Kapitel 01: Matroide
(Effiziente Algorithmen, WS 2019) Gerhard Woeginger
WS 2019, RWTH
Organisatorisches
N¨achste Vorlesung:
Dienstag, Januar 14, 16:30–18:00 Uhr, AH V Webseite:
https://algo.rwth-aachen.de/Lehre/WS1920/EA/EA.py
Matroide
Grundlegende Definitionen Ber¨uhmte Matroide Optimierung auf Matroiden Weitere Begriffe und Definitionen
Zum Aufw¨ armen:
Wann/Warum funktioniert Greedy?
Problem #1: Minimal Spannender Baum
Problem: Minimal Spannender Baum (MST)
Instanz:ungerichteter GraphG = (V,E); Kantengewichtew :E →Z Ziel:Bestimme Spannbaum f¨urG mit minimalem Gewicht
Kruskal Algorithmus (Greedy Algorithmus) InitialisiereS:=∅
Bearbeite die Kantene1, . . . ,em nach monoton ansteigendem Gewicht:
FallsS+ek kreisfrei, setzeS:=S+ek
Return S Satz
Kruskal/Greedy findet immer einen Spannbaum mit minimalem Gewicht.
Problem #2: Matrix Auswahl (1)
Problem: Matrix Auswahl
Instanz:n×nMatrixAmit ganzzahligen Eintr¨agen
Ziel:W¨ahle Teilmenge der Eintr¨age mit minimalem Gewicht aus, sodass jede Zeile und Spalte genau einen gew¨ahlten Eintrag enth¨alt
2 6 13 18 19
12 4 7 20 22
23 14 5 8 11
21 24 17 3 10
25 15 16 9 1
Problem #2: Matrix Auswahl (1)
Problem: Matrix Auswahl
Instanz:n×nMatrixAmit ganzzahligen Eintr¨agen
Ziel:W¨ahle Teilmenge der Eintr¨age mit minimalem Gewicht aus, sodass jede Zeile und Spalte genau einen gew¨ahlten Eintrag enth¨alt
2 6 13 18 19
12 4 7 20 22
23 14 5 8 11
21 24 17 3 10
25 15 16 9 1
Problem #2: Matrix Auswahl (2)
Definition:Eine TeilmengeS der Matrix-Eintr¨age heistzul¨assig, fallsS von jeder Zeile und jeder Spalte h¨ochstens ein Element enth¨alt.
Greedy Algorithmus InitialisiereS:=∅
Bearbeite die Matrix-Eintr¨ageai,j nach ansteigendem Gewicht.
FallsS+ai,j zul¨assig: UpdateS:=S+ai,j
Return S
V¨ollig falsche Aussage
Greedy findet immer eine zul¨assige Menge mit minimalem Gewicht.
Problem #2: Matrix Auswahl (2)
Definition:Eine TeilmengeS der Matrix-Eintr¨age heistzul¨assig, fallsS von jeder Zeile und jeder Spalte h¨ochstens ein Element enth¨alt.
Greedy Algorithmus InitialisiereS:=∅
Bearbeite die Matrix-Eintr¨ageai,j nach ansteigendem Gewicht.
FallsS+ai,j zul¨assig: UpdateS:=S+ai,j
Return S
V¨ollig falsche Aussage
Greedy findet immer eine zul¨assige Menge mit minimalem Gewicht.
Problem #3: Vektor Auswahl (1)
Problem: Vektor Auswahl
Instanz:Vektoren~a1, . . . , ~an∈Rd; Gewichtew1, . . . ,wn∈N Ziel:W¨ahle eine linear unabh¨angige Teilmenge der Vektoren
mit maximalem Gewicht aus.
Beispiel:
~a1= (1,0,0,0)T mit Gewichtw1=1
~a2= (0,1,0,0)T mit Gewichtw2=2
~a3= (0,0,1,0)T mit Gewichtw3=3
~a4= (0,0,0,1)T mit Gewichtw4=4
~a5= (1,1,1,1)T mit Gewichtw5=5
~a5= (0,0,1,1)T mit Gewichtw6=6
Problem #3: Vektor Auswahl (2)
Greedy Algorithmus InitialisiereS:=∅
Bearbeite die Vektoren~ai nach absteigendem Gewicht.
FallsS∪ {~ai}linear unabh¨angig: UpdateS:=S∪ {~ai} Return S
Eine (wahre?? falsche??) Behauptung
Greedy findet immer eine linear unabh¨angige Menge mit maximalem Gewicht.
Problem #3: Vektor Auswahl (2)
Greedy Algorithmus InitialisiereS:=∅
Bearbeite die Vektoren~ai nach absteigendem Gewicht.
FallsS∪ {~ai}linear unabh¨angig: UpdateS:=S∪ {~ai} Return S
Eine (wahre?? falsche??) Behauptung
Greedy findet immer eine linear unabh¨angige Menge mit maximalem Gewicht.
Grundlegende Definitionen
Hassler Whitney:
“On the Abstract Properties of Linear Dependence”
American Journal of Mathematics 57 (1935), pp 509–533
Matroide: Definition
Matroide sind kombinatorische Strukturen, die den Begriff der linearen Unabh¨angigkeit von Vektoren verallgemeinern.
Definition
EinMatroidist ein Paar(E,I), wobei
E eine (nicht-leere) endliche Grundmenge ist;
I eine Familie von Teilmengen vonE mit∅ ∈ I ist.
Die Mengen inI werdenunabh¨angiggenannt, und Mengen nicht inI heissenabh¨angig.
Die FamilieI erf¨ullt die folgenden beiden Eigenschaften:
(I1) Wenn X ⊆Y undY ∈ I, dannX ∈ I.
(I2) Wenn X ∈ I undY ∈ I und|Y|>|X|, dann∃e∈Y −X : X+e ∈ I
Matroide: Anmerkungen
Schreibweisen f¨ur Menge X und Elementa:
X +a:= X ∪ {a}
X −a:= X \ {a}
(I1) WennX ⊆Y undY ∈ I, dannX ∈ I.
Monotonie-Eigenschaft impliziert: Wenn I nicht leer, dann∅ ∈ I
(I2) WennX ∈ I undY ∈ I und|Y|>|X|, dann∃e∈Y −X : X+e ∈ I
Austauscheigenschaftimpliziert, dass alle maximalen(bez¨uglich Inklusion) unabh¨angigen Mengen die selbe Kardinalit¨at haben.
Maximale unabh¨angige Mengen heissenBasen.
Ber¨ uhmte Matroide
Uniforme Matroide
Dasuniforme MatroidUk,n hat eine GrundmengeE mitnElementen.
Eine TeilmengeX ⊆E istunabh¨angig, falls|X| ≤k gilt:
I = {X ⊆E : |X| ≤k}
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Partitions-Matroide (1)
In einemPartitions-Matroidist die GrundmengeE in disjunkte TeilmengenE1, . . . ,E` partitioniert.
Weiters sind nat¨urliche Zahlenk1, . . . ,k` gegeben.
Eine TeilmengeX ⊆E istunabh¨angig, falls|X∩Ei| ≤ki f¨ur 1≤i ≤`gilt:
I = {X ⊆E : |X∩Ei| ≤ki, for 1≤i ≤`}
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Was passiert, wenn die TeilmengenE1, . . . ,E` nicht disjunkt sind?
Partitions-Matroide (2): Beispiel
Grundmenge E ={a1,a2,a3,a4,a5,a6,b1,b2,c1,c2,c3,c4,c5} PartitionE1={a1,a2,a3,a4,a5,a6};E2={b1,b2};
E3={c1,c2,c3,c4,c5} Zahlenk1=2; k2=1; k3=5
a1 a2 a3 a4 a5 a6 ≤2
b1 b2 ≤1
c1 c2 c3 c4 c5 ≤5
Wie gross sind die Basen dieses Matroids?
Lineare Matroide (1)
In einemlinearen Matroidist die Grundmenge E die Menge von Spalten in einer Matrix A.
Eine TeilmengeX ⊆E der Spalten istunabh¨angig, falls die Spaltenvektoren linear unabh¨angig sind:
I = {X ⊆E : rang(AX) =|X|}
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Lineare Matroide (2): Beispiel
A =
1 1 0
1 0 1
0 1 1
Welches Matroid ergibt sich,
wenn die Eintr¨age vonAreelle Zahlen sind?
wenn die Eintr¨age vonAElemente von F2 sind? wenn die Eintr¨age vonAElemente von F3 sind?
Lineare Matroide (2): Beispiel
A =
1 1 0
1 0 1
0 1 1
Welches Matroid ergibt sich,
wenn die Eintr¨age vonAreelle Zahlen sind?
wenn die Eintr¨age vonAElemente von F2 sind?
wenn die Eintr¨age vonAElemente von F3 sind?
Lineare Matroide (2): Beispiel
A =
1 1 0
1 0 1
0 1 1
Welches Matroid ergibt sich,
wenn die Eintr¨age vonAreelle Zahlen sind?
wenn die Eintr¨age vonAElemente von F2 sind?
wenn die Eintr¨age vonAElemente von F3 sind?
Lineare Matroide (3)
In einem linearen Matroid muß die MatrixAnicht ¨uber den reellen ZahlenRdefiniert sein; jeder beliebige K¨orperFist erlaubt.
Ein derartiges Matroid heisst dannrepr¨asentierbar ¨uber F. Ein lineares Matroid ¨uberF2 heisstbin¨ares Matroid.
Ein lineares Matroid ¨uberF3 heissttern¨ares Matroid.
Nicht jedes lineare Matroid ist ¨uber jedem K¨orperFrepr¨asentierbar.
Ubung¨ Zeigen Sie:
Das uniforme MatroidU2,4ist ¨uberF3 repr¨asentierbar. Das uniforme MatroidU2,4ist ¨uberF2 nichtrepr¨asentierbar.
Lineare Matroide (3)
In einem linearen Matroid muß die MatrixAnicht ¨uber den reellen ZahlenRdefiniert sein; jeder beliebige K¨orperFist erlaubt.
Ein derartiges Matroid heisst dannrepr¨asentierbar ¨uber F. Ein lineares Matroid ¨uberF2 heisstbin¨ares Matroid.
Ein lineares Matroid ¨uberF3 heissttern¨ares Matroid.
Nicht jedes lineare Matroid ist ¨uber jedem K¨orperFrepr¨asentierbar.
Ubung¨ Zeigen Sie:
Das uniforme MatroidU2,4ist ¨uberF3 repr¨asentierbar.
Das uniforme MatroidU2,4ist ¨uberF2 nichtrepr¨asentierbar.
Lineare Matroide (4)
Ein Matroid, das ¨uberjedemK¨orper repr¨asentierbar ist, heisstregul¨ar.
Satz (ohne Beweis)
Ein Matroid ist regul¨ar, genau dann wenn
es mit einer total unimodularenMatrixA¨uber den reellen Zahlen repr¨asentierbar ist.
Graphische Matroide (1)
In einemgraphischen Matroidist die GrundmengeE die Kantenmenge eines ungerichteten Multigraphen G = (V,E).
Eine TeilmengeX ⊆E istunabh¨angig, falls der Graph(V,X)keine Kreise enth¨alt:
I = {X ⊆E : (V,X)ist kreisfrei}
Das graphische Matroid f¨urG wird oft mitM(G)bezeichnet.
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Graphische Matroide (2)
Wie gross sind die Basen dieses Matroids?
Co-graphische Matroide
In einemco-graphischen Matroidist die GrundmengeE die Kantenmenge eines ungerichteten Multigraphen G = (V,E).
Eine TeilmengeX ⊆E istunabh¨angig, falls der Graph(V,E −X) die selbe Anzahl von Zusammenhangskomponenten enth¨alt wieG:
I = {X ⊆E : zk(V,E−X) =zk(V,E)}
Das co-graphische Matroid f¨urG wird oft mitM∗(G)bezeichnet.
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Matching Matroide
In einemMatching Matroid ist die Grundmenge die Knotenmenge V eines ungerichteten GraphenG = (V,E).
Eine TeilmengeX ⊆V istunabh¨angig, falls inG ein Matching existiert, das alle Knoten inX ¨uberdeckt:
I = {X ⊆V : ∃MatchingM: M ¨uberdecktX}
Ubung¨
Warum erf¨ulltI die Monotonie-Eigenschaft (I1)?
Warum erf¨ulltI die Austauscheigenschaft (I2)?
Optimierung auf Matroiden
Optimierung auf Matroiden
Optimierungsproblem
Eingabe:Ein MatroidM = (E,I); Kostenc :E →N
Ziel:Finde unabh¨angige Menge S mit maximalen Kostenc(S) Notation:c(S) := P
e∈Sc(e)
Greedy Algorithmus
1 Sortiere Elemente sodass c(e˙1) ¿= ... ¿= c(e˙n) 2 S˙0:= leere Menge;
3 k:= 0;
4 For j:=1 to n do
5 if (S˙k +e˙j unabhaengig) then
6 k:= k+1;
7 S˙k:= S˙–k-1˝+e˙j;
8 s˙k:= e˙j;
9 endif
10 Output S˙k
Analyse von Greedy (1)
Satz
F¨ur jedes MatroidM = (E,I)und f¨ur jedesk ≥0
berechnet der Greedy Algorithmus eine unabh¨angige MengeSk
mit maximalen Kosten unter allen unabh¨angigen Mengen der Gr¨ossek.
Beweisskizze:
Es seiSk ={s1, . . . ,sk} mitc(s1)≥c(s2)≥ · · · ≥c(sk). Es seiTk ={t1, . . . ,tk}mitc(t1)≥c(t2)≥ · · · ≥c(tk)eine bessere L¨osung, mitc(Sk)<c(Tk).
Es seipder kleinste Index mit c(tp)>c(sp). DefiniereX ={s1, . . . ,sp−1}.
DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns eintq∈Y −X mitX +tq ∈ I
Analyse von Greedy (1)
Satz
F¨ur jedes MatroidM = (E,I)und f¨ur jedesk ≥0
berechnet der Greedy Algorithmus eine unabh¨angige MengeSk
mit maximalen Kosten unter allen unabh¨angigen Mengen der Gr¨ossek.
Beweisskizze:
Es seiSk ={s1, . . . ,sk} mitc(s1)≥c(s2)≥ · · · ≥c(sk).
Es seiTk ={t1, . . . ,tk}mitc(t1)≥c(t2)≥ · · · ≥c(tk)eine bessere L¨osung, mitc(Sk)<c(Tk).
Es seipder kleinste Index mit c(tp)>c(sp).
DefiniereX ={s1, . . . ,sp−1}. DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns eintq∈Y −X mitX +tq ∈ I
Analyse von Greedy (1)
Satz
F¨ur jedes MatroidM = (E,I)und f¨ur jedesk ≥0
berechnet der Greedy Algorithmus eine unabh¨angige MengeSk
mit maximalen Kosten unter allen unabh¨angigen Mengen der Gr¨ossek.
Beweisskizze:
Es seiSk ={s1, . . . ,sk} mitc(s1)≥c(s2)≥ · · · ≥c(sk).
Es seiTk ={t1, . . . ,tk}mitc(t1)≥c(t2)≥ · · · ≥c(tk)eine bessere L¨osung, mitc(Sk)<c(Tk).
Es seipder kleinste Index mit c(tp)>c(sp).
DefiniereX ={s1, . . . ,sp−1}.
DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns
Analyse von Greedy (2)
DefiniereX ={s1, . . . ,sp−1}.
DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns eintq∈Y −X mitX +tq ∈ I
Beweisskizze (fortgesetzt):
Greedy versuchte zu einem gewissen Zeitpunkt,
Elementtq zur momentanen L¨osungsmengeS hinzuzuf¨ugen.
Es gilt S⊆X
Es gilt S+tq⊆X+tq.
Es gilt S+tq∈ I. Widerspruch!
Analyse von Greedy (2)
DefiniereX ={s1, . . . ,sp−1}.
DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns eintq∈Y −X mitX +tq ∈ I
Beweisskizze (fortgesetzt):
Greedy versuchte zu einem gewissen Zeitpunkt,
Elementtq zur momentanen L¨osungsmengeS hinzuzuf¨ugen.
Es gilt S⊆X
Es gilt S+tq⊆X+tq.
Es gilt S+tq∈ I. Widerspruch!
Analyse von Greedy (2)
DefiniereX ={s1, . . . ,sp−1}.
DefiniereY ={t1, . . . ,tp−1,tp}.
Die Austauscheigenschaft f¨ur|Y|>|X|gibt uns eintq∈Y −X mitX +tq ∈ I
Beweisskizze (fortgesetzt):
Greedy versuchte zu einem gewissen Zeitpunkt,
Elementtq zur momentanen L¨osungsmengeS hinzuzuf¨ugen.
Es gilt S⊆X
Es gilt S+tq⊆X+tq.
Es gilt S+tq∈ I. Widerspruch!
Greedy charakterisiert Matroide (1)
Satz
Es seiE eine endliche Grundmenge, und
es seiI eine Familie von Teilmengen vonE mit∅ ∈ I.
Das Paar(E,I)ist ein Matroid, genau dann wenn
der Greedy Algorithmus f¨ur jede Kostenfunktionc :E →N eine unabh¨angige Menge S mit maximalen Kostenc(S)findet.
Beweisskizze:
Falls (I1) verletzt mit∅ 6=X ⊆Y undY ∈ I undX ∈ I/ : Setzec(e) =2f¨ur allee∈X;
Setzec(e) =1f¨ur allee∈Y −X; Setzec(e) =0f¨ur allee∈E−Y.
Greedy charakterisiert Matroide (1)
Satz
Es seiE eine endliche Grundmenge, und
es seiI eine Familie von Teilmengen vonE mit∅ ∈ I.
Das Paar(E,I)ist ein Matroid, genau dann wenn
der Greedy Algorithmus f¨ur jede Kostenfunktionc :E →N eine unabh¨angige Menge S mit maximalen Kostenc(S)findet.
Beweisskizze:
Falls (I1) verletzt mit∅ 6=X ⊆Y undY ∈ I undX ∈ I/ : Setzec(e) =2f¨ur allee∈X;
Setzec(e) =1f¨ur allee∈Y −X; Setzec(e) =0f¨ur allee∈E−Y.
Greedy charakterisiert Matroide (2)
Beweisskizze (fortgesetzt):
Falls (I2) verletzt mitX ∈ I undY ∈ I und|Y|>|X|, und f¨ur allee∈Y −X giltX+e ∈ I:/
Setzec(e) =|X|+2f¨ur allee∈X; Setzec(e) =|X|+1f¨ur allee∈Y −X; Setzec(e) =0f¨ur allee∈E−Y.
Maximierung versus Minimierung
Min-Greedy Algorithmus
1 Sortiere Elemente sodass c(e˙1) ¡= ... ¡= c(e˙n) 2 S˙0:= leere Menge;
3 k:= 0;
4 For j:=1 to n do
5 if (S˙k +e˙j unabhaengig) then
6 k:= k+1;
7 S˙k:= S˙–k-1˝+e˙j;
8 s˙k:= e˙j;
9 endif
10 Output S˙k
Satz
F¨ur jedes MatroidM = (E,I)und f¨ur jedesk ≥0
berechnet der Min-Greedy Algorithmus eine unabh¨angige MengeSk mitminimalenKosten unter allen unabh¨angigen Mengen der Gr¨ossek.
Zeitkomplexit¨ at
Die Sortierphase kostetO(|E|log|E|)Zeit Der Zeitbedarf der Konstruktionsphase h¨angt vom Unabh¨angigkeitstest ab: GegebenX ⊆E, gilt X ∈ I?
Satz
Wenn der Unabh¨angigkeitstest in einem MatroidM = (E,I)in polynomieller Zeit durchgef¨uhrt werden kann, kann der Greedy Algorithmus in polynomieller Zeit implementiert werden.
Weitere Begriffe und Definitionen
Circuits (1)
Definition
EinCircuitin einem Matroid ist
eine minimale (bez¨uglich Inklusion) abh¨angige Teilmenge vonE.
Wie sehen die Circuits in einem graphischen Matroid aus?
Wie sehen die Circuits in einem Partitions-Matroid aus?
Circuits (2)
Beobachtung
Es seiM = (E,I)ein Matroid.
Es seiS∈ I unde∈E, sodassS+e∈ I./ Dann existiert eineindeutigerCircuit C ⊆S+e.
Beweisskizze:
Angenommen, S+e enth¨alt zwei CircuitsC1undC2 mitC16=C2. Dann existiertf ∈C1−C2.
Dann giltC1−f ∈ I.
Es seiX1 maximal und unabh¨angig mitC1−f ⊆X1⊆S+e. Dann gilt|X1|=|S|.
Daher gilt X1=S+e−f, und damitC2⊆X1. Widerspruch.
Circuits (2)
Beobachtung
Es seiM = (E,I)ein Matroid.
Es seiS∈ I unde∈E, sodassS+e∈ I./ Dann existiert eineindeutigerCircuit C ⊆S+e.
Beweisskizze:
Angenommen, S+e enth¨alt zwei CircuitsC1undC2 mitC16=C2. Dann existiertf ∈C1−C2.
Dann giltC1−f ∈ I.
Es seiX1 maximal und unabh¨angig mitC1−f ⊆X1⊆S+e. Dann gilt|X1|=|S|.
Daher gilt X1=S+e−f, und damitC2⊆X1. Widerspruch.
Circuits (2)
Beobachtung
Es seiM = (E,I)ein Matroid.
Es seiS∈ I unde∈E, sodassS+e∈ I./ Dann existiert eineindeutigerCircuit C ⊆S+e.
Beweisskizze:
Angenommen, S+e enth¨alt zwei CircuitsC1undC2 mitC16=C2. Dann existiertf ∈C1−C2.
Dann giltC1−f ∈ I.
Es seiX1 maximal und unabh¨angig mitC1−f ⊆X1⊆S+e.
Dann gilt|X1|=|S|.
Daher gilt X1=S+e−f, und damitC2⊆X1. Widerspruch.
Rang (1)
Definition
DieRangfunktionr :2E →Neines Matroids M= (E,I)ist gegeben durch:
r(X) = max{|Y|: Y ⊆X undY ∈ I}
In linearen Matroiden f¨allt der Rang mit dem klassischen Rang aus der linearen Algebra zusammen.
In Partitions-Matroiden: r(X) =P`
i=1min{ki, |Ei∩X|}
In graphischen Matroiden: r(X) =|V| −zk(V,X)
Rang (2)
Satz
Die Rangfunktionr eines MatroidsM = (E,I)hat die folgenden Eigenschaften:
(R1) 0≤r(X)≤ |X| f¨ur alleX ⊆E (R2) r(X)≤r(Y) f¨ur alleX ⊆Y ⊆E
(R3) r(X) +r(Y) ≥ r(X∩Y) +r(X ∪Y) f¨ur alleX,Y ⊆E Die Eigenschaft (R3) wirdSubmodularit¨atgenannt.
Rang (3)
Die Rangfunktion istsubmodular: r(X) +r(Y)≥r(X∩Y) +r(X∪Y)
Es seiI1 maximale unabh¨angige Teilmenge vonX∩Y. Es gilt |I1|=r(X ∩Y).
Es seiI maximale unabh¨angige Teilmenge vonX ∪Y mitI1⊆I. Es gilt |I|=r(X∪Y).
Wir setzenI2:=I∩(X −Y)undI3:=I∩(Y −X).
Es gilt r(X∪Y) = |I1|+|I2|+|I3|.
AusI1∪I2⊆X folgt r(X)≥ |I1|+|I2|. AusI1∪I3⊆Y folgt r(Y)≥ |I1|+|I3|.
Rang (3)
Die Rangfunktion istsubmodular: r(X) +r(Y)≥r(X∩Y) +r(X∪Y)
Es seiI1 maximale unabh¨angige Teilmenge vonX∩Y. Es gilt |I1|=r(X ∩Y).
Es seiI maximale unabh¨angige Teilmenge vonX ∪Y mitI1⊆I. Es gilt |I|=r(X∪Y).
Wir setzenI2:=I∩(X −Y)undI3:=I∩(Y −X).
Es gilt r(X∪Y) = |I1|+|I2|+|I3|.
AusI1∪I2⊆X folgt r(X)≥ |I1|+|I2|.
AusI1∪I3⊆Y folgt r(Y)≥ |I1|+|I3|.
Abschluss (1)
Definition
F¨ur ein Matroid M= (E,I)und eine MengeX ⊆E definieren wir span(X) = {e∈E : r(X+e) =r(X)}.
Die Mengespan(X)wird alsSpannoderAbschlussoderlineare H¨ulle von X bezeichnet.
Abschluss (2)
Beobachtung
F¨ur jede MengeX ⊆E giltr(X) =r(span(X)).
Beweisskizze:
Es seiS eine maximale unabh¨angige Teilmenge vonX. Fallsr(span(X))>|S|, existiert laut (I2) ein e∈span(X)−S sodassS+e∈ I. Das f¨uhrt aber zum Widerspruch
r(X+e) ≥ r(S+e) = |S|+1 > |S| = r(S).