Algorithmische Graphentheorie

Größe: px
Ab Seite anzeigen:

Download "Algorithmische Graphentheorie"

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

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

Mehr

Visualisierung von Graphen

Visualisierung 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,

Mehr

Algorithmen und Datenstrukturen

Algorithmen 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)

Mehr

Breitensuche BFS (Breadth First Search)

Breitensuche 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;

Mehr

Algorithmische Graphentheorie

Algorithmische Graphentheorie Algorithmische Graphentheorie Sommersemester 2016 2. Vorlesung Rundreiseprobleme Teil II Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Übersicht I) Eulerkreise III) Handlungsreisende II) Hamiltonkreise

Mehr

Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009

Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales

Mehr

Algorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016

Algorithmen 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 +

Mehr

Informatik II, SS 2018

Informatik 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

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

Algorithmen und Datenstrukturen Tutorium Übungsaufgaben

Algorithmen 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

Mehr

Zweizusammenhang und starker Zusammenhang

Zweizusammenhang 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

Mehr

Algorithmen zur Visualisierung von Graphen

Algorithmen 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

Mehr

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Vorlesung 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,

Mehr

Effizienter Planaritätstest Vorlesung am

Effizienter Planaritätstest Vorlesung am Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit

Mehr

Algorithmische Graphentheorie

Algorithmische Graphentheorie 1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander

Mehr

Algorithmen und Datenstrukturen

Algorithmen 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

Mehr

Relationen und DAGs, starker Zusammenhang

Relationen 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

Mehr

Algorithmische Graphentheorie

Algorithmische 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

Mehr

Algorithmen II Vorlesung am

Algorithmen II Vorlesung am Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum

Mehr

Algorithmen und Datenstrukturen

Algorithmen 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

Mehr

15. Elementare Graphalgorithmen

15. 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

Mehr

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Vorlesung 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,

Mehr

Exkurs: Graphtraversierung

Exkurs: 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

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

Aufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen u, w, y, z:

Aufgabe 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

Mehr

Aufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, u, w, y:

Aufgabe 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

Mehr

Aufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, p, w, y:

Aufgabe 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

Mehr

Sichtbarkeitsgraphen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie

Sichtbarkeitsgraphen. 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

Mehr

2.4 Starke Zusammenhangskomponenten in Digraphen

2.4 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:

Mehr

12. Graphen. Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap ,Cormen et al, Kap.

12. 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

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

Matchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)

Matchings 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

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

8. Übung zu Algorithmen I 15. Juni 2016

8. 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

Mehr

Visualisierung von Graphen

Visualisierung 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

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

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr

Mehr

Vorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Vorlesung 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,

Mehr

Definition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.

Definition 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

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie

Ferienkurs 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

Mehr

Traversierung 1 / 16. P.F. Stadler & S. Will (Bioinf, Uni LE) ADS 2, V3 23. April / 16

Traversierung 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

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

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des

Mehr

12. Graphen. Königsberg Zyklen. [Multi]Graph

12. 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

Mehr

9. Übung Algorithmen I

9. 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

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 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Planare Graphen, Färbung)

WS 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

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

Polygontriangulierung

Polygontriangulierung Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 05.05.2011 Ablauf Besprechung ÜB3 Korrektheitsbeweis

Mehr

Voronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Voronoi-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.

\ 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

Overview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces

Overview. 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

Mehr

Diskrete Strukturen WS 2005/06. Ernst W. Mayr. 27. Januar Fakultät für Informatik TU München

Diskrete 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

Mehr

Algorithmus 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 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

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

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

Algorithmen und Datenstrukturen

Algorithmen 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:

Mehr

Übung zur Vorlesung Diskrete Strukturen I

Übung 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.

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

Klausur. 18. Juli 2008, 10:15-12:15 Uhr. Name:... Matrikelnummer:... Anzahl beschriebener Blätter (ohne Aufgabenblatt):... D(p) : Y = p x X + p y

Klausur. 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

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene Netzwerk- und Graph-Algorithmen Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen 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

Mehr

Voronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie

Voronoi-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

Mehr

Algorithmen II Vorlesung am

Algorithmen II Vorlesung am Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum

Mehr

HA-Lösung TA-Lösung Diskrete Strukturen Hausaufgabenblatt 8. Abgabe bis zum um 12:00

HA-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:

Mehr

Ausfallsicherheit von Netzen

Ausfallsicherheit 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

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des

Mehr

7. Der Entwurf von Algorithmen (Fortsetzung)

7. 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

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

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

Diskrete Mathematik für Informatiker

Diskrete 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,

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

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

Anwendungen der WSPD & Sichtbarkeitsgraphen

Anwendungen 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

Mehr

2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37

2. 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

Mehr

Diskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)

Diskrete 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

Mehr

Diskrete 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 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

Mehr

5 Graphen. Repräsentationen endlicher Graphen. 5.1 Gerichtete Graphen. 5.2 Ungerichtete Graphen. Ordnung von Graphen

5 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

Mehr

Algorithmen und Datenstrukturen SS09. Foliensatz 17. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik

Algorithmen 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

Mehr

23. Graphen. Königsberg Zyklen. [Multi]Graph

23. 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

= 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

WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)

WS 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

Mehr

ADS 2: Algorithmen und Datenstrukturen

ADS 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

Mehr

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

Diskrete 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

Mehr

Vorlesung Algorithmische Geometrie Konvexe Hülle in R 3

Vorlesung 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

Mehr

Vorlesung Datenstrukturen

Vorlesung Datenstrukturen Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)

Mehr

Proportional Symbol Maps

Proportional 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

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

Algorithmische Graphentheorie

Algorithmische 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

Mehr

Algorithmen zur Visualisierung von Graphen

Algorithmen 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

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

Graphentheorie. Yichuan Shen. 10. Oktober 2013

Graphentheorie. 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

Mehr

Algorithmen und Datenstrukturen

Algorithmen 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

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag

Mehr

2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}

2. 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

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete 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

Mehr

Polygontriangulierung

Polygontriangulierung Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem

Mehr

Informatik B Sommersemester Musterlösung zur Klausur am

Informatik 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