Kommunikationsprobleme Walter Unger Lehrstuhl für Informatik 1 29. Januar 2008 Approximation Einleitung Motivation und Definitionen Erste Ergebnisse Grundlagen Schranke Heuristiken Idee Grundlagen Heuristiken Approximation Cluster Approximation II Poise Ausblick LuF Literatur Fragen Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen Motivation I Broadcast- und Gossipproblem ist in N PC. Z Ausblick 4:1 LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen Motivation I Broadcast- und Gossipproblem ist in N PC. I Versuche trotzdem eine “Lösung”. Z Ausblick 4:1 LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen Z Ausblick 4:1 Motivation I Broadcast- und Gossipproblem ist in N PC. I Versuche trotzdem eine “Lösung”. I Versuche möglichst gut an das Optimum zu kommen. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen Z Ausblick 4:1 Motivation I Broadcast- und Gossipproblem ist in N PC. I Versuche trotzdem eine “Lösung”. I Versuche möglichst gut an das Optimum zu kommen. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen 4:1 Motivation I Broadcast- und Gossipproblem ist in N PC. I Versuche trotzdem eine “Lösung”. I Versuche möglichst gut an das Optimum zu kommen. Definition ( Minimum Broadcast Zeit ) Eingabe: G = (V , E ) und v ∈ V Ausgabe: Broadcast Verfahren A von v aus für G . Kosten: comm(A) Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen 4:1 Motivation I Broadcast- und Gossipproblem ist in N PC. I Versuche trotzdem eine “Lösung”. I Versuche möglichst gut an das Optimum zu kommen. Definition ( Minimum Broadcast Zeit ) Eingabe: G = (V , E ) und v ∈ V Ausgabe: Broadcast Verfahren A von v aus für G . Kosten: comm(A) Ziel: Versuche die MBZ zu approximieren. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Motivation und Definitionen Approximation Definition (Approximations Faktor) I Sei A Algorithmus für Problem P Approximation II Z Ausblick 4:2 LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Motivation und Definitionen Approximation Approximation II Z Ausblick 4:2 LuF Walter Unger Definition (Approximations Faktor) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen Approximation Z Ausblick 4:2 LuF Walter Unger Definition (Approximations Faktor) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. I Seien opt(I ) Kosten der optimalen Lösung. Einleitung Grundlagen Heuristiken Approximation Approximation II Motivation und Definitionen 4:2 Approximation Z Ausblick Walter Unger Definition (Approximations Faktor) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. I Seien opt(I ) Kosten der optimalen Lösung. I Dann ist der Approximations Faktor von A: max I ∈P costA (I ) opt(I ) LuF Einleitung Grundlagen Heuristiken Erste Ergebnisse Erste Überlegungen Approximation Approximation II Z Ausblick 4:3 LuF Walter Unger Lemma Für jeden Graphen G = (V , E ) und jeden Knoten v ∈ V gilt: b(v , G ) 6 b(G ) 6 r2 (G ) 6 r (G ) 6 2minb(G ) 6 2b(v , G ) maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Erste Überlegungen Z Ausblick 4:3 LuF Walter Unger Lemma Für jeden Graphen G = (V , E ) und jeden Knoten v ∈ V gilt: b(v , G ) 6 b(G ) 6 r2 (G ) 6 r (G ) 6 2minb(G ) 6 2b(v , G ) Folgerung: Falls das MBZ Problem mit Faktor α approximiert werden kann, dann auch: I das Problem minb(v , G ) mit Faktor 2 · α, maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Erste Überlegungen Z Ausblick 4:3 LuF Walter Unger Lemma Für jeden Graphen G = (V , E ) und jeden Knoten v ∈ V gilt: b(v , G ) 6 b(G ) 6 r2 (G ) 6 r (G ) 6 2minb(G ) 6 2b(v , G ) Folgerung: Falls das MBZ Problem mit Faktor α approximiert werden kann, dann auch: I das Problem minb(v , G ) mit Faktor 2 · α, I das Problem b(G ) mit Faktor 2 · α, maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Erste Überlegungen Z Ausblick 4:3 LuF Walter Unger Lemma Für jeden Graphen G = (V , E ) und jeden Knoten v ∈ V gilt: b(v , G ) 6 b(G ) 6 r2 (G ) 6 r (G ) 6 2minb(G ) 6 2b(v , G ) Folgerung: Falls das MBZ Problem mit Faktor α approximiert werden kann, dann auch: I das Problem minb(v , G ) mit Faktor 2 · α, I das Problem b(G ) mit Faktor 2 · α, I das Problem r2 (G ) mit Faktor 2 · α und maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Erste Überlegungen Z Ausblick 4:3 LuF Walter Unger Lemma Für jeden Graphen G = (V , E ) und jeden Knoten v ∈ V gilt: b(v , G ) 6 b(G ) 6 r2 (G ) 6 r (G ) 6 2minb(G ) 6 2b(v , G ) Folgerung: Falls das MBZ Problem mit Faktor α approximiert werden kann, dann auch: I das Problem minb(v , G ) mit Faktor 2 · α, I das Problem b(G ) mit Faktor 2 · α, I das Problem r2 (G ) mit Faktor 2 · α und I das Problem r (G ) mit Faktor 2 · α. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Erste Ergebnisse MBZ auf Bäumen Approximation Approximation II Z Ausblick 4:4 LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Erste Ergebnisse MBZ auf Bäumen Approximation Approximation II Z Ausblick 4:4 LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Erste Ergebnisse MBZ auf Bäumen Approximation II Z Ausblick 4:4 LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse MBZ auf Bäumen Z Ausblick 4:4 LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . I Seien Ti die Teilbäume mit Wurzel vi (1 6 i 6 k). maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse MBZ auf Bäumen Z Ausblick 4:4 LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . I Seien Ti die Teilbäume mit Wurzel vi (1 6 i 6 k). I Bestimme rekursiv b(vi , Ti ). maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Z Ausblick 4:4 MBZ auf Bäumen LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . I Seien Ti die Teilbäume mit Wurzel vi (1 6 i 6 k). I Bestimme rekursiv b(vi , Ti ). I Sei o.E.d.A.: b(v1 , T1 ) > b(v2 , T2 ) > . . . > b(vk , Tk ). maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Z Ausblick 4:4 MBZ auf Bäumen LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . I Seien Ti die Teilbäume mit Wurzel vi (1 6 i 6 k). I Bestimme rekursiv b(vi , Ti ). I Sei o.E.d.A.: b(v1 , T1 ) > b(v2 , T2 ) > . . . > b(vk , Tk ). I Dann ist es optimal: die Nachfolger von v in dieser Reihenfolge zu informieren. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Z Ausblick 4:4 MBZ auf Bäumen LuF Walter Unger Lemma (MBZ auf Bäumen) Das MBZ Problem kann auf beliebigen Bäumen in Polynomzeit gelöst werden. Beweis: I Sei v Wurzel von T . I Seien v1 , v2 , . . . , vk Nachfolger von v . I Seien Ti die Teilbäume mit Wurzel vi (1 6 i 6 k). I Bestimme rekursiv b(vi , Ti ). I Sei o.E.d.A.: b(v1 , T1 ) > b(v2 , T2 ) > . . . > b(vk , Tk ). I Dann ist es optimal: die Nachfolger von v in dieser Reihenfolge zu informieren. I D.h.: b(v , T ) = max16i6k (b(vi , Ti ) + i). maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Erste Ergebnisse Schranken Heuristiken Approximation Approximation II Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Erste Ergebnisse Schranken Heuristiken Approximation Approximation II Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Erste Ergebnisse Schranken Heuristiken Approximation Approximation II Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Schranken Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. Lemma MBZ kann auf jeden Graphen G und Knoten v in Zeit deg(G ) · rad(v , G ) gelöst werden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Schranken Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. Lemma MBZ kann auf jeden Graphen G und Knoten v in Zeit deg(G ) · rad(v , G ) gelöst werden. Folgerung MBZ kann mit Faktor deg(G ) approximiert werden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Schranken Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. Lemma MBZ kann auf jeden Graphen G und Knoten v in Zeit deg(G ) · rad(v , G ) gelöst werden. Folgerung MBZ kann mit Faktor deg(G ) approximiert werden. Beweis: wegen rad(v , G ) 6 b(v , G ) gilt maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Erste Ergebnisse Schranken Z Ausblick 4:5 LuF Walter Unger Lemma 1. MBZ kann mit Faktor (n − 1)/dlog2 ne approximiert werden. 2. MBZ kann mit Faktor (n − 1)/ rad(G ) approximiert werden. Lemma MBZ kann auf jeden Graphen G und Knoten v in Zeit deg(G ) · rad(v , G ) gelöst werden. Folgerung MBZ kann mit Faktor deg(G ) approximiert werden. Beweis: wegen rad(v , G ) 6 b(v , G ) gilt deg(G ) · rad(v , G )/b(v , G ) 6 deg(G ) · rad(v , G )/ rad(v , G ). maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Schranke Schranke Heuristiken Approximation Approximation II Z Ausblick 4:6 LuF Walter Unger Lemma Falls es einen ρ-Approximations Algorithmus auf Graphen H vom Durchmesser 2 für MBZ gibt, dann auch einen (4 · ρ + 2)-Approximations Algorithmus für beliebige Graphen G . Beweisüberblick: maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Schranke Heuristiken Approximation Approximation II Z Ausblick 4:6 Schranke LuF Walter Unger Lemma Falls es einen ρ-Approximations Algorithmus auf Graphen H vom Durchmesser 2 für MBZ gibt, dann auch einen (4 · ρ + 2)-Approximations Algorithmus für beliebige Graphen G . Beweisüberblick: 1. Erzeuge aus G einen Graphen H mit Durchmesser 2. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Schranke Heuristiken Approximation Approximation II Z Ausblick 4:6 Schranke LuF Walter Unger Lemma Falls es einen ρ-Approximations Algorithmus auf Graphen H vom Durchmesser 2 für MBZ gibt, dann auch einen (4 · ρ + 2)-Approximations Algorithmus für beliebige Graphen G . Beweisüberblick: 1. Erzeuge aus G einen Graphen H mit Durchmesser 2. 2. Bestimme auf H den ρ-Approximations Algorithmus. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:6 Schranke LuF Walter Unger Lemma Falls es einen ρ-Approximations Algorithmus auf Graphen H vom Durchmesser 2 für MBZ gibt, dann auch einen (4 · ρ + 2)-Approximations Algorithmus für beliebige Graphen G . Beweisüberblick: 1. Erzeuge aus G einen Graphen H mit Durchmesser 2. 2. Bestimme auf H den ρ-Approximations Algorithmus. 3. Transformiere diesen zu einen Algorithmus auf G . maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:6 Schranke LuF Walter Unger Lemma Falls es einen ρ-Approximations Algorithmus auf Graphen H vom Durchmesser 2 für MBZ gibt, dann auch einen (4 · ρ + 2)-Approximations Algorithmus für beliebige Graphen G . Beweisüberblick: 1. Erzeuge aus G einen Graphen H mit Durchmesser 2. 2. Bestimme auf H den ρ-Approximations Algorithmus. 3. Transformiere diesen zu einen Algorithmus auf G . 4. Zeige Güte der Approximation. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Schranke Approximation Approximation II 4:7 Umformung des Graphen I Z Ausblick LuF Walter Unger Sei G = (V , E ) maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Schranke Approximation II 4:7 Umformung des Graphen I Sei G = (V , E ) I Dann ist H = (V ∪ {t}, E ∪ E 0 ) mit Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Schranke Approximation II 4:7 Umformung des Graphen I Sei G = (V , E ) I Dann ist H = (V ∪ {t}, E ∪ E 0 ) mit I E 0 = { {t, x} | x ∈ V }. Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Schranke Approximation II 4:7 Umformung des Graphen I Sei G = (V , E ) I Dann ist H = (V ∪ {t}, E ∪ E 0 ) mit I E 0 = { {t, x} | x ∈ V }. Es wird also: I Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Schranke Approximation II 4:7 Umformung des Graphen I Sei G = (V , E ) I Dann ist H = (V ∪ {t}, E ∪ E 0 ) mit I E 0 = { {t, x} | x ∈ V }. Es wird also: I I Z Ausblick LuF Walter Unger Ein Knoten hinzugefügt und maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Schranke Approximation II 4:7 Umformung des Graphen I Sei G = (V , E ) I Dann ist H = (V ∪ {t}, E ∪ E 0 ) mit I E 0 = { {t, x} | x ∈ V }. Es wird also: I I I Z Ausblick LuF Walter Unger Ein Knoten hinzugefügt und dieser mit allen anderen verbunden. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:8 Tranformation I Z Ausblick LuF Walter Unger Sei AH Algorithmus auf H mit Laufzeit h. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:8 Tranformation I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:8 Tranformation I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:8 Tranformation I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . I In diesem Baum T gibt es auch den Knoten t und die inzidenten Kanten. LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:8 Tranformation LuF Walter Unger I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . I In diesem Baum T gibt es auch den Knoten t und die inzidenten Kanten. I Ersetze den Stern um t durch einen BFS Teilbaum T 0 in G . maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:8 Tranformation LuF Walter Unger I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . I In diesem Baum T gibt es auch den Knoten t und die inzidenten Kanten. I Ersetze den Stern um t durch einen BFS Teilbaum T 0 in G . I Nutze für T 0 die Reihenfolge der Aktivierung der Kanten um t. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:8 Tranformation LuF Walter Unger I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . I In diesem Baum T gibt es auch den Knoten t und die inzidenten Kanten. I Ersetze den Stern um t durch einen BFS Teilbaum T 0 in G . I Nutze für T 0 die Reihenfolge der Aktivierung der Kanten um t. I Dabei wird die Kommunikation auf T 0 maximal h mal ausgebremst. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke Z Ausblick 4:8 Tranformation LuF Walter Unger I Sei AH Algorithmus auf H mit Laufzeit h. I AH macht einen Broadcast. I Damit arbeitet AH auf einem Baum T . I In diesem Baum T gibt es auch den Knoten t und die inzidenten Kanten. I Ersetze den Stern um t durch einen BFS Teilbaum T 0 in G . I Nutze für T 0 die Reihenfolge der Aktivierung der Kanten um t. I Dabei wird die Kommunikation auf T 0 maximal h mal ausgebremst. I Damit ist die Laufzeit von AG : 2 · h + diam(G ) maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Schranke Approximation Approximation II 4:9 Beweis I Z Ausblick LuF Walter Unger b(H) 6 b(G ) + 1 maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Schranke Approximation Approximation II 4:9 Beweis I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) Z Ausblick LuF Walter Unger maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Schranke Approximation Approximation II 4:9 Beweis Z Ausblick LuF Walter Unger I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) I 2 · ρ · (b(G ) + 1) + diam(G ) Algorithmus A auf G von s aus. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:9 Beweis Z Ausblick LuF Walter Unger I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) I 2 · ρ · (b(G ) + 1) + diam(G ) Algorithmus A auf G von s aus. I Es gilt: diam(G ) 6 b(G ) 6 2 · b(s, G ) − 1 maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:9 Beweis Z Ausblick LuF Walter Unger I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) I 2 · ρ · (b(G ) + 1) + diam(G ) Algorithmus A auf G von s aus. I Es gilt: diam(G ) 6 b(G ) 6 2 · b(s, G ) − 1 I 4 · ρ · b(s, G ) + 2 · b(s, G ) Schritte für A. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:9 Beweis Z Ausblick LuF Walter Unger I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) I 2 · ρ · (b(G ) + 1) + diam(G ) Algorithmus A auf G von s aus. I Es gilt: diam(G ) 6 b(G ) 6 2 · b(s, G ) − 1 I 4 · ρ · b(s, G ) + 2 · b(s, G ) Schritte für A. I (4 · ρ + 2) · b(s, G ) Schritte für A. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Schranke 4:9 Beweis Z Ausblick LuF Walter Unger I b(H) 6 b(G ) + 1 I ρ · b(H) 6 ρ · (b(G ) + 1) I 2 · ρ · (b(G ) + 1) + diam(G ) Algorithmus A auf G von s aus. I Es gilt: diam(G ) 6 b(G ) 6 2 · b(s, G ) − 1 I 4 · ρ · b(s, G ) + 2 · b(s, G ) Schritte für A. I (4 · ρ + 2) · b(s, G ) Schritte für A. I Also eine (2 · ρ + 2)-Approximation. maxI ∈P costA (I ) opt(I ) Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I I {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Mit: Vi ∈ V und Ei ∈ E Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I I I Z Ausblick LuF Walter Unger {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Mit: Vi ∈ V und Ei ∈ E Mit: Ei ist Maximum Matching zwischen Vi−1 und N(Vi−1 ). Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I I I I Z Ausblick LuF Walter Unger {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Mit: Vi ∈ V und Ei ∈ E Mit: Ei ist Maximum Matching zwischen Vi−1 und N(Vi−1 ). Mit: Vi = Vi−1 ∪ Ei (Vi−1 ) Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I I I I I Z Ausblick LuF Walter Unger {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Mit: Vi ∈ V und Ei ∈ E Mit: Ei ist Maximum Matching zwischen Vi−1 und N(Vi−1 ). Mit: Vi = Vi−1 ∪ Ei (Vi−1 ) Mit: N(W ) sind die Nachbarn der Knotenmenge W . Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:10 Idee I Algorithmen sind eine Folge von Matchings. I Heuristik könnte sein: Maximiere die Matchings. Form der Algorithmen: I I I I I I I Z Ausblick LuF Walter Unger {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Mit: Vi ∈ V und Ei ∈ E Mit: Ei ist Maximum Matching zwischen Vi−1 und N(Vi−1 ). Mit: Vi = Vi−1 ∪ Ei (Vi−1 ) Mit: N(W ) sind die Nachbarn der Knotenmenge W . Mit: M(W ) sind die Knoten die von W aus gematchet werden. Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:11 Motivation Z Ausblick LuF Walter Unger Lemma Falls S1 ⊆ S2 dann gilt b(S2 , G ) 6 b(S1 , G ). Mit b(S, G ) ist ein Broadcast von S, wobei alle Knoten aus S die Information schon haben. Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:11 Motivation Z Ausblick LuF Walter Unger Lemma Falls S1 ⊆ S2 dann gilt b(S2 , G ) 6 b(S1 , G ). Mit b(S, G ) ist ein Broadcast von S, wobei alle Knoten aus S die Information schon haben. Erinnerung: {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:11 Motivation Z Ausblick LuF Walter Unger Lemma Falls S1 ⊆ S2 dann gilt b(S2 , G ) 6 b(S1 , G ). Mit b(S, G ) ist ein Broadcast von S, wobei alle Knoten aus S die Information schon haben. Erinnerung: {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Lemma Jeder optimale Broadcastalgorithmus kann so umgeformt werden, daß die Ei Maximum Matching zwischen Vi−1 und N(Vi−1 ) ist. Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:11 Motivation Z Ausblick Walter Unger Lemma Falls S1 ⊆ S2 dann gilt b(S2 , G ) 6 b(S1 , G ). Mit b(S, G ) ist ein Broadcast von S, wobei alle Knoten aus S die Information schon haben. Erinnerung: {v } = V0 , E1 , V1 , E2 , V2 , . . . , Ek , Vk = V Lemma Jeder optimale Broadcastalgorithmus kann so umgeformt werden, daß die Ei Maximum Matching zwischen Vi−1 und N(Vi−1 ) ist. Lemma Es gilt: b(S, G ) = 1 + minM Matching zwischen S,N(S) (b(S LuF ∪ M(S), G ). Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:12 Idee Definition (Rad) Das Rad Rk mit k + 1 Knoten ist der Graph I Rk = (Vk , Ek ) Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:12 Idee Definition (Rad) Das Rad Rk mit k + 1 Knoten ist der Graph I Rk = (Vk , Ek ) I Vk = {v0 , v1 , v2 , . . . , vk } Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Idee 4:12 Idee Z Ausblick LuF Walter Unger Definition (Rad) Das Rad Rk mit k + 1 Knoten ist der Graph I Rk = (Vk , Ek ) I Vk = {v0 , v1 , v2 , . . . , vk } I Ek = {vi , vj } | i = (j +1) mod (k +1)∨i = 0∨(i = 1∧j = k)} Einleitung Grundlagen Heuristiken Approximation Grundlagen Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). Zeige: b(v0 , Rn ) = Ω( p (n)) Z Ausblick 4:13 Schranke für das Rad I Approximation II LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Grundlagen Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). Zeige: b(v0 , Rn ) = Ω( I p (n)) Angenommen: k = b(v0 , Rn ) Z Ausblick 4:13 Schranke für das Rad I Approximation II LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Grundlagen Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). Zeige: b(v0 , Rn ) = Ω( I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. Z Ausblick 4:13 Schranke für das Rad I Approximation II LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Grundlagen Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). Zeige: b(v0 , Rn ) = Ω( I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Z Ausblick 4:13 Schranke für das Rad I Approximation II LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Minimale Laufzeit bei: k = bdn/ke/2c + 1 Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Minimale Laufzeit bei: k = bdn/ke/2c + 1 p Damit: k > n/2. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Minimale Laufzeit bei: k = bdn/ke/2c + 1 p Damit: k > n/2. √ Zeige: b(v0 , Rn ) = O( n) Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Minimale Laufzeit bei: k = bdn/ke/2c + 1 p Damit: k > n/2. √ Zeige: b(v0 , Rn ) = O( n) I Z Ausblick √ v0 informiert alle Knoten vi mit: 1 ≡ i (mod d ne). LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Grundlagen 4:13 Schranke für das Rad Lemma √ Es gilt: b(v0 , Rn ) = Θ( n). I Zeige: b(v0 , Rn ) = Ω( I I I I I I I I p (n)) Angenommen: k = b(v0 , Rn ) v0 informiere Knotenmenge C direkt. |C | 6 k Damit gibt es w mit: dist(w , C ) > bdn/ke/2c. Laufzeit: bdn/ke/2c + 1 Minimale Laufzeit bei: k = bdn/ke/2c + 1 p Damit: k > n/2. √ Zeige: b(v0 , Rn ) = O( n) I I Z Ausblick √ v0 informiert alle Knoten vi mit: 1 ≡ i (mod d ne). √ Laufzeit damit: 3 · d ne/2 + 1. LuF Walter Unger Einleitung Grundlagen Heuristiken Heuristiken Approximation II Definition P v ∈S deg(v , G ) Z Ausblick 4:14 Heuristik 1 DG (S) = Approximation LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:14 Heuristik 1 Definition DG (S) = I P v ∈S deg(v , G ) Betrachte alle maximalen Matchings. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:14 Heuristik 1 Definition DG (S) = P v ∈S deg(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:14 Heuristik 1 Definition DG (S) = P v ∈S deg(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: I DG (Ei (Vi−1 )) ist maximal. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Heuristiken 4:14 Heuristik 1 Definition DG (S) = P v ∈S deg(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: I DG (Ei (Vi−1 )) ist maximal. I Kann auf Rn zu einer Laufzeit von n/3 führen. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Heuristiken 4:14 Heuristik 1 Definition DG (S) = P v ∈S Z Ausblick deg(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: I DG (Ei (Vi−1 )) ist maximal. I Kann auf Rn zu einer Laufzeit von n/3 führen. I v0 muss nicht die Knoten auf dem Kreis gleichverteilt informieren. LuF Walter Unger Einleitung Grundlagen Heuristiken Heuristiken Heuristik 2 Definition P EG (S) = v ∈S rad(v , G ) Approximation Approximation II Z Ausblick 4:15 LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:15 Heuristik 2 Definition P EG (S) = v ∈S rad(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: I EG (Ei (Vi−1 )) ist maximal. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Heuristiken Z Ausblick 4:15 Heuristik 2 Definition P EG (S) = v ∈S rad(v , G ) I Betrachte alle maximalen Matchings. I Wähle als Matching Ei das mit: I EG (Ei (Vi−1 )) ist maximal. I Kann auf Rn zu einer Laufzeit von O(n) führen. I v0 muss nicht die Knoten auf dem Kreis gleichverteilt informieren. LuF Walter Unger Einleitung Grundlagen Heuristiken Heuristiken Approximation Approximation II 4:16 Heuristik 3 I Kombiniere 1 und 2. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:16 Heuristik 3 I Kombiniere 1 und 2. I Führt zu einem analogen Problem. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Heuristiken Approximation II 4:16 Heuristik 3 Z Ausblick I Kombiniere 1 und 2. I Führt zu einem analogen Problem. I Damit approximieren die Heuristiken nur mit einem Faktor √ von Ω( n). LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:17 Idee I Teile den Graph in Cluster auf. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:17 Idee I Teile den Graph in Cluster auf. I Cluster sollten klein sein. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:17 Idee I Teile den Graph in Cluster auf. I Cluster sollten klein sein. I Auf Cluster sollte gut approximiert werden. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:17 Idee Z Ausblick I Teile den Graph in Cluster auf. I Cluster sollten klein sein. I Auf Cluster sollte gut approximiert werden. I Globaler Algorithmus sollte gut zusammengefügt werden können. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:18 Cluster Definition Sei G = (V , E ) ein Graph. C ⊆ V ist ein Cluster, falls G |C zusammenhängend ist. I mit G |C = (C , {{a, b} ∈ E | a, b ∈ C }). Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:18 Cluster Definition Sei G = (V , E ) ein Graph. C ⊆ V ist ein Cluster, falls G |C zusammenhängend ist. I mit G |C = (C , {{a, b} ∈ E | a, b ∈ C }). I G |C ist der durch C induzierte Teilgraph auf G . Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:18 Cluster Definition Sei G = (V , E ) ein Graph. C ⊆ V ist ein Cluster, falls G |C zusammenhängend ist. I mit G |C = (C , {{a, b} ∈ E | a, b ∈ C }). I G |C ist der durch C induzierte Teilgraph auf G . I C , C 0 sind disjunkt, falls C ∩ C 0 = ∅. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:18 Cluster Definition Sei G = (V , E ) ein Graph. C ⊆ V ist ein Cluster, falls G |C zusammenhängend ist. I mit G |C = (C , {{a, b} ∈ E | a, b ∈ C }). I G |C ist der durch C induzierte Teilgraph auf G . I C , C 0 sind disjunkt, falls C ∩ C 0 = ∅. I C , C 0 sind unabhängig, falls {{a, b} | a ∈ C ∧ b ∈ C 0 ∧ {a, b} ∈ E } = ∅. Z Ausblick LuF Walter Unger Einleitung Grundlagen Cluster Heuristiken Approximation Approximation II 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 I ∀w ∈ S : distT (v , w ) = distG (v , w ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 I ∀w ∈ S : distT (v , w ) = distG (v , w ) I Falls w ∈ V 0 ein Blatt ist, dann gilt w ∈ S. LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 I ∀w ∈ S : distT (v , w ) = distG (v , w ) I Falls w ∈ V 0 ein Blatt ist, dann gilt w ∈ S. LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 I ∀w ∈ S : distT (v , w ) = distG (v , w ) I Falls w ∈ V 0 ein Blatt ist, dann gilt w ∈ S. LuF Lemma (STP): Zu G = (V , E ) und S ⊂ V kann SPT T = (V 0 , E 0 ) in Polynomzeit bestimmt werden. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:19 SPT Z Ausblick Walter Unger Definition (STP): Sei G = (V , E ) und S ⊂ V . Ein Baum T = (V 0 , E 0 ) mit Wurzel v heist “Shortest Path Tree” falls: I S ⊆ V0 I ∀w ∈ S : distT (v , w ) = distG (v , w ) I Falls w ∈ V 0 ein Blatt ist, dann gilt w ∈ S. Lemma (STP): Zu G = (V , E ) und S ⊂ V kann SPT T = (V 0 , E 0 ) in Polynomzeit bestimmt werden. Beweis: Bestimme minimalen Spannbaum und lösche rekursiv Blätter die nicht aus S sind. LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V √ |A| 6 n. I I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V √ |A| 6 n. √ ∀C ∈ A : |C | = d ne. I I I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V √ |A| 6 n. √ ∀C ∈ A : |C | = d ne. √ |B| = n. I I I I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V √ |A| 6 n. √ ∀C ∈ A : |C | = d ne. √ |B| = n. √ ∀C ∈ B : |C | 6 n. I I I I I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:20 Aufteilung in Cluster Z Ausblick Walter Unger Lemma: Ein Graph G = (V , E ) (|V | = n) kann in Polynomzeit aufgeteilt werden: I Die Cluster aus A, B sind disjunkt. I I A, B sind Mengen von Clustern. S S ( A) ∪ ( B) = V √ |A| 6 n. √ ∀C ∈ A : |C | = d ne. √ |B| = n. √ ∀C ∈ B : |C | 6 n. I ∀C , D ∈ B : C ∩ D = ∅ I I I I LuF Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. Bestimme Spannwald F . Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. Bestimme Spannwald F . √ 2. Falls F einen Baum T der Größe > n hat, dann Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:21 Aufteilung in Cluster I Z Ausblick Arbeite rekursiv auf G = (V , E ): 1. Bestimme Spannwald F . √ 2. Falls F einen Baum T der Größe > n hat, dann √ 3. bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:21 Aufteilung in Cluster I Z Ausblick Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. I Z Ausblick Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. Situation: Jeder Baum T in F hat Größe 6 √ n LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Z Ausblick Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. I Situation: Jeder Baum T in F hat Größe 6 I Diese Bäume ergeben die Cluster aus B. √ n LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. I Situation: Jeder Baum T in F hat Größe 6 I Diese Bäume ergeben die Cluster aus B. √ Damit ist noch zu zeigen: |A| 6 d ne. I Z Ausblick √ n LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. I Situation: Jeder Baum T in F hat Größe 6 I Diese Bäume ergeben die Cluster aus B. √ Damit ist noch zu zeigen: |A| 6 d ne. I Z Ausblick I √ n > |A| · d ne √ n LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. I Situation: Jeder Baum T in F hat Größe 6 I Diese Bäume ergeben die Cluster aus B. √ Damit ist noch zu zeigen: |A| 6 d ne. I Z Ausblick I I √ n >√|A| · d ne n/d ne > |A √ n LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:21 Aufteilung in Cluster I Arbeite rekursiv auf G = (V , E ): 1. 2. 3. 4. Bestimme Spannwald F . √ Falls F einen Baum T der Größe > n hat, dann √ bestimmte in T Teilbaum T 0 = (W , F ) mit |W | = d ne. Füge W zu A hinzu. I Situation: Jeder Baum T in F hat Größe 6 I Diese Bäume ergeben die Cluster aus B. √ Damit ist noch zu zeigen: |A| 6 d ne. I Z Ausblick I I I √ n >√|A| · d ne n/d √ ne > |A n > |A| √ n LuF Walter Unger Einleitung Grundlagen Cluster Heuristiken Approximation Approximation II 4:22 Lemma Z Ausblick Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:22 Lemma Z Ausblick Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:22 Lemma Z Ausblick Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I I Falls Nachricht bei v 0 aufgehalten wird, dann LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Walter Unger Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I I I LuF Falls Nachricht bei v 0 aufgehalten wird, dann wird von v 0 ohne Verzögerung genau ein Blatt u 0 informiert. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Walter Unger Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I I I I LuF Falls Nachricht bei v 0 aufgehalten wird, dann wird von v 0 ohne Verzögerung genau ein Blatt u 0 informiert. Markiere u 0 mit einem Token. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Walter Unger Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I I I I I LuF Falls Nachricht bei v 0 aufgehalten wird, dann wird von v 0 ohne Verzögerung genau ein Blatt u 0 informiert. Markiere u 0 mit einem Token. Es werden höchstens |V 0 | − 1 Blätter markiert. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:22 Lemma Walter Unger Lemma: Gegeben Graph G = (V , E ), V 0 ⊂ V und v ∈ V . Eine Nachricht kann von v zu V 0 in Zeit |V 0 | − 1 + rad(v , G ) gesendet werden. Beweis: I Bestimme SPT T für V 0 mit Wurzel v . I Bestimme optimalen Broadcastalgorithmus auf T . Zeige: Blatt u ist nach |V 0 | − 1 + rad(v , G ) Schritten informiert. I I I I I I LuF Falls Nachricht bei v 0 aufgehalten wird, dann wird von v 0 ohne Verzögerung genau ein Blatt u 0 informiert. Markiere u 0 mit einem Token. Es werden höchstens |V 0 | − 1 Blätter markiert. Es wird ein Blatt höchstens einmal markiert. Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:23 Algorithmus Z Ausblick Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . 7. Informiere jedes Di ∈ B von wi über einen Spannbaum in Di . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. √ Laufzeit: n − 1 + rad(v , G ) 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . 7. Informiere jedes Di ∈ B von wi über einen Spannbaum in Di . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. √ Laufzeit: n − 1 + rad(v , G ) 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . √ Laufzeit: d ne S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . 7. Informiere jedes Di ∈ B von wi über einen Spannbaum in Di . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. √ Laufzeit: n − 1 + rad(v , G ) 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . √ Laufzeit: d ne S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . Laufzeit: b(v , G ) 7. Informiere jedes Di ∈ B von wi über einen Spannbaum in Di . Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:23 Algorithmus Z Ausblick LuF Walter Unger Gegeben G = (V , E ) und v ∈ V . 1. Teile G = (V , E ) in Clustermengen A, B wie oben auf. 2. Für jeden Cluster Ci aus A wähle Knoten ci . 3. Setze R = ∪16i6|A| vi . 4. Informiere R mit SPT von v aus. √ Laufzeit: n − 1 + rad(v , G ) 5. Informiere jedes Ci ∈ A von vi über einen Spannbaum in Ci . √ Laufzeit: d ne S 6. Informiere von {v } ∪ 16i6|A| Ci in jedem Cluster Di aus B mindestens einen Knoten wi . Laufzeit: b(v , G ) 7. Informiere jedes Di ∈ B von wi über einen Spannbaum in Di . √ Laufzeit: n − 1 Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:24 Approximation Definition (Additive Approximation) I Sei A Algorithmus für Problem P Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Cluster Approximation II 4:24 Approximation Z Ausblick LuF Walter Unger Definition (Additive Approximation) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:24 Approximation Z Ausblick LuF Walter Unger Definition (Additive Approximation) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. I Seien opt(I ) Kosten der optimalen Lösung. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster Z Ausblick 4:24 Approximation Walter Unger Definition (Additive Approximation) I Sei A Algorithmus für Problem P I für Instanz I aus P seien costA (I ) die Kosten die A abliefert. I Seien opt(I ) Kosten der optimalen Lösung. I Dann ist der additive Approximations Faktor von A: max costA (I ) − opt(I ) I ∈P LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Z Ausblick LuF Walter Unger Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Theorem: Das MBZ-Problem auf G von v kann mit einem additiven Faktor √ von O( n) gelöst werden. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Z Ausblick Walter Unger Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Theorem: Das MBZ-Problem auf G von v kann mit einem additiven Faktor √ von O( n) gelöst werden. I LuF √ Falls die Broadcastzeit in Ω( n) liegt, dann hat das Verfahren einen konstanten Approximationsfaktor. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Z Ausblick Walter Unger Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Theorem: Das MBZ-Problem auf G von v kann mit einem additiven Faktor √ von O( n) gelöst werden. I I LuF √ Falls die Broadcastzeit in Ω( n) liegt, dann hat das Verfahren einen konstanten Approximationsfaktor. √ Falls der Durchmesser mindestens n ist, dann ist der Approximatiosfaktor 5. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Z Ausblick Walter Unger Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Theorem: Das MBZ-Problem auf G von v kann mit einem additiven Faktor √ von O( n) gelöst werden. I I I LuF √ Falls die Broadcastzeit in Ω( n) liegt, dann hat das Verfahren einen konstanten Approximationsfaktor. √ Falls der Durchmesser mindestens n ist, dann ist der Approximatiosfaktor 5. √ Allgemeiner Approximatiosfaktor 3 · n/dlog ne + 2. Einleitung Grundlagen Heuristiken Approximation Approximation II Cluster 4:25 Theorem und Wertung Z Ausblick Walter Unger Theorem: Das MBZ-Problem auf G von v kann in Zeit √ 3 · n + rad(v , G ) + b(v , G ) gelöst werden. Theorem: Das MBZ-Problem auf G von v kann mit einem additiven Faktor √ von O( n) gelöst werden. I I I I LuF √ Falls die Broadcastzeit in Ω( n) liegt, dann hat das Verfahren einen konstanten Approximationsfaktor. √ Falls der Durchmesser mindestens n ist, dann ist der Approximatiosfaktor 5. √ Allgemeiner Approximatiosfaktor 3 · n/dlog ne + 2. √ Allgemeiner Approximatiosfaktor O( n/ diam(G )). Einleitung Grundlagen Poise Heuristiken Approximation Approximation II 4:26 Idee I Z Ausblick Bestimme einen guten Spannbaum für das Broadcast. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Poise Approximation II Z Ausblick 4:26 Idee I Bestimme einen guten Spannbaum für das Broadcast. I Kleine Tiefe und kleiner Knotengrad. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:26 Idee I Bestimme einen guten Spannbaum für das Broadcast. I Kleine Tiefe und kleiner Knotengrad. I Beachte: b(r , G ) > 1 2 minT Spannbaum von G Z Ausblick LuF Walter Unger ∆+ (T ) + depth(T ) Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:26 Idee I Bestimme einen guten Spannbaum für das Broadcast. I Kleine Tiefe und kleiner Knotengrad. I Beachte: b(r , G ) > I 1 2 minT Spannbaum von Setze: poise(T ) = ∆(T ) + diam(T ) G Z Ausblick LuF Walter Unger ∆+ (T ) + depth(T ) Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:26 Idee I Bestimme einen guten Spannbaum für das Broadcast. I Kleine Tiefe und kleiner Knotengrad. I Beachte: b(r , G ) > 1 2 minT Spannbaum von I Setze: poise(T ) = ∆(T ) + diam(T ) I Poise heißt auch Ausgeglichenheit. G Z Ausblick LuF Walter Unger ∆+ (T ) + depth(T ) Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:26 Idee I Bestimme einen guten Spannbaum für das Broadcast. I Kleine Tiefe und kleiner Knotengrad. I Beachte: b(r , G ) > 1 2 minT Spannbaum von I Setze: poise(T ) = ∆(T ) + diam(T ) I Poise heißt auch Ausgeglichenheit. I poise(G ) = minT Spannbaum von G G Z Ausblick Walter Unger ∆+ (T ) + depth(T ) poise(T ) LuF Einleitung Grundlagen Poise Heuristiken Approximation Approximation II 4:27 Eigenschaften I Z Ausblick LuF Walter Unger Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) Einleitung Grundlagen Heuristiken Approximation Poise Approximation II 4:27 Eigenschaften Z Ausblick LuF Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Einleitung Grundlagen Heuristiken Approximation Poise Approximation II 4:27 Eigenschaften Z Ausblick LuF Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:27 Eigenschaften Z Ausblick Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:27 Eigenschaften Z Ausblick Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Theorem: Es kann poise(G ) mit Faktor O(log n) approximiert werden. LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise Z Ausblick 4:27 Eigenschaften Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Theorem: Es kann poise(G ) mit Faktor O(log n) approximiert werden. Theorem: Das MBZ Problem kann mit Faktor O(log2 n/ log log n). LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise Z Ausblick 4:27 Eigenschaften Walter Unger I Maximale Knotenanzahl eines Graphen ist: poise(G )poise(G ) I Damit: poise(G ) = Ω(log n/ log log n). Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Theorem: Es kann poise(G ) mit Faktor O(log n) approximiert werden. Theorem: Das MBZ Problem kann mit Faktor O(log2 n/ log log n). LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige: b(G ) = Ω(poise(G )) log n log log n ) Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I LuF Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I I LuF Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Damit gilt: Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I I Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Damit gilt: I b(G ) > ∆(T ) − 1 LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I I Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Damit gilt: I I b(G ) > ∆(T ) − 1 b(G ) > depth(r , T ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I I Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Damit gilt: I I I b(G ) > ∆(T ) − 1 b(G ) > depth(r , T ) b(G ) > 12 diam(T ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:28 Beweis I Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige: b(G ) = Ω(poise(G )) I I Sei r Wurzel eines Baumes TB der für Broadcast in Zeit b(G ) benutzt wird. Damit gilt: I I I I b(G ) > ∆(T ) − 1 b(G ) > depth(r , T ) b(G ) > 12 diam(T ) Damit: b(G ) = Ω(poise(G )) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · log n log log n ) log n log log n ) Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: I I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . Sei Tvi der Teilbaum in T mit Wurzel vi LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: I I I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . Sei Tvi der Teilbaum in T mit Wurzel vi Sei o.E.d.A.: |Tv1 | > |Tv2 | > . . . > |Tvd |. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: I I I I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . Sei Tvi der Teilbaum in T mit Wurzel vi Sei o.E.d.A.: |Tv1 | > |Tv2 | > . . . > |Tvd |. Wenn v die Nachricht bekommt, dann informiert v direkt v1 , v2 , . . . , vd in dieser Reihenfolge. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:29 Beweis II Z Ausblick Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · Zeige b(G ) = O(poise(G ) · I I log n log log n ) log n log log n ) Sei r Wurzel eines Spannbaumes T von G mit poise(T ) = poise(G ). Betrachte Broadcast auf T von r aus. Dies muss nicht optimal sein, es muss nur gut zu analysieren sein: I I I I I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . Sei Tvi der Teilbaum in T mit Wurzel vi Sei o.E.d.A.: |Tv1 | > |Tv2 | > . . . > |Tvd |. Wenn v die Nachricht bekommt, dann informiert v direkt v1 , v2 , . . . , vd in dieser Reihenfolge. Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · LuF log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · LuF log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · LuF log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · LuF log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i I Weiter gilt: |Tv | 6 |T |/i i Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · LuF log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i I Weiter gilt: |Tv | 6 |T |/i i I Damit kann per Induktion gezeigt werden: log n B(n, d, t) = d · +t log d Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i I Weiter gilt: |Tv | 6 |T |/i i I Damit kann per Induktion gezeigt werden: log n B(n, d, t) = d · +t log d I Damit folgt: LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i I Weiter gilt: |Tv | 6 |T |/i i I Damit kann per Induktion gezeigt werden: log n B(n, d, t) = d · +t log d I Damit folgt: I b(G ) = O(poise(G ) · log n log poise(G ) ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Poise 4:30 Beweis II Z Ausblick Walter Unger Theorem: Es gilt: Ω(poise(G )) 6 b(G ) 6 O(poise(G ) · log n log log n ) Zeige b(G ) = O(poise(G ) · logloglogn n ) I Sei v Knoten und v1 , v2 , . . . , vd die Nachfolger von v in T . I Sei B(n, d, t) der Zeitaufwand auf Baum mit n Knoten, Ausgangsgrad d und Tiefe t. I Damit: B(n, d, t) = max16i6d (B(|Tv |, d, t − 1) + i) i I Weiter gilt: |Tv | 6 |T |/i i I Damit kann per Induktion gezeigt werden: log n B(n, d, t) = d · +t log d I Damit folgt: I b(G ) = O(poise(G ) · I b(G ) = O(poise(G ) · log n log poise(G ) ) log n log log n ) LuF Einleitung Grundlagen Heuristiken Approximation Approximation II 4:31 Ausblick Theorem: Das MBZ Problem kann mit Faktor O(log n/ log log n) approximiert werden. Z Ausblick LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II 4:31 Ausblick Z Ausblick Theorem: Das MBZ Problem kann mit Faktor O(log n/ log log n) approximiert werden. Theorem: Das MBZ Problem kann mit Faktor 2 · deg(G ) approximiert werden. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II 4:31 Ausblick Z Ausblick Theorem: Das MBZ Problem kann mit Faktor O(log n/ log log n) approximiert werden. Theorem: Das MBZ Problem kann mit Faktor 2 · deg(G ) approximiert werden. Theorem: Es ist NP-hart das MBZ Problem mit Faktor 3 − zu approximierem. LuF Walter Unger Einleitung Grundlagen Heuristiken Approximation Approximation II 4:31 Ausblick Z Ausblick Theorem: Das MBZ Problem kann mit Faktor O(log n/ log log n) approximiert werden. Theorem: Das MBZ Problem kann mit Faktor 2 · deg(G ) approximiert werden. Theorem: Es ist NP-hart das MBZ Problem mit Faktor 3 − zu approximierem. LuF Walter Unger Einleitung Grundlagen Literatur Literatur Heuristiken Approximation Approximation II Z Ausblick 4:32 J. Hromkovič, et al.: Dissemination of Information in Communication Networks : Broadcasting, Gossiping, Leader Election, and Fault-Tolerance. EATCS Series, Springer 2005. LuF Walter Unger Einleitung Grundlagen Fragen Heuristiken Approximation Approximation II 4:32 Fragen I Z Ausblick Wie kann das Broadcastproblem auf Bäumen gelöst werden? LuF Walter Unger Einleitung Grundlagen Fragen Heuristiken Approximation Approximation II 4:32 Fragen Z Ausblick I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? LuF Walter Unger Einleitung Grundlagen Fragen Heuristiken Approximation Approximation II Z Ausblick 4:32 Fragen I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? LuF Walter Unger Einleitung Grundlagen Fragen Heuristiken Approximation Approximation II Z Ausblick 4:32 Fragen LuF Walter Unger I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? I Welche Heuristiken werden für das Broadcastproblem betrachtet? Einleitung Grundlagen Heuristiken Approximation Fragen Approximation II Z Ausblick 4:32 Fragen LuF Walter Unger I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? I Welche Heuristiken werden für das Broadcastproblem betrachtet? I Wie gut sind diese Heuristiken? Einleitung Grundlagen Heuristiken Approximation Approximation II Fragen Z Ausblick 4:32 Fragen LuF Walter Unger I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? I Welche Heuristiken werden für das Broadcastproblem betrachtet? I Wie gut sind diese Heuristiken? I Welche Techniken werden bei der Approximation des Broadcastproblems verwendet? Einleitung Grundlagen Heuristiken Approximation Approximation II Fragen Z Ausblick 4:32 Fragen Walter Unger I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? I Welche Heuristiken werden für das Broadcastproblem betrachtet? I Wie gut sind diese Heuristiken? I Welche Techniken werden bei der Approximation des Broadcastproblems verwendet? I Beschreibe Idee/Algorithmus. LuF Einleitung Grundlagen Heuristiken Approximation Approximation II Fragen Z Ausblick 4:32 Fragen Walter Unger I Wie kann das Broadcastproblem auf Bäumen gelöst werden? I Welche unteren Schranken gibt es für das Broadcastproblem? I Wie kann das Gossipproblem auf Bäumen gelöst werden? I Welche Heuristiken werden für das Broadcastproblem betrachtet? I Wie gut sind diese Heuristiken? I Welche Techniken werden bei der Approximation des Broadcastproblems verwendet? I I Beschreibe Idee/Algorithmus. Beschreibe die Idee des Beweises zur Approximationsgüte. LuF