Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem
|
|
- Nora Stein
- vor 6 Jahren
- Abrufe
Transkript
1 Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Gerold Jäger 4. Februar 2010 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
2 Überblick 1 Theorie der Toleranzen Motivation Wesentliche Begriffe Theoretische Resultate 2 Anwendungen auf das Traveling Salesman Problem Traveling Salesman Problem Toleranzbasierte Greedy-Heuristik Pseudo-Backbone-Kontraktions-Heuristik 3 Fazit und offene Fragen Gerold Jäger Theorie der Toleranzen 4. Februar / 35
3 Motivation Analyse optimaler Lösungen kombinatorischer Optimierungsprobleme Beschränkung auf Minimierungsprobleme Fragestellungen: Wie hängt die Optimalität einer gegebenen Lösung von den Eingabedaten ab? Wie stabil liegen Elemente innerhalb einer optimalen Lösung? Wie stabil liegen Elemente außerhalb einer optimalen Lösung? Theorie der Toleranzen Zweig der Sensitivitätsanalyse Gerold Jäger Theorie der Toleranzen 4. Februar / 35
4 Anwendungen Eingabedaten nicht exakt Zuverlässigkeit der optimalen Lösung und Folgerungen daraus? Bestimmte Betrachtungen nicht in das kombinatorische Minimierungsproblem integriert (z.b. zu komplex) Optimale Lösung des vereinfachten Problems auch hilfreich für zusätzliche Betrachtungen? Gerold Jäger Theorie der Toleranzen 4. Februar / 35
5 Relaxed Assignment Problem Definition Geg.: Gerichteter vollständiger Graph G = (V, E), V = n, Kostenfunktion c : E R. Relaxed Assignment Problem: Finde eine Menge von n Kanten, so dass jeder Knoten genau eine Ausgangskante hat die Gesamtlänge aller Kanten minimal ist Beispiel 1: Lösungskanten: (1, 2), (2, 3), (3, 2), (4, 2), (5, 2), (6, 2) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
6 Kombinatorisches Minimierungsproblem Betrachtung kombinatorischer Minimierungsprobleme (KMP) mit folgenden Parametern: endliche Grundmenge E = {e 1, e 2,..., e k } Kostenfunktion c : E R Menge der zulässigen Lösungen D mit D 2 E. Minimierungsfunktion f c : D R. Sei S D. Betrachtung folgender 4 Klassen: Klasse : f c (S) = e S c(e) Klasse : f c (S) = e S c(e) Klasse + : f c (S) = e S c(e), wobei e E : c(e) R+ Klasse MAX: f c (S) = max e S {c(e)} Gerold Jäger Theorie der Toleranzen 4. Februar / 35
7 Kombinatorisches Minimierungsproblem Problem: Finde eine zulässige Lösung S D mit minimalen Kosten. Zusatzbedingungen: Die Menge der zulässigen Lösungen ist unabhängig von der Kostenfunktion. Es gibt mindestens eine optimale Lösung. Beispiele von kombinatorischen Minimierungsproblemen: Klasse : Traveling Salesman Problem (TSP), Minimum Spanning Tree Problem (MST), Assignment Problem (AP), Relaxed Assignment Problem (RAP) Klasse MAX: Bottleneck-TSP, Bottleneck-AP. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
8 Additive obere Einzel-Toleranz Geg.: KMP, Optimale Lösung S D und e E. Halte die Kosten c(ē) aller Elemente ē E \ {e} fest. Variiere die Kosten c(e) des Elements e E. Fall 1: e S Additive obere Einzel-Toleranz von e S : Maximaler Wert, mit dem die Kosten von e additiv vergrößert werden können, so dass S optimal bleibt. Beispiel 1: RAP Lösungskanten: (1, 2), (2, 3), (3, 2), (4, 2), (5, 2), (6, 2) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
9 Multiplikative obere Einzel-Toleranz Fall 1: e S Multiplikative obere Einzel-Toleranz von e S : Maximaler Wert, mit dem die Kosten von e multiplikativ vergrößert werden können, so dass S optimal bleibt. Beispiel 2: E = {v, w, x, y, z} mit c(v) = 1 c(w) = 2 c(x) = 3 c(y) = 5 c(z) = 9 D = { {v, w, x}, {v, y}, {v, x, z} } Kostenfunktion der Klasse Zwei optimale Lösungen haben Kosten 6. Eine weitere zulässige Lösung hat Kosten 13. Dann gilt: u (v) = + u (w) = 1 u (x) = 1 u (y) = 1 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
10 Additive untere Einzel-Toleranz Fall 2: e E \ S Additive untere Einzel-Toleranz von e: Maximaler Wert, mit dem die Kosten von e additiv verkleinert werden können, so dass S optimal bleibt. Beispiel 2: E = {v, w, x, y, z} mit c(v) = 1 c(w) = 2 c(x) = 3 c(y) = 5 c(z) = 9 D = { {v, w, x}, {v, y}, {v, x, z} } Kostenfunktion der Klasse Zwei optimale Lösungen haben Kosten 6. Eine weitere zulässige Lösung hat Kosten 13. Dann gilt: l (w) = 0 l (x) = 0 l (y) = 0 l (z) = 7 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
11 Multiplikative untere Einzel-Toleranz Fall 2: e E \ S Multiplikative untere Einzel-Toleranz von e: Minimaler Wert, mit dem die Kosten von e multiplikativ verkleinert werden können, so dass S optimal bleibt. Beispiel 1: RAP Lösungskanten: (1, 2), (2, 3), (3, 2), (4, 2), (5, 2), (6, 2) Dann gilt: l ((1, 4)) = 6 l ((4, 5)) = Gerold Jäger Theorie der Toleranzen 4. Februar 2010 / 35
12 Additive obere Mengen-Toleranz Geg.: KMP, Optimale Lösung S D und E E mit 2 E E = k. Halte die Kosten c(ē) aller Elemente ē E \ E fest. Variiere gleichzeitig die Kosten c(e) der Elemente e E. Fall 1: E S Additive obere Mengen-Toleranz von E: Kosten von Elementen aus E werden additiv vergrößert, so dass S optimal bleibt. p := Summe dieser Kostenveränderungen Maximum über alle möglichen p. Beispiel 3: E = {w, x, y, z} mit c(w) = 1 c(x) = 10 c(y) = 2 c(z) = 20 D = { {w, x}, {y, z} } Kostenfunktion der Klasse + Die Lösungen haben Kosten 10 und 40. Dann gilt: u (w, x) = 30 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
13 Additive untere Mengen-Toleranz Fall 2: E E \ S Additive untere Mengen-Toleranz von E: Kosten von Elementen aus E werden additiv verkleinert, so dass S optimal bleibt. p := Summe dieser Kostenveränderungen Maximum über alle möglichen p. Beispiel 4: E = {w, x, y, z} mit c(w) = 1 c(x) = 10 c(y) = 2 c(z) = 20 D = { {w, x}, {y, z} } Kostenfunktion der Klasse MAX Die Lösungen haben Kosten 10 und 20. Dann gilt: l (y, z) = + Analoge Definition: Multiplikative Mengen-Toleranzen. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
14 Backbone Geg.: KMP Backbone: Element, das in jeder optimalen Lösung enthalten ist. Elementarer Begriff: Charakterisierung von kombinatorischen Minimierungsproblemen Wesentlicher Bestandteil vieler Heuristiken und exakter Algorithmen siehe Pseudo-Backbone-Kontraktions-Heuristik Zusammenhang zu Toleranzen? Gerold Jäger Theorie der Toleranzen 4. Februar / 35
15 Wohldefiniertheit und Backbones Alle definierten Toleranzen hängen nicht von der gewählten optimalen Lösung ab. Kostenfunktion der Klassen, +, : Backbones sind genau die Elemente mit positiver additiver oberer Einzel-Toleranz und (äquivalent) die Elemente mit multiplikativer oberer Einzel-Toleranz ungleich 1. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
16 Unendliche und minimale Einzel-Toleranzen Elemente, die in allen zulässigen Lösungen enthalten sind, sind genau die Elemente mit additiver oberer Einzel-Toleranz +. Kostenfunktion der Klasse : Elemente, die in keiner zulässigen Lösungen enthalten sind, sind genau die Elemente mit additiver unterer Einzel-Toleranz +. Kostenfunktion der Klasse : Sei keine zulässige Lösung Teilmenge einer anderen zulässigen Lösung. Dann ist die minimale additive obere Einzel-Toleranz gleich der minimalen additiven unteren Einzel-Toleranz. Kostenfunktion der Klasse + : Ähnliches Resultat gilt für die multiplikative Einzel-Toleranz. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
17 Berechnung der oberen additiven Einzel-Toleranz Sei e E. q := Kosten einer optimalen Lösung. q e := Kosten einer optimalen Lösung mit der zusätzlichen Bedingung, dass e nicht darin enthalten ist. Kostenfunktion der Klasse : q e q Kostenfunktion der Klasse + : q e q q Kostenfunktion der Klasse MAX: c(e) q e c(e) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
18 Beziehung zwischen additiver und multiplikativer Einzel-Toleranz u (e) := Additive obere Einzel-Toleranz von e E u (e) := Multiplikative obere Einzel-Toleranz von e E Kostenfunktion der Klasse, +, MAX: u (e) = 1 + u (e) c(e) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
19 Schranken für additive obere Mengen-Toleranz u (E) := Additive obere Mengen-Toleranz von E = {e 1, e 2,..., e t } E u (e l ) := Additive obere Einzel-Toleranz von e l E Kostenfunktion der Klassen, + : k max l=1 {u (e l)} u (E) k u (e l ) l=1 Kostenfunktion der Klasse MAX: k u (e l ) u (E) l=1 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
20 Definition Geg.: Gerichteter vollständiger Graph G = (V, E), V = n, Kostenfunktion c : E R. Traveling Salesman Problem (TSP): Finde eine Tour (v 1, v 2,..., v n, v 1 ) mit minimalen Kosten Vorstellung n 1 c(v n, v 1 ) + c(v i, v i+1 ) i=1 Verbesserung einer Konstruktionsheuristik für das asymmetrische TSP ([Glover et al., 21]) durch Toleranzen. Auf Backbones basierende Pseudo-Backbone-Konstruktionsheuristik für das symmetrische TSP. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
21 Originale Greedy-ATSP-Heuristik Starte mit der kleinsten Kante im Graphen Kontrahiere beide Knoten dieser Kante zu einem neuen Knoten. (1,2) (1,2) Wiederhole 1. und 2., bis nur zwei Knoten übrigbleiben. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
22 Originale Greedy-ATSP-Heuristik (1,2,3) (1,2,3) (1,2,3,4) 5 6 (1,2,3,4) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
23 Originale Greedy-ATSP-Heuristik (1,2,3,4,5) 6 (1,2,3,4,5) Verbinde diese zwei Knoten zu einem Kreis. Ersetze alle Knoten durch ihre kontrahierten Wege. Erhalte die Ausgabe-Tour. Tour (1, 2, 3, 4, 5, 6, 1) mit Länge 306 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
24 Toleranzbasierte Greedy-ATSP-Heuristik Wähle statt einer kostenminimalen Kante eine Kante mit größter additiver oberer Einzel-Toleranz zum Relaxed Assignment Problem (4,2) (4,2) Gerold Jäger Theorie der Toleranzen 4. Februar / 35
25 Toleranzbasierte Greedy-ATSP-Heuristik 1 (4,2) (5,3) (4,2) (5,3) (5,3) (6,4,2) (5,3) (6,4,2) (6,4,2,5,3) 1 7 (6,4,2,5,3) 35 Tour (1, 6, 4, 2, 5, 3, 1) mit Länge 2 Gerold Jäger Theorie der Toleranzen 4. Februar / 35
26 Experimentelle Resultate Experimentelle Untersuchungen: Originale Greedy-ATSP-Heuristik ORIG-GR Toleranzbasierte Greedy-ATSP-Heuristik TOL-GR für 9 verschiedene Instanzklassen symmetrische und asymmetrische Instanzen zufällige und reale Instanzen Instanzen, deren Distanzwerte stark oder schwach variieren hinsichtlich Zeit Qualität (Tourlänge) Ergebnisse: TOL-GR nur minimal größere Laufzeit TOL-GR deutlich bessere Qualität Fazit: TOL-GR bessere Konstruktionsheuristik als ORIG-GR Gerold Jäger Theorie der Toleranzen 4. Februar / 35
27 Pseudo-Backbone-Kontraktions-Heuristik 1 Lege Basis-Heuristik für das symmetrische TSP zugrunde. Derzeit beste TSP-Heuristik: [Helsgaun, 1998] 2 Finde gute Starttouren mit Hilfe der Basis-Heuristik. a b c Gerold Jäger Theorie der Toleranzen 4. Februar / 35
28 Pseudo-Backbone-Kontraktions-Heuristik 3 Finde alle gemeinsamen Kanten in diesen Starttouren. a b c d Diese Kanten heißen Pseudo-Backbone-Kanten. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
29 Pseudo-Backbone-Kontraktions-Heuristik 4 Kontrahiere alle Kanten, die auf Wegen von Pseudo-Backbone-Kanten liegen, zu einer einzelnen Kante. d e Konstruiere eine neue Instanz durch Weglassen aller Knoten, die auf einem Weg von Pseudo-Backbone-Kanten liegen. Fixiere diese Kanten, d.h. diese Kanten werden in die finale Tour hineingezwungen. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
30 Pseudo-Backbone-Kontraktions-Heuristik 6 Wende die Basis-Heuristik auf die neue Instanz an. e e e f Gerold Jäger Theorie der Toleranzen 4. Februar / 35
31 Pseudo-Backbone-Kontraktions-Heuristik 7 Transformiere die Tour der neuen Instanz zu einer Tour der originalen Instanz zurück. e f g Hier ist die letzte Tour eine optimale Tour. Gerold Jäger Theorie der Toleranzen 4. Februar / 35
32 Allgemeine Bemerkungen Zwei Vorteile: 1 Reduktion der Knotenmenge 2 Fixierung eines Teils der Kanten Die Basis-Heuristik kann viel effektiver angewandt werden als für die originale Instanz. Die Pseudo-Backbone-Kontraktions-Heuristik funktioniert gut, falls die Starttouren 1 gute Qualität haben 2 nicht zu ähnlich sind sonst wird der Suchraum zu stark eingeschränkt Gerold Jäger Theorie der Toleranzen 4. Februar / 35
33 Wettbewerb: TSP-Homepage Siehe Viele praxisrelevante Instanzen für den Vergleich exakter Algorithmen und Heuristiken 64 ungelöste Beispiel-Instanzen: VLSI und nationale Instanzen Für 18 von 64 Instanzen neue Rekordtour gefunden 7 von 18 Rekordtouren mit Hilfe der Pseudo-Backbone-Kontraktions- Heuristik 10 von 18 Rekordtouren noch aktuell Gerold Jäger Theorie der Toleranzen 4. Februar / 35
34 Fazit und offene Fragen Entwurf einer Toleranztheorie: Klassen von Minimerungsfunktionen, +,, MAX obere Toleranz untere Toleranz additive Toleranz multiplikative Toleranz Einzel-Toleranz Mengen-Toleranz Frage: Können exakte Formeln für Mengen-Toleranzen angegeben oder Schranken verbessert werden? Anwendungen: Verbesserung exakter Algorithmen und Heuristiken mit Hilfe von Toleranzen Insbesondere: Toleranzbasierte Algorithmen sind kostenbasierten Algorithmen überlegen. Bisher: Nur Anwendungen von additiven Einzel-Toleranzen auf Kostenfunktionen der Klasse Zukünftig: Anwendung der übrigen Toleranzen und Kostenfunktionen Insbesondere: Mengen-Toleranzen Gerold Jäger Theorie der Toleranzen 4. Februar / 35
35 Vielen Dank für Ihre Aufmerksamkeit! Gerold Jäger Theorie der Toleranzen 4. Februar / 35
Toleranzbasierte 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
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
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
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrEulerweg, 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
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
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
MehrApproximation im Sinne der Analysis:
1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische
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
MehrToleranzen in Helsgauns TSP-Heuristik
Vortrag am 27. April 2006 Betreuer: Dr. Gerold Jäger Prof. Dr. Paul Molitor Lehrstuhl für Datenstrukturen und eziente Algorithmen Martin-Luther-Universität Halle-Wittenberg http://www.informatik.uni-halle.de/
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
MehrWie 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
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
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
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
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
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
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
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
MehrSteinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering
Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas
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)
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,
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
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
MehrMinimale Anzahl von Hinweisen bei Sudoku
Minimale Anzahl von Hinweisen bei Sudoku Sascha Kurz sascha.kurz@uni-bayreuth.de (basierend auf Arbeiten von Ariane Papke und Gary McGuire et al.) Oberseminar Effizienz dezentraler Strukturen, Bayreuth,
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
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
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
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
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.
MehrS=[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
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
MehrExperimente. Zahlenbeispiel. Cache-Optimale Algorithmen. Warum Funktionieren Caches? Cache-Oblivious Speichermodell. Characterisierung von Caches
M=10 9, B=10 6 Zahlenbeispiel Für c=1/7 folgt daraus Experimente 20 Millionen Operationen auf Priority Queue mit verschiedenen Implementierungen Datenstrukturen ohne Rücksicht auf Paging-Effekte (Fibonacci
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
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
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
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
Mehr3 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
MehrFerienkurs 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
MehrHybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents
Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010
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
MehrApproximations-Algorithmen
Approximations-Algorithmen Institut für Computergraphik und Algorithmen Abteilung für Algorithmen und Datenstrukturen 186.102 Sommersemester 2004, 2h VU Motivation: Bereits viele einfache Optimierungsprobleme
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.
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
Mehr23. 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
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,
Mehr4 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
MehrSteiner Bäume. Dipl.-Math. Maria Kandyba Lehrstuhl für Algorithm Engineering, LS VO 15. Januar 2007
Steiner Bäume Dipl.-Math. Maria Kandyba Lehrstuhl für Algorithm Engineering, LS11 12 VO 15. Januar 2007 Überblick Einführung Definition und Motivation Komplexität Approximationsalgorithmen Distanznetzwerk
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
MehrAlgorithmen 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
MehrGraph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten
Graphentheorie Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten gerichteter Graph (DiGraph (directed graph) E: Teilmenge E
MehrÜbungsblatt 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
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Mehr2. 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
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
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
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.
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrADS: 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
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
MehrGraphentheorie. 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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
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
MehrLösungsvorschläge Blatt Z1
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt Z1 Zürich, 2. Dezember 2016 Lösung zu Aufgabe Z1 Wir zeigen L qi /
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
MehrRechnerische Komplexität
Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit
Mehr1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT)... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben...
Vorwort v I Approximative Algorithmen 1 1 Einführung 2 1.1 Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT).... 2 1.2 Notationen und Definitionen... 7 1.3 Übungsaufgaben..... 18 2 DieKomplexitätsklassen
MehrDas Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!
Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck
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 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
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrDer Approximationsalgorithmus von Christofides
Der Approximationsalgorithms on Christofides Problem: Traeling Salesman Inpt: Ein Graph G = (V, E) mit einer Distanzfnktion d : E Q 0. Afgabe: Finde eine Tor, die alle Knoten des Graphen G gena einmal
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
MehrReelle Zahlen, Gleichungen und Ungleichungen
9 2. Vorlesung Reelle Zahlen, Gleichungen und Ungleichungen 4 Zahlenmengen und der Körper der reellen Zahlen 4.1 Zahlenmengen * Die Menge der natürlichen Zahlen N = {0,1,2,3,...}. * Die Menge der ganzen
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrOptimierungsprobleme in der Industrie
Dipl.-Inf. 2006-01-20, TU Darmstadt Gliederung Einleitung Anwendungen, Modelle, Verfahren Einführung, Komplexität, Algorithmen Vorstellung Fazit, Literatur Beteiligte Institutionen www.mrupp.info Diplomarbeit
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,
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
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
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
MehrNP-vollständig - Was nun?
Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrPartikelschwarmoptimierung für diskrete Probleme
Partikelschwarmoptimierung für diskrete Probleme Yushan Liu Fakultät für Mathematik TU München 26. Oktober 2014 Ferienakademie im Sarntal - Kurs 1 Moderne Suchmethoden der Informatik: Trends und Potenzial
Mehr1 Axiomatische Charakterisierung der reellen. 3 Die natürlichen, die ganzen und die rationalen. 4 Das Vollständigkeitsaxiom und irrationale
Kapitel I Reelle Zahlen 1 Axiomatische Charakterisierung der reellen Zahlen R 2 Angeordnete Körper 3 Die natürlichen, die ganzen und die rationalen Zahlen 4 Das Vollständigkeitsaxiom und irrationale Zahlen
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
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
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrTraveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger
Traveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger Inhalt Allgemeine Problembeschreibung Historie Mathematische Beschreibung Algorithmische Komplexität Beispiel Symmetrisches
MehrEinführung 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
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrPeriodische Fahrpläne und Kreise in Graphen
Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf
MehrGraphen 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