Punktbeschriftung in Dynamischen Karten
|
|
- Ulrike Knopp
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg
2 Übungen Nachtrag 1) Überlegen Sie sich, wie man den O(n log n)-algorithmus auf Label mit unterschiedlichen Höhen anpassen kann. Ändert sich dadurch die Laufzeit? while H right, H int oder H V nicht leer do v find-min(h V ) while v links von F do delete-min(h V ); v find-min(h V ) l i linkestes Label aus H right, H int und H V füge l i zur Beschriftung hinzu f new rechte Kante von l i update F und T V mit f new suche mit der Region links von f new in P left und P right und update H right, P left, H int, T i s und P right wie beschrieben entferne alle Verweise auf p i aus den Datenstrukturen 2
3 Was ist eine Landkarte? r e d o 3 Dr. Martin No llenburg Vorlesung Algorithmische Kartografie
4 Die Ära der dynamischen Karten Die meisten Karten sind heute nicht mehr statisch und allgemein, sondern dynamisch und individuell. 4
5 Die Ära der dynamischen Karten Die meisten Karten sind heute nicht mehr statisch und allgemein, sondern dynamisch und individuell. Welche Eigenschaften haben dynamische Karten, wie wirkt sich das auf die Beschriftung aus? 4
6 Die Ära der dynamischen Karten Die meisten Karten sind heute nicht mehr statisch und allgemein, sondern dynamisch und individuell. Kartenansicht bewegt sich kontinuierlich wenn der Nutzer zoomt verschiebt rotiert neigt Layout und Beschriftung müssen sich an die dynamische Kartenbewegung anpassen! kontinuierliche Generalisierung! kontinuierliche Kartenbeschriftung 4
7 Lassen sich statische Verfahren nutzen? Die meisten heuristischen statischen Ansätze nutzen Konfliktgraph als Modell für Überlappungen und suchen große unabhängige Labelmenge. 5
8 Lassen sich statische Verfahren nutzen? Die meisten heuristischen statischen Ansätze nutzen Konfliktgraph als Modell für Überlappungen und suchen große unabhängige Labelmenge. Übertragung auf dynamische Karten: schnelle Algorithmen um jeden Frame einer Animation in Echtzeit zu beschriften. 5
9 Lassen sich statische Verfahren nutzen? Die meisten heuristischen statischen Ansätze nutzen Konfliktgraph als Modell für Überlappungen und suchen große unabhängige Labelmenge. Übertragung auf dynamische Karten: schnelle Algorithmen um jeden Frame einer Animation in Echtzeit zu beschriften. Ansatz 1: Vorberechnung & Abfragen [Petzold, Gröger, Plümer 03] konstruiere reaktiven Konfliktgraph, Abfrage während Interaktion, verwende greedy Verfahren für statische Labelauswahl 5
10 Lassen sich statische Verfahren nutzen? Die meisten heuristischen statischen Ansätze nutzen Konfliktgraph als Modell für Überlappungen und suchen große unabhängige Labelmenge. Übertragung auf dynamische Karten: schnelle Algorithmen um jeden Frame einer Animation in Echtzeit zu beschriften. Ansatz 1: Vorberechnung & Abfragen [Petzold, Gröger, Plümer 03] konstruiere reaktiven Konfliktgraph, Abfrage während Interaktion, verwende greedy Verfahren für statische Labelauswahl Ansatz 2: schnelle on-the-fly Berechnung berechne lokalen Konfliktgraph, schätze Positionskosten, suche greedy günstigste Position [Mote 07] partikelbasierte Konflikterkennung, sequentielle Platzierung nach absteigender Positionspräferenz [Luboschik, Schumann, Cords 08] 5
11 Lassen sich statische Verfahren nutzen? Die meisten heuristischen statischen Ansätze nutzen Konfliktgraph als Modell für Überlappungen und suchen große unabhängige Labelmenge. Übertragung auf dynamische Karten: schnelle Algorithmen um jeden Frame einer Animation in Echtzeit zu beschriften. Ansatz 1: Vorberechnung & Abfragen [Petzold, Gröger, Plümer 03] konstruiere reaktiven Konfliktgraph, Abfrage während Interaktion, verwende greedy Verfahren für statische Labelauswahl Ist das Problem damit gelöst? Ansatz 2: schnelle on-the-fly Berechnung berechne lokalen Konfliktgraph, schätze Positionskosten, suche greedy günstigste Position [Mote 07] partikelbasierte Konflikterkennung, sequentielle Platzierung nach absteigender Positionspräferenz [Luboschik, Schumann, Cords 08] 5
12 Neue Verfahren sind notwendig Die bisherigen Ansätze sind zwar schnell genug, aber die resultierenden Kartenanimationen sind oft unbefriedigend. jeder Frame wird unabhängig von Nachbarframes beschriftet Label neigen zu Flackern und Sprüngen zeitliche Kohärenz oder Konsistenz wird nicht betrachtet 6
13 Neue Verfahren sind notwendig Die bisherigen Ansa tze sind zwar schnell genug, aber die resultierenden Kartenanimationen sind oft unbefriedigend. jeder Frame wird unabha ngig von Nachbarframes beschriftet Label neigen zu Flackern und Spru ngen zeitliche Koha renz oder Konsistenz wird nicht betrachtet Aktuelle reale Beispiele zeigen noch immer negative E ekte! 6 Dr. Martin No llenburg Vorlesung Algorithmische Kartografie
14 Neue Verfahren sind notwendig Die bisherigen Ansa tze sind zwar schnell genug, aber die resultierenden Kartenanimationen sind oft unbefriedigend. jeder Frame wird unabha ngig von Nachbarframes beschriftet Label neigen zu Flackern und Spru ngen zeitliche Koha renz oder Konsistenz wird nicht betrachtet Aktuelle reale Beispiele zeigen noch immer negative E ekte! Konsistenzkriterien [Been, Daiches, Yap 06] Label sollen beim Vergro ßern nicht verschwinden und beim Verkleinern nicht auftauchen (Monotonita t) sichtbare Label sollen Position und Gro ße kontinuierlich a ndern Platzierung und Auswahl der Label soll eine Funktion des Kartenzustands sein und nicht von der Historie abha ngen feste Labelgro ße auf dem Bildschirm 6 Dr. Martin No llenburg Vorlesung Algorithmische Kartografie
15 1) Beschriftung für dynamisches Zoomen [Been et al. 2010] 7
16 Label in Karten mit Zoomfunktion großer Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 8
17 Label in Karten mit Zoomfunktion großer Maßstab kleiner Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 8
18 Label in Karten mit Zoomfunktion großer Maßstab kleiner Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 Label 5 Label 2 Label 4 Label 3 Label 1 grafisches Zoomen erzeugt kleine Label 8
19 Label in Karten mit Zoomfunktion großer Maßstab kleiner Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 Label 5 Label 4 Label 2 Label 3 Label 1 identische Labelgröße erzeugt neue Konflikte 8
20 Label in Karten mit Zoomfunktion großer Maßstab kleiner Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 Label 6 Label 7 Label 5 Label 4 Label 2 Label 3 Label 1 Label 8 Label 9 neue Punkte kommen hinzu 8
21 Label in Karten mit Zoomfunktion großer Maßstab kleiner Maßstab Label 5 Label 2 Label 4 Label 3 Label 1 Label 6 Label 5 Label 2 Label 8 Label 7 Label 1 Label 9 ) beim Herauszoomen wachsen Label relativ zur Karte und neue Konflikte müssen aufgelöst werden, ohne dass Label springen oder flackern 8
22 3D Modell für dynamisches Beschriften Dynamisches Beschriftungsmodell [Been, Daiches, Yap 06] (inverser) Maßstab auf z-achse horizontaler Schnitt bei z = z 0 liefert Karte in Maßstab 1/z 0 jedes Label an festem Punkt verankert ) kein Springen 9
23 3D Modell für dynamisches Beschriften Dynamisches Beschriftungsmodell [Been, Daiches, Yap 06] z (inverser) Maßstab auf z-achse horizontaler Schnitt bei z = z 0 liefert Karte in Maßstab 1/z 0 jedes Label an festem Punkt verankert ) kein Springen verfügbares Maßstabsintervall S L für jedes L x 9
24 3D Modell für dynamisches Beschriften Dynamisches Beschriftungsmodell [Been, Daiches, Yap 06] z (inverser) Maßstab auf z-achse horizontaler Schnitt bei z = z 0 liefert Karte in Maßstab 1/z 0 jedes Label an festem Punkt verankert ) kein Springen verfügbares Maßstabsintervall S L für jedes L x 9
25 3D Modell für dynamisches Beschriften Dynamisches Beschriftungsmodell [Been, Daiches, Yap 06] (inverser) Maßstab auf z-achse horizontaler Schnitt bei z = z 0 liefert Karte in Maßstab 1/z 0 jedes Label an festem Punkt verankert ) kein Springen x verfügbares Maßstabsintervall S L für jedes L berechne ein aktives Intervall A L S L ) kein Flackern aktive Intervalle müssen disjunkte Pyramidenstümpfe (bzw. allg. Labelkörper) induzieren ) gültige Beschriftung Ziel: maximiere aktive Gesamthöhe P L A L z 9
26 Komplexität Satz 1: Es ist NP-schwer P L A L zu maximieren, bzw. für geg. K>0 ist es NP-vollständig zu entscheiden ob es eine Beschriftung mit P L A L K gibt.?? selbst wenn S L =[0,z max ] für alle Label L! 10
27 Komplexität Satz 1: Es ist NP-schwer P L A L zu maximieren, bzw. für geg. K>0 ist es NP-vollständig zu entscheiden ob es eine Beschriftung mit P L A L K gibt.?? selbst wenn S L =[0,z max ] für alle Label L! Beweisskizze: Reduktion von PLANAREM 3-SAT: (NP-schwer: [Lichtenstein 82]) planare 3-Sat Formel ' x 1 _ x 2 _ x 3 x 1 _ x 3 _ x 4 x 1 x 2 x 3 x 4 Menge von Punkten & Labeln, K>0: ' erfüllbar, max P L A L K x 1 _ x 2 _ x 4 x 2 _ x 3 _ x 4 10
28 Komplexität Satz 1: Es ist NP-schwer P L A L zu maximieren, bzw. für geg. K>0 ist es NP-vollständig zu entscheiden ob es eine Beschriftung mit P L A L K gibt.?? selbst wenn S L =[0,z max ] für alle Label L! Beweisskizze: Reduktion von PLANAREM 3-SAT: (NP-schwer: [Lichtenstein 82]) planare 3-Sat Formel ' Variablengadget x 1 _ x 2 _ x 3 x 1 _ x 3 _ x 4 x 1 x 2 x 3 x 4 Menge von Punkten & Labeln, K>0: ' erfüllbar, max P L A L K x 1 _ x 2 _ x 4 x 2 _ x 3 _ x 4 Klauselgadget 10
29 Variablengadget x x x 11 Pyramiden berühren sich bei Höhe z max /2 x
30 Variablengadget x x x x Variable x ist wahr 11
31 Variablengadget x x x x Variable x ist falsch 11
32 Klauselgadget 12 Pyramiden berühren sich bei Höhe z max /2
33 Klauselgadget 3 Literale sind wahr! Klausel-Beitrag:? 12
34 Klauselgadget 3 Literale sind wahr! Klausel-Beitrag: 2 z max 12
35 Klauselgadget 2 Literale sind wahr! Klausel-Beitrag: 2 z max 12
36 Klauselgadget 1 Literal ist wahr! Klausel-Beitrag: 2 z max 12
37 Klauselgadget 0 Literale sind wahr! Klausel-Beitrag:? 12
38 Klauselgadget 0 Literale sind wahr! Klausel-Beitrag: 1.5 z max 12
39 Approximationsalgorithmen 13
40 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q s EE 0: größter z-wert, so dass E \ E 0 \ (s EE 0)=; s EE 0 E 0 E (s EE 0) 14
41 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
42 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
43 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
44 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
45 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
46 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
47 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
48 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
49 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
50 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
51 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
52 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
53 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
54 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
55 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x 14
56 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x Lösung Algorithmus 14
57 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo s if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q x optimale Lösung 14
58 Greedy Top-Down Sweep Algorithmus Algorithmus 1 Input: Menge E von (o enen) Labelpyramiden, verfügbare Intervalle (s E,S E ) für alle E 2E Output: aktive Intervalle (a E,A E ) für alle E 2E foreach E 2E do (a E,A E ) (s E,S E ) Q Priority Queue für E lexikogr. absteigend sortiert nach (A E,S E ) while Q6= ; do E Q.extractMax foreach E 0 2Qdo if E 0 \ E 6= ; then A E 0 min{a E 0,s EE 0} if A E 0 = a E 0 then lösche E 0 aus Q Lemma 1: Algorithmus 1 berechnet eine gültige Beschriftung und lässt sich naiv in O(n 2 ) Zeit und O(n) Platz implementieren. 14
59 Blockade-Lemma Lemma 2: Sei E eine Menge von Labelkörpern. Falls gilt, dass jedes E 2E für jeden z-wert s nicht mehr als c paarweise unabhängige Labelkörper blockiert, dann liefert Algorithmus 1 eine (1/c)-Approximation. 15
60 Blockade-Lemma Lemma 2: Sei E eine Menge von Labelkörpern. Falls gilt, dass jedes E 2E für jeden z-wert s nicht mehr als c paarweise unabhängige Labelkörper blockiert, dann liefert Algorithmus 1 eine (1/c)-Approximation. Begri e: E 2E blockiert E 0 2E am Wert s in einer Lösung A, falls a E apple s apple A E und tr s (E) \ tr s (E 0 ) 6= ; die Spur tr s (E) eines Labelkörpers E 2E zum Wert s ist der Schnitt von E mit der Ebene (s) :z = s E,E 0 2E sind unabhängig am Wert s, fallstr s (E) \ tr s (E 0 )=; 15
61 Blockade-Lemma Lemma 2: Sei E eine Menge von Labelkörpern. Falls gilt, dass jedes E 2E für jeden z-wert s nicht mehr als c paarweise unabhängige Labelkörper blockiert, dann liefert Algorithmus 1 eine (1/c)-Approximation. Begri e: E 2E blockiert E 0 2E am Wert s in einer Lösung A, falls a E apple s apple A E und tr s (E) \ tr s (E 0 ) 6= ; die Spur tr s (E) eines Labelkörpers E 2E zum Wert s ist der Schnitt von E mit der Ebene (s) :z = s E,E 0 2E sind unabhängig am Wert s, fallstr s (E) \ tr s (E 0 )=; Was ist c für den Fall von quadratischen Einheitslabeln? Was ist c für den Fall einheitlich großer Rechtecke? 15
62 Approximation für Einheitslabel Satz 2: Für n achsenparallele Label gleicher Größe berechnet Algorithmus 1 eine 1/4-Approximation der optimalen aktiven Gesamthöhe. Der Algorithmus lässt sich in O((n + k) log 2 n) Zeit und O(n log n) Platz implementieren. k ist die Anzahl von Seitenflächen-Schnitten der Labelpyramiden 16
63 Approximation für Einheitslabel Satz 2: Für n achsenparallele Label gleicher Größe berechnet Algorithmus 1 eine 1/4-Approximation der optimalen aktiven Gesamthöhe. Der Algorithmus lässt sich in O((n + k) log 2 n) Zeit und O(n log n) Platz implementieren. k ist die Anzahl von Seitenflächen-Schnitten der Labelpyramiden Range Tree: geometrische Datenstruktur zur Beantwortung rechteckiger Bereichsanfragen für eine Punktmenge P der Größe n. Aufbau: O(n log n), Speicher:O(n log n), Query: O(k + log 2 n) k Punkte 16
64 Übungen 1) Betrachten Sie den Greedy Top-Down Sweep Algorithmus nun für kreisförmige Label einheitlicher Größe. Welchen Approximationsfaktor liefert das Blockadelemma? 17
65 Übungen 1) Betrachten Sie den Greedy Top-Down Sweep Algorithmus nun für kreisförmige Label einheitlicher Größe. Welchen Approximationsfaktor liefert das Blockadelemma? 2) In der Beschreibung des Greedy Top-Down Sweep Algorithmus haben wir die Labelkörper E lexikographisch nach (A E,S E ) sortiert betrachtet. Zeigen Sie, dass eine andere Reihenfolge zweier kongruenter, aber in z-richtung verschobener Labeltrapeze E, E 0 mit A E = A E 0 die Approximationsgarantie verschlechtern kann. 17
Beschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 04.06.2013 Was ist eine Landkarte? r e d o Dr. Martin No
MehrBeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie Teil 2 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 11.06.2013 Die Ära der dynamischen Karten Die meisten
MehrPunktbeschriftung in Dynamischen Karten
Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den
MehrPunktbeschriftung in Landkarten
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 07.05.2013 Klassische Kartenbeschriftung Poor, sloppy, amateurisch
MehrPunktbeschriftung in Landkarten
Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 21./26.05.2015 1 Wo sind wir gerade? Ebene Block Termine Themen Einführung
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.04.2014 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 20.05.2014 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher betrachteter Fall Eingabe:
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrProportional Symbol Maps
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 25.06.2015 1 Statistische Visualisierung
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y0 y x x0 Bisher
MehrBereichsabfragen II. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.07.2012 Objekttypen in Bereichsabfragen y0 y x x0 Bisher
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrÜbung Algorithmische Kartografie Übungsblatt 2 & 3
Übung Algorithmische Kartografie Übungsblatt 2 & 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 23.05.2013 Übungsblatt 2 Schematisierung
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei verschiedene Kartenebenen,
MehrVorlesung Algorithmische Geometrie Konvexe Hülle in R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle in R 3 INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 15.07.2014 1 Wdh: Konvexe Hülle in R 2 (VL1) Def: Eine Menge S R 2
MehrZusammenfassung. Benjamin Niedermann Vorlesung Algorithmische Kartografie
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 02.07.2015 1 Wiederholung Themen der
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 22.05.2012 Nachtrag: Dynamische Bereichsabfragen Letzte Woche: kd-trees und Range-Trees
MehrGruppenpräsentationen und Zusammenfassung
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 16.07.2013 1 Algorithmische Kartografie in der Praxis Projekt
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
MehrBereichsabfragen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.05.2011 Geometrie in Datenbanken In einer Personaldatenbank
MehrPolygontriangulierung
Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 05.05.2011 Ablauf Besprechung ÜB3 Korrektheitsbeweis
MehrSichtbarkeitsgraph. Andreas Gemsa Übung Algorithmische Geometrie
Übung Algorithmische Geometrie Sichtbarkeitsgraph LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 19.07.2012 Ablauf Nachtrag Sichtbarkeitsgraph WSPD
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2012 Das Kunstgalerie-Problem Aufgabe: Installiere ein Kamerasystem
MehrPolygontriangulierung
Vorlesung Algorithmische Geometrie Polygone triangulieren LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 26.04.2011 Das Kunstgalerie-Problem
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.06.2014 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen 2 Übung 1 Stefan Florian Palkovits, BSc 0926364 e0926364@student.tuwien.ac.at 12. Juni 2016 Aufgabe 1: Es existiert eine Reduktion von Problem A auf Problem B in O(n 3 +
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.04.2011 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Map Labeling INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrSchematisierung von Karten
Vorlesung Algorithmische Kartografie Schematisierung von (Straßen-)Karten LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 30.04.2013 Schematische
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 21.06.2011 Motivation: Meshing von Platinenlayouts Zur Simulation
MehrVereinfachung und Schematisierung von Polygonen
Vorlesung Algorithmische Kartografie Vereinfachung und Schematisierung von Polygonen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.04.2015 1 Übersicht
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.06.2014 1 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
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
MehrVereinfachung und Schematisierung von Polygonen
Vorlesung Algorithmische Kartografie Vereinfachung und Schematisierung von Polygonen INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.04.2015 1 Übersicht
MehrEinführung & Linienvereinfachung
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 16.04.2013 AlgoKarto-Team Dozent Martin No llenburg noellenburg@kit.edu
MehrVorlesung Algorithmische Kartografie
Übung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 18.07.2013 Wiederholung Themen der Vorlesung: Linienvereinfachung
MehrUberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 08.07.2014 1 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 17 (8.7.2014) Minimale Spannbäume II Union Find, Prioritätswarteschlangen Algorithmen und Komplexität Minimaler Spannbaum Gegeben: Zus. hängender,
MehrPunktlokalisierung. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.05.2011 Motivation Gegeben eine Position p = (p x, p y )
MehrQuad-trees. Benjamin Niedermann Übung Algorithmische Geometrie
Übung Algorithmische Geometrie Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 02.07.2014 Übersicht Übungsblatt 11 - Quadtrees Motivation:
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 10.07.2012 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
MehrProportional Symbol Maps
Proportional Symbol Maps Florian Simon 8. Dezember, 2009 Proportional Symbol Maps Gegeben: Punkte p 1,..., p n R 2 mit zugeordneten Werten w 1,..., w n R Proportional Symbol Maps Gegeben: Punkte p 1,...,
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 03.12.2013 Algorithmische Geometrie: Schnitte von Strecken Sweep-Line INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrSichtbarkeitsgraphen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.07.2011 Bewegungslanung für Roboter Ideen?? Problem: Gegeben
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.04.2012 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu
MehrKonvexe Hülle im R 3 + WSPD
Übung Algorithmische Geometrie Konvexe Hülle im R 3 + WSPD LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 12.07.2012 Ablauf Konvexe Hülle im R 3
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrKlausur. 18. Juli 2008, 10:15-12:15 Uhr. Name:... Matrikelnummer:... Anzahl beschriebener Blätter (ohne Aufgabenblatt):... D(p) : Y = p x X + p y
GRUNDZÜGE DER ALGORITHMISCHEN GEOMETRIE Klausur 18. Juli 2008, 10:15-12:15 Uhr Name:................................... Matrikelnummer:................................... Anzahl beschriebener Blätter (ohne
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 17.04.2012 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu
MehrPolygontriangulierung
Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 07.05.204 Ablauf Vergabe der Projekte Übungsblatt
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrKlausur Algorithmen und Datenstrukturen II 29. Juli 2013
Technische Universität Braunschweig Sommersemester 2013 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Stephan Friedrichs Klausur Algorithmen und Datenstrukturen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
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 16 Programm: Einführung
MehrFlächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Kartografie Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 09.07.2013 1 Flächenaggregation Flächennutzung
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Lerneinheit 3: Greedy Algorithmen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2016 10.5.2016 Einleitung Einleitung Diese Lerneinheit
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2018 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Organisatorisches: Keine Vorlesung nächste Woche wegen
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Teile-und-Herrsche-Algorithmen: Bäume und serienparallele Graphen 3. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) 2 Ankündigung
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
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
MehrInformatik II, SS 2016
Informatik II - SS 208 (Algorithmen & Datenstrukturen) Vorlesung 4 (..208) Graphenalgorithmen III Algorithmen und Komplexität Bäume Gegeben: Zusammenhängender, ungerichteter Graph G = V, E Baum: Zusammenhängender,
MehrVoronoi-Diagramme und Delaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Voronoi-Diagramme & Delaunay-Triangulierungen LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 07.06.2011 Erinnerung:
Mehr2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
MehrDynamic Label Placement in Practice
Disputation Dynamic Label Placement in Practice Beschriftungsplatzierung in interaktiven Karten in der Praxis Nadine Schwartges Lehrstuhl für Informatik I, Universität Würzburg 17.04.2015 Interaktive Karten
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:
MehrVorlesung Algorithmische Kartografie. Übungsblatt 9. Benjamin Niedermann
Übung Algorithmische Kartografie Übungsblatt 9 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 04.07.2013 Problemstellung Geg: politische Karte
MehrDualität + Quad-trees
Übung Algorithmische Geometrie Dualität + Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 30.06.2011 Übersicht Übungsblatt 10 - Dualität
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 14.04.2014 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu Raum 319 Sprechzeiten:
Mehr21. Greedy Algorithmen. Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3
581 21. Greedy Algorithmen Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3 Aktivitäten Auswahl 582 Koordination von Aktivitäten, die gemeinsame Resource exklusiv
MehrGeometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
MehrGeometrische Algorithmen Segmentschnitt
Folie 1 von 36 Geometrische Algorithmen Segmentschnitt Folie 2 von 36 Segmentschnitt Übersicht Zwei Segmente! Lage zweier Segmente! Prüfung auf Schnittfreiheit! Formeln zum Geradenschnitt! Feststellen
MehrDatenstrukturen und Algorithmen D-INFK
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik Peter Widmayer
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Teile & Herrsche-Algorithmen: Bäume und serien-parallele Graphen Vorlesung im Wintersemester 20/202..202 Algorithmen zum Zeichnen von Bäumen Anwendbarkeit Gut
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen Übung Stefan Florian Palkovits, BSc 09 e09@student.tuwien.ac.at 9. Juni 0 Aufgabe 9: Anwenden der Spanning Tree Heuristik auf symmetrisches TSP 9 8 7 8 8 7 Bilden eines
MehrEinführung & Konvexe Hülle
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 14.04.2014 AlgoGeom-Team Dozent Martin Nöllenburg noellenburg@kit.edu Raum 319 Sprechzeiten:
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
MehrGeometrische Algorithmen Segmentschnitt. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Segmentschnitt
Folie 1 von 37 Geometrische Algorithmen Segmentschnitt Folie 2 von 37 Segmentschnitt Übersicht Zwei Segmente Lage zweier Segmente Prüfung auf Schnittfreiheit Formeln zum Geradenschnitt Feststellen des
MehrGeometrische Algorithmen Punkt-in-Polygon-Suche. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Punkt-in-Polygon-Suche
Folie 1 von 51 Geometrische Algorithmen Punkt-in-Polygon-Suche Folie 2 von 51 Punkt-in-Polygon-Suche Übersicht Praxisbeispiel/Problemstellung Zählen von Schnittpunkten Schnitt einer Halbgerade mit der
MehrDelaunay-Triangulierungen
Vorlesung Algorithmische Geometrie Delaunay-Triangulierungen INSTITUT FU R THEORETISCHE INFORMATIK FAKULTA T FU R INFORMATIK Martin No llenburg 10.06.2014 Grafik c Rodrigo I. Silveira 1 Dr. Martin No llenburg
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Geometrie II Benjamin Zenke Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Inhalt Closest Pair Divide & Conquer Bereichssuche Gitterverfahren k-d-tree Sweep-Line-Algorithmen
MehrPunkt-in-Polygon-Suche Übersicht
Folie 1 von 43 Punkt-in-Polygon-Suche Übersicht! Praxisbeispiel/Problemstellung! Zählen von Schnittpunkten " Schnitt einer Halbgerade mit der Masche " Aufwandsbetrachtung! Streifenkarte " Vorgehen und
MehrGreedy Algorithms - Gierige Algorithmen
Greedy Algorithms - Gierige Algorithmen Marius Burfey 23. Juni 2009 Inhaltsverzeichnis 1 Greedy Algorithms 1 2 Interval Scheduling - Ablaufplanung 2 2.1 Problembeschreibung....................... 2 2.2
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
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
MehrKap. 6.5: Minimale Spannbäume ff
Kap. 6.: Minimale Spannbäume ff Professor Dr. Karsten Klein Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 20. VO 2. TEIL DAP2 SS 2009 2. Juli 2009 SS08 1 Überblick 6.:
Mehr