Algorithmentheorie 1. Vorlesung

Ähnliche Dokumente
Die Komplexitätsklassen P und NP

Rechnerische Komplexität

Optimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis

Vorlesung Berechenbarkeit und Komplexität. Motivation, Übersicht und Organisatorisches

NP-Vollständigkeit. Krautgartner Martin ( ) Markgraf Waldomir ( ) Rattensberger Martin ( ) Rieder Caroline ( )

Theoretische Informatik

abgeschlossen unter,,,, R,

Berechenbarkeit und Komplexität

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Stefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J

Algorithmen II Vorlesung am

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012

Übung zur Vorlesung Berechenbarkeit und Komplexität

8 Diskrete Optimierung

Algorithmen und Datenstrukturen 2

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume

Algorithmen und Datenstrukturen 2

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Nichtdeterministische Platzklassen

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

4 Greedy-Algorithmen (gierige Algorithmen)

Kapitel 4: Minimal spannende Bäume Gliederung der Vorlesung

Algorithmen und Datenstrukturen 2

Anmerkungen zur Übergangsprüfung

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

WS 2009/10. Diskrete Strukturen

Automaten und Formale Sprachen

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

Graphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX

Routing Algorithmen. Begriffe, Definitionen

Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!

Übersicht Datenstrukturen und Algorithmen. Literatur. Algorithmus: Wikipedia Definition. Vorlesung 1: Einführung. Prof. Dr.

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

2. Repräsentationen von Graphen in Computern

Kapitel 6: Graphalgorithmen Gliederung

Komplexitätstheorie Einführung und Überblick (Wiederholung)

3. Musterlösung. Problem 1: Boruvka MST

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)

Algorithmentheorie Maximale Flüsse

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf

Dynamische Programmierung. Problemlösungsstrategie der Informatik

Komplexita tstheorie eine erste Ubersicht. KTV bedeutet: Details erfahren Sie in der Komplexitätstheorie-Vorlesung.

Algorithmen zur Berechnung von Matchings

Abgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:

Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Ulrich Furbach. Sommersemester 2014

Wiederholung zu Flüssen

Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Algorithmen und Datenstrukturen Kapitel 10

Graphen: Datenstrukturen und Algorithmen

ADS: Algorithmen und Datenstrukturen 2

Die Verbindung von Linearer Programmierung und Graphentheorie

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

Vorlesung 4 BETWEENNESS CENTRALITY

Theoretische Informatik 1

Einstieg in die Informatik mit Java

Tourist Town. wenn Computer ins Schwitzen geraten. Prof. Dr. Isolde Adler IT-Girls Night

Optimierungsprobleme auf Graphen

Maximale s t-flüsse in Planaren Graphen

Algorithmik Funke/Bahrdt/Krumpe/Mendel/Seybold SS Übungsblatt 4

Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis

Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;

Maximale s t-flüsse in Planaren Graphen

Effiziente Algorithmen I

Einführung in die Informatik 2

1 Einführung Zwei Beispiele (MIN JOB SCHEDULING und MAXCUT) Notationen und Definitionen Übungsaufgaben...

Optimierung I. Dr. Ulf Lorenz F2.413

MATHEMATISCHE ANALYSE VON ALGORITHMEN

Motivation. Formale Grundlagen der Informatik 1 Kapitel 10. Motivation. Motivation. Bisher haben wir mit TMs. Probleme gelöst/entschieden/berechnet.

Alles zu seiner Zeit Projektplanung heute

Datenstrukturen & Algorithmen

Algorithmen und Datenstrukturen

Laufzeit und Komplexität

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

LogSpace. Isomorphie von Bäumen (gerichtet und ungerichtet) Entscheiden, ob ein Graph zusammenhängend ist (gerichtet und ungerichtet)

Vorlesung Kombinatorische Optimierung (Wintersemester 2016/17)

Approximationsalgorithmen am Beispiel des Traveling Salesman Problem

Algorithmik - Kompaktkurs

Suchen und Sortieren Sortieren. Heaps

Stetige Funktionen, Binomischer Lehrsatz

JAVA - Suchen - Sortieren

Algorithmische Methoden der Netzwerkanalyse

Grundbegriffe der Theoretischen Informatik Sommersemester Thomas Schwentick

Maximizing the Spread of Influence through a Social Network

Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen

Klausur Datenstrukturen und Algorithmen SoSe 2012

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege

Algorithmen und Datenstrukturen CS1017

Erzeugung zufälliger Graphen und Bayes-Netze

Vorlesung 3 MINIMALE SPANNBÄUME

Bäume und Wälder. Bäume und Wälder 1 / 37

Flüsse, Schnitte, Bipartite Graphen II

Praktikum Planare Graphen

Lösungsvorschläge Blatt Z1

Bäume und Wälder. Bäume und Wälder 1 / 37

Transkript:

Algorithmentheorie. Vorlesung Martin Dietzfelbinger 6. April 2006 Methode, Material Vorlesung Vorlesungsskript (Netz, Copyshop) Folien (im Netz) Vorlesung nachbereiten! Übung Übungsblätter (im Netz) Übung vor- und nachbereiten! FG KTuEA, TU Ilmenau AT 06.0.2006 FG KTuEA, TU Ilmenau AT 06.0.2006 Methode, Material Frühere Klausuren (im Netz) Fragenkataloge (im Netz) Sprechstunde: nach der Vorlesung (bis 8:00 Uhr auch im Büro) Vorlesungsbewertung AFS: Im Netz. http://www.tu-ilmenau.de/fakia/algorithmentheorie.atss06.0.html Bücher U. Schöning, Theoretische Informatik kurzgefasst Hopcroft, Motwani, Ullman, Introduction... (Einführung... ) Hromkovič, Theoretische Informatik, Teubner Asteroth, Baier, Theoretische Informatik mit Beispielen, Pearson Wegener, Theoretische Informatik, Teubner FG KTuEA, TU Ilmenau AT 06.0.2006 2 FG KTuEA, TU Ilmenau AT 06.0.2006 3

Wichtige Aspekte Mathematische Grundbegriffe für AFS (Wiederholen!) Mathematische Grundbegriffe für AT Definitionen Zentrale Beziehungen zwischen den Gegenständen: Sätze Beispiele, Anwendungen: Übungsaufgaben Konstruktionen, Algorithmen Beweistechniken (z.b. Diagonalisierung) Teil : Berechenbarkeit und Unentscheidbarkeit Ziel: Unentscheidbarkeit semantischer Fragen Maschinenmodelle Simulationen Berechnungsprobleme Formalisierung des Begriffs Algorithmus Unentscheidbarkeit: Nichtexistenz von Algorithmen FG KTuEA, TU Ilmenau AT 06.0.2006 FG KTuEA, TU Ilmenau AT 06.0.2006 5 Übertragung von Unentscheidbarkeit: Reduktionen Teil 2: Theorie der NP-Vollständigkeit Wann heißen Algorithmen effizient? Sortieren von n Objekten in Zeit O(n log n) (Mergesort, Heapsort) Finden eines minimalen Spannbaums in einem Graphen G = (V,E) mit n Knoten und m Kanten in Zeit O(m log n) ( Algorithmen und Datenstrukturen ) Suchen von m Objekten in linearen Listen der Länge n: Zeit O(nm) polynomielle Laufzeit Finden von effizienten Algorithmen: Gegenstand des Gebiets Effiziente Algorithmen. FG KTuEA, TU Ilmenau AT 06.0.2006 6 FG KTuEA, TU Ilmenau AT 06.0.2006 7

Hamiltonkreis Definition Gegeben: Graph G = (V,E), V = {v,...,v n }. Formal:... eine Anordnung v π(),v π(2),...,v π(n) 3 2 der Knoten (π Permutation von {,...,n}) so dass (v π(),v π(2) ),(v π(2),v π(3) ),...,(v π(n ),v π(n) ),(v π(n),v π() ) alle in E sind. 5 6 7 Ein Hamiltonkreis in G ist ein Kreis, der jeden Knoten von G genau einmal berührt. FG KTuEA, TU Ilmenau AT 06.0.2006 8 FG KTuEA, TU Ilmenau AT 06.0.2006 9 Hamiltonkreisproblem HC Analog: gerichtete Hamiltonkreise in Digraphen: DHC Input/Instanz: (Ungerichteter) Graph G = (V, E) mit V = {v,...,v n }. 2 Frage: Besitzt G einen Hamiltonkreis? 3 5 6 7 Input/Instanz: Digraph G = (V,E) mit V = {v,...,v n }. Frage: Frage: Besitzt G einen gerichteten Hamiltonkreis? FG KTuEA, TU Ilmenau AT 06.0.2006 0 FG KTuEA, TU Ilmenau AT 06.0.2006

Naheliegender Algorithmus: Teste jede Permutation π, ob π einen Hamiltonkreis beschreibt. Beispiel Aufwand: n! 2πn(n/e) n Tests. Für n = 50: 50! > 0 6. 2 3 Für n = 00: 00! > 0 57. Aufwand wächst exponentiell in n nicht effizient. 5 Besitzt das Hamiltonkreisproblem einen Polynomialzeit- Algorithmus? 6 7 Graph mit (maximal großer) Clique. FG KTuEA, TU Ilmenau AT 06.0.2006 2 FG KTuEA, TU Ilmenau AT 06.0.2006 3 Definition Ist G = (V,E) ein ungerichteter Graph, so heißt V V eine Clique in G, falls v,w V,v w : (v,w) E. V heißt die Größe der Clique. Ziel: Gegegen G, finde möglichst große Clique. Variante : Optimierungsproblem im eigentlichen Sinn. Suche nach einer optimalen Struktur. Gegeben: Graph G = (V, E). Aufgabe: Finde eine möglichst große Clique in G. FG KTuEA, TU Ilmenau AT 06.0.2006 FG KTuEA, TU Ilmenau AT 06.0.2006 5

Variante 2: Parameteroptimierung Gegeben: Graph G = (V, E). Aufgabe: Bestimme das maximale k N, so dass G eine Clique der Größe k hat. Im Beispiel: Variante 3: Entscheidungsproblem Gegeben: Graph G = (V,E) und k N. Frage: Gibt es in G eine Clique der Größe k? Im Beispiel: (G, 3) liefert Antwort ja, (G, 5) liefert Antwort nein. Primitivalgorithmus: Teste alle 2 V Teilmengen V V, ob V Clique ist. Laufzeit: Exponentiell. Besitzt das Cliquenproblem einen Polynomialzeit- Algorithmus? FG KTuEA, TU Ilmenau AT 06.0.2006 6 FG KTuEA, TU Ilmenau AT 06.0.2006 7 Ziel des 2. Teils Identifiziere Klasse von Entscheidungsproblemen, NPC (NP-vollständig) zu der das Hamiltonkreisproblem und das Cliquenproblem gehören, und die ungefähr gleich schwierig sind. Skript Seiten 3 Bis nächste Woche AFS-Skript Seiten 202 209 (b-äre und b-adische Zahldarstellung) Übungsaufgaben drucken und vorbereiten Sammle Indizien dafür, dass diese Probleme keine Polynomialzeitalgorithmen haben. FG KTuEA, TU Ilmenau AT 06.0.2006 8 FG KTuEA, TU Ilmenau AT 06.0.2006 9