6. Übung zur Linearen Optimierung SS08

Ähnliche Dokumente
3.6 Branch-and-Bound-Verfahren

Richtig oder falsch? Richtig oder falsch? Richtig oder falsch? Mit dynamischer Programmierung ist das Knapsack- Problem in Polynomialzeit lösbar.

Datenstrukturen und Algorithmen (SS 2013)

Algorithmische Graphentheorie

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 3. Kombinatorische Optimierung. 3.1 Begriffe aus der Graphentheorie

Betriebliche Optimierung

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung

Betriebswirtschaftliche Optimierung

Diskrete Mathematik Graphentheorie (Übersicht)

Kapitel 4: Minimale spannende Bäume Gliederung der Vorlesung

Bipartite Graphen. Beispiele

Kapitel 8: Bipartite Graphen Gliederung der Vorlesung

Einheit 11 - Graphen

3 Klassifikation wichtiger Optimierungsprobleme

Minimal spannender Baum

Minimal spannende Bäume

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.

Algorithmische Graphentheorie

5 Graphen. Repräsentationen endlicher Graphen. 5.1 Gerichtete Graphen. 5.2 Ungerichtete Graphen. Ordnung von Graphen

Univ.-Prof. Dr. Goulnara ARZHANTSEVA

Effiziente Algorithmen I

2. Optimierungsprobleme 6

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Theoretische Informatik 1

Mustererkennung: Graphentheorie

Graphen. Graphen und ihre Darstellungen

OR für Wirtschaftsingenieure. Übungsserie 5: Das Traveling Salesman Problem

Kapitel IV Minimale Spannbäume

\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.

f h c 7 a 1 b 1 g 2 2 d

Wiederholung zu Flüssen

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem

Graphen: Darstellungen, Isomorphie, Knotenfärbung

Theoretische Informatik 1

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Effiziente Algorithmen I

Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...

Graphen: Rundwege, Kodierung von Bäumen

9: Gewichtete Graphen

Vorlesung Datenstrukturen

Übungsblatt 2 - Lösung

Durchschnitt von Matroiden

Graphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:

Algorithmische Graphentheorie

3. Minimale Spannbäume. Definition 99 T heißt minimaler Spannbaum (MSB, MST) von G, falls T Spannbaum von G ist und gilt:

Algorithmische Mathematik I

Diskrete Mathematik. Hamiltonsche Graphen Teil I. Karina Arndt

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Algo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7

1. Übung Graphentheorie WS2016/17

1.Aufgabe: Minimal aufspannender Baum

Freie Bäume und Wälder

1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler

Matching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend

Dieser Graph hat 3 Zusammenhangskomponenten

Graphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007

ADS: Algorithmen und Datenstrukturen 2

Kapitel 1: Fallstudie Bipartite Graphen Gliederung der Vorlesung

Anwendungen von Graphen

Elementare Definitionen. Anwendungen von Graphen. Formalisierung von Graphen. Formalisierung von Digraphen. Strassen- und Verkehrsnetze

Graphen und Bäume. A.1 Graphen

Algorithmen für Planare Graphen

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1

Klausurvorbereitung. 1 Zentrale Begriffe. 2 Bipartite Graphen. 2.1 Begriffe. Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S.

Informatik II, SS 2014

Diskrete Mathematik 1

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie

Übung zur Vorlesung Diskrete Strukturen I

Seien u, v V, u v. Da G zusammenhängend ist, muss mindestens ein Pfad zwischen u und v existieren.

ADS: Algorithmen und Datenstrukturen 2

Graphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007

1 Beispiele für Graphen

15. Elementare Graphalgorithmen

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen

Kürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

4. Welchen Zusammenhang gibt es zwischen den Eckengraden und der Anzahl der Kanten eines ungerichteten Graphen?

= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2

8: Bipartite Graphen. s 1. bei dem es eine Kante zwischen s i und k gibt, wenn der Schüler s i die Note k für seine Arbeit bekommen hat.

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme

3. Musterlösung. Problem 1: Boruvka MST

Ecken des Zuordnungsproblems

8 Diskrete Optimierung

Übungsblatt 5 Lösungsvorschläge

Lernmodul 2 Graphen. Lernmodul 2: Geoobjekte und ihre Modellierung - Graphen

Algorithmen und Datenstrukturen 2-1. Seminar -

Nachbarschaft, Grad, regulär, Inzidenz

Übungsaufgaben Graphentheorie, Wintersemester 2011/12

Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie

Graphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.

KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN

Proseminar Online Algorithmen, Prof. Dr. Rolf Klein

Grundlagen Datenstrukturen Transitive Hülle Traversierung Kürzeste Wege Spannender Baum Max. Fluss Zuordnungen. 6. Graphen

Optimale Lösungen mit Greedy-Strategie erfordern Optimalität der Greedy-Wahl. Beispiele für optimale Greedy-Lösungen

Name:... Vorname:... Matr.-Nr.:... Studiengang:...

Berechnung von Abständen

EDM, Algorithmen und Graphenspeicherung

2. Repräsentationen von Graphen in Computern

Transkript:

6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl der Ecken geraden Grades stets gerade, ungerade oder kann man keine Aussage machen? (b) Zeigen Sie: Haben alle Ecken Grad, dann ist die Anzahl der Ecken gerade (c) Zeigen Sie: Ist G bipartit, dann gilt 4m n (n 1)(n ) (d) Zeigen Sie: Gilt m >, dann ist G zusammenhängend (n 1)(n ) Gibt es Graphen mit m =, die nicht zusammenhängend sind? Geben Sie gegebenenfalls ein Beispiel an! Zeigen Sie den Eulerschen Polyedersatz für Graphen: Zerlegt ein ebener zusammenhängender Graph mit e Ecken und k Kanten die Ebene in s Länder, dann gilt e k + s = Ein schlichter ebener Graph mit Eckenmenge V und Kantenmenge E heißt maximal eben, wenn es keinen ebenen Graph mit gleicher Eckenmenge und größerer Kantenmenge gibt Zeigen Sie: (a) Hat ein maximal ebener Graph mindestens Ecken, dann ist jedes Land ein Dreieck (b) Hat ein maximal ebener Graph e Ecken, dann der Graph k = e 6 Kanten (c) Ist G ein schlichter ebener Graph mit e Ecken und k Kanten, dann gilt k e 6 Gibt es kein Land mit Seiten, dann gilt sogar k e 4 (d) Der vollständige Fünfergraph und der vollständige bipartite Graph G, sind nicht als ebener Graph darstellbar 4 (a) Sei G ein Graph Man zeige, daß G genau dann einen geschlossenen Kantenzug enthält, wenn er einen Kreis enthält (b) Sei T = (V, E) ein Baum Man zeige, daß es ein v V gibt, das zu genau einer Ecke u V benachbart ist 5 Sei G = (V, E) ein Graph mit V = n und E = m Man zeige, daß die folgenden Aussagen äquivalent sind: (a) G ist ein Baum (b) G ist zusammenhängend und hat n 1 Kanten (c) G ist zusammenhängend und m < n (d) G enthält keinen Kreis und hat n 1 Kanten (e) G enthält keinen Kreis, aber wenn eine beliebige Kante hinzugefügt wird, entsteht genau ein Kreis Abgabe der Aufgaben bis Mittwoch, den 46, vor der Übung

7 Übung zur Linearen Optimierung SS08 6 Sei N = (s, t, V, E, c u, c o ) ein Netzwerk und f ein Fluß in N Zeigen Sie: f = f(u, t) f(t, u) (u,t) E (t,u) E 7 Gegeben sei der folgende gerichtete Graph mit den angegebenen Entfernungen Bestimmen Sie (a) mit Hilfe der linearen Optimierung (b) mit Dijkstras Algorithmus den Abstand von v zu g v a b 1 c d 4 1 e 5 9 1 1 f g 8 Einem Wegeplan mit n Ecken werde eine (n, n)-matrix W = ((w ij )) zugeordnet Dabei sei 0 für i = j w ij = Länge der Kante zwischen i-ter und j-ter Ecke, falls eine solche Kante existiert, falls keine Verbindungskante zwischen i-ter und j-ter Ecke existiert W heißt zugehörige Wegematrix und ist symmetrisch, dh es gilt w ij = w ji, 1 i, j n Weiter sei zwei (n, n)-matrizen A = ((a ij )) und B = ((b ij )) mit Elementen aus IN 0 { } die Matrix C = ((c ij )) durch folgende Verknüpfung zugeordnet: C := A B mit c ik = min{a ij + b jk ; 1 j n} (a) Zeigen Sie: Die Verknüpfung ist assoziativ (b) Geben Sie die Bedeutung der Elemente von W W, W W W usw an! (c) Zeigen Sie: W W, W W W usw sind symmetrisch (d) Zeigen Sie: Es gibt ein m IN mit W} {{ W} = W} {{ W} m m+1 (e) Zeigen Sie: Für alle l IN, l > m gilt W} {{ W} = W} {{ W} l m 9 Sei G = (V, E) ein gerichteter gewichteter Graph Zeigen Sie: Existiert in G ein geschlossener Kantenzug negativer Länge, dann existiert in G ein Kreis negativer Länge Abgabe der Aufgaben bis Mittwoch, den 116, vor der Übung

8 Übung zur Linearen Optimierung SS08 10 Bestimmen Sie mit Hilfe des Floyd-Warshall-Algorithmus eine Tabelle der kürzesten Entfernungen und der zugehörigen Wege zwischen je zwei Punkten des Graphen, der durch die Abstandsmatrix D = (d ij ) gegeben ist 0 64 64 64 64 64 0 64 64 64 64 D = 4 0 64 64 64 7 6 5 0 64 64, 1 11 10 9 0 64 1 0 19 18 17 0 Falls es Kreise negativer Länge gibt, so gebe man diese an 11 Gegeben sei ein gerichteter gewichteter Graph G = (V, E) mit Gewichtsfunktion c Für einen Kantenzug w = (v 1,,v k ) sei l(w) = min{c(v i, v i+1 ) 1 i k 1} die Länge von w Geben Sie einen Algorithmus an, der für jedes Paar (s, t) von Knoten aus V, für die ein verbindender Weg existiert, einen Weg maximaler Länge bezüglich l findet (Hinweis: Verwenden Sie den Floyd-Warshall-Algorithmus mit einer geeignet modifizierten Dreiecksoperation) 1 Sei V = {v 1,, v n } eine Punktmenge in der Ebene, d ij der euklidische Abstand der Punkte v i und v j und G = (V, E) der vollständige Graph bzgl V Sei C MST die Länge eines kürzesten spannenden Baumes und C TSP die Länge einer kürzesten Tour Man zeige C TSP C MST 1 Gegeben sei ein zusammenhängender gewichteter Graph G = (V, E) und ein minimal spannender Baum B = (V, T) Durch Hinzufügen einer Kante e / T entsteht ein (eindeutiger) Kreis K in T + e Man zeige, daß für jede Kante e K, e e gilt: d(e ) d(e) 14 Sei G ein zusammenhängender gewichteter Graph, dessen Kanten alle verschiedene Gewichte haben Man zeige, daß G einen eindeutig bestimmten kürzesten spannenden Baum hat Abgabe der Aufgaben bis Mittwoch, den 186, vor der Übung

9 Übung zur Linearen Optimierung SS08 15 Man bestimme den MST für folgenden Graphen mit den beiden Algorithmen der Vorlesung v 1 v 4 1 5 v 6 v 5 4 4 6 5 v 7 4 5 7 4 v 8 v 9 6 v 10 v 11 16 Sei V = {v 1,,v n } eine Punktmenge in der Ebene und sei d ij der euklidische Abstand der Punkte v i und v j Man zeige, daß beim MST des zugehörigen vollständigen Graphen sich verschiedene Strecken nie im Inneren schneiden v v 4 17 Entwerfen Sie einen Algorithmus für das folgende Problem: Gegeben ist ein kantenbewerteter zusammenhängender ungerichteter Graph G und eine feste Kante e von G Man bestimme unter allen spannenden Bäumen von G, die die Kante e enthalten, einen mit geringsten Kosten Zeigen Sie, dass Ihr Algorithmus zu dem gewünschten Ergebnis führt, und führen Sie den Algorithmus für folgendes Beispiel mit der Kante e = (v 1, v 7 ) durch! v 1 6 6 v v v 7 8 7 4 1 v 6 v 5 6 6 v 4 18 Mit Hilfe des Ford Fulkerson Algorithmus löse man das folgende MFP: a e s 1 b d f 4 1 1 t 5 4 4 c g Ferner gebe man einen minimalen Schnitt an Abgabe der Aufgaben bis Mittwoch, den 56, vor der Übung

10 Übung zur Linearen Optimierung SS08 19 Man führe folgende Probleme auf gewöhnliche Maximalflußprobleme zurück: (a) Gegeben sei ein Netzwerk N = (s 1,,s q, t 1,,t p, V, E, c o ) mit mehreren Quellen und Zielen, und es gebe keine Kanten (v, s j ), 1 j q bzw (t j, v), 1 j p q Gesucht ist ein Fluß mit maximalem Wert f(s j, u) j=1 (s j,u) E (b) Gegeben sei ein Netzwerk N = (s, t, V, E, c o ), in dem auch die Ecken Kapazitätsbeschränkungen unterliegen: Es sei also eine Abbildung d : V IR + 0 gegeben und die Flüsse f werden der weiteren Beschränkung f(v, u) d(u) für alle u (v,u) E V \{s, t} unterworfen Gesucht ist ein Fluß, der diesen Zusatzbedingungen genügt, und maximalen Wert hat 0 In einem Netzwerk sei f ein maximaler Fluß mit f > 0 (a) Kann eine Kante e existieren mit f(e) > f? (b) Zeigen Sie: Es gibt eine Kante e, so daß jeder Fluß in dem Netzwerk mit E = E\{e} Wert < f hat 1 Sei N = (s, t, V, E, c o ) ein Netzwerk Weiter sei H die Menge der Kanten, die s als Endoder t als Anfangsecke haben, und N das Netzwerk, das entsteht, wenn man aus N die Kanten von H entfernt Zeigen Sie: Die Werte maximaler Flüsse auf N bzw N stimmen überein Hinweis: Konstruktion der Fluß-Folge wie im Algorithmus von Edmonds-Karp Eine Menge von Kanten in einem ungerichteten Graphen heißt Korrespondenz, falls keine zwei von ihnen einen Endpunkt gemeinsam haben Sei G = (V, E) ein bipartiter Graph Zeigen Sie: Das Problem der Bestimmung einer Korrespondenz maximaler Mächtigkeit in G ist äquivalent der Bestimmung eines maximalen Flusses auf einem geeigneten Netzwerk Abgabe der Aufgaben bis Mittwoch, den 7, vor der Übung