Algorithmische Graphentheorie (SS2013)
|
|
- Arthur Goldschmidt
- vor 6 Jahren
- Abrufe
Transkript
1 Algorithmische Graphentheorie (SS2013) Kapitel 1 Grundlagen Walter Unger Lehrstuhl für Informatik :42
2 (1:2) <> Walter Unger :26 SS2013 Z x Inhalt I 1 Einleitende Definitionen Graphen Spezielle Graphen 2 Zusammenhang von Graphen Definitionen Aussagen Gerichteter Graph 3 Flüsse Einleitung 4 Matchings Definition Matching auf bipatiten Graphen Anwendungen Probleme 5 Faktoren in Graphen Einleitung Aussagen 6 Posets Definition und Aussagen
3 Graphen (1:1) <> Walter Unger :26 SS2013 Z g Definition: Graph Definition (ungerichteter Graphen) v 2 v 9 Sei V (G) = {v 1,..., v n} eine nicht-leere Knotenmenge und v 4 v 6 E(G) eine Menge oder Multimenge von Paaren aus V (G) (Kantenmenge). v 1 v 5 v 8 Die Mengen V (G) und E(G) definieren den Graphen G = (V (G), E(G)). Falls G eindeutig ist schreiben wir vereinfacht: V b.z.w. E. v 0 v 3 v 7 D.h. G = (V, E). Standardmäßig: n = V und m = E.
4 Graphen (1:2) <> Walter Unger :26 SS2013 Z g Sprechweisen zu Graphen Definition (Sprechweisen) v 2 v 9 Sei G = (V (G), E(G)) und e = (v, w) E(G). Die Knoten v, w heißen verbunden (adjazent) durch die Kante e. Eine Kante e heißt Schleife (loop), falls v = w gilt. v 1 v 0 v 4 v 5 v 6 v 8 Zwei Kanten heißen parallel, falls sie gleich sind. v 3 v 7 Ein Graph ohne parallele Kanten heißt einfach (simple). Falls nicht anders erwähnt, behandeln wir im Folgenden nur einfache Graphen ohne Schleifen.
5 Graphen (1:3) <> Walter Unger :26 SS2013 Z g Knotengrad Definition (Knotengrad) Sei v V (G). Mit deg(v) = {e E(G) e = (v, v ), v V (G) \ {v}} bezeichnen wir den Knotengrad (degree) von v. deg(v 0) = 4. v 2 v 9 deg(v 1) = 3. deg(v 4) = 6. deg(v 5) = 6. v 1 v 4 v 5 v 6 v 8 v 0 v 3 v 7
6 Graphen (1:4) <> Walter Unger :26 SS2013 Z i Handshake Theorem Theorem v V (G) deg(v) = 2 E(G). Beweis: Jede Kante verbindet zwei Knoten. Theorem Die Anzahl der Knoten von ungeradem Grad ist gerade. Beweis: deg(v) + deg(v) = 2 E(G) v V (G) v V (G) deg(v) mod 2=0 deg(v) mod 2=1
7 Spezielle Graphen (1:5) <> Walter Unger :26 SS2013 Z g Regulär und vollständig Definition (Regulär) Ein Graph G heißt k-regulär, falls für alle v V (G) gilt: d(v) = k. e e e d f d f d f a c a c a c b b b Definition (Vollständig) Ein Graph G heißt vollständig (complete), falls für alle Knotenpaare a, b aus V gilt: (a, b) E. Schreibweise: K n.
8 Spezielle Graphen (1:6) <> Walter Unger :26 SS2013 Z g Spezielle Graphen Definition (Bipartit) Ein Graph G heißt bipartit, falls sich V disjunkt in V, V aufteilen läßt, so dass jede Kante nur Knoten aus den beiden verschiedenen Partitionen verbindet. Schreibweise: G = (V, V, E) Definition (Vollständig bipartit) Ein Graph G heißt vollständig bipartit, falls sich V disjunkt in V, V aufteilen läßt und E = {(a, b) a V, b V }. Schreibweise: K p,q mit p = V und q = V, Stern (star), falls S n = K 1,n 1.
9 Spezielle Graphen (1:7) <> Walter Unger :26 SS2013 Z g Beispiele a 4 b 4 b 4 a 3 b 3 a 3 b 3 a 2 b 2 a 2 b 2 a 1 b 1 a 1 b 1 a 0 b 0 a 0 b 0
10 Spezielle Graphen (1:8) <> Walter Unger :26 SS2013 Z g Teilgraphen Definition (Teilgraph) v 2 v 9 Ein Graph H = (V (H), E(H)) ist ein Teilgraph von G = (V (G), E(G)), falls V (H) V (G) und E(H) E(G). v 1 v 4 v 6 v 8 v 5 v 0 v 3 v 7
11 Spezielle Graphen (1:9) <> Walter Unger :26 SS2013 Z g Teilgraphen Definition (knoteninduzierter Teilgraph) v 2 v 9 Ein Graph H = (V (H), E(H)) ist ein knoteninduzierter Teilgraph von G = (V (G), E(G)), falls V (H) V (G) und E(H) = {(a, b) E(G) a, b V (H)}. v 1 v 4 v 6 v 8 v 5 v 0 v 3 v 7
12 Spezielle Graphen (1:10) <> Walter Unger :26 SS2013 Z g Isomorphe Graphen Definition (Isomorph) Zwei Graphen G und H sind isomorph, falls es eine bijektive Abbildung f : V (G) V (H) gibt, so dass für alle v, w V (G) gilt: (v, w) E(G) genau dann, wenn (f (v), f (w)) E(H). v 2 v 3 a 2 b 2 v 1 v 4 a 1 b 1 v 0 v 5 a 0 b 0
13 Definitionen (1:11) <> Walter Unger :26 SS2013 Z g Zusammenhang Definition Ein Graph G = (V, E) heißt zusammenhängend, falls es zwischen je zwei verschiedenen Knoten a, b einen Weg von a nach b gibt. v 2 v 9 v 1 v 4 v 5 v 6 v 8 v 0 v 3 v 7
14 Definitionen (1:12) <> Walter Unger :26 SS2013 Z g Knotenseparator Definition Sei G = (V, E), V V heißt Knoten-Separator (vertex cut), falls G V nicht zusammenhängend ist. Schreibweise: G V := (V \ V, {(a, b) E a, b V \ V }) Definition Falls {v} ein Knoten-Separator ist, dann heißt v Artikulationspunkt. Theorem Nur Cliquen K n haben keinen Knoten-Separator.
15 Definitionen (1:13) <> Walter Unger :26 SS2013 Z g Beispiel v 2 v 9 v 2 v 9 v 4 v 4 v 6 v 6 v 1 v 1 v 8 v 8 v 5 v 5 v 0 v 0 v 3 v 7 v 3 v 7 v 2 v 9 v 2 v 9 v 4 v 4 v 6 v 6 v 1 v 1 v 8 v 8 v 5 v 5 v 0 v 0 v 3 v 7 v 3 v 7
16 Definitionen (1:14) <> Walter Unger :26 SS2013 Z g Kantenseperator Definition Sei G = (V, E), E E heißt Kanten-Separator (edge cut), falls G E nicht zusammenhängend ist. Schreibweise: G E := (V, E \ E ) Definition Falls {v, w} ein Kanten-Separator ist, dann heißt {v, w} Brücke. Theorem Ein minimaler Kanten-Separator E von G = (V, E) induziert einen 2-partiten Graphen. D.h. G = (V, E ) ist 2-patiter Graph.
17 Definitionen (1:15) <> Walter Unger :26 SS2013 Z g Beispiel v 2 v 9 v 4 v 6 v 1 v 8 v 5 v 0 v 3 v 7
18 Definitionen (1:16) <> Walter Unger :26 SS2013 Z g Zusammenhang Definition G = (V, E) ist k-fach zusammenhängend, falls: V V : V = k 1 gilt G V ist zusammenhängend. Fall G k-fach zusammenhängend ist, dann auch (k 1)-fach. Schreibweise: κ(g) = max{k G ist k-fach zusammenhängend} Definition G = (V, E) ist k-fach Kanten zusammenhängend, falls: E E : E = k 1 gilt G E ist zusammenhängend. Fall G k-fach Kanten zusammenhängend ist, dann auch (k 1)-fach. Schreibweise: λ(g) = max{k G ist k-fach Kanten zusammenhängend}
19 Aussagen (1:17) <> Walter Unger :26 SS2013 Z g Aussagen zum Zusammenhang Theorem Für jeden Graphen G = (V, E) gilt: κ(g) λ(g) δ(g) Schreibweise: δ(g) := min{deg(v) v V } Theorem Für alle nat. Zahlen 0 < a b c gibt es einen Graphen G mit: κ(g) = a, λ(g) = b, δ(g) = c Theorem Sei G = (V, E) mit: V = n und δ(g) n/2. Dann gilt: λ(g) = δ(g)
20 Aussagen (1:18) <> Walter Unger :26 SS2013 Z g Aussagen zum Knoten Zusammenhang Theorem Sei G = (V, E) mit: V = n und E = e. Dann ist der maximale Zusammenhang (maximale k mit G ist k-fach zusammenhängend) von G: 0 falls e < n 1 2 e/n falls e n 1 Theorem Sei G = (V, E) zusammenhängend. Die folgenden Aussagen sind äquivalent: 1 v V ist ein Knoten-Separator. 2 a, b V : a, b v: Jeder Weg von a nach b geht über v. 3 A, B: A B = V \ {v} und jeder Weg von a A nach b B geht über v.
21 Aussagen (1:19) <> Walter Unger :26 SS2013 Z g Aussagen zum Kanten Zusammenhang Theorem Sei G = (V, E) zusammenhängend. Die folgenden Aussagen sind äquivalent: 1 e E ist ein Kanten-Separator. 2 e ist in keinem einfachen Kreis von G 3 a, b E: jeder Weg von a nach b geht über e 4 A, B: A B = V und jeder Weg von a A nach b B geht über e
22 Aussagen (1:20) <> Walter Unger :26 SS2013 Z g Definitionen Definition Sei G = (V, E) und (a, b) = e E. Die Aufteilung (subdivision) der Kante e ergibt den Graphen G = (V {v}, E {(a, v), (v, b)} \ {e}) b c d a f e Definition Eine Menge von Wegen von G = (V, E) heißt intern-knotendisjunkt, falls keine zwei Wege einen inneren Knoten gemeinsam haben. Die inneren Knoten sind alle außer Start- und Endknoten.
23 Aussagen (1:21) <> Walter Unger :26 SS2013 Z g Theorem Sei G = (V, E) mit V 3. Die folgenden Aussagen sind äquivalent: 1 G ist 2-fach zusammenhängend. 2 Jedes Knotenpaar ist mit zwei intern-knotendisjunkten Wegen verbunden. 3 Jedes Knotenpaar liegt auf einem gemeinsamen einfachen Kreis. 4 Es gibt eine Kante. Und jeder Knoten zusammen mit dieser Kante liegt auf einem gemeinsamen einfachen Kreis. 5 Es gibt zwei Kanten. Und jedes Kantenpaar liegt auf einem gemeinsamen einfachen Kreis. 6 Zu einem Knotenpaar a, b und einer Kante e gibt es einen einfachen Weg von a nach b über e. 7 Zu drei Knoten a, b, c gibt es einen Weg von a nach b über c. 8 Zu drei Knoten a, b, c gibt es einen Weg von a nach b, ohne über c zu gehen.
24 Aussagen (1:22) <> Walter Unger :26 SS2013 Z g Aussagen Theorem Sei G = (V, E) k-fach zusammenhängend, dann liegen je k Knoten auf einem gemeinsamen einfachen Kreis. Schreibweise: Seien (G = V, E) und (H = W, F ) Graphen G + W = (V W, E F {(a, b) a V, b W }) Theorem Ein Graph G ist 3-fach zusammenhängend genau dann, wenn G aus einem Rad W i = K 1 + C i (i 4) durch die folgenden Operationen aufbaubar ist: 1 Hinzufügen einer neuen Kante. 2 Aufspalten eines Knotens vom Grad 4 in zwei verbundenen Knoten vom Grad 3.
25 Aussagen (1:23) <> Walter Unger :26 SS2013 Z g Aussagen zu k-fach Zusammenhang Theorem (Menger s Theorem) G ist k-fach zusammenhängend genau dann, wenn es zwischen je zwei Knoten k intern-knotendisjunkte Wege gibt. Theorem (Menger s Theorem) G ist k-fach-kanten zusammenhängend genau dann, wenn es zwischen je zwei Knoten k kanten-disjunkte Wege gibt.
26 Aussagen (1:24) <> Walter Unger :26 SS2013 Z g Bestimmung des Zusammenhangs Theorem Der 1-fache Zusammenhang kann mit DFS/BFS bestimmt werden. Theorem Der 1-fache Kanten-Zusammenhang kann mit DFS/BFS bestimmt werden. Theorem Der 2-fache Zusammenhang kann mit DFS/BFS bestimmt werden. Theorem Der k-fache Zusammenhang kann mit Flussalgorithmen bestimmt werden. Theorem Der k-fache Kanten-Zusammenhang kann mit Flussalgorithmen bestimmt werden.
27 Gerichteter Graph (1:25) <> Walter Unger :26 SS2013 Z g Definition: Graph Definition (gerichteter Graphen) v 2 v 9 Sei V (G) = {v 1,..., v n} eine nicht-leere Knotenmenge und v 4 v 6 E(G) eine Menge oder Multimenge von Paaren aus V V (Kantenmenge). v 1 v 5 v 8 Die Mengen V (G) und E(G) definieren den Graphen G = (V (G), E(G)). Falls G eindeutig ist, schreiben wir vereinfacht: V b.z.w. E. v 0 v 3 v 7 D.h. G = (V, E). Standardmäßig: n = V und m = E.
28 Gerichteter Graph (1:26) <> Walter Unger :26 SS2013 Z g Starker Zusammenhang Definition Ein gerichteter Graph G = (V, E) heißt stark zusammenhängend, falls es zwischen je zwei verschiedenen Knoten a, b einen Weg von a nach b gibt. Theorem Der starke Zusammenhang kann mit DFS/BFS bestimmt werden.
29 Einleitung (1:27) <> Walter Unger :26 SS2013 Z g Das Fluss Problem Definition (Fluss) Sei G = (V, E) ein gerichteter Graph mit Kostenfunktion c : E N. Seien s, t V Quelle und Senke. Eine Funktion f : E N ist eine Flussfunktion gdw.: e E : 0 f (e) c(e) v V \ {s, t} : e=(v,w) E f (e) = e=(w,v) E f (e) Der Wert des Flusses ist: e=(s,w) E f (e) e=(w,s) E f (e) Definition (Maximaler Fluss Problem) Gegeben: Graph G = (V, E), s, t V and c : E N Bestimme: Maximale Flussfunktion f. Theorem (Maximaler Fluss Problem) Das Problem den maximalen Fluss zu bestimmen ist in P.
30 Einleitung (1:28) <> Walter Unger :26 SS2013 Z g Der Minimale Schnitt Definition (Schnitt) Sei G = (V, E) ein gerichteter Graph mit Kostenfunktion c : E N. Seien s, t V Quelle und Senke. A, B V wird Schnitt genannt, falls s A und t B A B = und A B = V Die Kapazität vom Schnitt A, B ist: c(e) e=(v,w) E,v A,w B Theorem (Min-Cut-Max-Flow) Der Minimale Schnitt ist gleich dem maximalen Fluss.
31 Definition (1:29) <> Walter Unger :26 SS2013 Z g Das Maximal Matching Problem Definition Sei G = (V, E) ein Graph. Die Kanten e, e E sind unabhängig, wenn sie keinen gemeinsamen Knoten haben. Definition (Matching) Sei G = (V, E) ein Graph. M E heißt Matching, falls e, f M, e f : e f =. D.h. M ist Menge von unabhängigen Kanten. Definition Sei G = (V 1, V 2, E) ein bipartiter Graph, und es existiert eine Menge M von V 1 unabhängigen Kanten. Dann heißt M vollständiges Matching von V 1 nach V 2.
32 Matching auf bipatiten Graphen (1:30) <> Walter Unger :26 SS2013 Z i Theorem von Hall Definition Sei G = (V 1, V 2, E) ein bipartiter Graph und A V 1. Wir bezeichnen: Γ(A) = {v V 2 (v, w) E, w A}. Theorem (Hall) Sei G = (V 1, V 2, E) ein bipartiter Graph. Es existiert ein vollständiges Matching von V 1 nach V 2 genau dann, wenn für jedes A V 1 gilt Γ(A) A. Corollary Jeder reguläre bipartite Graph G = (V 1, V 2, E) mit V 1 = V 2 enthält ein vollständiges Matching.
33 Matching auf bipatiten Graphen (1:31) <> Walter Unger :26 SS2013 Z i Beweis (Hall) Theorem (Hall) Sei G = (V 1, V 2, E) ein bipartiter Graph. Es existiert ein vollständiges Matching von V 1 nach V 2 genau dann, wenn für jedes A V 1 gilt Γ(A) A. = einfach: Sei M Matching mit M = V 1 und sei A V 1 beliebig. Γ(A) = {v V 2 (v, w) E, w A}. Γ(A) {v V 2 (v, w) M, w A}. Γ(A) A.
34 Matching auf bipatiten Graphen (1:32) <> Walter Unger :26 SS2013 Z i Beweis (Hall) Theorem (Hall) Sei G = (V 1, V 2, E) ein bipartiter Graph. Es existiert ein vollständiges Matching von V 1 nach V 2 genau dann, wenn für jedes A V 1 gilt Γ(A) A. = durch Widerspruch: Sei M größtes Matching mit M < V 1. Sei A 1 = {v V 1 b V 2 : {v, b} M}. Sei A 2 = {v V 2 b V 1 : {v, b} M}. Sei a V 1 \ A 1. Γ(a) A 2, da M größtes Matching. Jeder alternierende Weg von a kann nur Knoten aus A 1 A 2 erreichen mit A i A i und A 1 = A 2. Damit Γ(A 1 {a}) A 2. A 1 {a} > A 2.
35 Anwendungen (1:33) <> Walter Unger :26 SS2013 Z n Anwendungen I Corollary Sei G = (V 1, V 2, E) ein bipartiter Graph und Γ(A) A d für jedes A V 1. Dann hat G mindestens V 1 d unabhängige Kanten. = durch Widerspruch: Sei M größtes Matching mit m = M < V 1 d. Sei A 1 = {v V 1 b V 2 : {v, b} M}. Sei A 2 = {v V 2 b V 1 : {v, b} M}. Sei a 0, a 1,, a d V 1 \ A 1. Γ(a i) A 2, da M größtes Matching. Jeder alternierende Weg von a i kann nur Knoten aus A 1 A 2 erreichen. Damit Γ(A 1 {a i}) A 2. m + d + 1 = A 1 {a i 0 i d} A 2 = m.
36 Anwendungen (1:34) <> Walter Unger :26 SS2013 Z n Anwendungen II Corollary Sei G = (V 1, V 2, E) ein bipartiter Graph mit V 1 = (x 1,..., x m) und V 2 = (y 1,..., y n). Dann enthält G einen Spanngraph H mit deg H (x i) = d i und 0 deg H (y i) 1 genau dann, wenn für jedes A V 1 gilt Γ(A) d i. x i A = einfach: Sei S Spanngraph mit S = V 1. Sei A V 1 beliebig. Γ(A) = {v V 2 (v, w) E, w A}. Γ(A) {v V 2 (v, w) S, w A}. Γ(A) x i A di.
37 Anwendungen (1:35) <> Walter Unger :26 SS2013 Z n Anwendungen III Corollary Sei G = (V 1, V 2, E) ein bipartiter Graph mit V 1 = (x 1,..., x m) und V 2 = (y 1,..., y n). Dann enthält G einen Spanngraph H mit deg H (x i) = d i und 0 deg H (y i) 1 genau dann, wenn für jedes A V 1 gilt Γ(A) d i. x i A = durch Widerspruch: Sei S größter Spanngraph mit S < V 1. Sei A 1 = {v V 1 b V 2 : {v, b} S}. Sei A 2 = {v V 2 b V 1 : {v, b} S}. Sei a V 1 \ A 1. N(a) A 2, da S größter Spanngraph. Damit Γ(A 1 {a}) < x i A 1 {a} di.
38 Anwendungen (1:36) <> Walter Unger :26 SS2013 Z n Anwendungen IV Definition Sei A = (a ij) eine Matrix, i = 1,..., r, j = 1,..., n, mit a ij {1,..., n}. Die Matrix A heißt lateinisches Rechteck, wenn keine zwei Elemente einer Zeile oder einer Spalte gleich sind. Theorem Sei A ein r n lateinisches Rechteck. Dann kann A zu einem n n lateinischen Quadrat erweitert werden. Beweis: Übung.
39 Probleme (1:37) <> Walter Unger :26 SS2013 Z g Matchingprobleme Definition (Maximal Matching Problem) Gegeben: Graph G = (V, E) Bestimme: Matching M mit: e E: M {e} ist kein Matching. Definition (Maximum Matching Problem) Gegeben: Graph G = (V, E) Bestimme: Matching M mit: M : M ist ein Matching = M M.
40 Probleme (1:38) <> Walter Unger :26 SS2013 Z g Das Maximal Matching Problem Theorem (Maximal Matching Problem) Das Maximal Matching Problem ist in P für bipartite Graphen. Algorithmus: Eingabe G = (V, E) bipartiter Graph Setze M = Solange E, mache Wähle e E Setze M = M {e} Setze E := E \ {f E e f }
41 Probleme (1:39) <> Walter Unger :26 SS2013 Z g Alternierende Pfade Sei G = (V, E) ein Graph und M E ein Matching. A B = (A B) \ (A B) Ein Knoten v V heißt frei, falls v e M e. Ein Pfad v 0, {v 0, v 1}, v 1, {v 1, v 2}, v 2, {v 2, v 3}, v 3,..., v l 1, {v l 1, v l }, v l heißt alternierend, falls {v i 1, v i} M {v i, v i+1} M (0 < i < l). v 0 v 1 v 2 v 3 v 4 v 5 v 6 Ein alterniernder Pfad v 0, {v 0, v 1}, v 1, {v 1, v 2}, v 2, {v 2, v 3}, v 3,..., v l 1, {v l 1, v l }, v l heißt erweiternd, falls v 0, v l frei sind. v 0 v 1 v 2 v 3 v 4 v 5 Bemerkung: Eine Kante zwischen freien Knoten ist ein verbessernder Pfad. Damit arbeitet der Algorithmus wie folgt: 1 Setze M =. 2 Solange es erweiternden Pfad P gibt, mache: 1 Erweitere M, d.h. M = M E(P).
42 Probleme (1:40) <> Walter Unger :26 SS2013 Z g Beispiel allgemeiner Graph Versuch mit verbessernde Pfade auf allgemeinen Graphen: A B = (A B) \ (A B) a 1 b 1 b 2 c 1 c 2 d 1 a 0 b 0 b 3 c 0 c 3 d 0 a 2 b 4 c 4 d 2 Ungerade Kreise können Probleme machen
43 Probleme (1:41) <> Walter Unger :26 SS2013 Z i Satz von Berge Theorem (Berge) Ein Matching M in einem Graphen G ist genau dann kardinalitätsmaximal (maximum), wenn es keinen erweiternden alternierenden Weg gibt. A B = (A B) \ (A B) Beweis: = trivial. = durch Widerspruch. Sei M Matching mit M > M. Weiterhin gebe es keinen erweiternden alternierenden Weg für M. Betrachte Graph H mit Kanten die nur aus M M \ (M M ). Dieser besteht aus Wegen und Kreisen. Damit gibt es einen erweiternden alternierende Weg für M.
44 Probleme (1:42) <> Walter Unger :26 SS2013 Z g The Maximum Matching Problem Theorem (Maximum Matching Problem) The Maximum Matching Problem ist in P. A B = (A B) \ (A B) Algorithmus: Eingabe G = (V, E) [bipartiter] Graph Setze M =. Solange es einen alternierenden Pfad (a 0, a 1, a 2, a l ) in G gibt, mit l ungerade, {a 2 i, a 2 i+1} M und {a 2 i+1, a 2 i} M mache Vertausche Kanten in P: Füge Kanten aus {a 2 i, a 2 i+1} zu M und lösche Kanten der Form {a 2 i+1, a 2 i} von M Falls G = (V, E) kein bipartiter Graph, dann löse ungerade Kreise rekursiv auf.
45 Einleitung (1:43) <> Walter Unger :26 SS2013 Z n Faktoren Definition Sei G ein Graph. Ein k-regulärer Spanngraph H von G heißt k-faktor. Theorem Der Graph K 2t ist die Summe von 2t 1 1-Faktoren. Theorem Der Graph K 2t+1 ist die Summe von t Spannkreisen.
46 a 6 a 7 Einleitung (1:44) <> Walter Unger :26 SS2013 Z n Beispiel I a 3 a 2 a 1 a 4 a 10 a 9 a 5 a 8
47 Einleitung (1:45) <> Walter Unger :26 SS2013 Z n Beweis I Theorem Der Graph K 2t ist die Summe von 2t 1 1-Faktoren. Zeichne 2t 1 Knoten a 1, a 2,, a 2t 1, als reguläres (2t 1)-Eck. Zeichne a 2t als Spitze einer Pyramide auf die Knoten a 1, a 2,, a 2t 1. Wähle 1-Faktor: Kante des (2t 1)-Ecks. Alle parallelen Diagonalen in dem (2t 1)-Ecks. Eine verbleibende Kante von einzigen verbleibenden freien Knoten zur Spitze.
48 Einleitung (1:46) <> Walter Unger :26 SS2013 Z n Beispiel II a 3 a 2 a 4 a 1 a 11 a 5 a 10 a 6 a 9 a 7 a 8
49 Einleitung (1:47) <> Walter Unger :26 SS2013 Z n Beweis II Theorem Der Graph K 2t+1 ist die Summe von t Spannkreisen. Zeichne 2t Knoten a 1, a 2,, a 2t, als reguläres (2t)-Eck. Zeichne a 2t+1 als Spitze einer Pyramide auf die Knoten a 1, a 2,, a 2t. Wähle 2-Faktor: Verbinde genau gegenüberliegende Knoten wie folgt: Gehe im Zick-Zack über alle Knoten des (2t)-Ecks. D.h.zuerst zum direkten rechten Nachbarn, dann zum direkten linken Nachbarn (d.h. zwei Knoten zurück). usw. Verbinde dann die genau gegenüberliegende Knoten nochmal über a 2t+1 Nun kann man zu jeder Kante genau einen Kreis identifizieren.
50 Aussagen (1:48) <> Walter Unger :26 SS2013 Z n Aussagen Definition Sei G ein Graph. Ein Spanngraph H von G heißt [k, k ]-Faktor, falls für alle Knoten v vom H gilt: k deg(v) k.der k, k -Faktor heißt perfekt, falls jede Zusammenhangskomponente regulär ist. Theorem (Tutte 1953) Ein Graph G = (V, E) enthält einen perfekten [1,2]-Faktor genau dann, wenn für jedes S V gilt: S Γ(S). Beweis (= ) Sei S perfekter [1,2]-Faktor. S 1 = {x S deg S (x) = 1} und S 2 = {x S deg S (x) = 2}. Damit S 1 = Γ H (S 1) und S 2 Γ H (S 2). Da Γ H (S 2) und Γ H (S 1) disjunkt sind, gilt: S = S 1 + S 2 Γ H (S 1) + Γ H (S 2) = Γ H (S) Γ G (S).
51 Aussagen (1:49) <> Walter Unger :26 SS2013 Z n Beweis (Teil 2) Theorem (Tutte 1953) Ein Graph G = (V, E) enthält einen perfekten [1,2]-Faktor genau dann, wenn für jedes S V gilt: S Γ(S). Beweis ( =): Sei V = {x 1, x 2,, x n}, setze: V 1 = {x 1, x 2,, x n} und V 2 = {x 1, x 2,, x n }. Damit G = (V 1, V 2, {(x i, x j ) (x i, x j) E) bipartiter Graph. Setze S = {x i x i S}. Dann gilt: Γ(S ) = {x i x i Γ(S)} Damit gilt weiter: S = S Γ(S) = Γ(S ). Damit enthällt G einen 1-Faktor M (Matching). Setze H = {(x i, x j) (x i, x j ) M}. Damit ist H ein [1,2]-Faktor.
52 Aussagen (1:50) <> Walter Unger :26 SS2013 Z n Beweis (Teil 3) Beweis ( =): Sei V = {x 1, x 2,, x n}, setze: V 1 = {x 1, x 2,, x n} und V 2 = {x 1, x 2,, x n }. Damit G = (V 1, V 2, {(x i, x j ) (x i, x j) E) bipartiter Graph. Setze S = {x i x i S}. Dann gilt: Γ(S ) = {x i x i Γ(S)}. Damit gilt weiter: S = S Γ(S) = Γ(S ). Damit enthällt G einen 1-Faktor M (Matching). Setze H = {(x i, x j) (x i, x j ) M}. Damit ist H ein [1,2]-Faktor. Zeige: deg H (x i) = 1 und {x i, x j} H dann gilt deg H (x j) = 1: Es gibt k, l: (x i, x k ), (x l, x i ) M. Damit gilt k = l und deg H (x j) = 1.
53 Aussagen (1:51) <> Walter Unger :26 SS2013 Z n Aussagen Definition Eine Zusammenhangskomponente von einen G heißt ungerade (bzw. gerade), wenn sie ein ungerade (bzw. gerade) Anzahl von Knoten enthält. Sei q(g) die Anzahl der ungeraden Zusammenhangskomponenten von G. Theorem (Tutte 1947) Ein Graph G = (V, E) enthält einen 1-Faktor genau dann, wenn für jedes S V gilt: q(g S) S. Theorem (Petersen 1891) Sei G ein 3-regulärer 2-fach-Kanten zusammenhängender Graph. Dann ist G die Summe von einem 1-Faktor und einem 2-Faktor. Theorem (Petersen 1891) Ein Graph G = (V, E) ist die Summe von k 2-Faktoren genau dann, wenn G 2k-regulär ist.
54 Aussagen (1:52) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 1) Theorem (Tutte 1947) Ein Graph G = (V, E) enthält einen 1-Faktor genau dann, wenn für jedes S V gilt: q(g S) S. Beweis (= ) Sei S V und G habe 1-Faktor. Seien U 1, U 2, U p die ungeraden Komponenten von G S. Von jedem U i muss ein Kante des Faktors nach S gehen. Sei {u i, s i} diese Kante. Damit: q(g S) = p = {s 1, s 2,, s p} S.
55 Aussagen (1:53) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 2) Theorem (Tutte 1947) Ein Graph G = (V, E) enthält einen 1-Faktor genau dann, wenn für jedes S V gilt: q(g S) S. Beweis ( =) durch Induktion über n = V : Bemerkung: Für alle ungeraden n gilt die Behauptung. Beachte dazu: S =. Induktionsanfang n = 2: Wegen S = gibt es eine Kante. Damit gilt der Induktionsanfang.
56 Aussagen (1:54) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 3) Theorem (Tutte 1947) Ein Graph G = (V, E) enthält einen 1-Faktor genau dann, wenn für jedes S V gilt: q(g S) S. Beweis ( =) Induktionsschritt n 4: Wähle S maximal mit q(g S) = S. Wir zeigen, dann G S enthält keine geraden Komponenten. Seien nun U 1, U 2, U p die ungeraden Komponenten von G S. Wir zeigen dann, dass für x i V (U i) der Graph U i {x i} einen 1-Faktor hat. Danach finden wir einen 1-Faktor in G.
57 Aussagen (1:55) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 3a) Theorem (Tutte 1947) Ein Graph G = (V, E) enthält einen 1-Faktor genau dann, wenn für jedes S V gilt: q(g S) S. Zeige: G S enthält keine geraden Komponenten: Annahme: Es gibt gerade Komponente V und a V, Dann gilt: S + 1 = 1 + q(g S) q(g (S {a})) S {a} = S + 1 Widerspruch zur Maximalität von S.
58 Aussagen (1:56) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 3b) Zeige: Für x i V (U i) hat der Graph U i {x i} einen 1-Faktor. Annahme: H = U i {x i} hat keinen 1-Faktor. Nach IV existiert nun S V (H) mit q(h S ) > S. Zwischenüberlegung: V (H) ist gerade und q(h S ) S ist auch gerade. Ist S ungerade so auch V (H) S und damit q(h S ). Ist S gerade so auch V (H) S und damit q(h S ). Damit gilt: q(h S ) S + 2. S + S + 1 = S S {x i} q(g (S S {x i})) q(g (S S {x i})) = q(g S) 1 + q(h S ) q(g S) 1 + q(h S ) S 1 + S + 2 = S + S + 1 Widerspruch zur Maximalität von S.
59 Aussagen (1:57) <> Walter Unger :26 SS2013 Z n Beweis I (Teil 3c) Zeige: es gibt 1-Faktor in G. Finde Matching M mit M = p zwischen S und den U 1 U 2... U p. Setze: U = {U 1 U 2... U p}. Setze: B = (U, S, {{U i, s} u i V (U i) : {u i, s} E(G)}). Zeige nun, B hat perfektes Matching. Sei nun X U und Y = Γ B (X), dann gilt: X q(g Y ). Zusammengefasst: X q(g Y ) Y = Γ B (X). Damit hat B ein perfektes Matching. Damit hat G einen 1-Faktor.
60 Aussagen (1:58) <> Walter Unger :26 SS2013 Z n Beweis II Theorem (Petersen 1891) Ein Graph G = (V, E) ist die Summe von k 2-Faktoren genau dann, wenn G 2k-regulär ist. = trivial. = Über Eulergrapheigenschaft und Induktion Falls k = 1, so besteht G aus disjunkten Kreisen. G besitzt o.e.d.a. einen Eulerkreis. Richte die Kanten nach dem Eulerkreis aus (Knotenmenge F ). Sei V = {x 1, x 2,, x n}, setze: V 1 = {x 1, x 2,, x n} und V 2 = {x 1, x 2,, x n }. Damit G = (V 1, V 2, {{x i, x j } (x i, x j ) F ) regulärer bipartiter Graph vom Grad k. Dieser hat k perfekte Matchings. Diese Matchings definieren k 2-Faktoren in G.
61 Aussagen (1:59) <> Walter Unger :26 SS2013 Z n Beweis III Theorem (Petersen 1891) Sei G ein 3-regulärer 2-fach-Kanten zusammenhängender Graph. Dann ist G die Summe von einem 1-Faktor und einem 2-Faktor. Sei A V. Seien U 1, U 2,, U p die ungeraden Komponenten in G A. Zu jeder Komponente in U i gibt es mindestens 2 Kanten in G, die U i und A verbinden. Wegen der 3-Regularität sind es sogar mindestens 3 Kanten. Damit gibt es mindestens 3 q(g A) Kanten von G A nach A. 3 A = d G (A) := x A d G(x) 3 q(g A). q(g A) A. Wende Satz von Tutte an.
62 Definition und Aussagen (1:60) <> Walter Unger :26 SS2013 Z n Posets Definition Sei P eine finite Menge und < eine transitive anti-reflexible Relation. Das Paar (P, <) heißt teilweise geordnete Menge (Poset). Eine Teilmenge A P heißt Antikette, wenn x < y impliziert {x, y} A. Weiterhin, heißt C P Kette, wenn für alle x, y C entweder x y oder x > y gilt. Theorem (Dilworth) Sei P eine Poset und m ist die maximale Kardinalität der Antikette in P. Dann ist P eine Vereinigung von m Ketten. Theorem (Sperner) Die Kardinalität der maximalen Antikette in Q n ist ( n n/2 ).
63 Definition und Aussagen (1:61) <> Walter Unger :26 SS2013 Z n Posets Theorem (Leader 1995) Sei A, B Q n mit A = k i=1 ( n i), B = l i=1 ( n i) und k l < n/2. Dann gilt: Es gibt ( n k) Kanten, die A mit Q n \ A verbinden. Es gibt ( n k) Knoten-disjunkte Wege von A nach B.
64 Definition und Aussagen (1:62) <> Walter Unger :26 SS2013 Z n Literatur 1 Golumbic M.C. Algorithmic Graph Theory and Perfect Graphs 2 Harary F.: Graphentheorie, Oré O.: Graphen und ihre Anwendungen, Bollobás B.: Graph theory - an introductory course, Bollobás B.: Extremal Graph Theory, Wilson R.J.: Einführung in die Graphentheorie, Bondy J.A., Murty U.S.: Graph theory with Applications, Beineke L.W., Wilson R.J., eds. : Selected topics in graph theory, Brandstädt A.: Special graph classes - a survey.
65 Definition und Aussagen (1:63) <> Walter Unger :26 SS2013 Z x Legende n Nicht relevant g Grundlagen, die implizit genutzt werden i Idee des Beweises oder des Vorgehens s Struktur des Beweises oder des Vorgehens w Vollständiges Wissen
Nachbarschaft, 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
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrProseminar Graphentheorie Vortrag 3 Matching. Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen
Proseminar Graphentheorie Vortrag 3 Matching Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen 1. Grundlagen Definition Matching: Eine Menge M von unabhängigen
MehrFür die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt:
Der K 4 lässt sich auch kreuzungsfrei zeichnen: Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: ( ) n n (n 1) E
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
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)
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:
Mehr8. 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
MehrAlgorithmische Graphentheorie (WS2014/15)
Algorithmische Graphentheorie (WS2014/15) Kapitel 6 Perfekte Graphen Walter Unger Lehrstuhl für Informatik 1 02.12.2014 15:39 (6:2) Walter Unger 6.1.2015 17:16 WS2014/15 Z x Inhalt I 1 Einleitung Erinnerung
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrKAPITEL 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
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
Mehr1. Einige Begriffe aus der Graphentheorie
. Einige Begriffe aus der Graphentheorie Notation. Sei M eine Menge, n N 0. Dann bezeichnet P n (M) die Menge aller n- elementigen Teilmengen von M, und P(M) die Menge aller Teilmengen von M, d.h. die
MehrFerienkurs Propädeutikum Diskrete Mathematik
Ferienkurs Propädeutikum Diskrete Mathematik Teil 3: Grundlagen Graphentheorie Tina Janne Schmidt Technische Universität München April 2012 Tina Janne Schmidt (TU München) Ferienkurs Propädeutikum Diskrete
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
Mehr1. Einführung. Grundbegriffe und Bezeichnungen. Beispiele. gerichtete Graphen. 1. Einführung Kapitelübersicht
1. Einführung Kapitelübersicht 1. Einführung Grundbegriffe und Bezeichnungen Beispiele Bäume gerichtete Graphen Graphentheorie HS Bonn-Rhein-Sieg, WS 2014/15 15 Das Königsberger Brückenproblem Beispiel
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
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrFerienkurs 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
MehrÜbungsaufgaben Graphentheorie, Wintersemester 2011/12
Übungsaufgaben Graphentheorie, Wintersemester 2011/12 Frank Göring 25. Januar 2012 Zusammenfassung Übungsaufgaben zur Graphentheorievorlesung. 1 Bis 19.10.2011 1. Wir hatten einen Graphen G als zusammenhängend
MehrDiskrete Mathematik für Informatiker
Universität Siegen Lehrstuhl Theoretische Informatik Carl Philipp Reh Daniel König Diskrete Mathematik für Informatiker WS 016/017 Übung 7 1. Gegeben sei folgender Graph und das Matching M = {{h, f}, {c,
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrGraphen. Graphen und ihre Darstellungen
Graphen Graphen und ihre Darstellungen Ein Graph beschreibt Beziehungen zwischen den Elementen einer Menge von Objekten. Die Objekte werden als Knoten des Graphen bezeichnet; besteht zwischen zwei Knoten
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrEinheit 11 - Graphen
Einheit - Graphen Bevor wir in medias res (eigentlich heißt es medias in res) gehen, eine Zusammenfassung der wichtigsten Definitionen und Notationen für Graphen. Graphen bestehen aus Knoten (vertex, vertices)
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
Mehr5. 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
MehrEinführung in die Graphentheorie. Monika König
Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
MehrSystems of Distinct Representatives
Systems of Distinct Representatives Seminar: Extremal Combinatorics Peter Fritz Lehr- und Forschungsgebiet Theoretische Informatik RWTH Aachen Systems of Distinct Representatives p. 1/41 Gliederung Einführung
MehrGraphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 13. November 2007 1 / 84 2 / 84 Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr4. Kreis- und Wegeprobleme
4. Kreis- und Wegeprobleme Kapitelübersicht 4. Kreis- und Wegeprobleme Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Abstände in Graphen Berechnung
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des
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
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
Mehr1.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
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
MehrGrundbegri e der Graphentheorie: Eckengrad, Wege und Kreise, Zusammenhang
raphen- und Berechenbarkeitstheorie rundbegri e der raphentheorie: Eckengrad, Wege und Kreise, Zusammenhang 0.1 raphen Ein raph ist ein aar = (V, E) disjunkter Mengen mit E [V ]2, wobei [V ]2 die Menge
MehrKnoten-Partitionierung in feste Eigenschaften ist NP-schwer
Knoten-Partitionierung in feste Eigenschaften ist NP-schwer Seminar: Ausgewählte Kapitel der Informatik bei Prof. Dr. R. Schrader Seminarvortrag von Nils Rosjat Wintersemester 09 / 10 1 Einleitung Dieser
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 2: Einführung in die Graphentheorie - Teil 2 Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 2. März 2018 1/48 OPERATIONEN
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
MehrGrundbegriffe 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
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
MehrFreie Bäume und Wälder
(Martin Dietzfelbinger, Stand 4.6.2011) Freie Bäume und Wälder In dieser Notiz geht es um eine besondere Sorte von (ungerichteten) Graphen, nämlich Bäume. Im Gegensatz zu gerichteten Bäumen nennt man diese
MehrDefinition 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.
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
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,
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr3-Färbbarkeit. Korollar: Zu Entscheiden, ob ein Graph k-färbbar ist mit k 3, ist NP-vollständig.
3-Färbbarkeit Wir wissen bereits, dass in polynomieller Zeit entschieden werden kann, ob ein Graph 2-färbbar ist. Satz: Zu Entscheiden, ob ein Graph 3-färbbar ist, ist NPvollständig. Beweis: Reduktion
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
Mehr\ 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 )
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)
WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII
MehrMatchings 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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2010/11
MehrGraphentheorie. Färbungen. Knoten- und Kantenfärbungen. Knoten- und Kantenfärbungen. Rainer Schrader. 28. Januar 2008
Graphentheorie Rainer Schrader Färbungen Zentrum für Angewandte Informatik Köln 28. Januar 2008 1 / 57 2 / 57 wir wollen versuchen, die Knoten eines Graphen zu färben dabei dürfen keine zwei benachbarten
MehrZentralübung zur Vorlesung Diskrete Strukturen
WS 2010/11 Zentralübung zur Vorlesung Diskrete Strukturen Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/uebung/ 2. Februar 2011 ZÜ DS ZÜ XIII 1. Übungsbetrieb:
MehrWS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrTutoraufgabe 1 (Suchen in Graphen):
Prof. aa Dr. E. Ábrahám Datenstrukturen und Algorithmen SS14 F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe 1 (Suchen in Graphen): a) Geben Sie die Reihenfolge an, in der die Knoten besucht werden, wenn
MehrAndré Krischke Helge Röpcke. Graphen und Netzwerktheorie Grundlagen Methoden Anwendungen
André Krischke Helge Röpcke Graphen und Netzwerktheorie Grundlagen Methoden Anwendungen 8 Grundbegriffe der Graphentheorie für die Kante, die die beiden Knoten und verbindet. Der linke Graph in Bild. kann
MehrMatching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend
Organisatorisches VL-18: Matching (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Sprechstunde: Mittwoch 11:15 12:00 Übungen: Tim Hartmann,
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrGraphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S
Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt
Mehr4.2 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
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
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
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
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
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
MehrKapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung
Kapitel : Fallstudie Bipartite Graphen Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und. Minimal spannende Bäume. Kürzeste Wege 6. Traveling Salesman
MehrBipartite 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
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..............................
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
MehrFormale Grundlagen. Graphentheorie 2008W. Vorlesung im 2008S
Minimale Formale Grundlagen Graphentheorie Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt Minimale
MehrFelix 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,
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #8: Färbungsprobleme Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Knotenfärbung (vs. Kanten- & Kartenfärbung) Satz von Brooks Algorithmen
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
MehrVorlesung 3: Graphenalgorithmen. Markus Püschel David Steurer Peter Widmayer. PDF download goo.gl/ym3spq
Vorlesung 3: Graphenalgorithmen Markus Püschel David Steurer Peter Widmayer PDF download goo.gl/ym3spq Algorithmen und Datenstrukturen, Herbstsemester 2017, ETH Zürich Gerichtete Graphen und Abhängigkeiten
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrÜbungsblatt 5 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Lineare Weihnachtsalgebra Kreisbasen [vgl. Kapitel
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrEinführung in die Mathematik des Operations Research
Universität zu Köln Mathematisches Institut Prof. Dr. F. Vallentin Einführung in die Mathematik des Operations Research Sommersemester 3 en zur Klausur (7. Oktober 3) Aufgabe ( + 3 + 5 = Punkte). Es sei
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrFlüsse, 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
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
Mehr