Approximation in Batch and Multiprocessor Scheduling
|
|
- Ulrich Albert
- vor 8 Jahren
- Abrufe
Transkript
1 Approximation in Batch and Multiprocessor Scheduling Tim Nonner IBM Research Albert-Ludwigs-Universität Freiburg 3. Dezember 2010
2 Scheduling Zeit als Ressource und Beschränkung
3 Formaler Gegeben sind Jobs J = {1,2,...,n} Sei r j und C j die Release bzw. Completion time eines Jobs j Entweder hat jeder Job j eine Deadline d j......oder Ziel ist die Minimierung der Completion oder Flow Times bzw. C j j j F j
4 Formaler Gegeben sind Jobs J = {1,2,...,n} Sei r j und C j die Release bzw. Completion time eines Jobs j 0 r j C j Zeit Entweder hat jeder Job j eine Deadline d j......oder Ziel ist die Minimierung der Completion oder Flow Times bzw. C j j j F j
5 Formaler Gegeben sind Jobs J = {1,2,...,n} Sei r j und C j die Release bzw. Completion time eines Jobs j 0 r j C j d j Zeit Entweder hat jeder Job j eine Deadline d j......oder Ziel ist die Minimierung der Completion oder Flow Times bzw. C j j j F j
6 Formaler Gegeben sind Jobs J = {1,2,...,n} Sei r j und C j die Release bzw. Completion time eines Jobs j 0 r j F j C j Zeit Entweder hat jeder Job j eine Deadline d j......oder Ziel ist die Minimierung der Completion oder Flow Times bzw. C j j j F j
7 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten Ziel: Berechnung von jeweils optimalen Schedules...
8 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten Ziel: Berechnung von jeweils optimalen Schedules...
9 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten Ziel: Berechnung von jeweils optimalen Schedules...
10 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten r 1 r 2 d 1 d 2 Ziel: Berechnung von jeweils optimalen Schedules...
11 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten r 1 r 2 d 1 d 2 Ziel: Berechnung von jeweils optimalen Schedules...
12 Covering vs. Packing Gegeben sind zwei Jobs 1 and 2 mit Deadlines Covering Problem: Partitioniere Jobs in Batches r 1 r 2 d 1 d 2 Packing Problem: Jobs benötigen disjunkte Bearbeitungszeiten r 1 r 2 d 1 d 2 Ziel: Berechnung von jeweils optimalen Schedules...
13 Approximationsalgorithmen Trivialer Ansatz: Teste alle möglichen Schedules für gegebene n Jobs mindestens exponentielle Laufzeit in n Problem: Wahrscheinlich lassen sich in vielen Fällen optimale Lösungen nur in Exponentialzeit finden ( NP-hart ) aber wir betrachten polynomielle Laufzeit in n als effizient ( P ) Lösung: Ein α-approximationsalgorithmus ALG benötigt polynomielle Laufzeit und liefert... Besser: Falls für jedes α > 1 ein Approximationsalgorithmus existiert, dann nennt man das ein PTAS Ein on-line Algorithmus ist strikt α-competitiv falls er sich bzgl. der Lösungsgüte wie ein α-approximationsalgorithmus verhält
14 Approximationsalgorithmen Trivialer Ansatz: Teste alle möglichen Schedules für gegebene n Jobs mindestens exponentielle Laufzeit in n Problem: Wahrscheinlich lassen sich in vielen Fällen optimale Lösungen nur in Exponentialzeit finden ( NP-hart ) aber wir betrachten polynomielle Laufzeit in n als effizient ( P ) Lösung: Ein α-approximationsalgorithmus ALG benötigt polynomielle Laufzeit und liefert... Besser: Falls für jedes α > 1 ein Approximationsalgorithmus existiert, dann nennt man das ein PTAS Ein on-line Algorithmus ist strikt α-competitiv falls er sich bzgl. der Lösungsgüte wie ein α-approximationsalgorithmus verhält
15 Approximationsalgorithmen Trivialer Ansatz: Teste alle möglichen Schedules für gegebene n Jobs mindestens exponentielle Laufzeit in n Problem: Wahrscheinlich lassen sich in vielen Fällen optimale Lösungen nur in Exponentialzeit finden ( NP-hart ) aber wir betrachten polynomielle Laufzeit in n als effizient ( P ) Lösung: Ein α-approximationsalgorithmus ALG benötigt polynomielle Laufzeit und liefert... 0 OPT ALG α OPT Kosten Besser: Falls für jedes α > 1 ein Approximationsalgorithmus existiert, dann nennt man das ein PTAS Ein on-line Algorithmus ist strikt α-competitiv falls er sich bzgl. der Lösungsgüte wie ein α-approximationsalgorithmus verhält
16 Approximationsalgorithmen Trivialer Ansatz: Teste alle möglichen Schedules für gegebene n Jobs mindestens exponentielle Laufzeit in n Problem: Wahrscheinlich lassen sich in vielen Fällen optimale Lösungen nur in Exponentialzeit finden ( NP-hart ) aber wir betrachten polynomielle Laufzeit in n als effizient ( P ) Lösung: Ein α-approximationsalgorithmus ALG benötigt polynomielle Laufzeit und liefert... 0 OPT ALG α OPT Kosten Besser: Falls für jedes α > 1 ein Approximationsalgorithmus existiert, dann nennt man das ein PTAS Ein on-line Algorithmus ist strikt α-competitiv falls er sich bzgl. der Lösungsgüte wie ein α-approximationsalgorithmus verhält
17 Approximationsalgorithmen Trivialer Ansatz: Teste alle möglichen Schedules für gegebene n Jobs mindestens exponentielle Laufzeit in n Problem: Wahrscheinlich lassen sich in vielen Fällen optimale Lösungen nur in Exponentialzeit finden ( NP-hart ) aber wir betrachten polynomielle Laufzeit in n als effizient ( P ) Lösung: Ein α-approximationsalgorithmus ALG benötigt polynomielle Laufzeit und liefert... 0 OPT ALG α OPT Kosten Besser: Falls für jedes α > 1 ein Approximationsalgorithmus existiert, dann nennt man das ein PTAS Ein on-line Algorithmus ist strikt α-competitiv falls er sich bzgl. der Lösungsgüte wie ein α-approximationsalgorithmus verhält
18 Teil 1 Covering: Batch Scheduling
19 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
20 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
21 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
22 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
23 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum #Kanten = 3... üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
24 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum #Kanten = üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
25 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum #Kanten = üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
26 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum a b c... üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
27 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum a b max{a,b,c} c... üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
28 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum a b max{a,b,2 c} c... üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
29 Covering: Batch Scheduling Ziel: Minimiere die Anzahl der Batches... r 1 r 2 d 1 d 2 Verallgemeinerung: Anzahl Kanten in Baum a b max{a,b,2 c} c... üblicherweise mit gewichteten Kanten = MinSum-Zielfunktion... und alternativ auch mit MinMax-Zielfunktion
30 Covering: Batch Scheduling Ketten MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
31 Covering: Batch Scheduling Ketten MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
32 Covering: Batch Scheduling Ketten MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
33 Covering: Batch Scheduling Ketten MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
34 Covering: Batch Scheduling Ketten MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
35 Covering: Batch Scheduling Ketten... MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
36 Covering: Batch Scheduling Ketten... MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
37 Covering: Batch Scheduling Ketten...? MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
38 Covering: Batch Scheduling Ketten...? MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
39 Covering: Batch Scheduling Ketten... MinSum = Max-Batching = Gewicht eines Batches C ist maximales Gewicht aller enthaltenen Jobs Ergebnis: Max-Batching mit Kapazität 3 ist NP-hart, es gibt aber ein PTAS für alle konstanten Kapazitäten Ergebnis: Kette und MinMax ist NP-hart für Fälligkeitsintervalle mit konstanter Länge, es gibt aber ein PTAS falls die Längen der Fälligkeitsintervalle nur um einen konstanten Faktor variieren
40 Covering: Batch Scheduling Flache Bäume Ergebnis: MinSum und flache Bäume ist APX-hart, es gibt aber einen randomisierten 5/3-Approximationsalgorithmus 1. Löse zeitindiziertes LP 2. Runde mit Hilfe der Linienstruktur des Problems 3. Kombiniere zwei solche Algorithmen
41 Covering: Batch Scheduling Flache Bäume Ergebnis: MinSum und flache Bäume ist APX-hart, es gibt aber einen randomisierten 5/3-Approximationsalgorithmus 1. Löse zeitindiziertes LP 2. Runde mit Hilfe der Linienstruktur des Problems 3. Kombiniere zwei solche Algorithmen
42 Covering: Batch Scheduling Flache Bäume Ergebnis: MinSum und flache Bäume ist APX-hart, es gibt aber einen randomisierten 5/3-Approximationsalgorithmus 1. Löse zeitindiziertes LP 2. Runde mit Hilfe der Linienstruktur des Problems 3. Kombiniere zwei solche Algorithmen
43 Covering: Batch Scheduling Flache Bäume Ergebnis: MinSum und flache Bäume ist APX-hart, es gibt aber einen randomisierten 5/3-Approximationsalgorithmus 1. Löse zeitindiziertes LP 2. Runde mit Hilfe der Linienstruktur des Problems 3. Kombiniere zwei solche Algorithmen
44 Covering: Batch Scheduling Flache Bäume Ergebnis: MinSum und flache Bäume ist APX-hart, es gibt aber einen randomisierten 5/3-Approximationsalgorithmus 1. Löse zeitindiziertes LP 2. Runde mit Hilfe der Linienstruktur des Problems 3. Kombiniere zwei solche Algorithmen
45 Teil 2 Packing: Multiprozessor Scheduling
46 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... r 1 r 2 d 1 d 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
47 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 Prozessor 1 r 1 r 2 d 1 d 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
48 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 Prozessor 1 r 1 r 2 C 1 C 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
49 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 C 3 Prozessor 1 r 1 r 2 C 1 C 2 r 3...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
50 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 r 3C 3 Prozessor 1 r 1 r 2 C 1 C 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
51 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 r 3C 3 Prozessor 1 r 1 r 2 C 1 C 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
52 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 r 3C 3 Prozessor 1 r 1 r 2 C 1 C 2...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
53 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 Prozessor 1...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
54 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 Prozessor 1 r 4 r 5...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
55 Packing: Multiprozessor Scheduling Ziel: Minimiere Completion Times auf mehreren Prozessoren... Prozessor 2 Prozessor 1 r 4 r 5...mit Preemption und Migration SRPT: Verarbeite immer die Jobs mit der kleinsten verbleibenden Bearbeitungszeit
56 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
57 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
58 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3 C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 1 C 2 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
59 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 1 C 2 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
60 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 1 C 2 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
61 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 1 C 2 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
62 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 2 C 1 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein
63 Packing: Multiprozessor Scheduling Ergebnis: SRPT ist on-line 1.86-Approximationsalgorithmus (strikt 1.86-competitiv) 1. Verallgemeinere Methode des paarweisen Vertauschens r 3C 3 Prozessor 2 Prozessor 1 r 1 r 2 C 2 C 1 2. Füge dazu zuerst randomisiert zusätzliche leere Zeitfenster ein OPT SRPT Kosten
64 Packing: Multiprozessor Scheduling Ziel: Schedule all Jobs... r 3 d 3... auf speed-scaled Prozessoren r 1 r 2 d 1 d 2 Ein Prozessor mit Geschwindigkeit s verbraucht s α Energie pro Zeiteinheit für ein α > 1 (meist α = 3) z.b. Zielfunktion Energieverbrauch oder j F j+ Energieverbrauch
65 Packing: Multiprozessor Scheduling Ziel: Schedule all Jobs... r 3 d 3 s... auf speed-scaled Prozessoren r 1 r 2 d 1 d 2 Ein Prozessor mit Geschwindigkeit s verbraucht s α Energie pro Zeiteinheit für ein α > 1 (meist α = 3) z.b. Zielfunktion Energieverbrauch oder j F j+ Energieverbrauch
66 Packing: Multiprozessor Scheduling Ziel: Schedule all Jobs... r 3 d 3 s... auf speed-scaled Prozessoren r 1 r 2 d 1 d 2 Ein Prozessor mit Geschwindigkeit s verbraucht s α Energie pro Zeiteinheit für ein α > 1 (meist α = 3) z.b. Zielfunktion Energieverbrauch oder j F j+ Energieverbrauch
67 Packing: Multiprozessor Scheduling Ziel: Schedule all Jobs... r 3 d 3 s... auf speed-scaled Prozessoren r 1 r 2 d 1 d 2 Ein Prozessor mit Geschwindigkeit s verbraucht s α Energie pro Zeiteinheit für ein α > 1 (meist α = 3) z.b. Zielfunktion Energieverbrauch oder j F j+ Energieverbrauch
68 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
69 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
70 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
71 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Proz. 1 Proz. 2 Proz. 3 Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
72 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Proz. 1 Proz. 2 Proz. 3 Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
73 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Proz. 1 Proz. 2 Proz. 3 Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
74 Packing: Multiprozessor Scheduling Ergebnis: β-approximationsalgorithmus für einen Prozessor randomisierten β B α -Approximationsalgorithmus für mehrere Prozessoren mit oder ohne Migration 1. Verteile die Jobs zufällig auf die Prozessoren 2. Wende gegebenen Algorithmus auf jeden Prozessor an Proz. 1 Proz. 2 Proz. 3 Ergebnis: β-approximationsalgorithmus für mehrere Prozessoren mit Migration β B α -Approximationsalgorithmus für mehrere Prozessoren ohne Migration
75 Vielen Dank für Ihre Aufmerksamkeit!
Approximationsalgorithmen
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
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
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,
MehrDas Lastverteilungsproblem
Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrStackelberg Scheduling Strategien
Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
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
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 16 4. Groß-O R. Steuding (HS-RM)
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrWindows XP Jugendschutz einrichten. Monika Pross Molberger PC-Kurse
Windows XP Jugendschutz einrichten Monika Pross Molberger PC-Kurse Um ein Benutzerkonto mit Jugendschutzeinstellungen zu verwenden, braucht man ein Eltern- Konto (Administrator) und eine Kinderkonto (Standard).
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrBEDIENUNG ABADISCOVER
BEDIENUNG ABADISCOVER Juni 2005 / EMO v.2005.1 Diese Unterlagen sind urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung, des Nachdrucks und der Vervielfältigung der Unterlagen, oder Teilen
MehrKompetitive Analysen von Online-Algorithmen
Kompetitive Analysen von Online-Algorithmen jonas echterhoff 16. Juli 004 1 Einführung 1.1 Terminologie Online-Algorithmen sind Algorithmen, die Probleme lösen sollen, bei denen Entscheidungen getroffen
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrWir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:
1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.
MehrEchtzeitscheduling (1)
Echtzeitscheduling (1) Scheduling in Betriebssystemen Ressourcenausteilung (CPU, Speicher, Kommunikation) Faire Ressourcenvergabe, insbesondere CPU Hohe Interaktivität / kurze Reaktionszeit für interaktive
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrSenioren helfen Junioren
Was lernen Sie hier? Sie überprüfen Ihr Wort- und Textverständnis. Was machen Sie? Sie finden Synonyme, beurteilen und formulieren Aussagen. Senioren helfen Junioren Lektion 9 in Themen aktuell 2, nach
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrVorkurs Informatik WiSe 15/16
Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 16.10.2015 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Suchen Binärsuche Binäre Suchbäume 16.10.2015 Dr. Werner
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
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
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrAufgabe 12 Nach dem Eintippen der Kantenlänge soll die folgende Tabelle den Rauminhalt und die Oberfläche eines Würfels automatisch berechnen.
Aufgabe 11 Excel hat für alles eine Lösung. So kann das Programm automatisch den größten oder den kleinsten Wert einer Tabelle bestimmen. Wenn man die richtige Funktion kennt, ist das überhaupt kein Problem.
MehrApproximationsalgorithmen
Effiziente Algorithmen Lösen NP-vollständiger Probleme 320 Approximationsalgorithmen In polynomieller Zeit lässen sich nicht exakte Lösungen von NP-harten Problemen berechnen. Approximationsalgorithmen
MehrSollsaldo und Habensaldo
ollsaldo und abensaldo Man hört oft die Aussage "Ein ollsaldo steht im aben, und ein abensaldo steht im oll". Da fragt man sich aber, warum der ollsaldo dann ollsaldo heißt und nicht abensaldo, und warum
Mehr5. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12)
Technische Universität München Zentrum Mathematik PD Dr. hristian Karpfinger http://www.ma.tum.de/mathematik/g8vorkurs 5. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12) Aufgabe 5.1: In einer Implementierung
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
Mehr(b) Worin besteht der Unterschied zwischen online und offline Scheduling?
Universität Paderborn Fachgebiet Rechnernetze SoSe 2013 Konzepte und Methoden der Systemsoftware Präsenzübung 3 2013-05-06 bis 2013-05-10 Aufgabe 1: Scheduling - Grundbegriffe Bekanntlich gibt es für das
MehrWarum kann ein Flugzeug fliegen?
4. Dezember 2003 Warum kann ein Flugzeug fliegen? Wer oder was kann fliegen? Warum können Hexen und Harry Potter fliegen? Joanne K. Rowling / Carlsen Verlag GmbH Weil sie zaubern können! Wer oder was kann
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
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
MehrGezielt über Folien hinweg springen
Gezielt über Folien hinweg springen Nehmen wir an, Sie haben eine relativ große Präsentation. Manchmal möchten Sie über Folien hinweg zu anderen Folien springen. Das kann vorkommen, weil Sie den gesamten
MehrAlgorithmen und Datenstrukturen. Große Übung vom 29.10.09 Nils Schweer
Algorithmen und Datenstrukturen Große Übung vom 29.10.09 Nils Schweer Diese Folien Braucht man nicht abzuschreiben Stehen im Netz unter www.ibr.cs.tu-bs.de/courses/ws0910/aud/index.html Kleine Übungen
MehrInhaltsverzeichnis. 1. Empfängerübersicht / Empfänger hinzufügen 2. Erstellen eines neuen Newsletters / Mailings 3. Versand eines Newsletters
Erste Schritte Wir heißen Sie herzlich willkommen im Newslettersystem der Euroweb Internet GmbH. Hier erfahren Sie die grundlegendsten Informationen, die Sie zur Erstellung und zum Versand eines Newsletters
Mehr= i (V) = d 2. v = d! p! n da v 1 = v 2 gilt auch d 1 ÿ p ÿ n 1 = d 2 ÿ p ÿ n 2 (III) p kürzen (Division durch p) d 1 ÿ n 1 = d 2 ÿ n 2 (IV) oder
v = d! p! n da v 1 = v 2 (I) (II) gilt auch d 1 ÿ p ÿ n 1 = d 2 ÿ p ÿ n 2 (III) p kürzen (Division durch p) d 1 ÿ n 1 = d 2 ÿ n 2 (IV) oder i = Übersetzungsverhältnis n 1 n 2 = d 2 d 1 = i (V) Beispiel
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrMathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens
Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrEINMALEINS BEZIEHUNGSREICH
EINMALEINS BEZIEHUNGSREICH Thema: Übung des kleinen Einmaleins; operative Beziehungen erkunden Stufe: ab 2. Schuljahr Dauer: 2 bis 3 Lektionen Materialien: Kleine Einmaleinstafeln (ohne Farben), Punktefelder
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrMusterlösung Übung 2
Musterlösung Übung 2 http://www.hoadley.net/options/ http://www.eeh.ee.ethz.ch/en/power/power-systems-laboratory/services 1. Optionsbewertung nach Black / Scholes a) Bewerten Sie eine Call-Option mit den
MehrTipps zur Nutzung der ViT 1 Lernen ViT Üben HAU ViT ViT ViT ViT ViT Testen ViT VORSC Bewerten RAGTIME ViT zur Vollversion ViT
Fit mit Tipps zur Nutzung der s Auf den folgenden Seiten finden Sie 50 Tests mit ähnlichem Inhalt. Damit können Sie z.b. Parallelklassen, Nachzügler, Gruppen oder alle Schüler einer Klasse bei Klassenarbeiten
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrLandes-Arbeits-Gemeinschaft Gemeinsam Leben Gemeinsam Lernen Rheinland-Pfalz e.v.
Landes-Arbeits-Gemeinschaft Gemeinsam Leben Gemeinsam Lernen Rheinland-Pfalz e.v. Wer sind wir? Wir sind ein Verein. Wir setzen uns für Menschen mit Behinderung ein. Menschen mit Behinderung sollen überall
MehrProzentrechnung. Wir können nun eine Formel für die Berechnung des Prozentwertes aufstellen:
Prozentrechnung Wir beginnen mit einem Beisiel: Nehmen wir mal an, ein Handy kostet 200 und es gibt 5% Rabatt (Preisnachlass), wie groß ist dann der Rabatt in Euro und wie viel kostet dann das Handy? Wenn
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
MehrKonzentration auf das. Wesentliche.
Konzentration auf das Wesentliche. Machen Sie Ihre Kanzleiarbeit effizienter. 2 Sehr geehrte Leserin, sehr geehrter Leser, die Grundlagen Ihres Erfolges als Rechtsanwalt sind Ihre Expertise und Ihre Mandantenorientierung.
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrEinführung in Scheduling
Einführung in Scheduling Dr. Julien Bidot Sommersemester 28 Institut für Künstliche Intelligenz Inhalt I. Definition und Formulierung des Scheduling- Problems II. Projektplanung III. Produktionsplanung
MehrImpulse Inklusion 2015. Selbst-bestimmtes Wohnen und Nachbarschaft
Impulse Inklusion 2015 Selbst-bestimmtes Wohnen und Nachbarschaft Impulse sind Ideen und Vorschläge. Inklusion bedeutet: Alle Menschen können selbst-bestimmt und gleich-berechtigt am Leben teilnehmen.
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrMarketing-Leitfaden zum. Evoko Room Manager. Touch. Schedule. Meet.
Marketing-Leitfaden zum Evoko Room Manager. Touch. Schedule. Meet. Vorher Viele kennen die Frustration, die man bei dem Versuch eine Konferenz zu buchen, erleben kann. Unterbrechung. Plötzlich klopft
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
MehrBewertung des Blattes
Bewertung des Blattes Es besteht immer die Schwierigkeit, sein Blatt richtig einzuschätzen. Im folgenden werden einige Anhaltspunkte gegeben. Man unterscheidet: Figurenpunkte Verteilungspunkte Längenpunkte
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrHIER GEHT ES UM IHR GUTES GELD ZINSRECHNUNG IM UNTERNEHMEN
HIER GEHT ES UM IHR GUTES GELD ZINSRECHNUNG IM UNTERNEHMEN Zinsen haben im täglichen Geschäftsleben große Bedeutung und somit auch die eigentliche Zinsrechnung, z.b: - Wenn Sie Ihre Rechnungen zu spät
Mehr11. Rent-Seeking 117
117 Definitionen Gewinnstreben: Vorhandene Ressourcen werden so eingesetzt, dass Einkommen entsteht und die Differenz aus Einkommen und Kosten maximal wird. Rent-Seeking: Vorhandene Ressourcen werden eingesetzt,
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrDer Approximationsalgorithmus von Christofides
Der Approximationsalgorithms on Christofides Problem: Traeling Salesman Inpt: Ein Graph G = (V, E) mit einer Distanzfnktion d : E Q 0. Afgabe: Finde eine Tor, die alle Knoten des Graphen G gena einmal
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrBinäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen
Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrInformatik II Greedy-Algorithmen
7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:
MehrKapitel 7 und Kapitel 8: Gleichgewichte in gemischten Strategien. Einleitung. Übersicht Teil 2 2. Übersicht 3
Übersicht Teil 2 Kaitel 7 und Kaitel 8: Gleichgewichte in gemischten Strategien Übersicht Teil 2 2 Übersicht Einleitung Was ist eine gemischte Strategie? Nutzen aus gemischten Strategien Reaktionsfunktionen
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrEinrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me
Einrichten einer Festplatte mit FDISK unter Windows 95/98/98SE/Me Bevor Sie die Platte zum ersten Mal benutzen können, muss sie noch partitioniert und formatiert werden! Vorher zeigt sich die Festplatte
Mehr11. Das RSA Verfahren und andere Verfahren
Chr.Nelius: Kryptographie (SS 2011) 31 11. Das RSA Verfahren und andere Verfahren Eine konkrete Realisierung eines Public Key Kryptosystems ist das sog. RSA Verfahren, das im Jahre 1978 von den drei Wissenschaftlern
MehrDigitale Magazine ohne eigenen Speicher
Stefan Lucks Digitale Magazine ohne eigenen Speicher 1 Digitale Magazine ohne eigenen Speicher Wie man die Integrität fremdgespeicherter Archivalien sicherstellen kann Stefan Lucks Professur für Mediensicherheit
MehrSuchmaschinenoptimierung (SEO) für Ärzte Fallbeispiel Google
Suchmaschinenoptimierung (SEO) für Ärzte Fallbeispiel Google Inhalt: 1. Einleitung 2. Lokale Branchenergebnisse + Beispiel 3. Organische Suchergebnisse + Beispiel 4. Suchvolumen / Potential 5. Praktischer
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrDatensicherung und Wiederherstellung
Dokumentation Datensicherung und Wiederherstellung Versionsverzeichnis Version: Datum: Revisionsgrund: Version 1.0 Januar 2011 Erste Ausgabe www.babe-informatik.ch 1/7 Datensicherung von Voraussetzung
MehrAnlegen eines SendAs/RecieveAs Benutzer unter Exchange 2003, 2007 und 2010
1 von 6 Anlegen eines SendAs/RecieveAs Benutzer unter Exchange 2003, 2007 und 2010 ci solution GmbH 2010 Whitepaper Draft Anleitung Deutsch Verfasser: ci solution GmbH 2010 Manfred Büttner 16. September
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
MehrEX K L U S I V E TE P P I C H E N A C H M A ß
SEITE 1 VORWORT Carpet Making bv ist ein Unternehmen, das auf die Teppichindustrie ausgerichtet ist und sich auf die Bearbeitung der gesamten Teppichboden-Kollektion zu Teppichen nach Maß und Musterware
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
Mehr10. Vorlesung Spieltheorie in der Nachrichtentechnik
10. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Kooperative Spiele - Stabile Paarungen Wir studieren Märkte mit zweiseitigen
MehrGeld Verdienen im Internet leicht gemacht
Geld Verdienen im Internet leicht gemacht Hallo, Sie haben sich dieses E-book wahrscheinlich herunter geladen, weil Sie gerne lernen würden wie sie im Internet Geld verdienen können, oder? Denn genau das
MehrGesucht und Gefunden: Die Funktionsweise einer Suchmaschine
Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Prof. Dr. Peter Becker FH Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@fh-bonn-rhein-sieg.de Vortrag im Rahmen des Studieninformationstags
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrKombinatorik Platzierungsproblem 3 Berechnungsarten
Kombinatorik Platzierungsproblem 3 Berechnungsarten 10 Weinflaschen, davon Rotweinflaschen, werden rechteckförmig zufällig angeordnet 7 7 Wie groß ist die Wahrscheinlichkeit, dass die Rotweinflaschen die
Mehr