/
AlgoTechZusammenfassung.tex
1831 lines (1460 loc) · 90.9 KB
/
AlgoTechZusammenfassung.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
\documentclass[a4paper,10pt]{scrartcl}
\usepackage{latexki}
\lecturer{Prof. Dr. D. Wagner}
\semester{Winteresemester 08/09}
\scriptstate{complete}
% own commands
\newcommand{\tbf}{\textbf}
\newcommand{\tsc}{\textsc}
\newcommand{\Ra}{\Rightarrow}
\newcommand{\La}{\Leftarrow}
\newcommand{\agn}{\leftarrow}
\newcommand{\nat}{\mathbb{N}}
\newcommand{\natn}{\mathbb{N}_0}
\newcommand{\Ree}{\mathbb{R}}
\newcommand{\Rn}{\mathbb{R}^n}
\newcommand{\Rm}{\mathbb{R}^m}
\newcommand{\Rmn}{\mathbb{R}^{m \times n}}
\newcommand{\Gr}{$G = (V,E)$ }
\newcommand{\gGr}{$D = (V,E)$ }
\newcommand{\Gwfkt}{$c: E \rightarrow \mathbb{R}$ }
\newcommand{\Gwfktp}{$c: E \rightarrow \mathbb{R}_0^+$ }
\newcommand{\Gwfktg}{$c: E \rightarrow \mathbb{N}_0$ }
\newcommand{\Gwfktn}{$c: E \rightarrow \mathbb{N}$ }
\newcommand{\Cut}{$(S,V \setminus S)$ }
\newcommand{\Lra}{\Leftrightarrow}
\newcommand{\Nw}{$(D;s,t;c)$ }
\newcommand{\Flu}{$f: E \rightarrow \mathbb{R}_0^+$ }
\newcommand{\Flue}{$f: E' \rightarrow \mathbb{R}$ }
\newcommand{\NP}{\mathcal{NP}}
\newcommand{\NPC}{\mathcal{NPC}}
\newcommand{\RP}{\mathcal{RP}}
\newcommand{\PP}{\mathcal{PP}}
\newcommand{\BPP}{\mathcal{BPP}}
\renewcommand{\Pr}{\text{Pr}}
\newcommand{\NC}{\mathcal{NC}}
\newcommand{\SC}{\mathcal{SC}}
\newcommand{\calA}{\mathcal{A}}
\newcommand{\calB}{\mathcal{B}}
\newcommand{\calC}{\mathcal{C}}
\newcommand{\calH}{\mathcal{H}}
\newcommand{\calK}{\mathcal{K}}
\newcommand{\calL}{\mathcal{L}}
\newcommand{\calP}{\mathcal{P}}
\newcommand{\calR}{\mathcal{R}}
\newcommand{\calU}{\mathcal{U}}
\usepackage{german}
\usepackage[T1]{fontenc}
\usepackage[utf8]{inputenc}
\usepackage{amsmath}
\usepackage{amssymb}
\usepackage{amsthm}
\usepackage{color}
%\usepackage{nicefrac}
%\usepackage{tikz}
%\usetikzlibrary[automata]
%\usetikzlibrary{shapes}
\usepackage{geometry}
\usepackage{enumerate}
\geometry{a4paper,left=3cm,right=3cm, top=3cm, bottom=3cm}
\usepackage{algorithm}
\usepackage[noend]{algorithmic}
\floatname{algorithm}{Algorithmus}
\renewcommand{\listalgorithmname}{Liste der Algorithmen}
\newcommand{\Eingabe}[1]{\STATE \tbf{Eingabe}: #1 \\}
\newcommand{\Ausgabe}[1]{\STATE \tbf{Ausgabe}: #1 \\}
\newcommand{\Seffekte}[1]{\STATE \tbf{Seiteneffekte}: #1 \\}
\newcommand{\Vorb}[1]{\STATE \tbf{Vorbedingungen}: #1 \\}
\renewcommand{\algorithmicif}{\textbf{Falls}}
\renewcommand{\algorithmicthen}{}
\renewcommand{\algorithmicelse}{\textbf{Sonst}}
\renewcommand{\algorithmicwhile}{\textbf{Solange}}
\renewcommand{\algorithmicdo}{}
\renewcommand{\algorithmicfor}{\textbf{Für}}
\renewcommand{\algorithmicforall}{\textbf{Für alle}}
\definecolor{mygray}{gray}{.20}
\renewcommand{\algorithmiccomment}[1]{\textcolor{mygray}{ // #1}}
\setlength{\parindent}{0pt}
%\setcounter{topnumber}{0}
%\theoremstyle{default}
\newtheorem{satz}{Satz}
\newtheorem{bew}[satz]{Beweis}
\newtheorem{lemma}{Lemma}
\usepackage{setspace}
\onehalfspacing
%opening
\title{Zusammenfassung des Stoffes zur Vorlesung Algorithmentechnik}
\author{Max Kramer}
\date{30. März 2009}
\begin{document}
\maketitle
\begin{abstract}
Diese Zusammenfassung ENTSTEHT MOMENTAN als persönliche Vorbereitung auf die Klausur zur Vorlesung ``Algorithmentechnik'' von Prof. Dr. Dorothea Wagner im Wintersemester 08/09 an der Universität Karlsruhe (TH). Sie ist sicherlich nicht vollständig, sondern strafft bewusst ganze Kapitel und Themen wie Amortisierte Analyse, Parallele Algorithmen und viele mehr. Für Verbesserungen, Kritik und Hinweise auf Fehler oder Unstimmigkeiten an third äht web.de bin ich dankbar.
\end{abstract}
\setcounter{tocdepth}{1}
\tableofcontents
\newpage
\listofalgorithms
\newpage
\setcounter{section}{-1}
\section{Grundlagen}
\subsection{Amortisierte Analyse}
\begin{itemize}
\item \tbf{Ganzheitsmethode}: Bestimme obere Schranke $T(n)$ für $n$ Operationen $\Ra$ $\frac{T(n)}{n}$ amortisierte Kosten je Operation
\item \tbf{Buchungsmethode}: Weise Operationen ``Gebühren'' zu und nutze überschüssigen ``Kredit'' der Objekte für spätere Operationen an den Objekten.
\item \tbf{Potentialmethode}: Definiere ``Kredit'' als Potential $\mathbb{C}(D_i)$ aller Objekte nach der $i$-ten Operation. \\
Definiere die amortisierten Kosten: $\hat{c_i} := c_i + \mathbb{C}(D_i) - \mathbb{C}(D_{i-1})$ \\
Falls $\forall \ n \in \nat$ gilt $\mathbb{C}(D_n) \geq \mathbb{C}(D_0)$ $\Ra$ amortisierte Kosten obere Schranken für Gesamtkosten
\end{itemize}
\subsection{Rekursionsabschätzung}
\begin{itemize}
\item \tbf{Substitutionsmethode}: vermute Lösung und beweise induktiv (Tricks: späterer Induktionsanfang, Vermutungen verschärfen, Variablen ersetzen)
\item \tbf{Iterationsmethode}: schreibe Laufzeit durch iteratives Einsetzen als Summe und schätze diese ab
\item \tbf{Master Theorem}: \\
$T(n) = a \cdot T(\frac{n}{b}) + f(n), a \geq 1, b > 1$
\begin{itemize}
\item $f(n) \in \Omega(n^{\text{log }_b a+\varepsilon}), a f(\frac{n}{b}) \leq c f(n)$ für $c < 1$ und $n \geq n_0$ $\ \Ra \ $ $T(n) \in \Theta(f(n))$
\item $f(n) \in \Theta(n^{\text{log }_b a})$ $\ \Ra \ $ $T(n) \in \Theta(n^{\text{log }_b a} \cdot \text{log } n)$
\item $f(n) \in O(n^{\text{log }_b a-\varepsilon})$ $\ \Ra \ $ $T(n) \in \Theta(n^{\text{log }_b a})$
\end{itemize}
\end{itemize}
\newpage
\section{Grundlegende Datenstrukturen für Operationen auf Mengen}
\subsection{Union-Find-Problem}
Stelle eine Datenstruktur und Operationen darauf zur Verfügung die eine Folge disjunkter Mengen möglichst effizient verwalten:
\begin{itemize}
\item $\tsc{Makeset}(x)$: Führe neue Menge $\{x\}$ ein.
\item $\tsc{Union}(S_i,S_j,S_k)$: Vereinige $S_i$ und $S_j$ zu $S_k$ und entferne $S_i$ und $S_j$.
\item $\tsc{Find}(x)$: Gebe die Menge $M$ an, welche $x$ enthält.
\end{itemize}
Repräsentiere Mengen durch Bäume indem zu jedem Element $x$ sein Vorgänger $\tsc{Vor}[x]$ in einem Array gespeichert wird. Für Wurzeln $w$ ist $\tsc{Vor}[w] = - \# ($Knoten im Baum w$)$.
\begin{algorithm}
\caption{$\tsc{Makeset}(x)$}
\begin{algorithmic}
\Eingabe{Element x}
\Seffekte{Neuer Index in $\tsc{Vor}[]$}
\STATE $\tsc{Vor}[x] \agn - 1$
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{weighted $\tsc{Union}(i,j)$}
\begin{algorithmic}
\Eingabe{Mengen $S_i, S_j$}
\Seffekte{Die Elemente des Baumes mit weniger Elementen werden dem anderen Baum hinzugefügt}
\STATE $z \agn \tsc{Vor}[i] + \tsc{Vor}[j]$
\IF{|\tsc{Vor}[i]| < |\tsc{Vor}[j]|}
\STATE $\tsc{Vor}[i] \agn j$
\STATE $\tsc{Vor}[j] \agn z$
\ELSE
\STATE $\tsc{Vor}[j] \agn i$
\STATE $\tsc{Vor}[i] \agn z$
\ENDIF
\end{algorithmic}
\end{algorithm}
\begin{lemma}[\tbf{Baumhöhe}]
Für die Höhe eines durch $\tsc{Makeset}$ und weighted $\tsc{Union}$ entstandenen Baumes $T$ gilt: $h(T) \leq \text{log }_2 |T|$
\end{lemma}
\begin{algorithm}
\caption{$\tsc{Find}(x)$ (mit Pfadkompression)}
\begin{algorithmic}
\Eingabe{Element $x$}
\Ausgabe{Menge in der $x$ enthalten ist}
\STATE $w \agn x$
\WHILE{$\tsc{Vor}[w] > 0$}
\STATE $w \agn \tsc{Vor}[w]$
\ENDWHILE
\STATE $i \agn x$
\WHILE{$\tsc{Vor}[i] > 0$}
\STATE $temp \agn i$
\STATE $i \agn \tsc{Vor}[i]$
\STATE $\tsc{Vor}[temp] \agn w$
\ENDWHILE
\STATE Gib $w$ aus
\end{algorithmic}
\end{algorithm}
\begin{satz}[\tbf{Hopcroft \& Ullman}]
Die Gesamtlaufzeit von $n$ Operationen vom Typ \tsc{Makeset}, \tsc{Union} und \tsc{Find} mit Pfadkompression ist in $O(n \cdot G(n))$.
\end{satz}
Dabei ist $G(n) := min\{y \ | \ F(y) \geq n\}$ mit $F(0) := 1$ und $F(y) := 2^F(y-1)$ für $y > 0$. Daher ist $G(n) \leq 5$ für alle ``praktisch'' relevanten Werte. \\
\tbf{Rang} $r(v)$ $:=$ Höhe des Unterbaumes mit Wurzel v (ohne Pfadkompression) \\
\tbf{Ranggruppe} $\gamma_j$ $:=$ $\{ v \ | \ \text{log }^{(j+1)} \cdot n < r(v) \leq \text{log }^j \cdot n \}$ \\
Eine genauere Analyse zeigt, dass $m$ Operationen vom Typ \tsc{Makeset}, \tsc{Union} und \tsc{Find} auf $n$ Elementen $O(m \cdot \alpha(m,n))$ ($\alpha =$ Ackermannfunktion) Zeit benötigen.
\subsection{Anwendungen für Union-Find-Datenstrukturen}
\subsubsection{Algorithmus von \textsf{Kruskal}}
\begin{algorithm}
\caption{Algorithmus von \textsf{Kruskal}}
\begin{algorithmic}
\Eingabe{Graph $G = (V, E)$ mit Kantengewichten}
\Ausgabe{MST in Form von grünen Kanten}
\STATE $\tsc{Grün} \agn \emptyset$
\STATE $\tsc{Sort}(E) \agn E$ aufsteigend sortiert
\FOR{$v \in V$}
\STATE $\tsc{Makeset}(v)$
\ENDFOR
\FOR{$\{v,w\} \in \tsc{Sort}(E)$}
\IF{$\tsc{Find}(v) \not = \tsc{Find}(w)$}
\STATE $\tsc{Union}(\tsc{Find}(v),\tsc{Find}(w))$
\STATE $\tsc{Grün} \agn \tsc{Grün} \cup \{\{v,w\}\}$
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
\subsubsection{\tsc{Offline-Min}-Problem}
\tbf{\tsc{Offline-Min}-Problem}: Gebe zu einer Folge $Q$ von $n$ $\tsc{Insert}(i)$ und \tsc{Extract-Min}-Operationen alle $i$, die entfernt wurden, und jeweils die Operation bei der sie entfernt wurden an. (Dabei sei $i \in \{1, \ldots, n\}$) \\
\begin{algorithm}
\caption{\tsc{Offline-Min}-Initialisierung}
\begin{algorithmic}
\Eingabe{Operationenfolge $Q_1, Q_2, \ldots, Q_n$}
\Ausgabe{Mengen $M_j := \{ i \ | \ \tsc{Insert}(i)$ erfolgt zwischen $j - 1$-tem und $j$-tem \tsc{Extract-Min} $\}$}
\STATE $j \agn 1$
\FOR{$i = 1$ bis $n$}
\IF{$Q_i \not = \tsc{Extract-Min}$}
\STATE $\tsc{Makeset}(i)$
\STATE $\tsc{Union}(j,\tsc{Find}(i))$
\ELSE
\STATE $j \agn j + 1$
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
Sei $k$ nun die Anzahl der \tsc{Extract-Min}-Operationen und die Mengen $M_1, \ldots, M_{k+1}$ durch \tsc{Pred} und \tsc{Succ} doppelt verlinkt. \\
\begin{algorithm}
\caption{\tsc{Offline-Min} $\in \Theta(n)$}
\begin{algorithmic}
\FOR{$i = 1$ bis $n$}
\STATE $j \agn \tsc{Find}(i)$
\IF{$j \leq k$}
\STATE Gebe ``$i$ ist durch die $j$-te \tsc{Extract-Min}-Operation entfernt worden'' aus
\STATE $\tsc{Union}(j,\tsc{Succ}[j],\tsc{Succ}[j])$ \COMMENT{$M_{\tsc{Succ}[j]} = M_j \cup M_{\tsc{Succ}[j]}$}
\STATE $\tsc{Succ}[\tsc{Pred}[j]] \agn \tsc{Succ}[j]$ \COMMENT{überspringe $M_j$}
\STATE $\tsc{Pred}[\tsc{Succ}[j]] \agn \tsc{Pred}[j]$
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
\subsubsection{\tsc{Priority Queues} und \tsc{Heaps}}
\tbf{\tsc{Priority Queue}} nennt man eine Datenstruktur $H$ welche die Operationen $\tsc{Findmax}()$, $\tsc{Delete}(H,i)$, $\tsc{Insert}(H,x)$ und $\tsc{Makeheap}(M)$ unterstützt. \\
Ein \tbf{\tsc{Heap}} ist ein als Array $A$ realisierter voller binärer Baum, der die \tsc{Heap}-Eigenschaft erfüllt: \\
$\forall \ i$ gilt $A[i] \geq A[2i]$ und $A[i] \geq A[2i + 1]$ \\
\begin{algorithm}
\caption{$\tsc{Heapify}(A,i)$ $\in O(\text{log } n)$}
\begin{algorithmic}
\Eingabe{Vollst. binärer Baum als Array $A$, Index $i$}
\Ausgabe{Array $A$ mit Unterbaum von $i$ als \tsc{Heap}}
\Vorb{Unterbäume von $A[2i]$ und $A[2i + 1]$ sind bereits \tsc{Heaps}}
\IF{$2i \leq |A|$ und $A[2i] > A[i]$}
\STATE $m \agn 2i$
\ELSE
\STATE $m \agn i$
\ENDIF
\IF{$2i + 1 \leq |A|$ und $A[2i + 1] > A[m]$}
\STATE $m \agn 2i + 1$
\ENDIF
\IF{$m \not = i$}
\STATE Vertausche $A[i]$ und $A[m]$
\STATE $\tsc{Heapify}(A,m)$
\ENDIF
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Makeheap}(A)$ $\in \Theta(n)$}
\begin{algorithmic}
\Eingabe{Vollst. binärer Baum als Array $A$}
\Ausgabe{Array $A$ als \tsc{Heap}}
\FOR{$i = \lfloor \frac{|A|}{2} \rfloor, \ldots, 1$}
\STATE $\tsc{Heapify}(A,i)$
\ENDFOR
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Sift-Up}(A,i)$ $\in O(\text{log } n)$}
\begin{algorithmic}
\Eingabe{Array $A$, bis evtl. auf $A[i]$ \tsc{Heap}}
\Ausgabe{Array $A$ als \tsc{Heap}}
\STATE $l \agn i$
\WHILE{$\lfloor \frac{l}{2} \rfloor > 0$ und $A[l] > A[\lfloor \frac{l}{2} \rfloor]$}
\STATE Vertausche $A[l]$ und $A[\lfloor \frac{l}{2} \rfloor]$
\STATE $l \agn \lfloor \frac{l}{2} \rfloor$
\ENDWHILE
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Delete}(A,i)$ $\in O(\text{log } n)$}
\begin{algorithmic}
\Eingabe{\tsc{Heap} $A$, Index $i$ des zu löschenden Elements}
\Ausgabe{\tsc{Heap} $A \setminus A[i]$}
\STATE $A[i] \agn A[|A|]$
\STATE $|A| \agn |A| - 1$
\IF{$A[i] \leq A[\lfloor \frac{i}{2} \rfloor]$}
\STATE $\tsc{Heapify}(A,i)$
\ELSE
\STATE $\tsc{Sift-Up}(A,i)$
\ENDIF
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Insert}(A,x)$ $\in \Theta(\text{log } n)$}
\begin{algorithmic}
\Eingabe{\tsc{Heap} $A$, einzufügendes Element $x$}
\Ausgabe{\tsc{Heap} $A \cup \{x\}$}
\STATE $|A| \agn |A| + 1$
\STATE $A[|A|] \agn x$
\STATE $\tsc{Sift-Up}(A,|A|)$
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Heapsort}(A)$ $\in O(n \text{ log } n)$}
\begin{algorithmic}
\Eingabe{Array $A$}
\Ausgabe{Array $A$ aufsteigend sortiert}
\STATE $\tsc{Makeheap}(A)$
\STATE $n \agn |A|$
\FOR{$i = n, \ldots, 2$}
\STATE Vertausche $A[1]$ und $A[i]$
\STATE $|A| \agn |A| - 1$
\STATE $\tsc{Heapify}(A,1)$
\ENDFOR
\STATE $|A| \agn n$
\end{algorithmic}
\end{algorithm}
Um \tsc{Heapsort} zu beschleunigen kann man eine Operation $\tsc{Bottom-Up-Heapify}(A,1)$ implementieren, die mit $\text{log } n + \varepsilon$ (im Mittel $\varepsilon \leq 2$) statt $2 \cdot \text{log } n$ Vergleichen auskommt, und daher schneller ist, falls das ``Hochtauschen zur Wurzel'' schnell implementiert wird.
\begin{algorithm}
\caption{$\tsc{Bottom-Up-Heapify}(A,1)$ $\in O(\text{log } n)$}
\begin{algorithmic}
\Eingabe{Array $A$, bis auf $A[1]$ \tsc{Heap}}
\Ausgabe{\tsc{Heap} $A$}
\STATE $j \agn 1$ \\
\COMMENT{Sinke entlang größerer Nachfolger bis zu einem Blatt ab}
\WHILE{$2j > |A|$}
\IF{$A[2j] \geq A[2j + 1]$}
\STATE $j \agn 2j$
\ELSE
\STATE $j \agn 2j + 1$
\ENDIF
\ENDWHILE
\COMMENT{Steige bis zur korrekten Position auf}
\WHILE{$A[1] \geq A[j]$}
\STATE $j \agn \lfloor \frac{j}{2} \rfloor$
\ENDWHILE
\STATE $temp \agn A[j]$
\STATE $A[j] \agn A[1]$
\STATE $j \agn \lfloor \frac{j}{2} \rfloor$
\WHILE{$j > 0$}
\STATE vertausche $temp$ und $A[j]$
\STATE $j \agn \lfloor \frac{j}{2} \rfloor$
\ENDWHILE
\end{algorithmic}
\end{algorithm}
\newpage
\section{Aufspannende Bäume minimalen Gewichts}
\subsection{Grundbegriffe der Graphentheorie}
Ein \tbf{Weg} der Länge $l$ in einem Graphen \Gr ist eine Folge von Knoten $v_1, \ldots, v_{l-1}$, in der aufeinanderfolgende Knoten durch Kanten verbunden sind. \\
Ein \tbf{Pfad} ist ein Weg in dem jeder Knoten nur einmal vorkommt. \\
Ein \tbf{Baum} ist ein Graph \Gr, in dem es zwischen je 2 Knoten genau einen Pfad gibt. \\
Ein Teilgraph $G' = (V',E')$ von \Gr mit $E' \subseteq E$ heißt \tbf{aufspannend}, wenn $V' = V$. \\
\subsection{Das MST-Problem}
Finde zu einem zusammenhängenden Graphen \Gr mit der Gewichtsfunktion \Gwfkt einen aufspannenden Teilbaum $B = (V,E')$ mit minimalem Gewicht $c(B) = \sum_{\{u,v\} \in E'} \limits c(\{u,v\})$ \\
\subsection{Die Färbungsmethode von \textsf{Tarjan}}
Ein \tbf{Schnitt} in einem Graphen \Gr ist eine Partition \Cut von $V$. \\
Eine Kante $\{u,v\}$ \tbf{kreuzt} den Schnitt falls $u \in S$ und $v \in V \setminus S$. (Ein Schnitt wird oft mit der Menge der kreuzenden Kanten identifiziert.) \\
Ein \tbf{Kreis} in einem Graphen \Gr ist eine Folge $v_1, \ldots, v_k = v_1$ mit $k > 3$, in der aufeinanderfolgende Knoten durch Kanten verbunden sind und außer $v_1$ kein Knoten zweimal vorkommt. \\
\tbf{Grüne Regel}: Färbe die farblose Kante \textit{minimalen} Gewichts eines \textit{Schnittes} ohne grüne Kanten grün. \\
\tbf{Rote Regel}: Färbe die farblose Kante \textit{maximalen} Gewichts eines \textit{Kreises} ohne rote Kanten rot. \\
\begin{algorithm}
\caption{Färbungsmethode von \textsf{Tarjan}}
\begin{algorithmic}
\Eingabe{gewichteter Graph}
\Ausgabe{MST in Form von grünen Kanten}
\WHILE{eine der beiden Regeln anwendbar}
\STATE Wende eine der beiden Regeln an
\ENDWHILE
\end{algorithmic}
\end{algorithm}
\begin{satz}[\tbf{Färbungsinvariante}]
Die Färbungsmethode erhält die Invariante, dass es einen MST gibt, der alle grünen Kanten und keine rote Kante enthält.
\end{satz}
Der Satz kann mit Hilfe einer Fallunterscheidung induktiv bewiesen werden:
\begin{itemize}
\item Grüne Regel auf $e \in E_B$ angewendet \checkmark
\item Grüne Regel auf $e = \{u,v\} \not \in E_B$ angwendet. $B$ aufspannend $\Ra$ $\exists$ kreuzende Kante $e' \in E_B$ auf dem Weg von $u$ nach $v$. $e' \in E_B$, grüne Regel $\Ra$ $e'$ ungefärbt und $c(e') \geq c(e)$ $\Ra$ $E_B' = E_B \setminus e' \cup e$ MST \checkmark
\item Rote Regel auf $e \not \in E_B$ angewendet \checkmark
\item Rote Regel auf $e \in E_B$ angewendet. $B \setminus e$ zerfällt in 2 Teilbäume die einen Schnitt induzieren. Auf dem Kreis der roten Regel liegt eine kreuzende, nicht-rote Kante $e' \not = e$ mit $c(e) \geq c(e')$. $B$ Baum $\Ra$ $e'$ nicht grün $\Ra$ $E_B' = E_B \setminus e \cup e'$ MST \checkmark
\end{itemize}
\subsection{Der Algorithmus von \textsf{Kruskal}}
\begin{algorithm}
\caption{Algorithmus von \textsf{Kruskal} (verbal) $\in O(|E| \text{ log } |V|)$}
\begin{algorithmic}
\Eingabe{Graph mit Kantengewichten}
\Ausgabe{MST in Form von grünen Kanten}
\STATE Sortiere Kanten nicht-absteigend
\FORALL{Kanten}
\IF{beide Endknoten liegen in demselben grünen Baum}
\STATE{Färbe Kante rot}
\ELSE
\STATE{Färbe Kante grün}
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
Der Algorithmus von \textsf{Kruskal} ist eine Spezialisierung der Färbungsmethode die durch \tsc{Union-Find} implementiert werden kann und deren Laufzeit durch das Sortieren bestimmt wird.
\subsection{Der Algorithmus von \textsf{Prim}}
Der Algorithmus von \textsf{Prim} ist eine weitere Spezialisierung der Färbungsmethode und besonders für dichte Graphen geeignet. Falls die Kanten bereits sortiert sind ist er dem Algorithmus von \textsf{Kruskal} unterlegen.
\begin{algorithm}
\caption{Algorithmus von \textsf{Prim} (verbal)}
\begin{algorithmic}
\Eingabe{Graph $G = (V, E)$ mit Kantengewichten}
\Ausgabe{MST in Form von grünen Kanten}
\STATE Färbe einen beliebigen Knoten grün.
\FOR{$i = 1, \ldots, |V| - 1$}
\STATE Wähle eine farblos Kante minimalen Gewichts mit genau einem grünen Endknoten und färbe sie und den anderen Endknoten grün.
\ENDFOR
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{Algorithmus von \textsf{Prim} $\in O(|E| \text{ log}_{2 + |E| / |V|} |V|)$}
\begin{algorithmic}
\Eingabe{Graph $G = (V, E)$ mit Kantengewichten, Startknoten $s \in V$}
\Ausgabe{MST in Form von grünen Kanten}
\FORALL{$v \in V$}
\STATE $\tsc{key}[v] \agn \infty$
\ENDFOR
\STATE $v \agn s$
\WHILE{v definiert}
\STATE $\tsc{key}[v] \agn - \infty$
\FORALL{$\{v,w\} \in E$}
\IF{$\tsc{key}[w] = \infty$}
\STATE $\tsc{key}[w] \agn c(\{v,w\})$
\STATE $\tsc{grün}[w] \agn \{v,w\}$
\STATE $\tsc{Insert}(H,w)$
\ELSE
\IF{$c(\{v,w\} < \tsc{key}[w]$}
\STATE $\tsc{key}[w] \agn c(\{v,w\})$
\STATE $\tsc{grün}[w] \agn \{v,w\}$
\STATE $\tsc{Decreasekey}(H,w,c(\{v,w\}))$
\ENDIF
\ENDIF
\ENDFOR
\ENDWHILE
\end{algorithmic}
\end{algorithm}
\subsection{Greedy-Verfahren und Matroide}
Ein \tbf{Unabhängigkeitsystem} ist ein Tupel $(M,\calU)$ mit $\calU \subset 2^M$, $M$ endlich für das gilt:
\begin{itemize}
\item $\emptyset \in \calU$ und
\item $\forall \ I_1 \in \calU$: $I_2 \subseteq I_1$ $\Ra$ $I_2 \in \calU$
\end{itemize}
$I \in \calU$ heißen \tbf{unabhängig}, alle anderen $I \subseteq M$ mit $I \not \in \calU$ \tbf{abhängig}. \\
$B \in \calU$ mit $B \subseteq F$ \tbf{Basis} von $F \subseteq M$ $\ \Lra \ $ $\forall \ B' \in \calU: B \subseteq B' \subseteq F$ $\Ra$ $B = B'$ (maximal bzgl. $\subseteq$)\\
Eine \tbf{Basis eines Unabhängigkeitsystem} $(M,\calU)$ ist eine Basis von $M$. \\
Die Menge aller Basen von $(M,\calU)$ heißt \tbf{Basissystem} von $(M,\calU)$. \\
\tbf{Rang} von $F \subseteq M$ $r(F) := max \{ |B| \ | \ B \text{ Basis von } F\}$ ($r((M,\calU)) = r(M)$) \\
Ein \tbf{Kreis} in $(M,\calU)$ ist eine bzgl. $\subseteq$ minimale, abhängige Menge. \\
\tbf{Optimierungsproblem über dem Unabhängigkeitssystem} $(M,\calU)$ mit der Gewichtsfunktion $w$: Finde ein $U \in \calU$ mit minimalem $w(U)$. \\
\tbf{Optimierungsproblem über dem Basisssystem} $\calB$: Finde ein $B \in \calB$ mit minimalem $w(B)$. \\
MST = Optimierungsproblem über dem Basissystem der aufspannenden Bäume. \\
\begin{algorithm}
\caption{Greedy-Algorithmus für Optimierungsproblem über $(M,\calU)$}
\begin{algorithmic}
\STATE sortiere $M$ auf- bzw. absteigend (Mini- bzw. Maximierung) zu $M = l_1, \ldots, l_n$
\STATE $I \agn \emptyset$
\FOR{$i = 1, \ldots, n$}
\IF{$I \cup \{l_i\} \in \calU$}
\STATE $I \agn I \cup \{l_i\}$
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
Ein \tbf{Matroid} ist ein Unabhängigkeitssystem $(M,\calU)$ für das gilt: \\
$\forall \ I, J \in \calU$ mit $|I| < |J|$ $\exists \ e \in J \setminus I$ mit $I \cup \{e\} \in \calU$ \\
\begin{satz}[\tbf{Matroid-Äquivalenz}]
Für ein Unabhängigkeitssystem $(M,\calU)$ sind folgende Aussagen äquivalent:
\begin{enumerate}[$(a)$]
\item Ein Greedy-Algorithmus liefert bei bel. Gewichtsfkt. $w$ eine Optimallösung $max \{ w(U) \ | \ U \in \calU \}$
\item $(M,\calU)$ ist ein Matroid
\item Für bel. $F \subseteq M$ und bel. inklusionsmaximale, unabhängige $I_1, I_2 \subseteq F$ gilt $|I_1| = |I_2|$
\end{enumerate}
\end{satz}
Beweis: \\
$(a) \Ra (b)$: \\
Annahme $(a) \land \neg (b)$ $\Ra$ $\exists \ U,W \in \calU$ mit $|U| = |W| + 1$ und $\forall \ e \in U \setminus W$ gilt $W \cup \{e\} \not \in \calU$. $w(m) := \begin{cases} |W| + 2 & \text{falls } e \in W \\ |W| + 1 & \text{falls } e \in U \setminus W \\ -1 & \text{falls } e \not \in U \setminus W \end{cases}$ $\ \Ra \ $ $w(U) \geq |U|(|W| + 1) = \overset{\text{2x Binomi}}{\ldots} > w(W)$ \\
$\Ra$ Greedy-Algorithmus wählt alle $w \in W$ und kann dann nichts mehr hinzunehmen. Widerspruch zur Optimalität. \\
$(b) \Ra (c)$: \\
Annahme $(a) \land \neq (c)$ $\Ra$ $\exists I_1, I_2 \subseteq F \subseteq M$ mit $I_1, I_2$ maximal unabhängig in $F$ und o.B.d.A. $|I_1| < |I_2|$ \\
Konstruiere $I' \subseteq I_2$ mit $|I'| = |I_1| + 1$ durch streichen von $|I_2| - |I_1| - 1$ Elementen aus $I_2$. \\
$\calU$ bzgl. $\subseteq$ n.u. abgeschl. $\Rightarrow$ $I' \in \calU$ $\overset{(M,\calU) \text{ Matroid}}{\Longrightarrow}$ $\exists \ e \in I' \setminus I_1$ mit $\calU \ni I_1 \cup \{e\} \subseteq F$. Widerspruch zu $I_1$ maximal unabhängig. \\
$(c) \Ra (a)$: \\
Sei $I \in \calU$ Lösung des Greedy-Algorithmus und $J \in \calU$ Optimallösung. \\
$I, J$ maximal unabhängig in $F = \{e \in M \ | \ w(e) > 0\}$ $\overset{(c)}{\Ra}$ $|I| = |J|$ \\
Ordne $I$ und $J$ absteigend nach Gewicht zu $i_1, \ldots, i_n$ und $j_1, \ldots, j_n$ \\
Zeige induktiv $\forall k = 1, \ldots, n$ gilt $w(i_k) \geq w(j_k)$: IA: Greedy \checkmark \\
IS: Annahme: $w(i_k) < w(j_k)$ $\Ra$ $\{i_1, \ldots, i_{k-1}\}$ maximal unabhängig in $F' = \{e \in M \ | \ w(e) \geq w(j_k)\}$ da die Greedy-Methode sonst $e$ mit $\{i_1, \ldots, i_{k-1}, e\} \in \calU$ gewählt hätte. Widerspruch zu $(c)$ da unabhängige $\{j_1, \ldots, j_k-\} \subseteq F'$ mit größerer Kardinalität. \\
$\Ra$ $w(I) \geq w(J)$ also $I$ optimal. \\
\newpage
\section{Schnitte in Graphen und Zusammenhang}
\subsection{Schnitte minimalen Gewichts}
Die \tbf{Kapazität eines Schnittes} \Cut ist $c(S,V \setminus S) := \sum_{\{u,v\} \in E \cap S \times V \setminus S} \limits c(\{u,v\})$. \\
Ein \tbf{Schnitt} \Cut kann kürzer durch eine Menge $S \subset V$, welche den Schnitt \tbf{induziert}, angegeben werden. \\
Ein \tbf{minimaler Schnitt} ist ein Schnitt \Cut für den $c(S,V \setminus S) \leq c(S',V \setminus S')$ für alle nichttrivialen $S' \subsetneq V$ ist. \\
\tbf{\tsc{Min-Cut}-Problem}: Finde zu einem Graphen \Gr mit Gewichtsfkt. \Gwfktp einen minimalen Schnitt. \\
Zu $S \subseteq V$ nennen wir den \tbf{am stärksten mit $S$ verbundenen} Knoten, denjenigen Knoten $v \in V \setminus S$ für den $c(S,v) := \sum_{\{u,v\} \in E \cap S \times V} \limits c(\{u,v\})$ maximal wird. \\
Wir \tbf{verschmelzen 2 Knoten} $s,t \in V$ indem wir sie durch einen neuen Knoten $x_{s,t}$ ersetzen und ihre Kanten durch Kantenmit $x_{s,t}$ ersetzen und dabei gegebenenfalls Gewichte addieren. \\
\subsection{Der Algorithmus von Stoer \& Wagner}
\begin{algorithm}
\caption{$\tsc{Min-Schnitt-Phase}(G,c,a) \in O(|V| \text{ log } |V| + |E|)$}
\begin{algorithmic}
\Eingabe{Graph $G_i = (V_i, E_i)$, Gewichtsfkt. $c$, Startknoten $a \in V$}
\Ausgabe{Graph $G_{i+1}$ und Schnitt der Phase $(V_i \setminus \{t\},\{t\})$}
\STATE $S \agn \{a\}$
\STATE $t \agn a$
\WHILE{$S \not = V_i$}
\STATE Bestimme am stärksten verbundenen $v \in V_i \setminus S$ \COMMENT{$c(S,v)$ maximal}
\STATE $S \agn S \cup \{v\}$
\STATE $s \agn t$
\STATE $t \agn v$
\ENDWHILE
\STATE Speichere $(V_i \setminus \{t\},\{t\})$ als Schnitt der Phase
\STATE $G_{i+1} \agn G_i$ mit verschmolzenem $s,t$
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{$\tsc{Min-Schnitt}(G,c,a) \in O(|V|^2 \text{ log } |V| + |V||E|)$}
\begin{algorithmic}
\Eingabe{Graph $G = (V, E)$, Gewichtsfkt. $c$, Startknoten $a \in V$}
\Ausgabe{Minimaler Schnitt}
\STATE $G_1 \agn G$
\FOR{$i = 1, \ldots, |V| - 1$}
\STATE $\tsc{Min-Schnitt-Phase}(G_i,c,a)$
\IF{Schnitt der Phase $i$ < \tsc{Min-Schnitt}}
\STATE \tsc{Min-Schnitt} $\agn$ Schnitt der Phase $i$
\ENDIF
\ENDFOR
\STATE Gebe \tsc{Min-Schnitt} aus
\end{algorithmic}
\end{algorithm}
Implementiere \tsc{Min-Schnitt-Phase} mit Hilfe eines \tsc{Fibonacci-Heaps} dessen Schlüssel immer die aktuellen Werte $c(S,v)$ zur aktuellen Menge $S$ sind. Damit gelingt die Knotenbestimmung in $O(\text{log } |V|)$ und die Verschmelzung in $O(|E|)$ (da \tsc{Increase-Key} $\in O(1)$). Somit ist der Algorithmus von Stoer \& Wagner etwas effizienter als $|V| - 1$-maliges Anwenden des effizientesten Flussalgorithmus. \\
Korrektheitsbeweis: FOLGT NOCH \ldots. \\
\newpage
\section{Flussprobleme und Dualität}
\subsection{Grundlagen}
Ein \tbf{Netzwerk} ist ein Tupel \Nw, wobei \gGr ein gerichteter Graph mit Kantenkapazitäten \Gwfktp und einer Quelle $s \in V$ und einer Senke $t \in V$ ist. \\
\Flu heißt \tbf{Fluss} falls $\forall \ (v,w) \in E$ die Kapazitätsbedingung $0 \leq f(v,w) \leq c(v,w)$ und $\forall \ v \in V \setminus \{s,t\}$ die Flusserhaltungsbedingung $\sum_{\{w | (v,w) \in E\}} \limits f(v,w) \ - \sum_{\{w | (w,v) \in E\}} \limits f(w,v) = 0$ gilt. \\
\begin{lemma}[\tbf{Quellen-Senken-Fluss}]
Für einen Fluss $f$ in einem Netwerk \Nw gilt: \\
$\sum_{(s,i) \in E} \limits f(s,i) - \sum_{(i,s) \in E} \limits f(i,s) = \sum_{(i,t) \in E} \limits f(i,t) - \sum_{(t,i) \in E} \limits f(t,i)$
\end{lemma}
Der \tbf{Wert} eines Flusses $f$ ist $w(f) := \sum_{(s,i) \in E} \limits f(s,i) - \sum_{(i,s) \in E} \limits f(i,s)$ \\
Ein \tbf{Maximalfluss} in \Nw ist ein Fluss $f$ für den $w(f) \geq w(f')$ für alle Flüsse $f'$ in \Nw ist. \\
\tbf{\tsc{Max-Flow}-Problem}: Finde in einem Netzwerk \Nw einen Maximalfluss. \\
Ein Schnitt \Cut heißt \tbf{s-t-Schnitt} falls $s \in S$ und $t \in V \setminus S$. \\
\begin{lemma}[\tbf{Schnitt-Lemma}]
$\forall$ s-t-Schnitte \Cut in einem Netzwerk \Nw gilt für jeden Fluss $f$:
$w(f) = \sum_{(i,j) \in E \cap S \times V \setminus S} \limits f(i,j) - \sum_{(i,j) \in E \cap V \setminus S \times S} \limits f(i,j) \leq c(S,V \setminus S)$
\end{lemma}
Beweis durch Addition aller Flussdifferenzen $=0$ (Flusserhaltung) und Abschätzung durch Kapazitätsbedingung. \\
Zu einem Fluss $f$ in einem Netzwerk \Nw heißen alle von $s$ nach $t$ gerichteten Kanten eines Weges von $s$ nach $t$ \tbf{Vorwärtskanten} und alle anderen Kanten des Weges \tbf{Rückwärtskanten}. \\
Ein \tbf{erhöhender Weg} ist ein Weg von $s$ nach $t$ für den für jede Vorwärtskante $f(i,j) < c(i,j)$ und für jede Rückwärtskante $f(i,j) > 0$ gilt. \\
\begin{satz}[\tbf{vom erhöhenden Weg}]
Ein Fluss $f$ in einem Netzwerk \Nw ist genau dann ein Maximalfluss, wenn es keinen erhöhenden Weg gibt.
\end{satz}
\begin{description}
\item[$\Ra$] : \ Annahme: $\exists \ $ erhöhender Weg $W$, erhöhe $f$ um kleinste Kapazität auf $W$. Widerspruch zur Maximalität.
\item[$\La$] : \ $\nexists$ erhöhender Weg $\Ra$ Menge aller Knoten, zu denen erhöhende Wege existieren, induziert Schnitt, dessen kreuzende Vorwärtskanten saturiert, und dessen kreuzende Rückwärtskanten leer sind $\overset{Schnitt-Lemma}{\Longrightarrow}$ $w(f) = c(S,V \setminus S)$ also maximal.
\end{description}
\begin{satz}[\tbf{Max-Flow Min-Cut Theorem}]
In einem Netzwerk \Nw ist der Wert eines Maximalflusses gleich der Kapazität eines minimalen s-t-Schnittes.
\end{satz}
Beweis: Für einen Maximalfluss $f$ und die Menge $S$ aller Knoten, zu denen erhöhende Wege existieren, und alle Flüsse $f'$ und alle $S' \subset V$ gilt: $$w(f') \overset{f \text{ min.}}{\leq} w(f) \overset{\text{Satz 4}}{=} c(S,V \setminus S) \overset{\text{Schnitt-Lemma}}{\leq} c(S',V \setminus S')$$ \\
\begin{satz}[\tbf{Ganzzahligkeitssatz}]
In jedem Netzwerk \Nw mit ganzzahligen Kantenkapazitäten \Gwfktg gibt es einen ganzzahligen Maximalfluss ($\forall \ (i,j) \in E : f(i,j) \in \natn \Ra w(f) \in \natn$
\end{satz}
Beweis durch Iteration über erweiternde Pfade, da jeder erweiternde Pfad ganzzahlig ist. \\
\subsection{Bestimmung maximaler Flüsse}
\begin{algorithm}
\caption{$\tsc{Max-Flow}$\Nw}
\begin{algorithmic}
\Eingabe{Netzwerk \Nw}
\Ausgabe{Maximalfluss $f$ von $s$ nach $t$}
\FORALL{$(i,j) \in E$}
\STATE $f(i,j) \agn 0$
\ENDFOR
\WHILE{erhöhender Weg $W = e_1, \ldots, e_k$ existiert}
\STATE $\Delta \agn min(\{c(e_i) - f(e_i) \ | \ e_i \text{ VwK in } W \} \cup \{f(e_i) \ | \ e_i \text{ RwK in } W \})$
\FORALL{$e_i \in W$}
\IF{$e_i$ VwK}
\STATE $f(e_i) \agn f(e_i) + \Delta$
\ELSE
\STATE $f(e_i) \agn f(e_i) - \Delta$
\ENDIF
\ENDFOR
\ENDWHILE
\end{algorithmic}
\end{algorithm}
\subsubsection{Algorithmus von \textsf{Ford-Fulkerson}}
\begin{algorithm}
\caption{Algorithmus von \textsf{Ford-Fulkerson}}
\begin{algorithmic}
\Eingabe{Netzwerk \Nw}
\Ausgabe{Maximalfluss $f$ von $s$ nach $t$ und minimaler s-t-Schnitt \Cut}
\FORALL{$(i,j) \in E$}
\STATE $f(i,j) \agn 0$
\ENDFOR
\STATE $S \agn \{s\}$
\FORALL{$v \in V$}
\STATE $\Delta[v] \agn \infty$
\STATE $\tsc{besucht}[v] \agn false$
\ENDFOR
\WHILE{$\exists \ v \in S$ mit $\tsc{besucht}[v] = false$}
\STATE \COMMENT{Bestimme erhöhenden Pfad}
\FORALL{$(v,w) \in E$ mit $w \not \in S$}
\IF{$f(v,w) < c(v,w)$}
\STATE $\tsc{vor}[w] \agn +v$ \COMMENT{VwK-Vorgänger}
\STATE $\Delta[w] \agn min\{c(v,w) - f(v,w), \Delta[v]\}$
\STATE $S \agn S \cup \{w\}$
\ENDIF
\ENDFOR
\FORALL{$(w,v) \in E$ mit $w \not \in S$}
\IF{$f(w,v) > 0$}
\STATE $\tsc{vor}[w] \agn -v$ \COMMENT{RwK-Vorgänger}
\STATE $\Delta[w] \agn min\{f(w,v), \Delta[v]\}$
\STATE $S \agn S \cup \{w\}$
\ENDIF
\ENDFOR
\STATE $\tsc{besucht}[v] = true$
\IF{$t \in S$}
\STATE \COMMENT{Erhöhe Fluss entlang Pfad}
\STATE $w \agn t$
\WHILE{$w \not = s$}
\IF{$\tsc{vor}[w] > 0$}
\STATE $f(\tsc{vor}[w],w) \agn f(\tsc{vor}[w],w) + \Delta[t]$
\ELSE
\STATE $f(w,-\tsc{vor}[w]) \agn f(w,-\tsc{vor}[w]) - \Delta[t]$
\ENDIF
\ENDWHILE
\STATE $S \agn \{s\}$
\FORALL{$v \in V$}
\STATE $\Delta[v] \agn \infty$
\STATE $\tsc{besucht}[v] \agn false$
\ENDFOR
\ENDIF
\ENDWHILE
\STATE Gebe $f$ und \Cut aus
\end{algorithmic}
\end{algorithm}
Die Laufzeit des Algorithmus von Ford Fulkerson hängt von der Wahl von $v$ und dem maximalen Kantengewicht ab. Bei nicht-rationalen Kantengewichten ist es möglich, dass er nicht terminiert.
\subsubsection{Der Algorithmus von Edmonds und Karp}
Der Algorithmus von Edmonds und Karp ist eine Optimierung des Algorithmus von Ford Fulkerson: Er wählt unter allen unbesuchten $v \in S$ den Knoten, welcher am längsten in $S$ ist (Breitensuche) und kann daher in $O(|V||E|^2)$ implementiert werden.
\subsubsection{Der Algorithmus von \textsf{Goldberg} und \textsf{Tarjan}}
Der Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} ist der effizienteste bekannte Algorithmus zur Maximalfluss-Bestimmung. \\
Vereinfache das Netzwerk durch die Antisymmetrie-Forderung $\forall (v,w) \in V\times V: f(v,w) = - f(w,v)$ und führe dazu vorhandene Rückwärtskanten mit ihren Vorwärtskanten zusammen und vervollständige $E$ zu $E'$ um bisher nicht vorhandene Rückwärtskanten mit Kantengewicht $0$. \\
\Flue heißt dadurch nun \tbf{Fluss} falls es die Antisymmetrie-Bedingung erfüllt, und falls $\forall \ (v,w) \in E'$ die Kapazitätsbedingung $f(v,w) \leq c(v,w)$ und $\forall \ v \in V \setminus \{s,t\}$ die Flusserhaltungsbedingung $\sum_{u \in V} \limits f(u,v) = 0$ gilt. \\
Der \tbf{Wert} eines Flusses $f$ ist nun $w(f) := \sum_{v \in V} \limits f(s,v) = \sum_{v \in V} \limits f(v,t)$ \\
\Flue heißt ein \tbf{Präfluss} wenn es die Kapazitäts- und Antisymmetriebedingung erfüllt und $\forall \ v \in V \setminus \{s\}$ gilt $\sum_{u \in V} \limits f(u,v) \geq 0$ (es fließt mindestens soviel in $v$ hinein wie heraus). \\
(Alle folgenden Definitionen sind immer bzgl. eines Präflusses $f$ zu verstehen.) \\
Der \tbf{Flussüberschuss} eines Knoten $v \in V \setminus \{t\}$ ist $e(v) := \sum_{u \in V} \limits f(u,v)$. \\
Als \tbf{Restkapazität} definieren wir $r_f : E' \rightarrow \mathbb{R}$ mit $\forall (v,w) \in E': r_f(v,w) := c(v,w) - f(v,w)$ \\
Die \tbf{Residualkanten} sind $E_f := \{ (v,w) \in E' \ | \ r_f(v,w) > 0 \}$ \\
Als \tbf{Residualgraph} bezeichnen wir $D_f(V,E_f)$ \\
$d: V \rightarrow \natn \cup \{\infty\}$ heißt \tbf{zulässige Markierung} falls $d(s) = |V|, d(t) = 0$ und $\forall v \in V \setminus \{t\}, (v,w) \in E_f$ gilt $d(v) \leq d(w) + 1$ \\
$v \in V \setminus \{t\}$ heißt \tbf{aktiv} wenn $e(v) > 0$ und $d(v) < \infty$ \\
$\tbf{\tsc{Push}}(v,w)$ ist zulässig falls $v$ aktiv ist, $r_f(v,w) > 0$ und $d(v) = d(w) + 1$.
\begin{algorithm}
\caption{$\tsc{Push}(v,w)$}
\begin{algorithmic}
\Eingabe{$v, w \in V$ mit $v$ aktiv, $r_f(v,w) > 0$ und $d(v) = d(w) + 1$}
\Seffekte{Flussüberschuss von $v$ wird über $(v,w)$ zu $w$ geleitet}
\STATE $\Delta \agn min\{e(v), r_f(v,w)\}$
\STATE $f(v,w) \agn f(v,w) + \Delta$
\STATE $f(w,v) \agn f(w,v) - \Delta$
\STATE (Berechne Restkapazitäten und Überschuss neu)
\end{algorithmic}
\end{algorithm}
$\tbf{\tsc{Relabel}}(v)$ ist zulässig falls $v$ aktiv ist und falls \textit{kein} $w \in V$ mit $r_f(v,w) > 0$ und $d(v) = d(w) + 1$ \textit{existiert}.
\begin{algorithm}
\caption{$\tsc{Relabel}(v)$}
\begin{algorithmic}
\Eingabe{$v \in V$ mit $v$ aktiv und $\forall w \in V$ mit $r_f(v,w) > 0$ gilt $d(v) \leq d(w)$}
\Seffekte{$d(v)$ wird erhöht}
\STATE $d(v) := \begin{cases} \infty & \text{falls } \{w \ | \ r_f(v,w) > 0 \} = \emptyset \\ min\{d(w) + 1 \ | \ r_f(v,w) > 0 \} & \text{sonst} \end{cases}$
\end{algorithmic}
\end{algorithm}
\begin{algorithm}
\caption{Algorithmus von \textsf{Goldberg} und \textsf{Tarjan}}
\begin{algorithmic}
\Eingabe{Netzwerk \Nw}
\Ausgabe{Maximalfluss $f$ von $s$ nach $t$}
\FORALL{$(v,w) \in E'$}
\STATE $f(v,w) \agn 0$
\STATE $r_f(v,w) \agn c(v,w)$
\ENDFOR
\STATE $d(v) \agn |V|$
\FORALL{$v \in V \setminus \{s\}$}
\STATE $f(s,v) \agn c(s,v), r_f(s,v) \agn 0$
\STATE $f(v,s) \agn -c(s,v), r_f(v,s) \agn c(v,s) - f(v,s)$
\STATE $d(v) \agn 0$
\STATE $e(v) \agn c(s,v)$
\ENDFOR
\WHILE{aktiver Knoten $v \in V$ existiert}
\STATE Führe zulässiges \tsc{Push}(v,w) oder \tsc{Relabel}(v) aus
\ENDWHILE
\STATE Gebe $f$ aus
\end{algorithmic}
\end{algorithm}
Für den Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} gilt, dass falls für $v \in V$ $d(v) < |V|$ ist, $d(v)$ eine untere Schranke für den Abstand von $v$ zu $t$ in $D_f$ ist. Analog ist für $d(v) > |V|$ $t$ in $D_f$ von $v$ aus unerreichbar und $d(v) - |V|$ eine untere Schranke für den Abstand von $v$ zu $s$ in $D_f$. \\
\begin{lemma}\label{PushXORRelabel}
Für einen aktiven Knoten $v \in V$ zu einem Präfluss $f$ und einer zulässigen Markierung $d$ ist entweder \tsc{Push} oder \tsc{Relabel} zulässig.
\end{lemma}
Beweis: Die Zulässigkeits-Bedingung von \tsc{Relabel} ist das Negat der Zulässigkeits-Bedingung von \tsc{Push}.
\begin{lemma}
Während des Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} ist $f$ stets ein Präfluss und $d$ stehts eine zulässige Markierung.
\end{lemma}
Beweis: Das Lemma folgt durch Induktion über die Anzahl der Operationen und Fallunterscheidung zwischen den Operationen unmittelbar wegen der Forderungen für zulässige Operationen. \\
\begin{lemma}\label{keinSTWeg}
In einem Residualgraph $D_f$ zu einem Präfluss $f$ und zulässigem $d$ ist $t$ von $s$ aus unerreichbar.
\end{lemma}
Beweis: Jeder Weg von $s$ nach $t$ würde wegen $d(v) \leq d(w)$ für Kanten $(v,w)$ auf dem Weg und $d(t) = 0$ zu einem Widerspruch zu $d(s) = |V|$ führen.
\begin{satz}[\tbf{Maximalität des Algorithmus von \textsf{Goldberg} und \textsf{Tarjan}}]
Falls der Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} mit endlichen Markierungen terminiert ist der konstruierte Präfluss ein Maximalfluss.
\end{satz}
Beweis: Algorithmus terminiert $\overset{\text{Lemma \ref{PushXORRelabel}}}{\Longrightarrow}$ keine Knoten mehr aktiv. Alle Markierungen endlich $\Ra$ alle Überschüsse $0$ $\Ra$ $f$ Fluss. Lemma \ref{keinSTWeg} $\Ra$ kein erhöhender s-t-Weg. \\
\begin{lemma}\label{sErreichbar}
Falls für einen Präfluss $f$ und ein $v \in V$ $e(v) > 0$ gilt ist $s$ in $D_f$ von $v$ aus erreichbar.
\end{lemma}
Beweis: Sei $S_v$ die Menge aller von $v$ in $D_f$ erreichbaren Knoten. Von unerreichbaren $u \in V \setminus S_v$ zu erreichbaren $w \in S_v$ fließt nichts positives: $0 = r_f(w,u) = c(w,u) - f(w,u) \geq 0 + f(u,w) \ (*)$\\
$\sum_{w \in S_v} \limits e(w) = \sum_{w \in S_v, u \in V} \limits f(u,w) = \sum_{w \in S_v, u \in V \setminus S_v} \limits f(u,w) + \underbrace{\sum_{u,w \in S_v} \limits f(u,w)}_{= 0} \overset{(*)}{\leq} 0$ \\
$f$ Präfluss $\Ra$ $\sum_{w \in S_v \setminus \{s\}} \limits e(w) \geq 0$ $\overset{e(v) > 0}{\Longrightarrow}$ $s \in S_v$
\begin{lemma}\label{dSchranke}
Während des Algorithmus gilt $\forall \ v \in V$ $d(v) \leq 2|V| - 1$.
\end{lemma}
Beweis: Induktion über \tsc{Relabel}-Operationen: IA: \checkmark \\ IS: $\tsc{Relabel}(v)$ zulässig $\Ra$ $e(v) > 0$ $\overset{\text{Lemma \ref{sErreichbar}}}{\Longrightarrow}$ $\exists$ v-s-Weg der Länge $l \leq |V| - 1$ $\overset{\text{d zulässig}}{\Longrightarrow}$ $d(v) \leq d(s) + l \leq 2|V| - 1$
\begin{lemma}\label{RelabelSchranke}
Es werden je $v \in V$ höchstens $2|V| - 1$ $\tsc{Relabel}(v)$ also insgesamt höchstens $2|V|^2$ \tsc{Relabel} ausgeführt.
\end{lemma}
Beweis: \tsc{Relabel} erhöht $d(v)$ $\overset{\text{Lemma \ref{dSchranke}}}{\Longrightarrow}$ Behauptung \\
Ein $\tsc{Push}(v,w)$ heißt \tbf{saturierend} falls danach $r_f(v,w) = 0$ gilt. \\
\begin{lemma}\label{satPushSchranke}
Es werden höchstens $2|V||E|$ saturierende \tsc{Push} ausgeführt.
\end{lemma}
Beweis: Zulässigkeit $\Ra$ zwischen einem saturierendem und dem nächsten $\tsc{Push}(v,w)$ muss $d(w)$ um mindestens $2$ erhöht werden. Nach dem letzten $\tsc{Push}(v,w)$ gilt nach Lemma \ref{dSchranke} $d(v) + d(w) \leq 4|V| - 2$. Also können höchstens $2|V|$ saturierende $\tsc{Push}(v,w)$ stattgefunden haben. Also insgesamt höchstens $2|V||E|$ saturierende \tsc{Push}. \\
\begin{lemma}
Es werden höchstens $4|V|^2|E|$ nicht saturierende \tsc{Push} ausgeführt.
\end{lemma}
Beweis: Da für jedes nicht-saturierende $\tsc{Push}(v,w)$ $v$ inaktiv und evtl. $w$ mit $d(w) = d(v) - 1$ aktiv wird erniedrigt es $D := \sum_{v \in V \setminus \{s,t\} \text{aktiv}} \limits d(v)$ um mindestens 1. Da das aktivierte $w$ Lemma \ref{dSchranke} erfüllt erhöht jedes saturierende $\tsc{Push}(v,w)$ $D$ um höchstens $2|V| - 1$ $\overset{\text{Lemma \ref{satPushSchranke}}}{\Longrightarrow}$ saturierenden \tsc{Push} erhöhen $D$ um höchstens $(2|V|-1)(2|V||E|)$. Lemma \ref{RelabelSchranke} $\Ra$ $D$ kann durch \tsc{Relabel} um höchstens $(2|V|-1)|V|$ erhöht werden. Da $D$ nur so stark verringert wie erhöht werden kann ergeben sich insgesamt höchstens $4|V|^2|E|$ nicht-saturierende \tsc{Push}. \\
\begin{satz}[\tbf{Termination des Algorithmus von \textsf{Goldberg} und \textsf{Tarjan}}]
Der Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} terminiert nach höchstens $O(|V|^2|E|)$ zulässigen \tsc{Push} oder \tsc{Relabel}-Operationen.
\end{satz}
Beweis: Vorangehende Lemmata. \\
Die tatsächliche Laufzeit des Algorithmus von \textsf{Goldberg} und \textsf{Tarjan} ist stark von der Wahl der aktiven Knoten und der ``zu pushenden'' Kanten abhängig:
\begin{description}
\item[FIFO-Implementation] $\in O(|V|^3)$ (mit dynam. Bäumen $O(|V||E| \text{ log } \frac{|V|^2}{|E|})$)
\item[Highest-Label-Implementation] $\in O(|V|^2|E|^{1/2})$
\item[Excess-Scaling-Implementation] $\in O(|E| + |V|^2 \text{ log } C)$ (mit $C$ maximales Kantengewicht und für $\tsc{Push}(v,w)$ $e(v)$ ``groß'' und $e(w)$ klein)
\end{description}
\newpage
\section{Kreisbasen minimalen Gewichts}
\subsection{Kreisbasen}
Ein \tbf{Kreis} ist ein Teilgraph $C = (V_C, E_C)$ von \Gr in dem alle Knoten geraden Grad haben. \\
Ein \tbf{einfacher Kreis} ist ein zusammenhängender Teilgraph $C = (V_C, E_C)$ von \Gr in dem alle Knoten Grad $2$ haben. \\
Wir identifizieren einen Kreis mit seiner Kantenmenge und schreiben ihn als $|E|$-dimensionalen \tbf{Vektor} über $\{0,1\}$. \\
Die Menge aller Kreise induziert einen \tbf{Kreisraum} genannten Vektorraum $\calC$ dessen Addition die \tbf{symmetrische Differenz} $\oplus$ der Kantenmengen ist. \\
Die Begriffe \tbf{Dimension, linear (un)abhängig} und \tbf{Basis} ergeben sich vollkommen kanonisch. \\
Eine \tbf{Fundamentalbasis} eines zusammenhängenden Graphen kann aus einem aufspannenden Baum $T$ konstruiert werden indem jede Nichtbaumkante $\{v,w\}$ um den eindeutigen Weg in $T$ von $v$ nach $w$ zu einem \tbf{Fundamentalkreis} ergänzt wird. \\
dim$(\calC) = |E| - |V| + \calK(G)$ mit $\calK(G) =$ Anzahl der Zusammenhangskomponenten von $G$ \\
\tbf{Gewicht einer Kreisbasis} $\calB$ ist $w(\calB) := \sum_{C \in \calB} \limits w(C) = \sum_{C \in \calB} \limits \sum_{e \in C} \limits w(w)$ \\
\tbf{\tsc{Minimum Cycle Basis}-Problem}: Finde zu einem Graphen \Gr und einer Gewichtsfunktion \Gwfktp eine Kreisbasis von $G$ minimalen Gewichts. \\
Jede $MCB$ von $G$ enthält zu jeder Kante einen Kreis minimalen Gewichts, der diese Kante enthält. \\
\subsection{Das Kreismatroid}
$(\calC,\calU)$ mit $\calU := \{ U \subseteq C \ | \ U \text{ linear unabhängig} \}$ ist ein Unabhängigkeitssystem.
\begin{satz}[\tbf{Austauschsatz von Steinitz}]
Eine Basis $B$ eines endlichen Vektorraums $V$ ist nach dem Austausch von beliebig vielen ihrer Vektoren mit geeignet gewählten Vektoren einer linearen unabhängigen Teilmenge von $V$ immer noch eine Basis.
\end{satz}
Kein Beweis im Skript angegeben. \\
\begin{satz}[\tbf{Kreismatroid}]
$(\calC,\calU)$ ist ein Kreismatroid von $G$ genannter Matroid.
\end{satz}
Beweis: Der Austauschsatz von Steinitz liefert direkt die nötige Austauscheigenschaft. \\
\begin{algorithm}
\caption{$\tsc{MCB-Greedy-Algorithmus}(\calC)$}
\begin{algorithmic}
\Eingabe{Menge $\calC$ aller Kreise in \Gr}
\Ausgabe{MCB von $G$}
\STATE Sortiere $\calC$ aufsteigend nach Gewicht
\STATE $\calB \agn \emptyset$
\FOR{$i = 1, \ldots, |C|$}
\IF{$\calB \cup \{C_i\}$ linear unabhängig}
\STATE $\calB \agn \calB \cup \{C_i\}$
\ENDIF
\ENDFOR
\end{algorithmic}
\end{algorithm}
Da die Anzahl der Kreise in einem Graphen exponentiell in $|V| + |E|$ sein kann ist dieser Greedy-Algorithmus nicht polynomiell. \\
\subsection{Der Algorithmus von \textsf{Horton}}
\begin{lemma}\label{Kreisbasiszerlegung}
Falls $C = C_1 \oplus C_2 \in \calB$ und $\calB$ eine Kreisbasis ist, dann ist entweder $\calB \setminus \{C\} \cup \{C_1\}$ oder $\calB \setminus \{C\} \cup \{C_2\}$ auch eine Kreisbasis.
\end{lemma}
Beweis: Falls $C_1$ durch $\calB \setminus \{C\}$ darstellbar ist, ist $\calB \setminus \{C\} \cup \{C_2\}$ eine Basis. Andernfalls ist $C_2$ durch $\calB \setminus \{C\}$ darstellbar und damit $\calB \setminus \{C\} \cup \{C_1\}$ eine Basis. \\
\begin{lemma}\label{Kreisbasiswegersetzung}
Für $x,y \in V$ und einen Weg $P$ von $x$ nach $y$ kann jeder Kreis $C$ einer Kreisbasis $\calB$ von $G$, der $x$ und $y$ enthält, durch einen Kreis $C'$, der $P$ enthält, ersetzt werden.
\end{lemma}
Beweis: Folgt direkt aus dem vorherigen Lemma \ref{Kreisbasiszerlegung} und der Tatsache, dass $C_1 = C_2 - C = C_2 \oplus C$.
\begin{lemma}\label{KreisbasisSP}
Jeder Kreis $C$ einer MCB $\calB$, der zwei Knoten $x,y \in V$ enthält, enthält auch einen kürzesten Weg zwischen $x$ und $y$.
\end{lemma}
Beweis: Annahme: Beide Wege zwischen $x$ und $y$ in $C$ sind keine kürzesten Wege sondern $P$. Lemma \ref{Kreisbasiswegersetzung} $\Ra$ Erzeugung einer Basis geringeren Gewichts durch einen Kreis $C'$ der $P$ enthält möglich. Widerspruch zur Minimalität von $\calB$.
\begin{satz}[\tbf{Satz von \textsf{Horton}}]
Für jeden Kreis $C$ einer MCB und jeden Knoten $v$ auf $C$ existiert eine Kante $\{u,w\} \in C$ so dass $C = SP(u,v) + SP(w,v) + \{u,w\}$.
\end{satz}
Beweis: Indiziere die Knoten eines beliebigen Kreises $C$ entlang ihrer Kanten zu $v, v_2, \ldots, v_n, v$. Sei $Q_i$ jeweils der Weg auf $C$ von $v$ über $v_2$ usw. nach $vi$ und $P_i$ jeweils der Weg auf $C$ von $v_i$ über $v_{i+1}$ usw. nach $v$. Lemma \ref{KreisbasisSP} $\Ra$ $Q_i$ oder $P_i$ kürzester Weg. Sei nun $k$ der größte Index für den $Q_k$ kürzester Weg von $v$ nach $v_k$ ist $\Ra$ $C = Q_k \oplus \{v_k, v_{k+1}\} \oplus P_{k+1}$ \\
\begin{algorithm}
\caption{Algorithmus von \textsf{Horton} $\in O(|V||E|^3)$}
\begin{algorithmic}
\Eingabe{\Gr}