Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
|
|
- Anna Engel
- vor 7 Jahren
- Abrufe
Transkript
1 Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum Methoden in der Helmholtz-Gemeinschaft zur Netzwerkanalyse
2 Inhalt Zerlegung von Graphen Das Problem des dünnsten Schnitts 2 Henning Meyerhenke:
3 Einführung Definition (SPARSESTCUT) Sei G = (V, E) ein Graph mit n Knoten und m Kanten Für eine nicht leere Menge S V bezeichne (S, S) die Menge der Kanten von G, die genau einen Endknoten in S haben (Schnitt) Ein dünnster Schnitt des Graphen G = (V, E) hat die Größe E(S, S) min S V, S V /2 S Das Berechnen des dünnsten Schnitts hat wichtige Anwendungen in der Theorie: Divide-and-Conquer-Algorithmen 3 Henning Meyerhenke:
4 Einführung Approximationsalgorithmen Wie Probleme zuvor ist SPARSESTCUT N P-schwer zu optimieren Bisher haben wir Heuristiken ohne Qualitätsgarantien betrachtet (oder zumindest keine Garantien hergeleitet) Nun: Approximationsalgorithmus 4 Henning Meyerhenke:
5 Einführung Approximationsalgorithmen Wie Probleme zuvor ist SPARSESTCUT N P-schwer zu optimieren Bisher haben wir Heuristiken ohne Qualitätsgarantien betrachtet (oder zumindest keine Garantien hergeleitet) Nun: Approximationsalgorithmus Definition Bezeichne Π ein Optimierungsproblem. Ein Algorithmus A heißt α-approximationsalgorithmus, wenn A zu jeder Instanz I von Π eine zulässige, aber nicht notwendigerweise optimale Lösung berechnet, so dass R A (I) α wobei R A (I) := A(I), falls Π Minimierungsproblem OPT (I) OPT (I) R A (I) :=, falls Π Maximierungsproblem A(I) Hier bezeichnet A(I) den Wert der Lösung, die A für I berechnet und OPT (I) ist der Wert einer optimalen Lösung für I. Der Faktor α ist die relative Güte von A. 4 Henning Meyerhenke:
6 Historie Approximationen für SPARSESTCUT und eng verwandte Probleme: Eigenvektor-basierte Ansätze mit Faktor-n-Approximation (Cheeger 70, Alon 85, Alon-Milman 85) O(log n)-approximation mit LP (Mehrgüter-Flüsse) von Leighton und Rao ( 88) Nun: Arora, Rao und Vazirani ( 04, 09): O( log n)-approximation in Polynomialzeit Neuere Techniken existieren (schneller, aber nicht mit besserer Güte) 5 Henning Meyerhenke:
7 Der ARV-Algorithmus [Arora, Rao und Vazirani] Kernidee: Einbettung der Knoten in einen abstrakten Raum, wobei die Kanten nicht zu sehr gedehnt werden dürfen, Partitionierung des Graphen durch Partitionierung des Raumes 6 Henning Meyerhenke:
8 Der ARV-Algorithmus [Arora, Rao und Vazirani] Kernidee: Einbettung der Knoten in einen abstrakten Raum, wobei die Kanten nicht zu sehr gedehnt werden dürfen, Partitionierung des Graphen durch Partitionierung des Raumes Vorgehensweise: Wir konstruieren ein semidefinites Programm (SDP) für SPARSESTCUT Die Lösung des SDP weist jedem Knoten i einen Punkt x i auf der Einheitskugel im R n zu Diese Lösung kann man als l 2 2 -Metrik ansehen: d(i, j) = x i x j 2 Ziel: Zuweisung finden, die die durchschnittliche Distanz zwischen allen Knotenpaaren groß macht, die durchschnittliche Distanz zwischen adjazenten Knoten aber klein Komplexität der Einbettung hängt von Metrik ab, für l 1 und l 2 N P-schwer, daher verwenden wir die l 2 2 -Norm 6 Henning Meyerhenke:
9 Der ARV-Algorithmus Vorgehensweise (Forts.) Das Haupttheorem besagt, dass man unter gewissen Voraussetzungen ein Paar von Teilmengen S, T X eines metrischen Raums X findet, so dass S, T = Ω(n) und 1 d(s, T ) = = Ω( ) log n Dann lässt sich d in l 1 mit durchschnittlicher Verzerrung O( log n) einbetten: Bilde jedes x X auf d(x, S) ab Hierdurch wird auf die Gerade R eingebettet Wähle für d in X die quadratische Euklidische Norm l Henning Meyerhenke:
10 Der ARV-Algorithmus Vorgehensweise (Forts.) Das Haupttheorem besagt, dass man unter gewissen Voraussetzungen ein Paar von Teilmengen S, T X eines metrischen Raums X findet, so dass S, T = Ω(n) und 1 d(s, T ) = = Ω( ) log n Dann lässt sich d in l 1 mit durchschnittlicher Verzerrung O( log n) einbetten: Bilde jedes x X auf d(x, S) ab Hierdurch wird auf die Gerade R eingebettet Wähle für d in X die quadratische Euklidische Norm l 2 2 Beim anschließenden Runden macht man nicht zu viel falsch 7 Henning Meyerhenke:
11 Der ARV-Algorithmus Vorgehensweise (Forts.) Um das Theorem zu beweisen, gibt man einen randomisierten Algorithmus mit zwei Phasen an, der die gewünschten Teilmengen S und T findet Phase 1: Wähle zufällig eine Hyperebene und teile X in zwei Punktmengen, die relativ weit (Θ(1/ log n)) von der Hyperebene entfernt liegen, jeweils auf unterschiedlichen Seiten Phase 2: Entferne wiederholt Paare von Punkten, die in den verschiedenen ( Hälften liegen und einander zu nah sind (näher als O 1 log n )) 8 Henning Meyerhenke:
12 Der ARV-Algorithmus Vorgehensweise (Forts.) Um das Theorem zu beweisen, gibt man einen randomisierten Algorithmus mit zwei Phasen an, der die gewünschten Teilmengen S und T findet Phase 1: Wähle zufällig eine Hyperebene und teile X in zwei Punktmengen, die relativ weit (Θ(1/ log n)) von der Hyperebene entfernt liegen, jeweils auf unterschiedlichen Seiten Phase 2: Entferne wiederholt Paare von Punkten, die in den verschiedenen ( Hälften liegen und einander zu nah sind (näher als O 1 log n )) Man erhält so zwei Mengen, die weit genug auseinander liegen Schwierigkeit: Zu zeigen, dass beide Mengen Ω(n) Punkte haben 8 Henning Meyerhenke:
13 Modellierung von SPARSESTCUT { } E(S, S) SC(G) = min : S V, S n S 2 { } ij E d(i, j) E(S, S) η(g) = min = d=δ S i,j d(i, j) S S Mit Indikatorvektor x ergibt sich: SC(G) nη(g) 2SC(G) η(g) = ij E (x i x j ) 2 min x i { 1,1} i,j (x i x j ) 2 Zur Erinnerung: ij E (x i x j ) 2 = x T Lx Klar: Optimierung von η(g) ist N P-schwer 9 Henning Meyerhenke:
14 Einheits-l 2 2 -Repräsentation Idee: Relaxierung mit Einheits-l 2 2 -Repräsentation Definition (l 2 2 -Repräsentation) Eine l 2 2-Repräsentation eines Graphen ist eine Zuweisung eines Punktes (Vektors) an jeden Knoten, etwa x i an Knoten i, so dass für alle i, j, k die Dreiecksungleichung gilt: x i x j 2 + x j x k 2 x i x k 2 Eine l 2 2 -Repräsentation heißt Einheits-l2 2 -Repräsentation, falls alle Punkte auf der Einheitskugel liegen, d. h. Länge 1 haben. 10 Henning Meyerhenke:
15 Relaxierung von SPARSESTCUT Relaxierung der x i von ganzen Zahlen aus der Menge { 1, 1} zu n-dimensionalen Einheitsvektoren: η (G) = ij E x i x j 2 min x i R n, x i 2 =1 i,j x i x j 2 Resultat: Semidefinites Programm (SDP): 1 min x i R n 4 x i x j 2 (1) ij E s.t. i x i 2 = 1 (Vektoren der Länge 1) (2) i, j, k x i x j 2 + x j x k 2 x i x k 2 (3) i<j x i x j 2 4c(1 c)n 2 (4) 11 Henning Meyerhenke:
16 Relaxierung von SPARSESTCUT (Forts.) Umformung in SDP durch passende Skalierung: min x i x j 2 (5) ij E s.t. i, j, k x i x j 2 + x j x k 2 x i x k 2 (6) i<j x i x j 2 = 1 (7) Durch die Dreiecksungleichungen werden die Lösungen auf l 2 2-Metriken beschränkt Durch die Länge 1 der gesuchten Vektoren (vorige Formulierung) liegen diese auf der Einheitskugel 12 Henning Meyerhenke:
17 Semidefinite Programmierung Definition Eine n n-matrix Y über R heißt genau dann positiv semidefinit, wenn gilt: x R n : x T Yx 0. Definition SEMIDEFINITES PROGRAMM SDP: optimiere C Y = c ij y ij i,j gemäß A k Y = a k,ij y ij b k i,j k, wobei Y = (y ij ) symmetrisch positiv semidefinit ist. Semidefinite Optimierung kann in Zeit O(poly(n, m, log( 1 ε )) mit absoluter Güte ε für beliebiges ε > 0 gelöst werden. 13 Henning Meyerhenke:
18 Fakten zur SDP Y ist genau dann symmetrisch positiv semidefinit, wenn es eine m n-matrix X gibt mit X T X = Y. Also: Y ij = x i, x j 14 Henning Meyerhenke:
19 Fakten zur SDP Y ist genau dann symmetrisch positiv semidefinit, wenn es eine m n-matrix X gibt mit X T X = Y. Also: Y ij = x i, x j Ist Y positiv semidefinit und symmetrisch, kann die obige Matrix X in Zeit O(n 3 ) mittels Cholesky-Zerlegung berechnet werden. Sind alle Diagonaleinträge einer symmetrisch positiv semidefiniten Matrix Y gleich 1, sind die Spalten der zugehörigen Matrix X Einheitsvektoren im R n. Wir betrachten den SDP-Löser einfach als Black Box, der die gewünschte Lösung in Polynomialzeit berechnet 14 Henning Meyerhenke:
20 Zusammenhang zwischen Schnitt und Lösung des SDP Jeder Schnitt (S, S) ergibt direkt eine offensichtliche Einheits-l 2 2 -Repräsentation: Allen Knoten in S wird ein Einheitsvektor v 0 zugewiesen Allen Knoten in S wird der Vektor v 0 zugewiesen 15 Henning Meyerhenke:
21 Zusammenhang zwischen Schnitt und Lösung des SDP Jeder Schnitt (S, S) ergibt direkt eine offensichtliche Einheits-l 2 2 -Repräsentation: Allen Knoten in S wird ein Einheitsvektor v 0 zugewiesen Allen Knoten in S wird der Vektor v 0 zugewiesen Für diese Zuweisung sind die Werte von η(g) und η (G) gleich Wichtige Beobachtung Es gilt immer: η (G) η(g) Grund: Jede zulässige Lösung für SPARSESTCUT ist auch eine zulässige Lösung für das SDP (Auffüllen des Vektors mit lauter Nullen) Es gibt aber für das SDP noch mehr zulässige Lösungen mit potentiell niedrigeren Zielfunktionswerten 15 Henning Meyerhenke:
22 Partitionierung von l 2 2 Große Mengen finden Definition Seien v 1, v 2,..., v n R n und 0. Zwei Mengen von Vektoren S und T heißen -separiert, wenn für jedes x i S, x j T gilt: x i x j 2. Wir benötigen zwei -separierte Mengen S, T linearer Größe, also d l 2 2 (S, T ) = min x i x j 2 i S,j T Wollen: = Ω((log n) 1/2 ) 16 Henning Meyerhenke:
23 Partitionierung von l 2 2 Haupttheorem Theorem (Haupttheorem) Für jedes c > 0 gibt es c, b > 0 derart, dass jede Einheits-l 2 2 -Repräsentation mit i<j x i x j 2 4c(1 c)n 2 und n Punkten -separierte Teilmengen S, T der Größe c n enthält, wobei = b/ log n Es gibt einen randomisierten Polynomialzeit-Algorithmus, der diese Teilmengen S und T findet Bemerkung: Der obige Wert für ist scharf. Beispiel: Hypercube { 1, 1} d (nächste Übung) 17 Henning Meyerhenke:
24 Der ARV-Algorithmus Zur Erinnerung Um das Theorem zu beweisen, gibt man einen randomisierten Algorithmus mit zwei Phasen an, der die gewünschten Teilmengen S und T findet Phase 1: Wähle zufällig eine Hyperebene und teile X in zwei Punktmengen, die relativ weit (Θ(1/ log n)) von der Hyperebene entfernt liegen, jeweils auf unterschiedlichen Seiten Phase 2: Entferne wiederholt Paare von Punkten, die in den verschiedenen Hälften liegen und einander zu nah sind (näher als O ( 1 log n )) 18 Henning Meyerhenke:
25 Transformation SDP Schnitt Approximationsfaktor Sei W = ij E x i x j 2 der optimale Wert für das SDP. Wissen: W = η (G) η(g) Wieviel verlieren wir durch das Runden der Lösung? 19 Henning Meyerhenke:
26 Transformation SDP Schnitt Approximationsfaktor Sei W = ij E x i x j 2 der optimale Wert für das SDP. Wissen: W = η (G) η(g) Wieviel verlieren wir durch das Runden der Lösung? Lemma Es gibt einen randomisierten Polynomialzeit-Algorithmus, der mit hoher Wkt. einen Schnitt findet, der c -balanciert ist und Größe O(W log n) hat. Definition Ein Schnitt (S, S) ist c -balanciert, falls sowohl S als auch S mindestens c V Knoten haben. 19 Henning Meyerhenke:
27 Beweis Approximationsfaktor Beweis. Der Algorithmus zum Haupttheorem liefert -separierte Mengen S und T für = b/ log n Bezeichne V 0 die Knoten, deren Vektoren in S liegen Assoziiere mit jeder Kante e = {i, j} eine Länge w e = x i x j 2 Also: W = e E w e 20 Henning Meyerhenke:
28 Beweis Approximationsfaktor Beweis. Der Algorithmus zum Haupttheorem liefert -separierte Mengen S und T für = b/ log n Bezeichne V 0 die Knoten, deren Vektoren in S liegen Assoziiere mit jeder Kante e = {i, j} eine Länge w e = x i x j 2 Also: W = e E w e S und T sind mindestens voneinander entfernt (bzgl. dieser Distanz) Bezeichne V s die Knoten mit Maximalabstand s von S 20 Henning Meyerhenke:
29 Beweis Approximationsfaktor (Forts.) Beweis. Wir erstellen einen Schnitt wie folgt: Ziehe eine Zufallszahl r zwischen 0 und Gebe den Schnitt (V r, V V r ) aus Weil S V r und T V V r, ist dies ein c -balancierter Schnitt 21 Henning Meyerhenke:
30 Beweis Approximationsfaktor (Forts.) Beweis. Wir erstellen einen Schnitt wie folgt: Ziehe eine Zufallszahl r zwischen 0 und Gebe den Schnitt (V r, V V r ) aus Weil S V r und T V V r, ist dies ein c -balancierter Schnitt Bezeichne E s die Menge der Kanten, die aus V s herausführen Weil V 0 = S c n: E s = E s V s V s E s V s c n 21 Henning Meyerhenke:
31 Beweis Approximationsfaktor (Forts.) Beweis. Wir erstellen einen Schnitt wie folgt: Ziehe eine Zufallszahl r zwischen 0 und Gebe den Schnitt (V r, V V r ) aus Weil S V r und T V V r, ist dies ein c -balancierter Schnitt Bezeichne E s die Menge der Kanten, die aus V s herausführen Weil V 0 = S c n: E s = E s V s V s E s V s c n Wir wollen nun die Größe des Schnitts beschränken Beitrag jeder Kante e = {i, j} zu E s im Intervall (s 1, s 2 ) s 1 = d(i, V 0 ), s 2 = d(j, V 0 ) Aus Dreiecksungleichung folgt: s 2 s 1 w e 21 Henning Meyerhenke:
32 Beweis Approximationsfaktor (Forts.) Beweis. W = e w e s=0 E s ds Also: Der erwartete Wert von E s über dem Intervall [0, ] ist höchstens W / 22 Henning Meyerhenke:
33 Beweis Approximationsfaktor (Forts.) Beweis. W = e w e s=0 E s ds Also: Der erwartete Wert von E s über dem Intervall [0, ] ist höchstens W / Der Algorithmus berechnet daher einen Schnitt mit Größe höchstens 2W / mit Wkt. mindestens 1/2 2W / = O(W log n) 22 Henning Meyerhenke:
34 Beweis Approximationsfaktor (Forts.) Beweis. W = e w e s=0 E s ds Also: Der erwartete Wert von E s über dem Intervall [0, ] ist höchstens W / Der Algorithmus berechnet daher einen Schnitt mit Größe höchstens 2W / mit Wkt. mindestens 1/2 2W / = O(W log n) Schließlich: W = η (G) η(g) W log n η(g) log n 22 Henning Meyerhenke:
35 Zusammenfassung ARV Approximation von Graphzerlegungen SPARSESTCUT ist strukturell eng verwandt mit anderen besprochenen Problemstellungen Relaxierung hier mit SDP statt mit Eigenvektorproblem Viel komplexer in der Laufzeit, aber mit besserer Qualitätsschranke ARV-Algorithmus ist wichtiger Beitrag zur Approximation von Partitionierungsproblemen Aus Zeitgründen in der Vorlesung nicht vollständig Literaturhinweis Sanjeev Arora, Satish Rao, Umesh V. Vazirani: Expander flows, geometric embeddings and graph partitioning. J. ACM 56(2): (2009) 23 Henning Meyerhenke:
Kombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Wiederholung Bin-Packing:
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 16 Programm: Einführung
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 11, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 11, 18.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrOptimierung. Vorlesung 9
Optimierung Vorlesung 9 Heute Facility location problem 1. Komplemetärer Schlupf 2. Das Facility Location Problem 3. Problemstellung LP, Duales, Schlupf Eine Approximationsalgorithmus Analyse und Beweis
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Wiederholung TSP: Kurz:
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 9 Programm: Übungsblatt
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrEinführung in Berechenbarkeit, Komplexität und Formale Sprachen
Einführung in Berechenbarkeit, Komplexität und Formale Sprachen V17, 10.12.09 Willkommen zur Vorlesung Einführung in Berechenbarkeit, Komplexität und Formale Sprachen Friedhelm Meyer auf der Heide 1 Rückblick:
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 10, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 10, 11.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 17.01.013 Parametrisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
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
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am..03 Randomisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrTypischerweise sind randomisierte Algorithmen einfacher zu beschreiben und zu implementieren als deterministische Algorithmen.
Kapitel Randomisierte Algorithmen Einleitung Definition: Ein Algorithmus, der im Laufe seiner Ausführung gewisse Entscheidungen zufällig trifft, heisst randomisierter Algorithmus. Beispiel: Bei der randomisierten
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
Mehr1 Einführung in Lineare Programme und Dualität
Gliederung Inhaltsverzeichnis 1 Einführung in Lineare Programme und Dualität 1 1.1 Lineare Programme......................... 1 1.2 Dualität............................... 2 2 Grundlegende Sätze und Definitionen
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Map Labeling INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrGanzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
MehrSCHNITTERHALTUNG (SPEKTRALE APPROXIMATION)
Vorlesung 12 AUSDÜNNUNG VON GRAPHEN SCHNITTERHALTUNG (SPEKTRALE APPROXIMATION) 387 Wiederholung: Approximative Schnitterhaltung Ziel: Approximationsalgorithmus: A(S(G)) Ziele bei Eingabe eines dichten
MehrVorlesung 15 ABSCHLUSS UND ZUSAMMENFASSUNG
Vorlesung 15 ABSCHLUSS UND ZUSAMMENFASSUNG 431 Wiederholung! Größen im Zusammenhang mit Fluss:! Energie des Flusses! Duale Energie: Lagrange-Potential! Dualitätslücke! Zyklusaktualisierung in Form von
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrWiederholung. Divide & Conquer Strategie
Wiederholung Divide & Conquer Strategie Binäre Suche O(log n) Rekursives Suchen im linken oder rechten Teilintervall Insertion-Sort O(n 2 ) Rekursives Sortieren von a[1..n-1], a[n] Einfügen von a[n] in
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
Mehrverschiedenen Recheneinheiten, die miteinander kommunizieren können
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 293 Lastbalancierung Motivation Ein paralleles System besteht aus verschiedenen Recheneinheiten, die miteinander kommunizieren können Warum parallel
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
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
MehrPolynomial Time Approximation Schemes for Euclidean Traveling Salesman Problems. Benjamin Thome
Polynomial Time Approximation Schemes for Euclidean Traveling Salesman Problems Benjamin Thome Gliederung Einleitung Definitionen ETSP in R 2 Der Algorithmus in R 2 ETSP in R d Idee Algorithmus für f R
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 1)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 1) Nico Düvelmeyer WS 2009/2010, 26.1.2010 Überblick 1 Motivation Interpolation von Höhendaten 2 Triangulierungen von ebenen Punktmengen 3 Delaunay
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Übung am 16.12.2010 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrLiteratur für diese VO. Überblick. Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. : Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO
MehrKap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme
Kap. 5: Approximationsalgorithmen für kombinatorische Optimierungsprobleme Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18./20. VO A&D WS 08/09
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
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 / 22 1 Das Travelling Salesperson Problem
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrInformatik III - WS07/08
Informatik III - WS07/08 Kapitel 4 1 Informatik III - WS07/08 Prof. Dr. Dorothea Wagner dwagner@ira.uka.de Kapitel 4 : Komplexitätsklassen Informatik III - WS07/08 Kapitel 4 2 Sprachen, Probleme, Zeitkomplexität
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 45 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Distanzen zwischen allen Knotenpaaren (APD)! Viele Anwendungen:! Navis! Netzwerkrouting!...
MehrMinimalpolynome und Implikanten
Kapitel 3 Minimalpolynome und Implikanten Wir haben bisher gezeigt, daß jede Boolesche Funktion durch einfache Grundfunktionen dargestellt werden kann. Dabei können jedoch sehr lange Ausdrücke enstehen,
MehrSchnittebenenverfahren und Heuristiken
KAPITEL 6 Schnittebenenverfahren und Heuristiken Wir betrachten nun Optimierungsprobleme vom Typ (68) minc T x s.d. Ax b,x 0,x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n,b R m gegeben
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrAlgorithmen 2. Kapitel: Approximationsalgorithmen. Thomas Worsch. Fakultät für Informatik Karlsruher Institut für Technologie
Algorithmen 2 Algorithmen 2 Kapitel: Approximationsalgorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2017/2018 1 / 40 Einleitung Überblick Einleitung
MehrApproximation mit relativer Gütegarantie Überblick und einführende Beispiele
Approximation mit relativer Gütegarantie Überblick und einführende Beispiele Marvin Schiller 4. Oktober 2007. Einführung In diesem Essay geben wir einen Überblick über eine Auswahl von algorithmischen
MehrAlgorithmische Geometrie: Lineare Optimierung (I)
Algorithmische Geometrie: Lineare Optimierung (I) Nico Düvelmeyer WS 2009/2010, 17.11.2009 Überblick 1 Geometrie von Gießformen 2 Durchschnitte von Halbebenen 3 Inkrementeller Algorithmus Überblick 1 Geometrie
MehrEffizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr