Greedy-Algorithmen

El Jabri Großmann

Hochschule Zittau/GörlitzFakultät Elektrotechnik und Informatik

eljabri.m.a.informatik@gmail.coms3fagros@stud.hszg.de

11. Dezember 2014

El Jabri, Großmann (HSZG) Greedy-Algorithmen 11. Dezember 2014 1 / 35

Inhaltsverzeichnis

1 Greedy Algorithmen

2 Kürzeste Wege in Graphen

3 Die Repräsentation von Graphen

4 Minimaler Spannbaum

5 Optimale Substruktur

6 Minimaler Spannbaum Algorithmen

Inhaltsverzeichnis

Greedy Algorithmen

Vergleichsweise effizient bei Lösung von Optimierungsproblemen

Greedy Algorithmen

Definition„Gierige/Gefräßige“ Algorithmen.

Lösung auf Grundlage lokaler Optima.Vorteil: sehr schnell, gute (Näherungs-)Lösung.Nachteil :

1 keine Berücksichtigung früherer Lösungen; keine Revision einmalgetroffener Entscheidungen.

2 Endlösung möglicherweise nicht optimale Lösung.

Voraussetzungen: Optimierungsproblem, Lösungen aus Einzelstückenbestehend, Teillösungen qualitativ unterscheidbar.

Greedy Algorithmen

Definition„Gierige/Gefräßige“ Algorithmen.Lösung auf Grundlage lokaler Optima.

Vorteil: sehr schnell, gute (Näherungs-)Lösung.Nachteil :

Greedy Algorithmen

Vorteil: sehr schnell, gute (Näherungs-)Lösung.

Nachteil :1 keine Berücksichtigung früherer Lösungen; keine Revision einmal

getroffener Entscheidungen.2 Endlösung möglicherweise nicht optimale Lösung.

Greedy Algorithmen

Implementierung

Vorsortierte liste zur Kanditatenauswahl – priority queue.

Implementierung

Vorsortierte liste zur Kanditatenauswahl – priority queue.

Inhaltsverzeichnis

Dijkstra-Algorithmus

DIJKSTRA Algorithmus: berechnet kürzesten Weg in Graphen voneinem Startknoten aus für nichtnegative Kantengewichte.

kürzeste Strecke zw. A und B, z.B. kürzeste Route Görlitz-Dresden.

DIJKSTRA Algorithmus: berechnet kürzesten Weg in Graphen voneinem Startknoten aus für nichtnegative Kantengewichte.kürzeste Strecke zw. A und B, z.B. kürzeste Route Görlitz-Dresden.

Floyd-Warshall-Algorithmus und die transitive Hülle

FLOYD und WARSHALL: Floyd-algorithmus findet kürzeste Pfadezwischen allen Knotenpaaren; Warshall-algorithmus findet transitiveHülle.

Transitive Hülle: enthält zusätzlich zu direkten Relationen (erreichbarePunkte) alle indirekten Relationen

FLOYD und WARSHALL: Floyd-algorithmus findet kürzeste Pfadezwischen allen Knotenpaaren; Warshall-algorithmus findet transitiveHülle.Transitive Hülle: enthält zusätzlich zu direkten Relationen (erreichbarePunkte) alle indirekten Relationen

Inhaltsverzeichnis

Gerichtete Graphen

DefinitionEin gerichteter Graph umfaßt eine endliche Menge von Knoten V undeine endliche Menge von gerichteten Kanten E.

Dabei verbindet jede Kante e ∈ E genau einen Anfangsknoten v ∈ Vmit genau einem Endknoten u ∈ V . Man sagt auch, Kante e führt vonKnoten v nach Knoten u.

Gerichtete Graphen

DefinitionEin gerichteter Graph umfaßt eine endliche Menge von Knoten V undeine endliche Menge von gerichteten Kanten E.Dabei verbindet jede Kante e ∈ E genau einen Anfangsknoten v ∈ Vmit genau einem Endknoten u ∈ V . Man sagt auch, Kante e führt vonKnoten v nach Knoten u.

Gerichtete Graphen

DefinitionEin gerichteter Graph umfaßt eine endliche Menge von Knoten V undeine endliche Menge von gerichteten Kanten E.Dabei verbindet jede Kante e ∈ E genau einen Anfangsknoten v ∈ Vmit genau einem Endknoten u ∈ V . Man sagt auch, Kante e führt vonKnoten v nach Knoten u.

Ungerichtete Graphen

DefinitionEin ungerichteter Graph umfaßt eine endliche Menge von Knoten Vund eine endliche Menge von ungerichteten Kanten E.

Jede ungerichtete Kante e ∈ E verbindet entweder zwei verschiedeneKnoten (u, v) ∈ V miteinander oder im Falle einer ungerichtetenSchlinge einen Knoten v ∈ V mit sich selbst.

DefinitionEin ungerichteter Graph umfaßt eine endliche Menge von Knoten Vund eine endliche Menge von ungerichteten Kanten E.Jede ungerichtete Kante e ∈ E verbindet entweder zwei verschiedeneKnoten (u, v) ∈ V miteinander oder im Falle einer ungerichtetenSchlinge einen Knoten v ∈ V mit sich selbst.

Die Adjazenzmatrix

Die Adjazenzmatrix RepräsentationDie Adjazenzmatrix von einem Graph G = (V ,E ), wo V = 1, 2, ..., n,ist die Matrix A[1..n, 1..n] .Gegeben durch :

A[i , j ] =

{1 wenn (i , j) ∈ E0 wenn (i , j) /∈ E

A 1 2 3 41 0 1 1 02 0 0 1 03 0 0 0 04 0 0 1 0

Storage = Θ(V 2)

Die Adjazenzmatrix

A[i , j ] =

{1 wenn (i , j) ∈ E0 wenn (i , j) /∈ E

A 1 2 3 41 0 1 1 02 0 0 1 03 0 0 0 04 0 0 1 0

Storage = Θ(V 2)

Die Adjazenzmatrix

A[i , j ] =

{1 wenn (i , j) ∈ E0 wenn (i , j) /∈ E

A 1 2 3 41 0 1 1 02 0 0 1 03 0 0 0 04 0 0 1 0

Storage = Θ(V 2)

Die Adjazenzmatrix

A[i , j ] =

{1 wenn (i , j) ∈ E0 wenn (i , j) /∈ E

A 1 2 3 41 0 1 1 02 0 0 1 03 0 0 0 04 0 0 1 0

Storage = Θ(V 2)

Die Adjazenzliste

Die Adjazenzliste RepräsentationDie Adjazenzliste von einem Knoten v ∈ V ist die Liste Adj[v] vonKnoten, die zu v adjazent sind.

Die Adjazenzliste von diesem Graph ist :

Adj [1] = (2, 3)Adj [2] = (3)Adj [3] = ()Adj [4] = (3)

Storage = Θ(V + E )

Die Adjazenzliste

Die Adjazenzliste RepräsentationDie Adjazenzliste von einem Knoten v ∈ V ist die Liste Adj[v] vonKnoten, die zu v adjazent sind.Die Adjazenzliste von diesem Graph ist :

Adj [1] = (2, 3)Adj [2] = (3)Adj [3] = ()Adj [4] = (3)

Die Adjazenzliste

Adj [1] = (2, 3)Adj [2] = (3)Adj [3] = ()Adj [4] = (3)

Die Adjazenzliste

Adj [1] = (2, 3)Adj [2] = (3)Adj [3] = ()Adj [4] = (3)

Inhaltsverzeichnis

Minimaler Spannbaum

Verwendungen von Minimalen Spannbäumen

Verwendung Knoten KantenSchaltung Bauelement DrahtFluggesellschaft Flughafen FlugrouteStromverteiler Kraftwerk LeitungFluggesellschaft Flughafen Flugroute

Minimaler Spannbaum

Definition1 Ein gewichteter ungerichteter Graph (G ,w) ist ein ungerichteter

Graph G = (V ,E ) zusammen mit einer Gewichtsfunktionw : E =⇒ R

2 Ein Teilgraph H eines ungerichteten Graphen G heisst Spannbaum vonG, wenn H ein Baum auf den Knoten von G ist.

3 Ein Spannbaum T eines gewichteten ungerichteten Graphen G heisstminimaler Spannbaum von G, wenn T minimales Gewicht unter allenSpannbäumen von G besitzt.

w(t) =∑

(u,v)∈Tw(u, v)

Minimaler Spannbaum

w(t) =∑

(u,v)∈Tw(u, v)

Minimaler Spannbaum

w(t) =∑

(u,v)∈Tw(u, v)

Äquivalente Charakterisierungen von Bäumen

Beispiel

Inhaltsverzeichnis

Optimale Substruktur - Dynamic Programming

Minimaler Spannbaum T : (Die anderen Kanten von G sind nichtgezeigt)

Wir löschen irgendeine Kante (u, v) ∈ T .Wir löschen irgendeine Kante (u, v) ∈ T .Wir löschen irgendeine Kante (u, v) ∈ T .T ist unterteilt in zwei Teilbäume T1 und T2

Wir löschen irgendeine Kante (u, v) ∈ T .

Wir löschen irgendeine Kante (u, v) ∈ T .Wir löschen irgendeine Kante (u, v) ∈ T .T ist unterteilt in zwei Teilbäume T1 und T2

Wir löschen irgendeine Kante (u, v) ∈ T .

Wir löschen irgendeine Kante (u, v) ∈ T .T ist unterteilt in zwei Teilbäume T1 und T2

Wir löschen irgendeine Kante (u, v) ∈ T .Wir löschen irgendeine Kante (u, v) ∈ T .

Wir löschen irgendeine Kante (u, v) ∈ T .T ist unterteilt in zwei Teilbäume T1 und T2

TheoremDer Teilbaum T1 ist ein minimaler Spannbaum von G1 = (V1,E1), der denTeilgraph von G durch die Knoten von T1 induziert.

V1 = die Knoten von T1E1 = (x,y) ∈ E : (x,y) ∈ V1

TheoremDer Teilbaum T1 ist ein minimaler Spannbaum von G1 = (V1,E1), der denTeilgraph von G durch die Knoten von T1 induziert.

V1 = die Knoten von T1E1 = (x,y) ∈ E : (x,y) ∈ V1

Beweis (durch Wiederspruch)w(T ) = w(u, v) + w(T1) + w(T2)

Widerspruch ausnahme :Es gibt einen Teilbaum T ′

1, der ein niedrigeres Gewicht als T1 hat

w(T ′) = w(u, v) + w(T ′1) + w(T2)

T ′ ist optimaler als T : Wiederspruch !

⇒ Eigenschaft Dynamischer Programmierung : Overlapping subproblems

Widerspruch ausnahme :

Es gibt einen Teilbaum T ′1, der ein niedrigeres Gewicht als T1 hat

w(T ′) = w(u, v) + w(T ′1) + w(T2)

Inhaltsverzeichnis

Minimaler Spannbaum Algorithmen

Der Prim-Algorithmus

Vorgehen1 Ausgangspunkt für das Verfahren ist ein beliebiger Startknoten.

2 Alle Kanten zu Nachbarknoten werden in eine Nachbarliste eingefügt,man wählt eine Kante minimaler Länge aus der Nachbarliste und fügtdiese Kante dem bereits initialisierten Spannbaum zu(Greedy-Prinzip!) .

3 Von dort wird wieder der minimale Weg, basierend auf derausgewählten Kante, zum nächsten Knoten gewählt, ist dieser Knotenbereits besucht worden, wird er nicht berücksichtigt.

4 Dieses Verfahren führt man durch, bis alle Knoten besucht wurden.

Vorgehen1 Ausgangspunkt für das Verfahren ist ein beliebiger Startknoten.2 Alle Kanten zu Nachbarknoten werden in eine Nachbarliste eingefügt,

man wählt eine Kante minimaler Länge aus der Nachbarliste und fügtdiese Kante dem bereits initialisierten Spannbaum zu(Greedy-Prinzip!) .

Illustration

Prim-Pseudocode

Algorithmus von prim(G,w,r)Q ← VG //Initialisierungfor all u ∈ Q do

wert[u]←∞π[u]← 0wert[r ]← 0

while Q 6= ∅ dou ← extractmin(Q)for all v ∈ Adj [u] do

wenn v ∈ Q und w(u, v) < wert[v ]dann π[v ]← uwert[v ]← w(u, v)

Der Kruskal-Algorithmus

Vorgehen1 Alle Kanten des Graphen werden nach ihrem Gewicht in einer

Kantenliste sortiert.

2 Jeder Knoten wird als Baum aufgefasst, dabei ist jeder Knoten Sohnund Vater zugleich.

3 Die Kante mit dem geringsten Gewicht wird genommen(Greedy-Prinzip) und überprüft, ob die Knoten am Kantenende inunterschiedlichen Bäumen sind (kein Zyklus), ist dies der Fall, werdendie Kanten vereinigt und die Kante aus der Kantenliste gelöscht, imanderen Fall wird die Kante nicht aufgenommen .

Kantenliste sortiert.2 Jeder Knoten wird als Baum aufgefasst, dabei ist jeder Knoten Sohn

und Vater zugleich.

3 Die Kante mit dem geringsten Gewicht wird genommen(Greedy-Prinzip) und überprüft, ob die Knoten am Kantenende inunterschiedlichen Bäumen sind (kein Zyklus), ist dies der Fall, werdendie Kanten vereinigt und die Kante aus der Kantenliste gelöscht, imanderen Fall wird die Kante nicht aufgenommen .

Kantenliste sortiert.2 Jeder Knoten wird als Baum aufgefasst, dabei ist jeder Knoten Sohn

und Vater zugleich.3 Die Kante mit dem geringsten Gewicht wird genommen

(Greedy-Prinzip) und überprüft, ob die Knoten am Kantenende inunterschiedlichen Bäumen sind (kein Zyklus), ist dies der Fall, werdendie Kanten vereinigt und die Kante aus der Kantenliste gelöscht, imanderen Fall wird die Kante nicht aufgenommen .

Illustration

Kruskal-Pseudocode

G = (V,E,w) : ungerichteter, kantengewichteter Graph.Kruskal(G)E ′ ← ∅L← ESortiere die Kanten in L aufsteigend nach ihrem Kantengewicht.for all L 6= ∅ do

wähle eine Kante e ∈ L mit kleinstem Kantengewichtentferne die Kante e aus Lwenn der Graph (V ,E ′ ∪ {e}) keinen Kreis enthältdann E ′ ← E ′ ∪ {e}

M = (V,E’) ist ein minimaler Spannbaum von G.

Effizienz der MST-Algorithmen

Algorithmus Speicherbedarf LaufzeitDer Prim-Algorithmus V E log(V )Der Kruskal-Algorithmus E E log(E )

Vielen Dank für Ihre Aufmerksamkeit

Literaturhinweise

Algorithmen und KomplexitätChristian Wagenknecht (2003)

AlgorithmsRobert Sedgewick, Kevin Wayne (2011)

Introduction to Algorithms - Third EditionThomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein (2009)

The Algorithm Design ManualSteven S Skiena (2008)

Data Structures and AlgorithmsAlfred V. Aho, Jeffrey D. Ullman, John E. Hopcroft (1983)

Greedy-Algorithmen -...

Documents

Paradigma algoritmilor “greedy”

Greedy Algorithms I

Erinnerung: das Knapsack-Problemcgvr.informatik.uni-bremen.de/teaching/info2_10/folien/14_greedy_2.pdf · 6/17/10 1 G. Zachmann Informatik 2 – SS 10 Greedy-Algorithmen 11 C G Erinnerung:

E ziente Algorithmen - Startseite TU Ilmenau · besitzt also wahrscheinlich keinen eﬃzienten Algorithmus. Das fraktionale Rucksackproblem ist mit einem Greedy-Algorithmus in Zeit

Kapitel 3: Greedy-Algorithmen SS09 Greedy Eﬃziente ... · b a 1 a 2 a 3 a n cc c 12 3 n Input. FG KTuEA, TU Ilmenau Eﬃziente Algorithmen – SS09 – Kapitel 3 12 b a 1 a 2 a

12 - Greedy, Backtracking

Kap. 7 Optimierung - Chair 11: ALGORITHM ENGINEERINGls11- · Greedy-Algorithmen Greedy-Verfahren treffen lokale Entscheidungen Sie wählen in jedem Schritt die aktuell günstigste

Tugas Algoritma Greedy

Algorithmen I - crypto.iti.kit.edu · Optimale Greedy-Algorithmen IDijkstras Algorithmus fürkürzeste Wege IMinimale Spannbäume I Jarník-Prim I Kruskal ISelection-Sort (wenn man

Algorithmen für Ad-hoc- und Sensornetze - Übung 2 Greedy Routing · Besprechung: Leader Election in allgemeinen Graphen Greedy Routing Fabian Fuchs – Algorithmen fur Ad-hoc- und

(nach Folien von Prof. Martin Dietzfelbinger) · Greedy -Algorithmen sind anwendbar bei Konstruktionsaufgaben zum Finden einer optimalen Struktur. Sie nden eine L osung, die sie schrittweise

Paa Greedy

Algoritma Greedy - karmila.staff.gunadarma.ac.idkarmila.staff.gunadarma.ac.id/Downloads/files/57942/Algoritma+Greedy+(2).pdf · Pendahuluan • Algoritma greedy merupakan metode yang

Rückblick: divide and conquer · 2001. 12. 14. · Backtracking branch and bound Heuristiken und Approximation F3’01/02 – p.214/239. Greedy-Algorithmen Einsatz bei Auswahl einer

0tehnica Greedy

Greedy algorithm

Greedy Algorithms

ADS: Algorithmen und Datenstrukturen 2 - Teil 4adsprak.informatik.uni-leipzig.de/ss19/slides/ads204.pdf · falls ja, wende den kanonischen Greedy-Algorithmus an das erfordert eine

Greedy Medijana

Greedy Algorithmen: Dynamisches Programmieren · Greedy-Algorithmen-Führe eine Reihe von Entscheidungen mit Hilfe einer Heuristik aus.-Keine Entscheidung darf jemals zurückgenommen