• Keine Ergebnisse gefunden

Effiziente Algorithmen (SS2015) Kapitel 5 Approximation II Walter Unger

N/A
N/A
Protected

Academic year: 2022

Aktie "Effiziente Algorithmen (SS2015) Kapitel 5 Approximation II Walter Unger"

Copied!
596
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)Effiziente Algorithmen (SS2015) Kapitel 5 Approximation II. Walter Unger Lehrstuhl für Informatik 1. 12.06.2015 07:59.

(2) Set Cover 5. Scheduling. Inhaltsverzeichnis. Bin Packing <. Approximationsschema. > Walter Unger 15.7.2015 11:04. Inhalt I 1. Set Cover Einleitung Approximation Güte der Abschätzung. 2. Scheduling Einleitung Heuristik LL Heuristik LPT. 3. Bin Packing Einleitung Algorithmus. 4. Approximationsschema Einleitung Schema Beispiel zur Skalierung Beweise Das Orakel. 5. Allgemeine Maschinen Einleitung ILP Algorithmus Allokationsgraph. 6. APX Aussagen. Z. Allgemeine Maschinen SS2015. APX.

(3) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 1∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(4) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 2∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(5) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 3∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(6) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 4∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(7) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 5∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(8) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 6∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(9) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 7∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(10) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 8∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(11) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 9∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(12) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 10∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(13) Set Cover 5:1. Einleitung. Scheduling. Bin Packing <. 11∕11. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Definition Definition (Set-Cover-Problem) Grundmenge X mit n Elementen. m Teilmengen S1 , S2 , . . . , Sm mit ∪i∈{1,2,...,m} Si = X . Für jede Menge Si einen Kostenwert ci ∈ Q. Gesucht ist: A ⊆ {1, 2, . . . , m} mit ∪i∈A Si = X und cost(A) = ∑i∈A ci ist minimal. Grundmenge soll also kostengünstig überdeckt werden. Beispiel: Kostengünstiges Arbeitsteam, welche alle nötigen Fähigkeiten hat. Entspricht dem Vertex-Cover-Problem auf Hypergraphen (Hitting-Set-Problem).. Z. Allgemeine Maschinen. APX.

(14) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 1∕6. > Walter Unger 15.7.2015 11:04. Beispiel s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(15) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 2∕6. > Walter Unger 15.7.2015 11:04. Beispiel s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(16) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 3∕6. > Walter Unger 15.7.2015 11:04. Beispiel s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(17) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 4∕6. > Walter Unger 15.7.2015 11:04. Beispiel s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(18) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 5∕6. > Walter Unger 15.7.2015 11:04. Beispiel s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(19) Set Cover 5:2. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 6∕6. > Walter Unger 15.7.2015 11:04. Beispiel (Kosten: 5) s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(20) Set Cover 5:3. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 1∕4. > Walter Unger 15.7.2015 11:04. Beispiel nochmal s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(21) Set Cover 5:3. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 2∕4. > Walter Unger 15.7.2015 11:04. Beispiel nochmal s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(22) Set Cover 5:3. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 3∕4. > Walter Unger 15.7.2015 11:04. Beispiel nochmal s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(23) Set Cover 5:3. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 4∕4. > Walter Unger 15.7.2015 11:04. Beispiel nochmal (Kosten: 3) s2. S8 :. s4. s8 s7. S7 : s4. S6 : s2. S5 : S4 :. s5. s1. s5 s2. S3 :. s7. s4. S2 :. s1. s3. S1 :. s1. s3. s4. X ∶. s1. s3. s4. s2. s9 s8. s7 s6. s7. s5 s6. s5. s6. s9. s7. s8. Z. Allgemeine Maschinen. s9. SS2015. APX.

(24) Set Cover 5:4. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 1∕5. > Walter Unger 15.7.2015 11:04. Komplexität Theorem Die Entscheidungsvariante vom Set-Cover-Problem ist in N PC. Beweis: Einfache Reduktion vom Vertex-Cover-Problem: d. s4. e: s3. d:. s5. s6. s7. s4. c s2. c: e. b. a. Σ=0. b:. s1. a:. s1. E ∶. ab. s3. s7. s2. s6 s5. bc. cd. de. ea. eb. Z. Allgemeine Maschinen. ec. SS2015. APX.

(25) Set Cover 5:4. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 2∕5. > Walter Unger 15.7.2015 11:04. Komplexität Theorem Die Entscheidungsvariante vom Set-Cover-Problem ist in N PC. Beweis: Einfache Reduktion vom Vertex-Cover-Problem: d. s4. e: s3. d:. s5. s6. s7. s4. c s2. c: e. b. a. Σ=0. b:. s1. a:. s1. E ∶. ab. s3. s7. s2. s6 s5. bc. cd. de. ea. eb. Z. Allgemeine Maschinen. ec. SS2015. APX.

(26) Set Cover 5:4. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 3∕5. > Walter Unger 15.7.2015 11:04. Komplexität Theorem Die Entscheidungsvariante vom Set-Cover-Problem ist in N PC. Beweis: Einfache Reduktion vom Vertex-Cover-Problem: d. s4. e: s3. d:. s5. s6. s7. s4. c s2. c: e. b. a. Σ=0. b:. s1. a:. s1. E ∶. ab. s3. s7. s2. s6 s5. bc. cd. de. ea. eb. Z. Allgemeine Maschinen. ec. SS2015. APX.

(27) Set Cover 5:4. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 4∕5. > Walter Unger 15.7.2015 11:04. Komplexität Theorem Die Entscheidungsvariante vom Set-Cover-Problem ist in N PC. Beweis: Einfache Reduktion vom Vertex-Cover-Problem: d. s4. e: s3. d:. s5. s6. s7. s4. c s2. c: e. b. a. Σ=0. b:. s1. a:. s1. E ∶. ab. s3. s7. s2. s6 s5. bc. cd. de. ea. eb. Z. Allgemeine Maschinen. ec. SS2015. APX.

(28) Set Cover 5:4. Einleitung. Scheduling. Bin Packing. Approximationsschema. <. 5∕5. > Walter Unger 15.7.2015 11:04. Komplexität Theorem Die Entscheidungsvariante vom Set-Cover-Problem ist in N PC. Beweis: Einfache Reduktion vom Vertex-Cover-Problem: d. s4. e: s3. d:. s5. s6. s7. s4. c s2. c: e. b. a. Σ=0. b:. s1. a:. s1. E ∶. ab. s3. s7. s2. s6 s5. bc. cd. de. ea. eb. Z. Allgemeine Maschinen. ec. SS2015. APX.

(29) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 1∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(30) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 2∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(31) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 3∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(32) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 4∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(33) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 5∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(34) Set Cover 5:5. Scheduling. Approximation. Bin Packing <. 6∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Aufbau der Idee Das Set-Cover-Problem hat wenig Struktur, die man nutzen könnte. Einzige Idee: versuche viele Elemente kostengünstig abzudecken. Oder: versuche die Kosten pro Element klein zu halten. Also werden wir einen Greedy-Algorithmus entwickeln. Auswahl der Menge Si über: Kosten von Si Anzahl der von Si neu überdeckten Elemente Wähle Menge Si , wo obiger Ausdrucke minimal ist.. Z. Allgemeine Maschinen. APX.

(35) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 1∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(36) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 2∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(37) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 3∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(38) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 4∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(39) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 5∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(40) Set Cover 5:6. Scheduling. Approximation. Bin Packing <. 6∕6. Approximationsschema. > Walter Unger 15.7.2015 11:04. Greedy-Algorithmus 1. Eingabe X , S1 , S2 , . . . Sm .. 2. Setze A = ∅.. 3. Solange ∪j∈A Sj =/ X wiederhole: 1. Bestimme für alle i ∈ {1, 2, ⋯, m} ∖ A: rA (i) =. 2 3. Wähle i mit rA (i) minimal. Setze A = A ∪ {i}.. ci . ∣Si ∖ ∪j∈A Sj ∣. Z. Allgemeine Maschinen SS2015. APX.

(41) Set Cover 5:7. Scheduling. Approximation. 1∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(42) Set Cover 5:7. Scheduling. Approximation. 2∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(43) Set Cover 5:7. Scheduling. Approximation. 3∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(44) Set Cover 5:7. Scheduling. Approximation. 4∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(45) Set Cover 5:7. Scheduling. Approximation. 5∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(46) Set Cover 5:7. Scheduling. Approximation. 6∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(47) Set Cover 5:7. Scheduling. Approximation. 7∕7. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Analyse Verteile die Kosten bei der Wahl einer Menge Si auf die Elemente, die durch Si neu überdeckt werden. D.h. in jeder Schleife erhält jedes dieser Elemente den folgenden Wert zugeordnet: ci = rA (i) ∣Si ∖ ∪j∈A Sj ∣ Nun betrachten wir einzeln die hinzugefügten Elemente. Sei also für k ∈ {1, 2, ⋯, n} xk das k-te Element. Seien weiter c(xk ) die relativen Kosten, die xk zugeordnet worden sind. Lemma Für k ∈ {1, 2, ⋯, n} gilt c(xk ) ≤ opt/(n − k + 1), wobei opt die Kosten eines optimalen Set-Covers sind.. APX.

(48) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 1∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(49) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 2∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(50) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 3∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(51) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 4∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(52) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 5∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(53) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 6∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(54) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 7∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(55) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 8∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(56) Set Cover 5:8. Scheduling. Approximation. Bin Packing <. 9∕9. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Beweis. APX. c(xk ) ≤ opt/(n − k + 1). Sei A die Auswahl, die vorher gewählt wurde. Sei weiter i ∈ {1, 2, ⋯, n} der Index der Menge Si , die xk erstmalig abdeckt. Nun schätzen wir opt ab: Für j ∈ {1, 2, ⋯, n} ∖ A gilt: rA (j) ≥ rA (i). Setze: X ′ = X ∖ ∪j∈A Sj , d.h. X ′ ist noch nicht abgedeckt. Kein Element j ∈ X ′ kann mit relativen Kosten kleiner als rA (i) abgedeckt werden. Damit ist die Summe der relativen Kosten von X ′ mindestens: (n − k + 1) ⋅ rA (i). Jede mögliche Auswahl, die X ′ abdeckt, hat damit Kosten von mindestens: (n − k + 1) ⋅ rA (i). Damit gilt: opt ≥ (n − k + 1) ⋅ rA (i) = (n − k + 1) ⋅ c(xk ) und c(xk ) ≤ opt/(n − k + 1)..

(57) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 1∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(58) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 2∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(59) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 3∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(60) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 4∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(61) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 5∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(62) Set Cover 5:9. Scheduling. Approximation. Bin Packing. Approximationsschema. <. 6∕6. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation. APX. c(xk ) ≤ opt/(n − k + 1). Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Hn ist die n-te Harmonische Zahl. Hn = ∑ni=1 1i . Es gilt: log(n + 1) ≤ Hn ≤ log n + 1. Beweis des Theorems: Bilde Summe über alle Elemente. Nutze obiges Lemma: n. ∑ i=1. n opt opt =∑ = opt ⋅ Hn . n − i + 1 i=1 i.

(63) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 1∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(64) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 2∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(65) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 3∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(66) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 4∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(67) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 5∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(68) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 6∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(69) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 7∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(70) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 8∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(71) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 9∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(72) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 10∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(73) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 11∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(74) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 12∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(75) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 13∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(76) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 14∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(77) Set Cover 5:10. Scheduling. Güte der Abschätzung. Bin Packing <. 15∕15. Approximationsschema. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) = ∣Si ∖∪ci Sj ∣ . j∈A. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1. 1 Damit gilt: r∅ (m) = ∣Si ∖∪1 Si ∣ = ∣{1,2,...,n}∣ = n1 . i∈A. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1) < n1 . 1 1 Damit gilt: r{1} (m) = ∣Si ∖∪1 Si ∣ = ∣{2,3,...,n}∣ = n−1 . i∈A. Damit der Algorithmus S2 wählt, muss gelten: r{1} (2) < 1 1 Damit gilt: r{1,2} (m) = ∣Si ∖∪1 Si ∣ = ∣{3,4,...,n}∣ = n−2 .. Z. Allgemeine Maschinen. 1 . n−1. i∈A. Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3) < Zur Vereinfachung wählen wir im Folgenden: cm = 1+ε.. 1 . n−2. APX.

(78) Set Cover 5:11. Scheduling. Bin Packing. Approximationsschema. <. Güte der Abschätzung. > Walter Unger 15.7.2015 11:04. SS2015. Frage: wie gut ist die Abschätzung Suche ein schlechtes Beispiel für obigen Algorithmus. Erinnerung: rA (i) =. ci . ∣Si ∖∪j∈A Sj ∣. Fehler soll möglichst groß sein: Greedy Lösung: A = {1, 2, . . . , m − 1} Optimale Lösung opt = {m} Daher Sm = {1, 2, . . . , n} und Si = {i} für 1 ≤ i ≤ n (m = n + 1). Nun sind noch die Kosten zu wählen: Setze cm = 1+ε. Damit gilt: r∅ (m) =. 1 ∣Si ∖∪i∈A Si ∣. 1 ∣{1,2,...,n}∣. =. 1+ε . n. =. Damit der Algorithmus S1 wählt, muss gelten: r∅ (1)≤ n1 . Damit gilt: r{1} (m) =. 1 ∣Si ∖∪i∈A Si ∣. =. 1 ∣{2,3,...,n}∣. =. 1+ε . n−1. 1 Damit der Algorithmus S2 wählt, muss gelten: r{1} (2)≤ n−1 .. Damit gilt: r{1,2} (m) =. 1 ∣Si ∖∪i∈A Si ∣. =. 1 ∣{3,4,...,n}∣. =. Z. Allgemeine Maschinen. 1+ε . n−2. 1 Damit der Algorithmus S3 wählt, muss gelten: r{1,2} (3)≤ n−2 .. APX.

(79) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 1∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(80) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 2∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(81) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 3∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(82) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 4∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(83) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 5∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(84) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 6∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(85) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 7∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(86) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 8∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(87) Set Cover 5:12. Scheduling. Güte der Abschätzung. Bin Packing. 9∕9. <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Beispiel zur Abschätzung der Güte Damit erhalten wir das folgende schlechte Beispiel für obigen Algorithmus: X = {1, 2, . . . , n} Sm = {1, 2, . . . , n} mit m = n + 1. Si = {i} für 1 ≤ i ≤ n. Setze cm = 1 + ε. 1 Setze ci = n−i+1 . Damit gilt für dieses Beispiel: Der Greedy Algorithmus wird nacheinander die Mengen S1 , S2 , . . . , Sn wählen. Die optimale Lösung beinhaltet nur Sm .. SS2015. APX.

(88) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 1∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(89) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 2∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(90) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 3∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(91) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 4∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(92) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 5∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(93) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 6∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(94) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 7∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(95) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 8∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(96) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 9∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(97) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 10∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(98) Set Cover 5:13. Scheduling. Güte der Abschätzung. Bin Packing. Approximationsschema. <. 11∕11. > Walter Unger 15.7.2015 11:04. Beispiel zur Güte rA (i) =. 1 + ε:. ci . ∣Si ∖∪i∈A Si ∣ 1+ε n−∣C ∣. rC (i + 1) = r∅ (1) =. 1/n 1. r1 (2) =. 1/(n−1) 1. r1,2 (3) =. =. 1 n−∣C ∣. + δ.. 1 n−1. =. 1: 3. 1 n−2. =. 1/(n−3) 1. =. ⋮:. 1 n−3. 1 : n−3. r1,2,...,n−3 (n − 2) =. 1/3 1. =. 1 3. r1,2,...,n−2 (n − 1) =. 1/2 1. =. 1 2. r1,2,...,n−1 (n) =. 1: 1: 2. 1 n. 1/(n−2) 1. r1,2,3 (4) =. =. 1 1. =1. 1 : n−2 1 : n−1 1: n. X ∶. Z. Allgemeine Maschinen. .... SS2015. APX.

(99) Set Cover 5:14. Scheduling. Güte der Abschätzung. 1∕4. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Theorem Es gibt eine Instanz, worauf der Greedy Algorithmus einen Approximationsfaktor von (1 − ε) ⋅ Hn erreicht (für ε > 0). Theorem (Feige 1995) Es gibt keinen Algorithmus mit Approximationsfaktor (1 − ε) ⋅ Hn für das Set-Cover-Problem, es sei denn N P = TIME (nO(log log n) ). Folgerung: Damit ist dieser einfache Greedy Algorithmus der beste, der möglich ist.. APX.

(100) Set Cover 5:14. Scheduling. Güte der Abschätzung. 2∕4. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Theorem Es gibt eine Instanz, worauf der Greedy Algorithmus einen Approximationsfaktor von (1 − ε) ⋅ Hn erreicht (für ε > 0). Theorem (Feige 1995) Es gibt keinen Algorithmus mit Approximationsfaktor (1 − ε) ⋅ Hn für das Set-Cover-Problem, es sei denn N P = TIME (nO(log log n) ). Folgerung: Damit ist dieser einfache Greedy Algorithmus der beste, der möglich ist.. APX.

(101) Set Cover 5:14. Scheduling. Güte der Abschätzung. 3∕4. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Theorem Es gibt eine Instanz, worauf der Greedy Algorithmus einen Approximationsfaktor von (1 − ε) ⋅ Hn erreicht (für ε > 0). Theorem (Feige 1995) Es gibt keinen Algorithmus mit Approximationsfaktor (1 − ε) ⋅ Hn für das Set-Cover-Problem, es sei denn N P = TIME (nO(log log n) ). Folgerung: Damit ist dieser einfache Greedy Algorithmus der beste, der möglich ist.. APX.

(102) Set Cover 5:14. Scheduling. Güte der Abschätzung. 4∕4. Bin Packing <. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. SS2015. Güte der Approximation Theorem Der Greedy Algorithmus hat einen Approximationsfaktor von höchstens Hn . Theorem Es gibt eine Instanz, worauf der Greedy Algorithmus einen Approximationsfaktor von (1 − ε) ⋅ Hn erreicht (für ε > 0). Theorem (Feige 1995) Es gibt keinen Algorithmus mit Approximationsfaktor (1 − ε) ⋅ Hn für das Set-Cover-Problem, es sei denn N P = TIME (nO(log log n) ). Folgerung: Damit ist dieser einfache Greedy Algorithmus der beste, der möglich ist.. APX.

(103) Set Cover 5:15. Scheduling. Einleitung. Bin Packing <. 1∕7. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Motivation Verteilung von Aufgaben Aufgaben sind nicht teilbar (ansonsten wäre es zu einfach). Alle Aufgaben sollen möglichst schnell fertig werden. Beispiel Vor einer Party gibt es viele Arbeiten zu machen. Wenn jemand eine Arbeit hat, gibt er sie nicht mehr her. Erst wenn alle Arbeiten erledigt sind, fängt die Party an.. SS2015. APX.

(104) Set Cover 5:15. Scheduling. Einleitung. Bin Packing <. 2∕7. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Motivation Verteilung von Aufgaben Aufgaben sind nicht teilbar (ansonsten wäre es zu einfach). Alle Aufgaben sollen möglichst schnell fertig werden. Beispiel Vor einer Party gibt es viele Arbeiten zu machen. Wenn jemand eine Arbeit hat, gibt er sie nicht mehr her. Erst wenn alle Arbeiten erledigt sind, fängt die Party an.. SS2015. APX.

(105) Set Cover 5:15. Scheduling. Einleitung. Bin Packing <. 3∕7. Approximationsschema. Z. Allgemeine Maschinen. > Walter Unger 15.7.2015 11:04. Motivation Verteilung von Aufgaben Aufgaben sind nicht teilbar (ansonsten wäre es zu einfach). Alle Aufgaben sollen möglichst schnell fertig werden. Beispiel Vor einer Party gibt es viele Arbeiten zu machen. Wenn jemand eine Arbeit hat, gibt er sie nicht mehr her. Erst wenn alle Arbeiten erledigt sind, fängt die Party an.. SS2015. APX.

Referenzen

ÄHNLICHE DOKUMENTE

Dazu muss das Durchlaufen der ungeraden Kreise bei der Suche nach alternierenden Pfade betrachtet werden: Wird bei der Suche ein gematcher Knoten über eine Kanten, die nicht im

Oder noch besser: Erhöhe den Knotengrad der ungeraden Knoten um eins.. jeder ungerade Knoten bekommt eine

Vertex Cover Theorem Das Vertex Cover Problem kann mit einem Faktor von 2 approximiert werden.. Damit ist M kein inklusions-maximales

Approximation Theorem Der obige Algorithmus bestimmt eine 2-Approximation für das allgemeine Makespan Scheduling Problem.. Die Verteilung der ungeteilten Jobs erzeugt auf jeder

Da das Verfahren optimal ist, solange maximal zwei Jobs auf jeder Maschine zugewiesen werden und die Jobs in absteigender Reihenfolge zugewiesen werden, wird der

Damit ist eine zufällig gewählte Kante mit hoher Wahrscheinlichkeit nicht im Schnitt.. Damit sind die inzidenten Knoten einer zufällig gewählten Kante mit hoher Wahrscheinlichkeit

Damit ist eine zufällig gewählte Kante mit hoher Wahrscheinlichkeit nicht im Schnitt.. Damit sind die inzidenten Knoten einer zufällig gewählten Kante mit hoher Wahrscheinlichkeit

Damit ist eine zufällig gewählte Kante mit hoher Wahrscheinlichkeit nicht im Schnitt.. Damit sind die inzidenten Knoten einer zufällig gewählten Kante mit hoher Wahrscheinlichkeit