Algorithmische Methoden für schwere Optimierungsprobleme
|
|
- Manfred Straub
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische Informatik nationales Algorithmische Forschungszentrum Methoden in der Helmholtz-Gemeinschaft für schwere Optimierungsprobleme
2 Modellierungsaufgabe Szenario: Sie arbeiten in einer Firma, die Software für mobile Pflegedienste entwickelt. Ihre Aufgabe ist die Entwicklung eines Algorithmus für die Tourenplanung. Aufgabe(n): Modellieren Sie das Problem! Fragen Sie den Kunden (mich) nach Details! 2 Henning Meyerhenke, Institut für Theoretische Informatik
3 Vorlesung 3 Programm des Tages: : Motivation und Definition : Approximation Literatur: Rolf Wanka: Approximationsalgorithmen. Eine Einführung. Teubner, Henning Meyerhenke, Institut für Theoretische Informatik
4 Vorlesung 3 Programm des Tages: : Motivation und Definition : Approximation Literatur: Rolf Wanka: Approximationsalgorithmen. Eine Einführung. Teubner, Nächstes Mal: : Heuristiken : Metaheuristik Simulated Annealing 3 Henning Meyerhenke, Institut für Theoretische Informatik
5 Inhalt Motivation und Definition 4 Henning Meyerhenke, Institut für Theoretische Informatik Motivation und Definition
6 Modellierungsaufgabe Szenario: Sie arbeiten in einer Firma, die Software für mobile Pflegedienste entwickelt. Ihre Aufgabe ist die Entwicklung eines Algorithmus für die Tourenplanung. Aufgabe(n): Modellieren Sie das Problem! Fragen Sie den Kunden (mich) nach Details! 5 Henning Meyerhenke, Institut für Theoretische Informatik Motivation und Definition
7 Definition Das Problem des Handlungsreisenden (): Finde für endlich viele Punkte, deren paarweise Abstände bekannt sind, den kürzesten die Punkte verbindenden Zyklus! Graphentheoretisch: Finde einen Hamiltonkreis im (gewichteten) Graphen G = (V, E, ω ) mit minimaler Länge! 6 Henning Meyerhenke, Institut für Theoretische Informatik Motivation und Definition
8 Komplexität Theorem ist als Entscheidungsproblem N P-vollständig. Beweis. Reduktion auf Hamiltonkreis. Häufiges Vorgehen: Wenn das allgemeine Problem zu schwierig ist, kann man eingeschränkte Problemstellungen effizient lösen? 7 Henning Meyerhenke, Institut für Theoretische Informatik Motivation und Definition
9 Inhalt Motivation und Definition 8 Henning Meyerhenke, Institut für Theoretische Informatik
10 Metrisches Definition (Metrisches ) Ein -Problem I heißt metrisch, wenn die Gewichtsfunktion ω von I die Dreiecksungleichung erfüllt. Theorem (Christofides) Das metrische für einen Graphen mit n Knoten kann mit Christofides Algorithmus mit einer garantierten relativen Güte von n bei einer Laufzeit von O(n 2.5 log 4 n) gelöst werden. 9 Henning Meyerhenke, Institut für Theoretische Informatik
11 Der Algorithmus von Christofides Begriffe Matching: Teilgraph, in dem jeder Knoten höchstens Grad 1 hat Perfektes Matching: Teilgraph, in dem jeder Knoten genau Grad 1 hat Eulerkreis: Kreis, der jede Kante genau einmal besucht 10 Henning Meyerhenke, Institut für Theoretische Informatik
12 Der Algorithmus von Christofides Eingabe: Instanz < K n, ω > Ausgabe: Hamiltonkreis auf G mit rel. Güte (3/2 1/n) 1. Berechne einen minimalen Spannbaum T von < K n, ω > 11 Henning Meyerhenke, Institut für Theoretische Informatik
13 Der Algorithmus von Christofides Eingabe: Instanz < K n, ω > Ausgabe: Hamiltonkreis auf G mit rel. Güte (3/2 1/n) 1. Berechne einen minimalen Spannbaum T von < K n, ω > 2. Bilde die Menge U der Knoten, die in T einen ungeraden Grad haben 3. Finde auf dem durch U induzierten Teilgraphen ein perfektes Matching minimalen Gewichts M 4. Berechne einen Eulerkreis Ê auf T M (mglw. Multigraph) 5. Entferne in Ê Wiederholungen von Knoten, so dass man einen Hamiltonkreis C erhält 6. Gib C aus 11 Henning Meyerhenke, Institut für Theoretische Informatik
14 Beispiel Eingabe: 12 Henning Meyerhenke, Institut für Theoretische Informatik
15 Beispiel Minimaler Spannbaum T : 12 Henning Meyerhenke, Institut für Theoretische Informatik
16 Beispiel Menge U von Knoten mit ungeradem Grad (rot): 12 Henning Meyerhenke, Institut für Theoretische Informatik
17 Beispiel Perfektes Matching M minimalen Gewichts auf durch U induziertem Teilgraphen (rote Kanten): 12 Henning Meyerhenke, Institut für Theoretische Informatik
18 Beispiel Eulerkreis Ê auf T M (blaue Linie folgt Ê) 12 Henning Meyerhenke, Institut für Theoretische Informatik
19 Beispiel Hamiltonkreis C nach der Entfernung von mehrfachen Knoten (orangefarbene Kanten): 12 Henning Meyerhenke, Institut für Theoretische Informatik
20 Analyse Korrektheit Lemma Der Algorithmus von Christofides arbeitet korrekt. Beweis. Es gibt immer ein perfektes Matching wie gesucht: Die Summe der Knotengrade in einem Graphen ist 2 E und damit gerade Die Anzahl der Knoten mit ungeradem Knotengrad ist gerade Die Menge U beinhaltet eine gerade Anzahl von Knoten Da der induzierte Teilgraph vollständig ist, existiert ein perfektes Matching 13 Henning Meyerhenke, Institut für Theoretische Informatik
21 Analyse Korrektheit Lemma Der Algorithmus von Christofides arbeitet korrekt. Beweis. Es gibt immer ein perfektes Matching wie gesucht: Die Summe der Knotengrade in einem Graphen ist 2 E und damit gerade Die Anzahl der Knoten mit ungeradem Knotengrad ist gerade Die Menge U beinhaltet eine gerade Anzahl von Knoten Da der induzierte Teilgraph vollständig ist, existiert ein perfektes Matching Es gibt immer einen Eulerkreis wie gesucht: Alle Knoten in dem betrachteten Graphen haben geraden Knotengrad Ein Eulerkreis, aus dem Wdh. entfernt wurden, ist ein Hamiltonkreis 13 Henning Meyerhenke, Institut für Theoretische Informatik
22 Analyse Laufzeit Vollständiger Graph mit O(n 2 ) Kanten! Laufzeit der Schritte 1. MST: O(n 2 α(n 2 )) 2. Menge U bilden: O(n) 3. Perfektes Matching minimalen Gewichts: O(n 2.5 log 4 n) 4. Eulerkreis: O(n 2 ) 5. Wdh. entfernen: O(n 2 ) 14 Henning Meyerhenke, Institut für Theoretische Informatik
23 Analyse Qualität Theorem Der Algorithmus von Christofides garantiert eine relative Güte von n. Beweis. Sei C opt ein Hamiltonkreis minimaler Länge in K n Es reicht zu zeigen, dass gilt: ( 3 ω(c) ω(t ) + ω(m) 2 1 ) ω(c opt ) n 15 Henning Meyerhenke, Institut für Theoretische Informatik
24 Analyse Qualität Theorem Der Algorithmus von Christofides garantiert eine relative Güte von n. Beweis. Sei C opt ein Hamiltonkreis minimaler Länge in K n Es reicht zu zeigen, dass gilt: ( 3 ω(c) ω(t ) + ω(m) 2 1 ) ω(c opt ) n Wenn man eine Kante mit Mindestgewicht ω(c opt )/n (existiert!) aus C opt entfernt, dann erhält man einen Spannbaum (nicht notwendigerweise den MST) ω(t ) (1 1 n )ω(c opt) (MST ist minimal) 15 Henning Meyerhenke, Institut für Theoretische Informatik
25 Fortsetzung des Gütebeweises (1) Beweis Bleibt zu zeigen: ω(m) 1 2 ω(c opt) Betrachten neuen Kreis H, der entsteht, wenn die Knoten aus U in der Reihenfolge, in der sie in C opt vorkommen, abgelaufen werden 16 Henning Meyerhenke, Institut für Theoretische Informatik
26 Fortsetzung des Gütebeweises (2) Forts. H kann in zwei perfekte Matchings M 1 und M 2 zerlegt werden Œ sei ω(m 1 ) ω(m 2 ). Es folgt: ω(m) ω(m 1 ) (Min. von M) 1 2 (ω(m 1) + ω(m 2 )) (Œ) = 1 2 ω(h) 1 2 ω(c opt) ( -Ungl.) 17 Henning Meyerhenke, Institut für Theoretische Informatik
27 Zeugenmenge Definition (Zeugenmenge) Sei A ein α-approximationsalgorithmus. Eine unendlich große Menge zulässiger Lösungen D heißt α A (n)-zeugenmenge gegen A, wenn I D gilt: α A ( I ) α A ( I ) 18 Henning Meyerhenke, Institut für Theoretische Informatik
28 Zeugenmenge Definition (Zeugenmenge) Sei A ein α-approximationsalgorithmus. Eine unendlich große Menge zulässiger Lösungen D heißt α A (n)-zeugenmenge gegen A, wenn I D gilt: α A ( I ) α A ( I ) ( 3 2 n 1 )-Zeuge für Christofides Algorithmus Siehe Tafel! 18 Henning Meyerhenke, Institut für Theoretische Informatik
29 Zeugenmenge Definition (Zeugenmenge) Sei A ein α-approximationsalgorithmus. Eine unendlich große Menge zulässiger Lösungen D heißt α A (n)-zeugenmenge gegen A, wenn I D gilt: α A ( I ) α A ( I ) ( 3 2 n 1 )-Zeuge für Christofides Algorithmus Siehe Tafel! Fazit: Algorithmus fertig beschrieben, Güte bewiesen, Schranke scharf! Historie: Güte erst kürzlich verbessert für bestimmte Szenarien. 18 Henning Meyerhenke, Institut für Theoretische Informatik
30 PTAS und FPTAS Definition ((F)PTAS) Sei Π ein Optimierungsproblem. Sei A ein Approximationsalgorithmus für Π, der als Eingabe eine Probleminstanz I von Π und ein ɛ mit 0 < ɛ < 1 bekommt. A ist ein polynomielles Approximationsschema (PTAS, engl. für polynomial time approximation scheme) für Π, falls A zu jeder Probleminstanz I in Polynomialzeit eine zulässige Lösung mit relativem Fehler ɛ berechnet. 19 Henning Meyerhenke, Institut für Theoretische Informatik
31 PTAS und FPTAS Definition ((F)PTAS) Sei Π ein Optimierungsproblem. Sei A ein Approximationsalgorithmus für Π, der als Eingabe eine Probleminstanz I von Π und ein ɛ mit 0 < ɛ < 1 bekommt. A ist ein polynomielles Approximationsschema (PTAS, engl. für polynomial time approximation scheme) für Π, falls A zu jeder Probleminstanz I in Polynomialzeit eine zulässige Lösung mit relativem Fehler ɛ berechnet. A ist ein streng polynomielles Approximationsschema (FPTAS, engl. für fully PTAS), wenn A ein PTAS ist mit Laufzeit O(poly( I, 1/ɛ)). 19 Henning Meyerhenke, Institut für Theoretische Informatik
32 PTAS und FPTAS Definition ((F)PTAS) Sei Π ein Optimierungsproblem. Sei A ein Approximationsalgorithmus für Π, der als Eingabe eine Probleminstanz I von Π und ein ɛ mit 0 < ɛ < 1 bekommt. A ist ein polynomielles Approximationsschema (PTAS, engl. für polynomial time approximation scheme) für Π, falls A zu jeder Probleminstanz I in Polynomialzeit eine zulässige Lösung mit relativem Fehler ɛ berechnet. A ist ein streng polynomielles Approximationsschema (FPTAS, engl. für fully PTAS), wenn A ein PTAS ist mit Laufzeit O(poly( I, 1/ɛ)). Theorem (Arora, 1996; ähnlich: Mitchell, 1996) Für das euklidische gibt es ein PTAS mit der Laufzeit O(n 3 log O(1/ɛ) n). 19 Henning Meyerhenke, Institut für Theoretische Informatik
33 Nichtapproximierbarkeit von Theorem Wenn es einen Polynomialzeit-Approximationsalgorithmus A mit konstanter relativer Güte r für das volle gibt, dann ist P = N P. Beweis. Annahme: Es gibt ein solches A mit relativer Gütegarantie r N. Ziel: Algorithmus angeben, der mit Hilfe von A das N P-vollständige Hamiltonkreisproblem in Polynomialzeit löst. Genauer: HAMILTON p [r] für alle r. 20 Henning Meyerhenke, Institut für Theoretische Informatik
34 Fortsetzung des Beweises Transformation der Eingabe Beweis. Eingabe: G = (V, E) mit n Knoten, Frage: Hat G einen Hamiltonkreis? Transformation von G in Probleminstanz I G für : I G = K n, c mit c(u, v) = { 1, falls {u, v} E (kurze Kanten) r := (r 1) n + 2, falls {u, v} / E (lange Kanten) 21 Henning Meyerhenke, Institut für Theoretische Informatik
35 Fortsetzung des Beweises Gültigkeit der Transformation Beweis. I G kann in Polynomialzeit aus G berechnet werden. Es gilt: Hat G Hamiltonkreis, dann hat kürzeste Rundreise Länge n. Es gilt: Hat G keinen Hamiltonkreis, dann enthält jede Rundreise mindestens eine lange Kante. Länge der kürzesten Rundreise (r 1) n n 1 = r n + 1 > r n Folglich existiert Lücke: Zulässige Lösung für I G hat entweder Länge = n oder > r n. 22 Henning Meyerhenke, Institut für Theoretische Informatik
36 Fortsetzung des Beweises Algorithmus Beweis. 1: function ENTSCHEIDEHAMILTON(Graph G) 2: berechne I G und approximiere mit A eine kürzeste Rundreise in I G 3: if A(I G ) > r n then 4: return kein Hamilton-Kreis" 5: else 6: return Hamilton-Kreis vorhanden" 7: end if 8: end function Wenn Hamilton-Kreis vorhanden, muss A(I G ) r n sein. Es gibt aber nur optimale Rundreisen (= HK in G) mit dieser Länge. Approximation mit konstanter relativer Güte nur, wenn P = N P. 23 Henning Meyerhenke, Institut für Theoretische Informatik
37 Allgemeine Nichtapproximierbarkeit Theorem Sei L Σ ein N P-vollständiges Entscheidungsproblem und sei Π ein Minimierungsproblem. Gibt es zwei in Polynomialzeit berechenbare Funktionen f : Σ D und c : Σ N und eine Konstante γ > 0, so dass für alle Eingaben x Σ gilt: { c(x) x L OPT (f (x)) c(x) (1 + γ) x / L, dann gibt es keinen Polynomialzeit-Approximationsalgorithmus mit relativer Güte r mit r < 1 + γ, es sei denn, P = N P. 24 Henning Meyerhenke, Institut für Theoretische Informatik
38 Zusammenfassung und Ausblick Zusammenfassung : Finde gewichteten Hamiltonkreis minimaler Länge! Entscheidungsproblem ist N P-vollständig 25 Henning Meyerhenke, Institut für Theoretische Informatik
39 Zusammenfassung und Ausblick Zusammenfassung : Finde gewichteten Hamiltonkreis minimaler Länge! Entscheidungsproblem ist N P-vollständig Alg. von Christofides hat relative Güte von n PTAS für euklidisches (ohne Beweis) Konstante relative Güte für allgemeines P = N P 25 Henning Meyerhenke, Institut für Theoretische Informatik
40 Zusammenfassung und Ausblick Zusammenfassung : Finde gewichteten Hamiltonkreis minimaler Länge! Entscheidungsproblem ist N P-vollständig Alg. von Christofides hat relative Güte von n PTAS für euklidisches (ohne Beweis) Konstante relative Güte für allgemeines P = N P Ausblick Tauschheuristiken für Metaheuristik Simulated Annealing für 25 Henning Meyerhenke, Institut für Theoretische Informatik
Approximationsalgorithmen 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
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
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
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
MehrEinführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
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
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
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
MehrApproximationsalgorithmen am Beispiel des Traveling Salesman Problem
Approximationsalgorithmen am Beispiel des Traveling Salesman Problem Seminararbeit im Rahmen des Seminars Algorithmentechnik vorgelegt von Leonie Sautter Leiter des Seminars: Juniorprof. Dr. Henning Meyerhenke
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
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
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrApproximationsklassen für Optimierungsprobleme
Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................
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
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
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,
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 5. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 05.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrZusammenfassung Approx algorithmen
Zusammenfassung pprox algorithmen. Einleitung Notation: N := {, 2,... }, N 0 := {0,, 2,... } [n] := {, 2,..., n} [n] 0 := {0,, 2,..., n}.3. Grundbegriffe Kanten}, S(G) = {c V c V Knotenfärbung}, f(c V
MehrApproximationsschemata
Effiziente Algorithmen Aproximationsalgorithmen 312 Definition Approximationsschemata Sei A(ǫ) ein Approximationsalgorithmus mit einem Parameter ǫ. 1. A(ǫ) ist ein PTAS (polynomial time approximation scheme),
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 29. Januar 2013 Näherungsalgorithmen, Fernau, Universität Trier, WiSe 2012/13
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
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
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
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.
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrAufgabe Mögliche Punkte Erreichte Punkte a b c d Σ a b c d Σ x1 13
Universität Karlsruhe Theoretische Informatik Fakultät für Informatik WS 2003/04 ILKD Prof. Dr. D. Wagner 14. April 2004 2. Klausur zur Vorlesung Informatik III Wintersemester 2003/2004 Hier Aufkleber
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
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
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,
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
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
MehrNP-vollständig - Was nun?
Kapitel 4 NP-vollständig - Was nun? Wurde von einem Problem gezeigt, dass es NP-vollständig ist, ist das Problem damit nicht gelöst oder aus der Welt geschafft. In der Praxis muss es trotzdem gelöst werden.
MehrEinführung in Algorithmen und Komplexität
Einführung in Algorithmen und Komplexität SS2004 w u v High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 Was haben wir bisher gemacht? - Rechenmodell:
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
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
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrÜbungsblatt Nr. 5. Lösungsvorschlag
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Nico Döttling Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 svorschlag Aufgabe 1
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
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 1 Programm des
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
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
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 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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
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
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
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
MehrDas Lastverteilungsproblem
Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht
MehrEinführung in Approximationsalgorithmen
Einführung in Approximationsalgorithmen Skript zur Vorlesung Effiziente Algorithmen von Berthold Vöcking, RWTH Aachen 30. Juli 2008 Hilfreiche Literatur Vazirani: Approximation Algorithms, Springer Verlag,
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 8/9 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt
MehrKomplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic
Kapitel 5 Komplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic In den vorhergehenden Kapiteln sind wir einmal quer durch das Gebiet der Approximationsalgorithmen gelaufen. Wir haben
MehrKlausur Algorithmen und Datenstrukturen II 29. Juli 2013
Technische Universität Braunschweig Sommersemester 2013 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Stephan Friedrichs Klausur Algorithmen und Datenstrukturen
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
Mehr3. Musterlösung. Problem 1: Boruvka MST
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner. Musterlösung Problem : Boruvka MST pt (a) Beweis durch Widerspruch. Sei T MST von G, e die lokal minimale Kante eines
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrSeminar im WS 2006/07 Zerlegen und Clustern von Graphen. Correlation Clustering Minimizing Disagreements on Arbitrary Weighted Graphs
Seminar im WS 006/07 Zerlegen und Clustern von Graphen Correlation Clustering Minimizing Disagreements on Arbitrary Weighted Graphs Myriam Freidinger 18. April 007 1 Einleitung Ziel dieser Ausarbeitung
MehrSeminar. Das Steinerbaumproblem
Seminar Das Steinerbaumproblem Philipp Gillitzer Matrikelnr.: 51829 Studiengang Informatik(IT-Sicherheit) Semester 6 Hochschule Aalen Wintersemester 16/17 1 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen
MehrKomplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben
Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
Mehr1 Raumwechsel: Gr. 19 (Fr 12-14, F-334) diese Woche in D Studie zum Arbeitsverhalten von Studierenden unter Leitung
Organisatorisches Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie in P und NP Frank Heitmann heitmann@informatik.uni-hamburg.de 1 Raumwechsel: Gr. 19 (Fr 12-14, F-334) diese Woche in D-129.
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
Mehr2.6 Asymptotische Approximation: Min Binpacking
2.6 Asymptotische Approximation: Min Binpacking In diesem Abschnitt geht es die Erscheinung, dass manche Optimierungsprobleme Approximationsalgorithmen haben, die nur für Inputs x mit groÿem Wert m (x)
Mehrdurch Einfügen von Knoten konstruiert werden kann.
Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der
Mehr4 Färbungen Begriffe Komplexität Greedy-Algorithmus Knotenreihenfolgen Das 4-Farben-Problem...
Inhaltsverzeichnis 4 Färbungen 41 4.1 Begriffe....................... 41 4.2 Komplexität..................... 42 4.3 Greedy-Algorithmus................ 42 4.4 Knotenreihenfolgen................. 43 4.5
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrAlgorithmentheorie 1. Vorlesung
Algorithmentheorie 1. Vorlesung Martin Dietzfelbinger 6. April 2006 FG KTuEA, TU Ilmenau AT 06.04.2006 Methode, Material Vorlesung Vorlesungsskript (Netz, Copyshop) Folien (im Netz) Vorlesung nachbereiten!
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
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
MehrWS 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
Mehr3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:
3. Minimale Spannbäume Sei G = (V, E) ein einfacher ungerichteter Graph, der o.b.d.a. zusammenhängend ist. Sei weiter w : E R eine Gewichtsfunktion auf den Kanten von G. Wir setzen E E: w(e ) = e E w(e),
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
MehrApproximationsalgorithmen. Approximation im Sinne der Analysis:
Approximationsalgorithmen Ulrich Pferschy 1 Approximationsalgorithmen Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem
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
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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
MehrPraktische Grenzen der Berechenbarkeit
Arno Schwarz Praktische Grenzen der Berechenbarkeit Während es im ersten Abschnitt um prinzipiell unlösbare Probleme ging, wenden wir uns nun Aufgaben zu, deren Lösbarkeit praktische Grenzen gesetzt sind.
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.
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
MehrLaufzeit einer DTM, Klasse DTIME
Laufzeit einer DTM, Klasse DTIME Definition Laufzeit einer DTM Sei M eine DTM mit Eingabealphabet Σ, die bei jeder Eingabe hält. Sei T M (w) die Anzahl der Rechenschritte d.h. Bewegungen des Lesekopfes
Mehr