Theoretische Informatik. Probabilistische Turingmaschinen PTM PTM. Rainer Schrader. 10. Juni 2009
|
|
- Cornelius Fürst
- vor 7 Jahren
- Abrufe
Transkript
1 Theoretische Informatik Rainer Schrader Probabilistische Turingmaschinen Institut für Informatik 10. Juni / 30 / 30 Gliederung probabilistische Turingmaschinen Beziehungen zwischen und NDTM es stellt sich die Frage, wie sich probabilistische Ansätze in die bisher behandelte Komplexitätstheorie einordnen wir werden dazu im folgenden eine Komplexitätstheorie für Algorithmen mit Zufallsschritten behandeln sie beruht u.a. auf probabilistischen Turingmaschinen die als Varianten der nichtdeterministischen TM aufgefasst werden können 3 / 30 4 / 30
2 probabilistische Turingmaschine () Beispiel für eine : die Übergangsfunktion ist eine Abbildung δ : Q A (Q A {L, R, N}) jede der beiden möglichen Rechenschritte wird mit Wahrscheinlichkeit 1 gewählt für drei ausgezeichnete Zustände q +, q, q? stoppt die mit dem Ergebnis akzeptieren, verwerfen, weiß nicht? ja das Ergebnis bei Eingabe x ist eine Zufallsvariable f (x ) mit Werten 8 < 1 akzeptieren f (x ) = 0 verwerfen :? weiß nicht die Wahrscheinlichkeit eines Rechenweges der Länge k ist k die Rechenzeit einer ist die maximale Rechenzeit auf einem der Rechenwege ja nein die von M berechnete Zufallsvariable: 8 >< 1 mit Wahrscheinlichkeit 3 8 f (x) = 0 mit Wahrscheinlichkeit 1 8 >:? mit Wahrscheinlichkeit / 30 6 / 30 Klassen von durch erkannten Sprachen: sei L eine Sprache und χ L ihre charakteristische Funktion i) BPP (Bounded error, Probabilistic, Polynomial time): die Menge aller Sprachen L, für die: es eine polynomiell-zeitbeschränkte und ein ε > 0 gibt, so dass für alle x {0, 1} gilt: Pr (f (x ) = χ(x )) > 1 + ε. (ii) (iii) RP (Randomized Polynomial time) ist die Menge aller Sprachen L, für die es eine polynomiell-zeitbeschränkte gibt mit: Pr (f (x) = 1) > 1 für x L Pr (f (x) = 0) = 1 für x / L beispielsweise gilt: L = {n : n ist nicht prim} RP corp ist die Menge aller Sprachen L, für die es eine polynomiellzeitbeschränkte gibt mit: Pr (f (x) = 1) = 1 für x L BPP ist offensichtlich unter Komplementbildung abgeschlossen. Pr (f (x) = 0) > 1 für x / L 7 / 30 8 / 30
3 (iv) ZPP (Zero error, Probabilistic, Polynomial time) ist die Menge aller Sprachen L, für die es eine polynomiell-zeitbeschränkte gibt mit: Pr (f (x ) = 0) = 0 und Pr (f (x ) = 1) = 0 und Pr (f (x ) = 1) > 1 für x L Pr (f (x ) = 0) > 1 für x / L die sagt also nie die Unwahrheit, im Zweifelsfall antwortet sie? In einigen Fällen kann durch wiederholte Anwendung die Wahrscheinlichkeit erhöht werden. Sei k N. Für L RP gibt es eine M, so dass gilt: Pr (f M (x) = 1) > 1 k für x L Pr (f M (x ) = 0) = 1 für x / L. die M simuliert k -mal die M, die zu L existiert wenn eine dieser Simulationen akzeptiert, akzeptiert M, andernfalls verwirft M die Eingabe x ist x / L, so ist Pr (f M (x ) = 0) = 1. damit ist auch Pr (f M (x ) = 0) = 1. ist x L, so ist Pr (f M (x ) 1) < 1. die Wahrscheinlichkeit, dass dies bei k unabhängigen Versuchen passiert, ist dann Pr (f M (x ) 1) < k. 9 / / 30 das Ergebnis zeigt, dass es auch reicht, Pr (f (x ) = 1) > ε für x L zu verlangen auch für die etwas schwächeren BPP lässt sich ein entsprechendes Ergebnis formulieren dazu ein vorbereitendes Lemma: per Definition von a i ist: a i = t p i (1 p) t i = i sei p = 1 + ε + δ, dann folgt: t i p i (1 p) i (1 p) t i Lemma Sei E ein Ereignis, dessen Wahrscheinlichkeit p größer ist als 1 + ε für t N und i t sei a i die Wahrscheinlichkeit, dass E bei t unabhängigen Versuchen genau i-mal eintritt dann gilt: a i < t i ( 1 4 ε ) t. p(1 p) = ( 1 + ε + δ)( 1 ε δ) = ( 1 + ε)( 1 ε) + δ( 1 ε δ) δ( 1 + ε) = ( 1 + ε)( 1 ε) δε δ < ( 1 + ε)( 1 ε) Somit p i (1 p) i < ( 1 + ε)i ( 1 ε)i = ( 1 4 ε ) i 11 / 30 1 / 30
4 p i (1 p) i < ( 1 4 ε ) i a i = < t i und somit: t p i (1 p) i (1 p) t i i )( 1 4 ε ) i (1 p) t i Da (1 p) < ( 1 ε) = 1 ε + 4 ε < 1 4 ε, folgt a i < t i ( 1 4 ε ) i (1 p) t i < t i ( 1 4 ε ) i ( 1 4 ε ) t i = t i ( 1 4 ε ) t damit können wir die Fehlerwahrscheinlichkeit auch für die etwas schwächeren BPP herabsetzen: Sei M eine BPP für L mit Parameter ε > 0 und k N. Dann gibt es eine M für L mit Pr (f M (x) = χ L (x) > 1 k. sei t eine ungerade natürliche Zahl, die wir später spezifizieren M simuliert M t-mal unabhängig voneinander M akzeptiert (verwirft) x, wenn mindestens t der Simulationen von M x akzeptieren (verwerfen), ansonsten antwortet sie? 13 / / 30 für x L gilt: M akzeptiert x, wenn mindestens t der Simulationen x akzeptieren damit ist die Wahrscheinlichkeit dafür, dass M x akzeptiert: Pr (f M (x ) = 1) = 1 X entsprechend gilt für x / L: i t a i M verwirft x, wenn mindestens t der Simulationen x verwerfen, damit ist die Wahrscheinlichkeit dafür, dass M x verwirft: Pr (f M (x ) = 0) = 1 X i t a i Somit ist Pr `f M (x ) = χ L (x) = 1 X 1 a i > 1 ( 4 ε ) t i t die Binomialkoeffizienten sind symmetrisch X 0 i t (d.h. `t ` i = t t i ) da t ungerade ist, ist die Anzahl der `t i, 0 i t gerade wegen der Symmetrie ist P `t P i t i dann die Hälfte von somit Pr (f M (x) = χ L (x )) > 1 ( 1 4 ε ) t t 1 t i i t `t i = t nach dem letzten Lemma gilt: a i < t i ( 1 4 ε ) t = 1 1 (1 4ε ) t 15 / / 30
5 Pr (f M (x ) = χ L (x )) > 1 1 (1 4ε ) t sei t (k 1)/ log(1 4ε ). dann ist 1 1 (1 4ε ) t 1 > 1 (1 4ε (k 1)/ log(1 4ε ) ). allgemein gilt x 1/ log x = log x/ log x = somit d.h. für t (k 1)/ log(1 4ε ) Versuche ist der Fehler kleiner als k da ε konstant, wächst die Anzahl der Wiederholungen linear in k d.h. der Fehler von BPP-Algorithmen kann schnell klein gemacht werden. Pr (f M (x) = χ L (x)) > 1 1 (1 4ε ) (k 1)/ log(1 4ε ) = 1 1 1) (k = 1 k 17 / / 30 P ZPP RP BPP. P ZPP folgt aus der Definition baue die ZPP so um, dass? durch verwerfen ersetzt wird, Gliederung probabilistische Turingmaschinen Beziehungen zwischen und NDTM dann erhalten wir einen RP nach früherem (etwa mit k = ) gilt RP BPP. 19 / 30 0 / 30
6 Zum Schluss noch einige Beziehungen zwischen und NDTM: RP NP. sei L RP und M die zugehörigen. fasse M als NDTM auf, bei der jeweils höchstens zwei Nachfolgekonfigurationen entstehen für x / L gilt Pr (f M (x ) = 1) = 0, d.h. es gibt keinen akzeptierenden Rechenweg. für x L gilt Pr (f M (x ) = 1) > 1, d.h. es existiert ein akzeptierender Weg und die NDTM akzeptiert x. sei K eine Klasse von Sprachen mit cok haben wir die Menge aller Sprachen bezeichnet, deren Komplement in K liegt d.h. cok = {L Σ : Σ L K}. seien A und B zwei Klassen von Sprachen mit A B dann folgt auch coa cob, denn L coa bedeutet Σ L A damit ist Σ L B und L cob 1 / 30 / 30 ZPP = RP corp. nach früherem ist ZPP RP. wegen der Symmetrie von ZPP ist ZPP = cozpp also folgt auch ZPP = cozpp corp. em 8 < : es gilt: akzeptiert, verwirft, weiß nicht, falls M akzeptiert; falls M nicht akzeptiert, M danach akzeptiert; falls M und M nicht akzeptieren; sei umgekehrt L RP corp, d.h. L RP seien M und M die zugehörigen. konstruiere eine Maschine e M, die nacheinander M, M simuliert, mit em akzeptiert M akzeptiert x L em verwirft M akzeptiert x / L em weiß nicht M, M akzeptieren nicht em 8 < : akzeptiert, verwirft, weiß nicht, falls M akzeptiert; falls M nicht akzeptiert, M danach akzeptiert; falls M und M nicht akzeptieren; im letzten Fall macht eine der beiden Maschinen einen Fehler, nach Voraussetzung ist dieser Fehler kleiner als 1. 3 / 30 4 / 30
7 NP conp BPP. Korollar ZPP NP conp. nach früherem gilt RP NP, damit folgt corp conp somit ZPP = RP corp NP conp. für BPP ist die Definition symmetrisch in akzeptiert und verwerfen somit ist BPP = cobpp es genügt also NP BPP zu zeigen sei L NP und M eine NDTM mit Polynom p wir können annehmen: jede Konfiguration hat keine oder zwei Nachfolgekonfigurationen alle Rechenwege zur Eingabe x stoppen nach genau p( x ) Schritten wir konstruieren eine M wie folgt: 5 / 30 6 / 30 M erzeugt bei Eingabe x eine Zufallszahl z mit 0 z p( x )+ 1 M erzeugt bei Eingabe x eine Zufallszahl z mit 0 z p( x )+ 1 falls z p( x )+1, simuliert M die Maschine M, falls z p( x )+1, simuliert M die Maschine M, andernfalls wird x akzeptiert andernfalls wird x akzeptiert M hat somit polynomielle Rechenzeit M hat somit polynomielle Rechenzeit ist x L: ist x / L: kein Rechenweg von M akzeptiert den Input x M akzeptiert x / L nur dann, wenn p( x )+1 < z p( x )+ 1 die Wahrscheinlichkeit ist ( p( x )+1 1)/ p( x )+ < 1 M akzeptiert auf mindestens einem der Rechenwege p( x ) d.h. mit Wahrscheinlichkeit die Wahrscheinlichkeit, dass M simuliert wird, ist größer als 1 also ist die Wahrscheinlichkeit zu akzeptieren größer als p( x ) 1 + p( x )+1 1 p( x )+ = p( x ) p( x )+ > 1 7 / 30 8 / 30
8 Damit ergibt sich: j NP conp P ZPP = RP corp RP NP conp NP ff BPP. Die s als Verallgemeinerung von DTM s haben zu einer Verschärfung der Church schen These geführt: BPP NP conp Starke Church sche These: Die in einem intuitiven Sinne berechenbaren Funktionen können mit höchstens polynomiellem Mehraufwand auf einer simuliert werden. NP NP conp conp d.h. alle intuitiv berechenbaren Funktionen sind -berechenbar die Rechenzeit steigt dabei höchstens polynomiell an RP ZPP corp wir werden auf die starke Church sche These im Zusammenhang mit Quantencomputern zurückkommen. P 9 / / 30
Rekursiv aufzählbare Sprachen
Kapitel 4 Rekursiv aufzählbare Sprachen 4.1 Grammatiken und die Chomsky-Hierarchie Durch Zulassung komplexer Ableitungsregeln können mit Grammatiken größere Klassen als die kontextfreien Sprachen beschrieben
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
Mehr11.1 Kontextsensitive und allgemeine Grammatiken
Theorie der Informatik 7. April 2014 11. Kontextsensitive und Typ-0-Sprachen Theorie der Informatik 11. Kontextsensitive und Typ-0-Sprachen 11.1 Kontextsensitive und allgemeine Grammatiken Malte Helmert
MehrTheoretische Informatik 2
Theoretische Informatik 2 Johannes Köbler Institut für Informatik Humboldt-Universität zu Berlin WS 2009/10 Die Chomsky-Hierarchie Definition Sei G = (V, Σ, P, S) eine Grammatik. 1 G heißt vom Typ 3 oder
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
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
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
Mehr2.4 Kontextsensitive und Typ 0-Sprachen
Definition 2.43 Eine Typ 1 Grammatik ist in Kuroda Normalform, falls alle Regeln eine der folgenden 4 Formen haben: Dabei: A, B, C, D V und a Σ. Satz 2.44 A a, A B, A BC, AB CD. Für jede Typ 1 Grammatik
MehrLösungsvorschläge Blatt 4
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt 4 Zürich, 21. Oktober 2016 Lösung zu Aufgabe 10 (a) Wir zeigen mit
MehrEinführung in Berechenbarkeit, Komplexität und formale Sprachen
Johannes Blömer Skript zur Vorlesung Einführung in Berechenbarkeit, Komplexität und formale Sprachen Universität Paderborn Wintersemester 2011/12 Inhaltsverzeichnis 1 Einleitung 2 1.1 Ziele der Vorlesung...................................
Mehr1 Einführung. 2 Typ-0- und Typ-1-Sprachen. 3 Berechnungsmodelle. 4 Unentscheidbarkeit. 5 Unentscheidbare Probleme. 6 Komplexitätstheorie
1 Einführung 2 Typ-0- und Typ-1-Sprachen 3 Berechnungsmodelle 4 Unentscheidbarkeit 5 Unentscheidbare Probleme 6 Komplexitätstheorie 15 Ziele vgl. AFS: Berechnungsmodelle für Typ-0- und Typ-1-Sprachen (Nicht-)Abschlußeigenschaften
MehrTuring-Maschinen. Definition 1. Eine deterministische Turing-Maschine (kurz DTM) ist ein 6- Dem endlichen Alphabet Σ von Eingabesymbolen.
Turing-Maschinen Nachdem wir endliche Automaten und (die mächtigeren) Kellerautomaten kennengelernt haben, werden wir nun ein letztes, noch mächtigeres Automatenmodell kennenlernen: Die Turing-Maschine
MehrAusgewählte unentscheidbare Sprachen
Proseminar Theoretische Informatik 15.12.15 Ausgewählte unentscheidbare Sprachen Marian Sigler, Jakob Köhler Wolfgang Mulzer 1 Entscheidbarkeit und Semi-Entscheidbarkeit Definition 1: L ist entscheidbar
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,
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
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)
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Ulrich Furbach Institut für Informatik Sommersemester 2014 Furbach Grundlagen d. Theoretischen Informatik:
MehrInformatik II. Registermaschinen. Registermaschinen. Registermaschinen. Rainer Schrader. 7. Dezember 2005
Informatik II Rainer Schrader Zentrum für Angewandte Informatik Köln 7. Dezember 25 / 82 2 / 82 Gliederung Aufbau und Eigenschaften universelle RAM s RAM-Berechenbarkeit Nichtentscheidbarkeit Reduzierbarkeit
MehrSpeicherplatz-Komplexität 1 / 30
Speicherplatz-Komplexität 1 / 30 Speicherplatz-Komplexität Warum sollte uns die Ressource Speicherplatz interessieren? Um die Komplexität der Berechnung von Gewinnstrategien für viele nicht-triviale 2-Personen
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 10.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrKomplexität des Äquivalenzproblems für reguläre Ausdrücke
Philipp Zschoche philipp.zschoche@uni-oldenburg.de Proseminar ÄRA: Äquivalenz regulärer Ausdrücke Sommersemester 2014 Modulverantwortlich: Dr. Hans Fleischhack, Prof. Dr. Eike Best Carl von Ossietzky Universität
MehrTheoretische Informatik 1
Theoretische Informatik 1 Registermaschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Registermaschinen Algorithmusbegriff konkretisiert formale Beschreibung
Mehr1 Σ endliches Terminalalphabet, 2 V endliche Menge von Variablen (mit V Σ = ), 3 P (V (Σ ΣV )) {(S, ε)} endliche Menge von Regeln,
Theorie der Informatik 8. März 25 8. Reguläre Sprachen I Theorie der Informatik 8. Reguläre Sprachen I 8. Reguläre Grammatiken Malte Helmert Gabriele Röger 8.2 DFAs Universität Basel 8. März 25 8.3 NFAs
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
MehrBerechenbarkeit und Komplexität
Berechenbarkeit und Komplexität Prof. Dr. Dietrich Kuske FG Theoretische Informatik, TU Ilmenau Wintersemester 2010/11 1 Organisatorisches zur Vorlesung Informationen, aktuelle Version der Folien und Übungsblätter
MehrEINFÜHRUNG IN DIE THEORETISCHE INFORMATIK
EINFÜHRUNG IN DIE THEORETISCHE INFORMATIK Prof. Dr. Klaus Ambos-Spies Sommersemester 2012 17. DIE KONTEXTFREIEN SPRACHEN II: ABSCHLUSSEIGENSCHAFTEN, MASCHINENCHARAKTERISIERUNG, KOMPLEXITÄT Theoretische
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 10. Motivation. Motivation. Bisher haben wir mit TMs. Probleme gelöst/entschieden/berechnet.
bei TMs bei Computern Formale Grundlagen der Informatik 1 Kapitel 10 Frank Heitmann heitmann@informatik.uni-hamburg.de Bisher haben wir mit TMs Probleme gelöst/entschieden/berechnet. Dabei war entscheidbar
Mehra n b n c n ist kontextsensitiv kontextfreie Sprachen (Typ 2) Abschnitt 3.3 kontextfreie Sprachen: Abschlusseigenschaften Chomsky NF und binäre Bäume
Kap 3: Grammatiken Chomsky-Hierarchie 32 Kap 3: Grammatiken Kontextfreie 33 a n b n c n ist kontextsensiti Beispiel 3111 modifizieren: Σ = {a, b, c G = (Σ, V, P, X ) V = {X, Y, Z P : X ε X axyz ZY YZ ay
MehrZusammenfassung Grundzüge der Informatik 4
Zusammenfassung Grundzüge der Informatik 4 Sommersemester 04 Thorsten Wink 21. September 2004 Version 1.2 Dieses Dokument wurde in L A TEX 2εgeschrieben. Stand: 21. September 2004 Inhaltsverzeichnis 1
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die
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
MehrLösungen zur 3. Projektaufgabe TheGI1
Marco Kunze (makunze@cs.tu-berlin.de) WS 2001/2002 Sebastian Nowozin (nowozin@cs.tu-berlin.de) 21. 1. 2002 Lösungen zur 3. Projektaufgabe TheGI1 Definition: Turing-Aufzähler Ein Turing-Aufzähler einer
MehrMächtigkeit von WHILE-Programmen
Mächtigkeit von WHILE-Programmen Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 26. November 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrMusterlösung zur Nachklausur Theoretische Grundlagen der Informatik Wintersemester 2013/14
Institut für Theoretische Informatik Prof. Dr. Jörn Müller-Quade Musterlösung zur Nachklausur Theoretische Grundlagen der Informatik Wintersemester 203/4 Vorname Nachname Matrikelnummer Hinweise Für die
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Turing-Maschine, Berechenbarkeit INSTITUT FÜR THEORETISCHE 0 KIT 07.11.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
Mehr1 Varianten von Turingmaschinen
1 Varianten von Turingmaschinen Es gibt weitere Definitionen für Turingmaschinen. Diese haben sich aber alle als äquivalent herausgestellt. Ein wiederkehrendes Element der Vorlesung: Äquivalenz von Formalismen
MehrÜbung Theoretische Grundlagen
Übung Theoretische Grundlagen Berechenbarkeit/Entscheidbarkeit Nico Döttling November 26, 2009 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT University of the State of Baden-Wuerttemberg and National Laboratory
MehrAutomaten, Spiele, und Logik
Automaten, Spiele, und Logik Woche 2 25. April 2014 Inhalt der heutigen Vorlesung 1. Reguläre Ausdrücke 2. der Satz von Kleene 3. Brzozowski Methode 4. grep und perl Reguläre Ausdrücke Rekursive Definition,
MehrTheoretische Informatik II
Theoretische Informatik II Einheit 6.4 Grenzen überwinden 1. Approximation von Optimierungsproblemen 2. Probabilistische Algorithmen 3. Anwendungen in der Kryptographie Wie kann man unlösbare Probleme
MehrKomplexitätstheorie. Teil F: Interaktive Beweissysteme 22: AM. Version von: 26. Juni 2015 (10:03) Sommersemester 2015 - Thomas Schwentick
Komplexitätstheorie Teil F: Interaktive Beweissysteme 22: AM Version von: 26. Juni 2015 (10:03) Sommersemester 2015 - Thomas Schwentick Kompl.-Theorie / Schwentick / SoSe 15 F: 22. AM. Folie 1 Inhalt 22.1
MehrLösungen zu Übungsblatt 4
Lösungen zu Übungsblatt 4 Aufgabe 1 Sei Σ = {0,1,2} und u = 0102. Gesucht ist der minimale DEA der die Sprache L u = {w Σ u ist Teilwort von w} erkennt. Laut Vorlesung ist das Rückgrat des DEA von der
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrEntscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen
Berechenbarkeit und Komlexität Entscheidbarkeit und Unentscheidbarkeit Wolfgang Schreiner Wolfgang.Schreiner@risc.uni-linz.ac.at Research Institute for Symbolic Comutation (RISC) Johannes Keler University,
MehrDas P versus N P - Problem
Das P versus N P - Problem Dr. Michael Huber Habilitationsvortrag eines der sieben Milleniumsprobleme des Clay Mathematics Institute A gift to Mathematics from Computer Science (Steve Smale) Überblick
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Mehr2. Berechnungsmächtigkeit von Zellularautomaten. Ziele Simulation von Schaltwerken Simulation von Turingmaschinen
2. Berechnungsmächtigkeit von Zellularautomaten Ziele Simulation von Schaltwerken Simulation von Turingmaschinen Beispiel WIREWORLD Elektronen laufen über Drähte von einem Gatter zum nächsten 2.3 Satz
MehrGTI. Hannes Diener. 6. Juni - 13. Juni. ENC B-0123, diener@math.uni-siegen.de
GTI Hannes Diener ENC B-0123, diener@math.uni-siegen.de 6. Juni - 13. Juni 1 / 49 Die Turingmaschine war das erste (bzw. zweite) formale Modell der Berechenbarkeit. Sie wurden bereits 1936 (also lange
MehrKontextsensitive und Typ 0 Sprachen
Kontextsensitive und Typ 0 Sprachen Slide 1 Kontextsensitive und Typ 0 Sprachen Hans U. Simon (RUB) Email: simon@lmi.rub.de Homepage: http://www.ruhr-uni-bochum.de/lmi Kontextsensitive und Typ 0 Sprachen
Mehr3. Turingmaschinen FORMALISIERUNG VON ALGORITHMEN. Turingmaschinen Registermaschinen Rekursive Funktionen UNTERSCHEIDUNGSMERKMALE DER ANSÄTZE:
FORMALISIERUNG VON ALGORITHMEN Wegen der beobachteten Zusammenhänge zwischen Berechnungs-, Entscheidungs- und Aufzählungsverfahren genügt es Berechnungsverfahren zu formalisieren. Weiter genügt es Verfahren
Mehr8. Turingmaschinen und kontextsensitive Sprachen
8. Turingmaschinen und kontextsensitive Sprachen Turingmaschinen (TM) von A. Turing vorgeschlagen, um den Begriff der Berechenbarkeit formal zu präzisieren. Intuitiv: statt des Stacks bei Kellerautomaten
Mehr1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT)... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben...
Vorwort v I Approximative Algorithmen 1 1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT).... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben..... 18 2 DieKomplexitätsklassen
MehrEinführung. Vorgehensweise in der theor. Inf. Bsp. für ein praktisches Problem. Theoretische Informatik für Studierende der angewandten Informatik
Theoretische Informatik für Studierende der angewandten Informatik Sommersemester 2008 Beate Bollig Informatik 2 Einführung 1. Was ist theoretische Informatik? 2. Überblick über die Vorlesung 3. Gebrauchsanleitung
MehrSatz von Kleene. (Stephen C. Kleene, ) Wiebke Petersen Einführung CL 2
Satz von Kleene (Stephen C. Kleene, 1909-1994) Jede Sprache, die von einem deterministischen endlichen Automaten akzeptiert wird ist regulär und jede reguläre Sprache wird von einem deterministischen endlichen
MehrTheoretische Informatik Testvorbereitung Moritz Resl
Theoretische Informatik Testvorbereitung Moritz Resl Bestandteile einer Programmiersprache: a) Syntax (Form): durch kontextfreie Grammatik beschrieben b) Semantik (Bedeutung) 1.) Kontextfreie Sprachen
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
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
MehrReferat rekursive Mengen vs. rekursiv-aufzählbare Mengen
Kapitel 1: rekursive Mengen 1 rekursive Mengen 1.1 Definition 1.1.1 informal Eine Menge heißt rekursiv oder entscheidbar, wenn ihre charakteristische Funktion berechenbar ist. 1.1.2 formal Eine Menge A
MehrIP=PSPACE. t Joachim Kneis t IP = PSPACE t 16. Dezember 2003 t
Rheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Theoretische Informatik Seminar Programmverifikation IP=PSPACE Joachim Kneis Gliederung IP=PSPACE Teil 0 Einführung und Motivation
MehrFormale Sprachen und Automaten
Formale Sprachen und Automaten Kapitel 5: Typ 1 und Typ 0 Vorlesung an der DHBW Karlsruhe Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2012 Kapitel 5 Typ 1
MehrDefinition (Reguläre Ausdrücke) Sei Σ ein Alphabet, dann gilt: (ii) ε ist ein regulärer Ausdruck über Σ.
Reguläre Ausdrücke Definition (Reguläre Ausdrücke) Sei Σ ein Alphabet, dann gilt: (i) ist ein regulärer Ausdruck über Σ. (ii) ε ist ein regulärer Ausdruck über Σ. (iii) Für jedes a Σ ist a ein regulärer
MehrSuche nach einem solchen Kreis. Endlichkeitstest. Vereinigung und Durchschnitt. Abschlusseigenschaften
Endlichkeitstest Eingabe: DFA/NFA M. Frage: Ist die von M akzeptierte Sprache endlich? Nahe liegende Beobachtung: In einem DFA/NFA, der eine unendliche Sprache akzeptiert, muss es einen Kreis geben, der
MehrEin Satz der deutschen Sprache besitzt ein Subjekt, ein Prädikat und ein Objekt (SPO).
1 Grammatiken Autor: Tilman Blumenbach Letzte Änderung: 28. Juni 2012 18:15 Ziel von Grammatiken Wollen die Struktur von Sprachen modellieren und charakterisieren. Beispiel Ein Satz der deutschen Sprache
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrStreaming Data: Das Modell
Streaming Data: Das Modell Berechnungen, bei fortlaufend einströmenden Daten (x t t 0), sind in Echtzeit zu erbringen. Beispiele sind: - Verkehrsmessungen im Internet, - Datenanalyse in der Abwehr einer
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
MehrAlgorithmentheorie Randomisierung. Robert Elsässer
Algorithmentheorie 03 - Randomisierung Robert Elsässer Randomisierung Klassen von randomisierten Algorithmen Randomisierter Quicksort Randomisierter Primzahltest Kryptographie 2 1. Klassen von randomisierten
MehrSyntax von LOOP-Programmen
LOOP-Berechenbarkeit Syntax von LOOP-Programmen Definition LOOP-Programme bestehen aus: Variablen: x 0, x 1, x 2, x 3,... Konstanten: 0, 1, 2, 3,... Trennsymbolen:; und := Operationen: + und Befehlen:
MehrKomplexität. G. Zachmann Clausthal University, Germany Leistungsverhalten von Algorithmen
lausthal Informatik II Komplexität von Algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Leistungsverhalten von Algorithmen Speicherplatzkomplexität: Wird primärer & sekundärer
MehrRechnerische Komplexität
Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrKomplexitätstheorie. Arfst Nickelsen Universität zu Lübeck Institut für Theoretische Informatik Wintersemester 2006/07. Stand 8.
Komplexitätstheorie Arfst Nickelsen Universität zu Lübeck Institut für Theoretische Informatik Wintersemester 2006/07 Stand 8. Februar 2007 Inhaltsverzeichnis 1 Probleme, Ressourcen, Klassen 4 1.1 Probleme,
MehrMathematische Maschinen
Mathematische Maschinen Ziel: Entwicklung eines allgemeinen Schemas zur Beschreibung von (mathematischen) Maschinen zur Ausführung von Algorithmen (hier: (partiellen) Berechnungsverfahren). Mathematische
MehrWie viel Mathematik kann ein Computer?
Wie viel Mathematik kann ein Computer? Die Grenzen der Berechenbarkeit Dr. Daniel Borchmann 2015-02-05 Wie viel Mathematik kann ein Computer? 2015-02-05 1 / 1 Mathematik und Computer Computer sind schon
MehrFormale Sprachen. Spezialgebiet für Komplexe Systeme. Yimin Ge. 5ahdvn. 1 Grundlagen 1. 2 Formale Grammatiken 4. 3 Endliche Automaten 5.
Formale Sprachen Spezialgebiet für Komplexe Systeme Yimin Ge 5ahdvn Inhaltsverzeichnis 1 Grundlagen 1 2 Formale Grammatien 4 Endliche Automaten 5 4 Reguläre Sprachen 9 5 Anwendungen bei Abzählproblemen
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik 3. Endliche Automaten (V) 21.05.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Determinierte endliche Automaten (DEAs) Indeterminierte
MehrDie Kugel Grundwissen Mathematik Geometrie Klasse 10. Definitionen und Regeln. Kugeloberfläche: O Kugel = 4 r² π. Kugelvolumen: - 1 -
10.1 Grundwissen Mathematik Geometrie Klasse 10 Die Kugel Beispiele Kugeloberfläche: O Kugel = 4 r² π r Kugelvolumen: V Kugel = 4 3 r³ π - 1 - 10. Grundwissen Mathematik Geometrie Klasse 10 Kreissektor
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
MehrDeterministische Turing-Maschinen (DTM) F3 03/04 p.46/395
Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Turing-Machine Wir suchen ein Modell zur formalen Definition der Berechenbarkeit von Funktionen und deren Zeit- und Platzbedarf. Verschiedene Modelle
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrTeil V. Weiterführende Themen, Teil 1: Kontextsensitive Sprachen und die Chomsky-Hierarchie
Teil V Weiterführende Themen, Teil 1: Kontextsensitive Sprachen und die Chomsky-Hierarchie Zwei Sorten von Grammatiken Kontextsensitive Grammatik (CSG) (Σ, V, P, S), Regeln der Form αaβ αγβ α, β (Σ V ),
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
MehrVer- und Entschlüsselung
Vorlesung Formale Aspekte der Software-Sicherheit und Kryptographie Sommersemester 2015 Universität Duisburg-Essen Prof. Barbara König Übungsleitung: Sebastian Küpper Ver- und Entschlüsselung Wir beschreiben
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrÜbungsaufgaben und Lösungen. zur Vorlesung. Theoretische Grundlagen der Informatik
UNIVERSITÄT KONSTANZ Theoretische Grundlagen der Informatik SS 3 Fachbereich Informatik & Informationswissenschaft www.inf.uni-konstanz.de/algo/lehre/ss3/theo Dr. Bernd Gärtner, Carola Haid, Jasper Möller,
MehrTheoretische Informatik SS 03 Übung 11
Theoretische Informatik SS 03 Übung 11 Aufgabe 1 Zeigen Sie, dass es eine einfachere Reduktion (als die in der Vorlesung durchgeführte) von SAT auf 3KNF-SAT gibt, wenn man annimmt, dass die Formel des
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
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,
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
MehrFormale Grundlagen der Informatik 1 Kapitel 12 Zusammenfassung
Formale Grundlagen der Informatik 1 Kapitel 12 Zusammenfassung Frank Heitmann heitmann@informatik.uni-hamburg.de 13. Mai 2014 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/17 Überblick Wir hatten
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
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
Mehrb) Eine nd. k-band-turingmaschine M zur Erkennung einer m-stelligen Sprache L (Σ ) m ist ein 8-Tupel
2. Turingmaschinen Zur Formalisierung von Algorithmen benutzen wir hier Turingmaschinen. Von den vielen Varianten dieses Konzeptes, die sich in der Literatur finden, greifen wir das Konzept der on-line
MehrEndliche Sprachen. Folgerung: Alle endlichen Sprachen sind regulär. Beweis: Sei L={w 1,,w n } Σ*. Dann ist w 1 +L+w n ein regulärer Ausdruck für
Endliche Sprachen Folgerung: Alle endlichen Sprachen sind regulär. Beweis: Sei L={w 1,,w n } Σ*. Dann ist w 1 +L+w n ein regulärer Ausdruck für L. 447 Zusammenfassung Beschreibungsformen für reguläre Sprachen:
MehrLösungsvorschläge Blatt Z1
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt Z1 Zürich, 2. Dezember 2016 Lösung zu Aufgabe Z1 Wir zeigen L qi /
MehrKostenmodell. Daniel Graf, Tobias Pröger. 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016)
Kostenmodell Daniel Graf, Tobias Pröger 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016) Erklärung: Diese Mitschrift ist als Ergänzung zur Vorlesung gedacht. Wir erheben keinen Anspruch
MehrLösungen zu Aufgabenblatt 7P
Analysis Prof. Dr. Peter Becker Fachbereich Informatik Sommersemester 205 9. Mai 205 Lösungen zu Aufgabenblatt 7P Aufgabe (Stetigkeit) (a) Für welche a, b R sind die folgenden Funktionen stetig in x 0
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
Mehr