09. Übung zu Algorithmen I 12. Juli 2017
|
|
- Clara Kramer
- vor 5 Jahren
- Abrufe
Transkript
1 09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67
2 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus mit Ameisen Vertex Cover ein Annäherungsversuch 2 / 67
3 Schwierige Probleme Bisher: Identiziere Problem und löse es mit einem ezienten Algorithmus Frage: Ist das immer möglich? 3 / 67
4 Schwierige Probleme Bisher: Identiziere Problem und löse es mit einem ezienten Algorithmus Frage: Ist das immer möglich? Antwort: Wissen wir nicht! Komplexitätstheorie Klassiziert Probleme in Klassen Klassen machen Aussagen über benötigten Speicherplatz, Laufzeit, Lösbarkeit durch randomisierte Algorithmen,... 4 / 67
5 Schwierige Probleme Eine Menge Probleme Intuitiv: NP ist die Menge aller Probleme, zu denen eine gegebene Lösung ezient überprüft werden kann Achtung: es kann schwer sein eine solche Lösung zu nden 5 / 67
6 Schwierige Probleme Eine Menge Probleme Intuitiv: NP ist die Menge aller Probleme, zu denen eine gegebene Lösung ezient überprüft werden kann Achtung: es kann schwer sein eine solche Lösung zu nden Schwierige Probleme Intuitiv: Ein Problem ist NP-schwierig, wenn esgenauso schwierig wie das schwierigste Problem in NP ist Einfache Probleme Intuitiv: P ist die Menge aller Probleme, die in Polynomialzeit lösbar sind. 6 / 67
7 Schwierige Probleme Wie schwierig sind die schwierigsten Probleme? Sind sie ezient lösbar? Was bedeutet hier ezient? hier: ezient = existiert ein Polynomialzeit-Algorithmus Das ist die berühmte P? = NP-Frage! groÿe ungelöste Frage der Informatik! Dafür gibt es gute Gründe! 7 / 67
8 Schwierige Probleme Wie schwierig sind die schwierigsten Probleme? Sind sie ezient lösbar? Was bedeutet hier ezient? hier: ezient = existiert ein Polynomialzeit-Algorithmus Das ist die berühmte P? = NP-Frage! groÿe ungelöste Frage der Informatik! Dafür gibt es gute Gründe! viele vermuten die Antwort ist nein jedes Jahr einige Beweise - für beide Richtungen NP-schwierige Probleme nach heutigem Forschungsstand also nicht ezient lösbar 8 / 67
9 Schwierige Probleme Wie schwierig sind die schwierigsten Probleme? Sind sie ezient lösbar? Was bedeutet hier ezient? hier: ezient = existiert ein Polynomialzeit-Algorithmus Das ist die berühmte P? = NP-Frage! groÿe ungelöste Frage der Informatik! Dafür gibt es gute Gründe! viele vermuten die Antwort ist nein jedes Jahr einige Beweise - für beide Richtungen NP-schwierige Probleme nach heutigem Forschungsstand also nicht ezient lösbar Wie löst man solche Probleme trotzdem möglichst ezient? Approximation Heuristiken 9 / 67
10 Erinnerung: Lineare Programme Ein lineares Programm mit n Variablen und m Constraints (NB) wird durch das folgende Minimierungs-/Maximierungsproblem deniert: Kostenfunktion f (x) = c x c ist der Kostenvektor m Constraints der Form a i x i b i mit i {,, =}, a i R n. Wir erhalten: L = {x R n : j 1..n : x j 0 i 1..m : a i x i b i }. 10 / 67
11 LP graphisch x 2 opt x 1 11 / 67
12 LP graphisch x 2 opt x 1 12 / 67
13 LP graphisch x 2 opt x 1 13 / 67
14 LP graphisch x 2 opt x 1 14 / 67
15 LP graphisch x 2 opt x 1 15 / 67
16 LP graphisch x 2 opt x 1 16 / 67
17 LP graphisch Integer LP x 2 opt x 1 17 / 67
18 LP graphisch Integer LP x 2 opt x 1 18 / 67
19 LP graphisch Integer LP x 2 opt x 1 19 / 67
20 (I)LP: Komplexität LPs können ezient gelöst werden ILPs dagegen nicht Das Problem ist sogar in NP-schwierig! Approximation: Löse ILP als LP und runde das Endergebnis 20 / 67
21 Erinnerung: Travelling Salesman Problem Gegeben ungerichteter Graph G = (V, E), c : E R Gesucht kürzester Kreis, der alle Knoten besucht NP-schweres Problem 21 / 67
22 Ein ILP für TSP Städte: 1, 2,..., n Distanzen: d {i,j} := c({i, j}) Variablen x {i,j} = 1, wenn die Tour durch Kante {i, j} geht, = 0 sonst 22 / 67
23 Ein ILP für TSP Zielfunktion minimiere i,j : i j x {i,j} d {i,j} x {i,j} = 1 nur für Kanten, die Teil der Tour sind die Zielfunktion ist gerade die Länge der Tour! 23 / 67
24 Ein ILP für TSP Bedingung I - Tour Für alle i V gelte: x {i,j} = 2 j : i j jeder Knoten muss durch genau eine Kante betreten werden und durch genau eine Kante verlassen werden 24 / 67
25 Ein ILP für TSP Frage: Was fehlt noch? 25 / 67
26 Ein ILP für TSP Frage: Was fehlt noch? Abbildung: Von User:Sdo - self-made using xg, CC BY-SA 2.5, Bedingung II - Zusammenhängende Tour Für alle S V gelte: i S,j / S x {i,j} 2 26 / 67
27 Heuristiken Heuristik altgr. heurísko: ich nde in begrenzter Zeit gute Lösungen zu schwierigen Problemen berechnen... ohne Garantien! Metaheuristik eine Heuristik für alle Probleme... eigentlich eher eine Familie 27 / 67
28 Ameisenalgorithmen I Vorbild: Ameisenstraÿen I Ameisen versprühen Pheromone... I... und folgen diesen dann I selbstverstärkender E ekt! Abbildung: Ameisenstraÿe. c Mehmet Karatay 28 / 67
29 Ameisenalgorithmen für das TSP Jede Ameise startet irgendwo... läuft immer zu einer zufälligen (neuen) Nachbarstadt abhängig davon, wie viele Pheromone auf der Kante sind!... legt einen Pheromon-Pfad, wenn sie alle Städte gesehen hat 29 / 67
30 Ameisenalgorithmen für das TSP auf der schnellsten Tour wird mehr Pheromon abgelegt 30 / 67
31 Ameisenalgorithmen für das TSP Ergebnisse [M. Dorigo, V. Maniezzo, et A. Colorni, Ant system: optimization by a colony of cooperating agents, IEEE Transactions on Systems, Man, and CyberneticsPart B, volume 26, numéro 1, pages 29-41, 1996.] Experimentelle Resultate sehr gute Lösungsqualität (meist 95%) sehr schnell anwendbar auf viele Probleme (mehrere im Paper) 31 / 67
32 Vertex Cover Gegeben ungerichteter Graph G = (V, E) Gesucht minimale Menge S V, sodass jede Kante mindestens einen Endpunkt in S hat: {u, v} E : {u, v} S NP-schwer! 32 / 67
33 Approximation Erinnerung: Heuristik ezient gute Lösungen zu schwierigen Problemen berechnen... ohne Garantien! Approximation in begrenzter Zeit gute Lösungen zu schwierigen Problemen berechnen... die nicht mehr als einen (konstanten!) Faktor k schlechter sind als die Optimallösung Algorithmen für Steinerbaum- und TSP-Problem aus letzter Übung waren Approximationen! 33 / 67
34 Eine Approximation für Vertex Cover Function Approx-Vertex-Cover(G = (V, E) : Graph) C = while E do e = pickrandom(e) // e = {e 1, e 2 } C = C e e E, e e : E = E \ e return C 34 / 67
35 Eine Approximation für Vertex Cover Korrektheit Frage: Warum sind nachher alle Kanten abgedeckt? es werden nur abgedeckte Kanten entfernt es wird immer eine Kante entfernt! wichtig: immer zeigen, dass der Algorithmus terminiert! alle Kanten abgedeckt 35 / 67
36 Eine Approximation für Vertex Cover Beweis: 2-Approximation sei A Menge der in der Schleife zufällig gewählten Kanten C = 2 A keine zwei Kanten in A haben einen Knoten gemeinsam 36 / 67
37 Eine Approximation für Vertex Cover Beweis: 2-Approximation sei A Menge der in der Schleife zufällig gewählten Kanten C = 2 A keine zwei Kanten in A haben einen Knoten gemeinsam sei Ĉ eine Optimallösung für jede Kante in A ist mindestens ein Knoten in Ĉ Ĉ A C 2 Ĉ 37 / 67
38 Metaheuristiken und Nachbarschaften Wie kann man Metaheuristiken für Vertex Cover verwenden? Idee: deniere eine Nachbarschaft auf den zulässigen Lösungen Wie sieht das bei Vertex Cover aus? Lösung: eine Menge von Knoten Nachbarlösungen: jede Menge, die sich nur um einen Knoten unterscheidet natürlich nicht unbedingt minimal! 38 / 67
39 Nachbarschaftsmetaheuristiken Lokale Suche Lokale Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung f(x) x 39 / 67
40 Nachbarschaftsmetaheuristiken Lokale Suche Lokale Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung f(x) x 40 / 67
41 Nachbarschaftsmetaheuristiken Lokale Suche Lokale Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung f(x) x lokale Optima sind ein Problem 41 / 67
42 Nachbarschaftsmetaheuristiken Tabu-Suche Tabu-Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung... auÿer den letzten k Lösungen f(x) x 42 / 67
43 Nachbarschaftsmetaheuristiken Tabu-Suche Tabu-Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung... auÿer den letzten k Lösungen f(x) x 43 / 67
44 Nachbarschaftsmetaheuristiken Tabu-Suche Tabu-Suche gehe immer zur besten Lösung in der Nachbarschaft der aktuellen Lösung... auÿer den letzten k Lösungen f(x) x läuft aus lokalen Optima heraus wenn die Tabu-Liste gut gewählt ist 44 / 67
45 Lokale Suche für Vertex Cover 45 / 67
46 Lokale Suche für Vertex Cover 46 / 67
47 Lokale Suche für Vertex Cover 47 / 67
48 Lokale Suche für Vertex Cover 48 / 67
49 Lokale Suche für Vertex Cover lokales Optimum, aber nicht global optimal! 49 / 67
50 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: 50 / 67
51 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: 51 / 67
52 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4, 5, 6} 52 / 67
53 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 3, 4, 5, 6} 53 / 67
54 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 3, 4, 6} 54 / 67
55 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4, 6} 55 / 67
56 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4} 56 / 67
57 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4} globales Optimum! 57 / 67
58 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4} globales Optimum! Sind gröÿere Tabu-Listen zwangsläug besser...? 58 / 67
59 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 1 derzeit tabu: {1, 2, 3, 4} globales Optimum! Sind gröÿere Tabu-Listen zwangsläug besser...? Nein! 59 / 67
60 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 3 derzeit tabu: 60 / 67
61 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 3 derzeit tabu: 61 / 67
62 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 3 derzeit tabu: {1, 2, 3, 4, 5, 6} 62 / 67
63 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 3 derzeit tabu: {1, 2, 3, 4, 5, 6}, {1, 2, 3, 4, 6} 63 / 67
64 Tabu-Suche für Vertex Cover Gröÿe der Tabu-Liste: 3 derzeit tabu: {1, 2, 3, 4, 5, 6}, {1, 2, 3, 4, 6}, {1, 3, 4, 6} Können nicht weitermachen! Geben daher sehr schlechte Lösung aus! 64 / 67
65 Nachbarschaftsmetaheuristiken Simulated Annealing Stahl Anlassen (engl. Annealing) stark erhitzen in erhitztem Stahl: Verbindungen ändern sich rapide langsam, kontrolliert abkühlen es bilden sich starke Kristallverbindungen Simulated Annealing Idee: Verschlechterungen zulassen Aber: mit der Zeit (sinkender Temperatur... ) weniger wahrscheinlich 65 / 67
66 Nachbarschaftsmetaheuristiken Simulated Annealing f(x)? P = e f(x ) f(x) T x Idee: erst recht global suchen, dann immer lokaler viele einzustellende Parameter Nachbarschaft ein bisschen komplizierter / 67
67 Zusammenfassung Probleme es gibt besonders schwierige Probleme Travelling Salesman Problem Vertex Cover Approximation Optimierungstechniken (I)LPs Ameisenalgorithmen Lokale Suhe, Tabu-Suche, Simulated Annealing 67 / 67
11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrHeuristische Verfahren
Heuristische Verfahren Bei heuristischen Verfahren geht es darum in polynomieller Zeit eine Näherungslösung zu bekommen. Diese kann sehr gut oder sogar optimal sein, jedoch gibt es keine Garantie dafür.
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 05.07.2017 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=799 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik
MehrApproximationsalgorithmen
Approximationsalgorithmen 1. Vorlesung Joachim Spoerhase Alexander Wolff Lehrstuhl für Informatik I Wintersemester 2017/18 Bücher zur Vorlesung Vijay V. Vazirani Approximation Algorithms Springer-Verlag
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
MehrNP-vollständige Probleme
Effiziente Algorithmen Lösen NP-vollständiger Probleme 256 NP-vollständige Probleme Keine polynomiellen Algorithmen, falls P NP. Viele wichtige Probleme sind NP-vollständig. Irgendwie müssen sie gelöst
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrSeminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP
Seminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP Tobias Boelter 28. Mai 2013 bei Prof. Dr. Rainer Schrader, Universität zu Köln Inhaltsverzeichnis 1 Einleitung 2 2 Lokale Suche
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 4. Januar 2011 Berthold Vöcking, Informatik 1 () Vorlesung
MehrPaper Computer Science Experiment. Computation (NP-Vollständigkeit) Traveling Salesman
Paper Computer Science Experiment Great Principles of Computing Computation (NP-Vollständigkeit) Thema Traveling Salesman Unterrichtsform Lernen am Modell Voraussetzung Wahrscheinlich kennen viele Schüler/innen
MehrApproximationsalgorithmen für NP-harte Optimierungsprobleme
Approximationsalgorithmen für NP-harte Optimierungsprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 18 Was tun mit NP-harten Problemen? Viele praxisrelevante
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrNachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16)
Berlin, 14. April 2016 Name:... Matr.-Nr.:... Nachklausur Grundlagen der Algorithmik (Niedermeier/Froese/Chen/Fluschnik, Wintersemester 2015/16) 1 / 10 2 / 10 3 / 11 4 / 9 5 / 10 Σ / 50 Einlesezeit: Bearbeitungszeit:
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrGraphalgorithmen 2. Dominik Paulus Dominik Paulus Graphalgorithmen / 47
Graphalgorithmen Dominik Paulus.0.01 Dominik Paulus Graphalgorithmen.0.01 1 / 7 1 Spannbäume Kruskal Prim Edmonds/Chu-Liu Datenstrukturen Fibonacci-Heap Union/Find Kürzeste Pfade Dijkstra Bellman-Ford
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrOptimierung. Vorlesung 12
Optimierung Vorlesung 12 Letze Woche Approximieren von ILP durch randomisiertes Runden. Beispiel Set Cove Relaxiertes LP lösen und runden. Probleme: 1. Zielfunktionswert 2. Zulässigkeit 1. Linearität des
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 26. Vorlesung Greedy- und Approximationsalgorithmen Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Operations Research Optimierung für Wirtschaftsabläufe:
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrWeitere NP-vollständige Probleme
Weitere NP-vollständige Probleme Wir betrachten nun folgende Reduktionskette und weisen dadurch nach, daß alle diese Probleme NP-hart sind (sie sind auch in NP und damit NP-vollständig). SAT p 3-SAT p
MehrPolynomialzeit- Approximationsschema
Polynomialzeit- Approximationsschema 27.01.2012 Elisabeth Sommerauer, Nicholas Höllermeier Inhalt 1.NP-Vollständigkeit Was ist NP-Vollständigkeit? Die Klassen P und NP Entscheidungsproblem vs. Optimierungsproblem
MehrÜbungsblatt 5. Vorlesung Theoretische Grundlagen der Informatik im WS 17/18
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Theoretische Grundlagen der Informatik im WS 17/18 Ausgabe 20. Dezember 2017 Abgabe 16. Januar 2018, 11:00 Uhr
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrErinnerung VL
Erinnerung VL.6.16 Graphtraversierung (DFS, topologische Sortierung und mehr) Kürzeste Wege: Problemstellung, Algorithmen Analoger Algorithmus Dijkstras Algorithmus: Idee, Korrektheit Heute: mehr zu Dijkstra,
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Hierarchische Zeichnungen 6. Vorlesung Sommersemester 2015 (basierend auf Folien von Marcus Krug, KIT) 2 Beispiel E-Mail-Graph zwischen Einrichtungen der Fak. für Informatik,
MehrEinführung in Approximative Algorithmen und Parametrisierte Komplexität
Einführung in Approximative Algorithmen und Parametrisierte Komplexität Tobias Lieber 10. Dezember 2010 1 / 16 Grundlegendes Approximationsalgorithmen Parametrisierte Komplexität 2 / 16 Grundlegendes Definition
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrEndkontrolle Informatik-Propädeutikum (Ermel/Hartung/Nichterlein/Niedermeier, Wintersemester 2013/14)
Berlin, 24. Februar 2014 Name:... Matr.-Nr.:... Endkontrolle Informatik-Propädeutikum (Ermel/Hartung/Nichterlein/Niedermeier, Wintersemester 2013/14) 1 2 3 4 5 6 Σ Bearbeitungszeit: max. Punktezahl: 60
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
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,
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
Mehrv R n ist Abstiegsrichtung in x R n wenn f(x) v < 0 v R n ist Abstiegsrichtung in x R n wenn i=1,,d: f i
MOP: Pareto-Gradientenabstiegsverfahren Annahme: Zielfunktion differenzierbar Wintersemester 2007/08 Praktische Optimierung (Vorlesung) d = 1: (monokriteriell) v R n ist Abstiegsrichtung in x R n wenn
MehrFormale Grundlagen der Informatik 1 Kapitel 23 NP-Vollständigkeit (Teil 2)
Formale Grundlagen der Informatik 1 Kapitel 23 (Teil 2) Frank Heitmann heitmann@informatik.uni-hamburg.de 5. Juli 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/37 Die Klassen P und NP P := {L
MehrAlgorithmen 2. Kapitel: Approximationsalgorithmen. Thomas Worsch. Fakultät für Informatik Karlsruher Institut für Technologie
Algorithmen 2 Algorithmen 2 Kapitel: Approximationsalgorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2017/2018 1 / 40 Einleitung Überblick Einleitung
MehrEuler und Hamiltonkreise
Euler und Hamiltonkreise 1. Königsberger Brücken 2. Eulerwege und Kreise Definition, Algorithmus mit Tiefensuche 3. Hamiltonwege und Kreise Definition 4. Problem des Handlungsreisenden Enumeration und
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrGraphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen
Graphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen Dr. Gerold Jäger Habilitationsvorlesung Christian-Albrechts-Universität zu Kiel Institut für Informatik 21. April
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 19.6.1 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=99 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik 1 Organisatorisches
MehrLokale Suche. 31. Januar / 28
Lokale Suche 31. Januar 2018 1 / 28 Lokale Suche Wir betrachten das allgemeine Minimierungsproblem min y f (x, y) so dass L(x, y). Wir nehmen an, dass zu jeder Lösung y auch eine Nachbarschaft N (y) benachbarter
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,
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrÜbungsblatt Nr. 5. Lösungsvorschlag
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Nico Döttling Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 svorschlag Aufgabe 1
MehrÜbung Algorithmen I
Übung Algorithmen I 10.5.17 Sascha Witt sascha.witt@kit.edu (Mit Folien von Lukas Barth, Julian Arz, Timo Bingmann, Sebastian Schlag und Christoph Striecks) Roadmap Listen Skip List Hotlist Amortisierte
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
MehrErinnerung VL
Erinnerung VL 29.06.2016 Wichtige Eigenschaften von MSTs (Schnitt-/Kreiseigenschaft) Jarník-Prim-Algorithmus für MSTs Idee Kruskal-Algorithmus Heute: Union-Find-Datenstruktur (für Kruskals Algorithmus)
MehrÜbungsblatt 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
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
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 5. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 05.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrÜbungsblatt Nr. 5. Lösungsvorschlag
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Dirk Achenbach Tobias Nilges Vorlesung Theoretische Grundlagen der Informatik Übungsblatt Nr. 5 Aufgabe 1: Eine schöne Bescherung (K)
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
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?
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
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
MehrAnalyse Pfadkompression + Union by rank
Analyse Pfadkompression + Union by rank Satz: m nd + n link brauchen Zeit O(mα T (m,n)) mit und α T (m,n) = min{i 1 : A(i, m/n ) logn} A(1,j) = 2 j for j 1, A(i,1) = A(i 1,2) for i 2, A(i,j) = A(i 1,A(i,j
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrStatt Turingmaschinen anzugeben, genügt die Angabe eines C++ Programms oder die Angabe eines Pseudocodes.
Turingmaschinen Wir haben Turingmaschinen eingeführt. Bis auf einen polynomiellen Anstieg der Rechenzeit haben Turingmaschinen die Rechenkraft von parallelen Supercomputern! Statt Turingmaschinen anzugeben,
MehrEinige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
MehrOptimierung. 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
MehrKapitel 10. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 10 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
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
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
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
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
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
MehrLineare Programmierung
Übung Algorithmische Geometrie Lineare Programmierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 14.05.2014 Übersicht Übungsblatt 4 Lineares
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
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.
MehrLayout-Synthese - Globale Verdrahtung Peter Marwedel
12 Layout-Synthese - Globale Verdrahtung Peter Marwedel Universität Dortmund, Informatik 12 2008/07/05 Globale Verdrahtung, Allgemeines zur Verdrahtung 12, 2008-2- Bäume 12, 2008-3- Steiner-Bäume Def.:
MehrKomplexität von Algorithmen Musterlösungen zu ausgewählten Übungsaufgaben
Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekte mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten
Mehr