Das Problem des minimalen Steiner-Baumes
|
|
|
- Inken Acker
- vor 5 Jahren
- Abrufe
Transkript
1 Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
2 Gliederung Problemstellung Motivation Formale Definition Beispiele 2 Andere Arbeiten 3 Approximationsalgorithmus Definition des Algorithmus von Kou, Markowsky und Berman 4 Analyse Laufzeit Relative Gütegarantie 5 Zusammenfassung Benedikt Wagner Steiner-Baum-Approximation /27
3 Motivation Benedikt Wagner Steiner-Baum-Approximation /27
4 Motivation Benedikt Wagner Steiner-Baum-Approximation /27
5 Definition Steiner-Baum-Problem Gegeben: Ungerichteter gewichteter zusammenhängender Graph G = (V, E, d), E {{u, v} V V u v}, d : E R + 0 Steinerpunkte S V Gesucht: Baum T = (V, E ) sodass v S v V (Steinerbaum) wobei d(e) minimal e E Das Steiner-Baum-Problem ist N P-schwer Benedikt Wagner Steiner-Baum-Approximation /27
6 Definition Steiner-Baum-Problem Gegeben: Ungerichteter gewichteter zusammenhängender Graph G = (V, E, d), E {{u, v} V V u v}, d : E R + 0 Steinerpunkte S V Gesucht: Baum T = (V, E ) sodass v S v V (Steinerbaum) wobei d(e) minimal e E Das Steiner-Baum-Problem ist N P-schwer Benedikt Wagner Steiner-Baum-Approximation /27
7 Beispiele Minimaler Spannbaum entspricht nicht dem minimalen Steinerbaum 2 Benedikt Wagner Steiner-Baum-Approximation /27
8 Beispiele Minimaler Spannbaum entspricht nicht dem minimalen Steinerbaum 2 Benedikt Wagner Steiner-Baum-Approximation /27
9 Beispiele Knoten, die nicht markiert sind, können nicht einfach entfernt werden 5 Benedikt Wagner Steiner-Baum-Approximation /27
10 Beispiele Knoten, die nicht markiert sind, können nicht einfach entfernt werden 5 Benedikt Wagner Steiner-Baum-Approximation /27
11 Andere Arbeiten eines von Karps 2 N P-vollständigen Problemen [Kar72] diverse Approximationsalgorithmen z.b. [Meh88] [RZ00] Gröpl, Hougardy, Nierhoff, Prömel zeigen: P N P es gibt kein PTAS für das Steinerbaumproblem [GHNP73] Benedikt Wagner Steiner-Baum-Approximation /27
12 aus [Kar72] Benedikt Wagner Steiner-Baum-Approximation /27
13 EXACT-COVER Gegeben: Endliche Menge M = {u,... u n }, Teilmengen X = {S,..., S m } Gefragt: Gibt es eine Auswahl {S i, S j,..., S k } X, sodass S i, S j,..., S k disjunkt S X S = M Benedikt Wagner Steiner-Baum-Approximation /27
14 EXACT-COVER Gegeben: Endliche Menge M = {u,... u n }, Teilmengen X = {S,..., S m } Gefragt: Gibt es eine Auswahl {S i, S j,..., S k } X, sodass S i, S j,..., S k disjunkt S X S = M Benedikt Wagner Steiner-Baum-Approximation /27
15 EXACT-COVER K STEINER TREE S 0 u Gegeben: M = {u,... u n }, m Teilmengen S i M EXACT-COVER Instanz ist Ja- Instanz Graph hat Steinerbaum mit Gewicht kleiner gleich k v 0 js j js m j k = n S m 0 u n Benedikt Wagner Steiner-Baum-Approximation /27
16 Der Approximationsalgorithmus von Kou, Markowsky und Berman Benedikt Wagner Steiner-Baum-Approximation /27
17 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v 2 0 v 7 8 v v v G 2 v9 v 5 9 v 4 v 3 Benedikt Wagner Steiner-Baum-Approximation /27
18 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v 2 0 v 7 8 v v v G 2 v9 v 5 9 v 4 v 3 Benedikt Wagner Steiner-Baum-Approximation /27
19 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v v G 4 4 v 2 v 3 Benedikt Wagner Steiner-Baum-Approximation /27
20 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) T v 4 v v 2 v 3 Benedikt Wagner Steiner-Baum-Approximation /27
21 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V v G S Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v 2 v 7 v v v9 v 5 v 3 v 4 Benedikt Wagner Steiner-Baum-Approximation /27
22 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V v T S Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v 2 v 7 v v v9 v 5 v 3 v 4 Benedikt Wagner Steiner-Baum-Approximation /27
23 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V v T H Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) v 2 v v 9 v 5 v 3 v 4 Benedikt Wagner Steiner-Baum-Approximation /27
24 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
25 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
26 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
27 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
28 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
29 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
30 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
31 Der Approximationsalgorithmus [KMB8] Eingabe: G = (V, E, d), S V Vollständiger Graph G = (S, E, d ) d ({u, v}) = d(shortestpath(g, u, v)) 2 T MST (G ) 3 Packe kürzeste Wege in T aus erhalte G S 4 T S MST (G S ) 5 T H T S ohne unnötige Zweige Ausgabe: T H (wobei MST (G) einen minimalen Spannbaum in G berechnet) Benedikt Wagner Steiner-Baum-Approximation /27
32 Worst-Case Laufzeit im RAM-Modell Konstruktion von G aus kürzesten Wegen: O( S V 2 ) 2 Minimaler Spannbaum in G : O( S 2 ) 3 Konstruktion von G S : O( V 2 ) 4 Minimaler Spannbaum in G S : O( V 2 ) 5 Unnötige Blätter entfernen: O( V ) Gesamt: O( S V 2 ) Benedikt Wagner Steiner-Baum-Approximation /27
33 Laufzeit von Schritt 3 Schritt 3: Konstruiere aus T S den Graphen G S Kanten durch kürzeste Wege ersetzen Step 3 could be done in O( V ) time [KMB8] Benedikt Wagner Steiner-Baum-Approximation /27
34 Laufzeit von Schritt 3 Schritt 3: Konstruiere aus T S den Graphen G S Kanten durch kürzeste Wege ersetzen Step 3 could be done in O( V ) time [KMB8] Kantengewichte dürfen 0 sein Wahl der kürzesten Wege ist beliebig Benedikt Wagner Steiner-Baum-Approximation /27
35 Notation T H : Steinerbaum, erzeugt vom Approximationsalgorithmus [KMB8] D H : Summe der Kantengewichte in T H T MIN : minimaler Steinerbaum D MIN : Summe der Kantengewichte in T MIN b: Anzahl der Blätter in T MIN d(p): Länge eines einfachen Pfades/Zyklus P Benedikt Wagner Steiner-Baum-Approximation /27
36 Relative Gütegarantie Theorem Sei mit G = (V, E, d) und S eine beliebige Eingabe für den Algorithmus [KMB8] gegeben. Dann gilt: D H /D MIN 2( b ) Benedikt Wagner Steiner-Baum-Approximation /27
37 Baumtraversierung Lemma Sei T ein Baum mit m Kanten. Dann gibt es einen Zyklus C = (u 0,...u 2m ) in T wobei gilt: i jede Kante aus T kommt genau zwei mal in C vor ii jedes Blatt aus T kommt genau einmal in C vor iii wenn u i und u j Blätter in C sind und kein anderes Blatt dazwischen ist, ist (u i, u i+,..., u j ) ein einfacher Pfad. Benedikt Wagner Steiner-Baum-Approximation /27
38 Baumtraversierung - Beweis des Lemmas Beweis. (Induktion über m) I.A. m = und T ist ein Baum T besteht aus zwei Knoten V = {u, v} C = (u, v, u) leistet i, ii, iii (u Wurzel) u v Benedikt Wagner Steiner-Baum-Approximation /27
39 Baumtraversierung - Beweis des Lemmas I.V. Es gelte die Behauptung für m = k I.S. Sei m = k +. Sei v p ein Blatt. Wende auf I.V. auf G v p := (V \ {v p }, {e E v p / e}) an Zyklus C = (u 0,..., u 2k ), der i, ii, iii in G v p erfüllt. Sei v q der Elternknoten von v p. Dann ersetze in C das erste v q durch v q, v p, v q. I.S. I.V. Benedikt Wagner Steiner-Baum-Approximation /27
40 Baumtraversierung - Beweis des Lemmas I.V. Es gelte die Behauptung für m = k I.S. Sei m = k +. Sei v p ein Blatt. Wende auf I.V. auf G v p := (V \ {v p }, {e E v p / e}) an Zyklus C = (u 0,..., u 2k ), der i, ii, iii in G v p erfüllt. Sei v q der Elternknoten von v p. Dann ersetze in C das erste v q durch v q, v p, v q. I.S. v p I.V. Benedikt Wagner Steiner-Baum-Approximation /27
41 Baumtraversierung - Beweis des Lemmas I.V. Es gelte die Behauptung für m = k I.S. Sei m = k +. Sei v p ein Blatt. Wende auf I.V. auf G v p := (V \ {v p }, {e E v p / e}) an Zyklus C = (u 0,..., u 2k ), der i, ii, iii in G v p erfüllt. Sei v q der Elternknoten von v p. Dann ersetze in C das erste v q durch v q, v p, v q. I.S. v q v p I.V. Benedikt Wagner Steiner-Baum-Approximation /27
42 Relative Gütegarantie - Beweis Theorem Sei mit G = (V, E, d) und S eine beliebige Eingabe für den Algorithmus [KMB8] gegeben. Dann gilt: D H /D MIN 2( b ) Beweis. Wende Lemma auf T MIN an liefert Zyklus L in T MIN mit i jede Kante von T MIN genau zweimal in L d(l) = 2 D MIN ii jedes Blatt aus T MIN genau einmal in L iii wenn u i und u j Blätter in L sind und kein anderes Blatt dazwischen ist, ist (u i, u i+,..., u j ) ein einfacher Pfad. Benedikt Wagner Steiner-Baum-Approximation /27
43 Relative Gütegarantie - Beweis Theorem Sei mit G = (V, E, d) und S eine beliebige Eingabe für den Algorithmus [KMB8] gegeben. Dann gilt: D H /D MIN 2( b ) Beweis. Wende Lemma auf T MIN an liefert Zyklus L in T MIN mit i jede Kante von T MIN genau zweimal in L d(l) = 2 D MIN ii jedes Blatt aus T MIN genau einmal in L iii wenn u i und u j Blätter in L sind und kein anderes Blatt dazwischen ist, ist (u i, u i+,..., u j ) ein einfacher Pfad. Benedikt Wagner Steiner-Baum-Approximation /27
44 Relative Gütegarantie - Beweis Seien P,..., P b die Pfade, die die Blätter verbinden. Sei P MAX := argmax b i= d(p i) d(p MAX ) b d(l) Sei P := L P MAX der Zyklus L ohne Kanten aus P MAX d(p) ( b )d(l) = ( b ) 2 D MIN d(p) 2 ( b ) D MIN () Benedikt Wagner Steiner-Baum-Approximation /27
45 Relative Gütegarantie - Beweis d(p) 2 ( b ) D MIN () D H d(mst (G )) (Schritte 3-5 verlängern die Distanz nicht) v v Seien w, w 2,... w k die Steinerpunkte, in dieser Reihenfolge in P vorkommend v 2 4 v 3 Sei T ein Spannbaum in G, der genau {w, w 2 },... {w k, w k } enthält. d(mst (G )) d(t ) Jede Kante aus T MIN mindestens einmal in P d(t ) d(p) Es folgt: D H d(p) (2) (),(2) Beh. Benedikt Wagner Steiner-Baum-Approximation /27
46 Relative Gütegarantie - Beweis d(p) 2 ( b ) D MIN () D H d(mst (G )) (Schritte 3-5 verlängern die Distanz nicht) v v Seien w, w 2,... w k die Steinerpunkte, in dieser Reihenfolge in P vorkommend v 2 4 v 3 Sei T ein Spannbaum in G, der genau {w, w 2 },... {w k, w k } enthält. d(mst (G )) d(t ) Jede Kante aus T MIN mindestens einmal in P d(t ) d(p) Es folgt: D H d(p) (2) (),(2) Beh. Benedikt Wagner Steiner-Baum-Approximation /27
47 Relative Gütegarantie - Beweis d(p) 2 ( b ) D MIN () D H d(mst (G )) (Schritte 3-5 verlängern die Distanz nicht) v v Seien w, w 2,... w k die Steinerpunkte, in dieser Reihenfolge in P vorkommend v 2 4 v 3 Sei T ein Spannbaum in G, der genau {w, w 2 },... {w k, w k } enthält. d(mst (G )) d(t ) Jede Kante aus T MIN mindestens einmal in P d(t ) d(p) Es folgt: D H d(p) (2) (),(2) Beh. Benedikt Wagner Steiner-Baum-Approximation /27
48 Die Schranke ist scharf Theorem Sei b 2. Dann gibt es einen Graphen G = (V, E, d) und Steinerpunkte S V sodass T MIN b Blätter hat und im Worst-Case D H /D MIN = 2( b ) Beweis. Für b 2 betrachte: 2 2 b Knoten Benedikt Wagner Steiner-Baum-Approximation /27
49 vollständiger Graph { G := (V, E, d) V := {v, v 2,..., v b+ }, v i = v b+ v j = v b+ d({v i, v j }) =, S := V \ {v b+ } 2, sonst 2 2 b Knoten Benedikt Wagner Steiner-Baum-Approximation /27
50 vollständiger Graph { G := (V, E, d) V := {v, v 2,..., v b+ }, v i = v b+ v j = v b+ d({v i, v j }) =, S := V \ {v b+ } 2, sonst Optimaler Steinerbaum T MIN 2 2 b Knoten Benedikt Wagner Steiner-Baum-Approximation /27
51 vollständiger Graph { G := (V, E, d) V := {v, v 2,..., v b+ }, v i = v b+ v j = v b+ d({v i, v j }) =, S := V \ {v b+ } 2, sonst Steinerbaum T H 2 2 b Knoten D MIN = b und D H = 2(b ) D H /D MIN = 2(b )/b = 2( b ) Benedikt Wagner Steiner-Baum-Approximation /27
52 Zusammenfassung Steiner-Baum-Problem ist N P-schwer Algorithmus, der Shortest Path und Mininum Spanning Tree nutzt Laufzeit: O( S V 2 ) Garantie: D H /D MIN 2( ) b Benedikt Wagner Steiner-Baum-Approximation /27
53 References I Clemens Gröpl, Stefan Hougardy, Till Nierhoff, and Hans Jürgen Prömel. Lower bounds for approximation algorithms for the steiner tree problem. Lecture Notes in Computer Science, page 27, 973. Richard M. Karp. Reducibility Among Combinatorial Problems. R. E. Miller und J. W. Thatcher (Hrsg.): Complexity of Computer Computations, pages 85 03, 972. L. Kou, G. Markowsky, and L. Berman. A Fast Algorithm for Steiner Trees. Acta Informatica, 5(2):4 45, Jun 98. Benedikt Wagner Steiner-Baum-Approximation /27
54 References II K. Mehlhorn. A faster approximation algorithm for the steiner problem in graphs. Information Processing Letters, pages 25 28, 988. G. Robins and A. Zelikovsky. Improved steiner tree approximation in graphs. Proceedings of the Eleventh Annual ACM-SIAM Symposium on Discrete Algorithms., pages , Benedikt Wagner Steiner-Baum-Approximation /27
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
Seminar. Das Steinerbaumproblem
Seminar Das Steinerbaumproblem Philipp Gillitzer Matrikelnr.: 51829 Studiengang Informatik(IT-Sicherheit) Semester 6 Hochschule Aalen Wintersemester 16/17 1 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen
Betriebswirtschaftliche 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
Betriebliche 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
Das Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
Approximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
Rundreiseproblem 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/
Layout-Synthese - Globale Verdrahtung Peter Marwedel
12 Layout-Synthese - Globale Verdrahtung Peter Marwedel Universität Dortmund, Informatik 12 2008/07/05 Globale Verdrahtung, Allgemeines zur Verdrahtung 12, 2008-2- Bäume 12, 2008-3- Steiner-Bäume Def.:
Kombinatorische 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
Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
Übung 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
Algorithmen 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
Approximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
Theoretische 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
Überblick. 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
Kap. 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
Vorlesung 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
ADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
Theoretische 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
Theoretische 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
Datenstrukturen 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
ADS: 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,
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales
Grundlagen: 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
Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
WS 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
Algorithmische 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
\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
Minimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
Datenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
Kap. 6.5: Minimale Spannbäume
Kap. 6.5: Minimale Spannbäume Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 19./20. VO DAP2 SS 2009 30.6./2.7.2009 1 Anmeldung zur Klausur 31.07.2009 um 10:15
Algorithmen 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
Kapitel IV Minimale Spannbäume
Kapitel IV Minimale Spannbäume 1. Grundlagen Ein Graph G = (V, E) besteht aus einer Menge V von Knoten und einer Menge E von Kanten. Wir werden nur endliche Knoten- (und damit auch Kanten-) Mengen betrachten.
1.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
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
Einführung 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
Effizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
Algorithmische Graphentheorie
Algorithmische Graphentheorie Walter Unger Lehrstuhl für Informatik I 20. April 2006 1 Einleitung Motivation Cliquenproblem 2 Vertex Cover Greedy 3 Steiner-Bäume 4 TSP Einleitung Approximation Nichtapproximierbarkeit
Theoretische 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
Algorithmen für Planare Graphen
Algorithmen für Planare Graphen 12. Juni 2018, Übung 4 Lars Gottesbüren, Michael Hamann INSTITUT FÜR THEORETISCHE INFORMATIK KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Prüfungstermine
Übungsblatt 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
3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
Maximum and Minimum Satisfiability Problem
and Lehrstuhl für Wissensverarbeitung und Informationssysteme Universität Potsdam 25. Januar 2006 Agenda 1 2 3 I Erfüllbarkeitsproblem der Aussagenlogik : Aussagenlogische Formel auf Erfüllbarkeit prüfen
Approximationsschemata
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),
Fortgeschrittene 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
Fortgeschrittene 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
ADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
1. 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
Algorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
Informatik II, SS 2016
Informatik II - SS 208 (Algorithmen & Datenstrukturen) Vorlesung 4 (..208) Graphenalgorithmen III Algorithmen und Komplexität Bäume Gegeben: Zusammenhängender, ungerichteter Graph G = V, E Baum: Zusammenhängender,
SCHNITTERHALTUNG (SPEKTRALE APPROXIMATION)
Vorlesung 12 AUSDÜNNUNG VON GRAPHEN SCHNITTERHALTUNG (SPEKTRALE APPROXIMATION) 387 Wiederholung: Approximative Schnitterhaltung Ziel: Approximationsalgorithmus: A(S(G)) Ziele bei Eingabe eines dichten
Approximationsalgorithmen 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
Maximale 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
Übungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
Approximationsalgorithmen 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
Grundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
3 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
Steiner Bäume. Dipl.-Math. Maria Kandyba Lehrstuhl für Algorithm Engineering, LS VO 15. Januar 2007
Steiner Bäume Dipl.-Math. Maria Kandyba Lehrstuhl für Algorithm Engineering, LS11 12 VO 15. Januar 2007 Überblick Einführung Definition und Motivation Komplexität Approximationsalgorithmen Distanznetzwerk
Algorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Einführung 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:
Informatik II: Algorithmen & Datenstrukturen. Blättern Sie nicht um bevor Sie dazu aufgefordert werden!
Albert-Ludwigs-Universität Institut für Informatik Prof. Dr. F. Kuhn Informatik II: Algorithmen & Datenstrukturen Montag, 29. August, 2014, 14:00 17:00 Name:...........................................................
Algorithmen 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
Algorithmen und Datenstrukturen 1 VL Übungstest SS Juni 2009
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 2. Übungstest SS 2009 09. Juni
Algorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen
Seien 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
Vorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
Informatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 16 (2.7.2014) Graphtraversierung II, Minimale Spannbäume I Algorithmen und Komplexität Tiefensuche: Pseusocode DFS Traversal: for all u in
Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering
Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas
Algorithmische 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
Seminar Algorithmentechnik
Seminar Algorithmentechnik Institut für Theoretische Informatik Lehrstuhl für Algorithmik I Prof. Dorothea Wagner Karlsruhe Seminar Institut Algorithmentechnik für Technologie (KIT) Fakultät für Informatik
Vorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
Algo&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
Kapitel 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
Graphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
Informatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 17 (8.7.2014) Minimale Spannbäume II Union Find, Prioritätswarteschlangen Algorithmen und Komplexität Minimaler Spannbaum Gegeben: Zus. hängender,
Bipartites Matching. Gegeben: Ein bipartiter, ungerichteter Graph (V 1, V 2, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität.
Netzwerkalgorithmen Bipartites Matching (Folie 90, Seite 80 im Skript) Gegeben: Ein bipartiter, ungerichteter Graph (V, V, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität. Ein Matching ist eine
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
Approximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
Mustererkennung: Graphentheorie
Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen
Das Rundreiseproblem und Stabilität von Approximationsalgorithmen Florian Forster 21. Februar 2008 Zusammenfassung Diese Seminararbeit stellt das Rundreiseproblem und das TSP vor und führt kurz in die
Algorithmische 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
2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017
2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie
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
3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
Betriebliche 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
Algorithmische 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
Laufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
Theoretische 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
Datenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS0 Datum:.6.200 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Minimaler Spannbaum (MST) Challenge der Woche Fibonacci Heap Minimaler Spannbaum
Seminar im WS 2006/07 Zerlegen und Clustern von Graphen. Correlation Clustering Minimizing Disagreements on Arbitrary Weighted Graphs
Seminar im WS 006/07 Zerlegen und Clustern von Graphen Correlation Clustering Minimizing Disagreements on Arbitrary Weighted Graphs Myriam Freidinger 18. April 007 1 Einleitung Ziel dieser Ausarbeitung
Effiziente 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
2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2006/ April 2007
2. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2006/2007 12. April 2007 Hier Aufkleber mit Name und Matrikelnr. anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber