Ausarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme

Größe: px
Ab Seite anzeigen:

Download "Ausarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme"

Transkript

1 Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme Bearbeitet von Carolin Jens Matrikelnummer: Studienrichtung: Lehramt an Sonderschulen

2 Inhaltsverzeichnis 1. Einleitung Verbindungsprobleme Spannende Bäume Kontraktion Bewertete Graphen Optimale Bäume Algorithmus von Kruskal Algorithmus von Prim Unterschiede Literaturverzeichnis Seite 2

3 1. Einleitung Gegenstand dieser Ausarbeitung ist ein Abschnitt aus der Graphentheorie. Näher betrachtet werden Verbindungsprobleme, spannende Bäume, bewertete Graphen und optimale Bäume. Zunächst sollen die Unterthemen in das große Feld der Verbindungsprobleme eingeordnet werden. Danach werden spannende Bäume definiert, ausgewählte Beweise dazu erläutert und es wird auf kontrahierte Kanten eingegangen. Im Anschluss daran werden bewertete Graphen und optimale Bäume erklärt, die Algorithmen von Kruskal und Prim beschrieben und ihre Gültigkeit gezeigt. Den Abschluss bilden die signifikantesten Unterschiede, die zwischen beiden bestehen. Seite 3

4 2. Verbindungsprobleme Verbindungsprobleme sind im Allgemeinen Optimierungsprobleme und mit der Erstellung von kostengünstigen zusammenhängenden Netzwerken beschäftigt. Beispiele wären unter anderem das Ermitteln einer billigsten Flugstrecke, das Verlegen von Telefonleitungen unter dem geringsten Materialaufwand oder auch das mathematisch bekannte Problem des Handlungsreisenden. Es existieren Minimierungsprobleme und Maximierungsprobleme. Man unterscheidet drei Problemstellungen. Zum Einen werden Entscheidungsprobleme betrachtet, bei denen mehrere Lösungen gegeben sind und die optimalste gesucht wird. Des Weiteren existieren die eigentlichen Optimierungsprobleme, bei denen man den besten Wert der Lösung wissen möchte, und Suchprobleme, bei denen man eine möglichst gute Lösung finden möchte, soweit das Ermitteln einer optimalen Lösung nicht auf direktem Wege möglich ist. Die Lösung solcher Verbindungsprobleme wird am geeignetsten durch das Bestimmen minimal spannender Bäume (oder auch optimaler Bäume) herbeigeführt. Daher beleuchten wir im Folgenden spannende Bäume, bewertete Graphen und optimale Bäume. Seite 4

5 3. Spannende Bäume Definition Ein spannender Baum (oder Gerüst) eines Graphen G ist ein spannender Untergraph von G, der ein Baum ist. Um die Definition eines spannenden Baumes zu verstehen, müssen wir dazu zwei weitere Definitionen angeben. Definition Ein spannender Untergraph von G ist ein Untergraph H mit V(H)=V(G), d.h. H und G haben genau dieselbe Knotenmenge. Definition Ein Graph G heißt Baum, wenn er ein zusammenhängender azyklischer Graph ist. Zur Veranschaulichung stellen wir einen Graphen G und einen seiner dazugehörigen spannenden Bäume dar. Graph G spannender Baum von G Es ist nun eine eindeutige Verbindung zwischen zusammenhängenden Graphen G und ihren spannenden Bäumen erkennbar. Diese wird in folgendem Satz formuliert: Satz Ein Graph G ist dann und nur dann zusammenhängend, wenn er einen spannenden Baum enthält. Wir beweisen den Satz in zwei Schritten. Zunächst zeigen wir, dass ein zusammenhängender Graph G einen spannenden Baum enthält. Danach verdeutlichen wir, dass ein Graph G, der einen spannenden Baum enthält, zusammenhängend ist. Seite 5

6 Beweis: => Sei G ein zusammenhängender Graph mit n Knoten und q Kanten. Dann gilt, dass q n-1 ist, da G zusammenhängend ist. Wir nehmen an: 1) q = n-1. Dann ist G ein Baum. Dies kann über folgenden Widerspruch bewiesen werden: Wir nehmen an, dass G nicht azyklisch sei. D.h. also, dass es mindestens einen Zyklus in G gibt. Somit ist keine Kante dieses Zyklus eine Brücke. Wir wählen eine Kante e. Betrachten wir nun G-e, ist dieser Graph noch zusammenhängend. G-e hat nun aber n-2 Kanten und n Knoten, kann also nicht zusammenhängend sein. Hier findet sich unser Widerspruch. Da wir davon ausgegangen sind, dass G nicht azyklisch ist, können wir jetzt mit Sicherheit sagen, dass G wirklich ein Baum ist, wenn q = n-1 ist. Wir können nun einen spannenden Baum T annehmen für den T=G ist. 2) q > n-1. Dann ist G kein Baum, da mindestens einen Zyklus in G existiert. Wir wählen eine Kante e 1, die Teil dieses Zyklus ist. G-e 1 ist immer noch zusammenhängend, da e 1 keine Brücke ist. Der Graph G-e 1 hat somit n Knoten und q-1 Kanten. Falls q-1 = n-1 gilt, ist T = G-e 1 (mit dem ersten Teil des Beweises ist T ein spannender Baum von G). Falls q-1 > n-1 gilt, ist G-e 1 kein Baum und es existiert mindestens ein Zyklus in G-e 1. Wir wählen eine Kante e 2 und bilden G-{e 1,e 2 } = (G-e 1 )-e 2. Dieser Graph ist dann zusammenhängend und hat n Knoten und q-2 Kanten. Dieses Verfahren führt man nun solange fort, bis man einen Graphen mit n Knoten und q-(q-n+1) = n-1 Kanten erhält. Dieser Unterbaum enthält dieselbe Knotenmenge wie G, ist also ein spannender Baum von G. <= G enthalte einen spannenden Baum T. Dann existieren zwei zusammenhängende Knoten u und v. Zwischen den Knoten u und v gibt es einen Weg im spannenden Baum T, woraus folgt, dass dieser Weg auch in G existieren muss. Also ist der Graph G zusammenhängend. Seite 6

7 Nun hat ein Graph G nicht nur einen möglichen spannenden Baum, sondern viele verschiedene. Für vollständige Graphen kann man sie leicht errechnen. Satz Der vollständige Graph K n enthält n n-2 unterschiedliche spannende Bäume. Diesen Satz wollen wir an dieser Stelle nicht beweisen, sondern durch einige Beispiele veranschaulichen. K 3 hat = 3 unterschiedliche spannende Bäume. K 4 hat = 16 unterschiedliche spannende Bäume (jedoch nur zwei nichtisomorphe). K 6 hat = 1296 unterschiedliche spannende Bäume (jedoch nur sechs nichtisomorphe). Auch für Graphen, die nicht vollständig sind, gibt es einen Weg, die Anzahl der unterschiedlichen spannenden Bäume zu erhalten. Die Anzahl der unterschiedlichen (nicht notwendigerweise nichtisomorphen) spannenden Bäumen eines zusammenhängenden Graphen erhält man über folgende Gleichung: Ԏ(G) = Ԏ(G-e) + Ԏ(G*e) Was bedeutet aber G*e? Die Erklärung liefert uns die nächste Definition. Seite 7

8 3.1 Kontraktion Definition Eine Kante e (keine Schlinge) eines Graphen G heißt kontrahiert, wenn sie entfernt worden ist und dann ihre Endknoten verschmolzen sind. Der resultierende Graph wird mit G*e bezeichnet. e G G-e G*e Ein Beispiel soll die Ermittlung der verschiedenen spannenden Bäume mittels kontrahierter Kanten verdeutlichen. Ԏ(G)= = + = = = = Seite 8

9 4. bewertete Graphen Nachdem wir die Herleitung spannender Graphen betrachtet haben, definieren wir den Begriff des bewerteten Graphen: Definition Ein bewerteter Graph ist ein Graph G, in dem jeder Kante e eine reelle Zahl ω(e) zugeordnet wird, die als Bewertung (oder Länge) von e bezeichnet wird. Ist H ein Untergraph eines bewerteten Graphen, so ist die Bewertung ω(h) von H die Summe der Bewertungen ω(e 1 )+ +ω(e k ), wobei {e 1,,e k } die Menge der Kanten von H ist. Ein Beispiel eines bewerteten Graphen soll dies veranschaulichen: A 3 1 F B E 4 C D Ein solcher bewerteter Graph lässt sich auch in einer Matrix, ähnlich einer Adjazenzmatrix darstellen. Hier werden allerdings die Bewertungen der Kanten, anstatt deren Anzahl notiert. Sind zwei Knoten nicht durch eine Kante miteinander verbunden, schreibt man anstatt 0. Für unseren Graphen lässt sich folgende Matrix erstellen: Mithilfe bewerteter Graphen lassen sich optimale Bäume ermitteln. Seite 9

10 5. optimale Bäume Definition Ein spannender Baum mit der minimalsten Bewertung wird als minimal spannender Baum (oder optimaler Baum) von G bezeichnet. Zur Findung optimaler Bäume lassen sich verschiedene Algorithmen verwenden. Wir wollen hier zwei vorstellen: Den Algorithmus von Kruskal und den Algorithmus von Prim. 5.1 Algorithmus von Kruskal Der Algorithmus von Kruskal besteht aus folgenden drei Schritten: Schritt 1: Man wähle eine Kante e 1 von G, so dass ω(e 1 ) so klein wie möglich und e 1 keine Schlinge ist. Schritt 2: Wenn die Kanten e 1,e 2,,e i gewählt wurden, suche man die Kante e i+1, die noch nicht gewählt worden ist, so dass zum einen der entstehende Untergraph G[{e 1, e i+1 }] azyklisch ist und zum anderen ω(e i+1 ) so klein wie möglich ist, allerdings immer unter Berücksichtigung der ersten Bedingung. Schritt 3: Wenn G n Knoten hat, wird der Algorithmus beendet, nach dem n-1 Kanten gewählt worden sind. Andernfalls ist Schritt 2 zu wiederholen. Nun wollen wir beweisen, dass der Algorithmus von Kruskal einen minimal spannenden Baum erzeugt. Satz Es sei G ein bewerteter zusammenhängender Graph, in dem die Bewertungen aller Kanten durch nichtnegative Zahlen gegeben sind, und es sei T ein Untergraph von G, der nach dem Algorithmus von Kruskal erhalten wurde. Dann ist T ein minimal spannender Baum von G. Wir beweisen den Satz in zwei Schritten. Zunächst zeigen wir, dass T ein spannender Baum von G ist. Danach verdeutlichen wir, dass die Bewertung von T ein Minimum ist. Seite 10

11 Beweis: Nach Voraussetzung ist T ein azyklischer Untergraph von G mit n-1 Kanten, da er durch den Algorithmus von Kruskal erhalten wurde. Nun enthalte T m Knoten und k zusammenhängende Komponenten. Das führt dazu, dass T m-k Kanten besitzt (da er azyklisch ist), d.h. n-1 = 1-k. Da m n und k 1 gilt, ist wegen n-m = 1-k richtig, dass n = m und k = 1. Wir können erkennen, dass T zusammenhängend und ein spannender Untergraph von T ist, also einen spannenden Baum von G darstellt. Den zweiten Teil des Beweises zeigen wir durch einen Widerspruch. Wir nehmen an, es existiere ein spannender Baum S von G mit einer kleineren Bewertung als T, wodurch gilt, dass ω(s) < ω(t). Seien im Folgenden e 1,e 2,,e n-1 die Kanten von T in der Reihenfolge, wie sie nach dem Algorithmus von Kruskal ausgewählt wurden. Da S T, existiert eine erste Kante e k in T, die nicht in S ist. Somit können wir einen Untergraphen H = S+e k bilden, der n Kanten besitzt. Dieser ist aber kein Baum, da er einen Zyklus besitzt, den wir C nennen wollen. C enthält die Kante e k und eine Kante e S, die nicht in T existiert. Bilden wir nun den Graphen H-e, so ist dieser zusammenhängend und enthält n-1 Kanten. Somit ist H-e ein spannender Baum von G. Also haben wir bis hier herausgefunden, dass die Kante e kein Teil von T ist und e k die erste Kante in T ist, die nicht in S existiert. Damit gilt, dass ω(e k ) ω(e). H-e ist also durch den Austausch der Kanten e und e k gebildet worden. Wir können zusammenfassen, dass folgendes gilt: ω(e k ) ω(e) => ω(h-e) ω(s). Außerdem hat H-e eine Kante mehr mit T gemeinsam, als S. Dieses Verfahren wird nun solange wiederholt, bis wir S in T überführt haben. Damit ist die letzte Stufe unseres Beweises ω(t) ω(s). Hierin liegt der gesuchte Widerspruch und wir können mit Sicherheit sagen, dass ω(t) ein Minimum ist. Seite 11

12 5.2 Algorithmus von Prim Ein anderer Weg zur Erzeugung minimal spannender Bäume ist der Algorithmus von Prim. Er besteht aus vier Schritten. Schritt 1: Man wähle einen beliebigen Knoten v 1 von G. Schritt 2: Eine Kante e 1 = v 1 v 2 von G ist nun so zu wählen, dass v 2 v 1 und e 1 die kleinste Bewertung unter den mit v 1 verbundenen Kanten von G hat. Schritt 3: Wenn e 1,e 2,,e i unter Einbeziehung der Endpunkte v 1,v 2, v i+1 gewählt worden sind, wird eine Kante e i+1 = v j v k mit v j {v 1,,v i+1 } und v k {v 1,,v i+1 } so ausgesucht, so dass e i+1 die kleinste Bewertung unter den Kanten von G hat, die genau ein Ende in {v 1,,v i+1 } haben. Schritt 4: Man beende das Verfahren, nachdem n-1 Kanten gewählt worden sind. Andernfalls ist Schritt 3 zu wiederholen. Satz Es sei G ein bewerteter zusammenhängender Graph, in dem die Bewertungen aller Kanten durch nichtnegative Zahlen gegeben sind, und es sei T ein Untergraph von G, der nach dem Algorithmus von Prim erhalten wurde. Dann ist T ein minimal spannender Baum von G. Diesen Satz wollen wir an dieser Stelle nicht ausführlich beweisen. Nach der Beschreibung des Algorithmus von Prim ist T ein spannender Baum von G. Somit ist nur noch zu zeigen, dass die Bewertung von T ein Minimum ist. Dazu nimmt man an, dass ein minimal spannender Baum S von G existiert, der so viele Kanten wie möglich mit T gemeinsam hat. Man kann zeigen, das S = T ist, was durch einen Widerspruch erreicht werden kann. Seite 12

13 5.3 Unterschiede Zum Abschluss sollen einige wenige Unterschiede zwischen beiden Algorithmen in Tabellenform dargestellt werden. Algorithmus von Kruskal Dieser Algorithmus kann zu zahlreichen, gleichzeitig gebildeten Unterbäumen Führen, die dann zusammen gefügt werden. Dieser Algorithmus ist dadurch bestimmt Zyklen ermitteln zu können. Algorithmus von Prim Hier führt der Algorithmus zu einem einzigen, von einem Anfangsknoten ausgehenden, kontinuierlich anwachsenden Unterbaum. Hier ist das Problem beinhaltet, dass kein bereits gewählter Knoten nochmals ausgewählt werden kann. Seite 13

14 6. Literaturverzeichnis Clark, J.: Graphentheorie: Grundlagen und Anwendungen, Heidelberg: Spektrum, Akad. Verl. (1994) Seite 14

Minimal spannende Bäume

Minimal spannende Bäume http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen

Mehr

Minimal spannender Baum

Minimal spannender Baum Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen

Mehr

5. Bäume und Minimalgerüste

5. Bäume und Minimalgerüste 5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein

Mehr

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann

Bäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume

Mehr

1. Einleitung wichtige Begriffe

1. Einleitung wichtige Begriffe 1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und

Mehr

Algorithmische Graphentheorie

Algorithmische Graphentheorie Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES

Mehr

Westfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld

Westfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus

Mehr

Algorithmen und Datenstrukturen 2-1. Seminar -

Algorithmen und Datenstrukturen 2-1. Seminar - Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8

Mehr

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des

Mehr

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.

Mehr

Minimal spannende Bäume

Minimal spannende Bäume Minimal spannende Bäume Ronny Harbich 4. Mai 006 (geändert 19. August 006) Vorwort Ich danke Patrick Bahr und meinem Bruder Steffen Harbich für die Unterstützung bei dieser Arbeit. Sie haben sowohl zu

Mehr

9 Minimum Spanning Trees

9 Minimum Spanning Trees Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne

Mehr

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko

Mehr

Einheit 11 - Graphen

Einheit 11 - Graphen Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)

Mehr

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V. Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.

Mehr

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n

Mehr

f h c 7 a 1 b 1 g 2 2 d

f h c 7 a 1 b 1 g 2 2 d ) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener

Mehr

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung

Mehr

Isomorphie von Bäumen

Isomorphie von Bäumen Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................

Mehr

4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1

4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1 Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau

Mehr

Übungsblatt 2 - Lösung

Übungsblatt 2 - Lösung Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer

Mehr

André Krischke Helge Röpcke. Graphen und Netzwerktheorie Grundlagen Methoden Anwendungen

André Krischke Helge Röpcke. Graphen und Netzwerktheorie Grundlagen Methoden Anwendungen André Krischke Helge Röpcke Graphen und Netzwerktheorie Grundlagen Methoden Anwendungen 8 Grundbegriffe der Graphentheorie für die Kante, die die beiden Knoten und verbindet. Der linke Graph in Bild. kann

Mehr

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008 Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9

Mehr

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung. Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines

Mehr

Graphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke

Graphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,

Mehr

Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume)

Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16

Mehr

Tutoraufgabe 1 (Suchen in Graphen):

Tutoraufgabe 1 (Suchen in Graphen): Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn

Mehr

3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:

3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt: 3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

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

Mehr

2. Optimierungsprobleme 6

2. Optimierungsprobleme 6 6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen

Mehr

9: Gewichtete Graphen

9: Gewichtete Graphen Chr.Nelius: Graphentheorie (WS 06/7) 9 9: Gewichtete Graphen Beispiel: Eine Straßenkarte mit Entfernungsangaben zwischen den Orten ist ein Beispiel für einen gewichteten Graphen. (9.) DEF: Ein Graph G

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. Musterlösung. Problem 1: Boruvka MST Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines

Mehr

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII

Mehr

Die. Ramsey-Zahlen

Die. Ramsey-Zahlen Westfälische Willhelms-Universität Münster Fachbereich 10 Mathematik und Informatik Seminar Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Die Ramsey-Zahlen 01.06.15 Kirsten Voß k_voss11@uni-muenster.de

Mehr

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).

Vollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung

Mehr

Geraden in der Ebene und Zerlegung von Graphen

Geraden in der Ebene und Zerlegung von Graphen Geraden in der Ebene und Zerlegung von Graphen Proseminar: Beweise aus dem Buch am 17.01.2015 von Ina Seidel 1 Historisches zu Sylvester und Gallai James Joseph Sylvester * 1814, 1897 war britischer Mathematiker.Unter

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten

Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten Graphentheorie Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten gerichteter Graph (DiGraph (directed graph) E: Teilmenge E

Mehr

Algorithmische Graphentheorie

Algorithmische Graphentheorie Algorithmische Graphentheorie Vorlesung 13: Flüsse und Zuordnungen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 9. Juni 2017 DURCHSATZ D(e) ist die maximale Flussmenge,

Mehr

Nachbarschaft, Grad, regulär, Inzidenz

Nachbarschaft, Grad, regulär, Inzidenz Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad

Mehr

Studientag zur Algorithmischen Mathematik

Studientag zur Algorithmischen Mathematik Studientag zur Algorithmischen Mathematik Minimale aufspannende Bäume und Matchings Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline Minimale aufspannende

Mehr

Ausarbeitung über den Satz von Menger und den Satz von König

Ausarbeitung über den Satz von Menger und den Satz von König Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor

Mehr

Mustererkennung: Graphentheorie

Mustererkennung: Graphentheorie Mustererkennung: Graphentheorie D. Schlesinger TUD/INF/KI/IS D. Schlesinger () ME: Graphentheorie 1 / 9 Definitionen Ein Graph ist ein Paar G = (V, E) mit der Menge der Knoten V und der Menge der Kanten:

Mehr

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009

Mehr

WS 2013/14. Diskrete Strukturen

WS 2013/14. Diskrete Strukturen WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314

Mehr

Matchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr

Matchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer

Mehr

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S

Graphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt

Mehr

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2 1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)

Mehr

Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...

Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,... Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings

Mehr

Grundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008

Grundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008 Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung und

Mehr

Relationen und Graphentheorie

Relationen und Graphentheorie Seite Graphentheorie- Relationen und Graphentheorie Grundbegriffe. Relationen- und Graphentheorie gehören zu den wichtigsten Hilfsmitteln der Informatik, die aus der diskretenmathematik stammen. Ein Graph

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen

Mehr

MafI I: Logik & Diskrete Mathematik (F. Hoffmann)

MafI I: Logik & Diskrete Mathematik (F. Hoffmann) Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII

Mehr

2. Darstellungen. Digraphen und vollständige Orientierungen Satz: Ein stark zusammenhängender Digraph besteht aus einer einzigen Subkomponente.

2. Darstellungen. Digraphen und vollständige Orientierungen Satz: Ein stark zusammenhängender Digraph besteht aus einer einzigen Subkomponente. 2 Darstellungen Auffinden der Biblockzerlegung Es gibt effiziente Algorithmen 1 Schritt: Bestimmen der peripheren Bäume Es wird von den Knoten mit Gesamtgrad 1 ausgegangen und eine Markenverschiebungstechnik

Mehr

Diskrete Mathematik 1

Diskrete Mathematik 1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt

Mehr

2. Repräsentationen von Graphen in Computern

2. Repräsentationen von Graphen in Computern 2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen

Mehr

1 DFS-Bäume in ungerichteten Graphen

1 DFS-Bäume in ungerichteten Graphen Praktikum Algorithmen-Entwurf (Teil 3) 06.11.2006 1 1 DFS-Bäume in ungerichteten Graphen Sei ein ungerichteter, zusammenhängender Graph G = (V, E) gegeben. Sei ferner ein Startknoten s V ausgewählt. Startet

Mehr

Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)

Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15

Mehr

Algorithmische Methoden für schwere Optimierungsprobleme

Algorithmische 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

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Wasserfall-Ansätze zur Bildsegmentierung

Wasserfall-Ansätze zur Bildsegmentierung Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Vorlesung Datenstrukturen

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

Mehr

Lösungen zu Kapitel 5

Lösungen zu Kapitel 5 Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V

Mehr

Berechnung von Abständen

Berechnung von Abständen 3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.

Mehr

Das Steinerbaumproblem

Das Steinerbaumproblem Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen

Mehr

Ecken des Zuordnungsproblems

Ecken des Zuordnungsproblems Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden Modul Einführung

Mehr

Ein Turnierplan mit fünf Runden

Ein Turnierplan mit fünf Runden Mathematik I für Informatiker Graphen p. 1 Ein Turnierplan mit fünf Runden c b a c b a c b a c b a c b a d e d e d e d e d e Mathematik I für Informatiker Graphen p. 2 Definition: Graph Ein (schlichter)

Mehr

Helmut Schauer Educational Engineering Lab Department for Information Technology University of Zurich. Graphen (2)

Helmut Schauer Educational Engineering Lab Department for Information Technology University of Zurich. Graphen (2) Graphen (2) 1 Topologisches Sortieren (1) Die Kanten eines gerichteten zyklenfreien Graphen bilden eine Halbordnung (die Ordnungsrelation ist nur für solche Knoten definiert die am gleichen Pfad liegen).

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7 1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten

Mehr

Bemerkung: Der vollständige Graph K n hat n(n 1)

Bemerkung: Der vollständige Graph K n hat n(n 1) Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel

Mehr

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten

Mehr

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

1.Aufgabe: Minimal aufspannender Baum

1.Aufgabe: Minimal aufspannender Baum 1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus

Mehr

Programmiertechnik II

Programmiertechnik II Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =

Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 = Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University

Mehr

Programmiertechnik II

Programmiertechnik II Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind

Mehr

Praktische Grenzen der Berechenbarkeit

Praktische Grenzen der Berechenbarkeit Arno Schwarz Praktische Grenzen der Berechenbarkeit Während es im ersten Abschnitt um prinzipiell unlösbare Probleme ging, wenden wir uns nun Aufgaben zu, deren Lösbarkeit praktische Grenzen gesetzt sind.

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter WS 2009/10 Isomorphie Zwei Graphen (V 1, E 1 ) und (V 2, E 2 ) heißen isomorph, wenn es eine bijektive, Kanten erhaltende und Kanten

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche

Mehr

Der Satz von Menger. und seine Anwendung auf Algorithmen zur Berechnung von Ecken und Kanten

Der Satz von Menger. und seine Anwendung auf Algorithmen zur Berechnung von Ecken und Kanten Der Satz von Menger und seine Anwendung auf Algorithmen zur Berechnung von Ecken und Kanten Dozent: Prof. Dr. Iwanowski Erarbeitet von: Kontakt: Katharina Schmitz wi4586@fh-wedel.de Erstellt im WS 2004/05

Mehr

Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.

Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten

Mehr

Klausur Informatik B April Teil I: Informatik 3

Klausur Informatik B April Teil I: Informatik 3 Informatik 3 Seite 1 von 8 Klausur Informatik B April 1998 Teil I: Informatik 3 Informatik 3 Seite 2 von 8 Aufgabe 1: Fragekatalog (gesamt 5 ) Beantworten Sie folgende Fragen kurz in ein oder zwei Sätzen.

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt. Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 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

Mehr

Wiederholung zu Flüssen

Wiederholung zu Flüssen Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:

Mehr

Algorithmen für schwierige Probleme

Algorithmen für schwierige Probleme Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge

Mehr