Algorithmische Methoden zur Netzwerkanalyse
|
|
- Stefanie Beltz
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik Helmholtz-Gemeinschaft
2 Vorlesung 14 Programm des Tages: Rest Übungsblatt 3 Weitere generative Modelle Präsenzübungen 2 Henning Meyerhenke, Institut für Theoretische Informatik
3 Inhalt Das Barabási-Albert-Modell Das Chung-Lu-Modell R-MAT-Graphen 3 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
4 Das Barabási-Albert-Modell Preferential Attachment Ziele: Gradverteilung ähnlich wie bei realen komplexen Netzwerken Community-Struktur Kleiner Durchmesser 4 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
5 Das Barabási-Albert-Modell Preferential Attachment Ziele: Gradverteilung ähnlich wie bei realen komplexen Netzwerken Community-Struktur Kleiner Durchmesser Parameter: n: Zahl der Knoten c: Grad eines neuen Knotens 4 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
6 Das Barabási-Albert-Modell Preferential Attachment Ziele: Gradverteilung ähnlich wie bei realen komplexen Netzwerken Community-Struktur Kleiner Durchmesser Parameter: n: Zahl der Knoten c: Grad eines neuen Knotens Idee: Neuer Knoten verbindet sich zu c bereits bestehenden, Wkt. abhängig vom Grad der anderen Knoten 4 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
7 Das Barabási-Albert-Modell Generierung Initial: Nicht genau festgelegt Mindestens c Knoten Bspw. Pfad oder Clique mit c Knoten 5 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
8 Das Barabási-Albert-Modell Generierung Initial: Nicht genau festgelegt Mindestens c Knoten Bspw. Pfad oder Clique mit c Knoten Einfügen eines Knotens v: c ungerichtete Kanten {v, u} zufällig einfügen Wkt. proportional zum Knotengrad von u 5 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
9 Das Barabási-Albert-Modell Generierung Initial: Nicht genau festgelegt Mindestens c Knoten Bspw. Pfad oder Clique mit c Knoten Einfügen eines Knotens v: c ungerichtete Kanten {v, u} zufällig einfügen Wkt. proportional zum Knotengrad von u Weder Knoten noch Kanten werden jemals entfernt! Beispiel: Siehe Tafel! 5 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
10 Das Barabási-Albert-Modell Eigenschaften Proposition (Gradverteilung) Im BA-Modell ergibt sich die Gradverteilung p k = für den minimalen Knotengrad k c. 2c(c + 1) k(k + 1)(k + 2) 6 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
11 Das Barabási-Albert-Modell Eigenschaften Proposition (Gradverteilung) Im BA-Modell ergibt sich die Gradverteilung p k = für den minimalen Knotengrad k c. 2c(c + 1) k(k + 1)(k + 2) Daraus resultiert im Grenzwert für große k eine Power-Law-Gradverteilung mit p k k 3 6 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
12 Das Barabási-Albert-Modell Diskussion Vorteile: Einfach zu beschreiben Wenige Parameter Gradverteilung folgt Potenzgesetz 7 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
13 Das Barabási-Albert-Modell Diskussion Vorteile: Einfach zu beschreiben Wenige Parameter Gradverteilung folgt Potenzgesetz Nachteile: Gradverteilung hat festen Power-Law-Exponenten 7 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
14 Das Barabási-Albert-Modell Diskussion Vorteile: Einfach zu beschreiben Wenige Parameter Gradverteilung folgt Potenzgesetz Nachteile: Gradverteilung hat festen Power-Law-Exponenten Zu beachten: Intuitive Generierung inhärent sequentiell, aber: In Linearzeit möglich Gute Parallelisierungen existieren 7 Henning Meyerhenke, Institut für Theoretische Informatik Das Barabási-Albert-Modell
15 Inhalt Das Barabási-Albert-Modell Das Chung-Lu-Modell R-MAT-Graphen 8 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
16 Das Chung-Lu-Modell (CL) Ziele: Vorgegebene Gradverteilung Community-Struktur Kleiner Durchmesser (Parallele Generierung) 9 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
17 Das Chung-Lu-Modell (CL) Ziele: Vorgegebene Gradverteilung Community-Struktur Kleiner Durchmesser (Parallele Generierung) Parameter: Erwartete Gradfolge D 9 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
18 Das Chung-Lu-Modell (CL) Ziele: Vorgegebene Gradverteilung Community-Struktur Kleiner Durchmesser (Parallele Generierung) Parameter: Erwartete Gradfolge D 9 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
19 Das Chung-Lu-Modell (CL) Generierung Einfügen einer Kante {u, v}: Weder Knoten noch Kanten werden jemals entfernt Kante {u, v} wird mit Wkt. p uv generiert p uv D(u) D(v), typischerweise D(u)D(v)/ v V D(v ) p uv unabhängig pro Kante Schleifen sind erlaubt 10 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
20 Das Chung-Lu-Modell (CL) Generierung Einfügen einer Kante {u, v}: Weder Knoten noch Kanten werden jemals entfernt Kante {u, v} wird mit Wkt. p uv generiert p uv D(u) D(v), typischerweise D(u)D(v)/ v V D(v ) p uv unabhängig pro Kante Schleifen sind erlaubt Ähnlichkeiten: Bei D = (pn, pn,..., pn) entspricht CL dem G(n, p)-modell Ähnlich zu SKG- bzw. R-MAT-Modell (später...) 10 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
21 Das Chung-Lu-Modell Diskussion Vorteile: Einfach und effizient Beliebige erwartete Gradfolge wird nachgebildet 11 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
22 Das Chung-Lu-Modell Diskussion Vorteile: Einfach und effizient Beliebige erwartete Gradfolge wird nachgebildet Nachteile: (Eher wenig verwendet) 11 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
23 Das Chung-Lu-Modell Diskussion Vorteile: Einfach und effizient Beliebige erwartete Gradfolge wird nachgebildet Nachteile: (Eher wenig verwendet) Ähnlichkeiten: Sehr ähnlich zu SKG/R-MAT (bei bestimmter Parametrisierung) 11 Henning Meyerhenke, Institut für Theoretische Informatik Das Chung-Lu-Modell
24 Inhalt Das Barabási-Albert-Modell Das Chung-Lu-Modell R-MAT-Graphen 12 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
25 Rekursiver Matrix-Generator R-MAT Einführung Ziele: Gradverteilung ähnlich wie bei realen komplexen Netzwerken Community-Struktur Kleiner Durchmesser Skalierbarkeit 13 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
26 Rekursiver Matrix-Generator R-MAT Einführung Ziele: Gradverteilung ähnlich wie bei realen komplexen Netzwerken Community-Struktur Kleiner Durchmesser Skalierbarkeit Parameter: N = 2 n : Zahl der Knoten E: Zahl der Kanten (a, b, c, d): Wkt. für die rekursiven Quadranten der R-MAT-Matrix Generierung einer Kante: Siehe Tafel! 13 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
27 Bitweise Interpretation der Generierung Für 1 t n assoziieren wir den t-ten Quadranten mit dem t-ten Bit von i und j (v. l. n. r.). 14 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
28 Bitweise Interpretation der Generierung Für 1 t n assoziieren wir den t-ten Quadranten mit dem t-ten Bit von i und j (v. l. n. r.). Beispiel: Generierung von Kante (i, j) = (21, 7) Schritt Quadrant UL OL UR OR UR Bits von i Bits von j OL: Oben Links (00) OR: Oben Rechts (01) UL: Unten Links (10) UR: Unten Rechts (11) 14 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
29 Kontext Literaturhinweise Deepayan Chakrabarti, Yiping Zhan, Christos Faloutsos: R-MAT: A recursive model for graph mining. In Proc. SIAM Data Mining (SDM 04). SIAM, Chris Groër, Blair D. Sullivan, and Steve Poole: A mathematical analysis of the R-MAT random graph generator. Netw. 58, 3 (October 2011), Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
30 Example 1: The generation of the edge ij depicted in Figure 1 requires five steps. We begin Algorithmus in Step 0 with 5 empty bit positions for both i and j (these are denoted with a ) and then set each bit to 0 or 1 moving from left to right based on the quadrant selected at each step. Aus [Groër et al., S.4] Algorithm 1 Given parameters,,, with = 1, generate a 0/1-adjacency matrix A = {a ij } for a graph on 2 k vertices containing at most M edges. 1: Set a ij =0for0apple i, j apple 2 k 1 2: for m =1toM do 3: Set i =0,j = 0 // Initialize all bits to 0 4: for t =0tok 1 do 5: Generate r U(0, 1) 6: if r 2 [, + ) then 7: j = j +2 k 1 t // Set bit to 1 in j 8: else if r 2 [ +, + + ) then 9: i = i +2 k 1 t // Set bit to 1 in i 10: else if r 2 [ + +, 1) then 11: i = i +2 k 1 t and j = j +2 k 1 t // Set bit to 1 in i and j 12: end if 13: end for 14: a ij = a ij +1 15: end for 16: Replace all nonzero entries in A with ones 2.3 Preliminaries 16 Henning Meyerhenke, Institut für Theoretische Informatik WeAlgorithmische now give a Methoden number of zurdefinitions Netzwerkanalyse and basic lemmas necessary for our analysis of graphsr-mat-graphen
31 Example 1: The generation of the edge ij depicted in Figure 1 requires five steps. We begin Algorithmus in Step 0 with 5 empty bit positions for both i and j (these are denoted with a ) and then set each bit to 0 or 1 moving from left to right based on the quadrant selected at each step. Aus [Groër et al., S.4] Algorithm 1 Given parameters,,, with = 1, generate a 0/1-adjacency matrix A = {a ij } for a graph on 2 k vertices containing at most M edges. 1: Set a ij =0for0apple i, j apple 2 k 1 2: for m =1toM do 3: Set i =0,j = 0 // Initialize all bits to 0 4: for t =0tok 1 do 5: Generate r U(0, 1) 6: if r 2 [, + ) then 7: j = j +2 k 1 t // Set bit to 1 in j 8: else if r 2 [ +, + + ) then 9: i = i +2 k 1 t // Set bit to 1 in i 10: else if r 2 [ + +, 1) then 11: i = i +2 k 1 t and j = j +2 k 1 t // Set bit to 1 in i and j 12: end if 13: end for 14: a ij = a ij +1 15: end for 16: Replace all nonzero entries in A with ones Beispiel: Siehe Tafel! 2.3 Preliminaries 16 Henning Meyerhenke, Institut für Theoretische Informatik WeAlgorithmische now give a Methoden number of zurdefinitions Netzwerkanalyse and basic lemmas necessary for our analysis of graphsr-mat-graphen
32 Kanten und Grade Lemma (Kantenwkt., (Groër et al.)) Die Wkt., eine Kante e = (u, v) in einer Iteration zu generieren, ist p(e) = p(u, v) = a e a b e bc e c d e d. Hierfür gilt, dass bei der Generierung e a mal Quadrant OL, e b mal OR usw. gewählt wurde. 17 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
33 Kanten und Grade Theorem (Knotengrade (Groër et al., Thm. 4.11)) Sei u ein Knoten im Graphen G, der aus G durch Entfernung von Duplikaten hervorgegangen ist. G wurde als R-MAT-Graph mit N = 2 n Knoten und M = O(N) erzeugt. Dann gilt bei N, M für fast alle Knoten u: d + G (u), d G (u) und d G (u) sind asymptotisch normalverteilt. 18 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
34 Diskussion Frage: Was kommt raus, wenn 1/4 = a = b = c = d? 19 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
35 Diskussion Frage: Was kommt raus, wenn 1/4 = a = b = c = d? Mehrfachkanten treten auf, nicht immer gewollt! Vermeidung oft nicht praktikabel Neue experimentelle Auswertungen: Community-Struktur nicht so stark ausgeprägt wie gewünscht 19 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
36 Diskussion Frage: Was kommt raus, wenn 1/4 = a = b = c = d? Mehrfachkanten treten auf, nicht immer gewollt! Vermeidung oft nicht praktikabel Neue experimentelle Auswertungen: Community-Struktur nicht so stark ausgeprägt wie gewünscht Zahl der Dreiecke unterdurchschnittlich Frage: Warum? 19 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
37 Diskussion Frage: Was kommt raus, wenn 1/4 = a = b = c = d? Mehrfachkanten treten auf, nicht immer gewollt! Vermeidung oft nicht praktikabel Neue experimentelle Auswertungen: Community-Struktur nicht so stark ausgeprägt wie gewünscht Zahl der Dreiecke unterdurchschnittlich Frage: Warum? Ausblick: Andere Modelle 19 Henning Meyerhenke, Institut für Theoretische Informatik R-MAT-Graphen
Algorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
Mehr2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37
2. November 2011 Gradfolgen Zusammenhang Kürzeste Wege H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37 Satz von Erdős und Gallai Eine Partition einer natürlichen Zahl ist genau dann die Gradfolge
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 11, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 11, 18.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr9. November ZHK in dynamischen Graphen Zentralitäten. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67
9. November 2011 ZHK in dynamischen Graphen Zentralitäten H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67 ZHK in dynamischen Graphen Ungerichteter schlichter dynamischer Graph Dynamisch:
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
Mehr10. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Bäume
MehrGraphgeneratoren. Praktikm Algorithm Engineering Sommer 2011 LEHRSTUHL FÜR ALGORITHMIK I+II
Graphgeneratoren Praktikm Algorithm Engineering Sommer 2011 LEHRSTUHL FÜR ALGORITHMIK I+II KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 45 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Distanzen zwischen allen Knotenpaaren (APD)! Viele Anwendungen:! Navis! Netzwerkrouting!...
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
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
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 9. Vorlesung 26.06.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Inhalte Kurze Geschichte der
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 3 Programm des
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrDas EM-Modell. Vorlesung 3: Lubys Algorithmus. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 3: Lubys Algorithmus Das EM-Modell 85 Nachsatz: Halbringnotation! Auch Bücher enthalten Fehler...! A op 1.op 2 v: Abkürzung für Matrix-Vektor-Multiplikation! Vereinbarung für Reihenfolge: A +.*
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
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
MehrKomplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz
Ernst Moritz Arndt Universität Greifswald 24. 4. 29 Komplexe Netzwere Gradverteilung der Knoten, Salenfreiheit, Potenzgesetz Dr. Matthias Scholz www.networ-science.org/ss29.html 1 Begriffe und Definitionen
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrAusarbeitung zum Seminarvortrag Skalenfreie Netze
Ausarbeitung zum Seminarvortrag Skalenfreie Netze Jens Arnold 14.07.2005 Inhaltsverzeichnis 1 Einleitung 2 2 Skalenfreie Netze in der Realität 2 2.1 Beschreibung komplexer Netzwerke.....................
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrErinnerung VL
Erinnerung VL.6.16 Graphtraversierung (DFS, topologische Sortierung und mehr) Kürzeste Wege: Problemstellung, Algorithmen Analoger Algorithmus Dijkstras Algorithmus: Idee, Korrektheit Heute: mehr zu Dijkstra,
MehrAlgorithmen I - Tutorium 28 Nr. 11
Algorithmen I - Tutorium 28 Nr. 11 13.07.2017: Spaß mit Schnitten, Kreisen und minimalen Spannbäumen Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR.
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
MehrExponentiation: das Problem Gegeben: (multiplikative) Halbgruppe (H, ), Element a H, n N Aufgabe: berechne das Element
Problemstellung Banale smethode : das Problem Gegeben: (multiplikative) Halbgruppe (H, ), Element a H, n N Aufgabe: berechne das Element a n = } a a a {{ a } H n (schreiben ab jetzt a n statt a n ) Hinweis:
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdarstellungen Maike Buchin 0.6.017 Graphen Motivation: Graphen treten häufig als Abstraktion von Objekten (Knoten) und ihren Beziehungen (Kanten) auf. Beispiele: soziale
MehrExponentiation: das Problem
Problemstellung Exponentiation: das Problem Gegeben: (multiplikative) Halbgruppe (H, ), Element a H, n N Aufgabe: berechne das Element a n = } a a a {{ a } H n (schreiben ab jetzt a n statt a n ) Hinweis:
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
Mehr8. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Grundlagen
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
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.6.1 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=99 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik 1 Organisatorisches
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 16: Erste Algorithmen in Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für
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 2. Kapitel: Randomisierte Algorithmen. Thomas Worsch. Fakultät für Informatik Karlsruher Institut für Technologie
Algorithmen 2 Algorithmen 2 Kapitel: Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2017/2018 1 / 58 Einleitung Überblick Einleitung
MehrStricken macht Spaß: ein rekursiver Pulli
Stricken macht Spaß: ein rekursiver Pulli Georg Bremer 1. Mai 2009 1 Stricken Zur Vereinfachung wird im Folgenden nur das Flachstricken betrachtet. Es gibt zwei Arten von Maschen, rechte und linke. Gestrickt
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
MehrAlgorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer
Algorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer Graph Theory Introduction Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische Informatik und Bioinformatik,
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
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
Mehr1. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Mehr4. Lernen von Entscheidungsbäumen
4. Lernen von Entscheidungsbäumen Entscheidungsbäume 4. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
MehrDijkstras Algorithmus: Pseudocode
Dijktra Algorithmu: Peudocode initialize d, parent all node are non-canned while 9 non-canned node u with d[u] < u := non-canned node v with minimal d[v] relax all edge (u,v) out of u u i canned now Behauptung:
MehrUnit 1. Motivation and Basics of Classical Logic. Fuzzy Logic I 6
Unit 1 Motivation and Basics of Classical Logic Fuzzy Logic I 6 Motivation In our everyday life, we use vague, qualitative, imprecise linguistic terms like small, hot, around two o clock Even very complex
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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2010/11
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
MehrAlgorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs
Algorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische
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
Mehr23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108
23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf
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
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrKapitel 1 Parallele Modelle Wie rechnet man parallel?
PRAM- PRAM- DAG- R UND R Coles und Kapitel 1 Wie rechnet man parallel? Vorlesung Theorie Paralleler und Verteilter Systeme vom 11. April 2008 der Das DAG- Das PRAM- Das werkmodell Institut für Theoretische
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 14, 08.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie WS 2008/2009 Vorlesung: Dr. Felix Brandt, Dr. Jan Johannsen Übung: Markus Brill, Felix Fischer Institut für Informatik LMU München Organisatorisches Vorlesung Donnerstag,
MehrZweizusammenhang und starker Zusammenhang
.. Zeizusammenhang und starker Zusammenhang Carsten Gutenger Vorlesung Algorithmen und Datenstrukturen WS /. Januar Zeizusammenhang Betrachte ein Netzerk (Graph) Z.B. Computernetzerk, Flug- oder Schienennetzerk
MehrNetzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler
Netzwerkmodelle Seminar Netzwerkanalyse Sommersemester 2005 Jasmine Metzler 1 Grundlegende Modelle Das Graph Modell (G n,p ) Definition Verschiedene Modelle Small World Modell Lokale Suche Power Law Modelle
MehrVorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG
Vorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG 195 Bildsegmentierung! Aufgabe: Bestimme inhaltlich zusammenhängende, homogene Bereiche eines Bildes! Weit verbreitetes Problem in der Bildverarbeitung! Viele
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.06.2017 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=799 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik
MehrSCHNITTERHALTUNG (SPEKTRALE APPROXIMATION)
Vorlesung 12 AUSDÜNNUNG VON GRAPHEN SCHNITTERHALTUNG (SPEKTRALE APPROXIMATION) 387 Wiederholung: Approximative Schnitterhaltung Ziel: Approximationsalgorithmus: A(S(G)) Ziele bei Eingabe eines dichten
MehrInformatik I: Einführung in die Programmierung
Informatik I: Einführung in die Programmierung 7. Albert-Ludwigs-Universität Freiburg Bernhard Nebel 31. Oktober 2014 1 31. Oktober 2014 B. Nebel Info I 3 / 20 Um zu, muss man zuerst einmal. Abb. in Public
MehrVorlesung 3 MINIMALE SPANNBÄUME
Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 12. Vorlesung 12.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Aufbau Viceroy Knoten in Viceroy
MehrNETZWERKANALYSE Clusteranalyse
NETZWERKANALYSE Clusteranalyse 188 Clusteranalyse in Graphen Hier: Clusteranalyse = Clustering = Community Detection Bestimmung natürlicher Gruppen im Graphen Strukturierung des Chaos [http://espin086.files.wordpress.com/
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
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 01. Dezember 2011 INSTITUT FÜR THEORETISCHE 0 KIT 01.12.2011 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
Mehr