Kanonische Ordnungen und die Mondshein-Sequenz

Größe: px
Ab Seite anzeigen:

Download "Kanonische Ordnungen und die Mondshein-Sequenz"

Transkript

1 Kanonische Ordnungen und die Mondshein-Sequenz a.k.a. (2,)-Order

2 Überblick Geradlinige Zeichnungen Kanonische Ordnungen + Shift-Algorithmus Erweiterungen durch Ohrendekompositionen Mondshein-Sequenz + Anwendungen

3 Geradlinige Zeichnungen 2 Wie kann man eine planare Einbettung zeichnen? 2 planare Einbettung geradlinige Zeichnung Thm [Steinitz & Rademacher ', Wagner '6, Fary '8, Stein '5]: Jeder planare Graph hat eine geradlinige Zeichnung. Aber: Fläche der Zeichnung in Beweisen ist nicht polynomiell durch n beschränkt! Aber: Beweise liefern kein effizientes Verfahren, um Zeichnung zu finden (geometrische Argumente high precision arithmetic).

4 Geradlinige Zeichnungen Thm [de Fraysseix, Pach, Pollack '88]: Jeder planare Graph hat eine geradlinige Zeichnung auf einem (2n-) (n-2)-gitter. Effizient! hier Thm [Schnyder '90]: Jeder planare Graph hat eine geradlinige Zeichnung auf einem (n-2) (n-2)-gitter. Thm [Brandenburg '08]: Jeder planare Graph hat eine geradlinige Zeichnung auf einem (n/) (2n/)-Gitter.

5 Eingabegraph Triangulation = planare Einbettung, in der jede innere Fläche ein Dreieck ist n n 2 2 z.b. maximal planar wenn nicht maximal planar: füge Kanten in Flächen ein Sei G=(V,E) Einbettung eines maximal planaren Graphen mit äußerer Fläche,2,n.

6 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n 2

7 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n 2

8 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n 2

9 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n 7 2

10 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n 7 6 2

11 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n

12 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n zum 2-Zusammenhang 2

13 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n

14 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n

15 Kanonische Ordnung Def.: Eine kanonische Ordnung von G ist eine Totalordnung,...,n der Knoten, so dass für jedes i gilt: Knoten,...,i- induzieren eine 2-zusammenhängende Triangulation G i- Kante (,2) liegt auf Außenfläche von Gi-; Knoten i außerhalb von G i- Nachbarn von i in G i- sind konsekutiv auf Außenfläche von G i- (maximal planar) n

16 Existenz Lemma: G hat eine kanonische Ordnung. Notwendig: i nicht inzident zu einer Sehne der Außenfläche von Gi Hinreichend: Jeder -Separator von Gi- ist Teil eines 2-Separators von G i. Da G i Triangulation, muss 2-Separator auf Außenfläche von G i sein. Dann existiert Sehne zwischen den beiden Separator-Knoten. Existiert ein Knoten i {,2}, der nicht zu einer Sehne inzident ist? i G i G i- j 2 Sehne (i,j) der Außenfläche: 2-Separator j 2 -Separator j zum 2-Zusammenhang

17 Existenz Lemma: G hat eine kanonische Ordnung. Notwendig: i nicht inzident zu einer Sehne der Außenfläche von Gi Hinreichend: Jeder -Separator von Gi- ist Teil eines 2-Separators von G i. Da G i Triangulation, muss 2-Separator auf Außenfläche von G i sein. Dann existiert Sehne zwischen den beiden Separator-Knoten. Existiert ein Knoten i {,2}, der nicht zu einer Sehne inzident ist? ja i 2 denn minimale Sehnen überdecken solche Knoten! G i

18 Shift-Algorithmus Zeichne Knoten,2, im Einheitsgitter an den Koordinaten (0,0),(2,0),(,). 2 Invarianten vor jedem nächsten Knoten i : und 2 sind an Koordinaten (0,0) und (2i-6,0) x-koordinaten der Knoten der Außenfläche von G i- monoton steigend Jede Kante (,2) auf Außenfläche von G i- hat Steigung oder -. G i

19 Shift-Algorithmus Zeichne Knoten,2, im Einheitsgitter an den Koordinaten (0,0),(2,0),(,). 2 Invarianten vor jedem nächsten Knoten i : und 2 sind an Koordinaten (0,0) und (2i-6,0) x-koordinaten der Knoten der Außenfläche von G i- monoton steigend Jede Kante (,2) auf Außenfläche von G i- hat Steigung oder -. i y x G i

20 Shift-Algorithmus Zeichne Knoten,2, im Einheitsgitter an den Koordinaten (0,0),(2,0),(,). 2 Invarianten vor jedem nächsten Knoten i : und 2 sind an Koordinaten (0,0) und (2i-6,0) x-koordinaten der Knoten der Außenfläche von G i- monoton steigend Jede Kante (,2) auf Außenfläche von G i- hat Steigung oder -. i Idee! x G i y

21 Shift-Algorithmus Zeichne Knoten,2, im Einheitsgitter an den Koordinaten (0,0),(2,0),(,). 2 Invarianten vor jedem nächsten Knoten i : und 2 sind an Koordinaten (0,0) und (2i-6,0) x-koordinaten der Knoten der Außenfläche von G i- monoton steigend Jede Kante (,2) auf Außenfläche von G i- hat Steigung oder -. i Idee! x G i y

22 Shift-Algorithmus Zeichne Knoten,2, im Einheitsgitter an den Koordinaten (0,0),(2,0),(,). 2 Invarianten vor jedem nächsten Knoten i : und 2 sind an Koordinaten (0,0) und (2i-6,0) x-koordinaten der Knoten der Außenfläche von G i- monoton steigend Jede Kante (,2) auf Außenfläche von G i- hat Steigung oder -. i y x G i

23 Shift-Algorithmus n (0,0) 2

24 Shift-Algorithmus n (0,0)

25 Shift-Algorithmus n (0,0) 2

26 Shift-Algorithmus n (0,0) 2

27 Shift-Algorithmus n (0,0) + +2

28 Shift-Algorithmus n (0,0)

29 Shift-Algorithmus n (0,0)

30 Shift-Algorithmus n (0,0) 2

31 Shift-Algorithmus Halt! Wie weit wird Knoten verschoben? n (0,0)

32 Shift-Algorithmus i Lower Set L(i) x y Lower Sets L(v) in G i- Antwort: Verschiebe L(v) wie v. Korrektheit: Lower Sets von ]x,y[ bilden Wald in Gi- denn ix und iy sind nicht in L(i) Per Induktion können die Knoten der Lower Sets von ]x,y[ um nach rechts verschoben werden [y,n] um 2 nach rechts verschoben werden i wird an Schnittpunkt der Geraden an x und y mit Steigung und - gesetzt i verursacht keine Kantenkreuzung

33 Shift-Algorithmus Halt! Wie weit wird Knoten verschoben? n (0,0)

34 Shift-Algorithmus n (0,0) 2

35 Shift-Algorithmus n 7 6 n (0,0)

36 Shift-Algorithmus n n (0,0) 2

37 Shift-Algorithmus n (n-2,n-2) n (0,0) 2 (2n-,0)

38 Shift-Algorithmus Wegen Steigung + und - an Kanten (,n) und (2,n) (n-2,n-2) n (0,0) (2n-) (n-2)-gitter 2 (2n-,0) Jeweils um +2 verschoben (außer bei Knoten und 2)

39 Laufzeit Berechnung einer kanonischen Ordnung: Laufzeit für das Finden aller Sehnen von Gi- : O(n) z.b. durch Markierung der Knoten auf der Außenfläche Insgesamt O(n 2 ) O(n) mit zusätzlichen Tricks möglich Shift-Algorithmus: Laufzeit für Schritt i: O(n) durch Verschieben der Knoten Insgesamt O(n 2 ) O(n) mit zusätzlichen Tricks möglich n 2

40 Überblick Geradlinige Zeichnungen Kanonische Ordnungen + Shift-Algorithmus Erweiterungen durch Ohrendekompositionen Mondshein-Sequenz + Anwendungen

41 Ohrendekomposition Ohrendekomposition = geordnete Partition C,C 2,...,C m-n+ von E in Kreis C und Pfade C 2,...,C m-n+, so dass sich jedes C i mit C... C i- genau in seinen Endknoten schneidet. r u t

42 Ohrendekomposition Ohrendekomposition = geordnete Partition C,C 2,...,C m-n+ von E in Kreis C und Pfade C 2,...,C m-n+, so dass sich jedes C i mit C... C i- genau in seinen Endknoten schneidet. r u t

43 Ohrendekomposition Ohrendekomposition = geordnete Partition C,C 2,...,C m-n+ von E in Kreis C und Pfade C 2,...,C m-n+, so dass sich jedes C i mit C... C i- genau in seinen Endknoten schneidet. r u 2 t

44 Ohrendekomposition Ohrendekomposition = geordnete Partition C,C 2,...,C m-n+ von E in Kreis C und Pfade C 2,...,C m-n+, so dass sich jedes C i mit C... C i- genau in seinen Endknoten schneidet. r u 2 t

45 Ohrendekomposition Ohrendekomposition = geordnete Partition C,C 2,...,C m-n+ von E in Kreis C und Pfade C 2,...,C m-n+, so dass sich jedes C i mit C... C i- genau in seinen Endknoten schneidet. r 2 u Kante: kurzes Ohr sonst: langes Ohr... t Thm [Whitney '2]: Ein Graph ist genau dann 2-zusammenhängend, wenn er eine Ohrendekomposition hat. nutze für Erweiterungen

46 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

47 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u non-separating cycle existiert nach Tutte t

48 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

49 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

50 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

51 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

52 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u t

53 Erweiterung auf -Zusammenhang Maximal planare Graphen sind -zusammenhängend. Sei G planar -zusammenhängend mit Pfad t-r-u auf der Außenfläche. Nachbarn von i in G i- müssen nicht mehr konsekutiv sein! Füge statt Knoten Pfade hinzu Ohrendekomposition! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: Bedingung für Kante (,2) rt C 2-Zusammenhang u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend (d.h. G-V(C... C i- ) ist zusammenhängend i) r u Knoten i außerhalb von G i- existiert genau für -zshngd. Graphen t

54 und nicht-planare Graphen! Eine kanonische Ordnung durch tr und nach u ist eine Ohrendekomposition D für die gilt: rt C u ist alleiniger innerer Knoten des letzten langen Ohres C(u) und ru C(u) D ist nicht-separierend r u r u t t [S. 20] Kanonische Ordnungen sind nicht-separierende Ohrenzerlegungen.

55 Historie Planar 988 de Fraysseix, Pach, Pollack Maximal Planar O(n log n) 990 Chrobak, Payne Maximal Planar O(n) 990 Kant -zshng. O(n)... PhD-Thesis am MIT (insgesamt mal referenziert) General 97 Mondshein -zshng. O(m 2 ) 988 Cheriyan, Maheshwari -zshng. O(nm) 989 Itai, Zehavi -zshng. nur Existenz 20 S. -zshng. O(m) Mondshein-Sequenz = nicht-separierende Ohrendekomposition Mondshein nannte diese wegen 2- und -zshngd. Teil (2,)-Sequenz. Heutzutage wird sie auch (2,)-Order genannt.

56 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u Sei die Außenfläche links der Kante ru. Wenn G planar ist, t ist C Fläche nach Satz von Tutte (nicht-separierende Kreise = Flächen). hat G eine eindeutige planare Einbettung nach Satz von Whitney.

57 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u Sei die Außenfläche links der Kante ru. Wenn G planar ist, t ist C Fläche nach Satz von Tutte (nicht-separierende Kreise = Flächen). hat G eine eindeutige planare Einbettung nach Satz von Whitney.

58 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u t Alle inneren Knoten des nächsten Ohres müssen in die Außenfläche! (sonst erzeugt die Nicht-Separiertheit von D eine Kreuzung) Nachbarn des Ohres müssen also konsekutiv auf Außenfläche liegen.

59 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u t Alle inneren Knoten des nächsten Ohres müssen in die Außenfläche! (sonst erzeugt die Nicht-Separiertheit von D eine Kreuzung) Nachbarn des Ohres müssen also konsekutiv auf Außenfläche liegen.

60 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u t Alle inneren Knoten des nächsten Ohres müssen in die Außenfläche! (sonst erzeugt die Nicht-Separiertheit von D eine Kreuzung) Nachbarn des Ohres müssen also konsekutiv auf Außenfläche liegen.

61 Anwendungen Anwendung : Planaritätstest (in Linearzeit) geg.: -zshngd. Graph r u Algorithmus verwaltet lediglich die Knotenreihenfolge der äußeren Fläche. t Alle inneren Knoten des nächsten Ohres müssen in die Außenfläche! (sonst erzeugt die Nicht-Separiertheit von D eine Kreuzung) Nachbarn des Ohres müssen also konsekutiv auf Außenfläche liegen. Wenn nicht, kann ein Kuratowski-Teilgraph extrahiert werden.

62 Anwendungen Anwendung 2: Unabhängige Spannbäume [Vermutung von Itai und Rodeh '89] Enthält jeder k-zusammenhängende Graph k unabhängige Spannbäume? t s

63 Anwendungen Anwendung 2: Unabhängige Spannbäume [Vermutung von Itai und Rodeh '89] Enthält jeder k-zusammenhängende Graph k unabhängige Spannbäume? t s

64 Anwendungen Anwendung 2: Unabhängige Spannbäume [Vermutung von Itai und Rodeh '89] Enthält jeder k-zusammenhängende Graph k unabhängige Spannbäume? t 2 Historie: k=: Spannbaum O(m) k=2: [Itai, Rodeh '8] st-numbering O(m) k=: [S. '] Mondshein-Sequenz O(m) k=: [Curran, Lee, Yu '06] O(m ) k>: [OFFEN] sogar Existenz s

65 Anwendungen Anwendung 2: Unabhängige Spannbäume unabhängige Spannbäume: Nehme r als Wurzel. Betrachte den Graph nach Hinzufügen des Knotens x. r u x t Ohrenzerlegung ergibt 2 unabhängige Pfade von x nach r. Nicht-Separiertheit ergibt weiteren Pfad von x nach r (jedes x ist zu den verbleibenden Knoten benachbart). Konsistente st-numerierung ergibt unabhängige Spannbäume.

66 Anwendungen Anwendung 2: Unabhängige Spannbäume r u r 2 u t t unabhängige Spannbäume

67 Anwendungen Anwendung : Das -Partitionsproblem geg.: Knoten a,...,a k eines Graphen G und Zahlen n,...,n k mit Summe n. gesucht: k-partition von V, so dass für alle i gilt: a i V i, V i =n i, und G[V i ] ist zusammenhängend....existenz bewiesen für den Fall das G -zshngd. ist. a 2 a n =, n 2 =5, n =5 2 a 2

68 Anwendungen Anwendung : Das -Partitionsproblem Linearzeitalgorithmus mit Mondshein-Sequenz: r u Splitte C, da n +n 2 > G 2 t V -{8} oder V -{} a =r, a 2 =t, a =u n =, n 2 =5, n =5

69 Anwendungen Anwendung : Das -Partitionsproblem Linearzeitalgorithmus mit Mondshein-Sequenz: r u Splitte C, da n +n 2 > G 2 t V -{8} oder V -{} a =r, a 2 =t, a =u n =, n 2 =5, n =5 V und V 2 mit geeignet gewähltem rt-numbering (k=2)

70 Anwendungen Weitere Anwendungen für: Output-lineare Datenstrukturen, die für jede 2 Knoten bis zu drei intern knotendisjunkte Pfade ausgeben [S. 20] Kontrahierbare Teilgraphen von -zusammenhängenden Graphen [S. 206] Orthogonale Einbettungen [Biedl & S. 205] Analoge Struktur für -kantenzshngd. Graphen existiert [Schlipf & S. 206].

Visualisierung von Graphen

Visualisierung von Graphen 1 Visualisierung von Graphen Geradlinige Zeichnungen planarer Graphen 6. Vorlesung Sommersemester 2013 (basierend auf Folien von Marcus Krug und Tamara Mchedlidze, KIT) 2 Planare Graphen: Charakterisierung,

Mehr

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung. Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines

Mehr

Geradenarrangements und Dualität von Punkten und Geraden

Geradenarrangements und Dualität von Punkten und Geraden Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Overview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces

Overview. Testen von Planarität. Planare Graphen. Beliebige Knotenpositionen. Gerade Linien. Faces Overview Testen von Planarität Markus Chimani LS XI Algorithm Engineering, TU Dortmund VO Automatisches Zeichnen von Graphen 15 Planarität Grundbegriffe Wie erkennt man Planarität Boyer-Myrvold Überblick

Mehr

Algorithmen & Komplexität

Algorithmen & Komplexität Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg

Mehr

Minimal spannender Baum

Minimal 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

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. 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,

Mehr

2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung

2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

Bäume und Wälder. Definition 1

Bäume und Wälder. Definition 1 Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt

Mehr

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.

5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt. Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie

Diskrete 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

Mehr

Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09

Felix 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,

Mehr

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7 1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten

Mehr

3.1 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 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

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen 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

Mehr

Was bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone

Was 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

Mehr

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein

Proseminar 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

Mehr

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )

Mehr

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr

Mehr

Das Heiratsproblem. Definition Matching

Das Heiratsproblem. Definition Matching Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung

Mehr

ADS: Algorithmen und Datenstrukturen 2

ADS: Algorithmen und Datenstrukturen 2 ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität

Mehr

WS 2009/10. Diskrete Strukturen

WS 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

Mehr

Studientag zur Algorithmischen Mathematik

Studientag zur Algorithmischen Mathematik Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline

Mehr

Algorithmen für schwierige Probleme

Algorithmen für schwierige Probleme Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge

Mehr

Praktikum Graphgeneratoren: Planare Graphen

Praktikum Graphgeneratoren: Planare Graphen Praktikum Graphgeneratoren: Planare Graphen Marcus Krug & Jochen Speck 15. Februar 2006 Zusammenfassung In der vorliegenden Ausarbeitung stellen wir einen Generator für planare Graphen mit linearem Aufwand

Mehr

Grundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008

Grundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008 Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung und

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.

Definition 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.

Mehr

Grundlagen: Algorithmen und Datenstrukturen

Grundlagen: Algorithmen und Datenstrukturen Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00

Mehr

Das Steinerbaumproblem

Das Steinerbaumproblem Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. 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

Mehr

Routing Algorithmen. Begriffe, Definitionen

Routing 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

Mehr

Zeichnen von Graphen

Zeichnen von Graphen von Graphen Fabio Valdés Programmierpraktikum WS 2016/17 Lehrgebiet Datenbanksysteme für neue Anwendungen FernUniversität in Hagen Programmierpraktikum Zeichnen von Graphen 08.10.2016 1 / 28 Gliederung

Mehr

Zweizusammenhang und starker Zusammenhang

Zweizusammenhang und starker Zusammenhang .. Zeizusammenhang und starker Zusammenhang Carsten Gutenger Vorlesung Algorithmen und Datenstrukturen WS /. Januar Zeizusammenhang Betrachte ein Netzerk (Graph) Z.B. Computernetzerk, Flug- oder Schienennetzerk

Mehr

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei

Mehr

Vorlesung 2 KÜRZESTE WEGE

Vorlesung 2 KÜRZESTE WEGE Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!

Mehr

Einführung in die Graphentheorie. Monika König

Einführung in die Graphentheorie. Monika König Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe

Mehr

Induzierte Bäume in planaren Graphen

Induzierte Bäume in planaren Graphen Induzierte Bäume in planaren Graphen Bachelorarbeit von Simon Bischof An der Fakultät für Informatik Institut für Theoretische Informatik Erstgutachter: Zweitgutachter: Betreuende Mitarbeiter: Prof. Dr.

Mehr

Isomorphie von Bäumen

Isomorphie von Bäumen Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................

Mehr

Wiederholung zu Flüssen

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:

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen 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

Mehr

Aufgabe 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. 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.

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010 . Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/200 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt

Mehr

Vorlesungen vom 5.Januar 2005

Vorlesungen vom 5.Januar 2005 Vorlesungen vom 5.Januar 2005 5 Planare Graphen 5.1 Beispiel: Gas, Wasser, Elektrik Drei eingeschworene Feinde, die im Wald leben, planen Trassen zu den Versorgungswerken für die drei Grundgüter Gas, Wasser

Mehr

3. Musterlösung. Problem 1: Heapsort

3. Musterlösung. Problem 1: Heapsort Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 3. Musterlösung Problem : Heapsort ** 2 3 4 5 Algorithmus : Heapsort (A) Eingabe : Array A der Länge n Ausgabe : Aufsteigend

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

3 Klassifikation wichtiger Optimierungsprobleme 3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i

Mehr

Der Vier-Farben-Satz

Der Vier-Farben-Satz , Samuel Hetterich, Felicia Raßmann Goethe-Universität Frankfurt, Institut für Mathematik 21.Juni 2013 Wieviele Farben braucht man zum Färben einer Landkarte? Spielregeln Länder mit einer gemeinsamen Grenze

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene Netzwerk- und Graph-Algorithmen Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08

Mehr

Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3

Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.

Mehr

Binary Decision Diagrams (Einführung)

Binary Decision Diagrams (Einführung) Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von

Mehr

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung

Mehr

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen. Hashing 6. Algorithmische Geometrie 4/6, Folie 1 2014 Prof. Steffen Lange - HDa/FbI

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des

Mehr

Konvexe Hülle. Konvexe Hülle. Mathematik. Konvexe Hülle: Definition. Mathematik. Konvexe Hülle: Eigenschaften. AK der Algorithmik 5, SS 2005 Hu Bin

Konvexe Hülle. Konvexe Hülle. Mathematik. Konvexe Hülle: Definition. Mathematik. Konvexe Hülle: Eigenschaften. AK der Algorithmik 5, SS 2005 Hu Bin Konvexe Hülle Konvexe Hülle AK der Algorithmik 5, SS 2005 Hu Bin Anwendung: Computergraphik Boundary Kalkulationen Geometrische Optimierungsaufgaben Konvexe Hülle: Definition Mathematik Konvex: Linie zwischen

Mehr

Information Systems Engineering Seminar

Information 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

Mehr

Maximale s t-flüsse in Planaren Graphen

Maximale s t-flüsse in Planaren Graphen Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg

Mehr

Bipartite Graphen. Beispiele

Bipartite Graphen. Beispiele 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

Mehr

Definition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.

Definition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind. 3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls

Mehr

Minimal spannende Bäume

Minimal 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

Mehr

Praktikum Planare Graphen

Praktikum Planare Graphen 1 Praktikum Planare Graphen Michael Baur, Martin Holzer, Steffen Mecke 10. November 2006 Einleitung Gliederung 2 Grundlagenwissen zu planaren Graphen Themenvorstellung Gruppeneinteilung Planare Graphen

Mehr

Algorithmen zur Berechnung von Matchings

Algorithmen 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

Mehr

12.4 Traveling Salesman Problem

12.4 Traveling Salesman Problem 96 KOMBINATORISCHE SUCHE.4 Traveling Salesman Problem Definition.3(TSP, Problem des Handlungsreisenden): Wir betrachten einen gerichteten, gewichteten Graphen G = (V,E) mit K : V R. K({u,v}) sind die Kosten

Mehr

Übungsblatt 2 - Lösung

Übungsblatt 2 - Lösung Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer

Mehr

Universität Karlsruhe (TH) Algorithmen für Rechnerbündel III

Universität Karlsruhe (TH) Algorithmen für Rechnerbündel III Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Algorithmen für Rechnerbündel III Prof. Dr. Walter F. Tichy Thomas Moschny Ali Jannesari Minimaler Spannbaum (1) Auch: minimales Gerüst Sei

Mehr

Drei Anwendungen der Eulerschen Polyederformel

Drei Anwendungen der Eulerschen Polyederformel Drei Anwendungen der Eulerschen Polyederformel Seminar aus Reiner Mathematik Viktoria Weißensteiner 04. Dezember 2013 Inhaltsverzeichnis 1 Einleitung 2 2 Vorbereitende Theorie 3 2.1 ebene Graphen..........................

Mehr

Seminarvortag 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 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:

Mehr

Datenstrukturen. einfach verkettete Liste

Datenstrukturen. einfach verkettete Liste einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten

Mehr

Algorithmen und Datenstrukturen Kapitel 10

Algorithmen 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

Mehr

Teil III. Komplexitätstheorie

Teil III. Komplexitätstheorie Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein

Mehr

Wie komme ich von hier zum Hauptbahnhof?

Wie komme ich von hier zum Hauptbahnhof? NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!

Mehr

Einführung. Ablesen von einander zugeordneten Werten

Einführung. Ablesen von einander zugeordneten Werten Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,

Mehr

Quicksort ist ein Divide-and-Conquer-Verfahren.

Quicksort ist ein Divide-and-Conquer-Verfahren. . Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.

Mehr

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29

Teil 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

Mehr

Triangulierung von einfachen Polygonen

Triangulierung von einfachen Polygonen Triangulierung von einfachen Polygonen - Seminarvortrag von Tobias Kyrion - Inhalt: 1.1 Die Problemstellung Quellenangabe 1.1 Die Problemstellung Definition Polygon: endlich viele paarweise verschiedene

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Vorlesung 4 BETWEENNESS CENTRALITY

Vorlesung 4 BETWEENNESS CENTRALITY Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal 3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition

Mehr

2. Optimierungsprobleme 6

2. 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

Mehr

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Graphentheorie. 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

Mehr

Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1

Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1 Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale

Mehr

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung

Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko

Mehr

Graphen: Datenstrukturen und Algorithmen

Graphen: 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.

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108

23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf

Mehr

liefern eine nicht maschinenbasierte Charakterisierung der regulären

liefern eine nicht maschinenbasierte Charakterisierung der regulären Reguläre Ausdrücke 1 Ziel: L=L M für NFA M L=L(r) für einen regulären Ausdruck r Reguläre Ausdrücke über einem Alphabet Σ Slide 1 liefern eine nicht maschinenbasierte Charakterisierung der regulären Sprachen

Mehr

6. Triangulation von Polygonen

6. Triangulation von Polygonen 1 6. Triangulation von Polygonen 2 Problemstellung 3 Problemstellung 4 Problemstellung 5 Problemstellung 6 Jedes Polygon lässt sich triangulieren. Wir führen einen Induktionsbeweis nach der Anzahl der

Mehr

Vorwort. 1 Flüsse in Planaren Graphen. 1.1 Flüssen in Planaren Graphen als Kürzeste-Wege-Problem

Vorwort. 1 Flüsse in Planaren Graphen. 1.1 Flüssen in Planaren Graphen als Kürzeste-Wege-Problem Vorwort Es handelt sich hierbei um einen vorläufigen Aufschrieb zu Flüssen in planaren Graphen. Die Darstellung basiert auf dem Artikel Maximum Flows and Parametric Shortest Paths in Planar Graphs von

Mehr

Lösungsvorschläge zu den Aufgaben

Lösungsvorschläge zu den Aufgaben Lösungsvorschläge zu den Aufgaben Version: 06.02.2007 Hinweis: Diese Lösungen sind nicht als Musterlösungen gedacht, die zeigen sollen, wie man seine Lösungen aufschreiben soll. Sie sollen nur kurz und

Mehr

2. Repräsentationen von Graphen in Computern

2. Repräsentationen von Graphen in Computern 2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen

Mehr

Kapitel 4: Netzplantechnik Gliederung der Vorlesung

Kapitel 4: Netzplantechnik Gliederung der Vorlesung Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Netzplantechnik 5. Minimal spannende Bäume 6. Traveling Salesman Problem 7. Flüsse in Netzwerken

Mehr

Technische 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 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

Mehr

Punkt-in-Polygon-Suche Übersicht

Punkt-in-Polygon-Suche Übersicht Folie 1 von 43 Punkt-in-Polygon-Suche Übersicht! Praxisbeispiel/Problemstellung! Zählen von Schnittpunkten " Schnitt einer Halbgerade mit der Masche " Aufwandsbetrachtung! Streifenkarte " Vorgehen und

Mehr

Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem

Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Andreas Moser Dietmar Ebner Christian Schauer Markus Bauer 9. Dezember 2003 1 Einführung Der in der Vorlesung gezeigte Algorithmus für das Steiner

Mehr

Graphen und Bäume. A.1 Graphen

Graphen und Bäume. A.1 Graphen Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt

Mehr