Randomisiert inkrementelle Konstruktion der Trapezzerlegung. Strecken in der Ebene
|
|
- Stefan Bergmann
- vor 6 Jahren
- Abrufe
Transkript
1 Randomiiert inkrementelle Kontruktion der Trapezzerlegung einer Menge von Strecken in der Ebene (Literatur: deberg et al., Kapitel 6) Chritian Knauer 1 Problemtellung Gegeben: Eine Menge von n Strecken S in der Ebene Berechne: Die von S induzierte ebene Unterteilung (unterteile die Strecken au S bei den Schnittpunkten) 2
2 Trapezzerlegung einer Menge von Strecken S: Menge von n Strecken in der Ebene mit k Schnittpunkten Trapezzerlegung von S Verfeinerung der von S induzierten ebene Unterteilung zeichne durch jeden der End- und Schnittpunkte der Strecken in S eine vertikale Strecke nach oben und unten bi eine Strecke au S getroffen wird unterteile die Strecken au S bei den Punkten an denen eine vertikale Erweiterung auftrifft 3 Beipiel Trapezzerlegung 4
3 Beipiel Trapezzerlegung 5 Beipiel Trapezzerlegung 6
4 Beipiel Trapezzerlegung 7 Eigenchaften der Trapezzerlegung Facetten ind Trapeze oder Dreiecke (mit evtl. unterteilten Seiten) Komplexität: O(n+k) 8
5 Problemtellung Gegeben: Eine Menge von n Strecken S in der Ebene (mit k Schnittpunkten) Berechne: Die Trapezzerlegung von S Annahme: Die Strecken au S ind in allgemeiner Lage, d.h. in einem Punkt chneiden ich höchten zwei Strecken und die x-koordinaten aller End- und Schnittpunkte ind verchieden 9 Inkrementeller Aufbau S = ( 1,, n ) T i it die Trapezzerlegung zu S i := { 1,, i } kontruiere T i au T i-1 durch Einfügen von i (für i>1) finde da Trapez t von T i-1, da einen Endpunkt p von i enthält ( Konfliktlokaliierung ) finde von t au alle Trapeze und Kanten von T i-1, die von i gechnitten werden ( Durchfädeln ) füge neue vertikale Kanten von den Endpunkten von i und den Schnittpunkten von i mit Strecken au S i-1 ein ( Unterteilen ) chneide vorhandene vertikale Kanten die i chneiden bei den Schnittpunkten ab und verchmelze die zu den entfernten Kanten adjazenten Trapeze ( Verkürzen ) 10
6 Beipiel: Kontruktion von T i au T i-1 11 Beipiel: Durchfädeln von i i 12
7 Beipiel: Unterteilen i 13 Beipiel: Verkürzen i 14
8 Beipiel: Verkürzen i 15 Beipiel: Die Zerlegung T i i 16
9 Lokaliierung von Streckenendpunkten in T i Verwendung einer zuätzlichen Datentruktur G i peichert die Gechichte der Kontruktion von T i ermöglicht Punktlokaliierung in T i Konfliktlokaliierung für einen Endpunkt p von i durch Punktlokaliierung von p in T i Anpaen der Datentruktur beim Einfügen neuer Strecken erwartete Suchzeit Õ(log n) pro Anfrage, erwartete Gröe Õ(n+k) 17 G i : Gechichte der Kontruktion von T i gerichteter azyklicher Graph Blätter ind bechriftet mit einem Trapez t?t i innere Knoten v haben Augrad 2 ind bechriftet mit einem Endpunkt p(v) einer der Strecken au S i oder einer Strecke (v)?s i repräentieren eine Region r(v) der Ebene wenn v die Wurzel it, dann it r(v)= R 2 wenn v da Kind eine Knoten u it, der mit einem Endpunkt p(u) einer der Strecken au S i bechriftet it, dann it r(v)={p?r(u) p it link von p(u)}, fall v linke Kind von u it r(v)={p?r(u) p it recht von p(u)}, fall v rechte Kind von u it wenn v da Kind eine Knoten u it, der mit einer Strecke (u)?s i bechriftet it, dann it r(v)={p?r(u) p it oberhalb von (u)}, fall v linke Kind von u it r(v)={p?r(u) p it unterhalb von (u)}, fall v rechte Kind von u it 18
10 Aufbau von G 1 p 2 U 1 p 1 p W T 1 T V p 2 W U V 19 Kontruktion von G i au G i-1 im Unterteilungchritt wird ein Trapez au T i-1 in höchten 4 Trapeze unterteilt r r l l l l 20
11 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an 21 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 22
12 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an r G i-1 l l r 23 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 24
13 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 l l 25 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 26
14 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an r G i-1 l l r 27 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 28
15 Kontruktion von G i au G i-1 erzeuge für jede Trapez da im Unterteilungchritt entteht ein neue Blatt und pae die Suchtruktur an den Blättern von G i-1 entprechend an G i-1 l l 29 Kontruktion von G i au G i-1 Identifiziere Blätter von G i deren korrepondierende Trapeze beim Verkürzen miteinander verchmelzen 30
16 Beipiel: Kontruktion von G i au G i-1 G i-1 T U V W T U V W 31 Beipiel: Kontruktion von G i au G i-1 G i-1 T U V W p q 32
17 Beipiel: Kontruktion von G i au G i-1 G i-1 T p U V W q t 3 p t 1 t2 u 1 u 2 q v w 1 1 v w 2 2 w 3 t 3 u 1 u 2 v 2 v 1 w 3 t 2 t 1 w 2 w 1 33 Beipiel: Kontruktion von G i au G i-1 G i-1 T p U V W t 3 v 1 q w 3 q p t v w t 3 w w t t 2 t 1 w 2 w 1 34
18 Punktlokaliierung in T i mit Hilfe von G i uche, augehend von der Wurzel von G i, rekuriv da Trapez von T i (= Blatt von G i ), in dem der Anfragepunkt q liegt ei v ein innerer Knoten von G i mit q?r(v) wenn v mit einem Endpunkt p(v) einer Strecke au S i bechriftet it, dann fahre mit der Suche im linken Kind von v fort, fall q link von p(v) liegt fahre mit der Suche im rechten Kind von v fort, fall q recht von p(v) liegt wenn v mit einer Strecke (v)?s i bechriftet it, dann fahre mit der Suche im linken Kind von v fort, fall q über (v) liegt fahre mit der Suche im rechten Kind von v fort, fall q unter (v) liegt 35 Beipiel: Suchen in T 1 mit Hilfe von G 1 q 1 q U p 1 p 1 W T 1 T 1 V q 1 W U V 36
19 Beipiel: Suchen in G i mit Hilfe von G i p i i G i-1 i T U V W q i V q i p i t v w t 3 w w t i q i t 3 v 1 i w 3 t 2 t 1 w 2 w 1 37 Algorithmu Inert( i ) uche in G i-1 da Trapez t von T i-1 da einen Endpunkt von i enthält finde von t au alle Trapeze und Kanten von T i-1, die von i gechnitten werden füge neue vertikale Kanten von den Endpunkten von i und den Schnittpunkten von i mit Strecken au S i-1 ein erzeuge für jede Trapez da entteht ein neue Blatt in G i und pae die Suchtruktur an den Blättern von G i-1 entprechend an chneide vorhandene vertikale Kanten die i chneiden bei den Schnittpunkten ab und verchmelze die zu den entfernten Kanten adjazenten Trapeze identifiziere Blätter von G i deren korrepondierende Trapeze miteinander verchmelzen 38
20 Bemerkungen halbdynamicher Algorithmu zur Berechnung der Trapezzerlegung liefert Datentruktur zur Punktlokaliierung in der Trapezzerlegung 39 Laufzeitanalye der Algorithmu it determinitich, er trifft keine Zufallentcheidungen beim Einfügen von S in einer feten Reihenfolge? wir nehmen an, da alle Einfügereihenfolgen gleich wahrcheinlich ind die Anzahl der von dem Algorithmu durchgeführten Schritte it eine Zufallvariable wir betrachten den Erwartungwert dieer Zufallvariable al Maß für die Effizienz de Algorithmu wir nennen dieen Erwartungwert die erwartete Laufzeit de Algorithmu bei zufälliger Einfügereihenfolge e werden keine Annahmen über die tatitiche Verteilung der Eingabe gemacht 40
21 Übericht Laufzeitanalye Geamtkoten etzen ich zuammen au Koten für die trukturellen Änderungen der ebenen Unterteilung und die Kontruktion der Gechichte O(n log n + k) erwartet Bem.: Die Koten für die Kontruktion der Gechichte ind aymptotich genauo gro, wie die Koten für die trukturellen Änderungen der ebenen Unterteilung Koten für die Lokaliierung von Streckenendpunkten in der Gechickte Õ(log n) pro Punktlokaliierunganfrage 41 Koten für die trukturellen Änderungen ei S`? S fet mit S =i im folgenden ei auerdem T:=T i-1, T :=T i betrachte den i-ten Einfügechritt mit S i =S und die Zufallvariable T St (? ) := Koten für die trukturellen Änderungen im i-ten Schritt beim Ablauf de Algorithmu auf der Eingabe S mit der Einfügereihenfolge? erwartete Koten (unter der Bedingung S i =S ) E St := E[T St S i =S ] =??S Pr( wurde im i-ten Schritt eingefügt S i =S ) (Koten für da Einfügen von ) = (1/i)??S (Koten für da Einfügen von ) 42
22 Koten für die trukturellen Änderungen für t?t bezeichnet f(t) die Anzahl der Kanten von t Komplexität de Einfügen von it O(? t?t, t chneidet f(t)) 43 Koten für die trukturellen Änderungen E St =??S Pr( wurde im i-ten Schritt eingefügt S i =S ) (Koten für da Einfügen von ) = (1/i)??S (Koten für da Einfügen von ) = (1/i)??S? t?t, t chneidet f(t) 44
23 Koten für die trukturellen Änderungen? t?t, t chneidet f(t) =? t?t, inzident zu t f(t) 45 Koten für die trukturellen Änderungen E St =??S Pr( wurde im i-ten Schritt eingefügt S i =S ) (Koten für da Einfügen von ) = (1/i)??S (Koten für da Einfügen von ) = (1/i)??S? t?t, t chneidet f(t) = (1/i)??S? t?t, inzident zu t f(t) 46
24 Koten für die trukturellen Änderungen??S? t?t, inzident zu t f(t) = 4? t?t f(t) jede Trapez t?t it zu höchten 4 Strecken?S adjazent 47 Koten für die trukturellen Änderungen E St =??S Pr( wurde im i-ten Schritt eingefügt S i =S ) (Koten für da Einfügen von ) = (1/i)??S (Koten für da Einfügen von ) = (1/i)??S? t?t, t chneidet f(t) = (1/i)??S? t?t, inzident zu t f(t) = (1/i) 4? t?t f(t) 48
25 Koten für die trukturellen Änderungen E St =??S Pr( wurde im i-ten Schritt eingefügt S i =S ) (Koten für da Einfügen von ) = (1/i)??S (Koten für da Einfügen von ) = (1/i)??S? t?t, t chneidet f(t) = (1/i)??S? t?t, inzident zu t f(t) = (1/i) 4? t?t f(t) = O((1/i) (n+k)) wobei K = # Schnittpunkte in S 49 Koten für die trukturellen Änderungen ei Y eine Zufallvariable mit der Eigenchaft, da die Ereignie (Y=y i ):={??O Y(?)=y i } für y 1,,y k eine Partition von O bilden dann it E[X] =? i Pr(Y=y i ) E[X Y=y i ] Bewei:? i Pr(Y=y i ) E[X Y=y i ] =? i Pr(Y=y i )?? X(? ) Pr(? Y=y i ) =? i?? Pr(Y=y i ) X(? ) Pr(? Y=y i ) =??? i Pr(Y=y i ) X(? ) Pr(? Y=y i ) =?? X(? )? i Pr(Y=y i ) Pr(? Y=y i ) =?? X(? ) Pr(? ) = E[X] 50
26 Koten für die trukturellen Änderungen erwartete Koten unter der Bedingung S i =S E[T St S i =S ] = O((1/i) (n+#schnittpunkte in S )) betrachte die Zufallvariable K(? ) := Anzahl der Schnittpunkte in S i erwartete Koten E[T St ] =? S?S, S =i Pr(S i =S ) E[T St S i =S ] =? S?S, S =i Pr(S i =S ) O((1/i) (n+#schnittpunkte in S )) = O((1/i) (n+e[k])) 51 Koten für die trukturellen Änderungen ei q 1,,q k die Menge der Schnittpunkte der Strecken au S definiere für j=1,,k die 0-1-Zufallvariablen K j =1 gdw. der Schnittpunkt q j liegt in T dann it K =? j=1...k K j und E[K] =? j=1...k E[K j ] =? j=1...k Prob(q j liegt in T ) angenommen, q j it der Schnittpunkt der Strecken u,v?s n 2 n Prob(q j liegt in T ) = Prob({u,v}?S ) = / i 2 i damit it E[K] = ki(i-1)/(n(n-1)) und E[T St ] = O((1/i) (n+ki(i-1)/(n(n-1)))) 52
27 Koten für die trukturellen Änderungen die erwarteten Geamtkoten für die trukturellen Änderungen der ebenen Unterteilung und die Kontruktion der Gechichte erhält man durch Summation über E[T St ]? i=1,...,n O((1/i) (n+ki(i-1)/(n(n-1)))) = O(nh n +k/2) = O(n log n+k) 53 Suchzeit in G i ei p? IR 2 ein feter Punkt betrachte Zufallvariable L : O IR, wobei für??o L(? ) := Länge de Suchpfade von p in G i beim Ablauf de Algorithmu auf der Eingabe S mit der Einfügereihenfolge? für 4 = k = i bezeichnet b k da Blatt von G k, da p enthält definiere die 0-1-Zufallvariable L k =1 gdw. b k-1? b k L =O(? k=4...i L k ) wenn b k-1? b k dann wird b k-1 bei der Kontruktion von G k zu einem inneren Knoten v auf dem Suchpfad von p in G k it v O(1) Knoten vor b k E[L] =O(? k=4...i E[L k ]) Linearität de Erwartungwerte 54
28 Suchzeit in G i Pr(b k-1?b k ) = 4/k Rückwärtanalye: ei T k? S fet mit T k =k Pr(b k-1? b k S k =T k ) = Pr(r(b k ) wird durch k begrenzt S k =Q k ) = Pr( k? {Strecken von S k die r(b k ) definieren} S k =Q k ) = 4/k Pr(b k-1? b k ) =? T =k Pr(S k =T) Pr(b k? b k-1 S k =T) = 4/k E[L] = O(log i) E[L] =O(? k=4...i E[L k ]) = O(? k=4...i Pr(b k-1? b k )) = O(? k=4...i 4/k)=O(h i ) L = Õ(log i) Chernoff-Schranke für harmoniche Zufallvariablen 55 Suchzeit in G i T i := von den Stützgeraden der Strecken au T i induzierte Unterteilung T i it eine Verfeinerung von T i alle Punkte in einer Facette von T i haben in G i den gleichen Suchpfad #{Suchpfade in G i } = #{Facetten von T i } = O(i 2 ) au jeder Facette von T i wählen wir einen Punkt {q 1,,q j } mit j=o(i 2 ) Tiefe von G i = max { L p p? {q 1,,q j }} = Õ(log i) Pr(Tiefe von G i > c log i) = Pr (Länge de Suchpfade von q 1 in G i > c log i oder oder Länge de Suchpfade von q j in G i > c log i ) = Pr (Länge de Suchpfade von q 1 in G i > c log i) + + Pr(Länge de Suchpfade von q j in G i > c log i ) = #{Suchpfade in G i } Pr(Länge de Suchpfade eine feten Punkte in G i > c log i ) = O(i 2 ) (1/p(c,i)) für alle c>c 0 >0 mit lim c 8 deg n (p(c,i)) 8 56
29 Zuammenfaung Satz: Zu einer Menge S von n Strecken in der Ebene mit k Schnittpunkten kann in O(n log n + k) erwarteter Zeit die Trapezzerlegung T(S) von S kontruiert werden. Dabei wird eine Datentruktur der Gröe Õ(n+k) aufgebaut, mit der man in Õ(log n) Zeit Punktlokaliierunganfragen in T(S) beantworten kann. 57
Punktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrDistanzprobleme in der Ebene
Distanzprobleme in der Ebene (Literatur: deberg et al., Kapitel 7,9) Christian Knauer 1 Motivation: Alle nächsten Nachbarn Gegeben: Eine Menge von Punkten P in der Ebene Berechne: Zu jedem Punkt aus P
MehrPunktlokalisation 1. Trapez-Zerlegungen. 2. Eine Suchstruktur. 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung
Punktlokalisation 1. Trapez-Zerlegungen 2. Eine Suchstruktur 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung 4. Analyse Punktlokalisation Einteilung in Streifen Anfragezeit:
Mehr23. Kürzeste Wege. Flussüberquerung (Missionare und Kannibalen) Das ganze Problem als Graph. Formulierung als Graph
Fluüberquerung (Miionare und Kannibalen). Kürzete Wege Problem: Drei Kannibalen und drei Miionare tehen an einem Ufer eine Flue. Ein dort bereittehende Boot fat maimal zwei Peronen. Zu keiner Zeit dürfen
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
Mehr7. Triangulation von einfachen Polygonen
1 7. Triangulation von einfachen Polygonen 2 Ziel Bessere Laufzeit als O(n log n) durch schnelleres Berechnen der Trapezzerlegung des Polygons. 3 Idee Finde Methode, den Anfangspunkt einer Strecke in der
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
Mehr2.6.1 Definition und Darstellung Ausspähen von Graphen Minimal spannende Bäume Kürzeste Pfade 2.6.
.6 Graphen.6. Definition und Dartellung.6. Aupähen von Graphen.6.3 Minimal pannende Bäume.6.4 Kürzete Pfade.6.5 Maximaler Flu .6.5 Maximaler Flu.6.5. Flunetzwerke.6.5. Ford-Fulkeron-Methode.6.5.3 Algorithmu
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrAlgorithmische Geometrie: Schnittpunkte von Strecken
Algorithmische Geometrie: Schnittpunkte von Strecken Nico Düvelmeyer WS 2009/2010, 3.11.2009 3 Phasen im Algorithmenentwurf 1. Konzentration auf das Hauptproblem 2. Verallgemeinerung auf entartete Eingaben
MehrKapitel 1. Globale Beleuchtung. 1.1 Ray Tracing Schatten, Reflexion und Brechung
Kapitel 1 Globale Beleuchtung Biher haben wir nur Licht von Lichtquellen berückichtigt. Gegentände werden aber auch durch indirekte Licht beleuchtet, da durch diffue oder direkte Reflexion entteht. Effekte
MehrWintersemester 2004/ Januar 2005
Lehrtuhl für Praktiche Informatik III Norman May B,, Raum C0.0 8 Mannheim Telefon: (0) 8 Email: norman@pi.informatik.uni-mannheim.de Matthia Brantner B,, Raum C0.0 8 Mannheim Telefon: (0) 8 Email: mb@pi.informatik.uni-mannheim.de
Mehr6. Triangulation von Polygonen
1 6. Triangulation von Polygonen 2 Problemstellung 3 Problemstellung 4 Problemstellung 5 Problemstellung 6 Jedes Polygon lässt sich triangulieren. Wir führen einen Induktionsbeweis nach der Anzahl der
MehrPunkt-in-Polygon-Suche Übersicht
Folie 1 von 43 Punkt-in-Polygon-Suche Übersicht! Praxisbeispiel/Problemstellung! Zählen von Schnittpunkten " Schnitt einer Halbgerade mit der Masche " Aufwandsbetrachtung! Streifenkarte " Vorgehen und
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.
Mehr30 Vierecke. Zeichne die Figuren in Originalgröße. Quadrat s = 6 cm. Raute s = 5 cm, e = 8 cm. Parallelogramm a = 10 cm, b = 5 cm, h a = 4 cm
Vierecke Parallelogramme ind Vierecke mit zwei Paaren paralleler Seiten. Auch Rauten, Quadrate und Rechtecke ind Vierecke, je doch mit weiteren peziellen Eigenchaften. 1 Zeichne die Figuren in Originalgröße.
MehrLösungsvorschläge zum 9. Übungsblatt.
Übung zur Anali III W / Löungvorchläge zum 9. Übungblatt. Wir zeigen zunächt, da die u.u. au Vorleung/Übung noch nicht bekannt it: It A BR p und B BR q, o it A B BR p+q. Die läßt ich z.b. wie in Aufgabe
MehrGeometrische Algorithmen Punkt-in-Polygon-Suche. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Punkt-in-Polygon-Suche
Folie 1 von 51 Geometrische Algorithmen Punkt-in-Polygon-Suche Folie 2 von 51 Punkt-in-Polygon-Suche Übersicht Praxisbeispiel/Problemstellung Zählen von Schnittpunkten Schnitt einer Halbgerade mit der
MehrNachbarschaft, Grad, regulär, Inzidenz
Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad
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
MehrAlgorithmische Geometrie 3. Schnitte von Liniensegmenten
Algorithmische Geometrie 3. Schnitte von Liniensegmenten JProf. Dr. Heike Leitte Computergraphik und Visualisierung Inhaltsverzeichnis 1. Einführung 2. Konvexe Hülle 3. Schnitte von Liniensegmenten 4.
Mehr5 Die Poisson-Approximation
5 Die Poion-Approximation Im vierten Kapitel hatten wir mit der Normalverteilung die icherlich wichtigte und meittudierte Verteilung der W.-Theorie kennengelernt und geehen, daß man diee al Lime eine geeignet
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
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
MehrThemen der Übung. Rekursion. Dateien einlesen Sudokus. Assertions
Themen der Übung Rekurion CoMa-Übung X TU Berlin.0.0 Themen heute Evaluation Aertion Einleen von Dateien Queue und Breitenuche Rekurion Wegrekontruktion Tiefenuche Backtracking Evaluation Diee Woche bekommt
MehrAlgorithmische Geometrie 7. Punktsuche (Teil 2)
Algorithmische Geometrie 7. Punktsuche (Teil 2) JProf. Dr. Heike Leitte Computergraphik und Visualisierung Inhaltsverzeichnis 1. Einführung 2. Konvexe Hülle 3. Schnitte von Liniensegmenten 4. Schnitte
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
Mehr13.1 Die Laplace-Transformation
13.1 Die Laplace-ranformation 565 13.1 Die Laplace-ranformation Die Laplace-ranformation it eine Integraltranformation, die jeder Zeitfunktion f(t), t, eine Bildfunktion F () gemäß 13.1 F () = f (t) e
MehrTriangulierung von Polygonen und das Museumsproblem
Triangulierung von Polygonen und das Museumsproblem (Literatur: deberg et al., Kapitel 3) 1 Motivation: Das Museumsproblem ein Museum soll durch Kameras überwacht werden wie viele Kameras werden benötigt?
MehrAbiturprüfung Mathematik 2014 Baden-Württemberg Allgemeinbildende Gymnasien Wahlteil Analytische Geometrie / Stochastik Aufgabe B 1 - Lösungen
1 Abiturprüfung Mathematik 214 Baden-Württemberg Allgemeinbildende Gymnaien Wahlteil Analytiche Geometrie / Stochatik Aufgabe B 1 - Löungen klau_mener@eb.de.elearning-freiburg.de Wahlteil 214 Aufgabe B
Mehr( ) = ( ) ( ) ( ) ( )
R. Brinkmann http://brinkmann-du.de Seite 0.0.0 Löungen Grundaufgaben für lineare und quadratiche Funktionen I e: E e f( x) = x+ Py 0 f( x) = x+ Px 0 E E E E E6 E7 E8 E9 E0 f x = mx + b mit m = und P(
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorleung. Falltudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal pannende Bäume 5. Kürzete Pfade 6. Traveling Saleman Problem 7. Flüe in Netzwerken
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
Mehr6. Planare Graphen und Färbungen
6. Planare Graphen und Färbungen Lernziele: Den Begriff der Planarität verstehen und erläutern können, wichtige Eigenschaften von planaren Graphen kennen und praktisch einsetzen können, die Anzahl von
MehrMATHEMATIK-WETTBEWERB 2016/2017 DES LANDES HESSEN
MATHEMATIK-WETTBEWERB 206/207 DES LANDES HESSEN 3. RUNDE LÖSUNGEN AUFGABENGRUPPE A. a) L { 2; ; 0; ;...}, denn b) L Z G, denn. Fall: 3 (x 7) (x 3)(x 7) x 7 oder 3 x 3 x 7 oder x 6 2. Fall: 3 (x 7) < (x
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
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
MehrRotation. y T 3. Abbildung 3.10: Rotation nach rechts (analog links) Doppelrotation y
Die AVL-Eigenschaft soll bei Einfügungen und Streichungen erhalten bleiben. Dafür gibt es zwei mögliche Operationen: -1-2 Rotation Abbildung 3.1: Rotation nach rechts (analog links) -2 +1 z ±1 T 4 Doppelrotation
MehrGrundlagen zur Delaunay-Triangulierung und zur konvexen Hülle. zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"):
Grundlagen zur Delaunay-Triangulierung und zur konvexen Hülle zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"): 1 Erzeugung des Voronoi-Diagramms (siehe Vorlesung "Algorithmische
MehrPunkt-in-Polygon-Suche Übersicht
Folie 1 von 19 Punkt-in-Polygon-Suche Übersicht Praxisbeispiel/Problemstellung Zählen von Schnittpunkten Schnitt einer Halbgerade mit der Masche Aufwandsbetrachtung Streifenkarte Vorgehen und Eigenschaften
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
MehrR. Brinkmann Seite Aufgabe Prüfen Sie ob die Geraden g, h, i durch einen Punkt verlaufen.
R. Brinkmann http://brinkmann-du.de Seite 9.09.0 Löungen lineare Funktionen Teil V en: A A A Prüfen Sie ob die Geraden g, h, i durch einen Punkt verlaufen. a) g(x) = x+ ; h:y+ x+ 4 = 0 ; i:y x = 7 b) g(x)
MehrÜbung zur Vorlesung Algorithmische Geometrie
Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 4 FS 15
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 18. März
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
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
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrGeometrische Datenstrukturen
Geometrische Datenstrukturen 1. Rechteckschnitt 2. Segment Bäume 3. Intervall Bäume 4. Prioritätssuchbäume 1. Rechteckschnitt - Schwenke horizontale Scan-Line von oben nach unten. - Speichere die Schnitte
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
MehrInformationssysteme SS 2013 Lösungsvorschläge zu Übungsblatt 2. Übungsblatt 2. Für die Übungen in der Woche vom 29. April bis 03.
Prof. Dr.-Ing. Stefan Deßloch AG Heterogene Informationssysteme Fachbereich Informatik Technische Universität Kaiserslautern Übungsblatt 2 Für die Übungen in der Woche vom 29. April bis 03. Mai 2013 Aufgabe
MehrWiederholung. Bäume sind zyklenfrei. Rekursive Definition: Baum = Wurzelknoten + disjunkte Menge von Kindbäumen.
Wiederholung Baum: Gerichteter Graph, der die folgenden drei Bedingungen erfüllt: Es gibt einen Knoten, der nicht Endknoten einer Kante ist. (Dieser Knoten heißt Wurzel des Baums.) Jeder andere Knoten
MehrF Winkelsätze. 1 Nebenwinkel und Scheitelwinkel
F Winkelätze 1 Nebenwinkel und Scheitelwinkel Zwei nicht parallele Geraden bilden tet vier Schnittwinkel. Dabei untercheidet man zwichen Scheitel- und Nebenwinkeln. eipiel : γ δ Nebenwinkel Nebenwinkel
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrAufnahmeprüfung FHNW 2013: Physik
Muterlöungen Phyik Aufnahmeprüfung FHW 03 Aufnahmeprüfung FHW 03: Phyik Aufgabe Da nebentehende Diagramm zeigt den Gechwindigkeit-Zeit-Verlauf für ein Schienenfahrzeug. a ) Skizzieren Sie qualitativ richtig
MehrKanonische Ordnungen und die Mondshein-Sequenz
Kanonische Ordnungen und die Mondshein-Sequenz a.k.a. (2,)-Order 2 8 0 9 5 7 6 2 Überblick Geradlinige Zeichnungen Kanonische Ordnungen + Shift-Algorithmus Erweiterungen durch Ohrendekompositionen Mondshein-Sequenz
MehrUberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski Summen 5. Pseudo-Scheiben 6. Bewegungsplanung
Vorlesung Geometrische Algorithmen Bewegungsplanung fur Roboter (Robot Motion Planning) Sven Schuierer Uberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski
MehrAufgabensammlung zur algorithmischen Geometrie
1 Aufgabensammlung zur algorithmischen Geometrie 2012WS Andreas Kriegl 1. Konvexe Hülle als Durchschnitt. Zeige, daß der Durchschnitt konvexer Mengen wieder konvex ist und somit die konvexe Hülle einer
MehrRelationen und DAGs, starker Zusammenhang
Relationen und DAGs, starker Zusammenhang Anmerkung: Sei D = (V, E). Dann ist A V V eine Relation auf V. Sei andererseits R S S eine Relation auf S. Dann definiert D = (S, R) einen DAG. D.h. DAGs sind
MehrDie Höhe von binären Suchbäumen Ausarbeitung zum Seminar zu Stochastischen Rekursionsgleichungen im WS 2011/2012
Die Höhe von binären Suchbäumen Ausarbeitung zum Seminar zu Stochastischen Rekursionsgleichungen im WS 011/01 Sandra Uhlenbrock 03.11.011 Die folgende Ausarbeitung wird, basierend auf Branching Processes
MehrTheoretische Grundlagen der Informatik
Theoretiche Grundlagen der Informatik KIT 24.1.211 Univerität de Dorothea Lande Baden-Württemberg Wagner - Theoretiche und Grundlagen der Informatik nationale Forchungzentrum Vorleung in am der 2.Oktober
MehrDualität + Quad-trees
Übung Algorithmische Geometrie Dualität + Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 30.06.2011 Übersicht Übungsblatt 10 - Dualität
MehrDie Berechnung der Triangulation eines Polygons in fast-linearer Zeit.
Die Berechnung der Triangulation eines Polygons in fast-linearer Zeit. Ausarbeitung zum Vortrag von Adrian Polko Anhand des Papers von Raimund Seidel: A Simple and Fast Incremental Randomized Algorithm
MehrVoronoi-Diagramme und Delaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Voronoi-Diagramme & Delaunay-Triangulierungen LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 07.06.2011 Erinnerung:
MehrR. Brinkmann Seite f 2 ( x)
R. Brinkmnn http://brinkmnn-du.de Seite 08.0.0 Löungen linere Funktionen Teil XII Ergebnie: E Aufgbe f = + ;P( );D = { 0 6} Die Gerde mit der Funktion f () wird von einer zweiten Gerden mit der Funktion
MehrGeometrie-Dossier Ähnlichkeit
Geometrie-Doier Ähnlichkeit Name: Inhalt: Die beiden Strahlenätze (1. und 2. Strahlenatz) Löen von Aufgaben mit Hilfe der Ähnlichkeit und den Strahlenätzen Verwendung: Diee Geometriedoier orientiert ich
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
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
MehrZur Bestimmung der ungünstigsten Toleranz zusammengesetzter Systeme können die Einzeltoleranzen entsprechend ihres Zusammenwirkens addiert werden.
Vorauetzung und verwandte Themen Für diee Bechreibungen ind Vorkenntnie der Statitik und der Verteilungen erforderlich. Weiterführende Thema it: www.veruchmethoden.de/prozedaten_toleranzimulation.pdf Einführung
MehrBinäre Suchbäume. Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps
Binäre Suchbäume Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps Mengen n Ziel: Aufrechterhalten einer Menge (hier: ganzer Zahlen) unter folgenden Operationen: Mengen n Ziel: Aufrechterhalten einer
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
MehrEinfacher loop-shaping Entwurf
Intitut für Sytemtheorie technicher Prozee Univerität Stuttgart Prof. Dr.-Ing. F. Allgöwer 6.4.24 Regelungtechnik I Loophaping-Entwurf t http://www.it.uni-tuttgart.de/education/coure/rti/ Einfacher loop-haping
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
Mehr2 Sortieren durch Vergleichen Eingabefolge a 1, a 2,..., a n 2, 1, 3 Sortieralg. Für festes n ist ein vergleichsbasierter Sortieralg. charakterisiert
1 Algorithmen und Datenstrukturen Wintersemester 2014/15 9. Vorlesung Sortieren in Linearzeit Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Sortieren durch Vergleichen Eingabefolge a 1, a 2,...,
MehrKap. 4.7 Skiplisten. 14./15. VO DAP2 SS /16. Juni 2009
Kap. 4.7 Skiplisten Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 14./15. VO DAP2 SS 2008 9./16. Juni 2009 1 2. Übungstest Termin: Di 16. Juni 2009 im AudiMax,
MehrRolf Wanka Sommersemester Vorlesung
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 7. Vorlesung 05.06.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Lookup in CAN Verbindungsstruktur:
MehrKAPITEL 2 KÜRZESTE WEGE
KAPITEL 2 KÜRZESTE WEGE F. VALLENTIN, A. GUNDERT Da Ziel diee Kapiel i e kürzee Wege in einem gegebenen Nezwerk zu verehen und zu berechnen. Ein einführe Beipiel für ein Nezwerk zwichen den vier Säden
MehrFachhochschule Wedel. Seminararbeit. Flussprobleme in Graphen und ihre Anwendung auf 0/1-Netzwerken
Fachhochchule Wedel Seminararbeit Thema: Fluprobleme in Graphen und ihre Anwendung auf 0/-Netzwerken Eingereicht von: Erarbeitet im: Claudia Padberg (wi09) An der Windmühle 880 Wedel Tel. (00) 98897 E-Mail:
Mehr= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2
1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)
Mehr13. Hashing. AVL-Bäume: Frage: Suche, Minimum, Maximum, Nachfolger in O(log n) Einfügen, Löschen in O(log n)
AVL-Bäume: Ausgabe aller Elemente in O(n) Suche, Minimum, Maximum, Nachfolger in O(log n) Einfügen, Löschen in O(log n) Frage: Kann man Einfügen, Löschen und Suchen in O(1) Zeit? 1 Hashing einfache Methode
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
MehrIch mache eine saubere, klare Konstruktionszeichnungen und zeichne die Lösungen rot
Mathplan 8.3 Geometrie GTZ Kongruenzabbildungen Winkel Name: 128 Hilfmittel : Geometrie 2 / B 8 Zeitvorchlag: 2 Wochen von: Lernkontrolle am: Probe 8.3 bi 90 Wichtige Punkte: Ich mache eine aubere, klare
MehrWegeplanung: Wegekartenverfahren
Wegeplanung: Wegekartenverfahren Idee Sichtbarkeitsgraph Voronoi-Diagramm Probabilistische Wegekarten Rapidly-Exploring Random Tree Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Wegekartenverfahren
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
Mehr1. Übung Algorithmentechnik
1. Übung Algorithmentechnik Institut für Theoretische Informatik 04.11.2008 1/ 42 Aufgabe 1 Aufgabe (Amortisierte Analyse) Modellieren Sie eine Queue mit zwei Stacks so, dass die amortisierten Kosten von
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
MehrGeometrie KL.7/8 Begründungsbasis I
Nr.8 23.06.2016 Geometrie KL.7/8 Begründungbai I S.v. Scheitelwinkel S.v. Nebenwinkel S.v. Stufenwinkel a) S.v. Wechelwinkel a) β α β α = β α β α + β = 180 β α g h α = β h g α g h α = β h g Satz mit Bewei:
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
MehrRegelungstechnik (A)
Intitut für Elektrotechnik und Informationtechnik Aufgabenammlung zur Regelungtechnik (A) Prof. Dr. techn. F. Gauch Dipl.-Ing. C. Balewki Dipl.-Ing. R. Berat 08.01.2014 Übungaufgaben in Regelungtechnik
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2013/14. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2013/14 Prof. Dr. Sándor Fekete 1 4.6 AVL-Bäume 2 4.8 Rot-Schwarz-Bäume Rudolf Bayer Idee: Verwende Farben, um den
MehrVoronoi Diagrams. Christian Wellenbrock. December 1, 2009
December 1, 2009 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Das Voronoi Diagramm Problemstellung Gegeben: Menge der Zentren P = {p 1,..., p n } R 2 Gesucht:
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.6 AVL-Bäume 4.8 Rot-Schwarz-Bäume Idee: Verwende Farben, um den Baum vertikal zu
MehrGeometrische Algorithmen Einige einfache Definitionen: Ist ein Punkt in einem Polygon? Punkt-in-Polygon-Problem. Das Punkt-in-Polygon-Problem
Geometrische Algorithmen Einige einfache Definitionen: Punkt: im n-dimensionalen Raum ist ein n-tupel (n Koordinaten) Gerade: definiert durch zwei beliebige Punkte auf ihr Strecke: definiert durch ihre
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Gleichmächtigkeit von DEA und NDEA
Dnk Vorleung Grundlgen der Theoretichen Informtik / Einführung in die Theoretiche Informtik I Bernhrd Beckert Diee Vorleungmterilien ieren gnz weentlich uf den Folien zu den Vorleungen von Ktrin Erk (gehlten
MehrDefinition. Wichtige Beziehungen. Geometrische Konstruktion
Mathematik/Informatik Gierhardt Goldener Schnitt und Kreiteilung Definition Eine Strecke mit der Länge r oll nach dem Verfahren de Goldenen Schnitt geteilt werden. Dann verhält ich die Geamttreckenlänge
MehrDifferentialgleichungen
Differentialgleichungen Teilnehmer: Phili Bannach Heinrich-Hertz-Oberchule) Levin Keller Herder-Oberchule) Phili Kende Herder-Oberchule) Carten Kubbernuh Andrea-Oberchule) Giang Nguyen Herder-Oberchule)
MehrGeometrie-Dossier Der Satz des Pythagoras
Geometrie-Doier Der Satz de Pythagora Name: Inhalt: Wer war Pythagora? Der Satz de Pythagora mit Beweien Anwendung de Satz von Pythagora in der Ebene Anwendung de Satz von Pythagora im Raum Kontruktion
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
Mehr