Wir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll.

Größe: px
Ab Seite anzeigen:

Download "Wir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll."

Transkript

1 Kapitel 2 Zusammenhang 2.1 Zusammenhängende Graphen Wir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll. (1) Setze E = E, F =. (2) Wähle e E und setze F = F {e}, E = E {e} (3) wähle e E, die mit mindestens einem Knoten in V (F ) inzidiert. Setze F = F {e}, E = E {e}. (4) Wiederhole (3) bis E keine solche Kante mehr enthält. Satz 2.1. Der obige Algorithmus hält genau dann mit E = F und V = V (F ), wenn G zusammenhängend ist. Beweis: Falls der Algorithmus mit E = F und V = V (F ) hält, so ist G offensichtlich zusammenhängend. Sei umgekehrt G zusammenhängend und V 2. Nach Schritt (1) existiert ein Knoten u V (F ). Da G zusammenhängend ist, existiert zu jedem beliebigen Knoten v V ein Weg u = v 1, v 2,..., v k = v in G. Da v 1 V (F ), muß die Kante v 1 v 2 im Schritt (2) zum F hinzugefügt worden sein, entsprechend die Kanten (v 2, v 3 ),..., (v k 1, v k ), d.h. v V (F ). Somit V = V (F ). Wegen Schritt (3) gilt dann auch F = E. Dieser einfache Algorithmus folgt einem allgemeinen Prinzip, das als Ohren-Dekomposition bekannt ist. i) Wähle Basisgraph (Knoten, Kante, Weg, Kreis) ii) Füge Ohren zu dem bisher konstruierten Graph hinzu (etwa Kanten, Wege, die mit den bisher konstruierten Knoten inzidieren) Dabei ist das Vorgehen im Allgemeinen nicht eindeutig. Jedoch lässt sich für einige strukturelle Eigenschaften zeigen, dass ein Graph diese Eigenschaft genau dann besitzt, wenn er eine geeignete Ohren-Dekomposition hat. In unserem Algorithmus sind sowohl der Basisgraph als auch die Ohren Kanten. 15

2 KAPITEL 2. ZUSAMMENHANG Zusammenhang und Schnittkanten Als Folgerung ergibt sich: Korollar 2.2. Jeder zusammenhängende Graph mit n Knoten hat mindestens n 1 Kanten. Beweis: Der Basisgraph besteht aus einer Kante und zwei Knoten. In jedem Schritt (2) wird eine Kante und höchstens ein neuer Knoten hinzugefügt, somit gilt stets F V (F ) 1. Eine Kante e heißt Schnittkante, falls G e mehr Zusammenhangskomponenten hat als G (genauer: eine mehr). Satz 2.3. Für eine Kante e E sind folgende Aussagen äquivalent: i) e ist Schnittkante, ii) es existieren zwei Knoten u, v V, so dass e auf jedem (u, v)-weg liegt, iii) e liegt in keinem Kreis von G, iv) wenn im obigen Algorithmus (wie immer er auch läuft) e zu F hinzugefügt wird, war genau ein Endknoten von e in V (F ). Beweis: Wir können o.b.d.a. annehmen, dass G zusammenhängend ist. (i) (ii): Seien u und v zwei Knoten aus verschiedenen Zusammenhangskomponenten von G e. Dann existiert kein (u, v)-weg in G e und jeder (u, v)-weg in G muss e enthalten. 1. (ii) (iii) Sei W ein (u, v)-weg, der e enthält. Falls e auf einem Kreis C liegt, so erhalten wir einen (u, v)-pfad P, indem wir in W e durch C e ersetzen. Nach Lemma 1.8 enthält P einen (u, v)-weg W, der e nicht enthält. Widerspruch. 2. (iii) (iv) Falls eine Ohren-Dekomposition von G existiert, in der beide Endknoten konstruiert worden sind, bevor e zu F hinzugefügt wird, so existiert ein Weg W in G e, der die Endknoten von e verbindet. W {e} ist dann ein Kreis. Widerspruch. 3. (iv) (i) Falls e keine Schnittkante ist, so ist G e zusammenhängend. Eine beliebige Ohren-Dekomposition von G e, zu der wir e hinzufügen, liefert nach Satz 2.1 eine Ohren- Dekomposition von G, in der beide Endknoten von e bereits vor Hinzufügen von e konstruiert worden sind. Widerspruch. Zur Erinnerung: wir hatten definiert, dass für W V die Kantenmenge E(W, V W ) = {(x, y) : x W, y / W } einen Schnitt definiert. Wir sprechen auch von dem von W induzierten Schnitt. Ein Schnitt heißt minimal, wenn er nicht leer ist und per Inklusion minimal ist, d.h. keine echte, nichtleere Teilmenge enthält, die selbst wieder ein Schnitt ist. (Ein minimaler Schnitt wird oft auch als Kozyklus bezeichnet.) Insbesondere ist jede Schnittkante {e} ein minimaler Schnitt. In Abb. 2.1 ist der von {1, 2, 3} induzierte Schnitt nicht minimal, da {6} und {4, 5} Schnitte induzieren, die in dem von {1, 2, 3} induzierten enthalten sind.

3 KAPITEL 2. ZUSAMMENHANG Abbildung 2.1: Beispiel für Schnitte und minimale Schnitte Lemma 2.4. Sei G ein zusammenhängender Graph. Ein nichtleerer Schnitt E(W, V W ) ist genau dann minimal, wenn die induzierten Graphen Graphen G(W ) und G(V W ) jeweils zusammenhängend sind. Beweis: Sei E(W, V W ) ein minimaler Schnitt und G(W ) habe k 2 Komponenten G i = (W i, E i ), i = 1,..., k. Da G zusammenhängend ist, muß jede Komponente G i mit G W i durch mindestens eine Kante verbunden sein. Dann sind die Mengen E(W i, V W i ) nichtleere Schnitte, die in E(W, V W ) echt enthalten sind. Widerspruch. Sind umgekehrt G(W ) und G(V W ) zusammenhängend und ist E(W, V W ), so kann die Entfernung einer echten Teilmenge von E(W, V W ) den Graphen G nicht unzusammenhängend machen. Damit ist E(W, V W ) minimaler Schnitt. Lemma 2.5. Jeder nichtleere Schnitt ist Vereinigung von kantendisjunkten minimalen Schnitten. Beweis: Sei E(W, V W ) ein nichtleerer Schnitt und seien G i = (W i, E i ), i = 1,..., k die Zusammenhangskomponenten von G(W ). Offensichtlich ist E(W, V W ) = k i=1 E(W i, V W i ) und die Schnitte E(W i, V W i ) sind paarweise kantendisjunkt. Es bleibt zu zeigen, dass jedes E(W i, V W i ) Vereinigung von kantendisjunkten minimalen Schnitten ist. Bezeichne C die Knoten der Zusammenhangskomponente von G, die W i enthält. Ist C = W i, so induzieren W und W W i denselben Schnitt. In diesem Fall betrachte W W i. Andernfalls ist C W i und C W i zerfällt in r 1 Zusammenhangskomponenten C 1,..., C r. C C r C1 W i C 2 Abbildung 2.2: Zusammenhangskomponenten von C W i Per Konstruktion ist jedes C j zusammenhängend. Da für u C s und v C t in C stets ein (u, v)-weg über Knoten in W i existiert, ist G(C C j ) = ( r l=1 l j C j ) G i zusammenhängend für jedes j = 1,..., r. Weiter gilt, dass C j denselben Schnitt induziert wie C C j und dieser Schnitt

4 KAPITEL 2. ZUSAMMENHANG 18 ist nichtleer. Nach Lemma 2.4 induziert C j einen minimalen Schnitt für j = 1,..., r. Weiter ist E(W i, V W i ) = r j=1 E(C j, V C j ) und die von den C j induzierten Schnitte sind kantendisjunkt. Damit ist E(W i, V W i ) die Vereinigung von kantendisjunkten minimalen Schnitten. 2.3 Wälder und Bäume Ein Graph ohne Kreise heißt Wald. Ein zusammenhängender Wald ist ein Baum. Wenn wir Blätter als Knoten vom Grad eins definieren, so haben Bäume immer mindestens zwei Blätter: Lemma 2.6. Die Endknoten längster Wege in einem Baum haben Grad eins. Beweis: Sei W ein Weg maximaler Länge, u ein Endknoten von W und v der Nachbar von u auf W. Angenommen u hat einen weiteren Nachbarn w. Wenn w nicht auf W liegt, so ist W, w oder w, W ein längerer Weg als W. Falls w auf W liegt, so induzieren der Weg von w nach u und die Kante wu einen Kreis. Diese einfache Beobachtung führt uns zu den folgenden Charakterisierungen von Bäumen. Satz 2.7. Sei G = (V, E). Die folgenden Aussagen sind äquivalent: i) G ist zusammenhängend und hat n 1 Kanten, ii) G ist kreisfrei und hat n 1 Kanten, iii) G ist zusammenhängend und kreisfrei, iv) G ist zusammenhängend und jede Kante von G ist Schnittkante, v) Je zwei Knoten sind durch genau eine Weg verbunden, vi) G ist kreisfrei und das Hinzufügen einer Kante mit Endknoten in G erzeugt genau einen Kreis, vii) G ist bipartit, je zwei Knoten sind durch genau einen kürzesten Weg verbunden, viii) G besitzt die folgenden Ohrendekomposition: (a) der Basisgraph ist eine Kante e E, die nicht Schleife ist, (b) die Ohren sind Kanten e = uv E mit u V (F ), v V V (F ). Beweis: (i) (ii): Angenommen G hat einen Kreis C. Dann kann nach Satz 2.3 keine Kante e C Schnittkante sein. Das heißt für alle e C ist G e zusammenhängend, hat n Knoten und n 2 Kanten, im Widerspruch zu Korollar 2.2. (ii) (iii): Induktion über V. Die Aussage ist richtig für n = 2. Sei G ein kreisfreier Graph mit n + 1 Knoten und n Kanten. Dann ist G ein Wald und enthält nach Lemma 2.6 einen Knoten v vom Grad eins. G v hat n Knoten, n 1 Kanten und ist kreisfrei. Nach Induktionsannahme ist G v zusammenhängend und damit auch G. (iii) (iv): folgt aus Satz 2.3. (iv) (v): Da G zusammenhängend ist, sind je zwei Knoten durch einen Weg verbunden. Angenommen zwei Knoten sind durch zwei Wege verbunden. Diese beiden Wege enthalten dann einen Kreis. Widerspruch. (v) (vi): G ist kreisfrei, da sonst zwei Knoten durch 2 Wege verbunden wären. Das Hinzufügen einer Kante uv kann somit auch nur genau einen Kreis erzeugen.

5 KAPITEL 2. ZUSAMMENHANG 19 (vi) (viii): Für je zwei Knoten u, v, die nicht benachbart sind, enthält G + (u, v) genau einen Kreis. D.h. G enthält einen (u, v)-weg und ist damit zusammenhängend. Der Algorithmus erzeugt offensichtlich einen zusammenhängenden Untergraphen G = (V (F ), F ). Da G selbst zusammenhängend ist, ist G aufspannend, d.h. es muss V (F ) = V gelten. Angenommen am Ende des Algorithmus existiert eine Kante (u, v) E F. Da G = (V, F ) zusammenhängend ist, existiert in G ein u, v-weg. Damit existiert in G + (u, v) G ein Kreis. Widerspruch. (viii) (i): Der Algorithmus erzeugt in jedem Schritt zusammenhängende Graphen (V (F ), F ) mit F = V (F ) 1. Da am Ende V (F ) = V und F = E gilt, ist G zusammenhängend und hat n 1 Kanten. (v) + (vi) (vii): Da G kreisfrei ist gemäß (vi), folgt aus Lemma 1.9, dass G bipartit sein muss. Nach (v) enthält G genau einen u, v-weg und damit auch genau einen kürzesten u, v-weg. (vii) (iii): Da je zwei Knoten durch einen Weg verbunden sind, ist G zusammenhängend. Angenommen G enthält einen Kreis. Sei C ein Kreis kürzester Länge. Da G bipartit ist, hat C gerade Länge, C = [v 1,..., v 2k ]. Die v 1, v k+1 -Wege W 1 = v 1, v 2,..., v k+1 und W 2 = v 1, v 2k,..., v k+1 haben beide die Länge k. Nach Voraussetzung existiert dann ein kürzerer (v 1, v k+1 )-Weg W = v 1 = w 1, w 2,..., w j = v k+1 mit j k. Dann enthält aber v 1, v 2,..., v k+1, w j 1, w j 2,..., w 2 einen Kreis, der kürzer als C ist. Korollar 2.8. Ein Graph ist genau dann zusammenhängend, wenn er einen aufspannenden Baum enthält. Beweis: Da ein Baum T zusammenhängend ist, ist auch jeder Graph, der T enthält, zusammenhängend. Ist umgekehrt G zusammenhängend, so enthält er einen minimal zusammenhängenden Teilgraphen T, bei dem also jede Kante Schnittkante ist. Nach Satz 2.7 (iv) ist T ein Baum. Ein Wald F G heißt maximaler Wald, wenn für jede Komponente G von G der Teilgraph F G ein aufspannender Baum ist. Abbildung 2.3: Die blauen Kanten bilden einen aufspannenden, nicht-maximalen Wald Korollar 2.9. Sei G ein Graph mit k Komponenten und F G. F ist genau dann ein maximaler Wald, wenn F k Komponenten und n k Kanten hat. Beweis: folgt aus Satz 2.7 und Korollar 2.8. Die aufspannenden Bäume in einem zusammenhängenden Graphen haben sehr viel Struktur. Jede Kante eines aufspannenden Baums kann durch geeignete Kanten eines anderen aufspannenden Baumes ersetzt werden.

6 KAPITEL 2. ZUSAMMENHANG 20 Korollar Sei G = (V, E) ein zusammenhangender Graph und T, T zwei aufspannende Bäume von G. Dann existiert zu jedem e E(T ) E(T ) ein e E(T ) E(T ), so dass T e e wieder ein aufspannender Baum ist. Beweis: Nach Satz 2.7 ist e Schnittkante von T. Damit zerfällt der Graph (V, E(T ) e) in zwei Zusammenhangskomponenten U und W. Da T ein aufspannender Baum ist, existiert in T ein Weg, der die Endknoten von e verbindet. Dieser Weg enthält mindestens eine Kante e, die U mit W verbindet. Per Konstruktion ist e (T ) E(T ) und T e e ist wieder ein aufspannender Baum. Umgekehrt können wir auch beliebige fremde Kanten in einen Baum zwingen. Korollar Sei G = (V, E) ein zusammenhängender Graph und T, T zwei aufspannende Bäume von G. Dann existiert zu jedem e E(T ) E(T ) ein e E(T ) E(T ), so dass T e e wieder ein aufspannender Baum ist. Beweis: Nach Satz 2.7 enthält T e genau einen Kreis. Die Kanten dieses Kreises können nicht alle in E(T ) liegen, da T kreisfrei ist. Dieser Kreis enthält somit mindestens eine Kante e E(T ) E(T ). Wenn wir e entfernen, erhalten wir wieder einen kreisfreien und zusammenhängenden Graphen. Nach Satz 2.7 ist also T e e wieder ein aufspannender Baum. 2.4 Minimal aufspannende Bäume Die Struktureiegnschaften aufspannender Bäume ermöglichen es, Bäume mit möglichst geringem Gewicht zu bestimmen. Sei dazu G = (V, E) ein zusammenhängender Graph. Auf den Kanten seien Gewichte c(e) gegeben. Wir suchen einen aufspannenden Baum T = (V, F ) von G, so dass c(t ) = e F c(e) minimal ist unter allen aufspannenden Bäumen. Wir können diese Problem lösen, indem wir eine Variante unserer allgemeinen Ohren-Dekomposition verwenden, in der ausgehend von einem Knoten, stets eine minimal-gewichtete Kante hinzugefügt wird, die genau einen Endknoten in dem bereits konstruierten Graphen hat. Dies ist der Algorithmus von Prim. Der Algorithmus von Kruskal geht wie folgt vor: (1) Setze F = (2) for i = 1 to V 1 do (3) wähle eine minimal-gewichtete Kante e E F, die keinen Kreis in F schließt. (3) setze F = F e, E = E e end do Satz Der Algorithmus von Kruskal berechnet einen minimalen aufspannenden Baum.

7 KAPITEL 2. ZUSAMMENHANG 21 Beweis: Offensichtlich bildet der vom Algorithmus berechnete Teilgraph T = (V, F ) einen aufspannenden Baum. Angenommen T hat nicht minimales Gewicht. Unter allen minimal-aufspannenden Bäumen wähle einen Baum T mit c(t ) < c(t ), der möglichst viele Kanten mit T gemeinsam hat. Betrachte eine minimal-gewichtete Kante e E(T ) E(T ). Nach Korollar 2.11 existiert eine Kante e E(T ) E(T ), so dass S = T e e ein aufspannender Baum ist. Da der Algorithmus die Kante e der Kante e vorgezogen hat, gilt c(e) c(e ). Daher gilt c(s) c(t ) und S ist wiederum ein minimal-aufspannender Baum, der mehr Kanten mit T gemeinsam hat als T. Widerspruch. Kruskals Algorithmus lässt sich mit geeigneten Datenstrukturen so implementieren, dass er eine Laufzeit von O(m log m) = O(m log n) hat. Wir beenden damit den Abschnitt über Bäume und wenden uns wieder Fragen des Zusammenhangs zu. 2.5 Der Satz von Menger Wir wollen u.a. zu gegeben Knoten s, t V herausfinden, wieviele Kanten bzw. Knoten mindestens entfernt werden müssen, um alle Wege von s nach t zu zerstören. Wir untersuchen diese Frage zuerst in gerichteten Graphen und geben dazu ein Verfahren an, das kantendisjunkte Wege konstruiert Die Berechnung kantendisjunkter Wege in gerichteten Graphen Wir betrachten einen gerichteten Graphen D = (V, A) mit zwei ausgezeichneten Knoten s, t V. Wir wollen eine maximale Anzahl kantendisjunkter (s, t)-wege konstruieren. Wir könnten versuchen, diese iterativ wie folgt zu bestimmen: (1) setze W = und k = 0 (2) setze A = A W (3) finde einen (s, t)-weg W k+1 in D = (V, A ). Falls es keinen gibt, stop. (4) setze k = k + 1 und W = W W k und gehe zu (2). Die Abbildung 2.4 zeigt, dass dieses Verfahren in einer nicht-maximalen Anzahl kantendisjunkter Wege stecken bleiben kann. Wir müssen daher den Ansatz etwas modifizieren. Dazu sei W = W 1... W k die Kantenmenge von kantendisjunkten Wegen. Wir definieren einen Hilfsgraphen D W = (V, A W ) wie folgt: { (u, v) A W, (u, v) A W, falls (v, u) W, Der Hilfsgraph enthält somit alte, noch nicht benutzte und umorientierte benutzte Kanten. Die Abbildung 2.5 zeigt den Hilfsgraphen für das obige Beispiel.

8 KAPITEL 2. ZUSAMMENHANG 22 Abbildung 2.4: Gegenbeispiel zum einfachen Ansatz zur Berechnung kantendisjunkter Wege Abbildung 2.5: Hilfsgraph zur Berechnung kantendisjunkter Wege Wir suchen jetzt nach einem augmentierenden Weg, d.h. einem (s, t)-weg in D W. Das modifizierte Verfahren beruht auf dem folgenden Hilfssatz: Lemma Sei W die Kantenmenge von k kantendisjunkten (s, t)-wegen in D und W ein augmentierendeer Weg. Dann enthält W = W W die Kantenmenge von k + 1 kantendisjunkten (s, t)-wegen in D. Beweis: Übungsaufgabe Wir suchen also iterativ augmentierende Wege in einem Hilfsgraphen und vergrößern schrittweise die Anzahl kantendisjunkter Wege. Um zu beweisen, dass das modifizierte Verfahren optimal ist, betrachten wir Schnitte A(S, T ) mit s S und t T. Ein solcher Schnitt heißt (s, t)-schnitt. Lemma Seien W = W 1... W k ein Menge kantendisjunkter (s, t)-wege und A(S, T ) ein Schnitt mit s S und t T. Dann ist k A(S, T ). Beweis: Jeder (s, t)-weg muss mindestens eine Kante von A(S, T ) benutzen. Daher kann es nie mehr kantendisjunkten (s, t)-wege geben als A(S, T ). Satz Für eine Menge W = W 1... W k von kantendisjunkten (s, t)-wegen sind folgende Aussagen äquivalent: i) k ist maximal, ii) D W enthält keinen augmentierenden Weg, iii) es existiert ein (s, t)-schnitt mit A(S, T ) = k. Beweis: (i) (ii) (ii) (iii): Setze S := {v V es gibt einen augmentierenden Weg in D W }. Per Annahme ist (S, T ) := (S, V S) ein (s, t)-schnitt, und für je zwei Knoten u S und v T gilt (u, v) / A W, da sonst v S gelten würde. Damit liegt jede Kante (u, v) A mit u S und v T in einem Weg W i, da andernfalls (u, v) A W. Wenn W i zwei solcher Kanten enthält, so muss W i auch

9 KAPITEL 2. ZUSAMMENHANG 23 eine Kante enthalten, die von einem Knoten x T zu einem Knoten in y S führt. Dann ist aber (y, x) A W. Widerspruch. Also ist k = A(S, T ). (iii) (i): Lemma 2.14 Unser Verfahren hat sicherlich eine polynomielle Laufzeit. Wir werden in einem späteren Kapitel die genaue Laufzeit in Zusammenhang mit einer allgemeineren Fragestellung untersuchen. Wir kommen jetzt auf die vorher gestellte Frage nach dem Zusammenhang in gerichteten und ungerichteten Graphen zurück Zusammenhang in gerichteten Graphen Das vorangegangene Resultat gibt unmittelbar Antwort auf die Frage, wieviele Kanten zu gegeben Knoten s, t V entfernt werden müssen, um alle gerichteten Wege von s nach t zu zerstören. Wir sagen, dass eine Teilmenge X A von Kanten s und t trennt, falls in D(V, A X) kein gerichteter Weg von s nach t existiert. Nach dem Satz 2.15 über maximale Flüsse ergibt sich der Satz von Menger für gerichtete Graphen und Kanten: Korollar Sei D = (V, A) ein zusammenhängender, gerichteter Graph. Die maximale Anzahl von kantendisjunkten (s, t)-wegen ist gleich der kleinsten Anzahl von Kanten, die s und t trennen. Wir stellen die gleiche Frage jetzt für Knotenmengen und sagen, dass eine Teilmenge S von Knoten s und t trennt, falls D(V S) keinen gerichteten (s, t)-weg mehr enthält. Dabei heißen zwei (s, t)-wege knotendisjunkt, wenn sie keine anderen Knoten als s und t gemeinsam haben. Dies führt auf den Satz von Menger für gerichtete Graphen und Knoten. Korollar Sei D = (V, A) ein zusammenhängender, gerichteter Graph und s, t zwei nichtbenachbarte Knoten. Die maximale Anzahl von knotendisjunkten (s, t)-wegen ist gleich der kleinsten Anzahl von Knoten, die s und t trennen. Beweis: Wir ersetzen jeden Knoten in u V {s, t} durch eine gerichtete Kante (u 1, u 2 ) wie in Abb u u u 1 2 Abbildung 2.6: Ersetzen von Knoten durch Kanten Sei D der resultierende Graph. Dann entsprechen knotendisjunkte (s, t)-wege in D kantendisjunkten Wegen in D. Sei A(S, T ) ein minimaler Kantenschnitt in D. Angenommen beide Knotenkopien u 1 und u 2 eines Originalknotens u V liegen in S. Ist A(u 2, T ) 1, so können wir u 2 nach T verschieben, ohne den Schnitt zu erhöhen. Also ist A(u 2, T ) = 0 und u 2 trägt nicht zum Schnittwert bei. Damit bilden die Knoten u V für die u 1 S und u 2 T oder A(u 2, T ) = 0 einen Knotenschnitt in D, dessen Kardinalität mit dem minimalen Kantenschnitt in D übereinstimmt.

10 KAPITEL 2. ZUSAMMENHANG Zusammenhang in ungerichteten Graphen Analoge Ergebnisse gelten in ungerichteten Graphen. Der Satz von Menger für ungerichtete Graphen und Kanten lautet: Korollar Sei G = (V, E) ein zusammenhängender ungerichteter Graph. Die maximale Anzahl von kantendisjunkten (s, t)-wegen ist gleich der kleinsten Anzahl von Kanten, die s und t trennen. Beweis: Wir konstruieren einen gerichteten Graphen D = (V, A), indem wir jede Kante in E durch ein Paar antiparalleler Kanten in A ersetzen. Offensichtlich bilden kantendisjunkte Wege in G Wege in D, die keine gerichteten Kanten und keine antiparallelen Kanten gemeinsam haben. Umgekehrt können wir gerichtete kantendisjunkte Wege, die antiparallele Kanten gemeinsam haben wie in Abb. 2.7 entkreuzen. Abbildung 2.7: Entkreuzen von gerichteten Wegen Weiter wird ein minimaler Kantenschnitt A(S, T ) in D durch die Menge von Kanten definiert, die von S nach T führen. Damit enthält der Schnitt höchstens eine der beiden antiparallelen Kanten und definiert somit einen ungerichteten Schnitt in G gleicher Kardinalität. Entsprechen gilt der Satz von Menger für ungerichtete Graphen und Knoten. Korollar Sei G = (V, E) ein zusammenhängender ungerichteter Graph und s, t zwei nichtbenachbarte Knoten. Die maximale Anzahl von knotendisjunkten (s, t)-wegen ist gleich der kleinsten Anzahl von Knoten, die s und t trennen. Beweis: Wie vorher konstruieren einen wir den gerichteten Graphen D = (V, A), indem wir jede Kante in E durch ein Paar antiparalleler Kanten in A ersetzen. Dann entsprechen knotendisjunkte Wege in G knotendisjunkten Wege in D und trennende Knotenmengen in G trennenden Knotenmengen in D k-zusammenhang Wir setzen zur Abkürzung λ G (u, v) für die Anzahl der knotendisjunkten (u, v)-wege und κ G (u, v) für die Größe einer kleinsten (u, v)-trennenden Knotenmenge. Allgemein sagen wir, dass ein ungerichteter Graph k-zusammenhängend ist, wenn wir mindestens k Knoten entfernen müssen, um den Graph unzusammenhängend zu machen. Die Zusammenhangszahl κ G oder kurz der Zusammenhang eines Graphen G ist die kleinste Zahl k von Knoten, deren Entfernung den Zusammenhang zerstört, d.h. κ G = min{κ G (u, v) : (u, v) / E}.

11 KAPITEL 2. ZUSAMMENHANG 25 Entsprechend ist λ G durch das größte k gegeben, so dass je zwei Knoten durch mindestens k knotendisjunkte Wege verbunden sind. Der Graph heisst k-kanten-zusammenhängend, falls jeder Schnitt E(W, V W ), der den Graph unzusammenhängend macht, mindestens k Kanten enthält. Der Kanten-Zusammenhang bzw. die Kanten-Zusammenhangszahl ist entsprechend definiert. Die entsprechenden Größen werden mit λ bzw. κ bezeichnet. Für gerichtete Graphen ist der Zusammenhang die kleinste Anzahl von Kanten bzw. Knoten, deren Entfernung den Graphen nicht stark zusammenhängend macht. Als Zusammenfassung der bisherigen Resultate folgt dann der eigentliche Satz von Menger: Korollar Sei G ein gerichteter oder ungerichteter Graph. Dann gilt: i) Der Zusammenhang von G ist das größte k, so dass zu je zwei Knoten u, v mindestens k knotendisjunkte (u, v)-wege existieren. ii) Der Kantenzusammenhang ist das größte k, so dass zu je zwei Knoten u, v mindestens k kantendisjunkte (u, v)-wege existieren. Beweis: (ii) folgt unmittelbar aus den Korollaren 2.16 und (i) Für (u, v) / E bzw. (u, v) / A gilt nach den Korollaren 2.17 und 2.19, dass λ G (u, v) = κ G (u, v). Ist (u, v) E bzw. (u, v) A, so betrachte G = G (u, v). In G folgt aus den Korollaren 2.17 und 2.19: λ G (u, v) = λ G (u, v) + 1 = κ G (u, v) + 1 κ G + 1 κ G, wobei die letzte Ungleichung aus der Tatsache folgt, dass die Zusammenhangszahl nicht um mehr als eins fallen kann, wenn eine Kante entfernt wird Ohrendekomposition für 2-zusammenhängende Graphen Wir wollen zeigen, daß jeder 2-zusammenhängende Graph eine spezielle Ohrendekomposition hat. Zur Vorbereitung betrachten wir zwei Operationen, die den 2-Zusammenhang erhalten. Lemma Sei G eine k-zusammenhängender Graph und G der Graph, der dadurch entsteht, dass wir einen neuen Knoten x hinzufügen, den wir mit mindestens k Knoten von G verbinden. Dann ist G ebenfalls k-zusammenhängend. Beweis: Sei S eine trennende Menge in G. Liegt x S, so ist S x trennende Menge in G und somit S k + 1. Ist x / S, aber N(x) S, so folgt S k. Andernfalls ist S auch trennende Menge in G und somit wiederum S k. Wir wissen bereits, dass in einem 2-zusammenhängenden Graphen je zwei Knoten auf einem Kreis liegen. Als Folgerung ergibt sich, dass diese Aussage auch für je zwei Kanten gilt:

12 KAPITEL 2. ZUSAMMENHANG 26 Korollar Ein Graph ist genau dann 2-zusammenhängend, wenn d(v) 2 für alle Knoten v V und je zwei Kanten auf einem gemeinsamen Kreis liegen. Beweis: Sei G 2-zusammenhängend und (u, v), (x, y) E. Wir fügen zwei neue Knoten a, b zu G hinzu mit N(a) = {u, v} und N(a) = {x, y}. Der neue Graph G ist nach Lemma 2.21 wieder 2-zusammenhängend. Daher liegen die Knoten a, b auf einem gemeinsamen Kreis in G. Da a und b genau zwei Nachbarn haben, enthält dieser Kreis die Knoten {u, v, x, y}, aber nicht die Kanten (u, v), (x, y). Wenn wir die Pfade u, a, v und x, b, y durch die Kanten (u, v), (x, y) ersetzen, erhalten wir den gesuchten Kreis in G. Betrachte umgekehrt zwei Knoten u, v V. Da beide Knoten Grad mindestens 2 haben, existieren Kanten (u, x), (v, y) E. Nach Voraussetzung liegen beide Kanten auf einem gemeinsamen Kreis und damit auch die beiden Knoten u und v. Als zweite Operation betrachten wir eine Unterteilung einer Kante (u, v), bei der wir die Kante durch einen Pfad (u, w, v) der Länge 2 ersetzen. Lemma Sei G eine 2-zusammenhängender Graph und G der Graph, der dadurch entsteht, dass wir eine Kante unterteilen. Dann ist G ebenfalls 2-zusammenhängend. Beweis: Man macht sich leicht klar, dass in G wieder je zwei Kanten auf einem gemeinsamen Kreis liegen. Die Ohrendekomposition für 2-zusammenhängende Graphen startet mit einem Kreis. Iterativ wählen wir auf dem bereits konstruierten Graphen zwei Knoten u v und fügen einen Weg hinzu. Satz Ein Graph G ist genau dann 2-zusammenhängend, wenn er eine Ohrendekomposition wie oben hat. Beweis: Wenn ein Graph G eine Ohrendekomposition C, W 1,..., W k besitzt, so zeigen wir induktiv, dass die dabei entstehenden Graphen 2-zusammenhängend sind. Dies gilt sicherlich für den Startkreis C. Wenn wir zu einem 2-zusammenhängenden Graphen eine Kante hinzufügen, so bleibt er offensichtlich 2-zusammenhängend. Nach Lemma 2.23 gilt dies auch, wenn wir die Kante unterteilen, d.h. einen Weg hinzufügen. Sei umgekehrt G 2-zusammenhängend. Wähle einen beliebigen Kreis C G als Startkreis. Angenommen wir haben bereits einen Teilgraph G i G durch Hinzufügen von Ohren aufgebaut. Falls E(G i ) E(G), so wähle eine Kante (u, v) E(G i ) E(G) und eine Kante (x, y) E(G i ). Nach Lemma 2.22 liegen die beiden auf einem gemeinsamen Kreis von G. Sei W der Weg, der in diesem Kreis enthalten ist und die Kante (u, v) sowie genau zwei Knoten von G i enthält. Dieser Weg ist das gesuchte nächste Ohr. Ein ähnliches Resultat gilt für den 2-Kantenzusammenhang. Hier müssen wir zusätzlich zulassen, dass der neue Weg mit nur einem Knoten im alten Graph inzidiert. 2.6 Kreise und inklusionsminimale Schnitte Kreise und inklusionsminimale Schnitte stehen in enger Beziehung zueinander.

13 KAPITEL 2. ZUSAMMENHANG Kreise und Schnitte in ungerichteten Graphen Lemma Sei C ein Kreis und B ein inklusionsminimaler Schnitt eines Graphen G. Dann ist E(C) B gerade. Beweis: O.B.d.A. sei G zusammenhängend. Ist B = E(W, V \W ) ein inklusionsminimaler Schnitt, so zerfällt G B nach Lemma 2.4 in zwei Komponenten G(W ) und G(V W ). Ist C = (v 1, v 2,..., v k ) ein Kreis mit E(C) B, so sei o.b.d.a. v 1 W, v k V W und (v k v 1 ) E(C) B. Dann ist P = v 1,..., v k ein (v 1, v k )-Pfad, der W mit V W verbindet. E(P ) B muss dann ungerade sein und somit E(C) B gerade. Dieses Ergebnis lässt sich auch so formulieren, dass die Inzidenzvektoren von Kreisen und Schnitten im Vektorraum GF 2 senkrecht aufeinander stehen. Wir kommen auf ein ähnliches Resultat zurück. Satz Sei G = (V, E) ein zusammenhängender Graph und e E. Färbe die Kanten in E e beliebig mit den Farben rot und gelb. Dann gilt genau eine der folgenden Aussagen: i) G enthält einen Kreis aus roten Kanten und e ii) G enthält einen inklusionsminimalen Schnitt aus gelben Kanten und e Beweis: Wenn (i) und (ii) gilt, so enthält G einen Kreis C und einen inklusionsminimalen Schnitt B mit C B = {e} im Widerspruch zu Lemma Sei e = (u, v) und (ii) gelte nicht. Dann sind u und v in G {E g e} verbunden, wobei E g die Menge der gelben Kanten ist. Damit existiert ein roter (u, v)-weg, der zusammen mit e den Kreis bildet. Wir kommen im nächsten Kapitel auf den engen Zusammenhang zwischen Kreisen und Schnitten zurück Kreise und gerichtete Kreise in gerichteten Graphen Wir übertragen die Ergebnisse über Kreise und Schnitte auf gerichtete Graphen. Im ersten Schritt betrachten wir die zugrunde liegenden ungerichteten Graphen. Sei D = (V, A) ein gerichteter Graph und G sein zugrundeliegender ungerichteter Graph. Ein Kreis von D ist ein Kreis in G. Entsprechend ist ein Schnitt bzw. minimaler Schnitt ein Schnitt bzw. minimaler Schnitt in G. Schnitte A(W, V W ) in D zerfallen in zwei Teilmengen A + (W, V W ) und A (W, V W ). Analog zu Lemma 2.5 gilt, dass jeder Schnitt eines gerichteten Graphen Vereinigung von kantendisjunkten inklusionsminimalen Schnitten ist. Lemma 2.27 (Lemma von Minty). Sei D = (V, A) ein gerichteter Graph und e A. Färbe die Kante e schwarz und alle anderen Kanten beliebig in den Farben rot, grün und schwarz. Dann gilt genau eine der folgenden Aussagen: i) Es existiert ein Kreis aus roten und schwarzen Kanten, der e enthält und in dem alle schwarze Kanten die gleiche Richtung haben.

14 KAPITEL 2. ZUSAMMENHANG 28 ii) Es existiert ein minimaler Schnitt aus grünen und schwarzen Kanten, der e enthält und in dem alle schwarzen Kanten die gleiche Richtung haben. Beweis: Markiere die Knoten in folgender Weise: i) Sei e = (u, v). Markiere Knoten v. ii) Ist Knoten x markiert und y nicht, so markiere y, falls a) eine schwarze Kante (x, y) existiert, b) eine rote Kante (x, y) oder (y, x) existiert. Per Induktion zeigt man: Im zugrunde liegenden ungerichteten Graphen gibt es zu jedem markierten Knoten z einen vz-weg v = z 0 z 1... z k = z mit (z i 1, z i ) E, schwarz (z i 1, z i ) A (z i 1, z) E, rot (z i 1, z i ) A oder (z i, z i 1 ) A r s s r v Abbildung 2.8: ein induzierter (v, z)-weg Nach Beendigung des Verfahrens unterscheiden wir 2 Fälle. a) u ist markiert: Der (v, u)-weg zusammen mit e bildet einen Kreis aus roten und schwarzen Kanten, in dem alle schwarzen Kanten gleichgerichtet sind. s r V \ W e W Abbildung 2.9: minimaler Schnitt, der e enthält Jeder minimale Schnitt A(W, V W ), der e enthält, etwa e A (W, V W ), muss entweder eine rote Kreisskante enthalten oder eine schwarze Kreiskante f mit f A + (W, V W ), (vgl. Abb. 2.9). b) u ist nicht markiert: Sei W V die Menge der markierten Knoten. Per Konstruktion enthält A(W, V W ) die Kante e (vgl. Abb. 2.10) und nur schwarze Kanten, die nach W hineingehen, oder grüne Kanten. Dann existiert auch ein minimaler Schnitt mit diesen Eigenschaften. Zudem kann kein rot-schwarzer Kreis existieren, der e enthält und in dem alle schwarzen Kanten gleiche Richtung haben.

15 KAPITEL 2. ZUSAMMENHANG 29 W e Abbildung 2.10: Der von W induzierte Schnitt Wir verschärfen jetzt die Definitionen und nennen einen Kreis in einem gerichteten Graphen einen gerichteten Kreis, wenn alle Kanten gleichgerichtet sind. Entsprechend heißt ein Schnitt gerichteter Schnitt von D, wenn alle Kanten gleichgerichtet sind, d.h. A + (W, V W ) = oder A + (W, V W ) =. (In der Literatur werden gerichtete Kreise auch als circuit und gerichtete Einschnitte als cocircuit bezeichnet.) Korollar In einem gerichteten Graphen liegt jede Kante entweder in einem gerichteten Kreis oder einem gerichteten Schnitt, aber nicht in beiden. Beweis: Folgt aus Satz 2.27, indem alle Kanten schwarz gefärbt werden Starker Zusammenhang Lemma Sei D = (V, A) ein gerichteter Graph und s V. Dann gibt es (s, v)-wege für alle v V genau dann, wenn A + (S, V S) für alle S V mit s S. Beweis: Sei S die Menge der Knoten, die von s aus auf einem gerichteten Weg erreicht werden können. Dann ist S V A + (S, V S) =. Korollar Für einen gerichteten Graphen D = (V, A) sind die folgenden Aussagen äquivalent: i) D ist stark zusammenhängend, ii) D enthält keinen gerichteten Schnitt A (W, V W ), iii) D ist zusammenhängend und jede Kante liegt in einem gerichteten Kreis. Beweis: (i) (ii) folgt aus Lemma (ii) (iii) ergibt sich Korollar (iii) (i): sei s V ein beliebiger Knoten. Wenn es zu einem v V keinen (s, v)-weg gibt, so existiert nach Lemma 2.29 ein gerichteter Schnitt S mit s S und A + (S, V S) =. Da D einfach zusammenhängend ist, folgt A(S, V S). Eine Kante e A (S, V S) kann aber auf keinem gerichteten Kreis liegen, da keine Kante diesen Schnitt wieder verlässt.

16 KAPITEL 2. ZUSAMMENHANG Kreis- und Schnittbasen Im nächsten Kapitel werden wir Graphen untersuchen, die so in der Ebene dargestellt werden können, dass sich keine zwei Kanten schneiden. Im Vorgriff auf dieses Kapitel ordnen wir Kreisen und Schnitten Größen der linearen Algebra zu. Sei D = (V, A) ein gerichteter Graph mit Kantenmenge A = {a 1,..., a m }. Jeder Kreis C A von D zerfällt in zwei Teilmengen C und C (wobei wir vorher eine beliebige Orientierung gewählt haben). Wir können dann C einen Vektor ζ(c) IR m wie folgt zuordnen: 0, falls i / C + C ζ i (C) = 1, falls i C + 1, falls i C Analog für Schnitte und minimale Schnitte E(W, V W ): 0, falls i / A(W, V W ) ζ i (W ) = 1, falls i A + (W, V W ) 1, falls i A (W, V W ) Beide Vektoren sind sicherlich bis auf das Vorzeichen eindeutig definiert. In jedem Fall sind aber die Vekorräume, die von den Kreis- bzw. Schnittvektoren erzeugt werden, eindeutig definiert. Lemma Sei D=(V,A) ein gerichteter Graph. Dann stehen die ζ-vektoren von Kreisen und Schnitten senkrecht aufeinander. Beweis: Das Skalarprodukt ändert sich nicht, wenn wir eine Kante umorientieren. Wie können somit annehmen, dass der von einer Menge W induzierte Schnitt ein gerichteter Schnitt ist. Jeder Kreis, der W berührt, muss aus W genau so oft herausführen wie er hineinführt. Eine Menge von Kreisen, deren ζ-vektoren linear unabängig sind und den von allen ζ-vektoren erzeugten Raum aufspannen, nennen wir Kreisbasis. Entsprechend ist eine Schnittbasis als eine Menge von minimalen Schnitten definiert, die den Raum der von den Schnitten definierten Vektoren aufspannen. Satz Sei D = (V, A) ein gerichteter Graph und T ein maximaler Wald im zugrunde liegenden ungerichteten Graphen. Dann bilden die A A(T ) Kreise, die durch Hinzufügen der fehlenden Kanten entstehen, eine Kreisbasis und die A(T ) Schnittkanten eine Schnittbasis. Beweis: Die Kreise sind linear unabhängig, da sie sich mindestens um eine Kante unterscheiden. Das gleiche gilt für die Schnitte. Da die insgesamt A ζ-vektoren nach Lemma 2.31 orthogonal sind, sind sie maximal linear unabhängig und bilden damit eine Basis.

Graphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007

Graphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007 Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 13. November 2007 1 / 84 2 / 84 Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende

Mehr

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung. Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines

Mehr

Graphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007

Graphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007 Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen

Mehr

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. 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.

Mehr

Freie Bäume und Wälder

Freie Bäume und Wälder (Martin Dietzfelbinger, Stand 4.6.2011) Freie Bäume und Wälder In dieser Notiz geht es um eine besondere Sorte von (ungerichteten) Graphen, nämlich Bäume. Im Gegensatz zu gerichteten Bäumen nennt man diese

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt. Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e

Mehr

Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:

Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu

Mehr

Kapitel IV Minimale Spannbäume

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.

Mehr

Nachbarschaft, Grad, regulär, Inzidenz

Nachbarschaft, Grad, regulär, Inzidenz Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad

Mehr

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.

\ 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 )

Mehr

Bäume und Wälder. Definition 1

Bäume und Wälder. Definition 1 Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt

Mehr

Algorithmische Graphentheorie

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

Mehr

Dieser Graph hat 3 Zusammenhangskomponenten

Dieser Graph hat 3 Zusammenhangskomponenten Vl 2, Informatik B, 19. 04. 02 1.1.3 Definitionen und wichtige Graphen Sei im folgenden G =(V;E) ein schlichter ungerichteter Graph. Definition: Der Grad eines Knoten v in einem ungerichteten Graphen ist

Mehr

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008 Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9

Mehr

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:

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),

Mehr

Übung zur Vorlesung Diskrete Strukturen I

Übung zur Vorlesung Diskrete Strukturen I Technische Universität München WS 00/03 Institut für Informatik Aufgabenblatt 6 Prof. Dr. J. Csirik 18. November 00 Brandt & Stein Übung zur Vorlesung Diskrete Strukturen I Abgabetermin: Tutorübungen am

Mehr

Seien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren.

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

Mehr

Vorlesung Datenstrukturen

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:

Mehr

4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1

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

Mehr

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme

Algorithmik 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

Mehr

5. Bäume und Minimalgerüste

5. Bäume und Minimalgerüste 5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein

Mehr

WS 2013/14. Diskrete Strukturen

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

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen

Zentralübung zur Vorlesung Diskrete Strukturen WS 2010/11 Zentralübung zur Vorlesung Diskrete Strukturen Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/uebung/ 2. Februar 2011 ZÜ DS ZÜ XIII 1. Übungsbetrieb:

Mehr

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

Algorithmische Graphentheorie

Algorithmische 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

Mehr

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume

Mehr

Das Heiratsproblem. Definition Matching

Das Heiratsproblem. Definition Matching Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung

Mehr

Übungsblatt 2 - Lösung

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

Mehr

Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume)

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

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII

Mehr

Graphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:

Graphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert: KAPITEL 3 Graphen Man kann als Ursprung der Graphentheorie ein Problem sehen, welches Euler 1736 von Studenten aus Königsberg gestellt bekam. Der Fluss Pregel wird von 7 Brücken überquert, und die Frage

Mehr

Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...

Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,... Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings

Mehr

Grundbegri e der Graphentheorie: Eckengrad, Wege und Kreise, Zusammenhang

Grundbegri e der Graphentheorie: Eckengrad, Wege und Kreise, Zusammenhang raphen- und Berechenbarkeitstheorie rundbegri e der raphentheorie: Eckengrad, Wege und Kreise, Zusammenhang 0.1 raphen Ein raph ist ein aar = (V, E) disjunkter Mengen mit E [V ]2, wobei [V ]2 die Menge

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

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

Mehr

Diskrete Mathematik Graphentheorie (Übersicht)

Diskrete Mathematik Graphentheorie (Übersicht) Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die

Mehr

Graphentheorie. Färbungen. Knoten- und Kantenfärbungen. Knoten- und Kantenfärbungen. Rainer Schrader. 28. Januar 2008

Graphentheorie. Färbungen. Knoten- und Kantenfärbungen. Knoten- und Kantenfärbungen. Rainer Schrader. 28. Januar 2008 Graphentheorie Rainer Schrader Färbungen Zentrum für Angewandte Informatik Köln 28. Januar 2008 1 / 57 2 / 57 wir wollen versuchen, die Knoten eines Graphen zu färben dabei dürfen keine zwei benachbarten

Mehr

Bemerkung: Der vollständige Graph K n hat n(n 1)

Bemerkung: Der vollständige Graph K n hat n(n 1) Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel

Mehr

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

1.Aufgabe: Minimal aufspannender Baum

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

Mehr

Bipartite Graphen. Beispiele

Bipartite Graphen. Beispiele Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten

Mehr

Graphdurchmusterung, Breiten- und Tiefensuche

Graphdurchmusterung, Breiten- und Tiefensuche Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,

Mehr

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2 1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)

Mehr

Kürzeste-Wege-Algorithmen und Datenstrukturen

Kürzeste-Wege-Algorithmen und Datenstrukturen Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2

Mehr

Übungsaufgaben Graphentheorie, Wintersemester 2011/12

Übungsaufgaben Graphentheorie, Wintersemester 2011/12 Übungsaufgaben Graphentheorie, Wintersemester 2011/12 Frank Göring 25. Januar 2012 Zusammenfassung Übungsaufgaben zur Graphentheorievorlesung. 1 Bis 19.10.2011 1. Wir hatten einen Graphen G als zusammenhängend

Mehr

Kapitel IV Minimale Spannbäume

Kapitel IV Minimale Spannbäume Kapitel IV Minimale Spannbäume. 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.

Mehr

Isomorphie von Bäumen

Isomorphie von Bäumen Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................

Mehr

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V. Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.

Mehr

durch Einfügen von Knoten konstruiert werden kann.

durch Einfügen von Knoten konstruiert werden kann. Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der

Mehr

Datenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14

Datenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14 Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 14. Mai

Mehr

9 Minimum Spanning Trees

9 Minimum Spanning Trees Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne

Mehr

f h c 7 a 1 b 1 g 2 2 d

f h c 7 a 1 b 1 g 2 2 d ) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)

Diskrete 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

Mehr

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7

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

Mehr

3. Musterlösung. Problem 1: Boruvka MST

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

Mehr

1. Einige Begriffe aus der Graphentheorie

1. Einige Begriffe aus der Graphentheorie . Einige Begriffe aus der Graphentheorie Notation. Sei M eine Menge, n N 0. Dann bezeichnet P n (M) die Menge aller n- elementigen Teilmengen von M, und P(M) die Menge aller Teilmengen von M, d.h. die

Mehr

Kapitel 8: Bipartite Graphen Gliederung der Vorlesung

Kapitel 8: Bipartite Graphen Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken

Mehr

Effiziente Algorithmen I

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

Mehr

Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen

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

Mehr

2. 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 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0

Mehr

Ferienkurs Propädeutikum Diskrete Mathematik

Ferienkurs Propädeutikum Diskrete Mathematik Ferienkurs Propädeutikum Diskrete Mathematik Teil 3: Grundlagen Graphentheorie Tina Janne Schmidt Technische Universität München April 2012 Tina Janne Schmidt (TU München) Ferienkurs Propädeutikum Diskrete

Mehr

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko

Mehr

Minimal spannende Bäume

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

Mehr

Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09

Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09 Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,

Mehr

Betriebswirtschaftliche Optimierung

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

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende

Mehr

Maximale s t-flüsse in Planaren Graphen

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

Mehr

Einheit 11 - Graphen

Einheit 11 - Graphen Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)

Mehr

Betriebliche Optimierung

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

Mehr

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung

Mehr

Ausarbeitung über den Satz von Menger und den Satz von König

Ausarbeitung über den Satz von Menger und den Satz von König Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor

Mehr

Vorlesung Datenstrukturen

Vorlesung Datenstrukturen Vorlesung Datenstrukturen Graphdurchläufe Maike Buchin 22. und 27.6.2017 Graphexploration Motivation: Für viele Zwecke will man den gesamten Graphen durchlaufen, zb. um festzustellen ob er (stark) zusammenhängt.

Mehr

8: Bipartite Graphen. s 1. bei dem es eine Kante zwischen s i und k gibt, wenn der Schüler s i die Note k für seine Arbeit bekommen hat.

8: Bipartite Graphen. s 1. bei dem es eine Kante zwischen s i und k gibt, wenn der Schüler s i die Note k für seine Arbeit bekommen hat. Chr.Nelius: Graphentheorie (WS 2018/19) 8 Bipartite Graphen 26 8: Bipartite Graphen In einer Schulklasse mit 24 Schülern s 1,s 2,s 3,...,s 24 wurde eine Mathe Arbeit geschrieben. Um das Ergebnis bildlich

Mehr

Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt:

Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: Der K 4 lässt sich auch kreuzungsfrei zeichnen: Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: ( ) n n (n 1) E

Mehr

3. Musterlösung. Problem 1: Heapsort

3. Musterlösung. Problem 1: Heapsort Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 3. Musterlösung Problem : Heapsort ** 2 3 4 5 Algorithmus : Heapsort (A) Eingabe : Array A der Länge n Ausgabe : Aufsteigend

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Eindeutige Faktoren von Graphen Maximale Kantenzahl und Extremalgraphen

Eindeutige Faktoren von Graphen Maximale Kantenzahl und Extremalgraphen Eindeutige Faktoren von Graphen Maximale Kantenzahl und Extremalgraphen Von der Fakultät für Mathematik, Informatik und Naturwissenschaften der Rheinisch-Westfälischen Technischen Hochschule Aachen zur

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Minimal spannender Baum

Minimal spannender Baum Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen

Mehr

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1 Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung

Mehr

Unendliche Graphen. Daniel Perz 24. Dezember Definition 1. Ein Graph G heißt lokal endlich, wenn alle Knotengrade endlich sind.

Unendliche Graphen. Daniel Perz 24. Dezember Definition 1. Ein Graph G heißt lokal endlich, wenn alle Knotengrade endlich sind. Unendliche Graphen Daniel Perz 24. Dezember 2011 1 Definition Definition 1. Ein Graph G heißt lokal endlich, wenn alle Knotengrade endlich sind. Definition 2. Ein Graph G=(V,E) heißt Strahl, wenn gilt

Mehr

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung. Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite

Mehr

Studientag zur Algorithmischen Mathematik

Studientag zur Algorithmischen Mathematik Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

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

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009

1. 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

Mehr

Algorithmen und Datenstrukturen 2-1. Seminar -

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

Mehr

3.2 Generischer minimaler Spannbaum-Algorithmus

3.2 Generischer minimaler Spannbaum-Algorithmus 3.2 Generischer minimaler Spannbaum-Algorithmus Initialisiere Wald F von Bäumen, jeder Baum ist ein singulärer Knoten (jedes v V bildet einen Baum) while Wald F mehr als einen Baum enthält do wähle einen

Mehr

lässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens

lässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens Praktikum Algorithmen-Entwurf (Teil 5)..5 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen Endpunkt

Mehr

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden

Mehr

6. Übung zur Linearen Optimierung SS08

6. Übung zur Linearen Optimierung SS08 6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl

Mehr

Ecken des Zuordnungsproblems

Ecken des Zuordnungsproblems Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.

Mehr

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Klausurvorbereitung

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Klausurvorbereitung Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl.-Math. S. König, Dipl.-Math. A. Würfl, Klausurvorbereitung Die Klausur zum Propädeutikum Diskrete

Mehr

Diskrete Mathematik 1

Diskrete Mathematik 1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt

Mehr