diese VO M. Kaufmann, D. Wagner (Eds.):
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
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
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrEinige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
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
MehrTheoretische Informatik Mitschrift
10. Komplexitätstheorie Theoretische Informatik Mitschrift Klassifikation algorithmischer Probleme (formalisiert als Sprachen) nach ihrem Bedarf an Berechnungsressourcen (= Rechenzeit, Speicherplatz als
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
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
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
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
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
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 TSP: Kurz:
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
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
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
MehrGraphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen
Graphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen Dr. Gerold Jäger Habilitationsvorlesung Christian-Albrechts-Universität zu Kiel Institut für Informatik 21. April
Mehr11. Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P
11 Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P 11 Woche: Turingmaschinen, Entscheidbarkeit, P 239/ 333 Einführung in die NP-Vollständigkeitstheorie
MehrBeispiel Gröbnerbasen-Berechnung
Beispiel Gröbnerbasen-Berechnung Bsp: Seien f 1 = x 2 y + xy, f 2 = xy 2 + 1 R[x, y] in grlex-ordnung. S(f 1, f 2 ) = yf 1 xf 2 = xy 2 x. Division liefert S(f 1, f 2 ) = 1 f 2 x 1. Wir fügen f 3 = x 1
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
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
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
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:
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
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
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
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrSpieltheorie. Nash-Gleichgewichts-Berechnung. Bernhard Nebel und Robert Mattmüller. Arbeitsgruppe Grundlagen der Künstlichen Intelligenz 14.
Spieltheorie Nash-Gleichgewichts-Berechnung Albert-Ludwigs-Universität Freiburg Bernhard Nebel und Robert Mattmüller Arbeitsgruppe Grundlagen der Künstlichen Intelligenz 14. Mai 2012 14. Mai 2012 B. Nebel,
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
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 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
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
MehrLaufzeit einer DTM, Klasse DTIME
Laufzeit einer DTM, Klasse DTIME Definition Laufzeit einer DTM Sei M eine DTM mit Eingabealphabet Σ, die bei jeder Eingabe hält. Sei T M (w) die Anzahl der Rechenschritte d.h. Bewegungen des Lesekopfes
Mehr