Algorithmische Graphentheorie
|
|
- Imke Förstner
- vor 5 Jahren
- Abrufe
Transkript
1 Dr. Joachim Spoerhase und Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Algorithmische Graphentheorie Sommersemester Vorlesung Planaritätstest
2 Planaritätstest Satz. [Hopcroft & Tarjan, J. ACM 1974] Sei G ein einfacher Graph mit n Knoten. Dann kann man in O(n) Zeit entscheiden, ob G planar ist. John Edward Hopcroft *1939, Seattle, WA, U.S.A. Robert Endre Tarjan *1948 Pomona, CA, USA
3 Planaritätstest Satz. [Hopcroft & Tarjan, J. ACM 1974] Sei G ein einfacher Graph mit n Knoten. Dann kann man in O(n) Zeit entscheiden, ob G planar ist. John Edward Hopcroft *1939, Seattle, WA, U.S.A. Robert Endre Tarjan *1948 Pomona, CA, USA kompliziert behandeln einfacheren Algorithmus mit Laufzeit O(n 3 ).
4 Planaritätstest Satz. [Auslander & Parter 1961] Sei G ein einfacher Graph mit n Knoten. Dann kann man in O(n 3 ) Zeit entscheiden, ob G planar ist.
5 Planaritätstest Satz. [Auslander & Parter 1961] Sei G ein einfacher Graph mit n Knoten. Dann kann man in O(n 3 ) Zeit entscheiden, ob G planar ist. Beweis. G planar jeder seiner Zusammenhangskomponenten planar
6 Planaritätstest Satz. [Auslander & Parter 1961] Sei G ein einfacher Graph mit n Knoten. Dann kann man in O(n 3 ) Zeit entscheiden, ob G planar ist. Beweis. G planar jeder seiner Zusammenhangskomponenten planar können uns o.e. auf zusammenhängende Graphen beschränken
7 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar
8 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar bzgl. Inklusion maximale Knotenmenge K V für die G[K] zweifach knotenzusammenhängend ist
9 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar ZZKs sind über Schnittknoten verbunden und bilden sog. Zwei-Block-Baum
10 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar ZZKs sind über Schnittknoten verbunden und bilden sog. Zwei-Block-Baum
11 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar ZZKs sind über Schnittknoten verbunden und bilden sog. Zwei-Block-Baum
12 Zweifacher Knotenzusammenhang Behauptung. G planar jede seiner Zweifach- Knotenzusammenhangskomponenten (ZZK) ist planar ZZKs sind über Schnittknoten verbunden und bilden sog. Zwei-Block-Baum betrachten o.e. zweifach knotenzusghd. Graphen
13 Strategie Ziel. Planaritätstest für zweifach knotenzusammenhängende Graphen
14 Strategie Ziel. Planaritätstest für zweifach knotenzusammenhängende Graphen Strategie. berechne separierenden Kreis und zerlege Graph in Teilstücke teste Teilstücke rekursiv
15 Teilstück Def. Sei C ein Kreis und e, e Kanten die nicht auf C liegen. Die Kanten e und e heißen äquivalent (bezüglich C), wenn sie durch einen Pfad verbunden sind, der C nicht berührt. Die resultierenden Äquivalenzklassen heißen Teilstücke (bezüglich C).
16 Teilstück Def. Sei C ein Kreis und e, e Kanten die nicht auf C liegen. Die Kanten e und e heißen äquivalent (bezüglich C), wenn sie durch einen Pfad verbunden sind, der C nicht berührt. Die resultierenden Äquivalenzklassen heißen Teilstücke (bezüglich C). C
17 Teilstücke Teilstück Def. Sei C ein Kreis und e, e Kanten die nicht auf C liegen. Die Kanten e und e heißen äquivalent (bezüglich C), wenn sie durch einen Pfad verbunden sind, der C nicht berührt. Die resultierenden Äquivalenzklassen heißen Teilstücke (bezüglich C). C
18 Teilstücke Teilstück Def. Sei C ein Kreis und e, e Kanten die nicht auf C liegen. Die Kanten e und e heißen äquivalent (bezüglich C), wenn sie durch einen Pfad verbunden sind, der C nicht berührt. Die resultierenden Äquivalenzklassen heißen Teilstücke (bezüglich C). Jedes Teilstück hat mdst. zwei Anknüpfungspunkte C
19 Separierender Kreis Def. Ein Kreis C heißt separierend, wenn er mindestens zwei Teilstücke induziert. separierend nicht separierend C C
20 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. Beweis. C
21 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der zyklischen Reihenfolge von C u
22 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. seien u, v aufeinanderfolgende γ C Anknüpfungspunkte von P in der zyklischen Reihenfolge von C betr. u-v-pfad γ auf C ohne innere Anknüpfp. u
23 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der zyklischen Reihenfolge von C betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P
24 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der zyklischen Reihenfolge von C betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P betrachte Kreis C := C + π γ
25 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der zyklischen Reihenfolge von C betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P betrachte Kreis C := C + π γ γ ist Teilstück bzgl. C
26 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der e zyklischen Reihenfolge von C betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P betrachte Kreis C := C + π γ γ ist Teilstück bzgl. C falls P kein Pfad ex. Kante e E(P) E(π)
27 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der e zyklischen Reihenfolge von C δ betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P betrachte Kreis C := C + π γ γ ist Teilstück bzgl. C falls P kein Pfad ex. Kante e E(P) E(π) Teilstück δ das e enthält ist verschieden von γ
28 Existenz separierender Kreis Lem 1. Sei C ein nicht-separierender Kreis mit Teilstück P. Falls P kein Pfad ist, dann besitzt G einen separierenden Kreis C, der aus einem Teilpfad von C und einem Pfad in P zwischen zwei Anknüpfungspunkten von P besteht. v Beweis. π γ C seien u, v aufeinanderfolgende Anknüpfungspunkte von P in der e zyklischen Reihenfolge von C δ betr. u-v-pfad γ auf C ohne innere Anknüpfp. u sei π ein u-v-pfad in P betrachte Kreis C := C + π γ γ ist Teilstück bzgl. C falls P kein Pfad ex. Kante e E(P) E(π) Teilstück δ das e enthält ist verschieden von γ C sep.
29 Einander störende Teilstücke G planar jedes Teilstück wird entweder komplett im Inneren oder im Äußeren von C eingebettet
30 Einander störende Teilstücke G planar jedes Teilstück wird entweder komplett im Inneren oder im Äußeren von C eingebettet Beob. zwei Teilstücke P Q können auf der gleichen Seite von C eingebettet werden es exisiert ein Teilpfad γ von C, so dass γ alle Anküpfpunkte von Q enthält aber kein innerer Knoten von γ Anknüpfpunkt von P ist Q P γ
31 Einander störende Teilstücke G planar jedes Teilstück wird entweder komplett im Inneren oder im Äußeren von C eingebettet Beob. zwei Teilstücke P Q können auf der gleichen Seite von C eingebettet werden es exisiert ein Teilpfad γ von C, so dass γ alle Anküpfpunkte von Q enthält aber kein innerer Knoten von γ Anknüpfpunkt von P ist Def. zwei Teilstücke die nicht auf der gleichen Seite von C eingebettet werden können stören einander Q P γ
32 Störgraph Def. Der Störgraph I (bezüglich C) hat als Knotemenge die Menge der Teilstücke. Zwei Teilstücke sind adjazent genau dann, wenn sie einander stören.
33 Störgraph Def. Der Störgraph I (bezüglich C) hat als Knotemenge die Menge der Teilstücke. Zwei Teilstücke sind adjazent genau dann, wenn sie einander stören.
34 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist.
35 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung.
36 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung.
37 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. planar
38 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. innen planar außen
39 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. innen planar außen
40 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. C
41 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. C
42 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. C nicht planar
43 Bipartiter Störgraph Lem 2. Sei G ein Graph mit separierendem Kreis C und Störgraphen I. Der Graph G ist genau dann planar, wenn (i) für jedes Teilstück P der Graph C + P planar und (ii) der Störgraph I bipartit ist. Beweis. Übung. C K 3,3 nicht planar
44 Berechnung Störgraph Beob. Die Nachbarn eines Teilstücks P im Störgraphen lassen sich in O(n) bestimmen, wenn die Teilstücke bekannt sind. P C
45 Berechnung Störgraph Beob. Die Nachbarn eines Teilstücks P im Störgraphen lassen sich in O(n) bestimmen, wenn die Teilstücke bekannt sind P nummeriere Knoten von C mit Nummern {0,..., 2k 1} wie abgebildet C
46 Berechnung Störgraph Beob. Die Nachbarn eines Teilstücks P im Störgraphen lassen sich in O(n) bestimmen, wenn die Teilstücke bekannt sind Q Q 5 P C nummeriere Knoten von C mit Nummern {0,..., 2k 1} wie abgebildet Stück Q stört P nicht alle Anknüpfpunkte von Q liegen in einem Intervall [2i, (2i + 2) mod (2k + 2)]
47 Berechnung Störgraph Beob. Die Nachbarn eines Teilstücks P im Störgraphen lassen sich in O(n) bestimmen, wenn die Teilstücke bekannt sind. Störgraph lässt sich dann in O(n 2 ) Zeit aufbauen Q Q 5 P C nummeriere Knoten von C mit Nummern {0,..., 2k 1} wie abgebildet Stück Q stört P nicht alle Anknüpfpunkte von Q liegen in einem Intervall [2i, (2i + 2) mod (2k + 2)]
48 Planaritätstest PlanarityTest(zweifach-zsghd G = (V, E), separ. Kreis C) berechne Teilstücke bzgl. C foreach Teilstück P das kein Pfad ist do G := C + P C := C γ + π wie in Lem 1 if PlanarityTest(G, C ) = false then return false Berechne Störgraphen I if I ist bipartit then return true else return false
49 Planaritätstest PlanarityTest(zweifach-zsghd G = (V, E), separ. Kreis C) berechne Teilstücke bzgl. C foreach Teilstück P das kein Pfad ist do G := C + P C := C γ + π wie in Lem 1 if PlanarityTest(G, C ) = false then return false Berechne Störgraphen I if I ist bipartit then return true else return false Korrektheit?
50 Planaritätstest Übung: falls G keinen separierenden Kreis hat ist G planar PlanarityTest(zweifach-zsghd G = (V, E), separ. Kreis C) berechne Teilstücke bzgl. C foreach Teilstück P das kein Pfad ist do G := C + P C := C γ + π wie in Lem 1 if PlanarityTest(G, C ) = false then return false Berechne Störgraphen I if I ist bipartit then return true else return false Korrektheit?
51 Planaritätstest Übung: falls G keinen separierenden Kreis hat ist G planar PlanarityTest(zweifach-zsghd G = (V, E), separ. Kreis C) berechne Teilstücke bzgl. C foreach Teilstück P das kein Pfad ist do G := C + P C := C γ + π wie in Lem 1 if PlanarityTest(G, C ) = false then return false Berechne Störgraphen I if I ist bipartit then return true else return false Korrektheit? Übung: zweifach knotenzusammenhängend
52 Planaritätstest Übung: falls G keinen separierenden Kreis hat ist G planar PlanarityTest(zweifach-zsghd G = (V, E), separ. Kreis C) berechne Teilstücke bzgl. C foreach Teilstück P das kein Pfad ist do G := C + P C := C γ + π wie in Lem 1 if PlanarityTest(G, C ) = false then return false Berechne Störgraphen I if I ist bipartit then return true else return false Übung: zweifach knotenzusammenhängend Korrektheit? per Induktion über E mit Hilfe von Lem 2
53 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar
54 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten
55 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten Berechnung der Teilstücke in O(n) durch Modifikation von BFS (Knoten auf C werden nicht exploriert)
56 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten Berechnung der Teilstücke in O(n) durch Modifikation von BFS (Knoten auf C werden nicht exploriert) Berechnung des Störgraphen in O(n 2 )
57 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten Berechnung der Teilstücke in O(n) durch Modifikation von BFS (Knoten auf C werden nicht exploriert) Berechnung des Störgraphen in O(n 2 ) jeder Aufruf (ohne Rekursion) in O(n 2 ) Zeit
58 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten Berechnung der Teilstücke in O(n) durch Modifikation von BFS (Knoten auf C werden nicht exploriert) Berechnung des Störgraphen in O(n 2 ) jeder Aufruf (ohne Rekursion) in O(n 2 ) Zeit Anzahl der Aufrufe ist O(n): Assoziiere mit jedem Aufruf eine Kante e C C
59 Laufzeit Falls G mehr als 3n 6 Kanten hat, ist G nicht planar G hat o.e. O(n) viele Kanten Berechnung der Teilstücke in O(n) durch Modifikation von BFS (Knoten auf C werden nicht exploriert) Berechnung des Störgraphen in O(n 2 ) jeder Aufruf (ohne Rekursion) in O(n 2 ) Zeit Anzahl der Aufrufe ist O(n): Assoziiere mit jedem Aufruf eine Kante e C C Gesamtlaufzeit O(n 3 )
Algorithmische Graphentheorie
Dr. Joachim Spoerhase und Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Algorithmische Graphentheorie Sommersemester 2017 10. Vorlesung Planaritätstest und Färben planarer Graphen Graphen färben
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Geradlinige Zeichnungen planarer Graphen 6. Vorlesung Sommersemester 2013 (basierend auf Folien von Marcus Krug und Tamara Mchedlidze, KIT) 2 Planare Graphen: Charakterisierung,
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 018/19 1. Vorlesung Minimale Spannbäume Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Motivation ) Kantengewichte w : E R >0 ) w(e ) := e E w(e)
MehrBreitensuche BFS (Breadth First Search)
Breitensuche BFS (Breadth First Search) Algorithmus BREITENSUCHE EINGABE: G = (V, E) als Adjazenzliste, Startknoten s V 1 Für alle v V 1 If (v = s) then d[v] 0 else d[v] ; 2 pred[v] nil; 2 Q new Queue;
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 2016 2. Vorlesung Rundreiseprobleme Teil II Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise
MehrAlgorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen 2 Übung 1 Stefan Florian Palkovits, BSc 0926364 e0926364@student.tuwien.ac.at 12. Juni 2016 Aufgabe 1: Es existiert eine Reduktion von Problem A auf Problem B in O(n 3 +
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 13 (6.6.2018) Graphenalgorithmen II Yannic Maus Algorithmen und Komplexität Repräsentation von Graphen Zwei klassische Arten, einen Graphen
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
MehrAlgorithmen und Datenstrukturen Tutorium Übungsaufgaben
Algorithmen und Datenstrukturen Tutorium Übungsaufgaben AlgoDat - Übungsaufgaben 1 1 Landau-Notation Aufgabe Lösung 2 Rekurrenzen Aufgabe 3 Algorithmenentwurf und -analyse Aufgabe AlgoDat - Übungsaufgaben
MehrZweizusammenhang und starker Zusammenhang
.. Zeizusammenhang und starker Zusammenhang Carsten Gutenger Vorlesung Algorithmen und Datenstrukturen WS /. Januar Zeizusammenhang Betrachte ein Netzerk (Graph) Z.B. Computernetzerk, Flug- oder Schienennetzerk
MehrAlgorithmen zur Visualisierung von Graphen
Gitterlayouts fu r planare Graphen I NSTITUT F U R T HEORETISCHE I NFORMATIK L EHRSTUHL A LGORITHMIK I M ARCUS K RUG KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum in der
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.04.2014 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrEffizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 17. Vorlesung Graphen: Repräsentation und Durchlaufstrategien Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Vorlesungsumfrage Nutzen Sie
MehrRelationen und DAGs, starker Zusammenhang
Relationen und DAGs, starker Zusammenhang Anmerkung: Sei D = (V, E). Dann ist A V V eine Relation auf V. Sei andererseits R S S eine Relation auf S. Dann definiert D = (S, R) einen DAG. D.h. DAGs sind
MehrAlgorithmische Graphentheorie
Dr. Joachim Spoerhase und Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Algorithmische Graphentheorie Sommersemester 2014 10. Vorlesung Planare Graphen Graphen zeichnen Def. injektive, in beiden
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrExkurs: Graphtraversierung
Sanders: Informatik III November 28, 2006 1 Exkurs: Graphtraversierung Begriffe Graphrepräsentation Erreichbarkeit mittels Tiefensuche Kreise Suchen Sanders: Informatik III November 28, 2006 2 Gerichtete
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
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen u, w, y, z:
Aufgabe 1.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 2, 2, 2, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 2, 2, 2, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, u, w, y:
Aufgabe 3.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (2, 3, 3, 3, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (2, 3, 3, 3, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, p, w, y:
Aufgabe 2.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 1, 2, 2, 4, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 1, 2, 2, 4, 4) zusammenhängend? (c) Hat jeder einfache
MehrSichtbarkeitsgraphen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.07.2011 Bewegungslanung für Roboter Ideen?? Problem: Gegeben
Mehr2.4 Starke Zusammenhangskomponenten in Digraphen
Starke Zusammenhangskomponenten Einleitung 2.4 Starke Zusammenhangskomponenten in Digraphen Definition 2.4.1 Zwei Knoten v und w in einem Digraphen G heißen äquivalent, wenn v w und w v gilt. Notation:
Mehr12. Graphen. Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap ,Cormen et al, Kap.
254 12. Graphen Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap. 9.1-9.4,Cormen et al, Kap. 22 Königsberg 1736 255 Königsberg 1736 255 Königsberg 1736 255
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
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
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 03.12.2013 Algorithmische Geometrie: Schnitte von Strecken Sweep-Line INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Teile-und-Herrsche-Algorithmen: Bäume und serienparallele Graphen 3. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) 2 Ankündigung
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
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrTraversierung 1 / 16. P.F. Stadler & S. Will (Bioinf, Uni LE) ADS 2, V3 23. April / 16
P.F. Stadler & S. Will (Bioinf, Uni LE) ADS, V. April 0 / P.F. Stadler & S. Will (Bioinf, Uni LE) ADS, V. April 0 / Traversierung ADS: Algorithmen und Datenstrukturen Teil Prof. Peter F. Stadler & Sebastian
Mehr3. 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),
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des
Mehr12. Graphen. Königsberg Zyklen. [Multi]Graph
Königsberg 76. Graphen, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap. 9. - 9.,Cormen et al, Kap. [Multi]Graph Zyklen C Kante Gibt es einen Rundweg durch die Stadt
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrAlgorithmen 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 /
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
MehrPolygontriangulierung
Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 05.05.2011 Ablauf Besprechung ÜB3 Korrektheitsbeweis
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
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 )
MehrOverview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces
Overview Testen von Planarität Markus Chimani LS XI Algorithm Engineering, TU Dortmund VO Automatisches Zeichnen von Graphen 15 Planarität Grundbegriffe Wie erkennt man Planarität Boyer-Myrvold Überblick
MehrDiskrete Strukturen WS 2005/06. Ernst W. Mayr. 27. Januar Fakultät für Informatik TU München
WS 2005/06 Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2005ws/ds/ 27. Januar 2006 Ernst W. Mayr 2.16 Inzidenzmatrix 3. Definitionen für gerichtete Graphen 3.1 Digraph
MehrAlgorithmus zur topologischen Nummerierung: while V = 0 do nummeriere eine Quelle mit der nächsten Nummer streiche diese Quelle aus V od
Algorithmus zur topologischen Nummerierung: while V = 0 do nummeriere eine Quelle mit der nächsten Nummer streiche diese Quelle aus V od Diskrete Strukturen 3.7 dag 473/556 3.8 Zusammenhang Definition
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
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
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.
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
MehrKlausur. 18. Juli 2008, 10:15-12:15 Uhr. Name:... Matrikelnummer:... Anzahl beschriebener Blätter (ohne Aufgabenblatt):... D(p) : Y = p x X + p y
GRUNDZÜGE DER ALGORITHMISCHEN GEOMETRIE Klausur 18. Juli 2008, 10:15-12:15 Uhr Name:................................... Matrikelnummer:................................... Anzahl beschriebener Blätter (ohne
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrHA-Lösung TA-Lösung Diskrete Strukturen Hausaufgabenblatt 8. Abgabe bis zum um 12:00
Technische Universität München Winter 2018/19 Prof. J. Esparza / Dr. M. Luttenberger, C. Welzel 2019/01/29 HA- TA- Diskrete Strukturen Hausaufgabenblatt 8 Abgabe bis zum 12.12.2018 um 12:00 Beachten Sie:
MehrAusfallsicherheit von Netzen
Version 1.02, 20.10.2003 Kapitel 7 Ausfallsicherheit von Netzen Ein wichtiges Ziel beim Entwurf der Topologie von Kommunikationsnetzen ist Ausfallsicherheit. Man möchte vermeiden, dass der Ausfall eines
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
Mehr7. Der Entwurf von Algorithmen (Fortsetzung)
Prof. Dr. Norbert Blum M.Sc. Adrian Schmitz Informatik V BA-INF 041 - Algorithmen und Berechnungskomplexität II SS 2015 Mögliche Klausuraufgaben Stand 1. Juli 2015 Bitte beachten Sie, dass die tatsächlichen
MehrDiskrete 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
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.
MehrDiskrete Mathematik für Informatiker
Universität Siegen Lehrstuhl Theoretische Informatik Carl Philipp Reh Daniel König Diskrete Mathematik für Informatiker WS 016/017 Übung 7 1. Gegeben sei folgender Graph und das Matching M = {{h, f}, {c,
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
MehrDefinition 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.
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 08.07.2014 1 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
Mehr2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)
WS 2015/16 Diskrete Strukturen Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
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
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 17. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 17 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 69 TU Ilmenau Seite 2 / 69 Graphtraverse Wie bei Bäumen, ist
Mehr23. Graphen. Königsberg Zyklen. [Multi]Graph
Königsberg 76. Graphen, Repräsentation, Reflexive transitive Hülle, Traversieren (DFS, BFS), Zusammenhangskomponenten, Topologisches Sortieren Ottman/Widmayer, Kap. 9. - 9.,Cormen et al, Kap. 60 60 [Multi]Graph
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)
MehrWS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) 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
MehrADS 2: Algorithmen und Datenstrukturen
ADS : Algorithmen und Datenstrukturen Teil 4 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrDiskrete Strukturen. Hausaufgabe 1 (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 8
MehrVorlesung Algorithmische Geometrie Konvexe Hülle in R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle in R 3 INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 15.07.2014 1 Wdh: Konvexe Hülle in R 2 (VL1) Def: Eine Menge S R 2
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrProportional Symbol Maps
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 25.06.2015 1 Statistische Visualisierung
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Einführung 1. Vorlesung Sommersemester 2014 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) Organisatorisches Dozent Philipp Kindermann Büro
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrGraphentheorie. Yichuan Shen. 10. Oktober 2013
Graphentheorie Yichuan Shen 0. Oktober 203 Was ist ein Graph? Ein Graph ist eine kombinatorische Struktur, die bei der Modellierung zahlreicher Probleme Verwendung findet. Er besteht ganz allgemein aus
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2015/16 20. Vorlesung Tiefensuche und topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 2. Test 43 112 = 72 % Test 1: 125/175
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
MehrDiskrete Mathematik 1 WS 2008/09
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 008/09 Blatt
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrInformatik B Sommersemester Musterlösung zur Klausur am
Informatik B Sommersemester 01 Musterlösung zur Klausur am 1.0.01 Leider wurde der Hinweis, dass alle Lösungen kurz (stichpunktartig), aber inhaltlich ausreichend zu kommentieren sind, nicht immer beachtet.
Mehr