Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
|
|
- Christian Friedrich
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung Algorithmische Kartografie Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg
2 Flächenaggregation Flächennutzung Maßstab 1:
3 Flächenaggregation Flächennutzung Maßstab 1: direktes Skalieren? Flächennutzung Maßstab 1:
4 Flächenaggregation Aggregation Flächennutzung Maßstab 1: direktes Skalieren? Flächennutzung Maßstab 1:
5 Flächenaggregation Aggregation Flächennutzung Maßstab 1: direktes Skalieren Skalieren? Flächennutzung Maßstab 1:
6 Flächenaggregation Aggregation Flächennutzung Maßstab 1: direktes Skalieren? Skalieren Vereinfachen Flächennutzung Maßstab 1:
7 Flächenaggregation Aggregation Flächennutzung Maßstab 1: Qualitätskriterien? direktes Skalieren Skalieren? Vereinfachen Flächennutzung Maßstab 1:
8 Aufgabenstellung Daten: topographische Datenbank mit Flächennutzungsdaten Unterteilung der Ebene in Polygone bestimmter Nutzungskategorien z.b.: Siedlung, Gewerbe, Ackerland, Wald,... Ziel: generiere sinnvolle Karte in Maßstab 1:Z dargestellte Flächen überschreiten Mindestgröße dazu Aggregation benachbarter Flächen nötig möglichst kleine Kategorienänderungen möglichst kompakte Flächen Aggregation 3
9 Typische Heuristik Algorithmus RegionGrowing S Menge der Regionen kleiner als Mindestfläche while S do a kleinste Region in S verschmelze a mit passendstem Nachbarn update S 4
10 Typische Heuristik Algorithmus RegionGrowing S Menge der Regionen kleiner als Mindestfläche while S do a kleinste Region in S verschmelze a mit passendstem Nachbarn update S Vor- und Nachteile? 4
11 Typische Heuristik Algorithmus RegionGrowing S Menge der Regionen kleiner als Mindestfläche while S do a kleinste Region in S verschmelze a mit passendstem Nachbarn update S Vor- und Nachteile? einfach zu implementieren Mindestflächen werden eingehalten nur lokale greedy Entscheidungen wichtige Features können verschwinden keine Qualitätsgarantie für Änderung der Kategorien 4
12 Qualitätskriterien 1) Logische Konsistenz Ausgabe ist Unterteilung der Ebene Einhaltung von Mindestflächen, ggf. kategorienabhängig (z.b. Wald 40 ha für 1:250K) 5
13 Qualitätskriterien 1) Logische Konsistenz Ausgabe ist Unterteilung der Ebene Einhaltung von Mindestflächen, ggf. kategorienabhängig (z.b. Wald 40 ha für 1:250K) 2) Vollständigkeit jede Eingaberegion, die groß genug ist muss korrekt in ihrer Kategorie dargestellt sein 5
14 Qualitätskriterien 1) Logische Konsistenz Ausgabe ist Unterteilung der Ebene Einhaltung von Mindestflächen, ggf. kategorienabhängig (z.b. Wald 40 ha für 1:250K) 2) Vollständigkeit jede Eingaberegion, die groß genug ist muss korrekt in ihrer Kategorie dargestellt sein 3) Semantische Genauigkeit semantische Distanz d: Γ Γ R + 0 zwischen Kategorien minimiere d = v V w(v) d(γ(v), γ (v))/ v V w(v) 5
15 Qualitätskriterien 1) Logische Konsistenz Ausgabe ist Unterteilung der Ebene Einhaltung von Mindestflächen, ggf. kategorienabhängig (z.b. Wald 40 ha für 1:250K) 2) Vollständigkeit jede Eingaberegion, die groß genug ist muss korrekt in ihrer Kategorie dargestellt sein 3) Semantische Genauigkeit semantische Distanz d: Γ Γ R + 0 zwischen Kategorien minimiere d = v V w(v) d(γ(v), γ (v))/ v V w(v) 4) Kompaktheit aggregierte Regionen sollen möglichst kompakt sein, gemessen an einem Kompaktheitsmaß c: 2 V Γ R + 0 5
16 Formale Problemstellung AreaAggregation Geg: planarer Graph G = (V, E) mit Knotengewichten w : V R + und Knotenfärbung γ : V Γ Mindestgewicht jeder Farbe θ : Γ R + semantischer Abstand d: Γ Γ R + 0 (Nicht-)Kompaktheit c: 2 V Γ R + 0 Parameter s [0, 1] Ges: Knotenfärbung γ : V Γ und Partitionierung P = {V 1,..., V p } von V mit γ (v) = γ i für alle v V i v V i w(v) θ(γ i ) induzierter Graph G[V i ] ist zusammenhängend Knoten v V i, der seine Farbe behält, d.h. γ(v) = γ (v) 6
17 Formale Problemstellung AreaAggregation Geg: planarer Graph G = (V, E) mit Knotengewichten w : V R + und Knotenfärbung γ : V Γ Mindestgewicht jeder Farbe θ : Γ R + semantischer Abstand d: Γ Γ R + 0 (Nicht-)Kompaktheit c: 2 V Γ R + 0 Parameter s [0, 1] Ges: Knotenfärbung γ : V Γ und Partitionierung P = {V 1,..., V p } von V mit γ (v) = γ i für alle v V i v V i w(v) θ(γ i ) induzierter Graph G[V i ] ist zusammenhängend Knoten v V i, der seine Farbe behält, d.h. γ(v) = γ (v) minimiere dabei Kosten f = s f col + (1 s) f comp f col = v V w(v) d(γ(v), γ (v)) f comp = V i P c(v i, γ i ) 6
18 Kompaktheit Umfangsbasiert je kleiner der Umfang einer Region desto kompakter c p (V ) = Umfang(V ) präferiert in der Summe über P größere Regionen Alternativen wie c p /(2 πfläche) oder Fläche c p /2 π sind problematisch für lineare Optimierung 7
19 Kompaktheit Umfangsbasiert je kleiner der Umfang einer Region desto kompakter c p (V ) = Umfang(V ) präferiert in der Summe über P größere Regionen Alternativen wie c p /(2 πfläche) oder Fläche c p /2 π sind problematisch für lineare Optimierung Distanz zum Zentrum sei δ : V V R + 0 Euklidischer Abstand zwischen Schwerpunkten c d (V, k) = min{ v V w(v) δ(v, u) u V und γ(u) = k)} Flächen sammeln sich rund um Zentrum mit unverändertem Typ präferiert kleinere Regionen, jedoch beschränkt durch θ Kombination mit c p möglich 7
20 Kompaktheit Umfangsbasiert je kleiner der Umfang einer Region desto kompakter c p (V ) = Umfang(V ) präferiert in der Summe über P größere Regionen Alternativen wie c p /(2 πfläche) oder Fläche c p /2 π sind problematisch für lineare Optimierung Distanz zum Zentrum sei δ : V V R + 0 Euklidischer Abstand zwischen Schwerpunkten c d (V, k) = min{ v V w(v) δ(v, u) u V und γ(u) = k)} Flächen sammeln sich rund um Zentrum mit unverändertem Typ präferiert kleinere Regionen, jedoch beschränkt durch θ Kombination mit c p möglich nutze alternativ kürzeste Wege δ V (u, v) in G, die innerhalb V verlaufen c sp (V, k) 7
21 Komplexität [Haunert, Wolff 2010] Satz 1: Für eine gegeben Instanz von AreaAggregation und einen Wert C Z ist es NP-schwer zu entscheiden, ob eine Lösung mit Kosten C existiert, selbst wenn Γ = 2, w 1, θ für alle Farben gleich, Distanz d {0, 1} und s = 1. Beweis: Reduktion von planarem Vertex Cover (s. Tafel) 8
22 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen 9
23 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen Beispiel: maximiere x + 2y sodass y 0, 9x + 1, 5 y 1, 4x 1, 3 9
24 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen Beispiel: maximiere x + 2y sodass y 0, 9x + 1, 5 y 1, 4x 1, 3 9
25 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen Beispiel: maximiere x + 2y sodass y 0, 9x + 1, 5 y 1, 4x 1, 3 9
26 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen Beispiel: maximiere x + 2y sodass y 0, 9x + 1, 5 y 1, 4x 1, 3 Gemischt ganzzahlige Programmierung (MIP) erlaubt binäre und ganzzahlige Variablen ist im Allg. NP-schwer liefert dennoch oft brauchbare und praktikable Lösungen in der Praxis 9
27 (Gemischt) Ganzzahlige Programmierung Lineare Programmierung (LP) ist ein effizientes Optimierungsverfahren für lineare Nebenbedingungen lineare Zielfunktion reellwertige Variablen Beispiel: maximiere x + 2y sodass y 0, 9x + 1, 5 y 1, 4x 1, 3 Gemischt ganzzahlige Programmierung (MIP) erlaubt binäre und ganzzahlige Variablen ist im Allg. NP-schwer liefert dennoch oft brauchbare und praktikable Lösungen in der Praxis 9
28 MIP A: Netzwerkfluss [Haunert, Wolff 2010] Variablen: f a [0, M] definiert den Fluss über Kante a (M = v V w(v)) F a {0, 1} mit F a = 1 falls f a > 0 b vk {0, 1} mit b vk = 1 falls γ (v) = k s v {0, 1} mit s v = 1 falls v eine Senke ist 10
29 MIP A: Netzwerkfluss [Haunert, Wolff 2010] Variablen: f a [0, M] definiert den Fluss über Kante a (M = v V w(v)) F a {0, 1} mit F a = 1 falls f a > 0 b vk {0, 1} mit b vk = 1 falls γ (v) = k s v {0, 1} mit s v = 1 falls v eine Senke ist Zielfunktion: minimiere s w(v) d(γ(v), k) b vk + (1 s) v V k Γ a=uv A δ(u, v) f a 10
30 MIP A: Netzwerkfluss [Haunert, Wolff 2010] Nebenbedingungen: M F a f a für alle a A (1) b vk = 1 für alle v V (2) k Γ b uk b vk + (F uv 1) für alle uv A, k Γ (3) b vγ(v) s v für alle v V (4) f a f a w(v) Ms v für alle v V (5) a=vu A a=vu A a=uv A f a a=uv A a=uv A f a w(v) s v θ(γ(v)) für alle v V (6) F a 1 s u für alle u V (7) 11
31 MIP A: Netzwerkfluss [Haunert, Wolff 2010] Nebenbedingungen: M F a f a für alle a A (1) b vk = 1 für alle v V (2) k Γ b uk b vk + (F uv 1) für alle uv A, k Γ (3) b vγ(v) s v für alle v V (4) f a f a w(v) Ms v für alle v V (5) a=vu A a=vu A a=uv A f a a=uv A a=uv A f a w(v) s v θ(γ(v)) für alle v V (6) F a 1 s u für alle u V (7) Wie lässt sich Vollständigkeit modellieren? 11
32 MIP B: Vorgängerrelation [Haunert, Wolff 2010] Variablen: x uv {0, 1} mit x uv = 1 gdw. Knoten v zum Zentrum u gehört 12
33 MIP B: Vorgängerrelation [Haunert, Wolff 2010] Variablen: x uv {0, 1} mit x uv = 1 gdw. Knoten v zum Zentrum u gehört Zielfunktion: minimiere s (u,v) V 2 w(v) d(γ(v), γ(u)) x uv + (1 s) (u,v) V 2 w(v) δ(u, v) x uv 12
34 MIP B: Vorgängerrelation [Haunert, Wolff 2010] Variablen: x uv {0, 1} mit x uv = 1 gdw. Knoten v zum Zentrum u gehört Zielfunktion: minimiere s (u,v) V 2 w(v) d(γ(v), γ(u)) x uv + (1 s) Nebenbedingungen: v V u V (u,v) V 2 w(v) δ(u, v) x uv x uv = 1 für alle v V (8) w(v) x uv θ(γ(u)) x uu für alle u V (9) w P r u (v) x uw x uv für alle (u, v) V 2, u v (10) 12
35 MIP B: Vorgängerrelation [Haunert, Wolff 2010] Variablen: x uv {0, 1} mit x uv = 1 gdw. Knoten v zum Zentrum u gehört Zielfunktion: Wie lässt sich Vollständigkeit modellieren? minimiere s (u,v) V 2 w(v) d(γ(v), γ(u)) x uv + (1 s) Nebenbedingungen: v V u V (u,v) V 2 w(v) δ(u, v) x uv x uv = 1 für alle v V (8) w(v) x uv θ(γ(u)) x uu für alle u V (9) w P r u (v) x uw x uv für alle (u, v) V 2, u v (10) 12
36 MIP C: Umfangskosten [Haunert, Wolff 2010] wie MIP B, aber zusätzlich Variablen: y ue [0, 1] mit y ue = 0 falls mind. ein Endpunkt von e E nicht zum Zentrum u gehört 13
37 MIP C: Umfangskosten [Haunert, Wolff 2010] wie MIP B, aber zusätzlich Variablen: y ue [0, 1] mit y ue = 0 falls mind. ein Endpunkt von e E nicht zum Zentrum u gehört Nebenbedingungen: y ue x uw y ue x uv für alle u V, e = {v, w} E (11) 13
38 MIP C: Umfangskosten [Haunert, Wolff 2010] wie MIP B, aber zusätzlich Variablen: y ue [0, 1] mit y ue = 0 falls mind. ein Endpunkt von e E nicht zum Zentrum u gehört Nebenbedingungen: y ue x uw y ue x uv für alle u V, e = {v, w} E (11) Zielfunktion: minimiere s (u,v) V 2 w(v) d(γ(v), γ(u)) x uv (1 s) 2 wobei λ: E R + die Kantenlängen angibt u V e E λ(e) y ue 13
39 Evaluation Visueller Eindruck: Eingabe Region Growing Semantik Semantik + Kompaktheit 14
40 Evaluation Visueller Eindruck: Eingabe Region Growing Semantik Semantik + Kompaktheit 14
41 Evaluation Performance: MIP A: recht langsam, selbst für kleinere Instanzen MIP B/C: deutlich schneller, aber erst durch zusätzliche Heuristiken werden realistische Instanzgrößen erreicht aus [Haunert, Wolff 2010] 15
Flächenaggregation. Benjamin Niedermann Vorlesung Algorithmische Kartografie /
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 30.04.205/05.05.205 Flächennutzung Maßstab
MehrVorlesung Algorithmische Kartografie
Übung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 18.07.2013 Wiederholung Themen der Vorlesung: Linienvereinfachung
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
MehrNachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16)
Berlin, 14. April 2016 Name:... Matr.-Nr.:... Nachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16) 1 / 10 2 / 10 3 / 11 4 / 9 5 / 10 Σ / 50 Einlesezeit: Bearbeitungszeit:
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,
MehrSchematisierung von Karten
Vorlesung Algorithmische Kartografie Schematisierung von (Straßen-)Karten LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 30.04.2013 Schematische
MehrVorlesung Algorithmische Kartografie. Übungsblatt 9. Benjamin Niedermann
Übung Algorithmische Kartografie Übungsblatt 9 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 04.07.2013 Problemstellung Geg: politische Karte
MehrVereinfachung und Schematisierung von Polygonen
Vorlesung Algorithmische Kartografie Vereinfachung und Schematisierung von Polygonen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.04.2015 1 Übersicht
MehrAlgorithmen zur Visualisierung von Graphen Lagenlayouts Teil 2
Algorithmen zur Visualisierung von Graphen Teil 2 INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Tamara Mchedlidze Martin Nöllenburg Ignaz Rutter 18.12.2012 Geg.: gerichteter Graph D = (V,
MehrBeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie Teil 2 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 11.06.2013 Die Ära der dynamischen Karten Die meisten
MehrVereinfachung und Schematisierung von Polygonen
Vorlesung Algorithmische Kartografie Vereinfachung und Schematisierung von Polygonen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.04.2015 1 Übersicht
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,
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
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
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
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.05.2011 Motivation Gegeben eine Position p = (p x, p y )
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,
MehrAlgorithmische Graphentheorie
c NASA (earthasart.gsfc.nasa.gov/ganges.html) 1 Algorithmische Graphentheorie Sommersemester 2015 2. Vorlesung Flüsse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Gewinnmaximierung Sie sind Chef
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrZusammenfassung. Benjamin Niedermann Vorlesung Algorithmische Kartografie
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 02.07.2015 1 Wiederholung Themen der
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
MehrKonzentrische U-Bahn-Linienpläne
Bachelor-Kolloquium Konzentrische U-Bahn-Linienpläne Magnus Lechner 19.03.2014 Betreuer: Prof. Dr. Alexander Wolff Dipl.-Inf. Martin Fink Motivation Warum sind U-Bahn-Linienpläne von Interesse? Motivation
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 17.01.013 Parametrisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
MehrVorlesung 1: Graphentheorie. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesung 1: Graphentheorie Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Plan für die ersten Vorlesungen Vorlesungen 1,2: wichtige mathematische Grundlagen;
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Einführung 1. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) Organisatorisches Dozent Martin Fink Büro E14 (Mathebau)
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 008/009 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie den Aufkleber mit Ihrem
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrEndkontrolle Informatik-Propädeutikum (Ermel/Hartung/Nichterlein/Niedermeier, Wintersemester 2013/14)
Berlin, 24. Februar 2014 Name:... Matr.-Nr.:... Endkontrolle Informatik-Propädeutikum (Ermel/Hartung/Nichterlein/Niedermeier, Wintersemester 2013/14) 1 2 3 4 5 6 Σ Bearbeitungszeit: max. Punktezahl: 60
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
Mehr4 Färbungen Begriffe Komplexität Greedy-Algorithmus Knotenreihenfolgen Das 4-Farben-Problem...
Inhaltsverzeichnis 4 Färbungen 41 4.1 Begriffe....................... 41 4.2 Komplexität..................... 42 4.3 Greedy-Algorithmus................ 42 4.4 Knotenreihenfolgen................. 43 4.5
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
MehrTheoretische Grundlagen der Informatik. Vorlesung am 27. November INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik 0 27.11.2018 Torsten Ueckerdt - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Letzte Vorlesung Die
MehrGruppenpräsentationen und Zusammenfassung
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 16.07.2013 1 Algorithmische Kartografie in der Praxis Projekt
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrOptimierung. Vorlesung 08
Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrLineare Programmierung
Übung Algorithmische Geometrie Lineare Programmierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 14.05.2014 Übersicht Übungsblatt 4 Lineares
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrDiskrete Strukturen. wissen leben WWU Münster
MÜNSTER Diskrete Strukturen Dietmar Lammers Vorlesung SoSe 2010 MÜNSTER Diskrete Strukturen 269/260 MÜNSTER Diskrete Strukturen 270/260 Im WLAN gibt es 6 Frequenzen und die AccessPoints müssen so verteilt
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 21.06.2011 Motivation: Meshing von Platinenlayouts Zur Simulation
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
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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 :
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:
MehrProgrammierpraktikum Algorithm Engineering (FPT-Algorithmen) Einführung
Programmierpraktikum Algorithm Engineering (FPT-Algorithmen) Einführung Martin Holzer Ignaz Rutter 31. Oktober 2008 Ansätze für NP-schwere Probleme 2/28 Approximative Lösungen Average-Case- statt Worst-Case-Analyse
MehrOptimierung. Vorlesung 9
Optimierung Vorlesung 9 Heute Facility location problem 1. Komplemetärer Schlupf 2. Das Facility Location Problem 3. Problemstellung LP, Duales, Schlupf Eine Approximationsalgorithmus Analyse und Beweis
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
Mehr2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2017/2018
2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2017/2018 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrBerechenbarkeit und Komplexität: Polynomielle Reduktion / NP-Vollständigkeit / Satz von Cook und Levin
Berechenbarkeit und Komplexität: Polynomielle Reduktion / NP-Vollständigkeit / Satz von Cook und Levin Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität 11. Januar 2008 Wiederholung
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
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
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)
Mehr3-Färbbarkeit. Korollar: Zu Entscheiden, ob ein Graph k-färbbar ist mit k 3, ist NP-vollständig.
3-Färbbarkeit Wir wissen bereits, dass in polynomieller Zeit entschieden werden kann, ob ein Graph 2-färbbar ist. Satz: Zu Entscheiden, ob ein Graph 3-färbbar ist, ist NPvollständig. Beweis: Reduktion
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 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
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
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
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Flussmethoden Knickminimierung in orthogonalen Layouts Vorlesung im Sommersemester 2009 Martin Nöllenburg.05.2009 Lehrstuhl für Algorithmik nstitut für Theoretische
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrLösungshinweise 3 Vorlesung Algorithmentechnik im WS 08/09
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Lösungshinweise Vorlesung Algorithmentechnik im WS 08/09 Problem : Kreuzende Schnitte Zwei Schnitte (S, V \ S) und (T, V \ T ) in einem
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
Mehr1. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2017/2018
1. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2017/2018 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
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
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrPunktlokalisierung. 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 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrGeometrische Algorithmen für Anwendungen in der Geovisualisierug
Geometrische Algorithmen für Anwendungen in der Geovisualisierug Institut für Theoretische Informatik Lehrstuhl für Algorithmik Prof. Dorothea Wagner Institut für Algebra und Geometrie Arbeitsgruppe Diskrete
MehrBeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 04.06.2013 Was ist eine Landkarte? r e d o Dr. Martin No
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrNachklausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 25. März 2013 Name:... Matr.-Nr.:... Nachklausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
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
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.06.2014 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung / Motivation
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
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
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 9 Programm: Übungsblatt
MehrLaufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrNP-Vollständigkeit einiger Zahlprobleme
NP-Vollständigkeit einiger Zahlprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 22. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrSeminar Algorithmische Geometrie
Seminar Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Bastian Katz Marcus Krug Martin Nöllenburg Ignaz Rutter KIT Universität des Landes
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
MehrA Berlin, 10. April 2017
A Berlin, 10. April 2017 Name:... Matr.-Nr.:... Wiederholung der schriftlichen Prüfung zur Vorlesung Diskrete Strukturen (Niedermeier/Molter/Froese, Wintersemester 2016/17) Einlesezeit: 15 Minuten Bearbeitungszeit:
Mehr