• Keine Ergebnisse gefunden

Kapitel 01: Matroide (Effiziente Algorithmen, WS 2019) Gerhard Woeginger

N/A
N/A
Protected

Academic year: 2022

Aktie "Kapitel 01: Matroide (Effiziente Algorithmen, WS 2019) Gerhard Woeginger"

Copied!
55
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Kapitel 01: Matroide

(Effiziente Algorithmen, WS 2019) Gerhard Woeginger

WS 2019, RWTH

(2)

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

(3)

Matroide

Grundlegende Definitionen Ber¨uhmte Matroide Optimierung auf Matroiden Weitere Begriffe und Definitionen

(4)

Zum Aufw¨ armen:

Wann/Warum funktioniert Greedy?

(5)

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.

(6)

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

(7)

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

(8)

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.

(9)

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.

(10)

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

(11)

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.

(12)

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.

(13)

Grundlegende Definitionen

Hassler Whitney:

“On the Abstract Properties of Linear Dependence”

American Journal of Mathematics 57 (1935), pp 509–533

(14)

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

(15)

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.

(16)

Ber¨ uhmte Matroide

(17)

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)?

(18)

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?

(19)

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?

(20)

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)?

(21)

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?

(22)

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?

(23)

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?

(24)

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.

(25)

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.

(26)

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.

(27)

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)?

(28)

Graphische Matroide (2)

Wie gross sind die Basen dieses Matroids?

(29)

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)?

(30)

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)?

(31)

Optimierung auf Matroiden

(32)

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)

(33)

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

(34)

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

(35)

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

(36)

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

(37)

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!

(38)

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!

(39)

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!

(40)

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.

(41)

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.

(42)

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.

(43)

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.

(44)

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.

(45)

Weitere Begriffe und Definitionen

(46)

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?

(47)

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.

(48)

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.

(49)

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.

(50)

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)

(51)

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.

(52)

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|.

(53)

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|.

(54)

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.

(55)

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).

Referenzen

ÄHNLICHE DOKUMENTE

Basierend auf diesen Techniken k¨ onnen wir uns klar machen, dass bekannte Algorithmen (wie z.B. MergeSort) ohne Weiteres auf einer TM ausgef¨ uhrt werden k¨ onnen... Techniken

Variablen k¨ onnen realisiert werden, indem wir pro Variable eine Spur reservieren. Felder (Arrays) k¨ onnen ebenfalls auf einer Spur

Eine Zahl x heisst zentral, wenn mindestens ein Viertel der aktiven Zahlen kleiner als x oder mindestens ein Viertel gr¨ osser als x ist Ist das Split-Element x zentral, dann

Wie sieht ein guter Algorithmus fuer dieses Problem aus, der auch im Worst Case nur wenige Bitabfragen macht?... Ein einzelnes Bit

Shmuel Winograd hat 1971 gezeigt, dass man zur Multiplikation von 2 × 2 Matrizen mindestens sieben Multiplikationen braucht (auch wenn man noch so viele Additionen und Subtraktionen

Eine ungerade, zusammengesetzte Zahl n ≥ 3 ist eine Carmichael Zahl, falls alle Basen a ∈ Z ∗ n Betr¨ uger f¨ ur n sind. Carmichael Zahlen sind t¨ odlich f¨ ur den

In einem linearen Matroid muß die Matrix A nicht ¨ uber den reellen Zahlen R definiert sein; jeder beliebige K¨ orper F ist erlaubt. Ein derartiges Matroid heisst dann repr¨

Die Laufzeit ist polynomial, da der Unabh¨ angigkeitstest in polynomieller Zeit durchgef¨ uhrt werden kann. Es muss nur noch die Korrektheit