Suboptimal Foldings of RNA Structures
|
|
- Eike Dressler
- vor 6 Jahren
- Abrufe
Transkript
1 Suboptimal Foldings of RNA Structures Ausarbeitung zum Vortrag von Christin Zander und Rebecca Gau Seminar: Computational RNomics
2 Einleitung Diese Ausarbeitung beschäftigt sich mit zwei Algorithmen, die dazu dienen suboptimale RNA- Sekundärstrukturen zu berechnen. Oftmals kann es den Zeitrahmen sprengen, die optimale Sekundärstruktur einer RNA zu berechnen, das ist gerade bei längeren RNA- Eingabesequenzen der Fall. Außerdem kann es vorkommen, dass die optimale Struktur mit minimaler freier Energie, die man berechnet hat, gar nicht diejenige ist, die tatsächlich im lebenden Organismus vorkommt. So kann es sein, dass eine RNA eine optimale Struktur nicht annehmen kann, weil vielleicht Moleküle daran gebunden sind, die eine optimale Faltung verhindern. Erst wenn die Bindung aufgelöst wird, findet man die Optimale Faltung vor. Die genannten und auch weitere Gründe zeigen, dass es sinnvoll sein kann, nicht die optimale, sondern an das Optimum angrenzende Strukturen zu berechnen. Genauer soll das nun der folgende Text erklären, in dem zunächst der ältere Algorithmus von Zuker und danach die Verbesserung von Wuchty abgehandelt wird. Sinn des Algorithmus Der zuerst beschriebene Algorithmus von Zuker wird dafür genutzt, streng alle suboptimalen Sekundärstrukturen zwischen der minimalen freien Energie und einem willkürlichen Größenmaß zu erzeugen. Der Algorithmus ist besonders schnell im Umkreis der minimalen freien Energie. Die Dichte von Zuständen an niedrigen Energien und ihren sich verbindenden Strukturen sind entscheidend bei der Abschätzung, wie ausgeprägt die Grundzustandsstruktur ist. Zwei wesentliche Aussagen Man kam zu zwei wesentlichen Aussagen: Zum einen, dass geringe Modifikationen die Grundzustandsstruktur verschärfen, indem man energetisch angrenzende Strukturen zwingt dem Grundzustand ähnlich zu sein. Zum anderen: Sequenzen deren Grundzustand thermodynamisch wohl definiert ist, zeigen eine bedeutende Neigung einzelne Punkmutationen zu puffern. Dies kann wiederum Evolutionsfolgen haben, da der Selektionsdruck existiert, um die Definition von Grundzuständen mit biologischer Funktion zu verbessern. 2
3 Sekundärstruktur von RNA- Molekülen Die Struktur von RNA- Molekülen bezieht sich auf eine Topologie von binären Kontakten, die aufgrund von bestimmten Basenpaarungen entstehen, anstatt auf eine Geometrie, die sich in Bezug auf Koordinaten und Entfernungen gebildet hat. Triebkraft der Sekundärstrukturbildung ist das Stacking von Basenpaaren. Die Bildung einer energetisch günstigen helikalen Region impliziert allerdings auch die Bildung einer energetisch ungünstigen Schleifenregion. Diese Energetik führt zu einer riesigen Vielfalt an Kombinationsmöglichkeiten von Helixund Schleifenanordnungen, die das strukturelle Repertoire einer individuellen RNA- Folge überspannen. Die sekundäre Struktur stellt ein Gerüst für die tertiäre Struktur dar. Ihre freie Energie erklärt einen großen Anteil der umfassenden freien Energie der vollen Struktur. Die Sekundärstruktur stellt ein Muster von Basenpaarverbindungen dar, wie in Bild 1 gezeigt. Dies bringt ein formell wohl definiertes, kombinatorisches Objekt hervor. Die theoretische Bedeutung von RNA als ein Modellsystem für Folgenstrukturbeziehungen in Biopolymeren liegt in der Tatsache, dass Strukturen dieser Art durch dynamic programming berechnet werden können. Dies ist jedoch aus 2 Gründen nicht leicht: Die Energieparameter, auf die sich der Faltungsalgorithmus bezieht, sind unvermeidlich ungenau. Die wahre minimale freie Energie- (mfe) Struktur könnte suboptimal in Bezug auf die benutzten Parameter sein. In der Natur muss nicht zwangsläufig die mfe- Struktur vorliegen, das kann auf unbekannte biologische Beschränkungen zurück geführt werden. Zweitens können RNA- Folgen unter physiologischen Gesichtspunkten in alternativen Zuständen, deren Energieunterschied klein ist, existieren - zwei ähnliche Strukturen, die unterschiedliche Funktionen erfüllen, z.b. verschiedene Ribozyme. 3
4 Ergebnisse wie diese haben Interesse daran erweckt, suboptimale Strukturen zu berechnen. Diese Annäherungen haben allerdings ein Problem gemeinsam: Sie berechnen nicht alle suboptimalen Strukturen innerhalb eines vorgegebenen Energieradius der mfe. Der in diesem Text behandelte Algorithmus, nach dem suboptimale Strukturen berechnet werden sollen, ist Zukers Ausweitung seines eigenen dynamischen Programmierverfahrens. Es erzeugt für jedes zulässige Basenpaar in einer vorgegebenen Folge die energetisch beste Struktur, die dieses Basenpaar enthält. Für eine Folge der Länge n werden maximal n(n 1)/ 2 Suboptimale Strukturen erzeugt. Es ergibt sich, dass keine Strukturen erstellt werden, die sich von der mfe im Mangel an einer oder mehr Basenpaaren unterscheiden. Außerdem, wenn eine mfe- Struktur bestehend aus zwei Substrukturen A B verbunden ist durch eine Strecke von äußeren (external) Basen, werden keine suboptimalen Alternativen erzeugt, die suboptimal in beiden Modulen sind. Viele der fehlenden Strukturen können gut als uninteressant eingestuft werden, aber dies kann nicht mit Gewissheit für alle von ihnen gesagt werden. Nachteile der alten Algorithmen Es gibt kaum alte Algorithmen, aber schon einige Ansätze. Die alten Algorithmen zu Berechnung der Suboptimalität hatten schwerwiegende Nachteile, zum einen stiegen die Rechenzeit sowie der Speicherverbrauch exponentiell mit der Sequenzlänge an. So sind diese Programme nur auf Faltungen von 150 bis 200 Basen festgelegt. Durch eine rekursive Berechnung können bis zu 2kb berechnet werden, jedoch wird hierbei nur eine Lösung geliefert. Multiple Folding Algorithm von Zuker Der Hintergrund dieses Algorithmus ist das Zuker- Stiegler- Verfahren, welches von Steger verändert wurde. Hierbei wird eine lineare RNA wie eine zirkuläre behandelt und die erste und letzte Base gelten als benachbart. Das bedeutet, dass die ersten und letzten Basen miteinander paaren dürfen, wenn es nötig ist. Zusätzlich müssen Loops, die den Ursprung enthalten als Spezialfälle betrachtet werden. So werden aus einem Hairpin- Loop, das den Ursprung beinhaltet zwei einzelsträngige Regionen am 5`und 3`Ende des Moleküls. Diese künstliche Zirkulierung würde die Ergebnisse in einer dynamischen Simulation der Faltung beeinflussen, aber es ruft keine Probleme bei diesem Algorithmus hervor, indem Faltungen unabhängig von folding pathway berechnet werden. Die Wahl von P- optimalen Faltungen, 4
5 Faltungen mit einem festen Energie- Abstand zum globalen Minimum, ist demnach ratsam. Wenn die Faltungsregion und die Energien gut bestimmt wären, würde es reichen, innerhalb von 3kcal/mol von der optimalen Energie zu schauen, um alle Strukturen zu finden, die in 99% der Zeit auftreten. Diese Richtlinie ist das Ergebnis der Boltzmann- Energie- Verteilung bei 300K. Eine Abweichung von 5 oder 10% von einer optimalen Faltung von 100kcal/mol würde mit seltenen Ereignissen mit jeweils 2 * 10 4 und 6 * 10-8 korrespondieren. Diese großen Energieinkremente werden nicht aus thermodynamischen Gründen genutzt, sondern weil es große Unzuverlässigkeiten in den gemessenen Energiedaten gibt. Es folgt, dass die biochemisch korrekte Faltung innerhalb von 5 bis 10% des Energieinkrements liegen sollte. Statt reinem Identifizieren eines Basenpaares ri rj, das Emin liefert, um eine optimale Faltung zu berechnen, ist die Strategie beim P- optimal alle Basenpaare zu identifizieren für die V(i,j) + V(j,i) ist nahe Emin gilt. V ist dafür da, die Faltung mit der minimalen freien Energie zwischen i und j zu berechnen. Um zu verstehen, was P- optimal eigentlich ist, muss man sich vorstellen, dass P eine Zahl zwischen 0 und 100 ist. Demnach ist dann ein P- optimales Basenpaar ein Basenpaar ri rj für das gilt: V(i,j) + V(j,i) (1 P/100)*Emin. Somit ist ein P- optimales Basenpaar enthalten in wenigstens einer Faltung in P Prozent der minimalen freien Energie. So eine Faltung wird als P- optimale Faltung definiert. Die automatische Berechnung mit dem implementierten Algorithmus kann eine große Anzahl von Faltungen innerhalb von 5 oder10% der minimalen freien Energie berechnen, viele von ihnen sind ähnlich, die meisten kann man auch als zu ähnlich ansehen. Aus diesem Grund wurde eine Distanzfunktion entwickelt, als eine Maßnahme topologische Unterschiede zwischen zwei Strukturen zu messen. Die Distanz zwischen zwei Faltungen ist die kleinste ganze Zahl d, so dass es für jedes Basenpaar ri rj der einen Struktur, ein Basenpaar rh rk der anderen Struktur gibt, das i h d und j k d erfüllt. Diese dimensionslose Quantität ist null, wenn zwei Strukturen identisch sind. Diese Art P- optimale Faltungen zu berechnen kann angepasst werden, so dass die Distanzen zwischen allen Basenpaaren der berechneten Strukturen größer als das vorher zugewiesene d sind. Als Beispiel: Faltung eines Viroids. Das 359 Basen potato spindle tuber viroid (PSTV) wurde gefaltet mit der zirkulären Version des neuen Programms. Das Viroid ist bekannt dafür, sich in eine lange rodlike, also stäbchenförmige Struktur zu falten, wie es durch den Zuker- Stiegler Algorithmus vorhergesagt wurde. Der Energie- Dotplot der Struktur ist eine Diagonale von Punkten 5
6 (Basenpaaren) einschließlich der Helix der rodlike Faltung, die unterbrochen wurde von einzelsträngigen Regionen. Eine Untersuchung von alternativen Strukturen zeigt, dass die optimale rodlike Faltung gut bestimmt ist. 6
7 Innerhalb 10% der minimalen freien Energie wird es Abweichungen geben, aber diese würden kleinere Störungen der zugrunde liegenden rodlike Struktur sein. Die rod wird allmählich dicker, wenn der Grad der Suboptimalität erhöht wird. Punkte nahe am rod korrespondieren mit Basenpaaren, die längs an der Struktur entlang wandern. Punkte an der Diagonalen korrespondieren mit kleinen hairpin Strukturen, die aus der rodlike Faltung heraus gedrückt wurden. Im mathematischen Sinne ist die Faltung von PSTV gut bestimmt. Signifikante Abweichungen von der optimalen Faltung wurden nicht innerhalb der 5 10% der minimalen freien Energie beobachtet. Hintergrundwissen für den Algorithmus von Wuchty Im folgenden gingen wir auf die Suboptimal Free Energie Folding von Wuchty et al. ein. Zunächst wurde dafür der logische Hintergrund hinter dem Algorithmus beschrieben. Dazu nimmt man sich einen Sekundärstrukturgraphen zur Hilfe. Die Knoten des Graphen sind die Nukleotide an den Positionen i = 1,, n einer RNA- Sequenz der Länge n. Die Menge der Kanten besteht aus zwei disjunkten Teilmengen. Die eine ist allgemeiner für alle Sekundärstrukturgraphen und die andere ist sequenzspezifisch. Das heißt, die erste Menge beschreibt das kovalente Rückgrat, das Knoten i mit Knoten i + 1 verbindet, mit i = 1,, n-1. Die andere Menge besteht aus den Kanten, die die Wasserstoffbrückenbindungen zwischen gepaarten Basen repräsentieren. Pseudoknoten werden im Wuchty- Algorithmus nicht berücksichtigt, da die Rechenzeit dabei nicht mehr im Rahmen des Erträglichen bleibt. Die 7
8 Basenpaarungen, die möglich sind, sind: {AU, UA, GC, CG} und außerdem noch {GU, UG}. Man versucht nun die Menge von Kanten zu finden, die die maximale Anzahl von Basenpaarungen enthält. Eine wichtige Restriktion ist, dass es niemals eine Base geben darf, die mit mehr als einer anderen Base verknüpft ist. Das Problem das hier also zu lösen ist, ist das Maximum Matching. Ein Matching in einem ungerichteten Graphen G ist dabei eine Menge von Kanten, die keinen Ausgangs- oder Eingangspunkt gemeinsam haben. Ein Matching M wird Maximum Matching genannt, wenn kein Matching mehr Kanten enthält als M. Bei der Maximierung der Basenpaare ist der grundlegendste Baustein ein einzelnes Basenpaar, was jedoch im Gegensatz zur Energieminimierung steht. Maximum Matching soll also eine einfachere Methode bieten als das free energy folding. Für das dynamic programming und die Findung einer maximalen Anzahl von Basenpaaren ist folgende Formel notwendig: Sei P i,j, i < j die maximale Anzahl von Basenpaaren im Sequenzabschnitt [i, j]. P i,j kann rekursiv definiert werden: P i,j = max { P i, j-1, max { ( P i, l P l+1,j-1 ) ρ(a l, a j)}} i l j-2 dabei ist ai є {A, C, G, T} eine Base an Position i und ρ(, ) eine Indikatorfunktion für biophysikalisch legale Basenpaare: Somit wird die Dynamic- Programming- Matrix gefüllt. Wenn sie voll ist, wird durch Backtracking das beste Ergebnis gesucht. Im Backtracking ist es wichtig, dass man sich partielle Strukturen definiert, die einem dabei helfen, alle möglichen Strukturen zu finden, wenn sich der Pfad in mehrere Möglichkeiten auftrennt. S = ( σ; P ) stellt dabei eine Menge von Strukturen dar, die im Backtracking berechnet wird. Alle Strukturen in S haben die Basenpaare P gemeinsam, σ ist dabei ein Stack, der Sequenzsegmente enthält, die durchlaufen werden müssen, um alle Basenpaare zu finden. Wenn S = (Ǿ; P), dann ist der Stack leer und die Berechnung abgeschlossen, denn immer wenn in einem Segment keine Basenpaare mehr gefunden werden, wird es vom Stack geworfen. 8
9 Der Wuchty- Algorithmus In der suboptimalen Faltung wollen wir jedoch am besten alle Strukturen finden, die ein vorgegebenes Kriterium erfüllen. Das Maximum Matching wird dadurch verändert, dass mindestens P max Δ Basenpaare mit 0 Δ P max herauskommt. Im Backtracking definieren wir uns nun ein Refinement, also eine Verfeinerung. Eine partielle Struktur S1 = (σ1;p1) ist ein Refinement einer partiellen Struktur S2 = (σ2;p2) (geschrieben S1 < S2), wenn P1 Teilmenge von P2 ist und für alle [a, b] є σ1 ein Segment [c, d] є σ2 existiert, so dass auch [a, b] eine Teilmenge von [c, d] ist. Sonst S1 = S2!!! Alle Segmente werde wieder durchlaufen und jedes Refinement, das das Suboptimalitätskriterium erfüllt, wird auf einem Stack R gespeichert. Hier wurde das Zuker- Stiegler- Verfahren so verändert, dass man Multi- Loops in einem eindeutigen Weg zerlegt. Ungepaarte Basen, die mit an eine Helix angrenzen, können die Energie einer Struktur durch das Stacking auf ihre benachbarten Basenpaare senken. Diese Energiebeiträge werden für äußere Basen, die angrenzend zu dem 5 - und dem 3 - Ende einer helikalen Struktur sind, berücksichtigt. Das gleiche gilt für ungepaarte Nukleotide innerhalb eines Multi- Loops, der an eine helikale Struktur angrenzt. Das Problem für das suboptimale Backtracking ist das, dass man beim zerlegen eines Multi- Loops noch nicht weiß, ob eine zu einer Helix angrenzende Base für eine Dangling- End- 9
10 Wechselwirkung vorhanden ist. Wenn sie es ist, weiß man nicht, ob jene Base ungepaart oder schon an einer anderen Dangling- End- Wechselwirkung beteiligt ist. Man behandelt diese Situation einfach, indem man immer einen Dangling- End- Beitrag hinzufügt, ohne zu überprüfen, ob die beteiligte Base sich dafür qualifiziert oder nicht. Zeit und Speicherplatz Die Zeit, die man braucht, um alle Strukturen im Abstand zwischen E min und E min + Δ zu berechnen, hängt von den Anzahl der Strukturen in diesem Abstand ab. Solange Δ klein ist, ist das Verfahren auch schnell. Die obige Tabelle zeigt den CPU- Bedarf an und man sieht an den Daten ein exponentielles Wachstum. 10
11 Zum Abschluss ein kleines Beispiel für Hefe Im Diagramm dargestellt kann man (wenn man den Text darunter auch berücksichtigt) erkennen, dass der Wuchty- Algorithmus zum einen die Strukturen erkennt, die auch schon der oben beschriebene Zuker- Algorithmus findet ( kleine Pfeile zeigen die Strukturen an), aber er findet auch noch zusätzliche (Strukturen ohne Pfeile). Es wurden in diesem Beispiel mit dem Faltungsalgorithmus die 50 energetisch günstigsten Strukturen erzeugt und diese 11
12 liegen in zwei Klassen: mfe- Struktur (-19,26 kcal/mol) in einer Struktur ( kcal/mol) in der Nähe von ihr in einer anderen. Bild 6 soll nur noch einmal zeigen, dass man die Strukturen noch in weitere Cluster unterteilen kann, mit einer großen Strukturmannigfaltigkeit. Abschließend muss man sagen, dass der Wuchty- Algorithmus dem Zuker- Algorithmus vorzuziehen ist, denn er bietet die Möglichkeit, auch einigermaßen schnell an mehr Strukturen zu gelangen, als der Zuker- Algorithmus. Zuker hat mit dem Titel seines Papers zu viel versprochen, indem er ankündigt alle Strukturen mit seinem Algorithmus finden zu können, denn wie man in Figure 4 sieht, kann der Algorithmus von Wuchty mehr Strukturen ausfindig machen. Doch auch beim Wuchty- Algorithmus besteht noch Verbesserungsbedarf, denn Strukturen, wie Pseudoknoten können nicht erkannt werden und es werden viele Strukturen, die nicht innerhalb der Suboptimalitätskriteriums liegen verworfen, obwohl sie genauso eine mögliche Faltung beschreiben können. 12
13 Quellen Zuker, Michael, On Finding All Suboptimal Foldings of an RNA Molecule, Sience, New Series, Vol. 244, No.4900 (Apr. 7, 1989), pp Wuchty, Stefan et al., Complete Suboptimal Folding of RNA and the Stability of Secondary Structures, Biopolymers, 1999, 49(2), pp
FOLDALIGN und sein Algorithmus. Nadine Boley Silke Szymczak
FOLDALIGN und sein Algorithmus Nadine Boley Silke Szymczak Gliederung 2 Einleitung Motivation des Ansatzes zu FOLDALIGN Sankoff-Algorithmus Globales Alignment Zuker-Algorithmus Kombination FOLDALIGN Algorithmus,
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrEin Dynamic Programming Algorithmus zur Vorhersage von RNA- Faltungen mit Auftreten von Pseudoknoten
Ein Dynamic Programming Algorithmus zur Vorhersage von RNA- Faltungen mit Auftreten von Pseudoknoten 1. Motivation Viele RNAs falten sich in Strukturen, die essentiell wichtige Funktionen für regulatorische,
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
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
Mehrcomparative structure prediction of ncrna molecules
comparative structure prediction of ncrna molecules using a non Sankoff approach 01. Februar 2008 Inhalt 1 ncrna s - ein Überblick 2 RNAcast - RNA consensus structure prediction Outline und Vorbereitung
MehrRNA folding. W1-High-throughput Genomics, FU Berlin OWL RNA Bioinformatics, MPI Molgen Berlin
RNA folding W-High-throughput Genomics, FU Berlin OWL RNA Bioinformatics, MPI Molgen Berlin 3..6 Lernziele Einführung von RNA-Molekülen Konzept der RNA-Sekundärstruktur Lernen wie eine RNA-Sekundärstruktur
MehrGrundlagen zur Delaunay-Triangulierung und zur konvexen Hülle. zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"):
Grundlagen zur Delaunay-Triangulierung und zur konvexen Hülle zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"): 1 Erzeugung des Voronoi-Diagramms (siehe Vorlesung "Algorithmische
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
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
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
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Ringvorlesung Biologie Sommer 07 Burkhard Morgenstern Institut für Mikrobiologie und Genetik Abteilung für Bioinformatik Goldschmidtstr. 1 Online Materialien zur Ringvorlesung:
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 1 16. September 2011 Grundlagen: Algorithmen und
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
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,
MehrThema 12: RNA Structure Prediction
Thema 12: RNA Structure Prediction Vortrag gehalten von Tobias Sander am 01.02.2010 1 Einleitung 1.1 Vorwort Seit der Strukturaufklärung der DNA im Jahre 1953 durch Watson und Crick sind fast 60 Jahre
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
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,
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:
MehrAlgorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments
Algorithmen auf Sequenzen Paarweiser Sequenzvergleich: Alignments Sven Rahmann Genominformatik Universitätsklinikum Essen Universität Duisburg-Essen Universitätsallianz Ruhr Einführung Bisher: Berechnung
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
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
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
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 und Komplexität
Algorithmen und Komplexität Dynamische Programmierung Markus Ullrich Norbert Baum Fachbereich Informatik - IIb07 Hochschule Zittau/Görlitz 28. Mai 2009 1 / 29 Wie sieht es mit langen Ketten aus? A 1 A
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
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
MehrIterative Methods for Improving Mesh Parameterizations
Iterative Methods for Improving Mesh Parameterizations Autoren: Shen Dong & Michael Garland, SMI 07 Nicola Sheldrick Seminar Computergrafik April 6, 2010 Nicola Sheldrick (Seminar Computergrafik)Iterative
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
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
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
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Paarweises
MehrÜbungen mit dem Applet Interpolationspolynome
Interpolationspolynome 1 Übungen mit dem Applet Interpolationspolynome 1 Ziele des Applets... 2 2 Übungen mit dem Applet... 2 2.1 Punkte... 3 2.2 y=sin(x)... 3 2.3 y=exp(x)... 4 2.4 y=x 4 x 3 +2x 2 +x...
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
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
MehrLineares Gleichungssystem - Vertiefung
Lineares Gleichungssystem - Vertiefung Die Lösung Linearer Gleichungssysteme ist das "Gauß'sche Eliminationsverfahren" gut geeignet - schon erklärt unter Z02. Alternativ kann mit einem Matrixformalismus
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrDer Ergodensatz. Hendrik Hülsbusch
Der Ergodensatz Hendrik Hülsbusch 1..212 Inhaltsverzeichnis Einleitung 3 5 Stationäre Verteilungen 5 6 Reversible Markovketten 11 2 Einleitung In meinem Vortrag beschäftigen wir uns mit dem asymptotischen
MehrSeminar: Randomisierte Algorithmen Auswerten von Spielbäumen Nele Küsener
Seminar: Randomisierte Algorithmen Auswerten von Sielbäumen Nele Küsener In diesem Vortrag wird die Laufzeit von Las-Vegas-Algorithmen analysiert. Das Ergebnis ist eine obere und eine untere Schranke für
MehrKodieren Von Graphen
Kodieren Von Graphen Allgemeine Anwendungen: Routenplaner Netzpläne Elektrische Schaltungen Gebäudeerkennung aus Luftaufnahmen Definitionen:? Graph Ein Graph G besteht aus einem geordneten Paar G = (V,E)
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 24-6. Sitzung Marcus Georgi tutorium@marcusgeorgi.de 04.12.2009 1 Repräsentation von Graphen im Rechner Adjazenzlisten Adjazenzmatrizen Wegematrizen 2 Erreichbarkeitsrelationen
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrGeraden in der Ebene und Zerlegung von Graphen
Geraden in der Ebene und Zerlegung von Graphen Proseminar: Beweise aus dem Buch am 17.01.2015 von Ina Seidel 1 Historisches zu Sylvester und Gallai James Joseph Sylvester * 1814, 1897 war britischer Mathematiker.Unter
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
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
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrKARL-FRANZENS-UNIVERSITÄT GRAZ. Seminar aus Reiner Mathematik. Die Museumswächter. Krupic Mustafa Wintersemester 2013/14
KARL-FRANZENS-UNIVERSITÄT GRAZ Seminar aus Reiner Mathematik Die Museumswächter Krupic Mustafa Wintersemester 2013/14 Inhaltsverzeichnis 2 Inhaltsverzeichnis 1 Einleitung 3 2 Museumswächter-Satz 6 2.1
MehrParallele Algorithmen zur Faltung von RNA. Leipzig, , Markus Scholz
Parallele Algorithmen zur Faltung von RNA Leipzig, 30.01.2006, Markus Scholz Inhalt Warum Parallelisierung Wiederholung: der MFE Algorithmus Parallelisierung des MFE Algorithmus (ohne Backtracking) Wiederholung:
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
MehrDer Dreyfus-Wagner Algorithmus für das Steiner Baum Problem
Der Dreyfus-Wagner Algorithmus für das Steiner Baum Problem Andreas Moser Dietmar Ebner Christian Schauer Markus Bauer 9. Dezember 2003 1 Einführung Der in der Vorlesung gezeigte Algorithmus für das Steiner
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018 23. November 2017 1/40 Satz 4.27 (Multinomialsatz) Seien r, n N 0. Dann gilt für
MehrGröbnerbasen in Monoid- und Gruppenringen
Gröbnerbasen in Monoid- und Gruppenringen Karsten Hiddemann 5. November 2003 Zusammenfassung Gröbnerbasen, entwickelt von Bruno Buchberger für kommutative Polynomringe, finden immer häufiger Anwendung
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
MehrVerarbeitung von Messdaten
HTL Steyr Verarbeitung von Messdaten Seite von 8 Bernhard Nietrost, HTL Steyr Verarbeitung von Messdaten Mathematische / Fachliche Inhalte in Stichworten: Regression, Polynominterpolation, Extremwertberechnung,
MehrAlgorithmen für paarweise Sequenz-Alignments. Katharina Hembach
Proseminar Bioinformatik WS 2010/11 Algorithmen für paarweise Sequenz-Alignments Katharina Hembach 06.12.2010 1 Einleitung Paarweise Sequenz-Alignments spielen in der Bioinformatik eine wichtige Rolle.
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrThreading - Algorithmen
Threading - Algorithmen Florian Lindemann 22.11.2007 Florian Lindemann () Threading - Algorithmen 22.11.2007 1 / 25 Gliederung 1 Prospect Scoring Function Algorithmus Weitere Eigenschaften Komplexität
MehrSo viel wie möglich Extremwertaufgaben aus Geometrie
So viel wie möglich Extremwertaufgaben aus Geometrie Andreas Ulovec 1 Einführung Die meisten Leute sind mit Extremwertaufgaben vertraut: Was ist das flächengrößte Dreieck, das man in einen Kreis einschreiben
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
MehrKnoten-Partitionierung in feste Eigenschaften ist NP-schwer
Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrAngewandte Informatik
Angewandte Informatik Analyse des Graphs G zur Bestimmung von Parallel- undreihenschaltung Prof. Dr. Nikolaus Wulff Gewichteter Multigraph Die Adjazenzmatrix eines Graphen eignet sich auch zur Analyse
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
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
MehrHöher, Schneller, Weiter!
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Höher, Schneller, Weiter! Das Extremalprinzip Das Extremalprinzip ist eine vielseitig einsetzbare Lösungstechnik für mathematische
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
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrBinäre lineare Optimierung mit K*BMDs p.1/42
Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
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
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrGraphische Spiele. M i (p) M i (p[i : p i]) M i (p) + ε M i (p[i : p i])
Seminar über Algorithmen 19. November 2013 Michael Brückner Graphische Spiele Wolfgang Mulzer, Yannik Stein 1 Einführung Da in Mehrspielerspielen mit einer hohen Anzahl n N an Spielern die Auszahlungsdarstellungen
Mehr(a, b)-bäume / 1. Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss.
(a, b)-bäume / 1. Szenario: Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss. Konsequenz: Kommunikation zwischen Hauptspeicher und Festplatte - geschieht nicht Byte für Byte,
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
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
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labyrinth heraus? Labrys Grundriss des Palastes von Knossos
MehrStudiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel
Studiengang Informatik der FH Gießen-Friedberg Sequenz-Alignment Jan Schäfer WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Überblick Einführung Grundlagen Wann ist das Merkmal der Ähnlichkeit erfüllt?
MehrDynamisches Huffman-Verfahren
Dynamisches Huffman-Verfahren - Adaptive Huffman Coding - von Michael Brückner 1. Einleitung 2. Der Huffman-Algorithmus 3. Übergang zu einem dynamischen Verfahren 4. Der FGK-Algorithmus 5. Überblick über
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
Mehrriskkv Scorenalyse riskkv Scoring Seite 1 von 9
riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
Mehr1 DFS-Bäume in ungerichteten Graphen
Praktikum Algorithmen-Entwurf (Teil 3) 06.11.2006 1 1 DFS-Bäume in ungerichteten Graphen Sei ein ungerichteter, zusammenhängender Graph G = (V, E) gegeben. Sei ferner ein Startknoten s V ausgewählt. Startet
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
Mehr