Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten
|
|
- Irmgard Kaufer
- vor 7 Jahren
- Abrufe
Transkript
1 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 V V e = (a,b) ist eine Kante für a,b V E ist damit eine Relation ungerichteter Graph: E : Menge von zweielementigen Teilmengen von V e = {a,b} ist eine Kante für a,b V E ist symmetrische, irreflexive Relation (keine Schlingen) man nennt diese Relation E Adjazenz: x,y V heißen benachbart, wenn sie in Relation E stehen Darstellungsmöglichkeiten (wie bei allen endlichen Relationen): - 0/1-Matrix: Adjazenzmatrix V V 0/1 1: (x,y) E 0: (x,y) E - 0/1-Matrix: Inzidenzmatrix V E 0/1 1: Knoten x ist an Kante e beteiligt 0: Knoten x ist nicht an Kante e beteiligt geht so nur bei ungerichteten Graphen, sonst müsste man noch 1 einführen: -1 : Startknoten 1: Endknoten - Bewertungsmatrix V V x 0.. x : 0 oder (je nach Anwendung): (v1,v2) ist keine Kante sonst stellt x die Bewertung der Kante dar x = ϕ ( (v1, v2) ) nicht zugelassen: mehrere gleiche Kanten (Multigraphen) endlicher Graph: wenn V endlich ist ( E ist ebenfalls endlich, denn E kann ja maximal V V sein), also E V V bewerteter Graph: Tripel (V,E, ϕ ) Graph G = (V,E) Abbildung ϕ : E 3 0 { } Kostenfunktione, die jeder Kante einen Wert / ihre Kosten zuordnet
2 Spezielle ungerichtete Graphen: vollständiger Graph K n mit n Knoten: jeder Knoten ist mit jedem anderen verbunden vollständiger bipartiter Graph K m, n : mit zwei Klassen von Knoten (Knotenmenge ist in 2 Klassen geteilt) die eine Klasse hat m Knoten, die andere n Knoten innerhalb der Klassen dürfen keine Kanten auftreten (immer nur 2 Elemente von verschiedenen Klassen dürfen verbunden werden) jeder Knoten der einen Klasse ist mit jedem Knoten der anderen Klasse verbunden Anwendung bipartiter Graphen: Petri-Netze: Stellen (Bedingungen) und Transitionen (Ereignisse) Da ein Graph eine Menge V mit einer Relation E ist eine einfache algebraische Struktur: man kann algebraisches Routineprogramm darauf anwenden: Unterstrukturen Untergraph: Sei G =(V,E) ein Graph G = (V, E ) heißt Untergraph von G, wenn gilt V V E E G heißt induzierter Untergraph von G, wenn E nur die Kanten von G hat, die beide Knoten in E haben ist in G durch V eindeutig bestimmt (also durch V induziert) Also: nimm eine Teilmenge V von V und alle Kanten mit rein, die in dieser Teilknotenmenge in G schon da waren Isomorphie 2 Graphen G = (V,E) und G =(V, E ) heißen isomorph bijektive Abbildung f: VV, derart, daß Nachbarschaftsverhätlnisse, die in V bestehen in V erhalten bleiben also x, y V gilt: (x,y) E ( f(x), f(y) ) E Isomorphie überträgt alle Eigenschaften von Graphen: - Knotenanzahl V - Kantenanzahl E - lokale Kantenanzahl: outdegree (= Anzahl ausgehender Kanten aus einem Knoten) indegree (= Anzahl eingehender Kanten in einen Knoten) nennt man auch Valenz / Grad eines Knotens: p(x) := Anzahl der Ein- und Ausgehenden Knoten von/zu x p(x) = 0 isolierter Knoten (keine Kante führt hin oder weg) p(x) = k x V: Graph ist univalent/regulär (k-valent/k-regulär) (alle Knoten haben gleiche Grad) p - (x) : indeg p + (x) : outdeg indeg/outdeg macht nur bei gerichteten Graphen Sinn p(x) = p - (x) + p + (x) E = x V p + (x) = x V p - (x) = ½ x V p(x) (weil jede Kante einen Start- und einen Endknoten hat)
3 Wegbegriffe: (sinnvoll aus Sicht der Anwendungen von Graphen) Kantenfolge von Knoten x 0 bis zum Knoten x n Sequenz von Kanten aus E: e1=(x0, x1), e2=(x1,x2),..., en= (xn-1, xn) d.h. für zwei in der Sequenz aufeinanderfolgende Kanten: Zielknoten der ersten = Startknoten der zweiten Kante Linie: Kantenfolge aus lauter verschiedenen Kanten (ein Knoten darf ruhig öfter benutzt werden) wenn x0 = xn geschlossene Linie / Zyklus Weg: Kantenfolge bei der alle Knoten paarweise verschieden (außer evtl. x0 = xn, dann geschlossener Weg / Kreis) bei Digraphen: gerichteter Weg: positive gerichtet: in Durchlaufrichtung negativ gerichtet: entgegen der Druchlaufrichtung Wegprobleme Wegproblem I: Existenz eines Weges zwischen 2 Knoten gegeben: 2 Knoten eines Graphen Frage: existiert ein Weg zwischen Ihnen a Z b : Weg von a nach b ist Äquivalenzrelation auf V - refelxiv: es existiert immer ein Weg von a nach a : a Z a - symmetrisch: a Z b b Z a gilt in ungerichteten Graphen, in gerichteten auch unter Mißachtung der Kantenrichtung - transitiv: klar eine Ä-Relation induziert immer Ä-Klassen: hier: Zusammenhangskomponenten also: Zusammenhangskomponente: eine Zusammenhangskomponente ist der durch eine Ä-Klasse nach der oben definierten Ä-Relation aufgespannte Teilgraph von G ist ganzer Graph G eine Zusammenhangskomponente G ist zusammenhängend d.h. ein Weg zwischen je 2 Knoten in G bei gerichtetem DiGraph: starke Zusammenhangskomponenten zu jedem Knotenpaar (a,b) gibt es einen positiv GERICHTETEN Weg von a nach b (und dann natürlich auch von b nach a, da es ja für jedes Knotenpaar gelten soll) d.h. es gibt immer Hin- und Rückweg
4 Wegproblem II: Eulerscher Zyklus (Königsberger Brückenproblem) Finde einen Zyklus, der jede Kante genau 1x enthält Eulerzyklus = Linie in einem Graphen, die jede Kante von G genau 1x enthält Lösung: - G enthält einen eulerschen Zyklus G ist zusammenhängend und enthält keine Knoten ungeraden Grades - d.h. wenn p(x) = 2 k für k Beweis: G enthält Eulerzyklus! G ist a) zusammenhängend b) besitzt keinen Knoten ungeraden Grades a) Zusammenhang von G sofort klar b) Berechnung des Grades eines Knotens durch sukzessive Hinzunahme von Kanten beim Durchlauf des Eulerzyklus (der enthält ja alle Kanten): Jeder Durchlauf durch Knoten x bei Durchlauf des Eulerschen Zyklus leistet zu p(x) eine Addition von 2 (ich komme hinein zu x +1, ich gehe wieder weg von x +1) nimm Tuckers Algo: 2 Phasen 1. Z-Phase: Zerlegungsphase suche Knoten mit p(x) = 2k,k > 1 (also p(x) = 4,6,8,...) zerlege sie in k Knoten und gib jedem dieser Knoten jeweils 2 Kanten jeder neue Knoten hat Grad 2 dabei merken, welche Knoten so einmal zusammengehörten (durch Relation / Ä-Klasse: alle die in eine Ä-Klasse, die mal zusammengehört haben) das ergibt einen Graph G =(V, E ), dessen Zusammenhangskomponenten immer Kreise bilden 2. A-Phase: Aufbauphase Nimm Kreis C (eine Zusammenhangskomponente aus G ) a) Wenn alle Kanten in diesem Kreis C sind das ist Eulerzyklus b) Wenn nicht Knoten x auf diesem Kreis C, in dessen Ä-Klasse ein Knoten x ist, der nicht auf C liegt vereinige x und x wieder zu einem Knoten ( ergibt wieder Zyklus) mache dies solange, bis alle Kanten zu C gehören bei Digraphen: gerichteter Eulerzyklus: wenn gilt indeg = outdeg, G ist zusammenhängend G ist stark zusammenhängend beim Algo: darauf achten, daß bei Zerlegung eines Knotens er 1 reinlaufende und 1 rauslaufende Kante erhält
5 Wegproblem III: Hamiltonscher Weg / Kreis: Hamiltonscher Kreis: eine geschlossene Kantenfolge, die jeden Knoten genau 1x enthält ein Graph heißt hamiltonsch, wenn er einen hamitlonschen Kreis enthält hierzu existieren keine Kriterien, die gleichzeitig hinreichend und notwendig sind hinreichendes Kriterium für das Vorliegen eines Hamiltonschen Kreises: Satz von Ore Sei G=(V,E) ein ungerichteter Graph V = n > 2 Wenn für alle nichtbenachbarten (nicht-adjazente) Knoten x, y gilt: p(x) + p(y) n dann ist G hamiltonsch Beweis: K n ist vollständiger Graph mit n Knoten fasse G als Untergraph des K n auf (der K n enthält alle Knoten von G, aber mehr Kanten) der K n hat einen Hamiltonkreis wähle einen, der möglichst viele Kanten in E (von G) hat z.zg.: dann ist dieser Kreis ein Hamiltonkreis auf G Beweis durch Widerspruch: Angenommen: eine der Kanten des H-Kreises gehört nicht zu E Nummeriere Kanten von G durch, entsprechend ihrer Reihenfolge der Durchlaufung des gewählten Kreises C so, daß x1 und xn nicht benachbart sind in G, also keine Kante zwischen ihnen existiert p(x1) + p(xn) n gilt in G, d.h es kommen mehr Kanten in x1 und xn rein, als Knoten da sind (x1,..., xk+1) und (xk, xn) gehören zu E (k {2,...,n-1) x1, x2,..., xk, xn, xn-1,..., xk+1 ist Hamiltonkreis in K n der eine Kante mehr als C in E hat Widerspruch zur Wahl von C.
6 Wegproblem IV: Traveling Salesman Problem TSP: NP-vollständiges Problem TSP: verwandt mit Hamilton, aber andere Frage: Hamilton: Frage nach Existenz einer Rundreise TSP: Frage nach der Optimalität einer Rundreise Wegproblem V: Finde ein minimales Gerüst Beispiel: billigste / kürzeste Telefonleitungen zwischen Orten Baum: ein Graph G, der zusammenhängend ist und keine Kreise enthält es gilt E = V -1 (Anzahl Kanten = Anzahl Knoten 1) zwischen 2 Knoten in einem Baum gibt es einen eindeutigen Weg Wald: Graph, dessen Zusammenhangskomponenten Bäume sind Gerüst eines zusammenhängenden Graphen: Untergraph von G, der ein Baum (zusammenhängend + keine Kreise) ist und alle Knoten von G enthält Minimalgerüst eines bewerteten Graphen: Gesamtbewertung ( = der Einzelbewertungen aller Kanten im Gerüst) minimal unter allen Gerüsten Es gibt 2 Arten von Algorithmen: a) aufbauende: nimm Kanten herein, so daß Graph immer noch ohne Kreise ist, bis alle Knoten verbunden b) abbauende: entferne Kanten, so daß Restgraph immer noch zusammenhängend ist zu a) Aufbauende Verfahren: 1. Kruskal sortiere die Kanten nach ihrem Gewicht aufsteigend nimm billigste Kante, so daß noch keine Kreise entstehen mit den bereits gewählten kannten 2. Prim starte mit beliebigem Knoten a und setze A := {a} nimm billigste Kante, die A und V\A verbindet erweitere A dann entsprechend bei Prim ist der Graph, der aufgebaut wird, während des gesamten Algos zusammenhängend dies sind beides Greedy-Algorithmen, die allgemein auf Matroiden definiert sind Matroid: Paar (S, U) S : endliche Menge U (S) eine Menge von Teilmengen von S, derart, daß folgende Axiome gelten: (M1) U ( U ) (M2) B U A B a U (M3) alle Teilmengen eines Elementes aus U sind auch in U A, B U B = A +1 b B \ A mit A {b} U (wenn A um 1 kleiner als B, dann ist A mit einem El aus b dazu wieder in U) die Mengen aus U heißen unabhängige Mengen des Matroids die maximalen Mengen in U heißen Basen des Matroids das Axiom (M3) ist eine Variante der sog. Austauschbedingung (aus M3 folgt, daß in U je 2 Basen die gleiche Mächtigkeit haben)
7 Klassen von Matroiden: Sei (V,E) ein zusammenhängender, endlicher Graph Sei (E) die Menge aller Kantenmengen W E, die keine Kreise enthalten (d.h. ein Wald) dann ist ( E, ) ein Matroid die Basen von (E, ) sind die Gerüste von (V,E) Sei K ein beliebiger Körper V ein endlich dimensionaler Vektorraum Sei S V eine Teilmenge, die ganz V erzeugt: Lin S = V (S ist Erzeugendensystem) Setze U = { A S A linear unabhängig } dann erfüllt (S, U) die Axiome (M1), (M2), (M3), ist also ein Matroid, wenn S endlich ist Damit verallgemeinert sich der Kruskalalgorithmus wie folgt: Greedy-Algorithmus Sei (S, U) ein Matroid ϕ : S 3 >0 irgendeine Funktion, genannt Gewichtsfunktion dann liefert der folgende Algorithmus immer eine Basis B U von minimalem Gesamtgewicht ϕ(b) := b B ϕ(b) 1. Wähle ein b1 S0 mit minimalem Gewicht: ϕ (b1) ϕ(b) b S0 hierbei ist S0 := { x S {x} U } 2. Bei schon gefundenen Elementen b1,..., bk wähle bk+1 so, daß {b1,..., bk+1} U und ϕ(bk+1) minimal unter allen solchen Elementen b S
8 Wegproblem VI: Minimalweg von a nach b (kürzeste Verbindung zwischen 2 Knoten) gegeben: bewerteter Graph (V,E, ϕ) [x0,..., xn] sei Kantenfolge in G l ϕ ([x0,..., xn]) := i=1...n ϕ ( {xi-1, xi} ) = ϕ-länge d ϕ (x,y) = min { l ϕ ([x,..., y]) }, wenn Weg zwischen x, y existiert (= Minimum über alle Wege von x nach y) d ϕ ist Metrik ( Dreiecksungleichung) Algorithmus von Dijkstra für bewerteten, zusammenhängenden Graphen: liefert von Ausgangsknoten a aus die Minimalabstände aller anderen Knoten y zu diesem Startknoten ( f(x) := d(a, x) schreibe das in jeden Knoten rein, oder in eine Tabelle) Schritte: 1. Starte mit f(a) = 0, setze X:={a} 2. f sei schon bestimmt auf X V, a X suche Kante heraus, die a) X und V\X verbindet b) f(x) + ϕ((x,z)) ist minimal für x X, z X (also minimale Kante von a nach z) 3. ersetze X durch X {z}, setze f(z) := f(x) + ϕ ( (x,z) ) schreibe dabei in jeden Knoten / in Tabelle, auf welchem Weg du von a zu diesem Knoten gekommen bist dann hat man kürzesten Weg von a zu jedem erreichbaren Knoten Oft ist es ein Problem, eine absolut optimale Lösung zu finden (zu zeitaufwendig: NP-vollständige Probleme) finde Näherungslösung und versuche diese zu verbessern Bsp.: TSP 1. nimm Kruskal liefert minimales Gerüst interpretiere es als Rundreise: durchlaufe jede Kante 2x (hin und zurück) 2. damit habe ich Abschätzung für Kosten einer optimalen Rundreise: Sei H ein Minimalgerüst, dann gilt schon mal ϕ (H) ϕ (Rundreise opt ) 2 ϕ(h) 3. optimiere: nimm Kanten, die nicht zu H (minimalgerüst) gehören hinzu, um Knoten zu überbrücken, die beim zyklischen Durchlauf des Minimalgerüsts 2x besucht werden.
5 Graphen. Repräsentationen endlicher Graphen. 5.1 Gerichtete Graphen. 5.2 Ungerichtete Graphen. Ordnung von Graphen
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 5 Graphen 5.1 Gerichtete Graphen Definition 5.1 (V, E) heißt gerichteter Graph (Digraph), wenn V Menge von Knoten
MehrEinheit 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= 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)
MehrGraphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:
KAPITEL 3 Graphen Man kann als Ursprung der Graphentheorie ein Problem sehen, welches Euler 1736 von Studenten aus Königsberg gestellt bekam. Der Fluss Pregel wird von 7 Brücken überquert, und die Frage
MehrGraphen. Graphen und ihre Darstellungen
Graphen Graphen und ihre Darstellungen Ein Graph beschreibt Beziehungen zwischen den Elementen einer Menge von Objekten. Die Objekte werden als Knoten des Graphen bezeichnet; besteht zwischen zwei Knoten
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrAnwendungen von Graphen
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke elektrische Schaltpläne Entity-Relationship Diagramme Beweisbäume endliche Automaten Syntaxbäume für Programmiersprachen Entscheidungsbäume
MehrElementare Definitionen. Anwendungen von Graphen. Formalisierung von Graphen. Formalisierung von Digraphen. Strassen- und Verkehrsnetze
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke Elementare Definitionen Ein Graph besteht aus Knoten und Kanten, die die Knoten verbinden. elektrische Schaltpläne Entity-Relationship
MehrAlgorithmen 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
MehrFormale Grundlagen. Graphentheorie 2008W. Vorlesung im 2008S
Minimale Formale Grundlagen Graphentheorie Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt Minimale
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrSeien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren.
Beweis: 1. 2. Seien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren. Widerspruchsannahme: Es gibt zwei verschiedene Pfade zwischen u und v. Dann gibt es einen
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
MehrGraphentheorie. 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
MehrDieser Graph hat 3 Zusammenhangskomponenten
Vl 2, Informatik B, 19. 04. 02 1.1.3 Definitionen und wichtige Graphen Sei im folgenden G =(V;E) ein schlichter ungerichteter Graph. Definition: Der Grad eines Knoten v in einem ungerichteten Graphen ist
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 02. Mai 2017 [Letzte Aktualisierung: 10/07/2018,
Mehr8. 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 Grundlagen
MehrGraphentheorie 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,
MehrGraphen. Definitionen
Graphen Graphen werden häufig als Modell für das Lösen eines Problems aus der Praxis verwendet, wie wir im Kapitel 1 gesehen haben. Der Schweizer Mathematiker Euler hat als erster Graphen verwendet, um
MehrDiskrete 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
MehrAlgorithmen 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
MehrBemerkung: 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
MehrNachbarschaft, Grad, regulär, Inzidenz
Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad
MehrElementare Definitionen. Anwendungen. Formalisierung von Digraphen. Formalisierung von Graphen
Elementare Definitionen Ein Graph besteht anschaulich aus Knoten und Kanten, die die Knoten verbinden. Anwendungen Flussdiagramme Versorgungsnetze Computernetzwerke Petri-Netze Entity-Relationship Diagramme
MehrAufgabe 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.
MehrFür die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt:
Der K 4 lässt sich auch kreuzungsfrei zeichnen: Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: ( ) n n (n 1) E
Mehr1 Beispiele für Graphen
Beispiele für Graphen 1 Beispiele für Graphen 1. Kreuzungsproblem : 3 Häuser sollen mit einem Wasser-, Gas- und Elektroanschluß verbunden werden, wobei keine Kreuzung entstehen darf. Abbildung 1: Kreuzungsproblem
MehrRechenzeit für A. Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +).
Rechenzeit für A Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +). Rechenzeit des resultierenden Algo für A: t A (n) p(n) + q(n) t B (r(n)). Ist polynomiell, falls t B Polynom.
MehrMinimal 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
MehrProgrammiertechnik 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
MehrProgrammiertechnik 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
MehrWas bisher geschah. gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen
Was bisher geschah gerichtete / ungerichtete Graphen G = (V, E) Darstellungen von Graphen Spezielle Graphen: I n, K n, P n, C n, K m,n, K 1,n, K n1,...,n m Beziehungen zwischen Graphen: Isomorphie, Teilgraph,
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Euler-Hamilton)
WS 2015/16 Diskrete Strukturen Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrDef. 1.1: Graph, Knoten, Kanten, adjazent. Notwendige Bedingungen für Isomorphie. Das 3-Brunnen Problem, der vollständige bipartite Graph K 3,3
Stand: 27. Januar 2004 1. Kapitel: Was ist ein Graph? Beispiel: Mannschafts-Wettkämpfe Def. 1.1: Graph, Knoten, Kanten, adjazent Nullgraphen, vollständige Graphen K n, komplementäre Graphen Isomorphie
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrWS 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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrVollständiger 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
Mehr1. Einige Begriffe aus der Graphentheorie
. Einige Begriffe aus der Graphentheorie Notation. Sei M eine Menge, n N 0. Dann bezeichnet P n (M) die Menge aller n- elementigen Teilmengen von M, und P(M) die Menge aller Teilmengen von M, d.h. die
MehrÜbersicht. Bielefeld Hannover. Kamen Paderborn. Unna Wünnenberg Kassel. Ziffer wählen. abheben. auflegen. Gespräch führen
Übersicht Graphen beschreiben Objekte und Beziehungen zwischen ihnen geeignet für Modellierung verschiedener Aufgaben betrachten endliche, ungerichtete und endliche, gerichtete Graphen Graphen bestehen
MehrGrundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Approximationsalgorithmen auf metrischen Instanzen Minimum Spanning Tree Definition (Spannbaum) Ein Spannbaum in einem Graphen G = (V,E) ist ein kreisfreier Teilgraph
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrFerienkurs Propädeutikum Diskrete Mathematik
Ferienkurs Propädeutikum Diskrete Mathematik Teil 3: Grundlagen Graphentheorie Tina Janne Schmidt Technische Universität München April 2012 Tina Janne Schmidt (TU München) Ferienkurs Propädeutikum Diskrete
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 21 1 Approximationsalgorithmen auf
Mehr5. 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
MehrGraphentheorie. Algebraic Graph Theory von Chris Godsil und Gordon Royle. Kapitel Seminararbeit. von. Katharina Mayr
Graphentheorie Algebraic Graph Theory von Chris Godsil und Gordon Royle Kapitel 1.1 1.3 Seminararbeit von Katharina Mayr 01210559 Universität Graz Insitut für Mathematik und wissenschaftliches Rechnen
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrLösungen 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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/42 Graphische Darstellung von Zusammenhängen schon an vielen Stellen
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 8
MehrWie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
Mehr9 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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 3 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrAlgorithmische 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
MehrGraphentheorie. Yichuan Shen. 10. Oktober 2013
Graphentheorie Yichuan Shen 0. Oktober 203 Was ist ein Graph? Ein Graph ist eine kombinatorische Struktur, die bei der Modellierung zahlreicher Probleme Verwendung findet. Er besteht ganz allgemein aus
MehrOptimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen
Wiederholung Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl unabhängig von Subproblemen Optimalität der Subprobleme Beispiele für optimale Greedy-Lösungen Scheduling Problem
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
MehrKAPITEL 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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
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
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
MehrKapitel 8: Bipartite Graphen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
Mehr4. Welchen Zusammenhang gibt es zwischen den Eckengraden und der Anzahl der Kanten eines ungerichteten Graphen?
Kapitel 7 Graphentheorie Verständnisfragen Sachfragen 1. Was ist ein ungerichteter Graph? 2. Erläutern Sie den Begriff Adjazenz! 3. Erläutern Sie den Eckengrad in einem Graphen! 4. Welchen Zusammenhang
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrNaiver Algorithmus für Hamiltonkreis
Naiver Algorithmus für Hamiltonkreis Algorithmus HAMILTON EINGABE: G = ([n], E) in Adjazenzmatrixdarstellung 1 Für alle Permutationen π : [n] [n]. 1 Falls (π(1), π(2),..., π(n)) ein Kreis in G ist, AUSGABE
Mehr4.2 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
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
MehrÜbungsblatt 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
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
MehrGraphen. Leonhard Euler ( )
Graphen Leonhard Euler (1707-1783) 2 Graph Ein Graph besteht aus Knoten (nodes, vertices) die durch Kanten (edges) miteinander verbunden sind. 3 Nachbarschaftsbeziehungen Zwei Knoten heissen adjazent (adjacent),
MehrProseminar 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
Mehr2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
Mehr1. 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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 9 Graphen Version vom 13. Dezember 2016 1 / 1 Vorlesung Fortsetzung 13. Dezember
MehrEDM, Algorithmen und Graphenspeicherung
EDM, Algorithmen und Graphenspeicherung 1 Graphenspeicherung Gespeichert werden soll ein Graph G = (V, E) bzw. Digraph D = (V, A). Man beachte: E ( ) V 2 bzw. E V 2 1.1 Adjazenzmatrix Graph G: A = (a vw
MehrAlgo&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
MehrKapitel 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
MehrÜbungsaufgaben Graphentheorie, Wintersemester 2011/12
Übungsaufgaben Graphentheorie, Wintersemester 2011/12 Frank Göring 25. Januar 2012 Zusammenfassung Übungsaufgaben zur Graphentheorievorlesung. 1 Bis 19.10.2011 1. Wir hatten einen Graphen G als zusammenhängend
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 6: Kreis- und Wegeprobleme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 27. März 2018 1/47 KREIS- UND WEGEPROBLEME 2/47
MehrKlausurvorbereitung. 1 Zentrale Begriffe. 2 Bipartite Graphen. 2.1 Begriffe. Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S.
Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S. Lange Klausurvorbereitung Hier finden Sie alle Begriffe, Zusammenhänge und Algorithmen, die mit Blick auf die Klausur relevant sind. Um es
Mehr