Inhalt. 1. Flußprobleme. 2. Matching. 3. Lineares Programmieren. 4. Ganzzahliges Programmieren. 5. NP-Vollständigkeit. 6. Approximationsalgorithmen
|
|
- Christa Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 Effiziente Algorithmen Einführung 1 Inhalt 1. Flußprobleme 2. Matching. Lineares Programmieren 4. Ganzzahliges Programmieren 5. NP-Vollständigkeit 6. Approximationsalgorithmen 7. Backtracking und Branch-and-Bound 8. Randomisierte Algorithmen 9. Online-Algorithmen
2 Effiziente Algorithmen Einführung 2 Literatur Sehr empfehlenswertes Buch. Es enthält einen Überblick über die wichtigsten Entwurfstechniken für Algorithmen und einen sehr vollständigen Überblick über bekannte Algorithmen mit Verweisen. Steven S. Skiena: The Algorithm Design Manual. Springer Verlag. Preis: US $69.95, Hardcover mit CD-ROM.
3 Effiziente Algorithmen Einführung Literatur Sehr umfangreiches, modernes Buch. Sehr gut geschrieben. Enthält alle wichtigen Algorithmen. Nur ein Buch dieses! Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest: Introduction To Algorithms. MIT Press. Preis: US $69.95, Hardcover, 1028 Seiten!
4 Effiziente Algorithmen Flußprobleme 4 Netzwerkfluß (Wiederholung der Grundlagen aus DSAL) Gegeben ist ein System von Wasserrohren: Quelle s t Senke Die Kapazität jedes Rohres ist, 5 oder 8l/s. Frage: Wieviel Wasser kann von der Quelle zur Senke fließen?
5 Effiziente Algorithmen Flußprobleme 5 Netzwerkfluß Antwort: Maximal 11l/s sind möglich. s t
6 Effiziente Algorithmen Flußprobleme 6 s-t-netzwerke Ein s-t-netzwerk (flow network) ist ein gerichteter Graph G = (V,E), wobei 1. jede Kante (u,v) E eine Kapazität c(u,v) 0 hat, 2. es eine Quelle s V und eine Senke t V gibt. Es ist bequem, anzunehmen daß jeder Knoten auf einem Pfad von s nach t liegt. Falls (u,v) / E setzen wir c(u,v) = 0. Es kann Kanten (u,v) und (v,u) mit verschiedener Kapazität geben.
7 Effiziente Algorithmen Flußprobleme 7 Beispiel eines s-t-netzwerks v 1 12 v s t 1 4 v 2 14 v 4 Die Kanten sind mit den Kapazitäten c(u,v) beschriftet.
8 Effiziente Algorithmen Flußprobleme 8 Flüsse Ein Fluß ist eine Funktion f: V V R, die Paare von Knoten auf reelle Zahlen abbildet und diese Bedingungen erfüllt: Zulässigkeit: Für u,v V gilt f(u,v) c(u,v). Symmetrie: Für u,v V gilt f(u,v) = f(v,u). Flußerhaltung: Für u V {s,t} gilt v V f(u,v) = 0. Der Wert f eines Flusses ist definiert als f = u V f(s,u). Dies ist gerade der Gesamtfluß aus der Quelle heraus.
9 Effiziente Algorithmen Flußprobleme 9 Maximale Flüsse Das Problem des maximalen Flusses: Gegeben: Ein s-t-netzwerk. Gesucht: Ein Fluß mit maximalem Wert.
10 Effiziente Algorithmen Flußprobleme 10 Was ist der maximale Fluß? v 1 12 v s t 1 4 v 2 14 v 4
11 Effiziente Algorithmen Flußprobleme 11 Der maximale Fluß ist 2 v 1 12/12 v 12/16 19/20 s /7 t 11/1 4/4 v 2 11/14 v 4 Die Kanten sind mit c(u,v) beschriftet oder mit f(u,v)/c(u,v), falls f(u,v) > 0.
12 Effiziente Algorithmen Flußprobleme 12 Andere optimale Lösungen 14/16 v 1 12/12 v 19/20 s 2/ /7 t 9/1 v 2 11/14 10/16 v 4 v 1 4/4 12/12 v 19/20 s 10 2/4 9 7/7 t 1/1 v 2 11/14 v 4 4/4
13 Effiziente Algorithmen Flußprobleme 1 Mehrfache Quellen oder Senken s 10 5 t 6 s t 2 6 s t 1 Mehrfache Quellen oder Senken sind eine Verallgemeinerung des Problem des maximalen Flusses.
14 Effiziente Algorithmen Flußprobleme 14 Mehrfache Quellen oder Senken s 10 5 t 6 s s t 2 t 6 s t 1 Neue Superquelle und Supersenke hinzufügen
15 Effiziente Algorithmen Flußprobleme 15 Existenz des maximalen Flusses Existiert stets der maximale Fluß max { f f ist ein s-t-fluß in G }? Ja, denn die Menge aller Flüsse ist abgeschlossen im R m und sie ist nicht leer. Die stetige Funktion, die einen Fluß auf ihren Wert abbildet, hat daher ein Maximum: f = u V f(s, u) ist stetig!
16 Effiziente Algorithmen Flußprobleme 16 Einige Notationen Es ist bequem einige Abkürzungen zu verwenden: f(x,y) = f(x,y) für X,Y V x X y Y f(x,y) = y Y f(x,y) für Y V f(x,y) = x Xf(x,y) für X V X y statt X {y}
17 Effiziente Algorithmen Flußprobleme 17 Lemma A Falls f ein s-t-fluß für G = (V,E) ist, dann gilt: 1. f(x,x) = 0 für X V 2. f(x,y) = f(y,x) für X,Y V. f(x Y,Z) = f(x,z)+f(y,z) für X,Y,Z V mit X Y = 4. f(z,x Y) = f(z,x)+f(z,y) für X,Y,Z V mit X Y = Dieses Lemma ist sehr nützlich, um wichtige Eigenschaften über Flüsse abzuleiten.
18 Effiziente Algorithmen Flußprobleme 18 Lemma A Um Lemma A zu beweisen, dürfen wir nur die Eigenschaften eines s-t-flusses verwenden, also Zulässigkeit, Symmetrie und Flußerhaltung. Beweis für f(x,x) = 0: f(x,x) = 1 ( 2 = 1 ( 2 = 1 2 x 1 X x 1 X x 1 X x 2 X x 2 X x 2 X f(x 1,x 2 )+ x 1 X f(x 1,x 2 )+ x 1 X x 2 X x 2 X ( ) f(x 1,x 2 )+f(x 2,x 1 ) ) f(x 1,x 2 ) ) f(x 2,x 1 ) = 0 Hier genügt die Symmetrie allein! (Rest als Übungsaufgabe.)
19 Effiziente Algorithmen Flußprobleme 19 Anwendung des Lemmas Der Fluß in die Senke sollte intuitiv dem Fluß aus der Quelle entsprechen: Beweis mit Lemma A: f(s,v) = f(v,t) f(s,v) = f(v,v) f(v s,v) = f(v s,v) = f(v,v s) = f(v,t)+f(v,v s t) = f(v, t) wegen Flußerhaltung
20 Effiziente Algorithmen Flußprobleme 20 Definition: Residualnetzwerke Netzwerk minus Fluß = Residualnetzwerk Gegeben ist ein Netzwerk G = (V,E) und ein Fluß f. Das Residualnetzwerk G f = (V,E f ) zu G und f ist definiert vermöge E f = {(u,v) V V c f (u,v) > 0}, wobei c f (u,v) = c(u,v) f(u,v). c f ist die Restkapazität. Das s-t-netzwerk G f hat die Kapazitäten c f.
21 Effiziente Algorithmen Flußprobleme 21 Beispiel 11/16 v 1 12/12 v 15/20 s 10 1/4 4/9 7/7 t s-t-netzwerk mit Fluß f 8/1 v 2 11/14 v 4 4/4 v 1 12 v Residualnetzwerk G f s v v t
22 Effiziente Algorithmen Flußprobleme 22 Augmentierende Pfade Ein s-t-pfad p in G f heißt augmentierender Pfad. c f (p) = min{c f (u,v) (u,v) ist auf p} heißt Restkapazität von p. Beispiel: s 11 5 v v v v t Die Restkapazität dieses Pfades ist 4.
23 Effiziente Algorithmen Flußprobleme 2 Die Ford Fulkerson Methode Initialisiere Fluß f zu 0 while es gibt einen augmentierenden Pfad p do augmentiere f entlang p return f f p (u,v) = Augmentiere f entlang p: f := f +f p f p ist ein Fluß in G f c f (p) falls (u,v) auf p c f (p) falls (v,u) auf p 0 sonst
24 Effiziente Algorithmen Flußprobleme 24 Die Ford Fulkerson Methode s t Anfangs ist der Fluß 0. Der augmentierende Pfad ist rot eingezeichnet.
25 Effiziente Algorithmen Flußprobleme 25 Die Ford Fulkerson Methode s t Der augmentierende Pfad hat Kapazität 5.
26 Effiziente Algorithmen Flußprobleme 26 Die Ford Fulkerson Methode s t Der augmentierende Pfad hat Kapazität.
27 Effiziente Algorithmen Flußprobleme 27 Die Ford Fulkerson Methode s t Jetzt gibt es keinen augmentierenden Pfad mehr. Der Fluß ist maximal.
28 Effiziente Algorithmen Flußprobleme 28 Lemma B Korrektheit Set G = (V,E) ein s-t-netzwerk und f ein Fluß in G. Sei f ein Fluß in G f. Dann ist f +f ein Fluß in G. Konsequenz: Die Ford Fulkerson Methode berechnet einen Fluß. Beweis: Wir müssen zeigen, daß f +f zulässig, symmetrisch und flußerhaltend ist.
29 Effiziente Algorithmen Flußprobleme 29 Beweis (Symmetrie) (f +f )(u,v) = f(u,v)+f (u,v) = f(v,u) f (v,u) = (f(v,u)+f (v,u)) = (f +f )(v,u)
30 Effiziente Algorithmen Flußprobleme 0 Beweis (Flußerhaltung) Sei u V {s,t}. (f +f )(u,v) = f(u,v)+f (u,v) = 0+0 = 0
31 Effiziente Algorithmen Flußprobleme 1 Beweis (Zulässigkeit) (f +f )(u,v) = f(u,v)+f (u,v) f(u,v)+c f (u,v) = f(u,v)+(c(u,v) f(u,v)) = c(u, v) Der Beweis verwendet, daß f ein Fluß in G f ist, aber nicht, daß f ein Fluß in G ist.
32 Effiziente Algorithmen Flußprobleme 2 Laufzeit der Ford Fulkerson Methode s t
33 Effiziente Algorithmen Flußprobleme Laufzeit der Ford Fulkerson Methode s t
34 Effiziente Algorithmen Flußprobleme 4 Laufzeit der Ford Fulkerson Methode s t
35 Effiziente Algorithmen Flußprobleme 5 Laufzeit der Ford Fulkerson Methode s t
36 Effiziente Algorithmen Flußprobleme 6 Laufzeit der Ford Fulkerson Methode s t
37 Effiziente Algorithmen Flußprobleme 7 Laufzeit der Ford Fulkerson Methode s t
38 Effiziente Algorithmen Flußprobleme 8 Laufzeit der Ford Fulkerson Methode s t
39 Effiziente Algorithmen Flußprobleme 9 Laufzeit der Ford Fulkerson Methode s t
40 Effiziente Algorithmen Flußprobleme 40 Laufzeit der Ford Fulkerson Methode s t
41 Effiziente Algorithmen Flußprobleme 41 Laufzeit der Ford Fulkerson Methode Ein Flußproblem ist integral, wenn alle Kapazitäten ganzzahlig sind. Theorem. Die Ford Fulkerson Methode benötigt nur O(f ) Iterationen, um ein integrales Flußproblem zu lösen, falls der Wert eines maximalen Flusses f ist. Beweis. In jeder Iteration wird der Wert des Flusses um c f (p) 1 erhöht. Er ist anfangs 0 und am Ende f. Korollar. Bei rationalen Kapazitäten terminiert die Ford Fulkerson Methode.
42 Effiziente Algorithmen Flußprobleme 42 Schnitte in Netzwerken Ein Schnitt (S, T) in einem s-t-netzwerk G = (V, E) ist eine Partition S T = V, S T = mit s S und t T. Wenn f ein Fluß in G ist, dann ist f(s,t) der Fluß über (S,T). Die Kapazität von (S, T) ist c(s, T). Ein minimaler Schnitt ist ein Schnitt mit minimaler Kapazität.
43 Effiziente Algorithmen Flußprobleme 4 Schnitte in Netzwerken s v S 1 v 2 11/16 8/1 12/ /4 4/9 11/14 v Tt 7/7 t 4/4 v 4 15/20 Der Fluß über (S,T) ist 19. Die Kapazität von (S,T) ist 26.
44 Effiziente Algorithmen Flußprobleme 44 Schnitte in Netzwerken v 1 S11/16 T s 10 1/4 7/7 4/9 8/1 v 2 12/12 11/14 v v 4 15/20 t 4/4 Der Fluß über (S,T) ist 19. Die Kapazität von (S,T) ist 29.
45 Effiziente Algorithmen Flußprobleme 45 Schnitte in Netzwerken 11/16 v 1 12/12 v 15/20 s 8/1 10 1/4 STt v 2 4/9 11/14 v 4 7/7 4/4 t Der Fluß über (S,T) ist 19. Die Kapazität von (S,T) ist 2.
46 Effiziente Algorithmen Flußprobleme 46 Lemma C Fluß über einen Schnitt Der Fluß über einen Schnitt und der Wert des Flusses sind identisch, d.h. f(s,t) = f. Beweis f(s,t) = f(s,v) f(s,v T) = f(s,v) f(s,s) Spezialfälle = f(s,v) = f(s,v)+f(s s,v) = f(s,v) = f f = f(s,v s) = f(v t,t)
47 Effiziente Algorithmen Flußprobleme 47 Theorem Max-flow Min-cut Theorem Sei f ein Fluß im s-t-netzwerk G = (V,E). Dann sind äquivalent: 1. f ist ein maximaler Fluß 2. In G f gibt es keinen augmentierenden Pfad. f = c(s,t) für einen Schnitt (S,T) Folgerungen Falls die Ford Fulkerson Methode terminiert, berechnet sie einen maximalen Fluß. Die Kapazität eines kleinsten Schnittes gleicht dem Wert eines größten Flusses.
48 Effiziente Algorithmen Flußprobleme 48 Beweis Sei f ein maximaler Fluß. Nehmen wir an, es gebe einen augmentierenden Pfad p. Dann ist f +f p ein Fluß in G mit f +f p > f. Das ist ein Widerspruch zur Maximalität von f.
49 Effiziente Algorithmen Flußprobleme 49 Beweis 2.. G f hat keinen s-t-pfad. S := {v V es gibt einen s-v-pfad in G f } T := V S Dann ist (S, T) ein Schnitt und es gilt f(u, v) = c(u, v) für alle u S, v T. Nach Lemma C gilt dann f(s,t) = c(s,t) = f.
50 Effiziente Algorithmen Flußprobleme 50 Beweis. 1. Sei f ein beliebiger Fluß. f = f(s,t) = u S v T u S v T = c(s,t) f(u,v) c(u, v) Der Wert jedes Flusses ist also höchstens c(s,t). Erreicht er sogar c(s,t) ist er folglich maximal.
51 Effiziente Algorithmen Flußprobleme 51 Wo ist ein minimaler Schnitt?
52 Effiziente Algorithmen Flußprobleme 52 Wie findet man einen minimalen Schnitt? 1. Einen maximalen Fluß berechnen. 2. Eine Kante (u, v) ist kritisch, wenn c(u, v) = f(u, v).. S besteht aus Knoten, die von s aus über unkritische Kanten erreicht werden können. 4. T besteht aus allen anderen Knoten. Es gibt aber bessere, direkte Methoden!
Netzwerkfluß. 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?
MehrLaufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Graphenalgorithmen Maximaler Fluss Einleitung Flussnetzwerke Ford-Fulkerson Fulkerson Methode Maximales bipartites Matching
MehrFlüsse in Netzwerken
Proseminar Theoretische Informatik, Prof. Wolfgang Mulzer, SS 17 Flüsse in Netzwerken Zusammenfassung Gesa Behrends 24.06.2017 1 Einleitung Unterschiedliche technische Phänomene wie der Flüssigkeitsdurchfluss
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, chnitte, bipartite Graphen Matthias Hoffmann 5.5.009 Matthias Hoffmann Flüsse, chnitte, bipartite Graphen 5.5.009 / 48 Übersicht Einführung Beispiel Definitionen Ford-Fulkerson-Methode Beispiel
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
MehrKapitel 1: Flussalgorithmen
Netzwerke und Flüsse Ein Flussnetzwerk ist ein gerichteter Graph G = (V, E, c) mit zwei ausgewählten Knoten q, s V und einer Kapazitätsfunktion c : E N 0. Die Quelle q hat Eingangsgrad 0 und die Senke
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
Mehrij. , d (k 1) + d (k 1)
Dabei war ja die Idee, dass wir unser k Schritt für Schritt erhöhen bis wir bei n angekommen sind, denn dann haben wir das Problem gelöst. Dies ist im Grunde unser Algorithmus. Wir müssen diesen nur noch
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 4: Flüsse
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 4: Flüsse Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 4: Flüsse Flüsse Netzwerk, Fluss, s,t-schnitt, Kapazität MaxFlow-MinCut-Theorem Restnetzwerk
MehrVU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz
VU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz Gruppe A: Bernhard Stader, Georg Ziegler, Andreas Zugaj 10. November 2004 Inhaltsverzeichnis
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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrWiederholung 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:
MehrKAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
MehrBipartites Matching. Gegeben: Ein bipartiter, ungerichteter Graph (V 1, V 2, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität.
Netzwerkalgorithmen Bipartites Matching (Folie 90, Seite 80 im Skript) Gegeben: Ein bipartiter, ungerichteter Graph (V, V, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität. Ein Matching ist eine
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Thomas Fersch mail@t-fersch.de 11.06.2010 Seminar "Hallo Welt!" für Fortgeschrittene 1 Übersicht Maximale Flüsse in Netzwerken Worum geht s? Lösung nach Ford-Fulkerson
MehrAnwendungen von Netzwerkfluss
Anwendungen von Netzwerkfluss Berlin, 13. 01. 2009 Wojciech Polcwiartek Institut für Informatik FU Berlin 1. Einführung/ Definitionen Modellieren der Probleme mit Hilfe von Netzwerken und Flüssen in den
MehrMathematische Modelle in den Naturwissenschaften Proseminar
Mathematische Modelle in den Naturwissenschaften Proseminar Johannes Kepler Universität Linz Technische Mathematik Der Algorithmus von Ford und Fulkerson Ausgearbeitet von Julia Eder, Markus Eslitzbichler,
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 7 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 2. Mai 2018 [Letzte Aktualisierung: 2/05/2018,
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen Flußnetzwerke 6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
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
MehrFlüsse, Schnitte, Bipartite Graphen
Flüsse, Schnitte, Bipartite Graphen Sebastian Hahn 4. Juni 2013 Sebastian Hahn Flüsse, Schnitte, Bipartite Graphen 4. Juni 2013 1 / 48 Überblick Flussnetzwerke Ford-Fulkerson-Methode Edmonds-Karp-Strategie
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
Mehr11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME
Algorithmen und Datenstrukturen 11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME Algorithmen und Datenstrukturen - Ma5hias Thimm (thimm@uni-koblenz.de) 1 Algorithmen und Datenstrukturen 11.1. BERECHNUNG MAXIMALER FLÜSSE
MehrFLÜSSE, SCHNITTE UND - TEIL 2 - BIPARTITE GRAPHEN. Vortrag im Seminar Hallo Welt Für Fortgeschrittene Dozenten: Werth, T. & Brinkers, D.
FLÜSSE, SCHNITTE UND BIPARTITE GRAPHEN - TEIL 2 - Vortrag im Seminar Hallo Welt Für Fortgeschrittene Dozenten: Werth, T. & Brinkers, D. Lukas Dresel 17. Juni 215 Inhalt Problemstellung Lösungsmethode 1
MehrDer Preow-push-Algorithmus
Der Preow-push-Algorithmus Bea Schumann 26. Juni 2009 Inhaltsverzeichnis Einleitung 2 Der generische Algorithmus 2 2. Push und Relabel........................... 3 2.. Push..............................
Mehr2.6.1 Definition und Darstellung Ausspähen von Graphen Minimal spannende Bäume Kürzeste Pfade 2.6.
.6 Graphen.6. Definition und Dartellung.6. Aupähen von Graphen.6.3 Minimal pannende Bäume.6.4 Kürzete Pfade.6.5 Maximaler Flu .6.5 Maximaler Flu.6.5. Flunetzwerke.6.5. Ford-Fulkeron-Methode.6.5.3 Algorithmu
MehrEffiziente Algorithmen und Datenstrukturen II
Effiziente Algorithmen und Datenstrukturen II Prof. Dr. Christian Scheideler Technische Universität München, 25. April 2006 1 Algorithmen für maximale Flüsse 1.1 Flüsse Ein Flussnetzwerk G = (V, E) ist
MehrFlüsse und Zuordnungen. Kapitel 6. Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/ / 296
Kapitel 6 Peter Becker (H-BRS) Graphentheorie Wintersemester 2018/19 227 / 296 Inhalt Inhalt 6 Flussnetzwerke Berechnung maximaler Flüsse Max-Flow-Min-Cut Matchings Peter Becker (H-BRS) Graphentheorie
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 9 Programm: Übungsblatt
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
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 14. Mai
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
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
Mehr6 Flüsse und Matchings
6. Flüsse in Netzwerken Flußnetzwerke 6 Flüsse und Matchings In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert werden
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorleung. Falltudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal pannende Bäume 5. Kürzete Pfade 6. Traveling Saleman Problem 7. Flüe in Netzwerken
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
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
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
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 13: Flüsse und Zuordnungen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 9. Juni 2017 DURCHSATZ D(e) ist die maximale Flussmenge,
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrTrennender Schnitt. Wie groß kann der Fluss in dem folgenden Flussnetzwerk höchstens sein?
6. Flüsse und Zuordnungen max-flow min-cut Trennender Schnitt Wie groß kann der Fluss in dem folgenden Flussnetzwerk höchstens sein? a e s c d t b f Der Fluss kann nicht größer als die Kapazität der der
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
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
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
MehrEffiziente Algorithmen I 11. Übungsblatt, Wintersemester 2015/16 Abgabetermin:
11 11. Übungsblatt, Wintersemester 2015/16 Abgabetermin: 19.01.2016 Aufgabe 29 Bestimmen Sie mit der Stepping-Stone-ethode einen Transportplan mit minimalen Kosten für das klassische Transportproblem mit
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrKürzeste Wegealgorithmen
Kürzeste Wegealgorithmen Berechnung kürzester Wege Ein gewichteter Graph G ist ein Tupel (V,E) zusammen mit einer Gewichtsfunktion f, wobei E V V und f: E Seien u,v V. Ein kürzester Weg von u nach v ist
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis obias Ludes 0.0.0. Einführung Um den maximalen Flusswert zwischen allen Knoten eines ungerichteten Graphen zu berechnen sind nach Gomory und Hu nur
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
MehrÜberblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching
Kap. 1.4: Minimum Weight Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 4. VO 6. November 2006 Überblick kurze Wiederholung: 1.2 Blüten-Schrumpf-Algorithmus für Perfektes Matching
MehrStrukturelle Modelle in der Bildverarbeitung Binäre MinSum Probleme
Strukturelle Modelle in der Bildverarbeitung Binäre MinSum Probleme TUD/INF/KI/IS Äquivalente Transformationen (Reparametrisierung) Binäre MinSum Probleme kanonische Form MinCut Binäre MinSum Probleme
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
MehrEffiziente Algorithmen I
9. Präsenzaufgabenblatt, WiSe 2013/14 Übungstunden am 13.01. & 15.01.2014 Aufgabe Q Gegeben sei ein Fluss-Netzwerk mit Digraph D = (V, A), Knotenkapazitäten c(u, v) 0, Quelle s und Senke t. Kann sich der
Mehr7. Der Entwurf von Algorithmen (Fortsetzung)
Prof. Dr. Norbert Blum M.Sc. Adrian Schmitz Informatik V BA-INF 041 - Algorithmen und Berechnungskomplexität II SS 2015 Mögliche Klausuraufgaben Stand 1. Juli 2015 Bitte beachten Sie, dass die tatsächlichen
MehrZählen perfekter Matchings in planaren Graphen
Zählen perfekter Matchings in planaren Graphen Kathlén Kohn Institut für Mathematik Universität Paderborn 25. Mai 2012 Inhaltsverzeichnis Motivation Einführung in Graphentheorie Zählen perfekter Matchings
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrBeweis: Färbe jede Kante zufällig und unabhängig mit Ws 1 2. Ereignis A i : i-te Clique K (i), i = 1,..., ( n K (i)
Die Probabilistische Methode Beobachtung: Besitzt ein Ereignis Ws > 0, so muss es existieren! Notation: Sei K n der komplette Graph mit n Knoten und ( n 2) Kanten. Satz Falls 2 (k 2) 1 > ( n k), existiert
MehrEffiziente Algorithmen
Effiziente Algorithmen Martin Hofmann und Jan Johannsen Institut für Informatik LMU München Sommersemester 2002 Graphalgorithmen Grundlegendes Repräsentation von Graphen Breiten- und Tiefensuche Minimale
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
MehrWiederholung
Wiederholung Knotenfärbung von Graphen Chromatische Zahl χ(g) Beweis: Jeder planare Graph ist 5-färbbar Vierfarbensatz: Jeder planare Graph ist 4-färbbar. Kantenfärbung: χ (G) = (G) oder (G)+1 Matchings
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 16 Programm: Einführung
MehrMatchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)
Praktikum Diskrete Optimierung (Teil 5) 6.05.009 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen
MehrEffiziente Algorithmen (SS2014)
Effiziente Algorithmen (SS204) Kapitel 2 Flüsse Walter Unger Lehrstuhl für Informatik 26.06.204 09: (2:2) Walter Unger 7..205 7:56 SS204 Z x Inhalt I Dinitz mit Propagation Einleitung Algorithmus und
MehrKlausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrName:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
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
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
MehrSCHNITTERHALTUNG (SPEKTRALE APPROXIMATION)
Vorlesung 12 AUSDÜNNUNG VON GRAPHEN SCHNITTERHALTUNG (SPEKTRALE APPROXIMATION) 387 Wiederholung: Approximative Schnitterhaltung Ziel: Approximationsalgorithmus: A(S(G)) Ziele bei Eingabe eines dichten
MehrSystems of Distinct Representatives
Systems of Distinct Representatives Seminar: Extremal Combinatorics Peter Fritz Lehr- und Forschungsgebiet Theoretische Informatik RWTH Aachen Systems of Distinct Representatives p. 1/41 Gliederung Einführung
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 10. Oktober 2006 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber
MehrBipartite 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
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrAlgorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009
Algorithmentechnik - U bung 3 4. Sitzung Tanja Hartmann 03. Dezember 2009 I NSTITUT F U R T HEORETISCHE I NFORMATIK, P ROF. D R. D OROTHEA WAGNER KIT Universita t des Landes Baden-Wu rttemberg und nationales
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des
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
MehrUniv.-Prof. Dr. Goulnara ARZHANTSEVA
Diskrete Mathematik Univ.-Prof. Dr. Goulnara ARZHANTSEVA SS 2018 c Univ.-Prof. Dr. Goulnara Arzhantseva Kapitel 08: Menger, König und Hall / Planare Graphen 1 / 30 Der Satz von Menger: s t trennende Kantenmenge
Mehr9 Minimum Spanning Trees
Im Folgenden wollen wir uns genauer mit dem Minimum Spanning Tree -Problem auseinandersetzen. 9.1 MST-Problem Gegeben ein ungerichteter Graph G = (V,E) und eine Gewichtsfunktion w w : E R Man berechne
MehrLösungshinweise 3 Vorlesung Algorithmentechnik im WS 08/09
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Lösungshinweise Vorlesung Algorithmentechnik im WS 08/09 Problem : Kreuzende Schnitte Zwei Schnitte (S, V \ S) und (T, V \ T ) in einem
MehrFortgeschrittene 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
MehrÜbung 5 Algorithmen II
Michael Axtmann michael.axtmann@kit.edu http://algo.iti.kit.edu/algorithmenii_ws6.php - 0 Axtmann: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
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
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
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
MehrFlüsse und Schnitte von Graphen
Flüsse und Schnitte von Graphen Christian Koch Friedrich-Alexander-Universität Erlangen-Nürnberg 2. Juni 27 Christian Koch Flüsse und Schnitte 2. Juni 27 / 29 Gliederung Flüsse Allgemeines Maximaler Fluss
MehrTheoretische Informatik 1
Theoretische Informatik 1 Search - Beweis der Korrektheit David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2013 Algemeine Anmerkungen zur Übung 9 Aufgabenblätter, 3 Abgabetermine
Mehr