Algorithmische Methoden für schwere Optimierungsprobleme
|
|
- Alexandra Walter
- vor 5 Jahren
- Abrufe
Transkript
1 Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische Informatik nationales Algorithmische Forschungszentrum Methoden in der Helmholtz-Gemeinschaft für schwere Optimierungsprobleme
2 Wiederholung Packungsprobleme sind allgegenwärtig in Industrie, Handel, Logistik, etc. Wir können nun unser Sägeproblem mit Hilfe von BIN-PACKING lösen 2 Henning Meyerhenke, Institut für Theoretische Informatik
3 Wiederholung Packungsprobleme sind allgegenwärtig in Industrie, Handel, Logistik, etc. Wir können nun unser Sägeproblem mit Hilfe von BIN-PACKING lösen BIN-PACKING ist streng N P-vollständig Mehrere Greedy-Heuristiken garantieren bereits relative Güte 2 Es gibt bessere Approximationsalgorithmen und sogar ein (strenges) asymptotisches Approximationsschema 2 Henning Meyerhenke, Institut für Theoretische Informatik
4 Vorlesung 2 Programm des Tages: mit Bergsteigeralgorithmus Online- 3 Henning Meyerhenke, Institut für Theoretische Informatik
5 Inhalt Metaheuristik Online- 4 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
6 Metaheuristiken Heuristiken: Optimierung mit intuitiven, problemspezifischen Methoden Stochastische Optimierung: Klasse von zufallsbasierten Algorithmen und Methoden zur bestmöglichen Lösung von schweren Problemen 5 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
7 Metaheuristiken Heuristiken: Optimierung mit intuitiven, problemspezifischen Methoden Stochastische Optimierung: Klasse von zufallsbasierten Algorithmen und Methoden zur bestmöglichen Lösung von schweren Problemen Beschreibung Metaheuristik Metaheuristiken (MH): Teilgebiet der stochastischen Optimierung MH bilden die allgemeinste Art der o.g. Algorithmen MH können meist auf eine ganze Reihe von Problemen angewandt werden Anzuwenden, wenn wenig über Struktur des Problems bekannt ist 5 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
8 Unsere erste Metaheuristik Bergsteigeralgorithmus (hill climbing algorithm) [ 6 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
9 Bergsteigeralgorithmen 1. Startlösung gegeben (zum Bsp. zufällig) 2. Betrachte beste (oder eine verbessernde ) Lösung L aus der Nachbarschaft 3. Wenn Verbesserung möglich, dann setze L als neue Lösung fest und gehe zu Schritt 2 7 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
10 Bergsteigeralgorithmen 1. Startlösung gegeben (zum Bsp. zufällig) 2. Betrachte beste (oder eine verbessernde ) Lösung L aus der Nachbarschaft 3. Wenn Verbesserung möglich, dann setze L als neue Lösung fest und gehe zu Schritt 2 NB: Nachbarschaft bezieht sich auf Lösungsraum [ 7 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
11 Bergsteigeralgorithmen Diskussion Diskussion Vorteile? Nachteile? 8 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
12 Bergsteigeralgorithmen Diskussion Diskussion Vorteile? Nachteile? Hauptvorteil Einfach zu entwerfen und implementieren Hauptnachteil Bleibt in lokalen Optima hängen, die sehr schlecht sein können 8 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
13 Ein Bergsteigerverfahren für Gruppierungsprobleme Literaturverweis Rhyd Lewis: A general-purpose hill-climbing method for order independent minimum grouping problems: A case study in graph colouring and bin packing. Computers & Operations Research, Volume 36, Issue 7, July 2009, Pages ist ein Gruppierungsproblem, bei dem die Reihenfolge der Behälter egal ist Trotz Metaheuristik: Wissen über Problemstruktur selbst bei allgemeiner Problemstellung hilfreich 9 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
14 Struktur einer Lösung Welchen Einfluss spielen verschiedene Permutationen? Theorem B: Zulässige Lösung für eine -Instanz B : Ergebnis von FIRSTFIT bei folgender Reihenfolge der Eingabe: Alle Behälter B j für j = 1,..., k nacheinander betrachten und dabei alle Elemente a B j hintereinander Dann: B B Beweis: Übung 10 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
15 Anzahl optimaler Lösungen Corollary Sei k die minimale Anzahl von Behältern einer -Instanz. Dann gibt es mindestens k! k j=1 B j! Möglichkeiten, eine optimale Lösung zu kodieren. Frage: Warum? 11 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
16 Beispiel zum Theorem FIRSTFIT angewandt auf zulässige Lösung 98 R. Lewis / Computers & Operations Research 36 (2009) Solution (a) (5 bins/groups) d a e b i h c g k j l f m Solution (b) (4 bins/groups). 2. Two candidate solutions for a bin packing problem. In this instance, bin capacity C = 10 and the sizes of items a through to m (respectively) are: 4, 3, 2, 5, 4, 1, 4, 2 2, 2, 2, and 5. Here, the right solution is using the optimal (minimum) number of groups which, in this case, is four. Abbildung: [R. Lewis: A general..., p ] f d a c e b l i h g m k j Links: Zulässige (Start)Lösung B Rechts: B := FIRSTFIT(B) 12 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
17 Bergsteigen für Notwendige Elemente Entwurfsfrage: Wie nutzen wir diese Eigenschaft algorithmisch aus? Wdh. Bergsteiger-Prinzip 1. Startlösung gegeben (zum Bsp. zufällig) 2. Betrachte beste (oder eine verbessernde ) Lösung L aus der Nachbarschaft 3. Wenn Verbesserung möglich, dann setze L als neue Lösung fest und gehe zu Schritt 2 Brauchen Startlösung Müssen Nachbarschaft definieren Ideen? 13 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
18 Bergsteigen für Entwurf Startlösung Problemspezifische Heuristik wie FFD (oder jedes Element in eigenem Behälter) Nachbarschaft Sehr einfache Arten (machen wir hier nicht): Tausche Elemente in zwei Behältern, beachte Zulässigkeit oder Verschiebe Element in anderen Behälter, wenn der neue Behälter dadurch voller wird als der alte (beachte Zulässigkeit) 14 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
19 Bergsteigen für Entwurf Startlösung Problemspezifische Heuristik wie FFD (oder jedes Element in eigenem Behälter) Nachbarschaft Statt dessen: Wähle eine kleine Zahl von Behältern, packe sie in Menge ρ Nicht gewählte Behälter gehören zur Menge π Wende Heuristik an, die verbessernde Tauschoperationen durchführt, die Behälter von π voller macht, dabei die Zulässigkeit beachtet Füge ρ und π wieder zu einer Lösung zusammen und wende nach Randomisierung eine problemspez. Heuristik wie FIRSTFIT darauf an 14 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
20 i Bergsteigen fürh 10 8 e c Beispiel, 4 [R. Lewis:..., p ] 2 0 Solution (a) (5 bins/groups) d a b g k j l f m Solution (b) (4 bins/groups) f d a c e b l i h g m k j. Two candidate solutions for a bin packing problem. In this instance, bin capacity C = 10 and the sizes of items a through to m (respectively) are: 4, 3, 2, 5, 4, 1, 2, 2, and 5. Here, the right solution is using the optimal (minimum) number of groups which, in this case, is four.. High-level description of the hill-climbing method. For clarity, an example is provided in the figure that uses the Solution 1 from Fig. 2 as a basis for the starting solu moves, a group in ρ is emptied by transferring all of its items is similar in fashion to the greedy algorithm (Fig. 1) though existing groups in π. The second opportunity occurs in Step each iteration, the next node chosen to be coloured is determi hen a permutation is formed that, when fed into the greedy dynamically by choosing the uncoloured node that currently has rithm, results in a new solution that uses fewer groups than largest number of distinct colours assigned to adjacent nodes ( redecessor. Note that our exploitation of the underlying OIMGP are then broken by choosing the node with the highest degr ture 15in these Henning operators Meyerhenke, means that Institut the number für Theoretische of groupsinformatik cannot We choose this particular algorithm because it is generally abl ase, thusalgorithmische providing the Methoden method's HC für schwere characteristics. Optimierungsprobleme Of course, produce high-quality solutions in short amounts Metaheuristik of time, thus
21 Tauschheuristik Idee Grundidee: Bewege Elemente zwischen ρ und π derart, dass die Behälter in π voller werden, aber die Zahl ihrer Elemente nicht steigt (kleinere Elemente in π durch größere tauschen) 16 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
22 Tauschheuristik Idee Grundidee: Bewege Elemente zwischen ρ und π derart, dass die Behälter in π voller werden, aber die Zahl ihrer Elemente nicht steigt (kleinere Elemente in π durch größere tauschen) Pseudocode grobgranular Wiederhole für jeden Behälter in π: 1. Tausche ein Paar von Elementen aus einem Behälter in π mit einem Paar aus ρ 2. Tausche ein Elementpaar aus π mit einem einzelnen Element aus ρ 3. Tausche ein einzelnes Element aus π mit einem einzelnen Element aus ρ 16 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
23 Tauschheuristik Pseudocode feingranular, [R. Lewis: A general..., p ] 2306 R. Lewis / Computers & Operations Research 36 (2009) Fig. 12. The improvement procedure used in the bin packing application. Here, G(π) representsthenumberofgroupsthatarecontainedinthepermutationπ (similarly for ρ). Table 2 Number of extra bins (beyond χ) used in the best solutions generated by the various algorithms, averaged across the available instances. Korrektur: Klammern um s[i] + s[j] in Zeilen (5) und (11) Type Inst. n χ(μ ± σ) Cut FFD IG HC HGGA MT a HACO b BISON c 17 Henning Meyerhenke, Institut für Theoretische Informatik Unif ± Metaheuristik Unif ±
24 Tauschheuristik Beispiel Siehe Tafel! 18 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
25 Experimentelle Ergebnisse Fig. 12. The improvement procedure used in the bin packing application. Here, G(π) representsthenumberofgroupsthatare Table 2 Number of extra bins (beyond χ) used in the best solutions generated by the various algorithms, averaged across the availa Type Inst. n χ(μ ± σ) Cut FFD IG HC HGGA Unif ± Unif ± Unif ± Unif ± Trip ± Trip ± Trip ± Trip ± Hard ± The Inst column indicates the number of different instances that exist in each set; Cut indicates the cut-off points used Abbildung: Letzte drei Spalten: Durchschnittliche Zahl der Behälter zusätzlich zur optimalen Anzahl χ. a MT: Martello and Toth's branch-and-bound procedure [4]. Resultsforthehardinstancesaretakenfrom[21], theremai b HACO: hybrid ant colony optimisation approach of Levine and Ducatelle [15]. c The BISON method of Scholl et al. [21] IG and GGA setup In this case the IG algorithm was applied using the same experimental conditions as the previous graph colouring experiments, with 19 Henning an initial Meyerhenke, solutioninstitut being fürproduced Theoretischeusing Informatik the FFD heuristic. For the GGA, meanwhile, we used a hybrid version of the algorithm (HGGA), where G represents the num This function is more fine-g fitness function, and therefo tained for longer during a ru it favours solutions with ex Metaheuristik accentuated by the squaring
26 Fazit zur Metaheuristik Bergsteigen Benötigen Startlösung und Nachbarschaftsoperator Kein globales Wissen erforderlich Einfach zu implementieren Je nach Problemstruktur kann die Lösung recht gut werden Aber: Gefangen in lokalen Optima 20 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
27 Fazit zur Metaheuristik Bergsteigen Benötigen Startlösung und Nachbarschaftsoperator Kein globales Wissen erforderlich Einfach zu implementieren Je nach Problemstruktur kann die Lösung recht gut werden Aber: Gefangen in lokalen Optima Eine nichttriviale Variante bringt für gute experimentelle Ergebnisse Auch anwendbar auf ähnliche Problemstellungen 20 Henning Meyerhenke, Institut für Theoretische Informatik Metaheuristik
28 Inhalt Metaheuristik Online- 21 Henning Meyerhenke, Institut für Theoretische Informatik Online-
29 Modellierungsaufgabe Szenario: Sie helfen Freunden beim Umzug und packen die Umzugskartons. Wenn Sie ein Teil in einen Karton gepackt haben, bekommen Sie ein neues Teil in die Warteschlange (der Größe 1). Also: Sie kennen beim Packen noch nicht die gesamte Eingabe. Ziel: Verbrauchen Sie möglichst wenige Umzugskartons! Nebenbedingung: Nicht zu viele offene Kartons zur gleichen Zeit! Aufgabe: Modellieren Sie das Problem algorithmisch! 22 Henning Meyerhenke, Institut für Theoretische Informatik Online-
30 Problemstellung Eingabe: Liste nichtnegativer Zahlen a 1,..., a n 1, eine nach der anderen Ausgabe: Anzahl Kartons k N und eine Zuordnung f : {1,..., n} {1,..., k} mit i:f (i)=j a i 1 für alle j {1,..., k} Optimierungsziel: Minimierung von k NB: Höchstens b offene Kartons 23 Henning Meyerhenke, Institut für Theoretische Informatik Online-
31 Problemstellung Eingabe: Liste nichtnegativer Zahlen a 1,..., a n 1, eine nach der anderen Ausgabe: Anzahl Kartons k N und eine Zuordnung f : {1,..., n} {1,..., k} mit i:f (i)=j a i 1 für alle j {1,..., k} Optimierungsziel: Minimierung von k NB: Höchstens b offene Kartons Zu berücksichtigen: Online-Problem! Frage (Online-Abstimmung): Welche bereits vorgestellten Algorithmen funktionieren im Online-Fall, welche nicht? NF FF FFD Algo II: Asymptotisches Approximationsschema 23 Henning Meyerhenke, Institut für Theoretische Informatik Online-
32 Qualitätskriterium Asymptotic performance ratio Definition (Asymptotische Leistungsrate) { } A(I) RA = lim sup OPT (I) = n n I OPT (I) Leistungsmaß für -Algorithmen Ähnlich zur relativen Güte (Vorlesung 1) und zur competitive ratio (Vergleich offline online, s. Algo II) Idee: Vergleiche Zahl der Behälter/Kartons mit optimaler Anzahl, für große Eingaben 24 Henning Meyerhenke, Institut für Theoretische Informatik Online-
33 Asymptotische Leistungsrate Eine andere Sichtweise Definition (Asymptotische Leistungsrate) Infimum RA, für das für jede Instanz I gilt: A(I) RA OPT (I) + c, wobei c eine nichtnegative Konstante ist, die nicht von der Eingabe abhängt. Wir berechnen immer noch das Verhältnis zwischen den Kosten von A und den Kosten von OPT Aber: A bekommt einige Kartons umsonst 25 Henning Meyerhenke, Institut für Theoretische Informatik Online-
34 Asymptotische Leistungsrate Eine andere Sichtweise Definition (Asymptotische Leistungsrate) Infimum RA, für das für jede Instanz I gilt: A(I) RA OPT (I) + c, wobei c eine nichtnegative Konstante ist, die nicht von der Eingabe abhängt. Wir berechnen immer noch das Verhältnis zwischen den Kosten von A und den Kosten von OPT Aber: A bekommt einige Kartons umsonst Bekannt: R FF = 1.7 NB: Auch BESTFIT (verpacke Element in Karton so, dass am wenigsten Platz bleibt) hat diese Rate 25 Henning Meyerhenke, Institut für Theoretische Informatik Online-
35 Asymptotische Leistungsrate Eine andere Sichtweise Definition (Asymptotische Leistungsrate) Infimum RA, für das für jede Instanz I gilt: A(I) RA OPT (I) + c, wobei c eine nichtnegative Konstante ist, die nicht von der Eingabe abhängt. Wir berechnen immer noch das Verhältnis zwischen den Kosten von A und den Kosten von OPT Aber: A bekommt einige Kartons umsonst Bekannt: R FF = 1.7 NB: Auch BESTFIT (verpacke Element in Karton so, dass am wenigsten Platz bleibt) hat diese Rate 26 Henning Meyerhenke, Institut für Theoretische Informatik Online-
36 Da war doch noch was... Platzbeschränkte Algorithmen Platzbeschränkte Algorithmen halten nur eine beschränkte (meist konstante) Anzahl von Kartons offen zu jedem beliebigen Zeitpunkt, erzeugen einen konstanten Ausgabestrom (durch Schließen von Kartons), 27 Henning Meyerhenke, Institut für Theoretische Informatik Online-
37 Da war doch noch was... Platzbeschränkte Algorithmen Platzbeschränkte Algorithmen halten nur eine beschränkte (meist konstante) Anzahl von Kartons offen zu jedem beliebigen Zeitpunkt, erzeugen einen konstanten Ausgabestrom (durch Schließen von Kartons), Oft gemeinsame Idee: Ähnliche Elemente zusammenpacken 27 Henning Meyerhenke, Institut für Theoretische Informatik Online-
38 Da war doch noch was... Platzbeschränkte Algorithmen Platzbeschränkte Algorithmen halten nur eine beschränkte (meist konstante) Anzahl von Kartons offen zu jedem beliebigen Zeitpunkt, erzeugen einen konstanten Ausgabestrom (durch Schließen von Kartons), Oft gemeinsame Idee: Ähnliche Elemente zusammenpacken Frage: Welchen platzbeschränkten Online-Algorithmus kennen Sie? 27 Henning Meyerhenke, Institut für Theoretische Informatik Online-
39 Da war doch noch was... Platzbeschränkte Algorithmen Platzbeschränkte Algorithmen halten nur eine beschränkte (meist konstante) Anzahl von Kartons offen zu jedem beliebigen Zeitpunkt, erzeugen einen konstanten Ausgabestrom (durch Schließen von Kartons), Oft gemeinsame Idee: Ähnliche Elemente zusammenpacken Frage: Welchen platzbeschränkten Online-Algorithmus kennen Sie? Ziel: Platzbeschränkter Online-Algorithmus mit R A < Henning Meyerhenke, Institut für Theoretische Informatik Online-
40 Algorithmus HARMONIC b Ein platzbeschränkter Online-Algorithmus mit R A < 1.7 Der Algorithmus HARMONIC b unterteilt die Elemente in b verschiedene Klassen aufgrund ihrer Größe: Größe ( 1 2, 1]: Typ 1, 1 Element pro Karton des Typs 1 Größe ( 1 3, 2 1 ]: Typ 2, 2 Elemente pro Karton des Typs 2... Größe ( b 1, 1 b 1 ]: Typ b 1, b 1 Element pro Karton des Typs b 1 Größe (0, b 1 ]: Benutze NEXTFIT für diesen Typ 28 Henning Meyerhenke, Institut für Theoretische Informatik Online-
41 Beispiel Siehe Tafel! 29 Henning Meyerhenke, Institut für Theoretische Informatik Online-
42 Beispiel Siehe Tafel! Hinweise Elemente verschiedenen Typs werden unabhängig voneinander verpackt Präzise Größe der Elemente ist irrelevant, nur der Typ ist wichtig Wichtig: Letzteres gilt nicht für optimale Lösung! 29 Henning Meyerhenke, Institut für Theoretische Informatik Online-
43 Analyse Laufzeit Theorem (Laufzeit) Die Laufzeit von HARMONIC b ist O(n log b). Beweis. Jedes der n Elemente kann in Zeit log b klassifiziert werden. 30 Henning Meyerhenke, Institut für Theoretische Informatik Online-
44 Analyse Laufzeit Theorem (Laufzeit) Die Laufzeit von HARMONIC b ist O(n log b). Beweis. Jedes der n Elemente kann in Zeit log b klassifiziert werden. Rest: Wie zeigen wir jetzt, dass HARMONIC b besser als FF ist? 30 Henning Meyerhenke, Institut für Theoretische Informatik Online-
45 Analyse Qualität: Anteilsfunktion Definition g : R R weise jedem Element seinen Anteil an einem Karton zu Sei W := n i=1 g(a i) die Gesamtsumme aller Anteile Wert von g g(a i ) = { 1/j, falls a i vom Typ j, 1 j b 1 b b 1 a i, falls a i vom Typ b In geschlossenem Karton vom Typ j sind j Elemente Passt ein Element nicht in Karton vom Typ b, dann ist der Karton mindestens b 1 b voll; Anteil ergibt sich aus Kehrwert und Gewicht 31 Henning Meyerhenke, Institut für Theoretische Informatik Online-
46 Analyse Qualität: Maximale Kartonzahl Lemma HARMONIC b benötigt höchstens W + b Kartons. Beweis. Sei n j die Anzahl der Elemente vom Typ j Sei m j die Anzahl der benutzten Kartons vom Typ j nj m 1 = n 1 und für 2 j < b : m j = j m b < SUM(ai a i vom Typ b) (b 1)/b HARMONIC b (I) < n 1 + n n b 1 = n i=1 g(a i) + b = W + b b 1 + b SUM(a i a i vom Typ b) b 1 + b 32 Henning Meyerhenke, Institut für Theoretische Informatik Online-
47 Analyse Qualität: Vergleich mit Offline-Fall (1) HARMONIC b (I) < W +b OPT (I) k Asymptotische Leistungsrate: Maximiere Wert von g für jeden Offline-Karton, um dadurch W zu maximieren Wieviel passt in einen Offline-Karton? 33 Henning Meyerhenke, Institut für Theoretische Informatik Online-
48 Analyse Qualität: Vergleich mit Offline-Fall (1) HARMONIC b (I) < W +b OPT (I) k Asymptotische Leistungsrate: Maximiere Wert von g für jeden Offline-Karton, um dadurch W zu maximieren Wieviel passt in einen Offline-Karton? Dazu suchen wir eine Menge von Elementen, deren Gesamtgröße 1 ist (Kartongröße) und deren Wert bzgl. g maximiert wird. 33 Henning Meyerhenke, Institut für Theoretische Informatik Online-
49 Analyse Qualität: Vergleich mit Offline-Fall (1) HARMONIC b (I) < W +b OPT (I) k Asymptotische Leistungsrate: Maximiere Wert von g für jeden Offline-Karton, um dadurch W zu maximieren Wieviel passt in einen Offline-Karton? Dazu suchen wir eine Menge von Elementen, deren Gesamtgröße 1 ist (Kartongröße) und deren Wert bzgl. g maximiert wird. Frage: Wie quetschen wir Elemente a i mit hohem g(a i ) in einen Karton? 33 Henning Meyerhenke, Institut für Theoretische Informatik Online-
50 Analyse Qualität: Vergleich mit Offline-Fall (1) HARMONIC b (I) < W +b OPT (I) k Asymptotische Leistungsrate: Maximiere Wert von g für jeden Offline-Karton, um dadurch W zu maximieren Wieviel passt in einen Offline-Karton? Dazu suchen wir eine Menge von Elementen, deren Gesamtgröße 1 ist (Kartongröße) und deren Wert bzgl. g maximiert wird. Frage: Wie quetschen wir Elemente a i mit hohem g(a i ) in einen Karton? Für jeden Typ die kleinstmögliche Größe verwenden (z. B ɛ für Typ 1, ɛ 0) 33 Henning Meyerhenke, Institut für Theoretische Informatik Online-
51 Analyse Qualität: Vergleich mit Offline-Fall (2) Quotient aus Größe und Wert bzgl. g: Für Typ j: ( 1 j )/( j+1 1 ) = (j + 1)/j für j = 1,..., b 1 Für Typ b: b/(b 1), Element der Größe x hat Anteil b/(b 1) x Diese Raten fallen streng monoton von Typ 1 bis Typ b: 2; 3/2; 4/3;... ; b/(b 1); b/(b 1) 34 Henning Meyerhenke, Institut für Theoretische Informatik Online-
52 Analyse Qualität: Vergleich mit Offline-Fall (2) Quotient aus Größe und Wert bzgl. g: Für Typ j: ( 1 j )/( j+1 1 ) = (j + 1)/j für j = 1,..., b 1 Für Typ b: b/(b 1), Element der Größe x hat Anteil b/(b 1) x Diese Raten fallen streng monoton von Typ 1 bis Typ b: 2; 3/2; 4/3;... ; b/(b 1); b/(b 1) Algorithmus zur Berechnung einer Menge mit maximalem Wert bzgl. g: Starte mit Element vom Typ 1 (Größe ɛ) Füge iterativ das größte noch passende Element hinzu 34 Henning Meyerhenke, Institut für Theoretische Informatik Online-
53 Analyse Qualität: Vergleich mit Offline-Fall (3) Algorithmus zur Berechnung einer Menge mit maximalem Wert bzgl. g: Starte mit Element vom Typ 1 (Größe ɛ) Füge iterativ das größte noch passende Element hinzu Typ Größe Wert bzgl. g 1 1/2 + ɛ 1 2 1/3 + ɛ 1/2 3 1/4 + ɛ 4 1/5 + ɛ 5 1/6 + ɛ 6 1/7 + ɛ 1/6... Summe Tabelle: Instanz mit maximalem Wert bzgl. g 35 Henning Meyerhenke, Institut für Theoretische Informatik Online-
54 Fazit zu Harmonic b Theorem (Asymptotische Leistungsrate von HARMONIC) RH b = = Henning Meyerhenke, Institut für Theoretische Informatik Online-
55 Fazit zu Harmonic b Theorem (Asymptotische Leistungsrate von HARMONIC) RH b = = Harmonic b : Platzbeschränkter Online-Algorithmus mit besserer as. Leistungsrate/Güte als NF (sogar als der nicht platzbeschränkte FF) Gruppieren von Elementen mit ähnlicher Größe Beweis betrachtet Anteil jedes Elements an Kartongröße 36 Henning Meyerhenke, Institut für Theoretische Informatik Online-
56 Zusammenfassung und Ausblick : N P-schweres Problem mit vielen Variationen, hohe praktische Relevanz Einfache Heuristiken wiederholt: NF, FF, FFD Neu: Harmonic b, platzbeschränkt, online-fähig Neu: Bergsteiger-Metaheuristik, einfach, aber ggf. mit schlechten lokalen Optima 37 Henning Meyerhenke, Institut für Theoretische Informatik Online-
57 Zusammenfassung und Ausblick : N P-schweres Problem mit vielen Variationen, hohe praktische Relevanz Einfache Heuristiken wiederholt: NF, FF, FFD Neu: Harmonic b, platzbeschränkt, online-fähig Neu: Bergsteiger-Metaheuristik, einfach, aber ggf. mit schlechten lokalen Optima Ausblick Vertiefung in den Übungen TSP: Heuristiken und Metaheuristiken 37 Henning Meyerhenke, Institut für Theoretische Informatik Online-
Algorithmische 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
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 Wiederholung TSP: Kurz:
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
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
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
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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 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
Mehr8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 11, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 11, 18.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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 Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
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
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 Methoden zur Netzwerkanalyse Vorlesung 8, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 8, 07.12.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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
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 Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr11. 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
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
MehrSeeking for n! Derivatives
Seeking for n! Derivatives $,000$ Reward A remarkable determinant (,0) (,) (0,0) (0,) (,0) (,0) (,) (,) (0,0) (0,) (0,) General definition Δ μ (X, Y ) = det x p i j yq i n j i,j= As a starter... n! dim
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
MehrOnline-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01
Online-Algorithmen Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Vortrag Bin Packing von Thilo Geertzen 25. Oktober 2000 Online Algorithmen
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
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
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.
MehrRessourcenmanagement in Netzwerken SS06 Vorl. 12,
Ressourcenmanagement in Netzwerken SS06 Vorl. 12, 30.6.06 Friedhelm Meyer auf der Heide Name hinzufügen 1 Prüfungstermine Dienstag, 18.7. Montag, 21. 8. und Freitag, 22.9. Bitte melden sie sich bis zum
MehrAlgorithmen I - Tutorium 28 Nr. 6
Algorithmen I - Tutorium 28 Nr. 6 08.06.2017: Spaß mit Sortieren, Aufgaben und Wiederholung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN MÜLLER-QUADE
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
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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
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{
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrData Structures and Algorithm Design
- University of Applied Sciences - Data Structures and Algorithm Design - CSCI 340 - Friedhelm Seutter Institut für Angewandte Informatik Contents 1. Analyzing Algorithms and Problems 2. Data Abstraction
MehrAlgorithmen I - Tutorium 28 Nr. 3
Algorithmen I - Tutorium 28 Nr. 3 18.05.2016: Spaß mit Listen, Arrays und amortisierter Analyse Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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
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 3 Programm des
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrData Structures and Algorithm Design
- University of Applied Sciences - Data Structures and Algorithm Design - CSCI 340 - Friedhelm Seutter Institut für Angewandte Informatik Contents 1 Analyzing Algorithms and Problems 2 Data Abstraction
MehrInteger Convex Minimization in Low Dimensions
DISS. ETH NO. 22288 Integer Convex Minimization in Low Dimensions A thesis submitted to attain the degree of DOCTOR OF SCIENCES of ETH ZURICH (Dr. sc. ETH Zurich) presented by TIMM OERTEL Diplom-Mathematiker,
MehrVorlesung 14 FORTSETZUNG: LÖSER FÜR LAPLACE-GLEICHUNGSSYSTEME
Vorlesung 4 FORTSETZUNG: LÖSER FÜR LAPLACE-GLEICHUNGSSYSTEME 49 Wdh.: Bedingung an optimalen Fluss! Wdh.: Stromfluss f ij zwischen Knoten i und j: (v i v j )w ij! Also: f ij / w ij = v i - v j bzw. f opt
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
MehrMagic Figures. We note that in the example magic square the numbers 1 9 are used. All three rows (columns) have equal sum, called the magic number.
Magic Figures Introduction: This lesson builds on ideas from Magic Squares. Students are introduced to a wider collection of Magic Figures and consider constraints on the Magic Number associated with such
Mehr2.6 Asymptotische Approximation: Min Binpacking
2.6 Asymptotische Approximation: Min Binpacking In diesem Abschnitt geht es die Erscheinung, dass manche Optimierungsprobleme Approximationsalgorithmen haben, die nur für Inputs x mit groÿem Wert m (x)
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/folien/vorlesung/4_fem_isopara/cover_sheet.tex page of 25. p./25 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types
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 9 Programm: Übungsblatt
MehrEffiziente Algorithmen Übung 2
Effiziente Algorithmen Übung 2 Aufgabe 3 Circular Reversal Sort Gruppe E Martin Schliefnig, 0160919 Christoph Holper, 9927191 Ulrike Ritzinger, 0125779 1. Problemstellung Ein DNA Molekül muss nicht immer
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 24.01.2013 Online Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrFunktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo?
Briefmarkensammeln (Folie 413, Seite 80 im Skript) Funktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo? Welche Briefmarken für einen 20 fen Brief? Der Greedy-Algorithmus führt nicht
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 10, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 10, 11.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrAlgorithmen zur Visualisierung von Graphen Lagenlayouts
Algorithmen zur Visualisierung von Graphen Lagenlayouts Marcus Krug Institut für Theoretische Informatik 25.06.2009 1/ 41 E-Mail-Graph der Fakultät für Informatik 2/ 41 E-Mail-Graph der Fakultät für Informatik
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
MehrBATCH-WISE CHEMICAL PLANTS
Diss. ETH 5340 THE COMPUTER-AIDED DESIGN OF MULTI-PRODUCT BATCH-WISE CHEMICAL PLANTS ABHANDLUNG zur Erlangung des Titels eines Doktors der technischen Wissenschaften der EIDGENÖSSISCHEN TECHNISCHEN HOCHSCHULE
MehrErinnerung VL
Erinnerung VL 04.07.2016 Union-Find-Datenstruktur (für Kruskals Algorithmus) Ackermann-Funktion (in der Analyse) Optimierungsprobleme (Beispiel: Rucksackproblem) Im Allgemeinen (NP-)schwer Z.B. für unteilbare
MehrL 2 discrepancy of digit scrambled two-dimensional Hammersley point sets
L 2 discrepancy of digit scramled two-dimensional Hammersley point sets Friedrich Pillichshammer 1 Linz/Austria Joint work with Henri Faure (Marseille) Gottlie Pirsic (Linz) Wolfgang Schmid (Salzurg) 1
MehrPriorities (time independent and time dependent) Different service times of different classes at Type-1 nodes -
E.6 Approximate Analysis of Non-product-Form Queueing Networks Non exponentially distributed service times Priorities (time independent and time dependent) Different service times of different classes
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
MehrKTdCW Artificial Intelligence 2016/17 Practical Exercises - PART A
KTdCW Artificial Intelligence 2016/17 Practical Exercises - PART A Franz Wotawa Technische Universität Graz, Institute for Software Technology, Inffeldgasse 16b/2, A-8010 Graz, Austria, wotawa@ist.tugraz.at,
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
MehrDas Problem des minimalen Steiner-Baumes
Das Problem des minimalen Steiner-Baumes Ein polynomieller Approximationsalgorithmus Benedikt Wagner 4.05.208 INSTITUT FU R THEORETISCHE INFORMATIK, LEHRSTUHL ALGORITHMIK KIT Die Forschungsuniversita t
MehrAlgorithmen I. Prof. Jörn Müller-Quade Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?
Algorithmen I Prof. Jörn Müller-Quade 07.06.2017 Institut für Theoretische Informatik Web: https://crypto.iti.kit.edu/index.php?id=799 (Folien von Peter Sanders) KIT Institut für Theoretische Informatik
MehrSortieren & Co. KIT Institut für Theoretische Informatik
Sortieren & Co KIT Institut für Theoretische Informatik 1 Formaler Gegeben: Elementfolge s = e 1,...,e n Gesucht: s = e 1,...,e n mit s ist Permutation von s e e 1 n für eine Totalordnung ` ' KIT Institut
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 21. Kombinatorische Optimierung und lokale Suche Malte Helmert Universität Basel 10. April 2015 Kombinatorische Optimierung Kombinatorische Optimierung: Einführung
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
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
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/cover_sheet.tex. p./26 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types 3. Geometry 4. Interpolation Approach Function
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
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
MehrRätsel 1: Buchstabensalat klassisch, 5 5, A C (10 Punkte) Puzzle 1: Standard As Easy As, 5 5, A C (10 points)
Rätsel 1: uchstabensalat klassisch, 5 5, (10 Punkte) Puzzle 1: Standard s Easy s, 5 5, (10 points) Rätsel 2: uchstabensalat klassisch, 5 5, (5 Punkte) Puzzle 2: Standard s Easy s, 5 5, (5 points) Rätsel
MehrNEWSLETTER. FileDirector Version 2.5 Novelties. Filing system designer. Filing system in WinClient
Filing system designer FileDirector Version 2.5 Novelties FileDirector offers an easy way to design the filing system in WinClient. The filing system provides an Explorer-like structure in WinClient. The
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrSupplementary material for Who never tells a lie? The following material is provided below, in the following order:
Supplementary material for Who never tells a lie? The following material is provided below, in the following order: Instructions and questionnaire used in the replication study (German, 2 pages) Instructions
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrElectrical tests on Bosch unit injectors
Valid for Bosch unit injectors with order numbers 0 414 700 / 0 414 701 / 0 414 702 Parts Kit Magnet*: - F00H.N37.925 - F00H.N37.933 - F00H.N37.934 * For allocation to the 10-place Bosch order number,
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 011 Übungsblatt 30. Mai 011 Grundlagen: Algorithmen und Datenstrukturen
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrSnap-in switch for switches PSE, MSM and MCS 30
Product manual Snap-in switch for switches PSE, MSM and MCS 30 CONTENTS 1. PRODUCT DESCRIPTION 2. DATA AND DIMENSIONAL DRAWINGS 2.1. Technical Data 2.2. Dimensions of PSE with a Mounting Diameter 19 mm
MehrFormaler. Gegeben: Elementfolge s = e 1,...,e n. s ist Permutation von s e 1 e n für eine lineare Ordnung ` '
Sortieren & Co 164 165 Formaler Gegeben: Elementfolge s = e 1,...,e n Gesucht: s = e 1,...,e n mit s ist Permutation von s e 1 e n für eine lineare Ordnung ` ' 166 Anwendungsbeispiele Allgemein: Vorverarbeitung
MehrOptimierung. Vorlesung 13
Optimierung Vorlesung 13 Letze Woche Branch&Bound Suchbaum Nach Möglichkeit nicht komplett durchsuchen Abschätzungen nach oben und unten Suchheuristiken Randomisierte Lokale Suche Simulated Annealing Metropolis
MehrOrder Ansicht Inhalt
Order Ansicht Inhalt Order Ansicht... 1 Inhalt... 1 Scope... 2 Orderansicht... 3 Orderelemente... 4 P1_CHANG_CH1... 6 Function: fc_ins_order... 7 Plug In... 8 Quelle:... 8 Anleitung:... 8 Plug In Installation:...
Mehr