Übung 5 Algorithmen II
|
|
|
- Eva Acker
- vor 7 Jahren
- Abrufe
Transkript
1 Michael Axtmann Axtmann: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 Themenübersicht Ford Fulkerson Erhöhende Pfade Residualgraph Max-Flow und Min-Cut Dinitz Algorithmus Distanz Label Layergraph Blocking Flow Axtmann:
3 Nachklausur Dienstag, :00 bis 3:00 Uhr Axtmann:
4 Ford Fulkerson 3 Axtmann:
5 Flüsse und Ford Fulkerson Axtmann:
6 Flüsse und Ford Fulkerson Axtmann:
7 Flüsse und Ford Fulkerson Axtmann:
8 Flüsse und Ford Fulkerson Axtmann:
9 Flüsse und Ford Fulkerson Axtmann:
10 Flüsse und Ford Fulkerson Axtmann:
11 Flüsse und Ford Fulkerson Axtmann:
12 Flüsse und Ford Fulkerson Axtmann:
13 Flüsse und Ford Fulkerson Axtmann:
14 Residualgraph Verwalten von Restkapazitäten Modellierung und Erkennung von Gegenflüssen c f (e) = c(e) f (e): Restkapazität Hier: Fluss f (e) und Gesamtkapazität c(e) c f (e rev ) = f (e): Fluss über Kante e Hier: Restkapazität und Gesamtkapazität von e Keine 0-Gewicht Kanten Flüsse über Kanten e und e rev erlaubt Fluss über Kante Update beider Kanten 5 Axtmann:
15 Flüsse und Ford Fulkerson Axtmann:
16 Flüsse und Ford Fulkerson Axtmann:
17 Flüsse und Ford Fulkerson Axtmann:
18 Flüsse und Ford Fulkerson Axtmann:
19 Max Flow - Min Cut 7 Axtmann:
20 Max Flow - Min Cut Axtmann:
21 Max Flow - Min Cut S-T -Schnitte betrachten nur Kanten S T Kanten T S werden nicht berücksichtigt s und t werden durch alle möglichen S-T -Schnitte getrennt Flow muss von s nach t, auch durch alle möglichen S-T -Schnitte Max Flow = Min S-T -Cut Axtmann:
22 Max Flow - Min Cut S-T -Schnitte betrachten nur Kanten S T Kanten T S werden nicht berücksichtigt s und t werden durch alle möglichen S-T -Schnitte getrennt Flow muss von s nach t, auch durch alle möglichen S-T -Schnitte Max Flow = Min S-T -Cut 9 Axtmann:
23 Algorithmus 0 Axtmann:
24 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche 4 Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label s 4 3 t Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
25 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
26 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
27 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
28 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
29 Distanz Label Geben Distanz im Residualgraphen (hop-based) zur Senke t an Rückwärtsgerichtete Breitensuche 4 Start bei Knoten t Layer: Knoten mit gleicher Distanz zu s im BFS-Baum Knoten in einem Layer: gleiches Label Layered graph auch: kürzeste Wege Netzwerk, Schichtgraph Axtmann:
30 Schichtgraph für Graph G = (V, E) Knotenmenge V S = V E = {e = (u, v) E f (e) < c(e), d(u) = d(v) + } E rev = {e rev = (v, u) rev f (v, u) > 0, d(u) = d(v) + } Kantenmenge E S = E E rev betrachte Analogie zu Edmonds-Karp (kürzeste erhöhende Wege) Axtmann:
31 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
32 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
33 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
34 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
35 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
36 Blockierender Fluss Kein weiterer Fluss möglich Auf jedem Weg durch den Graphen mindestens eine Kante bis zur maximalen Kapazität 0 0 ausgelastet ist Blocking flow als atomare Operation Berechnung auf Schichtgraph Kein Residualgraph Kein Rückfluss möglich i.a. nicht maximal auf Schichtgraph und Redisualgraph Axtmann:
37 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 4 Axtmann:
38 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 t d d- d- 4 Axtmann:
39 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 t d d- d- 4 Axtmann:
40 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 t d d- d- 4 Axtmann:
41 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 t d d- d- 4 Axtmann:
42 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 t d d- d- 4 Axtmann:
43 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 d d- t 4 Axtmann:
44 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 d d- t 4 Axtmann:
45 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 5 d d- t 4 Axtmann:
46 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 3 5 d 3 d- t 4 Axtmann:
47 Blockierender Fluss: Operationen Blocking flow: Berechnung basiert auf Tiefensuche von Knoten s Drei Operationen extend - gehe einen Knoten näher ans Ziel (Schichtgraph) retreat - Sackgasse gefunden, gehe zurück, lösche Kante breakthrough - Tiefensuche hat Senke erreicht, lösche saturierte Kanten 3 5 d 3 d- t 4 Axtmann:
48 Kosten pro Blockierender Fluss #breakthrough m Jedes breakthrough saturiert mindestens eine Kante Kein breakthrough über saturierte Kante mehr möglich Laufzeit O(n) #retreat m Jedes retreat löscht eine Kante Laufzeit O() #extends #retreats + n #breakthrough Retreat: Vorher ein extend Ohne breakthrough nur retreats Breakthrough: Vorher n erfolgreiche extends Schichtgraph schließt Kreise aus Laufzeit O() Blockierender Fluss in O(nm) 5 Axtmann:
49 Laufzeit Pro Phase Rückwärtsgerichtete Breitensuche: Laufzeit O(n + m) Blockierender Fluss: Laufzeit O(nm) Phase in O(nm) #Phasen n (Lemma : Jede Phase erhöht Label von s um mindestens ) Gesamtlaufzeit O(n m) 6 Axtmann:
50 Laufzeit Pro Phase Rückwärtsgerichtete Breitensuche: Laufzeit O(n + m) Blockierender Fluss: Laufzeit O(nm) Phase in O(nm) #Phasen n (Beweis, wie in Vorlesung, nicht hier) (Lemma : Jede Phase erhöht Label von s um mindestens ) Gesamtlaufzeit O(n m) 6 Axtmann:
51 Kosten pro Phase - Unit Capacity Network Amortisierte Kosten Retreat/breakthrough Löscht alle beteiligten Kanten Jede Kante nur an einem Retreat/breakthrough beteiligt Extend Pro Kante ein extend Bezahlt für Breakthrough und Retreat #extends = O(m) Kosten O() Phase in O(m + n) 7 Axtmann:
52 Anzahl Phasen - Unit Capacity Network Nach m Phasen Graph hat mindestens m Layer (Lemma : Jede Phase erhöht Label von s um mindestens ) Erwartet m/ m Kanten pro Layer es gibt Layer i mit höchstens m Kanten zu Layer i Induziert Schnitt (im Residualgraphen) zwischen S = {v d(v) i} und T = V \ S, Kapazität m m m 0 Jede Phase erhöht Fluss um Zusätzlich m Phasen 8 Axtmann:
53 Anzahl Phasen - Unit Capacity Network Nach m Phasen Graph hat mindestens m Layer (Lemma : Jede Phase erhöht Label von s um mindestens ) Erwartet m/ m Kanten pro Layer es gibt Layer i mit höchstens m Kanten zu Layer i Induziert Schnitt (im Residualgraphen) zwischen S = {v d(v) i} und T = V \ S, Kapazität m Jede Phase erhöht Fluss um Zusätzlich m Phasen m m m m m m #Kanten m m 0 8 Axtmann:
54 Anzahl Phasen - Unit Capacity Network Nach m Phasen Graph hat mindestens m Layer (Lemma : Jede Phase erhöht Label von s um mindestens ) Erwartet m/ m Kanten pro Layer es gibt Layer i mit höchstens m Kanten zu Layer i Induziert Schnitt (im Residualgraphen) zwischen S = {v d(v) i} und T = V \ S, Kapazität m Jede Phase erhöht Fluss um Zusätzlich m Phasen m m m m m m m m #Kanten m m 0 8 Axtmann:
55 Ende! Feierabend! 9 Axtmann:
Flüsse und Schnitte von Graphen
Flüsse und Schnitte von Graphen Christian Koch Friedrich-Alexander-Universität Erlangen-Nürnberg 2. Juni 27 Christian Koch Flüsse und Schnitte 2. Juni 27 / 29 Gliederung Flüsse Allgemeines Maximaler Fluss
Laufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
4.7 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
Fortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
Flüsse in Netzwerken
Proseminar Theoretische Informatik, Prof. Wolfgang Mulzer, SS 17 Flüsse in Netzwerken Zusammenfassung Gesa Behrends 24.06.2017 1 Einleitung Unterschiedliche technische Phänomene wie der Flüssigkeitsdurchfluss
Maximale 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
KAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
Flüsse, Schnitte, bipartite Graphen
Flüsse, chnitte, bipartite Graphen Matthias Hoffmann 5.5.009 Matthias Hoffmann Flüsse, chnitte, bipartite Graphen 5.5.009 / 48 Übersicht Einführung Beispiel Definitionen Ford-Fulkerson-Methode Beispiel
Algorithmen und Datenstrukturen Klausur WS 2006/07 Software-Engineering und Technische Informatik Bachelor
Klausur WS 2006/07 Software-Engineering und Technische Informatik Bachelor Die Klausur besteht aus 6 Aufgaben und umfasst 60 Punkte. Bitte schreiben Sie die Lösungen auf die Aufgabenblätter. Vergessen
Wiederholung 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:
Maximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 18, 2012 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
Name:... Vorname:... Matr.-Nr.:... Studiengang:...
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Netzwerkalgorithmen 16.07.2013 Name:.....................................
Kapitel 1: Flussalgorithmen
Netzwerke und Flüsse Ein Flussnetzwerk ist ein gerichteter Graph G = (V, E, c) mit zwei ausgewählten Knoten q, s V und einer Kapazitätsfunktion c : E N 0. Die Quelle q hat Eingangsgrad 0 und die Senke
Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
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
6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen Flußnetzwerke 6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert
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
Flüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Thomas Fersch [email protected] 11.06.2010 Seminar "Hallo Welt!" für Fortgeschrittene 1 Übersicht Maximale Flüsse in Netzwerken Worum geht s? Lösung nach Ford-Fulkerson
Flüsse, Schnitte, Bipartite Graphen
Flüsse, Schnitte, Bipartite Graphen Sebastian Hahn 4. Juni 2013 Sebastian Hahn Flüsse, Schnitte, Bipartite Graphen 4. Juni 2013 1 / 48 Überblick Flussnetzwerke Ford-Fulkerson-Methode Edmonds-Karp-Strategie
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
Algorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 13: Flüsse und Zuordnungen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca [email protected] 9. Juni 2017 DURCHSATZ D(e) ist die maximale Flussmenge,
Anwendungen von Netzwerkfluss. Wojciech Polcwiartek Institut für Informatik FU Berlin
Anwendungen von Netzwerkfluss Wojciech Polcwiartek Institut für Informatik FU Berlin 13. 01. 2009 Gliederung Einführung Netzwerk, Fluss und Schnitt Max-Flow-Min-Cut Theorem Algorithmen zum Bestimmen vom
6 Flüsse und Matchings
6. Flüsse in Netzwerken Flußnetzwerke 6 Flüsse und Matchings In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über diese Kante pro Zeiteinheit transportiert werden
Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Graphenalgorithmen Maximaler Fluss Einleitung Flussnetzwerke Ford-Fulkerson Fulkerson Methode Maximales bipartites Matching
Breitensuche BFS (Breadth First Search)
Breitensuche BFS (Breadth First Search) Algorithmus BREITENSUCHE EINGABE: G = (V, E) als Adjazenzliste, Startknoten s V 1 Für alle v V 1 If (v = s) then d[v] 0 else d[v] ; 2 pred[v] nil; 2 Q new Queue;
Effiziente Algorithmen (SS2014)
Effiziente Algorithmen (SS204) Kapitel 2 Flüsse Walter Unger Lehrstuhl für Informatik 26.06.204 09: (2:2) Walter Unger 7..205 7:56 SS204 Z x Inhalt I Dinitz mit Propagation Einleitung Algorithmus und
Kapitel 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
Maximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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{
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 3 Programm des
Algorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
Klausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
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
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
11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME
Algorithmen und Datenstrukturen 11. GRAPHEN 3 FLÜSSE UND SPANNBÄUME Algorithmen und Datenstrukturen - Ma5hias Thimm ([email protected]) 1 Algorithmen und Datenstrukturen 11.1. BERECHNUNG MAXIMALER FLÜSSE
Bipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
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
Vorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
Definition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
Vorlesung 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/
9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
Matchings in Graphen. Praktikum Diskrete Optimierung (Teil 5)
Praktikum Diskrete Optimierung (Teil 5) 6.05.009 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen
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
Algorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 10. Oktober 2006 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber
Inhalt. 1. Flußprobleme. 2. Matching. 3. Lineares Programmieren. 4. Ganzzahliges Programmieren. 5. NP-Vollständigkeit. 6. Approximationsalgorithmen
Effiziente Algorithmen Einführung 1 Inhalt 1. Flußprobleme 2. Matching. Lineares Programmieren 4. Ganzzahliges Programmieren 5. NP-Vollständigkeit 6. Approximationsalgorithmen 7. Backtracking und Branch-and-Bound
Übungsblatt 2 - Lösung
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 2 - Lösung Vorlesung Algorithmentechnik im WS 08/09 Ausgabe 04. November 2008 Abgabe 8. November, 5:0 Uhr (im Kasten vor Zimmer
Algorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann [email protected] 6. Januar 2016 Frank Heitmann [email protected] 1/8 Flüsse Graphen Grundlagen Definition
23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108
23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf
Graphentheorie. 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
4.2 Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition 4.2.1
Allgemeines. Minimale Spannbäume: Der Algorithmus von Jarník/Prim Definition.. (a) Ein Graph G =(V, E) heißt kreisfrei, wenn er keinen Kreis besitzt. Beispiel: Ein kreisfreier Graph: FG KTuEA, TU Ilmenau
lässt sich auch ableiten, dass es einen augmentierenden Pfad der Länge höchstens
Praktikum Algorithmen-Entwurf (Teil 5)..5 Matchings in Graphen Es sei ein ungerichteter Graph G = (V, E) gegeben. Ein Matching in G ist eine Teilmenge M E, so dass keine zwei Kanten aus M einen Endpunkt
Vorlesung. Graphenalgorithmen. Sommersemester Angelika Steger. ETH Zürich
Vorlesung Graphenalgorithmen Sommersemester 005 Angelika Steger ETH Zürich 3. Mai 006 Teile des vorliegenden Skriptes sind Erweiterungen des Skript zu meiner Vorlesung Effiziente Algorithmen und Datenstrukturen
FLÜSSE, SCHNITTE UND - TEIL 2 - BIPARTITE GRAPHEN. Vortrag im Seminar Hallo Welt Für Fortgeschrittene Dozenten: Werth, T. & Brinkers, D.
FLÜSSE, SCHNITTE UND BIPARTITE GRAPHEN - TEIL 2 - Vortrag im Seminar Hallo Welt Für Fortgeschrittene Dozenten: Werth, T. & Brinkers, D. Lukas Dresel 17. Juni 215 Inhalt Problemstellung Lösungsmethode 1
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
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
Kapitel 1: Flussalgorithmen
Netzwerke und Flüsse Kapitel 1: Flussalgorithmen Ein Flussnetzwerk ist ein gerichteter Graph G = (V, E, q, s, c) mit zwei ausgewählten Knoten q, s V und einer Kapazitätsfunktion c : E N. Die Quelle q hat
Effiziente Algorithmen Übung 2 Lösungen
TU Ilmenau, Fakultät für Informatik und Automatisierung FG Komplexitätstheorie und Effiziente Algorithmen Univ.-Prof. Dr. M. Dietzfelbinger, M. Sc. Stefan Walzer https://www.tu-ilmenau.de/iti/lehre/lehre-ws-016017/ea/
VU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz
VU Algorithmen auf Graphen Übungsblatt 2 - Aufgabe 2 Transformation einer MaxFlow- in eine MinCost Circulation Instanz Gruppe A: Bernhard Stader, Georg Ziegler, Andreas Zugaj 10. November 2004 Inhaltsverzeichnis
Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
6. 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
Felix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
Algorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik [email protected] Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
Wie wird ein Graph dargestellt?
Wie wird ein Graph dargestellt? Für einen Graphen G = (V, E), ob gerichtet oder ungerichtet, verwende eine Adjazenzliste A G : A G [i] zeigt auf eine Liste aller Nachbarn von Knoten i, wenn G ungerichtet
Algorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik [email protected] Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
ij. , d (k 1) + d (k 1)
Dabei war ja die Idee, dass wir unser k Schritt für Schritt erhöhen bis wir bei n angekommen sind, denn dann haben wir das Problem gelöst. Dies ist im Grunde unser Algorithmus. Wir müssen diesen nur noch
5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
8. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Grundlagen
3. Übungsblatt zu Algorithmen II im WS 2011/2012
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Moritz Kobitzsch, Dennis Schieferdecker 3. Übungsblatt zu Algorithmen II im WS 20/202 http://algo2.iti.kit.edu/algorithmenii.php
Algorithmen 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
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
Grundlagen: 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
Algorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Kürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
Netzwerkfluß. Gegeben ist ein System von Wasserrohren: Die Kapazität jedes Rohres ist 3, 5 oder 8 l/s.
Netzwerkfluß (Folie, Seite 78 im Skript) Gegeben ist ein System von Wasserrohren: Quelle s t Senke Die Kapazität jedes Rohres ist, oder 8 l/s. Frage: Wieviel Wasser kann von der Quelle zur Senke fließen?
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
Lösungsvorschlag Hausübung 8
Lösungsvorschlag Hausübung 8 Peter Kling 16. Juli 2007 Aufgabe 27 Betrachten Sie den Algorithmus Heapsort (vgl. Alg. 1) aus der Vorlesung. Illustrieren Sie die Arbeitsweise von Heapsort am Beispiel des
2.6.1 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
Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm [email protected]
Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm [email protected] Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische
Grundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 8, 4.11.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Am Dienstag, 11.11., fällt die
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
Das Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
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
