Bipartite Graphen. Beispiele
|
|
- Klaus Schmitz
- vor 6 Jahren
- Abrufe
Transkript
1 Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten aus T verbindet. Beispiele graphen3.pdf, Seite 1
2 Eigenschaften Ein Graph ist genau dann bipartit, wenn es keinen aus einer ungeraden Anzahl von Kanten bestehenden geschlossenen Weg gibt. Bei einem zusammenhängenden bipartiten Graphen ist die Zerlegung V = S T eindeutig bestimmt. Ist G = (V, E) bipartit mit V = S T, so gilt: Bei einem aus einer geraden Anzahl von Kanten bestehenden Weg gehören Start- und Endpunkt zur selben Menge S oder T, bei einem aus einer ungeraden Anzahl von Kanten bestehenden Weg gehören Start- und Endpunkt zu verschiedenen Mengen. graphen3.pdf, Seite 2
3 Konstuktion einer Zerlegung V = S T durch Markierung der Knoten eines zusammenhängenden (ungerichteten) Graphen: 1. Markiere einen (beliebigen) Startknoten mit s. 2. Markiere alle Nachbarknoten des Startknotens mit t. 3. Markiere alle noch unmarkierten Knoten, die einen mit t markierten Nachbarknoten haben, mit s, sowie alle noch unmarkierten Knoten, die einen mit s markierten Nachbarknoten haben, mit t. 4. Wiederhole Schritt 3 so lange, bis entweder alle Knoten markiert sind oder zwei benachbarte Knoten die gleiche Markierung haben. In diesem Fall ist der Graph nicht bipartit und der Algorithmus kann abgebrochen werden. graphen3.pdf, Seite 3
4 Matchings Sei G = (V, E) bipartit mit V = S T. Ein Matching (oder Paarung) ist eine Teilmange E 0 E der Kantenmenge, so dass jeder Knoten mit maximal einer Kante aus E 0 inzident ist. Ein Matching heiÿt maximal, wenn es kein anderes Matching gibt, das mehr Kanten enthält. Eine vollständige Paarung ist ein Matching E 0, so dass jeder Knoten mit einer Kante aus E 0 inzident ist. Matchings E0 graphen3.pdf, Seite 4
5 Eigenschaften und Bemerkungen Jeder bipartite Graph hat ein maximales Matching. Dieses ist i. a. nicht eindeutig. Nicht jeder bipartite Graph hat eine vollständige Paarung. Jede vollständige Paarung ist ein maximales Matching. Eine vollständige Paarung E 0 deniert eine bijektive Abbildung (1:1Zuordnung) S T, wenn man jedem Element s S das (eindeutige) Element von T zuordnet, das mit s durch eine Kante aus E 0 verbunden ist. Insbesondere ist eine vollständige Paarung nur möglich, wenn S und T gleich viele Elemente haben. Aber auch in diesem Fall ist die Existenz einer vollständigen Paarung nicht garantiert. graphen3.pdf, Seite 5
6 Konstruktion maximaler Matchings über augmentierende Wege (ungarischer Algorithmus, Algorithmus von Hopcroft und Karp) Augmentierender Weg Gegeben sei ein bipartiter Graph G = (V, E) mit V = S T und ein (beliebiges) Matching E 0. Ein augmentierender Weg (erweiternder Weg; Verbesserungsweg) ist ein Weg in G mit folgenden Eigenschaften: Start- und Endknoten sind ungepaarte Knoten, d. h. sie sind mit keiner Kante aus E 0 inzident, Die Kanten des des Weges gehören abwechselnd zu E \ E 0 und zu E 0 (der Weg ist alternierend). graphen3.pdf, Seite 6
7 Beispiel Ein augmentierender Weg führt zur Verbesserung eines gegebenen Matchings E 0, indem die zu E 0 gehörenden Kanten des Weges aus dem Matching entfernt und die nicht zu E 0 stattdessen hinzugefügt werden (Umschalten des Weges). Das neue Matching enthält eine Kante mehr als das alte, da die erste und letzte Kante des augmentierenden Weges nicht zu E 0 gehören. graphen3.pdf, Seite 7
8 Bemerkung Jeder augmentierende Weg besteht aus einer ungeraden Anzahl von Kanten, da er alterniernend ist und die erste und die letzte Kante nicht zum Matching gehören. Damit liegt entweder der Startpunkt in S und der Endpunkt in T oder umgekehrt. Es genügt dabei, augmentierende Wege zu betrachten, die in einem ungepaarten Knoten aus S beginnen und in einem ungepaarten Knoten aus T enden. graphen3.pdf, Seite 8
9 Der Ungarische Algorithmus beruht auf dem Satz: Ein Matching E 0 ist genau dann maximal, wenn es keinen augmentierenden Weg gibt. Damit 1. Starte mit einem bekannten Matching E 0 (z. B. E 0 = ). 2. Suche einen augmentierenden Weg. Gibt es einen augmentierenden Weg, so ersetzte das aktuelle Matching En durch ein neues besseres Matching En+1 durch Umschalten entlang des Weges. Formal: Ist A die Menge der zum augmentierenden Weg gehörenden Kanten, so setze En+1 = En A = (En \ A) (A \ En). Gibt es keinen augmentierenden Weg, so ist das aktuelle Matching En maximal. 3. Wiederhole Schritt 2, so lange es augmentierende Wege gibt. graphen3.pdf, Seite 9
10 Finden eines augmentierenden Weges durch Markierung der Knoten oder (äquivalent) Betrachten eines gerichteten Graphen: Die zum aktuellen Matching E n gehörenden Kanten bekommen die Richtung von T nach S (von rechts nach links), die übrigen von S nach T (von links nach rechts). Ein augmentierender Weg ist dann ein gerichteter Weg, dessen Startpunkt (in S) und Endpunkt (in T ) in E n ungepaarte Knoten sind. Dieser kann z. B. durch eine Breitensuche gefunden werden. graphen3.pdf, Seite 10
11 Bemerkungen Ist n die Zahl der Knoten und m die Zahl der Kanten, so hat der ungarische Algorithmus die Komplexität O(n m) = O(n 3 ). Beim Algorithmus von Hopcroft und Karp werden simultan mehrere augmentierende Wege betrachtet. Dies führt zu einer Verbesserung der Komplexität auf O( n m) = O(n 5 2 ). Der ungarische Algorithmuis berechnet simultan zum maximalen Matching eine minimale Knotenüberdeckung (duales Problem). Man kann Paarungen auch in nicht bipartiten Graphen betrachen. Auch hier kann eine maximale Paarung über augmentierende alternierende Wege gefunden werden. graphen3.pdf, Seite 11
12 Beispiel Gesucht ist ein maximales Matching im bipartiten Graphen G = (S T, E) mit S = {1, 2, 3, 4}, T = {a, b, c, d} und E = {1a, 1c, 2a, 2b, 2d, 3a, 3c, 3d, 4c}. Als Startpunkt für den ungarischen Algorithmus kann das triviale Matching E 0 = genommen werden. Dann bildet jede Kante aus V einen augmentierenden Weg der Länge 1, d. h. es gibt die augmentierenden Wege 1a, 1c, 2a, 2b, 2d, 3a, 3c, 3d und 4c. graphen3.pdf, Seite 12
13 Beispiel: Übergang E0 E1 von links: Graph mit Matching E 0 =, zugehöriger gerichteter Graph mit möglichen Anfangs- und Endpunkten augmentierender Wege, ausgewählter augmentierender Weg 2a, Matching E 1 = {2a} nach Umschalten. graphen3.pdf, Seite 13
14 Beispiel: Übergang E1 E2 Zu E 1 gibt es noch augmentierende Wege der Länge 1, d. h. es können Kanten hinzugefügt werden, ohne andere aus dem Matching herauszunehmen: 1c, 3c und 4c. Mit Auswahl von 3c erhält man E 2 = {2a, 3c}. graphen3.pdf, Seite 14
15 Beispiel: Übergang E2 E3 Jetzt lässt sich keine Kante mehr direkt hinzufügen, augmentierende Wege haben mindestens die Länge 3. Es gibt folgende Möglichkeiten: 1a2b, 1a2d, 1c3a2b, 1c3a2d, 4c3a2b (ausgewählt) und 4c3a2d. Umschalten liefert ein neues Matching E 3 = E 2 {4c, 3a, 2b} \ {2a, 3c} = {4c, 3a, 2b}. graphen3.pdf, Seite 15
16 Ende des Algorithmus Jetzt gibt es keine augmentierenden Wege mehr. Jeder Versuch, einen solchen (der im Knoten 1 beginnen muss) zu bilden, endet in der Sackgasse 4: 1a3c4, 1c4. Somit ist das Matching E 3 maximal. Insbesondere gibt es keine vollständige Paarung. Bemerkung: Das maximale Matching ist nicht eindeutig, sondern das Ergebnis hängt von der Auswahl der augmentierenden Wege in den einzelnen Teilschritten ab. graphen3.pdf, Seite 16
17 Netzwerke Ein Netzwerk ist ein zusammenhängender, gerichteter und gewichteter Graph G = (V, E) mit Gewichten g(i, j) > 0 mit zwei speziellen Knoten: Quelle q V und Senke s V. graphen3.pdf, Seite 17
18 Anwendungen Datennetze Leitungsnetze (Wasser, Gas,...) Verkehrsplanung Die Gewichte werden dabei als (Transport-)Kapazitäten interpretiert. Ziel ist, möglichst viel von der Quelle zur Senke zu transportieren. Der Transport wird durch zulässige Flüsse beschrieben. graphen3.pdf, Seite 18
19 Flüsse in einem Netzwerk Ein zulässiger Fluss ist eine Abbildung f : E R mit 0 f (i, j) g(i, j) für jede Kante (i, j) E (die durch die Kante transportierte Menge übersteigt nicht deren Kapazität), Für jeden Knoten j mit j q und j s ist i f (i, j) = k f (j, k), d. h. die Summe der Flüsse über alle in den Knoten j hineinzeigenden Kanten ist gleich der Summe über die aus j herauszeigenden Kanten (Kirchhosches Gesetz, die Gesamtmenge des in den Knoten hinein transportierten Flusses ist gleich der Gesamtmenge des aus dem Knoten heraus transportierten Flusses). graphen3.pdf, Seite 19
20 Gesamtuss Der Gesamtuss oder Wert des Flusses ist gegeben durch f (q, j) = f (i, s) j i (Gesamtmenge, die von q nach s transportiert wird). Ein Fluss ist maximal, wenn sein Gesamtuss so groÿ wie möglich ist. graphen3.pdf, Seite 20
21 Beispiel: Fluss mit Wert 4 Die blauen Zahlen geben den Fluss der jeweiligen Kanten an. Der Gesamtuss F ist die Summe aller Flüsse, die aus der Quelle herauskommen bzw. in die Senke hineinlaufen: F = f (q, a) + f (q, b) = = 4 = = f (c, s) + f (d, s). graphen3.pdf, Seite 21
22 Konstruktion von maximalen Flüssen Naiver Ansatz, Teil 1: Finde einen (gerichteten) Weg von q nach s und ordne allen Kanten entlang des Weges den gleichen Fluss zu, der sich nach der Kante mit der geringsten Kapazität richtet. Die übrigen Kanten des Netzwerks bekommen Fluss 0. graphen3.pdf, Seite 22
23 Konstruktion von maximalen Flüssen Naiver Ansatz, Teil 2: Suche einen weiteren Weg von q nach s über noch nicht benutzte Kanten (i, j) mit Fluss f (i, j) = 0 und transportiere gröÿtmögliche Menge über diesen Weg. graphen3.pdf, Seite 23
24 Konstruktion von maximalen Flüssen Naiver Ansatz, Teil 3: Gibt es keine unbenutzten Wege mehr, so suche einen Weg von q nach s über noch nicht voll ausgelastete Kanten (i, j) mit f (i, j) < g(i, j). Vergröÿere den Fluss entlang des Weges so weit wie möglich. graphen3.pdf, Seite 24
25 Ende des naiven Ansatzes Jetzt führt jeder Weg von q nach s über mindestens eine voll ausgelastete Kante. Bedeutet dies, dass keine Verbesserung mehr möglich und der Fluss maximal ist? graphen3.pdf, Seite 25
26 Nein! Weitere Verbesserung über augmentierende Wege möglich! graphen3.pdf, Seite 26
27 Ein augmentierender Weg ist ein Pfad von q nach s, bei dem Kanten auch in der falschen Richtung benutzt werden dürfen, wobei: Ist (i, j) eine Kante des augmentierenden Weges, die in der richtigen Richtung benutzt wird, so gilt f (i, j) < g(i, j). Ist (j, i) eine in der falschen Richtung durchlaufene Kante mit (i, j) E, so gilt f (i, j) > 0. graphen3.pdf, Seite 27
28 Auswerten des augmentierenden Weges Wähle k > 0 so groÿ wie möglich, so dass f (i, j) + k g(i, j) für alle Vorwärtskanten des Weges. f (i, j) k für alle Rückwärtskanten (j, i) des Weges. Dann entsteht ein neuer besserer zulässiger Fluss, indem der Fluss der Vorwärtskanten um k erhöht und der der Rückwärtskanten um k erniedrigt wird (im Beispiel ist k = 1). graphen3.pdf, Seite 28
29 Bemerkung Die im naiven Ansatz betrachteten Wege sind Spezialfälle von augmentierenden Wegen, nämlich solche ohne Rückwärtskanten. Algorithmus von Ford-Fulkerson zur Bestimmung eines maximalen Flusses: 1. Starte mit bekanntem zulässigen Fluss (z. B. f (i, j) = 0 für alle Kanten) 2. Suche augemtierenden Weg. Existiert ein solcher, ändere den Fluss entsprechend. Existiert kein augmentierender Weg, so ist der aktuelle Fluss maximal. 3. Wiederhole Schritt 2, solange augmentierende Wege existieren. graphen3.pdf, Seite 29
30 Aunden eines augmentierenden Weges durch Markierung der Knoten oder durch Betrachten eines gerichteten Graphen G = (V, Ẽ) mit (i, j) Ẽ, falls (i, j) E und f (i, j) < g(i, j), (j, i) Ẽ, falls (i, j) E und f (i, j) > 0, d. h. Kanten mit Fluss 0 behalten in G ihre Richtung, voll ausgelastete Kanten mit f (i, j) = g(i, j) kehren die Richtung um und teilweise ausgelastete Kanten sind in G in beiden Richtungen vorhanden. Ein augmentiender Weg in G entspricht dann einem gerichteten Pfad (d. h. einem Weg, der keine Knoten mehrfach durchläuft) von q nach s in G. Ein solcher kann z. B. durch Tiefen- oder Breitensuche gefunden werden. graphen3.pdf, Seite 30
31 Gerichteter Graph im Beispiel Hier gibt es keinen Weg von q nach s, jeder in q beginnende Pfad in G führt zwagsläug über a, d und b nach q zurück. Somit gibt keine weiteren augmentierenden Wege im Netzwerk und der gefundene Fluss ist maximal. graphen3.pdf, Seite 31
32 Bemerkungen Man kann Beispiele konstruieren, bei denen der Algorithmus von FordFulkerson nicht nach endlich vielen Schritten einen maximalen Fluss erreicht. Sind die Kapazitäten g(i, j) ganzzahlig, so hat der Algorithmus die Komplexität O(m w), wobei m die Zahl der Kanten und w der Wert des maximalen Flusses ist. Eine Variante ist der Algorithmus von Edmonds und Karp, bei dem immer der kürzeste augmentierende Weg gesucht wird. Dieser Algorithmus hat in jedem Fall eine polynomiale Komplexität. Der maximale Wert eines Flusses ist gleich der minimalen Kapazität eines Schnittes (Dualitätssatz von FordFulkerson). graphen3.pdf, Seite 32
33 Im Beispiel: Kapazität eines Schnitts Über die rote Linie können maximal 8 Einheiten transportiert werden, d. h. der Schnitt hat Kapazität 8. graphen3.pdf, Seite 33
34 Schnitt mit minimaler Kapazität 6 Ein Schnitt durch die Kanten ac, bc und ds hat die Kapazität 6, die dem Wert des aktuellen Flusses entspricht. Folglich ist der gefundene Fluss mit Wert 6 maximal. Alle Kanten, die diesen Schnitt kreuzen, sind voll ausgelastet. graphen3.pdf, Seite 34
35 Allgemeinere Netzwerke Hat ein Netzwerk mehrere Senken s 1,.., s n, so fügt man einen Noten Knoten s sowie Kanten von s i nach s für alle i mit jeweiliger Kapazität unendlich hinzu. Ein maximaler Fluss im erweiterten Netzwerk mit Quelle q und der einzigen Senke s entspricht dann einem maximalen Fluss im ursprünglichen Netzwerk mit mehreren Senken. Analog geht man bei einem Netzwerk mit mehreren Quellen q 1,..., q n vor: Man denietrt eine neue Quelle q und Kanten von q nach q i für alle i. graphen3.pdf, Seite 35
36 Netzwerk mit mehreren Quellen und Senken graphen3.pdf, Seite 36
37 Bemerkung Je nach Anwendung können die neuen Kanten endliche Kapazitäten zugewiesen bekommen. Die Kapazität der Kante q q j kann die maximale Menge beschreiben, die von der Quelle q j in das Netz eingespeist werden kann. Die Kapazität der Kante s i s kann die maximale bzw. gewünschte Menge angeben, die an der Senke s i zu entnehmen ist. graphen3.pdf, Seite 37
38 Modellierung von Knoten mit beschränkter Kapazität Hat ein (innerer) Knoten i nur eine beschränkte Kapazität k, so ersetzt man ihn durch zwei Knoten i und i +, die durch eine (neue) Kante (i, i + ) mit Kapazität k verbunden sind. Die bisher in i ankommenden Kanten (j, i) kommen nun in i an, die von i ausgehenden Kanten gehen nun von i + aus, d. h. Kanten (j, i) werden zu (j, i ) und Kanten (i, j) zu (i +, j). Dies hat zur Folge, dass der gesamte durch i laufende Fluss nun durch die neue Kante (i, i + ) laufen muss. graphen3.pdf, Seite 38
39 Knoten i mit beschränkter Kapazität k graphen3.pdf, Seite 39
40 Beispiel Gegeben sei obiges Wasserleitungssystem mit zusätzlichen Beschränkungen: An der Quelle Q1 können maximal 5 Einheiten in das Netz eingespeist werden, an Q2 6 Einheiten. Am zentralen Knotenpunkt Z können maximal 9 Einheiten durchgeleitet werden. Die Verbraucher S1 und S3 möchten jeweils 3 Einheiten entnehmen, S2 5 Einheiten. graphen3.pdf, Seite 40
41 Erweiterter Graph mit einer Quelle Q und einer Senke S. graphen3.pdf, Seite 41
42 Maximaler Fluss (nicht eindeutug bestimmt) mit Wert 11 und zwei Schnitte minimaler Kapazität. Da die Kanten Q Q 1 und Q Q 2 voll ausgelastet sind, wird die maximal mögliche Menge in das Netzwerk eingespeist. Da die Kanten S 1 S, S 2 S und S 3 S voll ausgelastet sind, können alle Verbraucher die gewünschte Menge entnehmen. graphen3.pdf, Seite 42
43 Flüsse und Paarungen Zu jedem bipartiten Graphen G = (V, E) mit V = L R kann ein zugehöriges Netzwerk Ĝ = ( ˆV, Ê) deniert werden: ˆV = V {q, s} (zu den ursprünglichen Knoten wird eine Quelle q und eine Senke s hinzugefügt.) Die Kanten aus G bekommen in Ĝ die Richtung von L nach R und die Kapazität 1. Zusätzlich enthält Ê zu jedem Knoten l L eine Kante (q, l) mit Kapazität 1 und zu jedem Knoten r R eine Kante (r, s) mit Kapazität 1. Dann entspricht jedem Matching in G ein ganzzahliger zulässiger Fluss in Ĝ und umgekehrt. Die zum Matching gehörenden Kanten (l, r) sowie die Kanten (q, l) bzw. (r, s) für alle gepaarten Knoten l und r haben dabei in Ĝ Fluss 1, die übrigen Kanten Fluss 0. graphen3.pdf, Seite 43
44 Matching und zugehöriger Fluss Im Netzwerk haben alle Kanten die Richtung von links nach rechts. Die grünen Kanten haben Fluss 1, die schwarzen Kanten Fluss 0. Der Gesamtuss ist 2 und entspricht der Zahl der Kanten im Matching. graphen3.pdf, Seite 44
45 Augmentierende Wege Jedem augmentierenden Weg bezüglich eines Matchings entspricht ein augmentierender Weg bezüglich des zugehörigen Flusses im Netzwerk. Damit ist das Problem, ein maximales Matching zu nden, ein Speziallfall des Problems, einen maximalen Fluss zu nden. graphen3.pdf, Seite 45
Wiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
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
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
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
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
MehrAnwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin
Anwendungen von Netzwerkfluss Wojciech Polcwiartek Institut für Informatik FU Berlin 13. 01. 2009 Gliederung Einführung Netzwerk, Fluss und Schnitt Max-Flow-Min-Cut Theorem Algorithmen zum Bestimmen vom
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber auf freie Stellen
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
MehrFelix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrWestfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld
Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrGrundlagen Datenstrukturen Transitive Hülle Traversierung Kürzeste Wege Spannender Baum Max. Fluss Zuordnungen. 6. Graphen
. Graphen viele praktische (Optimierungs-)Probleme sind als graphentheoretische Probleme formulierbar z.b. in Produktionsplanung, Personaleinsatzplanung,.... Grundlagen gerichteter, ungerichteter und gewichteter
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
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:
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Vlad Popa 08.06.2010 Inhaltsverzeihnis 1. Flussnetzwerke und Flüsse 1.1 Ford- Fulkerson 1.2 Edmond Karp 1.3 Dinic 2. Schnitte 3. Maximaler Fluss bei minimalen Kosten
Mehr4.7 Der Algorithmus von Dinic für maximalen Fluss
4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrFlüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk
Flüsse in Netzwerken Seminar über Algorithmen SoSe 2005 Mike Rohland & Julia Schenk Inhalt Einführung Definition Maximale Flüsse Schnitte Restgraphen Zunehmende Wege Max-Fluss Min-Schnitt Theorem Ford-Fulkerson
MehrGraphen. Leonhard Euler ( )
Graphen Leonhard Euler (1707-1783) 2 Graph Ein Graph besteht aus Knoten (nodes, vertices) die durch Kanten (edges) miteinander verbunden sind. 3 Nachbarschaftsbeziehungen Zwei Knoten heissen adjazent (adjacent),
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
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
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
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 1 Programm des
MehrPlanare Graphen, Traveling Salesman Problem, Transportnetze. Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61)
Planare Graphen, Traveling Salesman Problem, Transportnetze Formale Methoden der Informatik WiSe 2012/2013 teil 4, folie 1 (von 61) Teil IV: Planare Graphen / Transportnetze 1. Planare Graphen / Traveling
MehrFlüsse, Schnitte, bipartite Graphen. Martin Oettinger
Flüsse, Schnitte, bipartite Graphen Martin Oettinger Übersicht Einführung Algorithmen für maximalen Fluss Preflow-Push Ford-Fulkerson Spezialfall: Maximaler Fluss bei minimalen Kosten Reduktionen Bipartites
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrMaximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrNetzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex
Netzwerk-Simplex MinCostFlow als Lineares Programm of 2 Netzwerksimplex MinCostFlow geg: gerichteter Graph G, Kapazitäten u R R 0 { }, Bedarfe b V R, Pfeilkosten c R R ges: zulässiger b-fluss f mit minimalen
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
Mehr2 Tiefen- und Breitensuche
2 Tiefen- und Breitensuche Übersicht 2.1 SpannendeBäume... 21 2.2 WiefindetmanspannendeBäume?... 24 2.3 AnwendungenvonBFSundDFS... 29 2.4 Aufgaben... 33 2.1 Spannende Bäume Vor nicht allzu langer Zeit
MehrFlüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
MehrNetzwerkfluß. Gegeben ist ein System von Wasserrohren: Die Kapazität jedes Rohres ist 3, 5 oder 8 l/s.
Netzwerkfluß (Folie, Seite 78 im Skript) Gegeben ist ein System von Wasserrohren: Quelle s t Senke Die Kapazität jedes Rohres ist, oder 8 l/s. Frage: Wieviel Wasser kann von der Quelle zur Senke fließen?
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
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,
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrAlgorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 8, 4.11.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Am Dienstag, 11.11., fällt die
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrVorlesung Diskrete Strukturen Transportnetze
Vorlesung Diskrete Strukturen Transportnetze Bernhard Ganter WS 2013/14 1 Transportnetze Gerichtete Graphen Ein schlingenloser gerichteter Graph ist ein Paar (V, A), wobei V eine beliebige Menge ist, deren
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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
Mehr1. Übung Graphentheorie WS2016/17
1. Übung Graphentheorie WS2016/17 1. Schreiben Sie für jede Ecke der folgenden 7 Graphen den Grad auf! Welche der Graphen sind regulär? G 1 G 2 G 5 G 3 2. Bestimmen Sie alle paarweise nicht-isomorphen
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
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
Mehrκ(k) k K S Algorithmus zur Bestimmung eines spannenden Baumes mit minimalen Kosten (Kruskal, 1965).
5. Graphenprobleme Im folgenden bezeichnen G = (E, K) einen endlichen Graphen mit der Eckenmenge E und der Kantenmenge K. G kann ungerichtet, gerichtet, schlicht oder nicht schlicht sein. 5.1 Spannende
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrFlüsse in Netzwerken
Skript zum Seminar Flüsse in Netzwerken WS 2008/09 David Meier Inhaltsverzeichnis 1 Einführende Definitionen und Beispiele 3 2 Schnitte in Flussnetzwerken 12 2.1 Maximaler s t Fluss..........................
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
Mehr3 Vollständige Induktion
3.1 Natürliche Zahlen In den vorherigen Kapiteln haben wir die Menge der natürlichen Zahlen schon mehrfach als Beispiel benutzt. Das Konzept der natürlichen Zahlen erscheint uns einfach, da wir es schon
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrLernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen
Folie 1 von 20 Lernmodul 2 Graphen Folie 2 von 20 Graphen Übersicht Motivation Ungerichteter Graph Gerichteter Graph Inzidenz, Adjazenz, Grad Pfad, Zyklus Zusammenhang, Trennende Kante, Trennender Knoten
Mehrentheoretische Konzepte und Algorithmen
Sven Oliver Krumke, Hartmut Noitemeier entheoretische Konzepte und Algorithmen Teubner Inhaltsverzeichnis 1 Einleitung 1 1.1 Routenplanung 1 1.2 Frequenzplanung im Mobilfunk I 1.3 Museumswärter 3 1.4 Das
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrAlgorithmen und Datenstrukturen (WS 2007/08) 63
Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrInstitut für Mathematik Geometrie und Lineare Algebra J. Schönenberger-Deuel. Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien.
Lösungen Übung 13 Aufgabe 1. Wir geben nur zwei von sehr vielen möglichen Strategien. a) Strategie 1 (nächster Nachbar): Jedes Mal reist der Reisende vom Punkt, wo er gerade ist, zur nächstgelegenen Stadt,
MehrStatistische Untersuchungen zu endlichen Funktionsgraphen
C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion
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 zu Grundbegriffe der Informatik. Simon Wacker. 15. November 2013
Übung zu Grundbegriffe der Informatik Simon Wacker 15. November 2013 Vollständige Induktion über die Wortlänge Es sei B ein Alphabet. Dann ist B = n N 0 B n. Für jedes Wort w B sei A w eine Aussage, die
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #7: Matchingtheorie Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Matchings und erweiternde Wege Satz von Berge Das Heiratsproblem und der
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrDiplomarbeit. Schwerpunkt. Kombinatorische Optimierung. Zum Thema
Diplomarbeit Schwerpunkt Kombinatorische Optimierung Zum Thema Praktische Lösung von Minimum Cost Flow Problemen: Ein Vergleich verschiedener Algorithmen Autor: Muhammed Ali Alat bei Institut für Mathematik
MehrUniversität des Saarlandes
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Kurt Mehlhorn WiSe 2015/2016 Übungen zu Ideen der Informatik http://www.mpi-inf.mpg.de/departments/algorithms-complexity/teaching/winter15/ideen/
MehrGraphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007
Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80
MehrVorlesung Theoretische Informatik
Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester
MehrNotizen zu Transformationen und Permutationen. T (A) = {f : A A}
Transformationen Notizen zu Transformationen und Permutationen Ist A eine Menge, so ist die Menge T (A) = {f : A A} bezüglich der Komposition (Hintereinanderausführung) als Operation und der identischen
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrGuten Morgen und Willkommen zur Saalübung!
Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrKapitel 3: Untere Schranken für algorithmische Probleme Gliederung
Gliederung 1. Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs 6. Ausgewählte
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis Tobias Ludes 02.07.07 Inhalt Einführung Algorithmen Modifikation der Gomory-Hu Methode Einführung Nach Gomory-Hu nur n-1 Netzwerk-Fluss- Berechnungen
MehrBeispiel einer Zerlegung in vier Schritten (Zerlegungszahl n = 51)
Fachbereich Mathematik Tag der Mathematik 9. November 2013 Klassenstufen 9, 10 Beispiel einer Zerlegung in vier Schritten (Zerlegungszahl n = 51) Aufgabe 1 (6+4+4+3+3 Punkte). In dieser Aufgabe geht es
Mehr3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson
3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson Definition 3.4.1 Die Aufgabe, zu jedem Netzwerk N = (s, t, V, E, c o ) mit n = V Knoten und m = E Kanten den Fluß f IR m mit maximalem Wert zu
Mehr