Personalisierte Routenplanung
|
|
- Sofia Koenig
- vor 5 Jahren
- Abrufe
Transkript
1 Personalisierte Routenplanung Vorlesung Routenplanung, KIT, 2016 Sabine Storandt, JMU Würzburg
2 Motivation Viele Kriterien definieren die optimale Route von A nach B. Distanz Reisezeit Benzinverbrauch Staugefahr Szenerie Energieverbrauch Mautkosten 37min, e min, e min, e 3.81
3 Motivation Viele Kriterien definieren die optimale Route von A nach B. Distanz Reisezeit Benzinverbrauch Staugefahr Szenerie Energieverbrauch Mautkosten Gewichtung für jeden Fahrer anders... Teilweise fahrzeugabhängig. 37min, e min, e min, e 3.81
4 Problemdefinition
5 Problemdefinition Gegeben G(V, E) Straßennetzwerk c : E R d d-dimensionaler Kostenvektor pro Kante (12, 0.5, 488) (1, 40, 100)
6 Problemdefinition Gegeben G(V, E) Straßennetzwerk c : E R d d-dimensionaler Kostenvektor pro Kante (12, 0.5, 488) s t Anfrage s, t V (1, 10, 0.25) (1, 40, 100) α R d Gewichtsvektor
7 Problemdefinition Gegeben G(V, E) Straßennetzwerk c : E R d d-dimensionaler Kostenvektor pro Kante = 139 (12, 0.5, 488) s t Anfrage s, t V α R d Gewichtsvektor (1, 10, 0.25) Ziel: Finde Pfad p von s nach t mit min e p α T c = 426 (1, 40, 100)
8 Problemdefinition Gegeben G(V, E) Straßennetzwerk c : E R d d-dimensionaler Kostenvektor pro Kante = 139 (12, 0.5, 488) s t Anfrage s, t V α R d Gewichtsvektor (1, 10, 0.25) Ziel: Finde Pfad p von s nach t mit min e p α T c = 426 (1, 40, 100) Problem 1: Wie findet man personalisierte optimale Routen effizient? Problem 2: Kann man α aus Nutzerdaten extrahieren?
9 Bisherige Ansätze
10 Bisherige Ansätze Alternativrouten Wähle unter den Alternativen die beste gemäß α.
11 Bisherige Ansätze Alternativrouten Wähle unter den Alternativen die beste gemäß α. Optimale α-route evtl. deutlich billiger...
12 Bisherige Ansätze Alternativrouten Wähle unter den Alternativen die beste gemäß α. Optimale α-route evtl. deutlich billiger... Dijkstra (3,2,4) 2.75 (2,1,3) s (1,7,12) (20,0,0) t (5,6,1) Berechne Kantenkosten bei Relaxierung. O(n log n + dm) α = (0.5, 1, 0.25)
13 Bisherige Ansätze Alternativrouten Wähle unter den Alternativen die beste gemäß α. Optimale α-route evtl. deutlich billiger... Dijkstra (3,2,4) 2.75 (2,1,3) s (1,7,12) α = (0.5, 1, 0.25) (20,0,0) t (5,6,1) Berechne Kantenkosten bei Relaxierung. O(n log n + dm) > 7 Sekunden
14 Bisherige Ansätze Multikriterielle Routenplanung/CSP Methoden für personalisierte Routenplanung einsetzbar. NP-hart, große Pareto-Mengen, auch in der Praxis, Overkill. dominiert Pareto-optimal α-optimal c 1 c 2 d = 2 λ = α 1 α 1 + α 2 λc 1 + (1 λ)c 2 untere konvexe Hülle 0 1 λ
15 Bisherige Ansätze Multikriterielle Routenplanung/CSP Methoden für personalisierte Routenplanung einsetzbar. NP-hart, große Pareto-Mengen, auch in der Praxis, Overkill. dominiert Pareto-optimal α-optimal c 1 c 2 d = 2 Pareto-optimale Pfade Obermenge der α-optimalen Pfade. untere konvexe Hülle λ = α 1 α 1 + α 2 λc 1 + (1 λ)c λ
16 Bisherige Ansätze Customization (z.b. CRP, CCH) 3 Phasen: 1. Konstruiere metrik-unabhängigen Overlay Graph. (preprocessing) 2. Überziehe Overlay mit Metrik. (customization) 3. Beantworte Queries im Overlay Graph. (queries) Zeit min sec ms
17 Bisherige Ansätze Customization (z.b. CRP, CCH) 3 Phasen: 1. Konstruiere metrik-unabhängigen Overlay Graph. (preprocessing) 2. Überziehe Overlay mit Metrik. (customization) 3. Beantworte Queries im Overlay Graph. (queries) Zeit min sec ms
18 Bisherige Ansätze Customization (z.b. CRP, CCH) 3 Phasen: Zeit 1. Konstruiere metrik-unabhängigen Overlay Graph. (preprocessing) min 2. Überziehe Overlay mit Metrik. (customization) sec 3. Beantworte Queries im Overlay Graph. (queries) ms pro Anfrage/Query Kann für personalisierte Routenplanung instrumentalisiert werden. Personalisiert den Overlay Graph
19 Bisherige Ansätze Customization (z.b. CRP, CCH) 3 Phasen: Zeit 1. Konstruiere metrik-unabhängigen Overlay Graph. (preprocessing) min 2. Überziehe Overlay mit Metrik. (customization) sec 3. Beantworte Queries im Overlay Graph. (queries) ms pro Anfrage/Query Kann für personalisierte Routenplanung instrumentalisiert werden. Personalisiert den Overlay Graph. Anfragezeiten unparallelisiert kaum schneller als mit Dijkstra (superlinear)
20 Effiziente Personalisierung
21 Effiziente Personalisierung Ansatz 1 Problem: Personalisierte CH-Konstruktion. Welche Shortcuts müssen gesetzt werden? (2,5) (3,7)?
22 Effiziente Personalisierung Ansatz 1 Problem: Personalisierte CH-Konstruktion. Welche Shortcuts müssen gesetzt werden? (2,5) (3,7)? Ansatz 2 Von Customizable zu Personalizable 1. Konstruiere metrik-unabhängigen Overlay Graph. 2. Überziehe Overlay Graph mit Kostenvektoren. 3. Beantworte personalisierte Anfragen. Problem: Wie prunt man Kostenvektormengen? (2,7) (1,5) (8,1) (5,3) (8,0) (2,2) (8,15) (10,2) (9,6)
23 Effiziente Personalisierung Ansatz 1 Problem: Personalisierte CH-Konstruktion. Welche Shortcuts müssen gesetzt werden? (2,5) (3,7)? California 11M nodes, 23M edges Metriken Reisezeit + Benzinkosten Dijkstra 2097ms CH-Dijkstra 2ms speed-up >1000 Ansatz 2 Von Customizable zu Personalizable 1. Konstruiere metrik-unabhängigen Overlay Graph. 2. Überziehe Overlay Graph mit Kostenvektoren. 3. Beantworte personalisierte Anfragen. Problem: Wie prunt man Kostenvektormengen? (1,5) (2,7) (8,1) (8,0) (2,2) (5,3) Germany 22M nodes, 44M edges d # polls # vectors time speed-up ms ms ms ms ms ms 20 (8,15) (10,2) (9,6)
24 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden.
25 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. (2,3) (4,1) (6,4)?
26 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. c 2 c 1 λ
27 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
28 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
29 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
30 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
31 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
32 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
33 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 λ
34 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 c : E N M = max e E c(e) Zwei Eckpunkte der UKH haben Mindestabstand Ω(1/(nM) 2 ). λ
35 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. α-optimal = Teil der unteren konvexen Hülle (UKH) UKH kann exponentiell groß sein. Check ob Pfad optimal für bestimmtes α = Dijkstra Lauf in G α c 2 c 1 c : E N M = max e E c(e) Zwei Eckpunkte der UKH haben Mindestabstand Ω(1/(nM) 2 ). λ Intervall wird in jeder Runde halbiert. Laufzeit O(log(nM)(n log n + m))
36 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. Generalisierbar für d > 2.
37 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. Generalisierbar für d > 2. Kosten c 1,, c d UKH d 1 i=1 λ ic i + (1 d 1 i=1 λ i)c d λ i [0, 1], d i=1 λ i = 1 Linien Hyperebenen c 1 c 2 c 3 c 1 c λ λ λ 2 1
38 Personalisierte CH Alle α-optimalen Pfade müssen erhalten werden. Generalisierbar für d > 2. Erzeugt minimale CH für gegebene Kontraktionsreihenfolge. Ermöglicht theoretische Laufzeitschranken. Gute Kontraktionsreihenfolge? Vorberechnung teuer, da mehrere Dijkstra Läufe notwendig sind für jede Shortcut-Entscheidung. CAL, d=2 18 min Speed-Up geringer für höheres d. d = 2 : 1000, d = 3 : 200
39 Von Customizable zu Personalizable
40 Von Customizable zu Personalizable Idee konstruiere metrik-unabhängigen Overlay Graph, Customization mit Vektoren statt skalaren Kosten (13, 13) (10, 17) (7, 23) (9,1) (6,5) (3,11) (12, 14) (9,18) (6, 24) (4,12) (3,13) (4,2) (2,3) (9,1) (0,0) (2,6) (1,5) (3,7) (2,2) (1,5) (1,11)
41 Von Customizable zu Personalizable Idee konstruiere metrik-unabhängigen Overlay Graph, Customization mit Vektoren statt skalaren Kosten (13, 13) (10, 17) (7, 23) Große Kostenvektormengen pro Shortcut! (9,1) (6,5) (3,11) (12, 14) (9,18) (6, 24) (4,12) (3,13) (4,2) (2,3) (9,1) (0,0) (2,6) (1,5) (3,7) (2,2) (1,5) (1,11)
42 Von Customizable zu Personalizable Viele Vektoren überflüssig für korrekte Queries... b b a (1,2) (3,4) (2,1) v (10,0) u (6,6) w (5,9) c a (1,2) (16,6) (2,1) u (11,15) (3,4) v (15,9) c a (1,2) (19,20) (5,5) u b (18,13) a (20,22) (6,7) b (18,13) (16,20) (22,15) (36,20) (30,35) (36,30) (40,35) (11,15) (17,10) (31,15) c (12,17) (18,12) (32,17) c
43 Von Customizable zu Personalizable (2,4) (3,6) Lösche dominierte Vektoren ein Vektor v R d dominiert einen anderen Vektor w R d wenn v i w i i = 1,..., d und v i < w i für mindest ein i {1,..., d}. Naiver Ansatz vergleiche alle Paare von Vektoren O(d S 2 ) Beschleunigung wähle d Kandidaten (z.b. den kostenminimalen pro Dimension) überprüfe für alle anderen Vektoren ob diese dominiert werden runtime O(d 2 S )
44 Von Customizable zu Personalizable (2,4) (5,3) (6,2) Löschen aufgespannter Vektoren Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert.
45 Von Customizable zu Personalizable Löschen aufgespannter Vektoren (2,4) (5,3) (6,2) 4 3 Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert. Annahme: α : α T v = z minimal und eindeutig w 1,, w d Vektoren die v aufspannen mit v < v
46 Von Customizable zu Personalizable Löschen aufgespannter Vektoren (2,4) (5,3) (6,2) 4 3 Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert. Annahme: α : α T v = z minimal und eindeutig w 1,, w d Vektoren die v aufspannen mit v < v γi w i = v < v mit γ i = 1 und γ i 0 α T γ i w i = α T v < α T v = z
47 Von Customizable zu Personalizable Löschen aufgespannter Vektoren (2,4) (5,3) (6,2) 4 3 Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert. Annahme: α : α T v = z minimal und eindeutig w 1,, w d Vektoren die v aufspannen mit v < v γi w i = v < v mit γ i = 1 und γ i 0 α T γ i w i = α T v < α T v = z γ i α T w i < z α T v minimal und eindeutig α T w i > z γ i α T w i > γ i z = z
48 Von Customizable zu Personalizable Löschen aufgespannter Vektoren (2,4) (5,3) (6,2) 4 3 Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert. Annahme: α : α T v = z minimal und eindeutig w 1,, w d Vektoren die v aufspannen mit v < v γi w i = v < v mit γ i = 1 und γ i 0 α T γ i w i = α T v < α T v = z γ i α T w i < z α T v minimal und eindeutig α T w i > z γ i α T w i > γ i z = z Widerspruch!
49 Von Customizable zu Personalizable (2,4) (5,3) (6,2) Löschen aufgespannter Vektoren Lemma Ein Vektor v R d kann gelöscht werden wenn eine Konvexkombination von höchstens d anderen Vektoren v dominiert. Pruning Orakel Überprüfung auf Existenz einer solchen Konvexkombination mit folgendem Gleichungssystem: γ 1 w 11 + γ 2 w γ d w d1 v 1 γ 1 w 12 + γ 2 w γ d w d2 v 2 γ 1 w 1d + γ 2 w 2d + + γ d w dd v d γ 1 + γ γ d = 1 γ i 0 Theoretisch b = ( S d ) viele Basen möglich. Wähle vielversprechende Kandidaten.
50 Von Customizable zu Personalizable Dreiecks-Pruning w (4,3) v (5,2) (1,7) (8,8) (9,6) u
51 Von Customizable zu Personalizable Experimentelle Pruning Ergebnisse
52 Von Customizable zu Personalizable Experimentelle Pruning Ergebnisse Bis d = 64 Anfragezeiten unter einer Sekunde.
53 Automatische α-deduktion
54 Automatische α-deduktion Problem α manuell zu spezifizieren ist aufwändig und nicht trivial 0.3 Reisezeit, 0.4 Benzinkosten, 0.3 Staugefahr? 0.2 Reisezeit, 0.5 Benzinkosten, 0.3 Staugefahr? 0.2 Reisezeit, 0.2 Benzinkosten, 0.6 Staugefahr?
55 Automatische α-deduktion Problem α manuell zu spezifizieren ist aufwändig und nicht trivial 0.3 Reisezeit, 0.4 Benzinkosten, 0.3 Staugefahr? 0.2 Reisezeit, 0.5 Benzinkosten, 0.3 Staugefahr? 0.2 Reisezeit, 0.2 Benzinkosten, 0.6 Staugefahr? Idee automatische α-berechnung aus bisherigen Routen eines Nutzers
56 Automatische α-deduktion Eine Menge von Pfaden ist zulässig, wenn es ein α gibt, sodass alle diese Pfade optimal sind für dieses α. O.B.d.A. α i [0, 1], i α i = 1 Wie findet man α für eine gegebene Menge P zulässiger Pfade?
57 Automatische α-deduktion Eine Menge von Pfaden ist zulässig, wenn es ein α gibt, sodass alle diese Pfade optimal sind für dieses α. O.B.d.A. α i [0, 1], i α i = 1 Wie findet man α für eine gegebene Menge P zulässiger Pfade? LP-Formulierung α α d = 1 α 1 0 α d 0
58 Automatische α-deduktion Eine Menge von Pfaden ist zulässig, wenn es ein α gibt, sodass alle diese Pfade optimal sind für dieses α. O.B.d.A. α i [0, 1], i α i = 1 Wie findet man α für eine gegebene Menge P zulässiger Pfade? LP-Formulierung α α d = 1 α 1 0 α d 0 p(s, t) P : für alle alternativen s t Pfade p : α T c(p) α T c(p ) 0 alle Alternativpfade müssen teurer sein als p für α
59 Automatische α-deduktion Eine Menge von Pfaden ist zulässig, wenn es ein α gibt, sodass alle diese Pfade optimal sind für dieses α. O.B.d.A. α i [0, 1], i α i = 1 Wie findet man α für eine gegebene Menge P zulässiger Pfade? LP-Formulierung α α d = 1 α 1 0 α d 0 p(s, t) P : für alle alternativen s t Pfade p : α T c(p) α T c(p ) 0 alle Alternativpfade müssen teurer sein als p für α Problem potenziell exponentiell viele Alternativpfade
60 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu.
61 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu. (10,12) 1 α 2 (8,3) (0.5,0.5) (12,5) 0 1 α 1
62 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu. (10,12) 1 α 2 (8,3) (0.5,0.5) (12,5) 0 1 α (10,12) 1 α 2 (0,1) 6α 1 2α (8,3) (5,5) 8.5 (12,5) 6.5 (6,7) 3α 1 2α α 1
63 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu (10,12) 1 (0,1) (8,3) (5,5) 8.5 (12,5) 6.5 (6,7) α α 1
64 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu (10,12) 1 (0,1) (8,3) (5,5) 8.5 (12,5) 6.5 (6,7) 0 1 α (10,12) (28,9) α 2 α α 1 3α (8,3) (0.25,0.75) 5 (12,5) 0 1 α 1
65 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu (10,12) (28,9) 1 α 2 3 (8,3) (0.25,0.75) 5 (12,5) 0 1 α 1
66 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu (10,12) (28,9) 1 α 2 3 (8,3) (0.25,0.75) 5 (12,5) 11.5 (10,12) 0 1 α (8,3) 6.75 (12,5)
67 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu. Polyzeitalgorithmus via Ellipsoidmethode.
68 Automatische α-deduktion Abhilfe Füge Constraints nach Bedarf hinzu. Polyzeitalgorithmus via Ellipsoidmethode. Beschleunigung in der Praxis: CCH mit Customization pro while-durchlauf (innerhalb der Schleife α für alle Queries gleich)
69 Automatische α-deduktion Resultate Stadt Bundesland Deutschland Zeit Runden α com Zeit Runden α com Zeit Runden α com P (s) A N (s) A N (s) A N d = 10 A N misst wie stark sich Pfade unterscheiden, die mit dem echten Nutzer-α und dem von uns berechneten α generiert wurden.
70 Zusammenfassung Beschleunigungstechniken in abgewandelter Form für personalisierte Queries anwendbar. Personalisierte CH. Notwendigkeit eines Shortcuts entscheidbar in Polyzeit. Customizable Personalizable. Schnelles Prunen von hochdimensionalen Vektormengen.
71 Zusammenfassung Beschleunigungstechniken in abgewandelter Form für personalisierte Queries anwendbar. Personalisierte CH. Notwendigkeit eines Shortcuts entscheidbar in Polyzeit. Customizable Personalizable. Schnelles Prunen von hochdimensionalen Vektormengen. Nutzerpräferenzen können automatisch aus Pfaddaten ermittelt werden. LP-Formulierung Ellipsoid-Methode + effizientes Dijkstra-Orakel für Constraints basierend auf CCH
72 Literatur Daniel Delling, Andrew V. Goldberg, Moiss Goldszmidt, John Krumm, Kunal Talwar, Renato F. Werneck: Navigation made personal: inferring driving preferences from GPS traces. SIGSPATIAL/GIS 2015: 31:1-31:9 Julian Dibbelt, Ben Strasser, Dorothea Wagner: Fast exact shortest path and distance queries on road networks with parametrized costs. SIGSPATIAL/GIS 2015: 66:1-66:4 Stefan Funke, Sabine Storandt: Personalized route planning in road networks. SIGSPATIAL/GIS 2015: 45:1-45:10 Stefan Funke, Sabine Storandt: Polynomial-time construction of contraction hierarchies for multi-criteria objectives. ALENEX 2013: Robert Geisberger, Moritz Kobitzsch, Peter Sanders: Route Planning with Flexible Objective Functions. ALENEX 2010:
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 26. Mai 2014
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 26. Mai 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrAlgorithmen für Routenplanung 11. Sitzung, Sommersemester 2013 Julian Dibbelt 10. Juni 2013
Algorithmen für Routenplanung 11. Sitzung, Sommersemester 2013 Julian Dibbelt 10. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2012 Daniel Delling 13. Juni 2012
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2012 Daniel Delling 13. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung Vorlesung 11
Algorithmen für Routenplanung Vorlesung 11 Daniel Delling 1/ 35 Letztes Mal: Zeitabhängige Netzwerke Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar berechne
MehrAlgorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010
Algorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2011 Reinhard Bauer, Thomas Pajor 6. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des
MehrAlgorithmen für Routenplanung 9. Sitzung, Sommersemester 2015 Moritz Kobitzsch 20. Mai 2015
Algorithmen für Routenplanung 9. Sitzung, Sommersemester 2015 Moritz Kobitzsch (kobitzsch@kit.edu) 20. Mai 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. PETER SANDERS KIT Universität
MehrAlgorithmen für Routenplanung 6. Vorlesung, Sommersemester 2010 Daniel Delling 17. Mai 2010
Algorithmen für Routenplanung 6. Vorlesung, Sommersemester 2010 Daniel Delling 17. Mai 2010 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrAlgorithmen für Routenplanung 7. Vorlesung, Sommersemester 2012 Daniel Delling 16. Mai 2012
Algorithmen für Routenplanung 7. Vorlesung, Sommersemester 01 Daniel Delling MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrPraktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19.
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2015/2016 Moritz Baum, Ben Strasser, Tobias Zündorf 19. Oktober 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF.
MehrAlgorithmen für Routenplanung
Algorithmen für Routenplanung 6. Vorlesung, Sommersemester 00 Reinhard Bauer 09. Mai 0 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrUntersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem Routing
Untersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem David Georg Reichelt davidgeorg_reichelt@yahoo.de 22. September 2012 25.09.2012 David Georg Reichelt,
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2010 Thomas Pajor 26. April 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015
Algorithmen für Routenplanung 18. Sitzung, Sommersemester 2015 Moritz Baum 13. Juli 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 2
Algorithmen für Routenplanung Vorlesung 2 Daniel Delling 1/ 50 2. Beschleunigungstechniken 2/ 50 Letztes Mal breche Suche ab, sobald Ziel abgearbeitet worden ist vermeide Initialisierung durch Counter
MehrAlgorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017
Algorithmen für Routenplanung 13. Vorlesung, Sommersemester 2017 Tobias Zündorf 26. Juni 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 12
Algorithmen für Routenplanung Vorlesung 12 Daniel Delling 1/ 33 Letztes Mal: Multikriterielle Wege Szenario: schnellste Verbindung häufig nicht die Beste Anzahl Umstiege, Fahrtkosten, Distanz, etc. multikriterielle
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2013/2014 Moritz Baum, Julian Dibbelt, Ben Strasser 21. Oktober 2013
Praktikum Routenplanung Vorbesprechung, Wintersemester 013/014 Moritz Baum, Julian Dibbelt, Ben Strasser 1. Oktober 013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 6
Algorithmen für Routenplanung Vorlesung 6 Daniel Delling 1/ 36 Letztes Mal Highway Hierarchies Highway-Node Routing Contraction Hierarchies s t 2/ 36 Zusammenfassung letztes Mal Highway Hierarchies Highway-Node
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2014/2015 Moritz Baum, Julian Dibbelt, Ben Strasser 22. Oktober 2014
Praktikum Routenplanung Vorbesprechung, Wintersemester 014/015 Moritz Baum, Julian Dibbelt, Ben Strasser. Oktober 014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität
MehrPraktikum Routenplanung
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2018/2019 Valentin Buchhold, Jonas Sauer, Tim Zeitz, Tobias Zündorf 21. November 2018 INSTITUT FÜR THEORETISCHE INFORMATIK
MehrAlgorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013
Algorithmen für Routenplanung 13. Sitzung, Sommersemester 2013 Julian Dibbelt 19. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung Vorlesung 7
Algorithmen für Routenplanung Vorlesung 7 Daniel Delling 1/ 47 Letztes Mal T Many-to-Many Transit-Node Routing S access node s t distances between transit nodes access node 2/ 47 Transit-Node Routing ersetzt
MehrAlgorithmen für Routenplanung 9. Sitzung, Sommersemester 2010 Thomas Pajor 7. Juni 2010
Algorithmen für Routenplanung 9. Sitzung, Sommersemester 2010 Thomas Pajor 7. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
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!
MehrPraktikum Routenplanung
Praktikum Routenplanung Themenvorstellung & Gruppeneinteilung, Wintersemester 2017/2018 Moritz Baum, Valentin Buchhold, Tim Zeitz, Tobias Zündorf 22. November 2017 INSTITUT FÜR THEORETISCHE INFORMATIK
MehrAlgorithmen für Routenplanung 15. Vorlesung, Sommersemester 2017 Tobias Zündorf 5. Juli 2017
Algorithmen für Routenplanung 5. Vorlesung, Sommersemester 7 Tobias Zündorf 5. Juli 7 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrMap Matching. Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf.
Map Matching Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf. Ergebnis mit minimaler Fréchet-Distanz Annahme: Fahrer wählen bevorzugt kürzeste Wege im Straßennetz.
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
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
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2010 Thomas Pajor 28. Juni 2010
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2010 Thomas Paor 28. Juni 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT University of the State of Baden-Wuerttemberg
MehrRoute Planning in Road Networks
D. Schultes: Route Planning in Road Networks 1 Route Planning in Road Networks Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) http://algo2.iti.uka.de/schultes/hwy/
MehrAlgorithmen für Routenplanung Vorlesung 10
Algorithmen für Routenplanung Vorlesung 10 Daniel Delling 1/ 42 Letztes Mal: Zeitabhängige Netzwerke (Basics) Szenario: Historische Daten für Verkehrssituation verfügbar Verkehrssituation vorhersagbar
MehrAlgorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013
Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2013 Julian Dibbelt 17. Juni 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2013 Julian Dibbelt 22. Mai 2013 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012
Algorithmen für Routenplanung 19. und letzte Sitzung, Sommersemester 2012 Thomas Pajor 16. Juli 2012 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Tag der Informatik, 15. Juli
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme
10 Matching-Probleme 10.1 Definition von Matching-Probleme Definition 21 [2-dimensionales Matching] Sei G = (V, E) ein ungerichteter Graph und E E. E ist ein Matching, wenn für alle Kantenpaare e 1, e
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 H.
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
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2012 Daniel Delling 6. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
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
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 45 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Distanzen zwischen allen Knotenpaaren (APD)! Viele Anwendungen:! Navis! Netzwerkrouting!...
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
MehrAlgorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012
Algorithmen für Routenplanung 15. Vorlesung, Sommersemester 2012 Daniel Delling 20. Juni 2012 MICROSOFT RESEARCH SILICON VALLEY KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
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
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
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
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 8. Vorlesung: 10. Dezember 2012 Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar eingebetteter Graph G = V, E Die
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2016 Tobias Zündorf 25. April 2016
Algorithmen für Routenplanung. Vorlesung, Sommersemester 016 Tobias Zündorf 5. April 016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrÜbung 2 Algorithmen II
Yaroslav Akhremtsev, Demian Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folien von Michael Axtmann (teilweise) http://algo2.iti.kit.edu/algorithmenii_ws17.php - 0 Akhremtsev, Hespe: KIT Universität
MehrAlgorithmen für Routenplanung 11. Sitzung, Sommersemester 2015 Julian Dibbelt 01. Juni 2015
Algorithmen für Routenplanung 11. Sitzung, Sommersemester 2015 Julian Dibbelt 01. Juni 2015 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrSeminar Algorithmen für planare Graphen
Seminar Algorithmen für planare Graphen Reinhard Bauer, Marcus Krug, Ignaz Rutter, Dorothea Wagner Universität Karlsruhe (TH) Institut für Theoretische Informatik Lehrstuhl Algorithmik I 24. Oktober 2008
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrViertes Übungsblatt - Musterlösung
Universität Karlsruhe Algorithmen für Routenplanung Fakultät für Informatik Sommersemester 2009 ITI Wagner Daniel Delling, Thomas Pajor Viertes Übungsblatt - Musterlösung Aufgabe 1: SHARC-Routing Gegeben
MehrAlgorithmen für Routenplanung Vorlesung 4
Algorithmen für Routenplanung Vorlesung 4 Daniel Delling 1/ 39 Letztes Mal (u,v) Geometrische Container Arc-Flags u 2/ 39 Themen Heute + nächste 1-2 Hierarchische Techniken s t 3/ 39 Ideensammlung Wie
MehrGenauer Hochleistungs-Routenplaner
Sanders/Schultes: Routenplanung 1 Genauer Hochleistungs-Routenplaner Prof. Dr. Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe (TH) Heidelberger
MehrBegriffsklärung: Dominanz
Einführung Begriffsklärung: Dominanz Gegeben: d-dimensionaler Raum, jeder Punkt p im Raum hat d Attribute: (p 1,,p d ) Definition Dominanz: 1 i d : p i p i und 1 i d : p i < p i Begriffsklärung: Dominanz
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
MehrAlgorithmische Graphentheorie
1 Algorithmische Graphentheorie Sommersemester 2014 5. Vorlesung Matchings / Paarungen II Kombinatorischer Algorithmus, Anwendung für Handlungsreisende, LP-Runden Dr. Joachim Spoerhase Prof. Dr. Alexander
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
MehrPraktikum Routenplanung Vorbesprechung, Wintersemester 2012/2013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17.
Praktikum Routenplanung Vorbesprechung, Wintersemester 01/013 Moritz Baum, Julian Dibbelt, Thomas Pajor, Ben Strasser 17. Oktober 01 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA
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.
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
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrDer Eulersche Polyedersatz in beliebiger Dimension
Der Eulersche Polyedersatz in beliebiger Dimension Rolf Stefan Wilke 17. Juli 2007 Definition. Sei P R d ein Polytop der Dimension d. Es bezeichne f k (P ) die Anzahl der k-dimensionalen Seitenflächen.
MehrAlgorithmen für Routenplanung 14. Sitzung, Sommersemester 2011 Thomas Pajor 16. Juni 2011
Algorithmen für Routenplanung 14. Sitzung, Sommersemester 2011 Thomas Pajor 16. Juni 2011 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
MehrAlgorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016
Algorithmen für Routenplanung 11. Vorlesung, Sommersemester 2016 Ben Strasser 30. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014
Algorithmische Herausforderungen bei der multimodalen Routenplanung Heureka 14 Prof. Dorothea Wagner 3. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK LEHRSTUHL ALGORITHMIK KIT Universität des Landes
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
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
MehrAlgorithmen für Routenplanung 3. Sitzung, Sommersemester 2010 Thomas Pajor 30. April 2010
Algorithmen für Routenplanung 3. Sitzung, Sommersemester 20 Thomas Pajor 30. April 20 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrBeschleunigte Berechnung von ressourcenbeschränkten kürzesten Wegen
Institut für Formale Methoden der Informatik Abteilung Algorithmik Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Bachelorarbeit Nr. 19 Beschleunigte Berechnung von ressourcenbeschränkten
MehrAlgorithmen für Routenplanung 4. Vorlesung, Sommersemester 2018 Tim Zeitz 30. April 2018
Algorithmen für Routenplanung 4. Vorlesung, Sommersemester 2018 Tim Zeitz 30. April 2018 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrAlgorithmen für Routenplanung 4. Vorlesung, Sommersemester 2017 Moritz Baum 15. Mai 2017
Algorithmen für Routenplanung 4. Vorlesung, Sommersemester 2017 Moritz Baum 15. Mai 2017 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrAlgorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014
Algorithmen für Routenplanung 2. Vorlesung, Sommersemester 2014 Andreas Gemsa 20. April 2014 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
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
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
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 1)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 1) Nico Düvelmeyer WS 2009/2010, 26.1.2010 Überblick 1 Motivation Interpolation von Höhendaten 2 Triangulierungen von ebenen Punktmengen 3 Delaunay
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
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 )
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
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
Mehr