Vorlesung 1: Stabiles Heiraten
|
|
- Heike Maier
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung 1: Stabiles Heiraten Algorithmen und Datenstrukturen, Herbstsemester 17
2 Einleitung
3 Anwendungsbeispiel aus USA «National Residency Matching Program (NRMP)» jedes Jahr müssen ca 30,000 Stellen an US Spitälern mit abschliessenden Medizinstudenten besetzt werden
4 Was sind gute Zuordnungen?
5 Was sind gute Zuordnungen? Überlegungen: jeder Student möchte eine möglichst «gute Stelle» und hat eine Rangliste aller Stellen gemäss seiner Präferenzen
6 Was sind gute Zuordnungen? Überlegungen: jeder Student möchte eine möglichst «gute Stelle» und hat eine Rangliste aller Stellen gemäss seiner Präferenzen jedes Spital möchte möglichst «gute Studenten» und hat für jede Stelle eine Rangliste der Studenten gemäss ihrer Eignung
7 Was sind gute Zuordnungen? Überlegungen: jeder Student möchte eine möglichst «gute Stelle» und hat eine Rangliste aller Stellen gemäss seiner Präferenzen jedes Spital möchte möglichst «gute Studenten» und hat für jede Stelle eine Rangliste der Studenten gemäss ihrer Eignung wahrscheinlich: nicht jeder Student kann seine erste Wahl bekommen und nicht jede Stelle kann mit dem geeignetsten Studenten besetzt werden
8 Was sind gute Zuordnungen? Überlegungen: jeder Student möchte eine möglichst «gute Stelle» und hat eine Rangliste aller Stellen gemäss seiner Präferenzen jedes Spital möchte möglichst «gute Studenten» und hat für jede Stelle eine Rangliste der Studenten gemäss ihrer Eignung wahrscheinlich: nicht jeder Student kann seine erste Wahl bekommen und nicht jede Stelle kann mit dem geeignetsten Studenten besetzt werden Wie können Kon ikte möglichst gut aufgelöst werden?
9 Was sind Anzeichen schlechter Zuordnungen?
10 Was sind Anzeichen schlechter Zuordnungen? wenn sowohl Spitäler als auch Studenten Anreize haben von der aktuellen Zuordnung abzuweichen
11 Was sind Anzeichen schlechter Zuordnungen? wenn sowohl Spitäler als auch Studenten Anreize haben von der aktuellen Zuordnung abzuweichen konkret: es gibt Student A und Stelle B so dass gilt: Student A zieht Stelle B seiner aktuellen Stelle vor Student A ist besser für Stelle B geeignet als der aktuelle Student auf Stelle B
12 Was sind Anzeichen schlechter Zuordnungen? wenn sowohl Spitäler als auch Studenten Anreize haben von der aktuellen Zuordnung abzuweichen konkret: es gibt Student A und Stelle B so dass gilt: Student A zieht Stelle B seiner aktuellen Stelle vor Student A ist besser für Stelle B geeignet als der aktuelle Student auf Stelle B in diesem Fall hat Student A einen Anreiz seine aktuelle Stelle zu kündigen und das Spital hat einen Anreiz den aktuellen Student auf Stelle B zu entlassen
13 Was sind Anzeichen schlechter Zuordnungen? wenn sowohl Spitäler als auch Studenten Anreize haben von der aktuellen Zuordnung abzuweichen konkret: es gibt Student A und Stelle B so dass gilt: Student A zieht Stelle B seiner aktuellen Stelle vor Student A ist besser für Stelle B geeignet als der aktuelle Student auf Stelle B in diesem Fall hat Student A einen Anreiz seine aktuelle Stelle zu kündigen und das Spital hat einen Anreiz den aktuellen Student auf Stelle B zu entlassen Begri : solche Zuordnungen werden «instabil» genannt
14 Was sind Anzeichen schlechter Zuordnungen? wenn sowohl Spitäler als auch Studenten Anreize haben von der aktuellen Zuordnung abzuweichen konkret: es gibt Student A und Stelle B so dass gilt: Student A zieht Stelle B seiner aktuellen Stelle vor Student A ist besser für Stelle B geeignet als der aktuelle Student auf Stelle B in diesem Fall hat Student A einen Anreiz seine aktuelle Stelle zu kündigen und das Spital hat einen Anreiz den aktuellen Student auf Stelle B zu entlassen Begri : solche Zuordnungen werden «instabil» genannt Können wir eine Zuordnung nden die «stabil» ist?
15 Hauptteil
16 Andere Terminologie (anwendungsentfernter)
17 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } 1 n 1 n
18 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } jede Frau f hat eine Rangliste der Männer i 1 n 1 n jeder Mann m hat eine Rangliste der Frauen i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
19 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } 1 n 1 n jede Frau f hat eine Rangliste der Männer i jeder Mann m hat eine Rangliste der Frauen i De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
20 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } 1 n 1 n jede Frau f hat eine Rangliste der Männer i jeder Mann m hat eine Rangliste der Frauen i De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
21 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } 1 n 1 n jede Frau f hat eine Rangliste der Männer i jeder Mann m hat eine Rangliste der Frauen i De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
22 Andere Terminologie (anwendungsentfernter) n Männer {m,, m } und n Frauen {f,, f } 1 n 1 n jede Frau f hat eine Rangliste der Männer i jeder Mann m hat eine Rangliste der Frauen i De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
23 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
24 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
25 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j De nition: eine Zuordnung ist stabil wenn all möglichen Paar (m, f ) stabil sind i j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
26 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j De nition: eine Zuordnung ist stabil wenn all möglichen Paar (m, f ) stabil sind i j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
27 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j De nition: eine Zuordnung ist stabil wenn all möglichen Paar (m, f ) stabil sind i j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
28 De nition: Zuordnung ist Menge von Paaren (m i, f j) so dass keine Frau und kein Mann mehr als einmal vorkommt De nition: ein Paar (m i, f j) ist stabil für eine Zuordnung wenn entweder m i seine aktuelle Partnerin gegenüber f j vorzieht oder f ihren aktuellen Partner gegenüber m vorzieht j De nition: eine Zuordnung ist stabil wenn all möglichen Paar (m, f ) stabil sind i j i m1 m2 m1 m3 m2 m2 m3 m1 m3 m1 m2 m3
29 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert?
30 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf!
31 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf! Gibt es überhaupt immer eine stabile Zuordnung?
32 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf! Gibt es überhaupt immer eine stabile Zuordnung? Ja!
33 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf! Gibt es überhaupt immer eine stabile Zuordnung? Ja! Könnte alle Zuordnungen ausprobieren um eine stabile zu nden
34 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf! Gibt es überhaupt immer eine stabile Zuordnung? Ja! Könnte alle Zuordnungen ausprobieren um eine stabile zu nden Wie lange dauert es alle möglichen Zuordnungen auf einem modernen Computer auszuprobieren? 1. ein paar Minuten 2. ein paar Stunden
35 Testen Sie Ihre Intuition Erreicht man immer eine stabile Zuordnung indem man Instabilitäten lokal abändert? Nein, dieser Prozess hört unter Umständen niemals auf! Gibt es überhaupt immer eine stabile Zuordnung? Ja! Könnte alle Zuordnungen ausprobieren um eine stabile zu nden Wie lange dauert es alle möglichen Zuordnungen auf einem modernen Computer auszuprobieren? 1. ein paar Minuten 2. ein paar Stunden 3. länger als das geschätzte Alter des Universums!
36 10000 mehr als 10 mögliche Zuordnungen für US residencies
37 10000 mehr als 10 mögliche Zuordnungen für US residencies
38 10000 mehr als 10 mögliche Zuordnungen für US residencies Planck-Zeiteinheiten (10 s) seit Urknall
39 10000 mehr als 10 mögliche Zuordnungen für US residencies Planck-Zeiteinheiten (10 s) seit Urknall Atome im Universum
40 10000 mehr als 10 mögliche Zuordnungen für US residencies Planck-Zeiteinheiten (10 s) seit Urknall Atome im Universum 9 10 «Rechenschritte» für Gale Shapley Algorithmus (wenige Sekunden auf modernem Computer)
41 10000 mehr als 10 mögliche Zuordnungen für US residencies Planck-Zeiteinheiten (10 s) seit Urknall Atome im Universum 9 10 «Rechenschritte» für Gale Shapley Algorithmus (wenige Sekunden auf modernem Computer) Hintergrund: polynomielles versus exponentielles Wachstum
42 Problem des stabilen Heiratens Gegeben: n Frauen und n Männer mit Ranglisten Gesucht: stabile Zuordnung zwischen Männern und Frauen
43 Problem des stabilen Heiratens Gegeben: n Frauen und n Männer mit Ranglisten Gesucht: stabile Zuordnung zwischen Männern und Frauen Gale Shapley Theorem (1962) Es existiert einen Algorithmus, der das Problem des stabilen 2 Heiratens in höchstens n «Rechenschritten» löst
44 Problem des stabilen Heiratens Gegeben: n Frauen und n Männer mit Ranglisten Gesucht: stabile Zuordnung zwischen Männern und Frauen 1962: Gale ( ) und Shapley ( ) entwickeln den Algorithmus Gale Shapley Theorem (1962) Es existiert einen Algorithmus, der das Problem des stabilen 2 Heiratens in höchstens n «Rechenschritten» löst
45 Problem des stabilen Heiratens Gegeben: n Frauen und n Männer mit Ranglisten Gesucht: stabile Zuordnung zwischen Männern und Frauen 1962: Gale ( ) und Shapley ( ) entwickeln den Algorithmus 2004: Roth erweitert ihn für Nierentransplantationen Gale Shapley Theorem (1962) Es existiert einen Algorithmus, der das Problem des stabilen 2 Heiratens in höchstens n «Rechenschritten» löst
46 Problem des stabilen Heiratens Gegeben: n Frauen und n Männer mit Ranglisten Gesucht: stabile Zuordnung zwischen Männern und Frauen 1962: Gale ( ) und Shapley ( ) entwickeln den Algorithmus 2004: Roth erweitert ihn für Nierentransplantationen 2012: Roth und Shapley erhalten den Wirtschaftsnobelpreis für diese Arbeiten Gale Shapley Theorem (1962) Es existiert einen Algorithmus, der das Problem des stabilen Heiratens in höchstens n2 «Rechenschritten» löst
47 Prinzipien des Gale Shapley Algorithmus
48 Prinzipien des Gale Shapley Algorithmus Männer sind aktiv: sie stellen Anträge an Frauen
49 Prinzipien des Gale Shapley Algorithmus Männer sind aktiv: sie stellen Anträge an Frauen Frauen sind passiv: sie akzeptieren Anträge von Männern oder lehnen diese ab
50 Prinzipien des Gale Shapley Algorithmus Männer sind aktiv: sie stellen Anträge an Frauen Frauen sind passiv: sie akzeptieren Anträge von Männern oder lehnen diese ab beide sind eigennützig: sie stellen Anträge und reagieren auf Anträge gemäss ihrer Präferenzen
51 Prinzipien des Gale Shapley Algorithmus Männer sind aktiv: sie stellen Anträge an Frauen Frauen sind passiv: sie akzeptieren Anträge von Männern oder lehnen diese ab beide sind eigennützig: sie stellen Anträge und reagieren auf Anträge gemäss ihrer Präferenzen beide sind exibel: zuvor akzeptierte Anträge können wieder aufgelöst werden
52 Prinzipien des Gale Shapley Algorithmus Männer sind aktiv: sie stellen Anträge an Frauen Frauen sind passiv: sie akzeptieren Anträge von Männern oder lehnen diese ab beide sind eigennützig: sie stellen Anträge und reagieren auf Anträge gemäss ihrer Präferenzen beide sind exibel: zuvor akzeptierte Anträge können wieder aufgelöst werden Rollen von Männern und Frauen können getauscht werden aber: die Asymmetrie zwischen beiden Seiten ist wichtig
53 Beispiel für Ablauf des Gale Shapley Algorithmus link
54 Gale Shapley Algorithmus:
55 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung
56 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung solange es einen Mann m i gibt, der keinen Partner hat und noch nicht jeder Frau einen Antrag gestellt hat:
57 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung solange es einen Mann m i gibt, der keinen Partner hat und noch nicht jeder Frau einen Antrag gestellt hat: m i stellt einen Antrag an die Frau f j, die er bevorzug unter allen, die er noch nicht gefragt hat
58 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung solange es einen Mann m i gibt, der keinen Partner hat und noch nicht jeder Frau einen Antrag gestellt hat: m i stellt einen Antrag an die Frau f j, die er bevorzug unter allen, die er noch nicht gefragt hat f j akzeptiert den Antrag, falls sie noch keinen Partner hat oder sie m i vorzieht gegenüber ihrem aktuellen Partner (in diesem Fall löst sie die bestehende Partnerschaft auf)
59 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung solange es einen Mann m i gibt, der keinen Partner hat und noch nicht jeder Frau einen Antrag gestellt hat: m i stellt einen Antrag an die Frau f j, die er bevorzug unter allen, die er noch nicht gefragt hat f j akzeptiert den Antrag, falls sie noch keinen Partner hat oder sie m i vorzieht gegenüber ihrem aktuellen Partner (in diesem Fall löst sie die bestehende Partnerschaft auf) Wieviele «Antragsrunden» gibt es?
60 Gale Shapley Algorithmus: beginne mit einer leeren Zuordnung solange es einen Mann m i gibt, der keinen Partner hat und noch nicht jeder Frau einen Antrag gestellt hat: m i stellt einen Antrag an die Frau f j, die er bevorzug unter allen, die er noch nicht gefragt hat f j akzeptiert den Antrag, falls sie noch keinen Partner hat oder sie m i vorzieht gegenüber ihrem aktuellen Partner (in diesem Fall löst sie die bestehende Partnerschaft auf) Wieviele «Antragsrunden» gibt es? Ist die so berechnete Zuordnung stabil?
61 Laufzeit 2 Behauptung: Der Algorithmus terminiert nach höchstens n Runden in denen ein Mann einer Frau einen Antrag stellt
62 Laufzeit Behauptung: Der Algorithmus terminiert nach höchstens n Runden in denen ein Mann einer Frau einen Antrag stellt Beobachtung: Jeder Mann fragt jede Frau höchstens einmal 2
63 Laufzeit Behauptung: Der Algorithmus terminiert nach höchstens n Runden in denen ein Mann einer Frau einen Antrag stellt Beobachtung: Jeder Mann fragt jede Frau höchstens einmal jeder Mann stellt höchstens n Anträge 2
64 Laufzeit Behauptung: Der Algorithmus terminiert nach höchstens n Runden in denen ein Mann einer Frau einen Antrag stellt Beobachtung: Jeder Mann fragt jede Frau höchstens einmal jeder Mann stellt höchstens n Anträge insgesamt gibt es höchstens n Anträge 2 2
65 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung
66 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig
67 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m i und f j, die nicht einander zugeordnet sind
68 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m und f, die nicht einander zugeordnet sind i j Zu zeigen: entweder m oder f hat besseren Partner i j
69 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m und f, die nicht einander zugeordnet sind Zu zeigen: entweder m oder f hat besseren Partner 1. Fall: m hat f einen Antrag gestellt i i j j i j 2. Fall: m hat f nie gefragt i j
70 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m und f, die nicht einander zugeordnet sind i Zu zeigen: entweder m oder f hat besseren Partner 1. Fall: m hat f einen Antrag gestellt i j j i j f j hat den Antrag von m i entweder abgelehnt oder später die Partnerschaft mit m aufgelöst i 2. Fall: m hat f nie gefragt i j
71 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m und f, die nicht einander zugeordnet sind Zu zeigen: entweder m oder f hat besseren Partner 1. Fall: m hat f einen Antrag gestellt i i f j hat den Antrag von m i entweder abgelehnt oder später die Partnerschaft mit m aufgelöst In beiden Fällen hat f hat einen besseren Partner als m 2. Fall: m hat f nie gefragt i j j j i j i j i
72 Korrektheit Behauptung: Der Algorithmus berechnet eine stabile Zuordnung Beobachtung: Im Laufe des Algorithmus verbessern sich die Partner einer Frau stetig Betrachte m und f, die nicht einander zugeordnet sind i Zu zeigen: entweder m oder f hat besseren Partner 1. Fall: m hat f einen Antrag gestellt i 2. Fall: m hat f nie gefragt i j j j i j eine bessere Partnerin als f j hat den Antrag von m i angenommen und nie wieder aufgelöst
73 Abschluss
74 Erweiterung Einteilung in Zweiergruppen (z.b. für Übungen) jeder Student hat eine Rangliste aller anderen Studenten
75 Erweiterung Einteilung in Zweiergruppen (z.b. für Übungen) jeder Student hat eine Rangliste aller anderen Studenten Ziel: nde «stabile» Einteilung in Zweiergruppen
76 Erweiterung Einteilung in Zweiergruppen (z.b. für Übungen) jeder Student hat eine Rangliste aller anderen Studenten Ziel: nde «stabile» Einteilung in Zweiergruppen Hier gibt es nicht notwendigerweise eine stabile Einteilung!
77 Erweiterung Einteilung in Zweiergruppen (z.b. für Übungen) jeder Student hat eine Rangliste aller anderen Studenten Ziel: nde «stabile» Einteilung in Zweiergruppen Hier gibt es nicht notwendigerweise eine stabile Einteilung! Aber falls es eine gibt kann man sie e zient nden
78 Eindeutigkeit?
79 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig
80 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer)
81 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer) welche stabile Zuordnung ndet Gale Shapley?
82 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer) welche stabile Zuordnung ndet Gale Shapley? Theorem: Gale Shapley Zuordnung ist Mann-optimal und Frau-pessimal
83 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer) welche stabile Zuordnung ndet Gale Shapley? Theorem: Gale Shapley Zuordnung ist Mann-optimal und Frau-pessimal heisst: jeder Mann hat den bestmöglichen Partner unter allen stabilen Zuordngen; jede Frau hat den schlechtestmöglichen Partner unter allen stabilen Zuordngen
84 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer) welche stabile Zuordnung ndet Gale Shapley? Theorem: Gale Shapley Zuordnung ist Mann-optimal und Frau-pessimal heisst: jeder Mann hat den bestmöglichen Partner unter allen stabilen Zuordngen; jede Frau hat den schlechtestmöglichen Partner unter allen stabilen Zuordngen Moral: aktiv sein zahlt sich aus
85 Eindeutigkeit? eine stabile Zuordnung zwischen Männern und Frauen ist nicht notwendigerweise eindeutig aber: Gale Shapley ndet eindeutige Zuordnung (unabhängig von Reihenfolge der Männer) welche stabile Zuordnung ndet Gale Shapley? Theorem: Gale Shapley Zuordnung ist Mann-optimal und Frau-pessimal heisst: jeder Mann hat den bestmöglichen Partner unter allen stabilen Zuordngen; jede Frau hat den schlechtestmöglichen Partner unter allen stabilen Zuordngen Moral: aktiv sein zahlt sich aus auch für die Vorlesung
WS 2013/14. Diskrete Strukturen
WS 2013/14 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/ws1314
Mehr10. Vorlesung Spieltheorie in der Nachrichtentechnik
10. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Kooperative Spiele - Stabile Paarungen Wir studieren Märkte mit zweiseitigen
MehrWelches Problem denn? Das Heiratsproblem. Formale Beschreibung. Paarungen
Das Heiratsproblem Welches Problem denn? Eine Heirat: ein Problem. Mehrere Heiraten: mehrere Probleme. Viele Heiraten: viele Probleme? Martin Schönhacker (P.S.: Heiraten muss kein Problem sein!) 1 2 Formale
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
MehrVorlesung Datenbanktheorie. Church-Rosser-Eigenschaft der Verfolgungsjagd. Berechnung von chase(t, t, Σ) Vorlesung vom Mittwoch, 05.
Vorlesung Datenbanktheorie Nicole Schweikardt Humboldt-Universität zu Berlin Sommersemester 2006 Vorlesung vom Mittwoch, 05. Juli 2006 Letzte Vorlesung: Kurze Bemerkungen zum Armstrong-Kalkül The Chase:
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
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
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Probleme über Sprachen. Teil II.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrGraphenalgorithmen. Kurz-Vorstellung. Forschungsinteressen. Algorithm Engineering. Themen der VO: Probleme
Graphenalgorithmen Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering / Experimentelle Algorithmen, LS11 WS 2006/06 Kurz-Vorstellung Studium an Univ. Augsburg (WiMa/Math) 1983--1990 Wiss. Mitarb.
Mehr22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet
22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet Autor Volker Claus, Universität Stuttgart Volker Diekert, Universität Stuttgart Holger Petersen, Universität Stuttgart
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
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 3. Vorlesung Laufzeitanalyse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Recap: Diskutieren Sie mit Ihrer NachbarIn! 1. 2. 3. Was sind
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
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
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
MehrEinstieg in die Informatik mit Java
1 / 32 Einstieg in die Informatik mit Java Effizienz Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 32 1 Überblick: was ist Effizienz? 2 Landau-Symbole 3 Eier im Korb 4
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
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
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:
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 9 10.12.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T20 Beweisen Sie die
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
MehrÜbersicht Datenstrukturen und Algorithmen. Literatur. Algorithmus: Wikipedia Definition. Vorlesung 1: Einführung. Prof. Dr.
Übersicht Datenstrukturen und Vorlesung 1: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/ datenstrukturen-und-algorithmen/ Diese Präsentation verwendet
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2013/14 1. Vorlesung Kapitel 1: Sortieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Das Problem Eingabe Gegeben: eine Folge A = a 1, a 2,..., a
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
1 Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Ziele 2 Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
Mehr11. Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P
11 Woche: Turingmaschinen und Komplexität Rekursive Aufzählbarkeit, Entscheidbarkeit Laufzeit, Klassen DTIME und P 11 Woche: Turingmaschinen, Entscheidbarkeit, P 239/ 333 Einführung in die NP-Vollständigkeitstheorie
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrTourist Town. wenn Computer ins Schwitzen geraten. Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014
Tourist Town wenn Computer ins Schwitzen geraten Prof. Dr. Isolde Adler IT-Girls Night 28.11.2014 29.11.2014 Inhalt 1. Was kommt jetzt? 2. Tourist Town Dominierende Mengen 3. Ausblick Isolde Adler Tourist
MehrKostenmodell. Daniel Graf, Tobias Pröger. 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016)
Kostenmodell Daniel Graf, Tobias Pröger 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016) Erklärung: Diese Mitschrift ist als Ergänzung zur Vorlesung gedacht. Wir erheben keinen Anspruch
MehrVorlesung 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/
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
MehrGibt es verschiedene Arten unendlich? Dieter Wolke
Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen
MehrViel Spaÿ! Aufgabe 0.1. Laufzeit unter Verdoppelung (-)
Datenstrukturen (DS) Sommersemester 2015 Prof. Dr. Georg Schnitger Dipl-Inf. Bert Besser Hannes Seiwert, M.Sc. Institut für Informatik AG Theoretische Informatik Übung 0 Ausgabe: 14.04.2015 Abgabe: - Wenn
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
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
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrStabile Allokationen und Matching-Märkte: Theorie und praktisches Design. [Erschienen in: Wirtschaftsdienst, 92. Jahrgang, Heft 12, Dezember 2012]
Stabile Allokationen und Matching-Märkte: Theorie und praktisches Design Dorothea Kübler (WZB) [Erschienen in: Wirtschaftsdienst, 92. Jahrgang, Heft 12, Dezember 2012] Der diesjährige Nobelpreis in Ökonomie
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
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
MehrAlgorithmen und Datenstrukturen CS1017
Algorithmen und Datenstrukturen CS1017 Th. Letschert TH Mittelhessen Gießen University of Applied Sciences Organisatorisches und Einführung Lehrpersonal Dozent Dr. Letschert Tutoren Alissia Sauer Jonas
MehrStudent: Alexander Carls Matrikelnummer: Aufgabe: Beschreibung des euklidischen Algorithmus Datum:
Berufsakademie Stuttgart / Außenstelle Horb Studienbereich Technik Studiengang Informationstechnik Kurs IT2006, 2.Semester Dozent: Olaf Herden Student: Alexander Carls Matrikelnummer: 166270 Aufgabe: Beschreibung
MehrBerechenbarkeit und Komplexität: Rekursive Aufzählbarkeit und die Technik der Reduktion
Berechenbarkeit und Komplexität: Rekursive Aufzählbarkeit und die Technik der Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität 26. November 2007 Semi-Entscheidbarkeit
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 Vorlesungen 5 und 6 Programm
MehrAutomaten, Spiele, und Logik
Automaten, Spiele, und Logik Woche 2 25. April 2014 Inhalt der heutigen Vorlesung 1. Reguläre Ausdrücke 2. der Satz von Kleene 3. Brzozowski Methode 4. grep und perl Reguläre Ausdrücke Rekursive Definition,
MehrVervollständigung Lateinischer Quadrate
Vervollständigung Lateinischer Quadrate Elisabeth Schmidhofer 01.12.2013 Inhaltsverzeichnis 1 Vorwort 3 2 Einleitung 4 2.1 Beispele.............................................. 4 3 Lateinische Quadrate
Mehr2 Teilbarkeit in Z. (a) Aus a b folgt a b und a b und a b und a b. (b) Aus a b und b c folgt a c.
2 Teilbarkeit in Z Bis auf weiteres stehen kleine Buchstaben für ganze Zahlen. Teilbarkeit. Sei a 0. Eine Zahl b heißt durch a teilbar, wenn es ein q gibt mit b = qa. Wir sagen dann auch: a teilt b (ist
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6. November 2014 (O-Notation, Theta, Omega) Junior-Prof. Dr. Olaf Ronneberger
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
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
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrHeuristiken im Kontext von Scheduling
Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrVortrag zum Proseminar: Kryptographie
Vortrag zum Proseminar: Kryptographie Thema: Oliver Czernik 6.12.2005 Historie Michael Rabin Professor für Computerwissenschaft Miller-Rabin-Primzahltest Januar 1979 April 1977: RSA Asymmetrisches Verschlüsselungssystem
Mehr2. Vorlesung. Die Theorie der schwarz-weissen Ketten.
2. Vorlesung. Die Theorie der schwarz-weissen Ketten. Die Theorie der schwarzen Steinchen haben wir jetzt halbwegs vertanden. Statt mit schwarzen Steinen wie die Griechen, wollen wir jetzt mit schwarzen
Mehr1. Welche Eigenschaften sollte ein Pseudo-Random Generator haben?
Die Themen 1. Welche Eigenschaften sollte ein Pseudo-Random Generator haben? Er sollte von wirklichen Zufallsgeneratoren nicht unterscheidbar sein?! Eine viel zu starke Forderung: Stattdessen sollte ein
MehrProbeklausur zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Probeklausur 25.01.2013 Probeklausur zur Vorlesung Berechenbarkeit und Komplexität Aufgabe 1 (1+2+6+3 Punkte)
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
MehrIdeen der Informatik Suchen und Sortieren [Ordnung muss sein ] Kurt Mehlhorn Adrian Neumann viele Folien von Kostas Panagiotou
Ideen der Informatik Suchen und Sortieren [Ordnung muss sein ] Kurt Mehlhorn Adrian Neumann viele Folien von Kostas Panagiotou Suchen Welche Telefonnummer hat Kurt Mehlhorn? Wie schreibt man das Wort Equivalenz?
MehrInformationsbroschüre zum. vorzeitigen Samenerguss.
Informationsbroschüre zum vorzeitigen Samenerguss www.späterkommen.de Ein Selbsttest zur Orientierung Wenn Sie wissen möchten, ob Sie betroffen sind, kann Ihnen dieser, von Experten erstellte Selbsttest
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrEinführung in die Computerlinguistik Berechenbarkeit, Entscheidbarkeit, Halteproblem
Einführung in die Computerlinguistik Berechenbarkeit, Entscheidbarkeit, Halteproblem Dozentin: Wiebke Petersen 14.1.2009 Wiebke Petersen Einführung CL (WiSe 09/10) 1 Hinweis zu den Folien Der Text dieser
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
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
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
Mehrkontextfreie Grammatiken Theoretische Informatik kontextfreie Grammatiken kontextfreie Grammatiken Rainer Schrader 14. Juli 2009 Gliederung
Theoretische Informatik Rainer Schrader Zentrum für Angewandte Informatik Köln 14. Juli 2009 1 / 40 2 / 40 Beispiele: Aus den bisher gemachten Überlegungen ergibt sich: aus der Chomsky-Hierarchie bleiben
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
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Beweise)
WS 2014/15 Diskrete Strukturen Kapitel 2: Grundlagen (Beweise) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_14
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
Mehr1.2 Eigenschaften der ganzen Zahlen
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 13 1.2 Eigenschaften der ganzen Zahlen Dieser Abschnitt handelt von den gewöhlichen ganzen Zahlen Z und ihren Verknüpfungen plus und mal. Man kann die natürlichen
MehrEndliche Automaten 7. Endliche Automaten
Endliche Automten 7 Endliche Automten Einfches Modellierungswekzeug (z.b. UML-Sttechrts) Verrbeiten Wörter/Ereignisfolgen Erkennen Sprchen Erluben schnelle Sprcherkennung Anwendungsbereiche: Objektorientierte
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
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
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrUniversität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III
Name Vorname Matrikelnummer Universität Karlsruhe Institut für Theoretische Informatik o. Prof. Dr. P. Sanders 26. Feb. 2007 Klausur: Informatik III Aufgabe 1. Multiple Choice 10 Punkte Aufgabe 2. Teilmengenkonstruktion
MehrÜbersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20.
Übersicht Datenstrukturen und Algorithmen Vorlesung 5: (K4) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.informatik.rwth-aachen.de/i2/dsal12/ 20.
MehrFunktionale Zusammenhänge - Übungen
Funktionale Zusammenhänge - Übungen 1. Die Temperatur in Grad Fahrenheit (T F ) kann aus der Temperatur in Grad Celsius (T C ) mit folgender Formel berechnet werden: T F = 1,8 T C + 32 a) Wieviel Grad
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrKomplexitätstheorie Einführung und Überblick (Wiederholung)
Literatur C. Papadimitriou UC Berkeley Zum Komplexitätsbegriff Strukturelle Komplexität Average Case Analyse Effiziente Algorithmen Logische Komplexität Beschreibungssprachen: SQL Kolmogorov Komplexität
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
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 1. Einleitung Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 20 Organisatorisches Überblick Organisatorisches
Mehr5. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 09 25.5.2009 5. Übungsblatt zur Einführung in die Stochastik Aufgabe 18 Drei Spieler bekommen jeweils
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrEntscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen
Berechenbarkeit und Komlexität Entscheidbarkeit und Unentscheidbarkeit Wolfgang Schreiner Wolfgang.Schreiner@risc.uni-linz.ac.at Research Institute for Symbolic Comutation (RISC) Johannes Keler University,
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Dr. Tom Kamphans 1. Vorlesung 12.10.2016 1 Organisatorisches Vorlesung: Mittwochs 14:00 15:30, Raum F 201 Übung: Mittwochs 15:45 19:00, Raum F 225 Übung: alle zwei Wochen
MehrResolutionsalgorithmus
112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:
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,
MehrÜberblick. 1 Vorbemerkungen. 2 Algorithmen. 3 Eigenschaften von Algorithmen. 4 Historischer Überblick. Einführung
Teil I Einführung Überblick 1 Vorbemerkungen 2 Algorithmen 3 4 Historischer Überblick Prof. G. Stumme Algorithmen & Datenstrukturen Sommersemester 2009 1 1 Vorbemerkungen Was ist Informatik? Informatik
MehrU. Rausch, 2010 Ganze Zahlen 1
U. Rausch, 2010 Ganze Zahlen 1 Ganze Zahlen 1 Einleitung Als ganze Zahlen bezeichnet man die natürlichen Zahlen 1, 2,, 4,..., die Null 0 und die negativen ganzen Zahlen 1, 2,, 4,... Wir verabreden die
MehrAlgorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie
Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie Einführung in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 11. November 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrTheorie der Informatik
Theorie der Informatik 8. Reguläre Sprachen II Malte Helmert Gabriele Röger Universität Basel 24. März 24 Pumping Lemma Pumping Lemma: Motivation Man kann zeigen, dass eine Sprache regulär ist, indem man
Mehr