Argumentationen zu ermöglichen, verlangen wir, dass diese Eigenschaft auch für induzierte Teilgraphen
|
|
- Bertold Ludo Beckenbauer
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 9 Perfekte Graphen 9.1 α- und χ-perfektheit Eine Clique in einem Graphen G ist ein induzierter vollstäniger Teilgraph. Die Cliquenzahl ω(g) ist die Kardinalität einer größten in G enthaltene Clique. Da bei einer Knotenfärbung die Knoten einer Clique verschiedene Farben tragen müssen, gilt offensichtlich χ(g) ω(g). Wir wollen versuchen, eine Dualitätsbeziehung zwischen minimalen Färbungen und maximalen Cliquen aufzubauen. Im Allgemeinen wird dieser Versuch scheitern, da Graphen mit beliebig großer chromatischer Zahl und Cliquenzahl zwei existieren. Wir könnten uns daher für die Graphen interessieren, für die Gleichheit gilt, und solche Graphen schön nennen. Um aber insbesondere induktive Argumentationen zu ermöglichen, verlangen wir, dass diese Eigenschaft auch für induzierte Teilgraphen gilt. Wir nennen einen Graphen G χ-perfekt falls χ(h) = ω(h) für alle induzierten Teilgraphen H G. Anstatt Cliquen zu betrachten können wir auch stabile Mengen untersuchen. Die Stabilitätszahl α(g) ist die Kardinalität einer größten unabhängigen Menge. Die Cliquenüberdeckungszahl κ(g) ist die kleinste Anzahl von Cliquen, die die Knoten überdecken. Wiederum gilt offensichtlich κ(g) α(g). Ein Graph G heißt α-perfekt, falls κ(h) = α(h) für alle induzierten Teilgraphen H G Replikation Zu v V bezeichne G x den Graphen, der aus G entsteht, indem der Knoten x dupliziert wird. Allgemeiner: sei h = (h 1,..., h n ) ein Vektor aus nichtnegativen ganzen Zahlen. Dann bezeichnet G h den Graphen, der entsteht, wenn jeder Knoten x j wird durch eine stabile Menge der Kardinalität h j ersetzt wird. Für h {0, 1} n sei G h der von den Knoten x j mit h j = 1 induzierte Teilgraph. Lemma 9.1 (Berge). Sei H = G h. Dann gilt: i) G χ-perfekt H χ-perfekt ii) G α-perfekt H α-perfekt 73
2 KAPITEL 9. PERFEKTE GRAPHEN 74 Beweis: Die Aussage ist richtig, falls G nur aus einem Knoten besteht. Sei sie also auch richtig für Graphen, die weniger Knoten haben als G. Sei H = G h. Per Induktion können wir annehmen, dass h ein Vektor aus lauter Einsen ist mit einer Komponente 2, d.h. H = G x. Sei also x die Kopie von x. (i) Da x und x nicht benachbart sind, folgt ω(g x) = ω(g). Da G χ-perfekt ist, existiert eine Färbung von G mit ω(g) Farben. Färbe x wie x. (ii) Sei K eine Cliquenüberdeckung von G mit K = κ(g) = α(g) und sei K x die Clique, die x enthält. Wir unterscheiden zwei Fälle: a) x liegt in einer maximalen stabilen Menge: sei S eine stabile Menge mit S = α(g) und x S. Dann ist S {x } stabil in G x, d.h. α(g x) = α(g) + 1. Da K {x } eine Cliquenüberdeckung von G x ist, folgt und somit α(g x) = κ(g x). κ(g x) κ(g) + 1 = α(g) + 1 = α(g x) κ(g x), b) x ist in keiner maximalen stabilen Menge: dann ist α(g x) = α(g). Da κ(g) = α(g), schneidet jede Clique in K, und damit auch K x, jede maximale stabile Menge genau einmal. Da x in keiner maximalen stabilen Menge liegt, schneidet auch D = K x {x} jede maximale stabile Menge genau einmal. Sei H der von V D induzierte Untergraph. Dann ist α(h) = α(g) 1. Per Induktion gilt: κ(h) = α(h) = α(g) 1 = α(g x) 1 Dann ergibt die Cliquenüberdeckung von H der Kardinalität α(g x) 1 zusammen mit D {x } eine Cliquenüberdeckung mit κ(g x) = α(g x) Es war lange Zeit vermutet worden, dass die beiden Perfektheitsbegriffe äquivalent sind. Diese Vermutung ist schließlich von Lovász bewiesen worden. Satz 9.2 (Lovász). G ist α-perfekt genau dann, wenn G χ-perfekt ist. Beweis: Da die stabilen Mengen eines Graphen G den Cliquen seines Komplements G entsprechen, reicht es zu zeigen, dass die α-perfektheit die χ-perfektheit impliziert. Sei also G α-perfekt. Per Induktion ist ω(h) = χ(h) bewiesen für alle H G. Falls G eine stabile Menge S enthält, die jede maximale Clique schneidet, so ist ω(v S) = ω(g) 1. Dann können wir V S mit ω(g) 1 Farben und S in einer zusätzlichen Farbe färben, d.h. ω(g) = χ(g). Andernfalls gilt für jede stabile Menge S, dass im Restgraphen H = G(V S) eine Clique K(S) existiert mit K(S) = ω(g), d.h. S K(S) =. Sei S die Menge aller stabilen Mengen
3 KAPITEL 9. PERFEKTE GRAPHEN 75 von G. Für jedes v i V sei h i = {S S : v i K(S)} die Anzahl der stabilen Mengen S, so dass die zugehörige maximale Clique K(S) v i enthält. Wir ersetzen nun jeden Knoten v i in G durch eine stabile Menge der Größe h i. Sei also H = G h. Nach Lemma 9.1 ist H ebenfalls α-perfekt. Weiter gilt: h i V (H) = v i V = {v i } K(S) v i V S S = {v i } K(S) S S v i V = K(S) S S = ω(g) S, nach Definition von K(S). Da nach Konstruktion von H in jeder Clique von H höchstens eine Kopie eines Knoten sein kann, ist ω(h) ω(g). Weiter gilt: da T K(S) 1 und S K(S) = 0. α(h) = max { h i } T S x i T = max { T K(S) } T S S S S 1, Da die Cliquen in einer Cliquenüberdeckung die Größe höchstens ω(h) haben können, und da ω(h) ω(g), folgt V (H) V (H) κ(h) = S. ω(h) ω(g) Somit: im Widerspruch α-perfektheit von H κ(h) S > S 1 α(h), Wir können damit auch kurz einen Graphen perfekt nennen, wenn er α-perfekt oder χ-perfekt ist. Eine andere Formulierung des Satzes 9.2 wäre somit: Korollar 9.3. Ein Graph ist genau dann perfekt, wenn sein Komplement perfekt ist. Im nächsten Abschnitt werden wir spezielle Klassen von perfekten Graphen betrachten. Ihnen allen ist gemein, dass sie weder induzierte ungerade Kreise der Länge mindestens fünf noch wegen der Abgeschlossenheit unter Komplementbildung deren Komplemente enthalten. Berge hat daher bereits 1966 die starke-perfekte-graphen-vermutung aufgestellt, dass diese Eigenschaft perfekte Graphen charakterisiert. Nach vielen vergeblichen Versuchen, diese Vermutung zu beweisen, ist sie im Jahr 2002 bewiesen worden.
4 KAPITEL 9. PERFEKTE GRAPHEN 76 Satz 9.4 (Chudnovsky, Robertson, Seymour und Thomas). Ein Graph G ist genau dann perfekt, wenn weder G noch sein Komplement G einen induzierten ungeraden Kreis der Länge mindestens 5 enthält. Schließlich sei erwähnt, dass für perfekte Graphen polynomielle Verfahren existieren, um eine minimale Färbung oder Knotenüberdeckung bzw eine maximale Clique oder stabile Menge zu bestimmen. Die Algorithmen beruhen jedoch auf Methoden, die den Rahmen einer Vorlesung über Graphentheorie sprengen. Für spezielle Klassen von perfekten Graphen, von denen wir drei im folgenden Abschnitt einführen, gibt es dagegen einfache Verfahren, um die genannten Probleme optimal zu lösen. 9.2 Klassen perfekter Graphen Im folgenden geben wir einige Beispiele von Klassen perfekter Graphen an. Wir beweisen jeweils, dass sie perfekt sind, gehen jedoch nicht darauf ein, dass es für sie jeweils Verfahren gibt, die die im Allgemeinen N P-vollständigen Probleme wie die Bestimmung einer minimalen Färbung oder einer maximalen Clique effizient lösen Bipartite Graphen und Kantengraphen von bipartiten Graphen Für jeden bipartiten Graphen G mit mindestens einer Kante gilt offensichtlich χ(g) = 2 und ω(g) = 2. Da induzierte Teilgraphen von bipartiten Graphen wiederum bipartit sind, sind bipartite Graphen perfekt. Unabhängige Mengen in einem Kantengraph L(G) entsprechen einem Matching in G. Eine Clique in L(G) entspricht einer Menge von Kanten in G, die entweder einen K 3 bilden oder einen gemeinsamen Endknoten haben. Da nach dem Satz 7.3 von König und Egerváry in bipartiten Graphen die Kardinalität eines maximalen Matchings gleich der Kardinalität einer minimalen Knotenüberdeckung ist, folgt für die Kantengraphen eines bipartiten Graphen G κ(l(g)) = α(l(g)). Da wiederum Kantengraphen bipartiter Graphen abgeschlossen unter induzierten Teilgraphen sind, sind auch Kantengraphen bipartiter Graphen perfekt Intervallgraphen Eine Menge T 1,..., T n von abgeschlossenen Intervallen des R definiert einen Graphen auf n Knoten v 1,..., v n mittels (v i, v j ) E T i T j. Um an unser einführendes Beispiel anzuknüpfen: wenn wir Räume für Prüfungen reservieren müssen, die jeweils in einem Intervall T i stattfinden, so bestimmt eine minimale Färbung des Intervallgraphen eine minimale Anzahl von Räumen, die wir reservieren müssen. Wir werden im nächsten Abschnitt sehen, dass Intervallgraphen perfekt sind Chordale Graphen Sei C = {v 1,..., v k } ein Kreis in einem Graphen G = (V, E). Eine Kante heißt Sehne (engl.: chord), falls sie zwei Knoten des Kreises miteinander verbindet, die im Kreis nicht benachbart
5 KAPITEL 9. PERFEKTE GRAPHEN 77 sind. Ein Graph heißt chordal oder trianguliert, falls jeder Kreis der Größe mindestens 4 eine Sehne hat. Lemma 9.5. Intervallgraphen sind chordal. Beweis: Sei G ein Intervallgraph, v 1,..., v k ein sehnenfreier Kreis in G mit k > 3 und T i die zu den Knoten gehörenden Intervalle. Da sich die Intervalle benachbarter Knoten schneiden, können wir für 1 i k 1 Punkte p i T i T i+1 wählen. Sei p i < p i+1. Dann ist [p i, p i+1 ] I i+1. Wäre p i+2 < p i+1, so wäre p i+2 I i+1 I i+3 und (v i+1, v i+3 ) eine Sehne. Somit bilden die p i s eine strikt steigende oder strikt fallende Folge. Dann können sich aber T 1 und T k nicht schneiden. Chordale Graphen lassen sich ebenfalls über Schnitte geeigneter Objekte definieren: zu jedem chordalen Graph existiert ein Baum, so dass die Knoten des Graphen einer Menge von Teilbäumen des Baumes entsprechen, die sich genau dann schneiden, wenn die entsprechenden Knoten im Graphen benachbart sind. Chordale Graphen lassen sich einfach dekomponieren. Dazu heiße ein Knoten v eines Graphen simplizial, wenn seine Nachbarn N(v) eine Clique bilden. Lemma 9.6. Ein chordaler Graph hat mindestens zwei simpliziale Knoten. Beweis: Es reicht, die Aussage für zusammenhängende Graphen G zu zeigen. Seien u und v zwei Knoten in G maximaler Distanz. Angenommen u hat Nachbarn, die nicht untereinander benachbart sind. Sei w ein Nachbar von u. Da dist(w, v) dist(u, v), existiert ein kürzester (w, v)-weg, der nicht über u führt. Daher gibt es zwischen je zwei Nachbarn von u einen Weg in G u. Wähle w 1, w 2 N(u) mit (w 1, w 2 ) / E, für die dist(w 1, w 2 ) in G u minimal ist. Dann bildet ein kürzester (w 1, w 2 )-Weg zusammen mit u einen Kreis ohne Sehne. Satz 9.7. Chordale Graphen sind perfekt. Beweis: Sei G ein chordaler Graph. Da induzierte Teilgraphen von chordalen Graphen chordal sind, können wir per Induktion annehmen, daß für jeden echten Teilgraphen H bereits ω(h) = χ(h) gilt. Sei v ein simplizialer Knoten von G. Dann ist offensichtlich N(v) ω(g v). Per Induktion können wir G v mit ω(g v) Farben färben. Ist N(v) < ω(g v), so haben wir eine dieser Farben frei, um v zu färben. Ist N(v) = ω(g v), so folgt ω(g) = ω(g v) + 1 und wir färben v mit einer neuen Farbe. Damit ist G α-perfekt und nach Satz 9.2 perfekt Komparabilitätsgraphen Sei V eine Grundmenge und R X V eine binäre Relation auf V. R heißt Halbordnung, wenn die folgenden Bedingungen erfüllt sind: 1. Reflexivität (v, v) R für alle v V, 2. Transitivität für alle u, v, w V gilt: sind (u, v) R und (v, w) R, dann auch (u, w) R,
6 KAPITEL 9. PERFEKTE GRAPHEN Antisymmetrie für alle u, v V gilt: sind (u, v) R und (v, u) R, so ist u = v. Die Grundmenge mit einer Halbordnung wird auch als halbgeordnete Menge oder Poset bezeichnet. Oft wird R auch durch das Zeichen ausgedrückt mit u v, falls (u, v) R und u < v, falls u v und u v. Einer halbgeordneten Menge lßst sich in natürlicher Weise ein Graphen G R = (V, E) zuordnen mittels (u, v) E, falls u v und (u, v) R oder (v, u) R. Ein Graph G heißt Komparabilitätsgraph, falls es eine Halbordnung R gibt, so dass G = G R. Der Beweis, dass Komparabilitätsgraphen perfekt sind, geht auf ein altes Resultat über Halbordnungen zurück. Dazu nennen wir eine Teilmenge K V Kette, falls je zwei Elemente von K in Relation stehen. Umgekehrt heißt eine Teilmenge A V Antikette, falls keine zwei Elemente von A in Relation stehen. In jeder Kette K = {u 1,... u r } gibt es ein Element u 1, so dass u 1 < u i für i = 2,..., r. Per Induktion lässt sich K damit vollständig anordnen, d.h. es gilt u 1 < u 2 <... < u r. Wir sagen dann, dass K die Länge l(k) = r hat und in v 1 beginnt und in v r endet. Es gilt folgende Dualitätsaussage: Satz 9.8. Die maximale Länge einer Kette ist gleich der minimalen Anzahl disjunkter Antiketten, in die V zerlegt werden kann. Beweis: Für die Zerlegung einer Kette K werden sicherlich l(k) Antiketten benötigt, so dass keine Kette länger sein kann als die Anzahl der Antiketten in einer Anitketten-Zerlegung. Zum Beweis der Umkehrung ordnen wir jedem Element v V eine Höhe h(v) zu, wobei wir h(v) als die maximale Länge einer Kette wählen, die in v endet. Offensichtlich bilden Knoten mit gleicher Höhe eine Antikette. Wir erhalten somit eine Zerlegung in k Antiketten, wobei k = max v V h(v) = max{l(k) : K Kette in V }. Ketten und Antiketten einer Halbordnung entsprechen den Cliquen und stabilen Mengen des Komparabilitätsgraphen. Da induzierte Teilgraphen von Komparabilitätsgraphen wiederum Komparabilitätsgraphen sind, besagt Satz 9.8, dass Komparabilitätsgraphen χ-perfekt sind. Zusammen mit Satz 9.2 ergibt sich die folgende Aussage. Satz 9.9 (Dilworth). Die minimale Anzahl von Ketten, in die V zerlegt werden kann, ist gleich der maximalen Größe einer Antikette.
Graphentheorie. Perfekte Graphen. Perfekte Graphen. Perfekte Graphen. Rainer Schrader. 22. Januar 2008
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 22. Januar 2008 1 / 47 2 / 47 eine Clique in G ist ein induzierter vollständiger Teilgraph Gliederung α- und χ-perfektheit Replikation
Mehr3-Färbbarkeit. Korollar: Zu Entscheiden, ob ein Graph k-färbbar ist mit k 3, ist NP-vollständig.
3-Färbbarkeit Wir wissen bereits, dass in polynomieller Zeit entschieden werden kann, ob ein Graph 2-färbbar ist. Satz: Zu Entscheiden, ob ein Graph 3-färbbar ist, ist NPvollständig. Beweis: Reduktion
MehrAlgorithmische Graphentheorie (WS2014/15)
Algorithmische Graphentheorie (WS2014/15) Kapitel 6 Perfekte Graphen Walter Unger Lehrstuhl für Informatik 1 02.12.2014 15:39 (6:2) Walter Unger 6.1.2015 17:16 WS2014/15 Z x Inhalt I 1 Einleitung Erinnerung
MehrGraphentheorie. Zufallsgraphen. Zufallsgraphen. Zufallsgraphen. Rainer Schrader. 23. Januar 2008
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 3. Januar 008 1 / 45 / 45 Gliederung man könnte vermuten, dass ein Graph mit großer chromatischer Zahl einen dichten Teilgraphen enthalten
MehrGraphentheorie. 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
MehrZusammenfassung zu Graphentheorie
Sara Adams Zusammenfassung zu Graphentheorie - WS 2004/05 2 Inhaltsverzeichnis Zusammenfassung zu Graphentheorie Sara Adams 2. Juli 2005 Diese Zusammenfassung basiert auf der Vorlesung Graphentheorie gehalten
MehrGraphentheorie. 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
MehrÜbung zur Vorlesung Diskrete Strukturen I
Technische Universität München WS 00/0 Institut für Informatik Aufgabenblatt Prof. Dr. J. Csirik. November 00 Brandt & Stein Übung zur Vorlesung Diskrete Strukturen I Abgabetermin: Tutorübungen am. und.
MehrPlanare Graphen und Färbungen. Kapitel 7. Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/ / 296
Kapitel 7 Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/19 256 / 296 Inhalt Inhalt 7 Färbungen Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/19 257 / 296 Jordankurve Zentrale Frage
MehrDiskrete 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
MehrTechnische 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
MehrDiskrete 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
MehrGraphentheorie. 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
MehrBäume 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
MehrBäume 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
MehrKAPITEL 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
MehrTechnische 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
MehrDieser 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
Mehr1. 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
MehrÜbung 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
MehrFerienkurs zum Propädeutikum Diskrete Mathematik. Technische Universität München
Ferienkurs zum Propädeutikum Diskrete Mathematik Andreas Würfl Stefan König Technische Universität München WS 09/10 Übersicht 1 Binäre Relationen 2 Elementares Zählen 3 Partitionen zählen 4 Erzeugende
MehrNachbarschaft, 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
MehrGrundbegri 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
MehrWS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Planare Graphen, Färbung)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Planare Graphen, Färbung) 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
Mehrdurch 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
MehrZusammenfassung Graphentheorie
Inhaltsverzeichnis Zusammenfassung Graphentheorie Diskrete Strukturen II Quellen sind Diestels Graphentheorie und Wikipedia 1 Grundbegriffe 1 1.1 Definitionen..........................................
MehrWir betrachten einen einfachen Algorithmus, der den Zusammenhang eines Graphen testen soll.
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},
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #8: Färbungsprobleme Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Knotenfärbung (vs. Kanten- & Kartenfärbung) Satz von Brooks Algorithmen
MehrDie Vermutungen von Hadwiger und
Die Vermutungen von Hadwiger und Hajós David Müßig Seminar zur Graphentheorie, WS 09/10 Wir alle kennen die Gleichung χ(x) ω(x). Diese Gleichung ist nicht nur einläuchtend, sondern auch mehr oder weniger
MehrDiskrete 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
MehrÜbungsaufgaben 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
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik - WS 11/12. Klausurvorbereitung
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik - WS 11/12 Prof. Dr. A. Taraz, Dr. O. Cooley, Klausurvorbereitung Die Klausur zum Propädeutikum Diskrete Mathematik findet
MehrKapitel 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
MehrÜbung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist:
Svenja Hüning, Michael Kerber, Hannah Schreiber WS 2016/2017 Übung zur Vorlesung Diskrete Mathematik (MAT.107) Blatt Beispiellösungen Abgabefrist: Hinweise: Dieses Blatt präsentiert Beispiellösungen zu
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
MehrVier-Farben-Vermutung (1)
Vier-Farben-Vermutung (1) Landkarten möchte man so färben, dass keine benachbarten Länder die gleiche Farbe erhalten. Wie viele Farben braucht man zur Färbung einer Landkarte? Vier-Farben-Vermutung: Jede
MehrFerienkurs 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
MehrUnendliche 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
MehrAlgorithmische Graphentheorie (SS2013)
Algorithmische Graphentheorie (SS2013) Kapitel 1 Grundlagen Walter Unger Lehrstuhl für Informatik 1 08.05.2013 09:42 (1:2) Walter Unger 8.5.2013 10:26 SS2013 Z x Inhalt I 1 Einleitende Definitionen
MehrDiskrete Strukturen. wissen leben WWU Münster
MÜNSTER Diskrete Strukturen Dietmar Lammers Vorlesung SoSe 2010 MÜNSTER Diskrete Strukturen 269/260 MÜNSTER Diskrete Strukturen 270/260 Im WLAN gibt es 6 Frequenzen und die AccessPoints müssen so verteilt
MehrListenfärbung von Graphen
Listenfärbung von Graphen Martin Matković WS 2011/2012 Abstract Martin Matković 14. April 2012 In dieser Arbeit werden Definitionen und grundlegende Eigenschaften von Graphenfärbungen und speziell von
MehrProseminar Graphentheorie Vortrag 3 Matching. Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen
Proseminar Graphentheorie Vortrag 3 Matching Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen 1. Grundlagen Definition Matching: Eine Menge M von unabhängigen
MehrKapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung
Kapitel : Fallstudie Bipartite Graphen Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und. Minimal spannende Bäume. Kürzeste Wege 6. Traveling Salesman
Mehr4 Färbungen Begriffe Komplexität Greedy-Algorithmus Knotenreihenfolgen Das 4-Farben-Problem...
Inhaltsverzeichnis 4 Färbungen 41 4.1 Begriffe....................... 41 4.2 Komplexität..................... 42 4.3 Greedy-Algorithmus................ 42 4.4 Knotenreihenfolgen................. 43 4.5
MehrFünf-Farben-Satz. Seminar aus reiner Mathematik, WS 13/14. Schweighofer Lukas, November Seite 1
Der Fünf- Farben-Satz Seminar aus reiner Mathematik, WS 13/14 Schweighofer Lukas, November 2013 Seite 1 Inhaltsverzeichnis Vorwort...3 Graphentheoretische Grundlagen...4 Satz 2 (Eulerscher Polyedersatz)...7
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrKantengraphen und Planare Graphen. Seminararbeit
Kantengraphen und Planare Graphen Seminararbeit in Mathematisches Seminar für LAK 621.378 SS 2018 vorgelegt von Anna Maria Gärtner bei: Baur, Karin, Univ.-Prof. Dr.phil. Graz, 2018 Inhaltsverzeichnis 1
MehrKombinatorik. Dr. Lucia Draque Penso. Universität Ulm. Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 19
Kombinatorik Dr. Lucia Draque Penso Universität Ulm Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 19 Fünfzehnte Vorlesung Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 2 / 19 Definition
MehrKAPITEL 4. Posets Hasse Diagramm
KAPITEL 4 Posets Im Abschnitt über Relationen (1.4) wurde Eigenschaften von Relationen über einer einzigen Grundmenge X definiert. Mithilfe dieser Eigenschaften wurden z.b. Äquivalenzrelationen definiert.
MehrUniv.-Prof. Dr. Goulnara ARZHANTSEVA
Diskrete Mathematik Univ.-Prof. Dr. Goulnara ARZHANTSEVA SS 2018 c Univ.-Prof. Dr. Goulnara Arzhantseva Kapitel 08: Menger, König und Hall / Planare Graphen 1 / 30 Der Satz von Menger: s t trennende Kantenmenge
MehrAusarbeitung 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
MehrGrundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008
Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung und
MehrKapitel 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
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrVorlesung 1: Graphentheorie. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesung 1: Graphentheorie Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Plan für die ersten Vorlesungen Vorlesungen 1,2: wichtige mathematische Grundlagen;
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
Mehr6. Planare Graphen und Färbungen
6. Planare Graphen und Färbungen Lernziele: Den Begriff der Planarität verstehen und erläutern können, wichtige Eigenschaften von planaren Graphen kennen und praktisch einsetzen können, die Anzahl von
MehrDer Fünf-Farben-Satz. Lukas Schweighofer. Feb.2014
Der Fünf-Farben-Satz Lukas Schweighofer Feb.2014 1 Contents 1 Vorwort 3 2 Graphentheoretische Grundlagen 4 3 Satz 2 (Eulerscher Polyedersatz) 8 4 Satz 3 9 5 Der Fnf-Farben-Satz 10 5.1 Beweis 1..............................
MehrKapitel 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.
MehrWilliam Rowan Hamilton,
3.2.2 Hamiltonkreise Definition 130. In einem Graph G = (V,E) nennt man einen Kreis, der alle Knoten aus V genau einmal durchläuft, einen Hamiltonkreis. Enthält ein Graph eine Hamiltonkreis, nennt man
Mehr3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
MehrFür 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
Mehr5 Graphen. Repräsentationen endlicher Graphen. 5.1 Gerichtete Graphen. 5.2 Ungerichtete Graphen. Ordnung von Graphen
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 5 Graphen 5.1 Gerichtete Graphen Definition 5.1 (V, E) heißt gerichteter Graph (Digraph), wenn V Menge von Knoten
MehrBemerkung: 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
MehrWS 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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrAlgorithmische 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
MehrAuswahlaxiom, Zornsches Lemma und Wohlordnungssatz. 14.Oktober 97
Auswahlaxiom, Zornsches Lemma und Wohlordnungssatz Uwe Liebe Sven Hermann 14.Oktober 97 Inhaltsverzeichnis 1 Einleitung 3 2 Auswahlaxiom 4 3 Ordnung 5 4 Zornsches Lemma 9 5 Wohlordnungssatz 11 6 Zurück
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrZur Zykelschreibweise von Permutationen
Zur Zykelschreibweise von Permutationen Olivier Sète 16. Juni 2010 1 Grundlagen Definition 1.1. Eine Permutation von {1, 2,..., n} ist eine bijektive Abbildung σ : {1, 2,..., n} {1, 2,..., n}, i σ(i).
Mehr3. Übung zur Vorlesung Planare Graphen
3. Übung zur Vorlesung Planare Graphen Übung 20. Mai 14 Andreas Gemsa INSTITUTE OF THEORETICAL INFORMATICS PROF. DR. DOROTHEA WAGNER KIT University of the State of Baden-Wuerttemberg and National Laboratory
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 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/ws0809
MehrMatchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)
Praktikum Diskrete Optimierung (Teil 5) 6.05.009 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
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrFreie 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
MehrUntersuchungen zur Komplexität der Berechnung eines Kernels in clique-azyklischen Orientierungen perfekter Graphen
FernUniversität Hagen Fakultät für Mathematik und Informatik Diplomarbeit Untersuchungen zur Komplexität der Berechnung eines Kernels in clique-azyklischen Orientierungen perfekter Graphen Ute Mattheis
MehrDiskrete Mathematik für Informatiker
Universität Siegen Lehrstuhl Theoretische Inormatik Carl Philipp Reh Daniel König Diskrete Mathematik ür Inormatiker WS 2016/2017 Übung 6 1. Beweisen Sie die olgenden Aussagen: a) χ(k n ) = n b) χ(k m,n
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
Mehr8: 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= 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)
MehrKapitel 3: Die Sätze von Euler, Fermat und Wilson. 8 Der Satz von Euler
Kapitel 3: Die Sätze von Euler, Fermat und Wilson In diesem Kapitel wollen wir nun die eulersche -Funktion verwenden, um einen berühmten Satz von Euler zu formulieren, aus dem wir dann mehrere interessante
MehrTheoretische Informatik. nichtdeterministische Turingmaschinen NDTM. Turingmaschinen. Rainer Schrader. 29. April 2009
Theoretische Informatik Rainer Schrader nichtdeterministische Turingmaschinen Zentrum für Angewandte Informatik Köln 29. April 2009 1 / 33 2 / 33 Turingmaschinen das Konzept des Nichtdeterminismus nahm
MehrFärbungen von Graphen: Die chromatische Zahl und der Satz von Brooks
Färbungen on Graphen: Die chromatische Zahl und der Satz on Brooks Florian Seerin Heinrich-Heine-Uniersität Düsseldorf Mathe-Akademie 2018 Definition. Ein (endlicher) Graph besteht aus einer (endlichen)
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.
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 )
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrSatz 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
MehrGraphen 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
MehrEindeutige 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
MehrKnoten-Partitionierung in feste Eigenschaften ist NP-schwer
Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser
Mehr1. Übungsscheinklausur Diskrete Strukturen SS 2000
Aachen, den 23.06.2000 der RWTH Aachen Prof. Dr. L. Volkmann 1. Übungsscheinklausur Diskrete Strukturen SS 2000 1) (4 Punkte) Für welche m, n N mit ggt (m, n) = 1 gilt (m + n) mn? 2) (4 Punkte) Man bestimme
MehrSei M Grundmodell von ZFC+GCH, E sog. Easton-Indexfunktion mit folgenden Eigenschaften:
Satz (Easton): Sei M Grundmodell von ZFC+GCH, E sog. Easton-Indexfunktion mit folgenden Eigenschaften: 1. E : A = {κ Card κ regulär} Card 2. κ, λ A, κ < λ : E(κ) E(λ) 3. κ A : cof(e(κ)) > κ Dann existiert
MehrVorlesungstermin 2: Graphentheorie II. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesungstermin 2: Graphentheorie II Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Wiederholung: Vollständige Induktion Ziel: zeige n N. A(n) für eine Aussage
MehrOR für Wirtschaftsingenieure. Übungsserie 7: Färbungen von Graphen
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Operations Research allgemeine Optimierungsmethoden OR für Wirtschaftsingenieure Übungsserie : Färbungen von Graphen Aufgabe 1 : Wieviele Farben
MehrKlausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
MehrVollständiger 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