Kapitel 4: Das Überdeckungsproblem
|
|
- Albert Waldfogel
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel : Das Überdeckungsproblem Kapitel Das Überdeckungsproblem Kapitel : Das Überdeckungsproblem Seite / 25
2 Kapitel : Das Überdeckungsproblem Inhaltsverzeichnis. Überdeckungsmatrizen.2 Minimalüberdeckungen. P, NP und NP-vollständig Kapitel : Das Überdeckungsproblem Seite 2 / 25
3 Überdeckungsmatrizen Systematischer Zugang zu den Verbesserungsproblemen aus Kapitel : Bei der Vereinfachung von Schaltnetzen: Finde zu einer gegebenen Booleschen Funktion eine Darstellung in disjunktiver Form mit minimalen Kosten. Verfahren: Im Karnaugh-Diagramm alle Einsen durch möglichst große rechteckige Blöcke überdecken. Für beliebige Stellenzahl dann Quine-McCluskey: Stelle eine Primimplikanten-Minterm- Matrix auf und wähle Zeilen so aus, dass alle Einsen überdeckt werden. Bei der Fehlerdiagnose von Schaltnetzen: Ziel: alle Fehler mit möglichst wenig Tests aufdecken. Verfahren: wähle aus der Fehlermatrix Zeilen so aus, dass alle Einsen überdeckt werden. Kapitel : Das Überdeckungsproblem Seite / 25
4 Überdeckungsmatrizen Beide Probleme wurden mit --Matrizen veranschaulicht: Bei der Vereinfachung: Zeilen entsprechen den maximalen Blöcken bzw. Primimplikanten Spalten entsprechen den einschlägigen Mintermen Bei der Fehlerdiagnose: Zeilen entsprechen den Tests Spalten entsprechen den Fehlern Als Verallgemeinerung dieser Beobachtungen definiert man die Überdeckungsmatrix. Kapitel : Das Überdeckungsproblem Seite / 25
5 Überdeckungsmatrix Definition.: Überdeckungsmatrix Eine --Matrix A = (a ik ) heißt Überdeckungsmatrix, falls (a) alle Spalten voneinander verschieden sind, (b) die Nullspalte fehlt. Die Spalten einer solchen Matrix heißen Objekte, die Zeilen Mengen. Ist a ik =, so sagt man, die Menge i überdeckt das Objekt k. Beachte: die Bedingungen (a) und (b) sind entbehrlich Fehler (bzw. einschlägige Minterme) sind nach dieser Terminologie Objekte, Tests (bzw. Primimplikanten) sind Mengen. Kapitel : Das Überdeckungsproblem Seite 5 / 25
6 Kapitel : Das Überdeckungsproblem Seite 6 / 25 Überdeckungsmatrizen - Beispiel Beispiel.: Überdeckungsmatrix Gegeben ist die Überdeckungsmatrix A, für die z.b. gilt: Menge überdeckt Objekt und Menge 7 überdeckt Objekt
7 Minimalüberdeckungen Die bekannten speziellen Überdeckungsprobleme lassen sich allgemeiner als Optimierungsaufgabe formulieren: Man suche möglichst wenige Mengen, welche alle Objekte überdecken (das ist eine sog. Minimalüberdeckung). Bei der Fehlerdiagnose reichte eine beliebige Minimalüberdeckung. Bei der Vereinfachung wurde eine andere Strategie verfolgt: Überdeckende Primimplikanten sollten möglichst geringe Gesamtkosten verursachen. Ordne also jeder Menge i die Kosten w(i) zu und formuliere das Optimierungsproblem allgemeiner: Bestimme eine kostenminimale Überdeckung, d.h. ein überdeckendes Mengensystem M mit möglichst geringen Gesamtkosten i M w(i). Kapitel : Das Überdeckungsproblem Seite 7 / 25
8 Zeilen- und Spaltenoperationen Definition.2: zi = ( zi! z ) i n s = (! l sl s ) l m Sei A eine (m n)-überdeckungsmatrix, und seien, z = ( z! z ) j j j n s ( s s ) =! m Zeilen und, Spalten von A: k k k z z : z z r s s : s s i j i j k l k l r r r für für r=,,n r=,,m Satz.: Elementare Vereinfachungsregeln Für eine Fehlermatrix ergeben sich damit die elementaren Vereinfachungsregeln: Z: Gilt z i z j für zwei Zeilen z i, z j, so streiche z i. S: Gilt s k s l für zwei Spalten s k, s l, so streiche s l. Kapitel : Das Überdeckungsproblem Seite 8 / 25
9 Elementare Vereinfachungsregeln Im Folgenden nehmen wir für alle Mengen gleiche Kosten an, deshalb müssen sie in den Regeln S und Z nicht erwähnt werden. Anschauliche Begründung der Regeln: Z: Gilt z i z j, so überdeckt die Menge z j mindestens all das, was auch z i überdeckt, daher kann z i gestrichen werden. S: Gilt s k s l, so wird das Objekt s l immer dann überdeckt, wenn auch s k überdeckt wird; also braucht man sich nicht um die Überdeckung von s l zu kümmern. Kapitel : Das Überdeckungsproblem Seite 9 / 25
10 Kapitel : Das Überdeckungsproblem Seite / 25 Vereinfachungsregeln - Beispiel Beispiel.: (Fortsetzung) Für die Überdeckungsmatrix A gilt: z z z 2 z z 5 z z 7 z s k s 9 (für alle k =,,8 ) Also kann man z, z 2, z 5, z 7 und s 9 streichen
11 Kapitel : Das Überdeckungsproblem Seite / 25 Vereinfachungsregeln - Beispiel Beispiel.: Anwendung der Regeln ergibt: Das ergibt die Matrix A mit: Es gilt weiter: s s l (für alle l {,, 2, 5, 6, 7, 8}), also kann die S-Regel erneut angewendet werden. A : streiche z, z 2, z 5, z 7 und s 9 :
12 Kapitel : Das Überdeckungsproblem Seite 2 / 25 Vereinfachungsregeln - Beispiel Beispiel.: Das ergibt die Matrix A 2 mit: Es gilt weiter: z z, z 6 z (bzw. z z, z z 6 ), also kann die Z-Regel noch mal angewendet werden. A : durch Anwendung der S-Regel werden s, s, s 2, s 5, s 6, s 7 und s 8 gestrichen:
13 Vereinfachungsregeln - Beispiel Beispiel.: A 2 : durch Anwendung der Z-Regel werden die Zeilen z und z 6 gestrichen: Das ergibt dann die Matrix A mit: 6 Es verbleiben also die Mengen und. Diese bilden sogar eine Minimalüberdeckung für die Abbildungsmatrix A. Kapitel : Das Überdeckungsproblem Seite / 25
14 Vereinfachung einer Überdeckungsmatrix Bemerkungen zum Beispiel. Im Beispiel. wurde A aus A durch sukzessives Anwenden der Regeln S und Z gewonnen. Die Reihenfolge dieser Anwendungen ist nicht eindeutig bestimmt, eine andere Reihenfolge der Anwendungen führt unter Umständen zu einem anderen Ergebnis. Das Verfahren arbeitet also nicht-deterministisch. In jedem Fall terminiert das Verfahren, da die Dimension der Ergebnismatrix immer kleiner als die der Ursprungsmatrix ist. Kapitel : Das Überdeckungsproblem Seite / 25
15 Reduzible und verkürzbare Matrizen Definition.: Sei A eine Überdeckungsmatrix: A heißt reduzibel, falls (mindestens) eine der Regeln S und Z auf A anwendbar ist. Ansonsten heißt A irreduzibel. A heißt verkürzbar, wenn es eine echte Teilmenge der Menge der Zeilen von A gibt, so dass die aus diesen Zeilen gebildete Teilmatrix in jeder Spalte mindestens eine Eins enthält. Ansonsten heißt A unverkürzbar. Aus dieser Definition folgt weder, dass unverkürzbare Überdeckungsmatrizen irreduzibel sind, noch das Umgekehrte. Kapitel : Das Überdeckungsproblem Seite 5 / 25
16 Reduzible und verkürzbare Matrizen - Beispiel Beispiel.2: Die Matrix ist unverkürzbar, da die Streichung einer beliebigen Kombination von Zeilen immer mindestens eine Nullspalte in der Matrix erzeugt. Sie ist aber reduzibel, da die erste Spalte weggelassen werden kann. Die Matrix A = B = ist irreduzibel, da alle Zeilen und Spalten bzgl. unvergleichbar sind. Sie ist jedoch verkürzbar, da man eine beliebige Zeile streichen kann, ohne eine Nullspalte zu erzeugen. Kapitel : Das Überdeckungsproblem Seite 6 / 25
17 Reduzible und verkürzbare Matrizen - Beispiel Beispiel.: Gegeben sei ein System von sieben Punkten: {,,7 }. Als Objekte bezeichnen wir alle 2 Zweiermengen. Die (Überdeckungs-) Mengen sind alle möglichen 5 Dreiermengen. Eine Menge überdeckt nun ein Objekt, falls sie dieses als Punktmenge umfasst. Die Menge {2,,5} überdeckt also die Objekte {2,}, {2,5} und {,5}. Das führt zu der folgenden Überdeckungsmatrix: Kapitel : Das Überdeckungsproblem Seite 7 / 25
18 Reduzible und verkürzbare Matrizen - Beispiel Kapitel : Das Überdeckungsproblem Seite 8 / 25
19 Reduzible und verkürzbare Matrizen - Beispiel Beispiel.: Die Überdeckungsmatrix ist irreduzibel es lassen sich weder S- noch Z- Regeln anwenden. Sie ist aber verkürzbar. Durch entsprechendes Entfernen von Zeilen erhält man z.b. { {,2,}, {,5,6}, {,,7}, {2,5,7}, {2,,6}, {,,5}, {,6,7} } als Minimalüberdeckung. Bemerkung: Diese Minimalüberdeckung bezeichnet man auch als projektive Ebene, die grafisch veranschaulicht werden kann. Kapitel : Das Überdeckungsproblem Seite 9 / 25
20 Minimalüberdeckung: Komplexität Beispiel. zeigt die Schwierigkeit des Überdeckungsproblems: die Matrix ist irreduzibel und das Verfahren der elementaren Streichungen nicht anwendbar. Die einzige Möglichkeit, dann eine Minimalüberdeckung zu finden, ist eine Brute-Force -Methode: Teste für jede Teilmenge der Zeilenmenge, ob sie eine Überdeckung ist. Wähle aus den gefundenen Teilmengen eine (kosten-)minimale aus. Nachteil: Es gibt bei n Zeilen 2 n Teilmengen, also auch 2 n Tests diese Methode ist nicht effizient zu realisieren. Problem: Es ist kein anderes Verfahren bekannt, das in wesentlich einfacherer Weise aus einer irreduziblen Matrix eine unverkürzbare bestimmt. Man vermutet, dass es keinen solchen Algorithmus gibt, denn das Überdeckungsproblem gehört zur Klasse der NP-vollständigen Probleme. Kapitel : Das Überdeckungsproblem Seite 2 / 25
21 NP-vollständige Probleme In groben Zügen kann man NP-vollständige Probleme wie folgt beschreiben: Bisher ist kein (deterministischer) Lösungsalgorithmus bekannt, der mit polynominellem Aufwand auskommt, d.h. dessen Schrittzahl durch ein Polynom in der Größe der Aufgabenstellung abschätzbar ist. Für dieses Problem ist ein (deterministischer) Lösungsalgorithmus bekannt, der mit höherem als polynomiellen Aufwand arbeitet, bis er die optimale Lösung gefunden hat. (Der Brute-Force-Ansatz z.b. hat den Aufwand 2 n.) Man kann bisher nicht beweisen, dass es kein polynomielles (deterministisches) Lösungsverfahren gibt. Jedoch lässt sich für irgendeine optimale Lösung des Problems verifizieren, dass es sich tatsächlich um eine Optimallösung handelt. (Die Verifikation ist von polynomiellem Aufwand.) (Vollständigkeit) Es ist bewiesen, dass es entweder für alle NP-vollständigen Probleme oder für keines von ihnen ein polynomielles (deterministisches) Lösungsverfahren gibt. Kapitel : Das Überdeckungsproblem Seite 2 / 25
22 Effizient und nicht-effizient Der Brute-Force-Ansatz für das Überdeckungsproblem ist ein exponentielles Lösungsverfahren. Es wird als nicht effizient angesehen, da die Exponentialfunktion in n schneller wächst als jede polynomielle Funktion und diese Algorithmen auf einem Rechner nur für kleine n ausführbar sind. Auch das Problem, ob ein Graph einen Hamilton-Kreis besitzt (Beispiel 2.) ist NP-vollständig. Als effizient bezeichnet man polynomielle Verfahren, da sie auch für große n noch auf einem Rechner ausführbar sind. Probleme, die polynomielle Lösungsverfahren besitzen, werden der Klasse P zugeordnet. Probleme, die den ersten vier Punkten der NP-vollständigen Probleme entsprechen, liegen in der Klasse NP. Kapitel : Das Überdeckungsproblem Seite 22 / 25
23 Der Zusammenhang von P, NP und NP-vollständig Man vermutet den folgenden Zusammenhang zwischen den drei Klassen: Man weiß zwar, dass die Beziehung P NP gilt, jedoch ist bisher noch nicht geklärt, ob diese Inklusion echt ist, d.h. ob P NP gilt. Man vermutet zwar, dass P NP gilt, das ist aber noch nicht bewiesen. Sollte diese Behauptung bewiesen werden, dann bedeutet das, dass es z.b. für das Überdeckungsproblem kein polynomielles (deterministisches) Lösungsverfahren geben kann. Kapitel : Das Überdeckungsproblem Seite 2 / 25
24 Approximative Algorithmen Es ist also nicht immer möglich, mit polynomiellem Aufwand eine optimale Lösung zu finden. Man kann jedoch versuchen, der optimalen Lösung möglichst nahe zu kommen, das Ergebnis also zu approximieren. Eine mögliche Heuristik für das Vereinfachungsproblem mit dem Quine- McCluskey-Verfahren: Bestimme alle Primimplikanten. Wähle aus der Menge der Primimplikanten sukzessive solche aus, die möglichst viele einschlägige, noch nicht überdeckte Minterme neu überdecken. Mit dieser Heuristik werden schließlich auch alle Kernimplikanten ausgewählt. Auch im ungünstigsten Fall gilt: Anzahl der durch die Heuristik ausgewählten Primimplikanten Anzahl der minimal erforderlichen Primimplikanten + ln n Hierbei ist unter n die Anzahl der einschlägigen Minterme zu verstehen. Kapitel : Das Überdeckungsproblem Seite 2 / 25
25 Zusammenfassung Überdeckungsmatrizen Minimalüberdeckungen elementare Vereinfachungsregeln reduzibel irreduzibel verkürzbar unverkürzbar P NP NP-vollständig effizient nicht effizient approximative Algorithmen Kapitel : Das Überdeckungsproblem Seite 25 / 25
Grundlagen der Technischen Informatik. 8. Übung
Grundlagen der Technischen Informatik 8. Übung Christian Knell Keine Garantie für Korrekt-/Vollständigkeit 8. Übungsblatt Themen Aufgabe : Aufgabe : Aufgabe : Aufgabe : KMF, Nelson/Petrick-Verfahren Quine/McCluskey-Verfahren
MehrGrundlagen der Technischen Informatik. 7. Übung
Grundlagen der Technischen Informatik 7. Übung Christian Knell Keine Garantie für Korrekt-/Vollständigkeit 7. Übungsblatt Themen Aufgabe : Aufgabe : Aufgabe : Aufgabe : KMF, Nelson/Petrick-Verfahren Quine/McCluskey-Verfahren
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
MehrNichtdeterministische Platzklassen
Sommerakademie 2010 Rot an der Rot AG 1: Wieviel Platz brauchen Algorithmen wirklich? Nichtdeterministische Platzklassen Ulf Kulau August 23, 2010 1 Contents 1 Einführung 3 2 Nichtdeterminismus allgemein
MehrDuE-Tutorien 17 und 18
DuE-Tutorien 17 und 18 Tutorien zur Vorlesung Digitaltechnik und Entwurfsverfahren Christian A. Mandery TUTORIENWOCHE 7 AM 16.12.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Mehr2. 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
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrKAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrPartitionen natürlicher Zahlen
Partitionen natürlicher Zahlen wgnedin@math.uni-koeln.de 9. Oktober 03 In dieser Notiz wird der Beweis des Satzes über die Anzahl der Partitionen einer natürlichen Zahl vorgestellt. Die Darstellung folgt
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrMengen und Abbildungen
Mengen und Abbildungen Der Mengenbegriff Durchschnitt, Vereinigung, Differenzmenge Kartesisches Produkt Abbildungen Prinzip der kleinsten natürlichen Zahl Vollständige Induktion Mengen und Abbildungen
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
MehrDas Kryptosystem von McEliece. auf der Basis von linearen Codes
Das Kryptosystem von McEliece auf der Basis von linearen Codes Anforderungen Public-Key Kryptosysteme E e (m) = c Verschlüsselung D d (c) = m Entschlüsselung mit Schl. effizient effizient 2/25 Anforderungen
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrDie Komplexitätsklassen P und NP
Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 3. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und
Mehr2. Vorlesung. Die Theorie der schwarz-weissen Ketten.
2. Vorlesung. Die Theorie der schwarz-weissen Ketten. Die Theorie der schwarzen Steinchen haben wir jetzt halbwegs vertanden. Statt mit schwarzen Steinen wie die Griechen, wollen wir jetzt mit schwarzen
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrKapitel 12. Lineare Abbildungen und Matrizen
Kapitel 12 Lineare Abbildungen und Matrizen Lineare Abbildungen f : R n R m Wir wissen schon: Eine lineare Abbildung f : R n R m ist eindeutig durch ein n-tupel von Vektoren v 1, v 2,, v n des R m bestimmt
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrKapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrGliederung. Algorithmen und Datenstrukturen II. Problem: Längste gemeinsame Teilsequenz. Problem: Längste gemeinsame Teilsequenz
Gliederung Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung II D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrKonjunktive und disjunktive Normalformen
Konjunktive und disjunktive Normalformen Nachdem gesprochen wurde, wie man Boolesche Terme unter einer Belegung der Variablen interpretiert und dass somit jeder Boolesche Term eine Boolesche Funktion repräsentiert,
MehrGrundlagen der Informatik 2. Grundlagen der Digitaltechnik. 4. Minimierung digitaler Schaltfunktionen
Grundlagen der Informatik Grundlagen der Digitaltechnik. Minimierung digitaler Schaltfunktionen Prof. Dr.-Ing. Jürgen Teich Dr.-Ing. Christian Haubelt Lehrstuhl für Hardware-Software Software-Co-Design
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrHackenbusch und Spieltheorie
Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
MehrSatz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ).
Satz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ). Beweis: Für jedes a Σ muss jede Position in der Tabelle nur konstant oft besucht werden.
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrDas Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!
Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 19 Algebraisch abgeschlossene Körper Wir haben zuletzt erwähnt, dass ein lineares Polynom X a über einem Körper stets irreduzibel
MehrElemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S
Begriffe Faser: Es sei f : M N eine Abbildung von Mengen. Es sei n N. Die Menge f 1 ({n}) M nennt man die Faser in n. (Skript Seite 119). Parallel: Zwei Vektoren v und w heißen parallel, wenn für einen
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
MehrEin Beispiel für eine lineare Abbildung
Inhaltsverzeichnis Ein Beispiel für eine lineare Abbildung Lothar Melching Vorbemerkungen 2 Ein Beispiel 2 2 Definition der Abbildung f 2 22 Die Abbildungsmatrix 3 23 Anwendung 3 Eigenwerte 3 Die neue
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
MehrDie Klassen P und NP. Dr. Eva Richter. 29. Juni 2012
Die Klassen P und NP Dr. Eva Richter 29. Juni 2012 1 / 35 Die Klasse P P = DTIME(Pol) Klasse der Probleme, die sich von DTM in polynomieller Zeit lösen lassen nach Dogma die praktikablen Probleme beim
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrProf. S. Krauter Dezimalbruchdarstellung rationaler Zahlen DezDarst.doc. Über die Darstellung von rationalen Zahlen als Dezimalbrüche.
1 Prof. S. Krauter Dezimalbruchdarstellung rationaler Zahlen DezDarst.doc Über die Darstellung von rationalen Zahlen als Dezimalbrüche. Anmerkung: Die Beschränkung auf die Dezimaldarstellung ist unnötig.
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrNoethersche und artinsche Ringe
Noethersche und artinsche Ringe Seminar Kommutative Algebra und Varietäten Prof. Dr. K. Wingberg, Dr. J. Gärtner Vortrag 6 Yassin Mousa 05.06.2014 Im Folgenden bezeichne R immer einen kommutativen Ring
MehrBestimmung 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,
MehrProseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus
Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus Max Zoller 14. April 8 1 Der klassische euklidische Algorithmus Beispiel: ggt 15, 56? 15 = 1 56 + 49 56 = 1 49 + 7 49 = 7 7 + =
MehrKomplexita tstheorie eine erste Ubersicht. KTV bedeutet: Details erfahren Sie in der Komplexitätstheorie-Vorlesung.
Komplexita tstheorie eine erste Ubersicht KTV bedeutet: Details erfahren Sie in der Komplexitätstheorie-Vorlesung. Probleme Problem = Menge von unendlich vielen konkreten Einzelfragen (Instanzen) F n,
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
MehrPratts Primzahlzertifikate
Pratts Primzahlzertifikate Markus Englert 16.04.2009 Technische Universität München Fakultät für Informatik Proseminar: Perlen der Informatik 2 SoSe 2009 Leiter: Prof. Dr. Nipkow 1 Primzahltest Ein Primzahltest
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrÜbungen Mathematik I, M
Übungen Mathematik I, M Übungsblatt, Lösungen (Stoff aus Mathematik 0) 09.0.0. Kommissar K hat 3 Tatverdächtige P, Q und R. Er weiß: (a) Wenn sich Q oder R als Täter herausstellen, dann ist P unschuldig.
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrProbeklausur zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Probeklausur 25.01.2013 Probeklausur zur Vorlesung Berechenbarkeit und Komplexität Aufgabe 1 (1+2+6+3 Punkte)
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrInformatik I WS 07/08 Tutorium 24
Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr2 Eulersche Polyederformel und reguläre Polyeder
6 2 Eulersche Polyederformel und reguläre Polyeder 2.1 Eulersche Polyederformel Formal besteht ein Graph aus einer Knotenmenge X und einer Kantenmenge U. Jede Kante u U ist eine zweielementige Teilmenge
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
MehrNormalformen boolescher Funktionen
Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion
MehrInduktive Definitionen
Priv.-Doz. Dr.rer.nat.habil. Karl-Heinz Niggl Technische Universität Ilmenau Fakultät IA, Institut für Theoretische Informatik Fachgebiet Komplexitätstheorie und Effiziente Algorithmen J Induktive Definitionen
MehrInstitut für Mathematik Geometrie und Lineare Algebra J. Schönenberger-Deuel. Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien.
Lösungen Übung 13 Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien. a) Strategie 1 (nächster Nachbar): Jedes Mal reist der Reisende vom Punkt, wo er gerade ist, zur nächstgelegenen Stadt,
MehrEinstieg in die Informatik mit Java
1 / 20 Einstieg in die Informatik mit Java Rekursion Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 20 1 Überblick 2 Rekursion 3 Rekursive Sortieralgorithmen 4 Backtracking
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 11: Abstrakte Reduktionssysteme schulz@eprover.org Reduktionssysteme Definition: Reduktionssystem Ein Reduktionssystem ist ein Tupel (A, ) Dabei gilt: A
MehrKapitel 3. Natürliche Zahlen und vollständige Induktion
Kapitel 3 Natürliche Zahlen und vollständige Induktion In Kapitel 1 haben wir den direkten Beweis, den modus ponens, kennen gelernt, der durch die Tautologie ( A (A = B) ) = B gegeben ist Dabei war B eine
Mehr3.5 Ringe und Körper. Diese Eigenschaften kann man nun auch. 1. (R, +) ist eine kommutative Gruppe. 2. Es gilt das Assoziativgesetz bezüglich.
3.5 Ringe und Körper Gehen wir noch mal zu den ganzen Zahlen zurück. Wir wissen: (Z, + ist eine Gruppe, es gibt aber als Verknüpfung noch die Multiplikation, es gibt ein neutrales Element bezüglich, es
MehrInstitut für Informatik. Rheinische Friedrich-Wilhelms-Universität Bonn
Institut für Informatik Rheinische Friedrich-Wilhelms-Universität Bonn Hauptseminar: Schnelle Parallele Algorithmen Leitung: Prof. Dr. M. Karpinksi, P. Wegner, M. Hauptmann Sommersemester 2000 Ausarbeitung
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrRechnerstrukturen, Teil 1. Vorlesung 4 SWS WS 14/15
Rechnerstrukturen, Teil 1 Vorlesung 4 SWS WS 14/15 Prof. Dr Jian-Jia Chen Dr. Lars Hildebrand Fakultät für Informatik Technische Universität Dortmund lars.hildebrand@tu-.de http://ls1-www.cs.tu-.de Übersicht
MehrEine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert werden durch
1.2 Mengenlehre Grundlagen der Mathematik 1 1.2 Mengenlehre Definition: Menge, Element, Variablenraum Eine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert
Mehr1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
Mehr