Algorithmische Methoden für schwere Optimierungsprobleme

Größe: px
Ab Seite anzeigen:

Download "Algorithmische Methoden für schwere Optimierungsprobleme"

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 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

Mehr

Polynomialzeit- Approximationsschema

Polynomialzeit- 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

Mehr

Theoretische Informatik 1

Theoretische 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

Mehr

3 Klassifikation wichtiger Optimierungsprobleme

3 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

Mehr

Einführung in Approximative Algorithmen und Parametrisierte Komplexität

Einführung 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke

Algorithmische 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

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. 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

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 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

Mehr

Kombinatorische Optimierung

Kombinatorische 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

Mehr

Approximationsalgorithmen am Beispiel des Traveling Salesman Problem

Approximationsalgorithmen 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

Mehr

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem

Ferienkurs 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse

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

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag

Mehr

Approximationsklassen für Optimierungsprobleme

Approximationsklassen für Optimierungsprobleme Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................

Mehr

Übungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17

Übungsblatt 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke

Algorithmische 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

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. 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,

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 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

Mehr

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme

Theoretische 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

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Zusammenfassung Approx algorithmen

Zusammenfassung 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

Mehr

Approximationsschemata

Approximationsschemata 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),

Mehr

Probleme aus NP und die polynomielle Reduktion

Probleme 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

Mehr

Hamiltonsche Graphen

Hamiltonsche 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,

Mehr

Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2012/13 in Trier

Näherungsalgorithmen (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

Mehr

2. November Gradfolgen Zusammenhang Kürzeste Wege. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 37

2. 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

Mehr

NP-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) 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

Mehr

Toleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger

Toleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de

Mehr

Algorithmen I - Tutorium 28 Nr. 11

Algorithmen 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.

Mehr

Die Klasse NP und die polynomielle Reduktion

Die 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

Mehr

Aufgabe Mögliche Punkte Erreichte Punkte a b c d Σ a b c d Σ x1 13

Aufgabe 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse

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

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, 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

Mehr

Grundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann

Grundlagen 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

Mehr

Algorithmische Methoden für schwere Optimierungsprobleme

Algorithmische 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

Mehr

Algorithmische Graphentheorie

Algorithmische 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,

Mehr

Approximationsalgorithmen

Approximationsalgorithmen 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

Mehr

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1

Aufgabe 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

Mehr

NP-vollständig - Was nun?

NP-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.

Mehr

Einführung in Algorithmen und Komplexität

Einführung 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:

Mehr

Lösungen zur Vorlesung Berechenbarkeit und Komplexität

Lösungen 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

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Algorithmen & Komplexität

Algorithmen & 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

Mehr

Algorithmen 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 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

Mehr

Übungsblatt Nr. 5. Lösungsvorschlag

Übungsblatt 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

Mehr

Theorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.

Theorie 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

Mehr

Diskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008

Diskrete 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

Mehr

Kombinatorische Optimierung

Kombinatorische 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

Mehr

Teil III. Komplexitätstheorie

Teil 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

Mehr

10. Übung Algorithmen I

10. 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

Mehr

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein

Proseminar 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

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen 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

Mehr

Euler und Hamiltonkreise

Euler 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

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.

Mehr

Satz 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,... 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

Mehr

Das Heiratsproblem. Definition Matching

Das 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse

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

Mehr

Das Lastverteilungsproblem

Das Lastverteilungsproblem Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht

Mehr

Einführung in Approximationsalgorithmen

Einführung 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,

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. 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

Mehr

1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2008/2009

1. 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

Mehr

Komplexitatstheoretische Zwischenbetrachtungen: Klassen & eine Hierarchic

Komplexitatstheoretische 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

Mehr

Klausur Algorithmen und Datenstrukturen II 29. Juli 2013

Klausur 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

Mehr

Bäume und Wälder. Definition 1

Bäume 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

Mehr

Kombinatorische Optimierung

Kombinatorische 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

Mehr

Algorithmen und Datenstrukturen

Algorithmen 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:

Mehr

3. Musterlösung. Problem 1: Boruvka MST

3. 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

Mehr

Approximationsalgorithmen: 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 Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

Seminar im WS 2006/07 Zerlegen und Clustern von Graphen. Correlation Clustering Minimizing Disagreements on Arbitrary Weighted Graphs

Seminar 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

Mehr

Seminar. Das Steinerbaumproblem

Seminar. 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

Mehr

Komplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben

Komplexität 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

Mehr

Algorithmen II Vorlesung am

Algorithmen 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

Mehr

1 Raumwechsel: Gr. 19 (Fr 12-14, F-334) diese Woche in D Studie zum Arbeitsverhalten von Studierenden unter Leitung

1 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.

Mehr

Graphalgorithmen Netzwerkalgorithmen. Laufzeit

Graphalgorithmen 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{

Mehr

2.6 Asymptotische Approximation: Min Binpacking

2.6 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)

Mehr

durch Einfügen von Knoten konstruiert werden kann.

durch 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

Mehr

4 Färbungen Begriffe Komplexität Greedy-Algorithmus Knotenreihenfolgen Das 4-Farben-Problem...

4 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

Mehr

Seminarvortag 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 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:

Mehr

11. Übung zu Algorithmen I 6. Juli 2016

11. 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

Mehr

Theoretische Grundlagen der Informatik

Theoretische 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

Mehr

Algorithmentheorie 1. Vorlesung

Algorithmentheorie 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!

Mehr

Effiziente Algorithmen I

Effiziente 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

Mehr

Theoretische Informatik 1

Theoretische Informatik 1 Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene 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

Mehr

WS 2013/14. Diskrete Strukturen

WS 2013/14. Diskrete Strukturen WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314

Mehr

3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:

3. 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),

Mehr

9. Übung Algorithmen I

9. 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

Mehr

Approximationsalgorithmen. Approximation im Sinne der Analysis:

Approximationsalgorithmen. 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

Mehr

Algorithmen und Datenstrukturen Kapitel 6 Komplexitätstheorie

Algorithmen 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

Mehr

Aufgabe 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. 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.

Mehr

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn

Optimierung. 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

Mehr

Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke

Algorithmische 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

Mehr

Praktische Grenzen der Berechenbarkeit

Praktische 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.

Mehr

Dank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Reduktion. Komplexitätsklassen.

Dank. 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

Mehr

Laufzeit einer DTM, Klasse DTIME

Laufzeit 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