Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955)
|
|
- Edmund Förstner
- vor 6 Jahren
- Abrufe
Transkript
1 Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955) Seminar Kombinatorische Optimierung SS08: Christof Schulz
2 1 Harold William Kuhn 2 Das Assignmentproblem Einfaches Assignmentproblem Das allgemeine Assignmentproblem Duale Programm Nachbesserung Zusammenfassung 3 Ungarische Methode Start Schritt 1 Schritt 3 Schritt 2 4 Aufwand Aufwandsanalyse 5 aktuelle Entwicklung
3 Harold William Kuhn Geboren: Bildung: Laufbahn: in Santa Monica, Californien, USA California Institute of Technology(1947) Magister Artium(1948) Doktor der Mathematik Princeton University(1950) Dozent( ), Assistensprofessor( ), Junior-Professor( ), Professor( ) Aktuell: Emeritus Professor(seit 1995) Ungarische Methode: 1955, Vorarbeit von Dénes König und Jeno Egerváry
4 Einfaches Assignmentproblem Das Assignmentproblem
5 Einfaches Assignmentproblem Das einfache Assignmentproblem n Personen n Jobs n x n Qualikationsmatrix Q { 1 Person i ist für Job j qualiziert q ij = 0 sonst Q= gesucht: Maximale Anzahl unabhängiger einsen
6 Einfaches Assignmentproblem komplettes Assignment Personen werden Jobs zugeordnet Denition (komplett) Es kann keine weitere Person mehr einem Job zugeordnet werden kann nur noch durch Transfer verbessert werden.
7 Einfaches Assignmentproblem Transfer ändert die Zuordnung von r verschiedenen Personen i 1..i r und Jobs j 1..j r ordnet i 1 freien Job j 0 zu und Person i k Job j k 1 für k=2..r. i 1 i 2... i r j 0 j 1... j r 1 j r
8 Einfaches Assignmentproblem Wesentlich Denition (wesentliche Person) Person kann in einen Transfer involviert werden Denition (wesentlicher Job) Job ist einer unwesentlichen Person zugeordnet Für eine gegebene Zuordnung (i,j) ist entweder i oder j wesentlich, aber nicht i und j. #(Personen haben Job)= #(wesentliche Personen) + #(wesentliche Jobs)
9 n i=1 r ij i Das allgemeine Assignmentproblem Das allgemeine Assignmentproblem n Personen, n Jobs n x n Matrix R=(r ij ) mit r ij N Den n Personen wird eine Permutation der n Jobs zugeordnet. Person n Job j 1 j 2... j n Maximiere: über allen Permutationen J = (j i ) von 1 - n.
10 Das allgemeine Assignmentproblem allg. Assignmentproblem als LP Variablen: x ij = { 1 Person i erledigt Job j 0 sonst Maximiere n i=1 n j=1 x ij r ij s.t. n i=1 x ij = 1, für j=1..n n j=1 x ij = 1, für i=1..n x ij 0 x ij Z
11 Duale Programm Dualisieren Minimiere n i=1 u i + n i=1 v i s.t. u i + v j r ij u i 0 v i 0 u i, v i Z
12 Duale Programm Für jedes Assignment Z=((1, j i ); (2, j 2 );...; (n, j n )) gilt: u u n + v v n r 1j r nj n opt Lösung Dual = opt Lösung Primal (Dualitätssatz) Konstruiere ein einfaches Assignmentproblem: Person i ist für Job j qualiziert, wenn u i + v j = r ij
13 Duale Programm Theorem Wenn allen n Personen ein Job, für den sie qualiziert sind, im konstruierten einfachen Assignmentproblem zugeordnet werden kann, dann löst dieses Assignment(Z) das allgemeine Problem optimal. Beweis. u i + v j = r ij (i, j) Z i u i + v i = (i,j) Z r ij
14 Nachbesserung Nachbesserung Kann nicht allen n Personen ein Job zugeordnet werden, muÿ nachgebessert werden. Folgende Bedingungen gelten: r ij > 0 u i + v j r ij u i > 0 oder v i > 0 Es können nur m < n Personen zugeordnet werden und das Assignment ist komplett nach jedem Transfer m=r+s r wesentliche Personen s wesentliche Jobs
15 Nachbesserung Nachbesserungsregeln obda alle u i > 0 Theorem u 1 = u 1,..., u r = u r, u r+1 = u r+1 1,..., u n = u n 1 v 1 = v 1 + 1,..., v s = v s + 1, v s+1 = v s+1,..., v n = v n Die neue Zuordnung ist eine zulässige Lösung für das duale LP.
16 Nachbesserung Beweis. z.z. u i + v j r ij
17 Nachbesserung Beweis. z.z. u i + v j r ij kann nur verletzt werden, wenn u i + v j = r ij und u i = u i 1, = v j v j
18 Nachbesserung Beweis. z.z. u i + v j r ij kann nur verletzt werden, wenn u i + v j = r ij und u i = u i 1, = v j v j i und j sind unwesentlich Aber: da u i + v j = r ij Person i für Job j qualiziert (q ij = 1)
19 Nachbesserung Beweis. z.z. u i + v j r ij kann nur verletzt werden, wenn u i + v j = r ij und u i = u i 1, = v j v j i und j sind unwesentlich Aber: da u i + v j = r ij Person i für Job j qualiziert (q ij = 1) 3 Fälle: 1 i ist j zugeordnet: nach Denition entweder i oder j wesentlich.
20 Nachbesserung Beweis. z.z. u i + v j r ij kann nur verletzt werden, wenn u i + v j = r ij und u i = u i 1, = v j v j i und j sind unwesentlich Aber: da u i + v j = r ij Person i für Job j qualiziert (q ij = 1) 3 Fälle: 1 i ist j zugeordnet: nach Denition entweder i oder j wesentlich. 2 i ist einem anderen Job zugeordnet: i ist wesentlich(i kann j durch einen Transfer zugeordnet werden).
21 Nachbesserung Beweis. z.z. u i + v j r ij kann nur verletzt werden, wenn u i + v j = r ij und u i = u i 1, = v j v j i und j sind unwesentlich Aber: da u i + v j = r ij Person i für Job j qualiziert (q ij = 1) 3 Fälle: 1 i ist j zugeordnet: nach Denition entweder i oder j wesentlich. 2 i ist einem anderen Job zugeordnet: i ist wesentlich(i kann j durch einen Transfer zugeordnet werden). 3 i ist keinem Job zugeordnet: j ist wesentlich (j kann durch keinen Transfer i zugeordnet werden, da Z komplett nach jedem Transfer ist)
22 Nachbesserung Die u i und v j sind also eine zulässige Lösung Neuer Zielfunktionswert(NW) < Alter Zielfunktionswert (AW), da :
23 Nachbesserung Die u i und v j sind also eine zulässige Lösung Neuer Zielfunktionswert(NW) < Alter Zielfunktionswert (AW), da : NW= AW (n r) 1 + s 1
24 Nachbesserung Die u i und v j sind also eine zulässige Lösung Neuer Zielfunktionswert(NW) < Alter Zielfunktionswert (AW), da : NW= AW (n r) 1 + s 1 = AW -n + r +s = AW -n + m < AW, da -n+m <0
25 Nachbesserung Die u i und v j sind also eine zulässige Lösung Neuer Zielfunktionswert(NW) < Alter Zielfunktionswert (AW), da : NW= AW (n r) 1 + s 1 = AW -n + r +s = AW -n + m < AW, da -n+m <0 Neuer Zielfunktionswert < Alter Wert optimaler Zielfunktionswert >0 endliches Verfahren
26 Zusammenfassung Zusammenfassung Primal: gegeben: n x n Matrix R= (r ij ) gesucht : Permutation j 1,.., j n die n i=1 r ij i maximiert Dual: gegeben: n x n Matrix R= (r ij ) gesucht : u 1,.., u n v 1,.., v n so dass n i=1 u i + v i minimal und u i + v j r ij
27 Der Algorithmus
28 Ungarische Methode Gestartet wird mit einer zulässigen Lösung für das duale Problem Erzeuge Matrix A=(a ij )=u i + v j r ij Suche n unabhängige Nullen in A
29 Start Start-Lösung u i = max j r ij (Zeilenmaxima) v j = 0 für j=1..n Beispiel: R = u 1 = 9 u 2 = 8 v 1 = 0 v 2 = 0 u 3 = 9 u 4 = 6 v 3 = 0 v 4 = 0
30 Start Beispiel A = Vor Start noch das Minimum in jeder Spalte ermitteln und von der ganzen Spalte abziehen A =
31 Start
32 Schritt 1 Vorher: Markiere unabhängige Nullen und die jeweilige Spalte in A Schritt 1 Suche nicht markierte Null (keine vorhanden Schritt 3) keine 0 in der Zeile Schritt 2 0 in der Zeile und Spalte k: Zeile wird markiert, Spalte k Markierung löschen Bis alle Nullen in markierter Zeile/Spalte Schritt 3 Im Bsp: unmarkierte Null in Zeile 1 Zeile 1 markieren, Spalte 3 Markierung löschen Danach alle Nullen markiert Schritt 3
33 Schritt Schritt 3 h=min a ij Zeile i, Spalte j unmarkiert a ij = a ij + h a ij in markierter Zeile a ij = a ij h a ij in unmarkierter Spalte Schritt 1
34 Schritt Schritt 3 h=min a ij Zeile i, Spalte j unmarkiert a ij = a ij + h a ij in markierter Zeile a ij = a ij h a ij in unmarkierter Spalte Schritt 1 Im Bsp: h=
35 Schritt 3 Schritt 1: Unmarkierte Null in Zeile 2, Zeile 2 markieren, Spalte 4 Markierung löschen unmarkierte 0 in Zeile 3, keine 0 in Zeile 3 Schritt 2
36 Schritt 2 Schritt Starte mit unmarkierter 0 bei (i 1,j 1 ) 1 Suche 0 in Spalte j 1 (gefunden bei (i 2,j 1 )) 2 Suche 0 in Zeile i 2 (gefunden bei (i 2,j 2 )) Weiter bei 1 bis keine 0 mehr in der Spalte Ändere jede 0 in Sequenz in eine 0 und jede 0 in eine 0 Alle Markierungen löschen, alle Spalten mit 0 markieren Wenn alle Spalten markiert Lösung gefunden sonst Schritt 1
37 Schritt unmarkierte 0 in Zeile 1 Zeile 1 markieren, Spalte 1 Markierung löschen unmarkierte 0 in Zeile 4, keine 0 in Zeile 4 Schritt 2
38 Schritt 2 Schritt 2: keine 0 in Spalte 2, nur eine 0 in der Sequenz: Lösung gefunden: (1,1) ; (2,4) ; (3,2) ; (4,3)
39 Aufwand
40 Aufwandsanalyse Aufwand Maximale Anzahl Operationen im Worst-Case Operationen sind Zeile/Spalte scannen Zeile/Spalte markieren bzw. Markierung löschen Zu einer Zeile/Spalte addieren/subtrahieren Null auswählen bzw. Auswahl löschen
41 Aufwandsanalyse Start mit m 0 Aufwand bis m+1 0 vorhanden sind Schritt 1 1 Jede Zeile scannen: n Operationen 2 genau eine markierte Zeile erzeugen: 2 Operationen (Jede unmarkierte Spalte enthält mind. eine 0) Aufwand: n+2 Schritt 3 1 Minimum suchen: n Operationen 2 Zu markierten Zeilen addieren: m Operationen 3 Von unmarkierten Spalten subtrahieren: n Operationen Aufwand: 2n + m
42 Aufwandsanalyse beide Schritte werden höchstens m-mal wiederholt (bis alle Zeilen markiert sind) Aufwand: m (3n + m)) Danach Schritt 2 1 Suche 0 : m 1 Operation (Spalte scannen) 2 Suche 0: m 1 Operation (Zeile scannen) 3 0/0 in 0 /0 ändern: 2 m + 1 Operationen 4 alle Markierungen löschen: m Operationen 5 alle 0 suchen: m+1 Operationen 6 jeweilige Spalte markieren: m+1 Operationen Aufwand: 7m + 3
43 Aufwandsanalyse Im Worst-Case Start mit einer 0 (m=1) Obige Schritte müssen n- Mal ausgeführt werden: Gesamtaufwand O( n m=1 7m m (3n + m)) = O( n m=1 m (3n + m)) = O( n m=1 m 3n + m2 ) = O(3n n m=1 m + n m=1 m2 ) = O(n 3 ) Vergleiche und Addition als Operationen: Aufwand von O(n 4 )
44 aktuelle Entwicklung
45 Vor Kuhn Erster Algorithmus 1946 von Eastereld in O(2 n n 2 ) 1950 drei Heuristiken von Thorndike seit 1952 als Assignmentproblem bekannt (Votaw und Orden)
46 nach Kuhn 1960 erster Computercode von Sylver Beste Implementation der ungarischen Methode O(n 3 ) Lawler 1976 erster O(n 3 ) Algorithmus von Dinic und Kronrod 1969 Auktionsalgorithmen O(n 1/2 m log(nc) ) von Orlin und Ahuja Cost Scaling Technik O(n 1/2 m log(nc) ) von Gabow 1989 C: maximale Kosten, m: Anzahl Kanten
47 Transportproblem n Startknoten und m Zielknoten Startknoten liefern Einheiten an Zielknoten Jede Kante hat Kosten und Kapazität Finde minimale Kosten um alle Zielknoten zu beliefern
48 Transportproblem Umwandlung von Assignmentproblem in Transportproblem bipartiter Digraph G=(V=X Y,E) X: n Knoten für Personen Y: n Knoten für Jobs Kosten der Kante (i,j): c(i,j)=-r ij Kapazität jeder Kante: u(i,j)=1 alle Knoten v X senden 1 Einheit Fluÿ (d(v)=1), alle Knoten w Y empfangen 1 Einheit Fluÿ (d(w)=-1) Für einen Fluÿ f muÿ für jeden Knoten v V gelten: d(v) + (u,v) E f (u, v) (v,w) E f (v, w) = 0
49 Cost Scaling Algorithmen Residualkantenmenge E f = {(v, w) : (v, w) E mit f (v, w) < u(v, w)} {(v,w) : (w,v) E} (c(v,w)=-c(w,v)) Preisfunktion p: V R: c p (u, v) = c(v, w) + p(v) p(w) Ein Fluÿ heiÿt { ɛ - optimal wenn c p (u, v) 0 (u,v) E (u, v) E f c p (u, v) ɛ (v,u) E Wenn alle Kantenkosten ganzzahlig sind, ist ein ɛ - optimaler Fluÿ mit ɛ < 1/N ein optimaler Fluÿ.
50 Cost Scaling Algorithmen Vor Start: p(v)=0 v, ɛ = max c(ij) Solange ɛ 1/n tue: ɛ = ɛ/a p(v)= -min (v,w) E c(v,w) - p(w) v X (c p (v, w) 0) f(v)=0 v Erzeuge zulässigen, ɛ- optimalen Fluÿ (durch push- und relabel Operationen) Wenn ɛ< 1/n ist der Fluÿ optimal und die Lösung gefunden
51 Push/Relabel Push(v,w): Sendet Fluÿ von v nach w Relabel(v): Modiziert die Preisfunktion p(v) Laufzeit hängt von der Auswahl der Knoten v und w ab Beste Laufzeit O(n 1/2 m log(nc) )
52 Quellen The Hungarian Method for the assignment problem (Kuhn [1955]) Algorithms for the Assignment and Transportation Problems (Munkres [1957]) ADM 2 Skript Assignment Problems, by Rainer Burkard, Mauro Dell'Amico, Silvano Martello An ecient cost scaling algorithm for the assignment problem Andrew v. Goldberg und Robert Kennedy 1995
Flüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrKAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
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
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
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
MehrFlüsse in Netzwerken
Skript zum Seminar Flüsse in Netzwerken WS 2008/09 David Meier Inhaltsverzeichnis 1 Einführende Definitionen und Beispiele 3 2 Schnitte in Flussnetzwerken 12 2.1 Maximaler s t Fluss..........................
Mehr4.7 Der Algorithmus von Dinic für maximalen Fluss
4.7 Der Algorithmus von Dinic für maximalen Fluss Wir kennen bereits den Algorithmus von Ford Fulkerson zur Suche nach einem maximalen Fluss in einem Graphen. Wir lernen nun einen Algorithmus für maximalen
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
MehrNetzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex
Netzwerk-Simplex MinCostFlow als Lineares Programm of 2 Netzwerksimplex MinCostFlow geg: gerichteter Graph G, Kapazitäten u R R 0 { }, Bedarfe b V R, Pfeilkosten c R R ges: zulässiger b-fluss f mit minimalen
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
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:
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
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,
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
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:
MehrFlüsse, Schnitte, bipartite Graphen. Martin Oettinger
Flüsse, Schnitte, bipartite Graphen Martin Oettinger Übersicht Einführung Algorithmen für maximalen Fluss Preflow-Push Ford-Fulkerson Spezialfall: Maximaler Fluss bei minimalen Kosten Reduktionen Bipartites
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra
Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)
MehrKapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
MehrFlüsse in Netzwerken. Seminar über Algorithmen SoSe 2005. Mike Rohland & Julia Schenk
Flüsse in Netzwerken Seminar über Algorithmen SoSe 2005 Mike Rohland & Julia Schenk Inhalt Einführung Definition Maximale Flüsse Schnitte Restgraphen Zunehmende Wege Max-Fluss Min-Schnitt Theorem Ford-Fulkerson
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber auf freie Stellen
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrOptimierung auf Netzwerken
KAPITEL 4 Optimierung auf Netzwerken Wir untersuchen hier spezielle lineare Programme, die eine zusätzliche kombinatorische (graphentheoretische) Struktur tragen. Nutzt man diese kombinatorische Struktur
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
Mehr3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson
3.4 Maximale Flüsse und der Algorithmus von Ford Fulkerson Definition 3.4.1 Die Aufgabe, zu jedem Netzwerk N = (s, t, V, E, c o ) mit n = V Knoten und m = E Kanten den Fluß f IR m mit maximalem Wert zu
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrMaximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrUndirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time
Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer
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
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrDiplomarbeit. Schwerpunkt. Kombinatorische Optimierung. Zum Thema
Diplomarbeit Schwerpunkt Kombinatorische Optimierung Zum Thema Praktische Lösung von Minimum Cost Flow Problemen: Ein Vergleich verschiedener Algorithmen Autor: Muhammed Ali Alat bei Institut für Mathematik
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
MehrLängen-beschränkte Schnitte und Flüsse
Seminarausarbeitung über G. Baiers et al. Abhandlung über: Längen-beschränkte Schnitte und Flüsse (oder: Length-bounded Cuts and Flows) Frank Obermüller 06. Dezember 2009 1 Einleitung Sei G = (V, E) ein
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrGraphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011
Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
MehrMethoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen
Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Christian Scheideler SS 2009 16.07.2009 Kapitel 2 1 Übersicht Notation Paging Selbstorganisierende Suchstrukturen Finanzielle
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrSpieltheorie. Miriam Polzer 16.7.2013. Miriam Polzer Spieltheorie 16.7.2013 1 / 40
Spieltheorie Miriam Polzer 16.7.2013 Miriam Polzer Spieltheorie 16.7.2013 1 / 40 1 Grundlagen 2 Minimax und Alpha-Beta-Pruning 3 Nim-Spiele 4 Josephus-Problem Miriam Polzer Spieltheorie 16.7.2013 2 / 40
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
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
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Beispiele wirtschaftsmathematischer Modellierung Lehrerfortbildung, Speyer, Juni 2004-1- Beispiele wirtschaftsmathematischer Modellierung
MehrSatz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ).
Satz 90 Sei A = (Q, Σ, δ, q 0, F ) ein DFA. Der Zeitaufwand des obigen Minimalisierungsalgorithmus ist O( Q 2 Σ ). Beweis: Für jedes a Σ muss jede Position in der Tabelle nur konstant oft besucht werden.
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrVorlesung Diskrete Strukturen Transportnetze
Vorlesung Diskrete Strukturen Transportnetze Bernhard Ganter WS 2013/14 1 Transportnetze Gerichtete Graphen Ein schlingenloser gerichteter Graph ist ein Paar (V, A), wobei V eine beliebige Menge ist, deren
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
MehrGibt es in Königsberg einen Spaziergang, bei dem man jede der. Pregelbrücken. überquert?
Graphentheorie Gibt es in Königsberg einen Spaziergang, bei dem man jede der sieben Pregelbrücken genau einmal überquert? 1 Königsberger Brückenproblem Im Jahre 1736 Leonhard Euler löste das Problem allgemein
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
MehrRechnerische Komplexität
Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit
MehrSeminar Analyse von Petrinetz-Modellen
Seminar Analyse von Petrinetz-Modellen Vortrag: "Deadlocks und Fallen" II Steve Reich 26.11.2007 Wiederholung Falle Deadlock 1 Wiederholung Deadlock und Falle Nur Deadlock Nur Falle 2 Satz zur strukturellen
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrKapitel 6. Komplexität von Algorithmen. Xiaoyi Jiang Informatik I Grundlagen der Programmierung
Kapitel 6 Komplexität von Algorithmen 1 6.1 Beurteilung von Algorithmen I.d.R. existieren viele Algorithmen, um dieselbe Funktion zu realisieren. Welche Algorithmen sind die besseren? Betrachtung nicht-funktionaler
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #4: Maximale Flüsse Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Definition des Maximalfluss- und des Minimalschnitt-Problems Anwendungen
MehrGraphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007
Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80
MehrBlocksatzbildung. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 02/03 93
Blocksatzbildung Beispiel 3.9. [Berechnung optimaler Blockungen] egeben ist eine Folge Jeder egenstand hat eine Länge von egenständen. Die egenstände sollen in Blöcke eingeteilt werden, wobei die Idealgröße
MehrAutomaten, Spiele, und Logik
Automaten, Spiele, und Logik Woche 2 25. April 2014 Inhalt der heutigen Vorlesung 1. Reguläre Ausdrücke 2. der Satz von Kleene 3. Brzozowski Methode 4. grep und perl Reguläre Ausdrücke Rekursive Definition,
MehrNeutrale kombinatorische Spiele
Neutrale kombinatorische Spiele Vortrag zum Seminar Anwendungen der Wahrscheinlichkeitstheorie Oskar Braun 10. Juli 2012 Inhaltsverzeichnis 1 Einleitung 2 2 Einführung 2 3 Das Nim-Spiel 4 4 Graphenspiele
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Anwendung: Das Heiratsproblem Ganzzahligkeit von Polyedern Anwendung: Netzwerkflüsse Mehrgüterflussprobleme Ganzzahlige Optimierung Inhaltsübersicht für heute: Anwendung: Das
Mehr