Algorithmen für Routenplanung
|
|
- Carin Flater
- vor 7 Jahren
- Abrufe
Transkript
1 Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 016 Moritz Baum 15. Juni 016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft
2 Elektromobilität Elektrofahrzeuge (EVs): Transportmittel der Zukunft Emissionsfreie Mobilität Aber: Akkukapazität eingeschränkt (und damit Reichweite) Lange Ladezeiten, wenig öffentliche Ladestationen Reichweitenangst Berücksichtigung von Energieverbrauch bei der Routenplanung Folie 15. Juni 016
3 Energieverbrauch als Metrik Besonderheiten: Rekuperation Rückgewinnung von Energie möglich (bergab fahren, bremsen) Negative Kantengewichte möglich Aber: keine negativen Zyklen (physikalische Gesetze) Akkukapazität (Battery Constraints) Akku darf nicht leer laufen (Andernfalls Kante nicht benutzbar) Akku kann nicht überschritten werden (Kanten können genutzt werden, aber Energie verfällt ggf.) Muss für jeden Knoten eines Pfades gelten Ladestand (state of charge, SoC) während Query berücksichtigen Folie Juni 016
4 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Folie Juni 016
5 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
6 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
7 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
8 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
9 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
10 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
11 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
12 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
13 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
14 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
15 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
16 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
17 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
18 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
19 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
20 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
21 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
22 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
23 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
24 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
25 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
26 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
27 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
28 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
29 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
30 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
31 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
32 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
33 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
34 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
35 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
36 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
37 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
38 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
39 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
40 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
41 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
42 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
43 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
44 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
45 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
46 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
47 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
48 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
49 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
50 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
51 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Folie Juni 016
52 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr 1-i- i i Folie Juni 016
53 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Bellman Ford: Funktioniert auch mit negativen Kantengewichten Folie Juni 016
54 Energieoptimale Routen Ziel: Gegeben Startknoten s und Zielknoten t, berechne eine Route die den Energieverbrauch minimiert Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Bellman Ford: Funktioniert auch mit negativen Kantengewichten Auf Realwelt-Instanzen ist Dijkstras Algorithmus schneller Folie Juni 016
55 Energieoptimale Routen Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Nicht mehr Label-Setting Stoppkriterium nicht mehr korrekt Frage: Stoppkriterium wiederherstellbar? Folie Juni 016
56 Energieoptimale Routen Dijkstra s Algorithmus: Setzt nichtnegative Kantengewichte voraus Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Nicht mehr Label-Setting Stoppkriterium nicht mehr korrekt Frage: Stoppkriterium wiederherstellbar? Wenn t abgearbeitet wird, könnten sich noch Pfade in der Queue befinden, die Label d[t] durch Anhängen eines negativen Subpfades verbessern Ziel: berechne Schranke P min 0 für Länge dieses Subpfades Dann Abbruch, sobald minkey(q) + P min d[t] Folie Juni 016
57 Berechnung von P min Gegeben: Gesucht: Graph G = (V, E) (ohne negative Zyklen) (Global) kürzester Pfad in G 1. Ansatz: Füge (virtuelle) Knoten s, t zu G hinzu Mit Kanten (s, u), (u, t ) für alle u V (mit Energieverbrauch 0) Berechne kürzesten s -t -Weg (mit Label-Correcting Dijkstra) Folie Juni 016
58 Berechnung von P min Gegeben: Gesucht: Graph G = (V, E) (ohne negative Zyklen) (Global) kürzester Pfad in G. Ansatz (simuliert 1. Ansatz, ist in der Praxis schneller): Initialisiere Distanzlabel d[v] = 0 für alle v V Für jeden Knoten v V : Starte (Label-Correcting) Suche von v Distanzlabel d[ ] wird zwischen den Suchen nicht reinitialisiert Berechne währenddessen: P min := min v V d[v] Folie Juni 016
59 Berechnung von P min Gegeben: Gesucht: Graph G = (V, E) (ohne negative Zyklen) (Global) kürzester Pfad in G. Ansatz (simuliert 1. Ansatz, ist in der Praxis schneller): Initialisiere Distanzlabel d[v] = 0 für alle v V Für jeden Knoten v V : Starte (Label-Correcting) Suche von v Distanzlabel d[ ] wird zwischen den Suchen nicht reinitialisiert Berechne währenddessen: P min := min v V d[v] Danach Stoppkriterium wieder anwendbar Folie Juni 016
60 Berechnung von P min Gegeben: Gesucht: Graph G = (V, E) (ohne negative Zyklen) (Global) kürzester Pfad in G. Ansatz (simuliert 1. Ansatz, ist in der Praxis schneller): Initialisiere Distanzlabel d[v] = 0 für alle v V Für jeden Knoten v V : Starte (Label-Correcting) Suche von v Distanzlabel d[ ] wird zwischen den Suchen nicht reinitialisiert Berechne währenddessen: P min := min v V d[v] Danach Stoppkriterium wieder anwendbar Beobachtung: Nach Berechnung von P min gilt: d[t] dist(v, t), v V Stoppkriterium lässt sich verbessern zu: minkey(q) + d[t] d[t] Folie Juni 016
61 Energieoptimale Routen Dijkstras Algorithmus: Setzt nichtnegative Kantengewichte voraus Stoppkriterium lässt sich wiederherstellen Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Nicht mehr Label-Setting Frage: Label-Setting Eigenschaft wiederherstellbar? Folie Juni 016
62 Energieoptimale Routen Dijkstras Algorithmus: Setzt nichtnegative Kantengewichte voraus Stoppkriterium lässt sich wiederherstellen Bleibt korrekt, aber keine polynomielle Laufzeitgarantie mehr Nicht mehr Label-Setting Frage: Idee: Label-Setting Eigenschaft wiederherstellbar? Finde zulässiges Potential π : V R, sodass len(u, v) π(u) + π(v) 0 für jede Kante (u, v) E Folie Juni 016
63 Knotenpotentiale Idee: Finde zulässiges Potential π : V R, sodass len(u, v) π(u) + π(v) 0 für jede Kante (u, v) E Dann Dijkstras Algorihmus (mit Stoppkriterium) auf Graph mit reduzierten Gewichten anwendbar 1. Distanzbasiertes Potential: Setze π(v) = d(v, v ), für beliebigen Knoten v Berechnung mittels (Label-Correcting) Query von v Zulässigkeit folgt aus Dreiecksungleichung Folie Juni 016
64 Knotenpotentiale Idee: Finde zulässiges Potential π : V R, sodass len(u, v) π(u) + π(v) 0 für jede Kante (u, v) E Dann Dijkstras Algorihmus (mit Stoppkriterium) auf Graph mit reduzierten Gewichten anwendbar. Höheninduziertes Potential: Ann.: Höhenkoordinate h(v) eines jeden Knoten gegeben π(v) := α h(v) für alle v, so dass c(u, v) + α(h(v) h(u)) 0 Kann mit Sweep über alle Kanten berechnet werden Keine Garantie für Zulässigkeit des Potentials (klappt für realistische Kantengewichte) Folie Juni 016
65 Energieoptimale Routen Bisher: Route minimiert den absoluten Energieverbrauch Route ist für konkreten Ladezustand an s ggf. nicht realisierbar Jetzt: Berechne Route abhängig vom initialen Ladezustand (SoC) Maximiere resultierenden SoC an t Betrachte nur Pfade die zulässig sind: Energie ist ausreichend: SoC wird nie negativ Akku wird nie überschritten: SoC > M SoC = M (M := Akku-Kapazität) Folie Juni 016
66 Energieoptimale Routen Anfragetypen (analog zu Zeitabhängigkeit): SoC Query: Gegeben Start s, Ziel t und initialen Ladezustand b s finde zulässige s-t-pfad mit maximalem SoC an t Berechnung mit angepasstem Dijkstra Folie Juni 016
67 Energieoptimale Routen Anfragetypen (analog zu Zeitabhängigkeit): SoC Query: Gegeben Start s, Ziel t und initialen Ladezustand b s finde zulässige s-t-pfad mit maximalem SoC an t Berechnung mit angepasstem Dijkstra Profilsuche: Für Start s und Ziel t, finde zulässige s-t-pfade mit maximalem SoC an t für alle b s [0, M] Berechnung mit Hilfe von: Verbrauchsfunktionen Geeigneten Link/Merge-Operationen Folie Juni 016
68 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 c e(b) v 3 s e, γ(e) = M -1 Folie Juni 016
69 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 v 3 s e, γ(e) = c e(b) M Folie Juni 016
70 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 c e(b) 4 c f (b) M M Folie Juni 016
71 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 c e(b) 4 c f (b) maxout e M M Anm: Potentiale weiterhin zulässig (cost e ist untere Schranke auf Verbrauch) Folie Juni 016
72 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 c e(b) 4 c f (b) minin e M M Folie Juni 016
73 Verbrauchsfunktionen Bisher: Konstanter Energieverbrauch pro Kante Explizites überprüfen der Battery Constraints im Algorithmus Jetzt: Integriere Battery Constraints in Verbrauchsfunktionen Verbrauchsfunktion bildet SoC auf tatsächlichen Verbrauch ab 4 c e(b) 4 c f (b) cost e M M Folie Juni 016
74 Verbrauchsfunktionen Linking Gesucht: Verbrauch beim traversieren von e und f Verbrauch auf e gegeben durch c e (b) SoC nach e = SoC vor f = b c e (b) Verbrauch auf e UND f : c e f (b) = c f (b c e (b)) s e v f t c e(b) c f (b) c e f (b) M M M Folie Juni 016
75 Verbrauchsfunktionen Linking Formal: c e f (b) ist gegeben durch: s minin e f = max[minin e, minin f + cost e ] maxout e f = min[maxout f, maxout e cost f ] cost e f = max[cost e + cost f, minin e maxout f ] (Bedingung: maxout e minin f ) e v f t c e(b) c f (b) c e f (b) M M M Folie Juni 016
76 Verbrauchsfunktionen Merging Gesucht: Verbrauch beim traversieren von e oder f s Benutze Pfad mit geringerem Verbrauch () Verbrauch auf e ODER f : c e U f (b) = min(c f (b), c e (b)) () e f t c e(b) c f (b) c e U f (b) M M M Folie Juni 016
77 Verbrauchsfunktionen Merging Gesucht: Verbrauch beim traversieren von e oder f s Benutze Pfad mit geringerem Verbrauch () Verbrauch auf e ODER f : c e U f (b) = min(c f (b), c e (b)) () Aber: Im Allgemeinem O(m) Stützstellen e f t c e(b) c f (b) c e U f (b) M M M Folie Juni 016
78 Energieoptimale Routen Ziel: Gegeben Start s, Ziel t und initialen Ladezustand b s finde zulässigen s-t-pfad mit maximalem SoC an t Besonderheiten: Energieverbrauch hängt von vielen Parametern ab Temperatur, Wetterbedingungen, Beladung,... Abhängig von Fahrzeugtyp, Fahrstil,... Verkehrslage,... Schnelle Customization wichtig Folie Juni 016
79 MLD für energieoptimale Routen Idee MLD: Zerteile den Graphen in mehrere Zellen Berechne Distanzen zwischen Randknoten in jeder Zelle Overlay Graph: Randknoten Cliquen in jeder Zelle Schnittkanten s t Suchgraph: Start- und Zielzelle......plus Overlaygraph. (bidirektionaler) Dijkstra Folie Juni 016
80 MLD für energieoptimale Routen 1: Metrik-unabhängige Vorberechnung Metrikunabhängig, keine Anpassung nötig : Metrik-abhängige Vorberechnung (Customization) Cliquenkanten sind Profile Lokale Profilsuchen Anpassung der Datenstrukturen 3: Queries Knotenpotentiale für Stoppkriterium Varianten: Unidirektionale Query Bidirektionale Query mit Rückwärts-Profilsuche Bidirektionale Query mit Rückwärtssuche auf Schranken (ähnlich wie bei zeitabhängigen Techniken) Folie Juni 016
81 Experimente CUSTOMIZING QUERIES space time vertex time Algorithm [B/n] [s] scans [ms] LC LC (stop. cr.) Dijkstra π v Dijkstra π h Prof. π h MLD (LC) MLD Uni π h MLD BPE π h MLD BDB π h für EV mit 85kWh Akku (ca. 400 km Reichweite) Folie Juni 016
82 Electric Vehicle Routing Bisher: Energieoptimale Routen Energiesparendes Fahren Wir finden einen zulässigen Pfad, falls dieser existiert Problem: Wir versuchen Energie zu sparen selbst wenn: Die Strecke sehr kurz ist Der Akkustand mehr als ausreichend für die Strecke ist Folie Juni 016
83 Electric Vehicle Routing Bisher: Energieoptimale Routen Energiesparendes Fahren Wir finden einen zulässigen Pfad, falls dieser existiert Problem: Wir versuchen Energie zu sparen selbst wenn: Die Strecke sehr kurz ist Der Akkustand mehr als ausreichend für die Strecke ist Alternativen? Folie Juni 016
84 Electric Vehicle Routing Bisher: Energieoptimale Routen Energiesparendes Fahren Wir finden einen zulässigen Pfad, falls dieser existiert Problem: Wir versuchen Energie zu sparen selbst wenn: Die Strecke sehr kurz ist Der Akkustand mehr als ausreichend für die Strecke ist Alternativen? Berechne schnellste Route, überprüfe danach ob SoC ausreichend Schnellste Route mit Energieverbrauch als Nebenbedingung Folie Juni 016
85 Metrikvergleich Extra Extra Metric Unreach. Energy T/D Energy vs. Travel Time 60 % 6 % 63 % Energy vs. Distance 5 % 15 % 4 % Fazit: Energie explizit optimieren zahlt sich aus Kürzeste Wege energieeffizienter als schnellste Aber: Fahrzeit viel höher auf energie-optimalen Wegen Nur eine Metrik optimieren ist nicht zufriedenstellend Folie Juni 016
86 Metrikvergleich Extra Extra Metric Unreach. Energy T/D Energy vs. Travel Time 60 % 6 % 63 % Energy vs. Distance 5 % 15 % 4 % Fazit: Energie explizit optimieren zahlt sich aus Kürzeste Wege energieeffizienter als schnellste Aber: Fahrzeit viel höher auf energie-optimalen Wegen Nur eine Metrik optimieren ist nicht zufriedenstellend Finde schnellste Route mit Energieverbrauch als Nebenbedingung Folie Juni 016
87 Schnellste fahrbahre Route Ziel: Finde schnellste Route mit Energieverbrauch als Nebenbedingung Zwei Metriken auf den Kanten: Fahrzeit und Energieverbrauch Optimiere die Fahrzeit und beschränke den Energieverbrauch Erweiterung des CSP Problems Folie Juni 016
88 Wdh: Constrained Shortest Path Definition: Constrained Shortest Path Problem Gegeben: G = (V, E), Länge l: E N 0, Gewicht ω : E N 0, Start und Ziel s, t V sowie Schranken L, W N 0 Problem: Existiert ein einfacher Pfad P von s nach t in G, für den l(p) L und ω(p) W gelten? Anmerkung: Das entsprechende Optimierungsproblem lautet: Finde einen s-t-pfad P mit minimalem l(p) und ω(p) W Theorem Constrained Shortest Path Problem ist (schwach) N P-vollständig Folie Juni 016
89 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Folie 15. Juni 016
90 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Erinnerung: MCD hält pro Knoten eine Menge Pareto-Optimaler Pfade Pareto-Mengen können exponentiell groß werden (0, 1) (0, ) (0, 4) (1, 0) (, 0) (4, 0) Folie 15. Juni 016
91 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Erinnerung: MCD hält pro Knoten eine Menge Pareto-Optimaler Pfade Pareto-Mengen können exponentiell groß werden (0,0) (0, 1) (0, ) (0, 4) (1, 0) (, 0) (4, 0) Folie 15. Juni 016
92 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Erinnerung: MCD hält pro Knoten eine Menge Pareto-Optimaler Pfade Pareto-Mengen können exponentiell groß werden (0,1) (0,0) (1,0) (0, 1) (0, ) (0, 4) (1, 0) (, 0) (4, 0) Folie 15. Juni 016
93 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Erinnerung: MCD hält pro Knoten eine Menge Pareto-Optimaler Pfade Pareto-Mengen können exponentiell groß werden (0,3) (1,) (0,1) (,1) (0,0) (1,0) (3,0) (0, 1) (0, ) (0, 4) (1, 0) (, 0) (4, 0) Folie 15. Juni 016
94 Wdh: Multi-Criteria Dijkstra für CSP CSP kann mit Multi-Criteria Dijkstra (MCD) gelöst werden Bikriterieller Ansatz mit Metriken: Länge & Gewicht Nutze Constraints zum prunen Verwerfe Label mit Gewicht > W Erinnerung: (0,7) MCD hält pro Knoten eine Menge Pareto-Optimaler Pfade (1,6) (,5) Pareto-Mengen können (3,4) exponentiell groß werden (0,3) (4,3) (1,) (5,) (0,1) (,1) (6,1) (0,0) (1,0) (3,0) (7,0) (0, 1) (0, ) (0, 4) (1, 0) (, 0) (4, 0) Folie 15. Juni 016
95 Schnellste zulässige Route Idee: Nutze gleichen Ansatz für EV routing Label sind Tupel (Fahrzeit, SoC) Falls SoC < 0, Pfad nicht weiter verfolgen Folie Juni 016
96 Schnellste zulässige Route Idee: Nutze gleichen Ansatz für EV routing Label sind Tupel (Fahrzeit, SoC) Falls SoC < 0, Pfad nicht weiter verfolgen Verbesserungen: Standard Beschleunigungen von MCD übertragbar: Hopping Reduction Nur ein Label pro Knoten in Queue Target Pruning (Nutze max. Rekuperation d[t]) Knoten Kontraktionen (Nutze Verbrauchsfunktionen) Folie Juni 016
97 Schnellste zulässige Route Idee: Nutze gleichen Ansatz für EV routing Label sind Tupel (Fahrzeit, SoC) Falls SoC < 0, Pfad nicht weiter verfolgen Verbesserungen: Standard Beschleunigungen von MCD übertragbar: Hopping Reduction Nur ein Label pro Knoten in Queue Target Pruning (Nutze max. Rekuperation d[t]) Knoten Kontraktionen (Nutze Verbrauchsfunktionen) Beobachtung: Wir brauchen nicht alle Pareto-Optima an t: Sind nur an schnellster zulässiger Route interessiert Stoppe sobald erstes Label an t aus Queue genommen (Queue ist nach Fahrzeit sortiert) Folie Juni 016
98 Erweiterte Szenarien Variable Geschwindigkeit: Bisher: Kanten mit fester Geschwindigkeit Idee: Erlaube langsamer zu fahren Ermöglicht Trade-off zwischen Fahrzeit und Energieverbrauch Mögliche Umsetzungen: Multikanten mit verschieden Geschwindigkeits-/Verbrauchswerten Funktionen an Kanten, die Fahrzeit auf Verbrauch abbilden Ladestationen: Akku Kapazität ist stark begrenzt (~100 km, max. 400 km) Lange Strecken unmöglich, selbst mit verbrauchsoptimalen Routen Nutzung von Ladestationen nicht zu vermeiden Problem: Ladestationen sind langsam und wenig verbreitet Folie Juni 016
99 Ladestationen Finde schnellste Route von s nach t: s? t Erreichbares Gebiet Ladestation Folie Juni 016
100 Ladestationen Finde schnellste Route von s nach t: s? t Erreichbares Gebiet Ladestation Folie Juni 016
101 Ladestationen Finde schnellste Route von s nach t: s? t Erreichbares Gebiet Ladestation Folie Juni 016
102 Ladestationen Finde schnellste Route von s nach t: Route zur nächsten Ladestation kann vom Ziel wegführen s t Erreichbares Gebiet Ladestation Folie Juni 016
103 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Folie Juni 016
104 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Folie Juni 016
105 Ladestationen Finde schnellste Route von s nach t: Frühzeitiger Abbruch des Ladevorgangs kann lohnen, selbst wenn Ziel bei weiterem Laden direkt erreichbar wäre s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
106 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
107 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
108 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
109 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
110 Ladestationen Finde schnellste Route von s nach t: s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
111 Ladestationen Finde schnellste Route von s nach t: Zyklen möglich s t Erreichbares Gebiet Ladestation Super Charger / Swapping Station Folie Juni 016
112 Ladestationen Schwierigkeiten: Laden dauert lange ( lieber Energie sparen, laden vermeiden) Ladestationen sind selten (lohnt sich ein Umweg?) Laden jederzeit unterbrechbar Ansatz: Ladezeiten müssen während Routenplanung berücksichtigt werden Optimiere Reisezeit = Fahrzeit + Ladezeit Teilmenge S V der Knoten sind Ladestationen Für jede Station eine Funktion, die das Ladeverhalten beschreibt Folie Juni 016
113 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Folie Juni 016
114 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Anmerkung: Realistische Ladefunktionen darstellbar durch: Univariate Funktion cf : R 0 [0, M] cf(b, τ c ) := cf (τ c + cf 1 (b)) SoC cf (τ c) = cf(0, τ c) τ c Folie Juni 016
115 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Anmerkung: Realistische Ladefunktionen darstellbar durch: Univariate Funktion cf : R 0 [0, M] cf(b, τ c ) := cf (τ c + cf 1 (b)) SoC cf (τ c) = cf(0, τ c) cf(3, )= cf ( + cf 1 (3)) τ c Folie Juni 016
116 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Anmerkung: Realistische Ladefunktionen darstellbar durch: Univariate Funktion cf : R 0 [0, M] cf(b, τ c ) := cf (τ c + cf 1 (b)) SoC cf (τ c) = cf(0, τ c) cf(3, ) = cf ( + cf 1 (3)) 3 τ c Folie Juni 016
117 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Anmerkung: Realistische Ladefunktionen darstellbar durch: Univariate Funktion cf : R 0 [0, M] cf(b, τ c ) := cf (τ c + cf 1 (b)) SoC cf (τ c) = cf(0, τ c) cf(3, ) = cf ( + cf 1 (3)) cf(3, ) = cf ( + )cf 1 (b) 5 3 τ c Folie Juni 016
118 Ladefunktionen Formal: Eine Funktion cf: [0, M] R 0 [0, M], bildet Initialen SoC b s und Gewünschte Ladezeit τ c auf Durch laden erreichten SoC ab Monoton steigend (Länger laden mehr Energie) Konkav (Akku voller langsameres Laden) Anmerkung: Realistische Ladefunktionen darstellbar durch: Univariate Funktion cf : R 0 [0, M] cf(b, τ c ) := cf (τ c + cf 1 (b)) SoC cf (τ c) = cf(0, τ c) cf(3, ) = cf ( + cf 1 (3)) cf(3, ) = cf ( + )cf 1 (b) cf(3, ) = 5cf 1 (b) 5 3 τ c Folie Juni 016
119 Charging Function Propagation (CFP) Algorithmus: Basiert auf Dijkstra s Algorithmus bzw. MCD Solange keine Ladestation Besucht: Label = Tupel (Reisezeit, SoC) Battery Constraints, Pareto-Optimierung wie bisher Folie Juni 016
120 Charging Function Propagation (CFP) Algorithmus: Basiert auf Dijkstra s Algorithmus bzw. MCD Solange keine Ladestation Besucht: Label = Tupel (Reisezeit, SoC) Battery Constraints, Pareto-Optimierung wie bisher Problem: Wenn Ladestation erreicht: Wie lange laden? Hängt vom gewähltem Pfad zu t ab Optimaler SoC zum Weiterfahren unbekannt Folie Juni 016
121 Charging Function Propagation (CFP) Algorithmus: Basiert auf Dijkstra s Algorithmus bzw. MCD Solange keine Ladestation Besucht: Label = Tupel (Reisezeit, SoC) Battery Constraints, Pareto-Optimierung wie bisher Problem: Wenn Ladestation erreicht: Wie lange laden? Hängt vom gewähltem Pfad zu t ab Optimaler SoC zum Weiterfahren unbekannt Lösung: Verschiebe die Entscheidung auf später! Merke zuletzt gesehene Ladestation Folie Juni 016
122 Charging Function Propagation (CFP) Label: Ein Label l am Knoten v ist ein Tupel (τ t, b u, u, c (u,...,v) ) mit: Reisezeit τ t von s nach v (Inklusive Ladezeiten außer an u) SoC b u mit dem die letzte Ladestation (u) erreicht wurde Zu letzt passierte Ladestation u (Initial ) Verbrauchsfunktion c (u,...,v) für den Pfad von u nach v (Initial ) Folie Juni 016
123 Charging Function Propagation (CFP) Label: Ein Label l am Knoten v ist ein Tupel (τ t, b u, u, c (u,...,v) ) mit: Reisezeit τ t von s nach v (Inklusive Ladezeiten außer an u) SoC b u mit dem die letzte Ladestation (u) erreicht wurde Zu letzt passierte Ladestation u (Initial ) Verbrauchsfunktion c (u,...,v) für den Pfad von u nach v (Initial ) Interpretation: Label beschreibt eine verschobene Ladefunktion Bildet Reisezeit auf SoC ab (Daher auch SoC-Funktion genannt) Funktion repräsentiert Menge von Pareto-Optimalen Punkten Definition der SoC-Funktion b l (τ): b l (τ) := b c (u,...,v) (b ) mit b := cf u (b u, τ τ t ) M 0 SoC b l (τ) Zeit (τ) Folie Juni 016
124 Charging Function Propagation (CFP) Label: Ein Label l am Knoten v ist ein Tupel (τ t, b u, u, c (u,...,v) ) mit: Reisezeit τ t von s nach v (Inklusive Ladezeiten außer an u) SoC b u mit dem die letzte Ladestation (u) erreicht wurde Zu letzt passierte Ladestation u (Initial ) Verbrauchsfunktion c (u,...,v) für den Pfad von u nach v (Initial ) Interpretation: Label beschreibt eine verschobene Ladefunktion Bildet Reisezeit auf SoC ab (Daher auch SoC-Funktion genannt) Funktion repräsentiert Menge von Pareto-Optimalen Punkten Definition der SoC-Funktion b l (τ): b l (τ) := b c (u,...,v) (b ) mit b := cf u (b u, τ τ t ) M 0 SoC b l (τ) Zeit (τ) Folie Juni 016
125 Charging Function Propagation (CFP) Kanten Relaxierung: (Label l = (τ t, b u, u, c (u,...,v) )) Relaxieren der Kante e = (v, w) verschiebt die SoC-Funktion b l (τ) b l (τ) wird um Fahrzeit τ d (e) nach rechts verschoben b l (τ) wird um Verbrauch γ(e) nach unten verschoben Anschließend werden Battery Constraints überprüft Formal: τ t τ t + τ d (e) und c (u,...,w) c (u,...,v) c e τ d (e) = 3, γ(e) = τ d (e) = 3, γ(e) = M SoC b(τ) M SoC b(τ) 0 τ 0 τ Folie Juni 016
126 Charging Function Propagation (CFP) Kanten Relaxierung: (Label l = (τ t, b u, u, c (u,...,v) )) Relaxieren der Kante e = (v, w) verschiebt die SoC-Funktion b l (τ) b l (τ) wird um Fahrzeit τ d (e) nach rechts verschoben b l (τ) wird um Verbrauch γ(e) nach unten verschoben Anschließend werden Battery Constraints überprüft Formal: τ t τ t + τ d (e) und c (u,...,w) c (u,...,v) c e τ d (e) = 3, γ(e) = τ d (e) = 3, γ(e) = M SoC b(τ) M SoC b(τ) 0 τ 0 τ Folie Juni 016
127 Charging Function Propagation (CFP) Kanten Relaxierung: (Label l = (τ t, b u, u, c (u,...,v) )) Relaxieren der Kante e = (v, w) verschiebt die SoC-Funktion b l (τ) b l (τ) wird um Fahrzeit τ d (e) nach rechts verschoben b l (τ) wird um Verbrauch γ(e) nach unten verschoben Anschließend werden Battery Constraints überprüft Formal: τ t τ t + τ d (e) und c (u,...,w) c (u,...,v) c e τ d (e) = 3, γ(e) = τ d (e) = 3, γ(e) = M SoC b(τ) M SoC b(τ) 0 τ 0 τ Folie Juni 016
128 Charging Function Propagation (CFP) Kanten Relaxierung: (Label l = (τ t, b u, u, c (u,...,v) )) Relaxieren der Kante e = (v, w) verschiebt die SoC-Funktion b l (τ) b l (τ) wird um Fahrzeit τ d (e) nach rechts verschoben b l (τ) wird um Verbrauch γ(e) nach unten verschoben Anschließend werden Battery Constraints überprüft Formal: τ t τ t + τ d (e) und c (u,...,w) c (u,...,v) c e τ d (e) = 3, γ(e) = τ d (e) = 3, γ(e) = M SoC b(τ) M SoC b(τ) 0 τ 0 τ Folie Juni 016
129 Charging Function Propagation (CFP) Dominanz von SoC-Funktionen: Eine SoC-Funktion b l (τ) dominert b l (τ) (b l (τ) b l (τ)) gdw.: τ 0: b l (τ) b l (τ) Pro Knoten eine Pareto-Menge von SoC-Funktionen Ein neues Label wird erzeugt (Durch eine Kanten Relaxierung) Überprüfe Dominanz, Lösche dominierte Label M SoC 0 tt Folie Juni 016
130 Charging Function Propagation (CFP) Dominanz von SoC-Funktionen: Eine SoC-Funktion b l (τ) dominert b l (τ) (b l (τ) b l (τ)) gdw.: τ 0: b l (τ) b l (τ) Pro Knoten eine Pareto-Menge von SoC-Funktionen Ein neues Label wird erzeugt (Durch eine Kanten Relaxierung) Überprüfe Dominanz, Lösche dominierte Label M SoC 0 tt Folie Juni 016
131 Charging Function Propagation (CFP) Dominanz von SoC-Funktionen: Eine SoC-Funktion b l (τ) dominert b l (τ) (b l (τ) b l (τ)) gdw.: τ 0: b l (τ) b l (τ) Pro Knoten eine Pareto-Menge von SoC-Funktionen Ein neues Label wird erzeugt (Durch eine Kanten Relaxierung) Überprüfe Dominanz, Lösche dominierte Label M SoC 0 tt Folie Juni 016
132 Charging Function Propagation (CFP) Dominanz von SoC-Funktionen: Eine SoC-Funktion b l (τ) dominert b l (τ) (b l (τ) b l (τ)) gdw.: τ 0: b l (τ) b l (τ) Pro Knoten eine Pareto-Menge von SoC-Funktionen Ein neues Label wird erzeugt (Durch eine Kanten Relaxierung) Überprüfe Dominanz, Lösche dominierte Label M SoC 0 tt Folie Juni 016
133 Charging Function Propagation (CFP) Dominanz von SoC-Funktionen: Eine SoC-Funktion b l (τ) dominert b l (τ) (b l (τ) b l (τ)) gdw.: τ 0: b l (τ) b l (τ) Pro Knoten eine Pareto-Menge von SoC-Funktionen Ein neues Label wird erzeugt (Durch eine Kanten Relaxierung) Überprüfe Dominanz, Lösche dominierte Label M SoC 0 tt Folie Juni 016
134 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Folie Juni 016
135 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
136 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
137 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
138 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
139 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
140 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
141 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
142 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
143 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
144 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
145 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
146 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) 0 τ 0 τ Folie Juni 016
147 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Aber: Wechsel der Station nur sinnvoll, wenn neue Station besser M SoC cf(0, τ) M SoC b l (τ) b l (τ) 0 τ 0 τ Folie Juni 016
148 Charging Function Propagation (CFP) Settling von Ladestationen Nur die letzte Ladestation wird im Label gespeichert Erreichen einer Ladestation Bestimme τ c für die letzte Station Problem: Am ursprünglichem Problem hat sich nichts geändert Auch für vorletzte Ladestation ist die Ladezeit unklar Wechsel der Ladestation lohnt sich nur an Stützpunkten von b l (τ) Gegeben: Label l = (τ t, b u, u, c (u,...,v) ) an Knoten v v ist Ladestation τ ist Stützstelle von b l Erzeuge neues Label l = (τ, b l (τ), v, 0) Folie Juni 016
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2017 Tobias Zündorf 5. Juli 2017
Algorithmen für Routenplanung 5. Vorlesung, Sommersemester 7 Tobias Zündorf 5. Juli 7 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 11
Algorithmen für Routenplanung Vorlesung 11 Daniel Delling 1/ 35 Letztes Mal: Zeitabhängige Netzwerke Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar berechne
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 11. Sitzung, Sommersemester 2013 Julian Dibbelt 10. Juni 2013
Algorithmen für Routenplanung 11. Sitzung, Sommersemester 2013 Julian Dibbelt 10. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 26. Mai 2014
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 26. Mai 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrAlgorithmen für Routenplanung 7. Vorlesung, Sommersemester 2012 Daniel Delling 16. Mai 2012
Algorithmen für Routenplanung 7. Vorlesung, Sommersemester 01 Daniel Delling MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
MehrAlgorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013
Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrViertes Übungsblatt - Musterlösung
Universität Karlsruhe Algorithmen für Routenplanung Fakultät für Informatik Sommersemester 2009 ITI Wagner Daniel Delling, Thomas Pajor Viertes Übungsblatt - Musterlösung Aufgabe 1: SHARC-Routing Gegeben
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2016 Tobias Zündorf 25. April 2016
Algorithmen für Routenplanung. Vorlesung, Sommersemester 016 Tobias Zündorf 5. April 016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
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
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrAlgorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010
Algorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 10
Algorithmen für Routenplanung Vorlesung 10 Daniel Delling 1/ 42 Letztes Mal: Zeitabhängige Netzwerke (Basics) Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2012 Daniel Delling 13. Juni 2012
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2012 Daniel Delling 13. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2010 Thomas Pajor 28. Juni 2010
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2010 Thomas Paor 28. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT University of the State of Baden-Wuerttemberg
MehrAlgorithmen für Routenplanung 3. Sitzung, Sommersemester 2010 Thomas Pajor 30. April 2010
Algorithmen für Routenplanung 3. Sitzung, Sommersemester 20 Thomas Pajor 30. April 20 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2012 Thomas Pajor 23. April 2012
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
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
MehrAlgorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015
Algorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 4
Algorithmen für Routenplanung Vorlesung 4 Daniel Delling 1/ 39 Letztes Mal (u,v) Geometrische Container Arc-Flags u 2/ 39 Themen Heute + nächste 1-2 Hierarchische Techniken s t 3/ 39 Ideensammlung Wie
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrAlgorithmen für Routenplanung 13. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 9. Juni 2011
Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Paor 9. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrAlgorithmen für Routenplanung 6. Vorlesung, Sommersemester 2010 Daniel Delling 17. Mai 2010
Algorithmen für Routenplanung 6. Vorlesung, Sommersemester 2010 Daniel Delling 17. Mai 2010 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 11. Sitzung, Sommersemester 2015 Julian Dibbelt 01. Juni 2015
Algorithmen für Routenplanung 11. Sitzung, Sommersemester 2015 Julian Dibbelt 01. Juni 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrAlgorithmen für Routenplanung 14. Sitzung, Sommersemester 2011 Thomas Pajor 16. Juni 2011
Algorithmen für Routenplanung 14. Sitzung, Sommersemester 2011 Thomas Pajor 16. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 2
Algorithmen für Routenplanung Vorlesung 2 Daniel Delling 1/ 50 2. Beschleunigungstechniken 2/ 50 Letztes Mal breche Suche ab, sobald Ziel abgearbeitet worden ist vermeide Initialisierung durch Counter
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester H.
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 15. Sitzung, Sommersemester 2011 Thomas Pajor 20. Juni 2011 I NSTITUT FÜR T HEORETISCHE I NFORMATIK A LGORITHMIK I P ROF. D R. D OROTHEA WAGNER KIT Universität des Landes
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrAlgorithmen für Routenplanung 9. Sitzung, Sommersemester 2015 Moritz Kobitzsch 20. Mai 2015
Algorithmen für Routenplanung 9. Sitzung, Sommersemester 2015 Moritz Kobitzsch (kobitzsch@kit.edu) 20. Mai 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. PETER SANDERS KIT Universität
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
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
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
Mehr12. Der Algorithmus von Dijkstra. Informatik II für Verkehrsingenieure
. Der Algorithmus von Dijkstra Informatik II für Verkehrsingenieure Problemstellung Gegeben: Graph G =(V, E, len) mit positiver Kantenfunktion len : E! R 0, Knoten s, t V Mögliche Aufgaben Berechne Distanz
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 6. Vorlesung, Sommersemester 00 Reinhard Bauer 09. Mai 0 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 4. Vorlesung, Sommersemester 2018 Tim Zeitz 30. April 2018
Algorithmen für Routenplanung 4. Vorlesung, Sommersemester 2018 Tim Zeitz 30. April 2018 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrAlgorithmen für Routenplanung 4. Vorlesung, Sommersemester 2017 Moritz Baum 15. Mai 2017
Algorithmen für Routenplanung 4. Vorlesung, Sommersemester 2017 Moritz Baum 15. Mai 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2013 / 2014 Vorlesung 13, Donnerstag, 30.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 0 / 04 Vorlesung, Donnerstag, 0. Januar 0 (Kürzeste Wege, Dijkstras Algorithmus) Junior-Prof. Dr. Olaf Ronneberger
MehrChristian Schulz und Johannes Singler
Christian Schulz und Johannes Singler, Prof. Sanders 1 KIT Christian Universität des Schulz Landes Baden-Württemberg und Johannes undsingler: nationales 3. Übung Forschungszentrum Algorithmen in der Helmholtz-Gemeinschaft
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
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrZweites Theorie-Übungsblatt - Musterlösung
Universität Karlsruhe Algorithmen für Routenplanung Fakultät für Informatik Sommersemester 29 ITI Wagner Daniel Delling, Thomas Pajor Zweites Theorie-Übungsblatt - Musterlösung Aufgabe 1: Arc-Flags, Aufwärmübung
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
MehrAlgorithmen für Routenplanung Vorlesung 3
Algorithmen für Routenplanung Vorlesung 3 Daniel Delling 1/ 45 Letztes Mal bidirektionale Suche A Suche A mit Landmarken bidirektionale A Suche 2/ 45 Themen Heute Geometrische Container Arc-Flags s t 3/
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen C. Kürzeste Pfade: Grundlagen Gabriele Röger Universität Basel 9. Mai 09 Graphen: Übersicht Repräsentation Exploration Graphen Exploration: Anwendungen Minimale Spannbäume
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr1 Kürzeste Pfade in Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 03.11.2011 1 1 Kürzeste Pfade in Graphen Es sei ein gerichteter Graph G = (V, E) mit V = n Knoten, E = m Kanten und Kantengewichten c : E R gegeben. Ein Pfad in G
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrAlgorithmen für Routenplanung Vorlesung 6
Algorithmen für Routenplanung Vorlesung 6 Daniel Delling 1/ 36 Letztes Mal Highway Hierarchies Highway-Node Routing Contraction Hierarchies s t 2/ 36 Zusammenfassung letztes Mal Highway Hierarchies Highway-Node
MehrErinnerung VL
Erinnerung VL.6.16 Graphtraversierung (DFS, topologische Sortierung und mehr) Kürzeste Wege: Problemstellung, Algorithmen Analoger Algorithmus Dijkstras Algorithmus: Idee, Korrektheit Heute: mehr zu Dijkstra,
MehrAlgorithmen und Datenstrukturen. Algorithmen und Datenstrukturen. C5.1 Einführung. C5.2 Grundlagen
C. Kürzeste Pfade: Grundlagen C. Kürzeste Pfade: Grundlagen C. Einführung Gabriele Röger C. Grundlagen Universität Basel C. Optimalitätskriterium und Generisches Verfahren G. Röger (Universität Basel)
MehrKap. 6.6: Kürzeste Wege
0.0.00 Nachtest für Ausnahmefälle Kap..: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund./. VO DAP SS 00./. Juli 00 Di. Juli 00, :00 Uhr, OH, R.
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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrAlgorithmen für Routenplanung 9. Sitzung, Sommersemester 2010 Thomas Pajor 7. Juni 2010
Algorithmen für Routenplanung 9. Sitzung, Sommersemester 2010 Thomas Pajor 7. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr2. Das single-source-shortest-path-problem
. Das single-source-shortest-path-problem Zunächst nehmen wir an, dass d 0 ist. Alle kürzesten Pfade von a nach b sind o.b.d.a. einfache Pfade.. Dijkstra s Algorithmus Gegeben: G = (V, A), (A = V V ),
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
MehrAlgorithmen für Routenplanung Vorlesung 7
Algorithmen für Routenplanung Vorlesung 7 Daniel Delling 1/ 47 Letztes Mal T Many-to-Many Transit-Node Routing S access node s t distances between transit nodes access node 2/ 47 Transit-Node Routing ersetzt
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
MehrKürzeste und Schnellste Wege
Ideen und Konzepte der Informatik Kürzeste und Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn Schnellste Wege Routen finden im Navi Karten und Graphen Schnellste und kürzeste Wege sind das gleiche
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.6.1 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=99 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik 1 Organisatorisches
MehrSchnellste Wege Wie funktioniert ein Navi?
Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn und Adrian Neumann Max-Planck-Institut für Informatik Vorlesung Ideen der Informatik Schnellste Wege Routenfinden im Navi Karten und Graphen Algorithmen
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2018 Tim Zeitz 23. April 2018
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2018 Tim Zeitz 2. April 2018 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
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
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
MehrÜbersicht. Datenstrukturen und Algorithmen. Das Rechenproblem: kürzeste Pfade. Übersicht. Vorlesung 17: Kürzeste Pfade (K24) Bellman-Ford Dijkstra
Datenstrukturen und Algorithmen Vorlesung 17: (K) Joost-Pieter Katoen Lehrstuhl für Informat Software Modeling and Verification Group http://moves.rwth-aachen.de/teaching/ss-15/dsal/ 1. Juni 15 1 Joost-Pieter
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Tag der Informatik, 15. Juli
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2016/2017 Moritz Baum, Valentin Buchhold, Ben Strasser, Tobias Zündorf 19.
Praktikum Routenplanung Vorbesprechung, Wintersemester 06/07 Moritz Baum, Valentin Buchhold, Ben Strasser, Tobias Zündorf 9. Oktober 06 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA
MehrPraktikum Routenplanung
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2018/2019 Valentin Buchhold, Jonas Sauer, Tim Zeitz, Tobias Zündorf 21. November 2018 INSTITUT FÜR THEORETISCHE INFORMATIK
MehrSchnellste Wege Wie funktioniert ein Navi?
Schnellste Wege Wie funktioniert ein Navi? Kurt Mehlhorn und Adrian Neumann Max-Planck-Institut für Informatik Vorlesung Ideen der Informatik Schnellste Wege Routenfinden im Navi Karten und Graphen Algorithmen
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 21. Vorlesung, Sommersemester 2018 Tobias Zündorf 18. Juli 2018 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrGraphalgorithmen II. Sebastian Ehrenfels Sebastian Ehrenfels Graphalgorithmen II / 44
Graphalgorithmen II Sebastian Ehrenfels 4.6.2013 Sebastian Ehrenfels Graphalgorithmen II 4.6.2013 1 / 44 Inhalt 1 Datenstrukturen Union-Find Fibonacci-Heap 2 Kürzeste wege Dijkstra Erweiterungen Bellman-Ford
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
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
Mehr10. 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 Bäume
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
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
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
Mehr