P. 1
Traveling Salesman Problem.pdf

Traveling Salesman Problem.pdf

|Views: 14|Likes:
Published by cacbu

More info:

Published by: cacbu on Dec 19, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/16/2014

pdf

text

original

Proseminar Graphenalgorithmen (WS 2007/08

)

Traveling Salesman Problem
Einfu ¨hrung zum Problem des Handlungsreisenden

Abstract Gegeben sei eine Menge von St¨ adten. Ein Handlungsreisender soll eine Route planen, auf der er jede Stadt genau einmal besucht, wobei die geplante Route m¨ oglichst kurz sein soll. Diese Ausarbeitung soll eine kurze Einf¨ uhrung in die Problematik dieses Optimierungsproblems geben, sowohl aus algorithmischer als auch aus komplexit¨ atstheoretischer Sicht.

Florian Weingarten (270511) Florian.Weingarten@RWTH-Aachen.de

Betreuer: Dr. Walter Unger Lehrstuhl f¨ ur Informatik 1 Algorithmen und Komplexit¨ at RWTH Aachen

. . . . . . .1 Beispiel . . .2 Asymmetrisches vs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . .2 2. . . .1 Mathematische Modellierung . . . . . . . . . . . . . . . . . . . . . . .1. . . . Entscheidungsvariante . . .2. . . . . . . . . . . . . . . . . . . . 3 Komplexit¨ at von Tsp 3. . . . . . . . . . . . .3. . . . . . . 6 Tsp approximieren 6. . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 1. . . . . . . . . .und Optimierungsvarianten . 2. 1. . .2. . . . . . . . . . . . . . . . . . . . . . Tsp ist in NP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Einleitung 1. . . .2 Beispiel . . . . . . . . . . 4 Approximierbarkeit 5 Tsp exakt lo ¨sen 5. Multiple-TSP (mTsp) . . . . Andere Metriken . . . . . . M¨ ogliche L¨ osungen . . . 6. . . . . . . . . . . . . . . .1 2.1 3. . . . . . . . .1 2. . . .1 5. . . . . . . . . . . . . . . . . . . . . .3 Euklidisches Tsp . . . . . . . . . . 2 Varianten und Spezialf¨ alle von Tsp 2. . 2 2 2 3 3 3 5 5 5 5 6 6 6 7 8 8 10 11 11 11 12 12 13 13 15 15 17 18 Beispiel . . . . . . . . . . . . . . . . . . .2 3. . . . . . . . . . . . .1 6. . . . . . . . . . . . . . .3 ¨ Aquivalenz von Entscheidungs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 1. . . . . . . . . symmetrisches Tsp . . . . . . . . . . .1. . . . . . . . . . . . . . . MST-Heuristik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . NP-Schwere von Tsp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . .1 Nearest-Neighbour Heuristik . . . . . . . . . . Literatur . . . . . . . .1. . . . . . . . . .3 Algorithmus von Cristofides . . . . Metrisches Tsp (∆-Tsp) . . . . . . . . . . . . Dynamische Programmierung .1. . . . . . . . . . . . . . . . . .2 Optimierungsvariante . . . . . . . . . . . . . . . . . . . . 6. . .1 Beispiel . . . . . . . . . .2 Brute Force . . . . . . . . .1 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

interpretiert werden als die Entfernung zwischen den St¨ adten i und j oder die Reisezeit o.2. der jeden Knoten genau einmal enth¨ alt. die Zugeh¨ origkeit zur Klasse der NP-vollst¨ andigen Probleme zu beweisen und einige heuristische L¨ osungsverfahren vorzustellen. Jede solche Rundreise l¨ asst sich darstellen als Permutation π ∈ Sn .1.h. Anschaulich l¨ asst sich das Problem sehr leicht formulieren: Ein Handlungsreisender soll eine Rundreise durch eine bestimmte Anzahl von St¨ adten machen. d. z. St¨ adte. Komplexit¨ atstheorie und Datenstrukturen und Algorithmen vertraut ist. abgek¨ urzt Tsp) ist ein kombinatorisches Optimierungsproblem aus dem Bereich der theoretischen Informatik. Die Knoten repr¨ asentieren z. d. ein Kreis in G. aber auch in nicht so naheliegenden Bereichen wie z. Sei G = (V. dass der Leser u ¨ber grundliegende Kenntnisse der theoretischen Informatik verf¨ ugt. dass die Kostenfunktion symmetrisch ist.B. . d. Definition 1. den sogenannten NP-vollst¨ andigen Problemen.B. dem Leser einen groben Uberblick u ¨ber Tsp und seine Varianten zu geben. i). Definition 1. analog zu [14]. . Je nach Kontext kann mit ” ” Entfernung“ auch eine Zeitspanne gemeint sein. Die Tour soll so geplant werden.2 1 EINLEITUNG 1 Einleitung Das Problem des Handlungsreisenden (englisch Traveling Salesman Problem. Die Begriffe Ort“ und Entfernung“ sind also nicht w¨ ortlich gemeint. jede Stadt dabei genau einmal besuchen und am Ende wieder zum Ausgangssort zur¨ uckkehren. Zus¨ atzlich sei G gewichtet. j ) kann z. ∀i. deren Kantensumme geringer ist.. d. V = {1.B. Ausserdem gehen wir im weiteren (vorerst) davon aus. es existiert eine Kostenfunktion c : E → N die jeder Kante (i.¨ a. 2. insbesondere mit Graphentheorie. Es wird sehr stark angenommen. 1.1 1. E ). in der Tourenplanung und der Logistik.B. j ) = c(j. dass f¨ ur NPvollst¨ andige Probleme keine effizienten L¨ osungsverfahren existieren. wenn es keine Tour gibt.h.h. ” Tsp geh¨ ort zu einer f¨ ur die theoretische Informatik sehr wichtigen Klasse von Problemen. ¨ Ziel dieses Textes ist es. dem Entwurf von Mikrochips. die Kanten die Verbindungen zwischen den St¨ adten und ein Gewicht c(i. dass die Worst-Case Laufzeit jedes deterministischen Algorithmus mindestens exponentiell von der Anzahl der zu besuchenden St¨ adte abh¨ angt. j ) ∈ E ein Gewicht“ zuordnet. ein Preis oder anderes. Eine Tsp-Tour oder Rundreise ” ist ein Hamiltonkreis in G. Berthold V¨ ocking. c(i.. n} die Knotenmenge und E := V × V die (vollst¨ andige) Kantenmenge. mit Hilfe eines vollst¨ andigen ungerichteten gewichteten Graphen..1 Mathematische Modellierung Optimierungsvariante Wir definieren das Tsp. Eine Tsp-Tour π heißt optimal. Im folgenden wird davon ausgegangen. Die verwendete Notation ist angelehnt an das Vorlesungsskript zur Vorlesung Berechenbarkeit und Komplexit¨ at [14] an der RWTH-Aachen von Prof. j . Das Tsp tritt in vielen praktischen Anwendungen auf.1.h. Dr. dass die zur¨ uckgelegte Strecke m¨ oglichst kurz ist.

h. Wir werden sehen.B. Da jede m¨ ogliche L¨ osung ein Hamiltonkreis ist.5 1 4  c :=   4 5 .3 M¨ ogliche L¨ osungen Wie oben schon erw¨ ahnt. also alle n Knoten besucht. ist eine m¨ ogliche L¨ osung eine Permutation auf n Elementen. Angenommen wir haben folgende Tsp-Instanz auf K5 mit  . deren Kosten nicht gr¨ oßer als b sind. dass die Entscheidungsvariante von Tsp zur Klasse der NP-vollst¨ andigen Probleme geh¨ ort. siehe [7]). 1. 1. dem vollst¨ andigen Graphen mit f¨ unf Knoten.3 4 5 6  3 . so dass ” n−1 i=1 c(π (i). Ausserdem ist jede Tour mindestens so lang wie ein minimal aufspannender Baum in G. Ohne Einschr¨ ankung kann man π (1) = 1 annehmen. und damit genau n Kanten enth¨ alt. mit dem Algorithmus von Prim in O(|V |2 ). d. Diese Schranken lassen sich in polynomieller Zeit bestimmen (z. Geht man zus¨ atzlich von symmetrischer Kostenfunktion aus. wir suchen eine Permutation π . analog ist ” nat¨ urliche jede L¨ osung nicht teurer als die Summe der teuersten n Kanten. lassen sich direkt leicht untere und obere Schranken f¨ ur die Kosten einer L¨ osung angeben (und damit auch einer optimalen L¨ osung). Die Aufgabe ist es nun festzustellen ob eine Rundreise existiert. l¨ asst sich als untere Schranke direkt die Summe der n g¨ unstigsten“ Kanten angeben. Zus¨ atzlich ist eine Zahl b ∈ N gegeben. Da genau n Kanten benutzt werden m¨ ussen.1.2 Beispiel Abbildung 1 zeigt alle ungerichteten Hamiltonkreise auf K5 . so ergibt sich 1 eine Gesamtzahl von 2 · (n − 1)! m¨ oglichen L¨ osungen (was nat¨ urlich der Anzahl der m¨ oglichen Hamiltonkreise auf einem vollst¨ andigen Graphen mit n Knoten entspricht). alle m¨ oglichen Rundreisen von (symmetrischem) Tsp auf 5 St¨ adten.2 3  5 1 2 .5 6 4 3 5 symmetrischer Distanzmatrix       Dann ergeben sich f¨ ur die m¨ oglichen Rundreisen folgende Kosten: (a) cost(ABCDEA) = 3 + 5 + 2 + 5 + 6 = 21 (b) cost(ABCEDA) = 3 + 5 + 3 + 5 + 5 = 21 .1. π (1)) minimal ist unter allen m¨ oglichen Touren.2 Entscheidungsvariante Bei der Entscheidungsvariante des Tsp gehen wir analog vor. Es gibt (n − 1)! m¨ ogliche Permutationen auf n − 1 Elementen.3 Gesucht ist nun also die g¨ unstigste“ Rundreise. d. 1. π (i + 1)) + c(π (n).h.

.4 1 EINLEITUNG A E D C B E D A B C E D A B C (a) A-B-C-D-E-A (b) A-B-C-E-D-A (c) A-B-D-C-E-A A E D C B E D A B C E D A B C (d) A-B-D-E-C-A (e) A-B-E-C-D-A (f) A-B-E-D-C-A A E D C B E D A B C E D A B C (g) A-C-B-D-E-A (h) A-C-B-E-D-A (i) A-C-D-B-E-A A E D C B E D A B C E D A B C (j) A-C-E-B-D-A (k) A-D-B-C-E-A (l) A-D-C-B-E-A Abbildung 1: Alle 1 2 · (5 − 1)! = 12 Hamiltonkreise in K5 mit fixem Startpunkt A (c) cost(ABDCEA) = 3 + 1 + 2 + 3 + 6 = 15 ←− optimale L¨ osung! (d) cost(ABDECA) = 3 + 1 + 5 + 3 + 4 = 16 (e) cost(ABECDA) = 3 + 4 + 3 + 2 + 5 = 17 (f) cost(ABEDCA) = 3 + 4 + 5 + 2 + 4 = 18 (g) cost(ACBDEA) = 4 + 5 + 1 + 5 + 6 = 21 (h) cost(ACBEDA) = 4 + 5 + 4 + 5 + 5 = 23 (i) cost(ACDBEA) = 4 + 2 + 1 + 4 + 6 = 17 (j) cost(ACEBDA) = 4 + 3 + 4 + 1 + 5 = 17 (k) cost(ADBCEA) = 5 + 1 + 5 + 3 + 6 = 20 (l) cost(ADCBEA) = 5 + 2 + 5 + 4 + 6 = 22 Die Tour ABDCEA ist also bei gegebener Kostenmatrix c die (einzige) optimale L¨ osung.

” 2. ist es m¨ oglich auch Situationen zu modellieren. d.1 Euklidisches Tsp Euklidisches Tsp (oder auch planares Tsp genannt) ist ein Speziallfall von ∆-Tsp. Konkret bedeutet das. dass jeder Knoten einen Abstand von 0 zu sich selbst haben muss und dass unterschiedliche Punkte einen echt positiven Abstand haben. dass es sich bei der Kostenfunktion c um eine Metrik handelt. wird hier einfach die von der euklidischen Vektornorm · 2 induzierte Metrik gew¨ ahlt.5 2 2. um einen Graphen der in die euklidische Ebene R2 eingebettet ist. j ∈ V und c(i. wir 1 oglichen Tsp-Touren zu tun. In diesem Spezialfall ist zus¨ atzlich die Bedingung gestellt. dass es sich um einen ebenen Graphen handelt. die Entfernung von Stadt i zu Stadt j nicht die selbe ist wie die in umgekehrte Richtung. d.B. j ) = 0 ⇔ i = j (positive Definitheit) (2) c(i.1 Varianten und Spezialf¨ alle von Tsp Asymmetrisches vs. etc. haben es nun mit (n − 1)! statt mit 2 · (n − 1)! m¨ 2. Die zweite Bedingung ist die schon erw¨ ahnte Symmetrie. i2 ) und j = (j1 .h.2 Metrisches Tsp (∆-Tsp) Ein wichtiger Spezialfall von Tsp. f¨ ur i = (i1 . Wir gehen davon aus. k ) (Dreiecksungleichung) Die erste Eigenschaft l¨ asst sich als die Forderung interpretieren. symmetrisches Tsp Das asymmetrische Tsp ist eine Verallgemeinerung des uns bisher bekannten symmetrischen Tsp. L¨ asst man diese Bedingung weg. c(i. vor allem f¨ ur die Approximierbarkeit. in denen z. i) (Symmetrie) (3) c(i. M¨ ogliche Gr¨ unde hierf¨ ur sind z. Umwege lohnen sich nicht“.h. j ) ≥ 0 f¨ ur alle i. v2 ) ∈ 2 2 2 R . i) f¨ ur alle i.h. d. gesperrte Straßen in eine Richtung (Einbahnstraßen.2. d.h. d. ist das sogenannte Metrische Tsp.). Wir sind in unserer Modellierung von einer symmetrischen Kostenfunktion ausgegangen. Die Dreiecksungleichung besagt in diesem Fall. dass c die folgenden Axiome erf¨ ullen muss: (1) c(i. j2 ) gilt i1 − j1 i2 − j2 c(i. Jeder Knoten v l¨ asst sich also darstellen als v = (v1 .B. j ) + c(j. auch ∆-Tsp genannt. dass also durch (V. j ) = c(j. k ) ≥ c(i. j ) = c(j.h. Als Metrik c : R × R → R. j . Durch die fehlende Symmetrie verdoppelt sich die Anzahl der m¨ oglichen L¨ osungen. j ) := i − j 2 = 2 = (i1 − j1 )2 + (i2 − j2 )2 . c) ein metrischer Raum definiert ist. dass ein Umweg von einer Stadt i zu einer Stadt k u urzer ist als der direkte Weg von i ¨ber eine dritte Stadt j niemals k¨ nach k . Baustellen. Die wichtige neue Eigenschaft ist hier die dritte.

Anwendung findet diese Metrik immer dann wenn eine Bewegung nur in eine Richtung gleichzeitig m¨ oglich ist (z.h. einer Komplexit¨ atsklasse K wenn sich jedes Problem L ∈ K auf L in Polynomialzeit reduzieren l¨ asst und L ∈ K gilt. Definition 3.1.6 3 ¨ VON TSP KOMPLEXITAT 2. auch die von der Maximumsnorm · ∞ und von der Betragssummennorm · 1 induzierten Metriken. so dass die Summe der Kosten der Rundreisen minimal ist und gleichzeitig jede Stadt nur von genau einem Handlungsreisenden besucht wird (und m¨ oglichst jeder Handlungsreisende mindestens eine Stadt besucht). Ein Problem L heißt vollst¨ andig bzgl.3 Multiple-TSP (mTsp) Das Multiple-Tsp ist eine. Man schreibt L ≤ L. Eine Sprache L ist auf eine Sprache L reduzierbar.3. Verallgemeinerung des Tsp. wenn eine totale. die alle gleichzeitig reisen.B.2 Andere Metriken Nicht nur die von der euklidischen Norm · 2 induzierte Metrik spielt in der Praxis eine Rolle. Hier ist die Distanz zwischen zwei Knoten das Maximum der Distanzen der einzelnen Komponenten. 3 Komplexit¨ at von Tsp In diesem Abschnitt wollen wir die Komplexit¨ at von Tsp untersuchen. Manhatten) angelehnt. Wichtig sind z.B. die Gesamtzeit h¨ angt von der L¨ ange der l¨ angsten Richtungen ab. Als Anwendung denke man an das Beispiel eines Bohrers der L¨ ocher in einer Leiterplatte bohren soll und der sich zwar gleichzeitig in x und y Richtung bewegen kann. so heißt f auch Polynomialzeitreduktion und man schreibt L ≤p L. Der Name ist an die schachbrettartige Anordnung von H¨ auserblocks in amerikanischen Großst¨ adten (z. Definition 3. Ist f in Polynomialzeit berechenbar. NPC ist die Klasse der sogenannten NP-vollst¨ andigen Probleme (engl. siehe unten) Definition 3. Es gilt: x x = max{|xi |} i ∞ 1 = n i=1 |xi | Die erste wird Maximums-Metrik genannt. NPcomplete). berechenbare Funktion f : Σ∗ → Σ∗ existiert. Sei Σ∗ die Menge der m¨ oglichen Eingaben. Die zweite Metrik nennt sich City-Block-Metrik oder Manhatten-Metrik.B. f¨ ur einen Lieferanten in Manhatten der Fall ist. aber niemals in beide gleichzeitig).2. f¨ ur die Praxis wichtige. L ist NP-hart. wenn: (1) L ∈ NP (2) L ≤p L f¨ ur alle L ∈ NP (d. nur in x Richtung oder nur in y Richtung. .B. d. geht man hier von mehreren Handlungsreisenden aus. L ∈ NPC genau dann. aber nur in beide Richtungen mit der gleichen Geschwindigkeit. 2. wie es z.2.h. D. Gesucht sind nun mehrere Rundreisen. Wie der Name bereits suggeriert. so dass gilt: w ∈ L ⇔ f (w) ∈ L.h.

dass Variante 3 am schwierigsten zu l¨ osen ist. dass Tsp in NP ist und dass Tsp ein NP-hartes Problem ist. In diesem Abschnitt soll nur auf die Entscheidungsvariante eingegangen werden. 3. . Alle drei Varianten sind aus komplexit¨ atstheoretischer Sicht gleich schwierig“. Wenn also eine der drei Varianten in Polynomialzeit l¨ osbar ist.1 wurden bereits zwei Modellierungen vorgestellt. Ein Algorithmus der (2) l¨ ost kann seine L¨ osung mit b aus (1) vergleichen und damit auch (1) l¨ osen. .und Optimierungsvarianten Es seien die folgenden drei Varianten von Tsp gegeben: (1) Existiert eine optimale Tsp-Tour mit Kosten ≤ b? (Entscheidungsvariante) (2) Wie hoch sind die Kosten einer optimalen Tsp-Tour? (Optimierungsvariante. In 1. d.1 ¨ Aquivalenz von Entscheidungs. was allerdings keine Einschr¨ ankung darstellt.1. dass Tsp ∈ NPC D. der in Polynomialzeit eine optimale Tour bestimmt auch direkt deren Wert bestimmen kann und damit (1) und (2) l¨ ost. Satz 3. . Typ 1) (3) Bestimme eine optimale Tsp-Tour (Optimierungsvariante. ” es existieren in Polynomialzeit berechenbare Reduktionen der Varianten aufeinander. wie wir gleich sehen werden. da ein Algorithmus. Typ 2) Intuitiv w¨ urde man vermuten. tats¨ achlich gilt aber der folgende Satz. 0 ) { 4 i f ( e s e x i s t i e r t o p t i m a l e Tour mit Kosten ≤ b ) { 5 opt := b 6 } else { 7 S c h l e i f e abbrechen 8 } 9 } 10 11 r e t u r n opt ¦ ¤ ¥ .h. . Listing 1: Algorithmus (1) ⇒ (2) § 1 opt := Summe d e r n t e u e r s t e n Kanten 2 3 f o r ( b = opt − 1.7 In diesem Abschnitt soll gezeigt werden.h. wir wollen zeigen. dann auch die beiden u ¨brigen: (1) ⇔ (2) ⇔ (3) Beweis Offensichtlich gilt (3) ⇒ (2) ⇒ (1).

L ≤p L. Zu gegebener Schranke b f¨ ur das Entscheidungsproblem l¨ asst sich nun durch Summation der Kantengewichte der vorgeschlagenen L¨ osung testen. Die Kodierung ist also in O(n) m¨ oglich. Der zweite Algorithmus benutzt einen bekannten Polynomialzeitalgorithmus f¨ ur (2) (z.2 Tsp ist in NP NP ist die Klasse der Entscheidungsprobleme. f¨ ur die sich m¨ ogliche L¨ osungen als Zertifikat polynomieller L¨ ange (auch polynomieller Beweis“ oder polynomieller Zeuge“ genannt) kodieren ” ” lassen und f¨ ur die ein Polynomialzeitalgorithmus (Verifizierer) existiert.1. Eine Permutation ist eindeutig bestimmt durch die Angabe der Bilder π (n) f¨ ur alle n. der die m¨ ogliche L¨ osung verifizieren kann. unter der Voraussetzung. ¨berschreitet.3 NP-Schwere von Tsp Definition 3. Nach [6] k¨ onnen wir alternativ NP als die Klasse der Entscheidungsprobleme beschreiben. Satz 3. dass ein Algorithmus bekannt ist. den ersten) um (3) zu l¨ osen. Grob gesagt kann man f¨ ur Probleme in NP also effizient testen ob eine bereits gefundene (polynomiell kodierte) L¨ osung tats¨ achlich korrekt ist oder nicht. Ein Problem L heisst NP-schwer (NP-hart) wenn sich jedes Problem L ∈ NP auf L polynomiell reduzieren l¨ asst. 3.2.B. Tsp ∈ NP Beweis Wie in 1. ob diese die Schranke tats¨ achlich nicht u uhrt werden. die in Polynomialzeit von einer nichtdeterministischen Turingmaschine entschieden werden k¨ onnen. 3. .h. Dieser Test kann ebenfalls effizient durchgef¨ Wir haben also einen Polynomialzeitverifizierer und ein Zertifikat polynomieller L¨ ange. Damit folgt also: (1) ⇒ (2) ⇒ (3) und damit die Behauptung. der Variante (1) in Polynomialzeit l¨ ost. 4 // da maximal |V |2 v i e l e Knoten d u r c h l a u f e n werden 5 f o r a l l Edges e ∈ E { 6 7 S e i G’ d e r Graph G nachdem d i e Kante e e n t f e r n t wurde 8 opt ’ := Wert e i n e r o p t i m a l e n Tour i n G’ 9 10 i f ( opt == opt ’ ) { 11 Kante war n i c h t w i c h t i g f u ¨ r d i e Tour . d.4.8 3 ¨ VON TSP KOMPLEXITAT § 1 opt := Wert e i n e r o p t i m a l e n Tour 2 3 // S c h l e i f e i s t p o l y n o m i e l l b e s c h r ¨ a n k t i n d e r Anzahl d e r Knoten .3 bereits erw¨ ahnt l¨ asst sich jede m¨ ogliche L¨ osung als Permutation auffassen. a l s o e n t f e r n e s i e aus G 12 } 13 14 } 15 16 r e t u r n G ¦ Listing 2: Algorithmus (2) ⇒ (3) ¤ ¥ Der erste Algorithmus l¨ ost Variante (2) in Polynomialzeit.

Da {1. 2}-Tsp eine Tsp Variante in der c(i.h. .h. {1. Zu zeigen: G enth¨ alt einen Hamiltonkreis ⇔ Kb enth¨ alt eine Tsp-Tour mit Kosten ≤ b ⇒“: Jeder Hamiltonkreis enth¨ alt genau b = |V | Kanten und b verschiedene Knoten. wir werden ein. v1 ) ≤ b Da jede der Kanten in Kb mindestens Gewicht 1 hat (c(i. π (2). d. Wir transformieren diese Eingabe in eine g¨ ultige Eingabe f¨ ur die Entscheidungsvari1 (vi . Nach dem Satz von Cook ist SAT ∈ NPC.. d.h. d. j ) ∈ {1. E ) ein ungerichteter Graph. also eine m¨ ogliche Instanz des Hamiltonkreisproblems. Da die Tour nach Voraussetzung optimal ist.. Karp hat 1972 in [9] folgende Reduktionskette gezeigt: SAT ≤p CLIQU E ≤p V ERT EXCOV ER ≤p DHC ≤p HC Das (ungerichtete) Hamiltonkreisproblem (HC) ist also NP-schwer..h.. 2}-Tsp ein Spezialfall von Tsp ist folgt direkt die NP-H¨ arte vom allgemeinen Tsp. π (i + 1)) ∈ E f¨ ur 1 ≤ i ≤ b und (π (b). j ) ∈ {1. Also ist G hamiltonsch.9 Offensichtlich ist polynomielle Reduktion transitiv. Jede Tour ist ein Hamiltonkreis. π (b). j ) := und betrachte Kb . vb ∈ V mit ” b−1 i=1 c(vi . c(i. 2} f¨ ur alle i.5. 2}-Tsp. Damit gilt. Beweis Sei G = (V. es sind nur Kantengewichte von 1 und 2 zul¨ assig. . dass ein Problem K NP-hart ist wenn ein anderes NP-hartes Problem L existiert mit L ≤p K . π (1)) = b−1 i=1 1 + 1 = (b − 1) + 1 = b ≤ b also existiert in G ein Hamiltonkreis mit Kosten ≤ b und damit in Kb eine Tsp-Tour mit Kosten ≤ b. dann gilt (π (i). um Eingaben f¨ ur das Hamiltonkreisproblem so zu transformieren. 2}-Tsp ist NP-hart. Definition 3. j ) ∈ E . Richard P. 2} f¨ ur alle (i. d.3.h. es gibt v1 . d. aus L ≤p L und L ≤p L folgt stets L ≤p L . Dann folgt b−1 i=1 c(π (i). dass auch Tsp ein NP-schweres Problem ist. ⇐“: Es existiert eine optimale Tsp-Tour in Kb . w¨ are ihr Gewicht nach Definition von c bereits 2 und damit das Gesamtgewicht bereits gr¨ oßer als b. π (1)) ∈ E (denn jede Kante des Hamiltonkreises ist nat¨ urlich in G enthalten). vi+1 ) + c(vb . wenn die transformierte Instanz eine Ja-Instanz von Tsp ist.h. denn w¨ urde sie nicht vorkommen. dass eine HC-Instanz genau dann eine Ja-Instanz ist. in Polynomialzeit berechenbares. Wir werden diese Tatsache nutzen um zu zeigen. π (i + 1)) + c(π (b). vj ) ∈ E ante von {1. also jede Kante der optimalen Tour in Kb muss tats¨ achlich in dem Graphen G vorkommen. Sei {1. Satz 3. j ) muss die Summe der Kosten der b Kanten der Tsp-Tour mindestens b sein.. .. indem wir das Hamiltonkreisproblem in Polynomialzeit auf einen Spezialfall von Tsp reduzieren. π (1)) ein Hamiltonkreis in G. Sei ” (π (1). Verfahren angeben. Sei dazu b := |V |. d. ist ihr Gesamtgewicht ≤ b. den 2 sonst vollst¨ andigen Graphen auf b Knoten.

Mit Aα l¨ asst sich also das Hamiltonkreisproblem entscheiden. d. f¨ ur jedes > 0 existiert ein polynomieller (1 + )-Approximationsalgorithmus. c) von ¨berf¨ Tsp wobei Kn der vollst¨ andige Graph auf n := |V | Knoten ist und c(i. α > 1) f¨ ur Π berechnet (in Polynomialzeit) f¨ ur jede Instanz I eine zul¨ assige L¨ osung. Ein polynomieller α-Approximationsalgorithmus (α ∈ R.h. Da HC ein NP-schweres Problem ist gilt nach Definition. da der konstruierte Algorithmus eine Laufzeit 1 von O(n · log n) hat). (analog zu [14]) Sei Π ein Optimierungsproblem (hier: ein Minimierungsproblem) und I eine Instanz von Π.1. f¨ ur kein α ∈ R. dass sich jedes Problem in NP in Polynomialzeit auf HC reduzieren l¨ asst. euklidisches ∆-Tsp l¨ asst sich beliebig gut effizient approximieren (eine bessere Approximationsg¨ ute hat hier allerdings eine praktisch h¨ ohere Laufzeit zur Folge. die Aα berechnet kleiner oder gleich α · n sind. Definition 4. die in G nicht enthalten war. dass ∆-Tsp jedoch 2 -approximierbar ist. α heißt Approximationsg¨ ute. d. j ) := 1 α·n falls (i.1. die exakte und w¨ unschenswerterweise beweisbar optimale L¨ osungen liefern so wie . die Tsp approximieren. Die exakten Algorithmen.h. Analog kann man zeigen. Analog zu [12] soll folgender Satz gezeigt werden: Satz 4. G ist genau dann hamiltonsch. eine Kante mit Kosten α · n. Im folgenden soll zwischen zwei Typen von Algorithmen unterschieden werden. D.10 4 APPROXIMIERBARKEIT 4 Approximierbarkeit In diesem Abschnitt wollen wir untersuchen. Ist G allerdings nicht hamiltonsch.h. Ein solcher Algorithmus Aα kann also (unter der Annahme P=NP) nicht existieren. j ) ∈ E sonst Wir wenden nun unseren Algorithmus Aα auf (Kn . dass P=NP. E ) eine Instanz des Hamiltonkreisproblems (HC). Die Kosten der optimalen Tsp-Tour betragen nun also mindestens (n − 1) + α · n. Sei G = (V. die unser Algorithmus findet kleiner oder gleich α · n. falls der Graph tats¨ achlich einen Hamiltonkreis enth¨ alt. c) an. Wir werden sehen. dass auch f¨ ur α(n) = 2n keiner existiert. dann bezeichnen wir mit opt(I ) den optimalen (minimalen) Zielfunktionswert. F¨ ∆-Tsp existiert nach [2] sogar ein PTAS (polynomial time approximation scheme ).h. F¨ ur das Tsp in seiner allgemeinen Form existiert. so existiert in jeder Tsp-Tour mindestens eine Kante. Falls G eine Ja-Instanz ist. wenn die Kosten der Tour. d. damit sind auch die Kosten der Tour. die Aα findet mindestens (n − 1) + α · n > α · n (n ≥ 2). ein polynomieller α-Approximationsalgorithmus. Beweis Angenommen es existiere ein solcher α-Approximationsalgorithmus Aα . deren Wert h¨ ochstens α · opt(I ) ist. Da Aα in polynomieller Zeit berechenbar ist folgt HC ∈ P.h. also P=NP. d. α > 1. 3 ur euklidisches siehe dazu [14]. so sind die Kosten der optimalen Tsp-Tour genau n und damit die Kosten der Tour. inwieweit es m¨ oglich ist Tsp mit dem Rechner zu l¨ osen und anschliessend effiziente Algorithmen untersuchen. unter der Annahme P=NP. Wir u uhren G zu einer Instanz (Kn . dass f¨ ur Tsp in der allgemeinen Form nicht nur f¨ ur konstantes α kein Approximationsalgorithmus existieren kann sondern. im Widerspruch zur Annahme.

5. Annahme P=NP existiert auch kein Polynomialzeitalgorithmus).2 Dynamische Programmierung Eine schnellere M¨ oglichkeit eine Tsp-Instanz exakt zu l¨ osen ist mittels Rekursion. also f¨ ur 30 St¨ adte.3 erw¨ ahnt. Wegen n! ≤ nn = 2n·ld(n) ∈ O(2p(n) ) (p Polynom) hat dieser naive Algorithmus also exponentiellen Zeitaufwand. 5 Tsp exakt l¨ osen Alle bisher bekannten deterministischen exakten Algorithmen f¨ ur das allgemeine Tsp haben exponentielle Laufzeit (und unter der weitverbreiteten.1. Die erzeugte Tabelle enth¨ alt n Zeilen und f¨ ur jede Teilmenge eine Spalte. Ungl¨ ucklicherweise ist diese Methode v¨ ollig ineffizient. genauer gesagt existieren f¨ ur symmetrisches Tsp 1 2 n − 1)! m¨ ogliche L¨ osungen. bereits u otigen und f¨ ur insgesammt 50 St¨ adte ¨ber 50 Tage ben¨ l¨ anger als 9 · 1030 Jahre (als Vergleich: unser Universum ist sch¨ atzungsweise 1. also maximal 2n Spalten.1 Brute Force Die wohl naheliegendste M¨ oglichkeit eine Instanz des allgemeinen Tsp zu l¨ osen ist wohl die Brute Force Methode. Mit Hilfe dieser Idee ist es m¨ oglich.37 · 1010 Jahre alt).B. da. 2 n Tsp-Instanzen mit ungef¨ ahr n · 2 Operationen zu l¨ osen. damit enth¨ alt die Tabelle maximal n · 2n Eintr¨ age.h. Das bestimmen eines Minimums geht offensichtlich in Polynomialzeit. die gefundenen L¨ osungen weichen nur bis zu ” einem (vorher bereits bekannten) Grad von dem Optimum ab.h. aber eine gute“ N¨ aherung. F¨ ur 60 St¨ adte u oglichen L¨ osungen bereits die gesch¨ atzte Anzahl ¨bertrifft die Anzahl der m¨ der Protonen im Universum. (Es gilt Tsp ∈ Exptime) 5. Wir wollen nun eine optimale Tour durch die 20 gr¨ oßten St¨ adte Deutschlands finden. z. Angenommen wir haben einen Computer. Um sich dieses enorme Wachstum vorstellen zu k¨ onnen wollen wir ein Beispiel betrachten. Der gleiche Computer w¨ urde f¨ ur nur 10 St¨ adte mehr.823 Nanosekunden (10−9 Sekunden) 1024 ben¨ otigen um alle m¨ oglichen L¨ osungen zu generieren. D. 1024 ) m¨ ogliche L¨ osungen generieren kann. Der Computer w¨ urde daf¨ ur 1 2 (20 − 1)! ≈ 60. d. aber unbewiesenen. Der Algorithmus betrachtet zun¨ achst nur kleine Probleme und weitet seine L¨ osung dann immer weiter auf gr¨ oßere Teilmengen der St¨ adte aus. mit dem Prinzip der dynamischen Programmierung. wie bereits in 1. wir generieren einfach alle m¨ oglichen L¨ osungen und bestimmen dann die minimale. Hier definiert man kleinere Teilprobleme.h. die zwar im Normalfall keine optimale L¨ osung liefern. die Anzahl der m¨ oglichen ( L¨ osungen proportional zu n! ist. . die man rekursiv l¨ ost und deren Zwischenwerte man in einer Tabelle speichert. was zwar immernoch exponentiell.11 die Approximationsalgorithmen (sogenannte Heuristiken). der pro Sekunde eine Quadrillionen (d. aber schon deutlich besser als n! ist.

B. dass f¨ ur die Tabelle unter Umst¨ anden erhebliche Mengen von Speicher verf¨ ugbar sein m¨ ussen. Nach diesem Prinzip k¨ onnen oft sehr schnell gute Tsp-Touren gefunden werden. eine zugeh¨ orige Distanzfunktion). Um polynomielle Approximationsalgorithmen zu bekommen m¨ ussen wir daher die Allgemeinheit des Problems aufgeben. 6 6. [10]. .h. Der Nachteil ist allerdings. d. der mit dem Gedanken entworfen wurde. dass f¨ ur das allgemeine Tsp (unter der Annahme P=NP) kein effizienter Algorithmus existiert. aber auch kein effizienter Approximationsalgorithmus. falls nicht. terminiere. Wir haben also gesehen. gehe zu 3 Da der Graph endlich ist terminiert dieser Algorithmus offensichtlich aufjedenfall. der mit minimalen Kosten vom aktuellen Knoten aus erreicht werden kann (4) Markiere v als besucht (5) Falls alle Knoten markiert sind. einen Algorithmus. in der die Knoten markiert wurden ist nun eine g¨ ultige L¨ osung.h. es ist aber hier unbedingt zu beachten. Es handelt sich dabei um einen Greedy-Algorithmus.12 6 TSP APPROXIMIEREN Die Zeitkomplexit¨ at ist zwar schon deutlich besser als bei der Brute Force Variante.1 Tsp approximieren Nearest-Neighbour Heuristik Eine sehr naive. dass die konsequente Wahl von lokal optimalen L¨ osungen zu einem globalen Optimum f¨ uhrt. f¨ ur die der Nearest-Neighbour Algorithmus die schlechtest m¨ ogliche Tsp-Tour generiert. siehe z. dass diese Touren auch beliebig schlecht sein k¨ onnen. da sie exponentiell viel Platz ben¨ otigt! F¨ ur eine leichtverst¨ andliche Beschreibung des Algorithmus. Nach [5] existiert sogar zu jeder Anzahl von St¨ adten eine Tsp Instanz (d. Die Reihenfolge. aber auch sehr schnelle Heuristik ist die Nearest-Neighbour Heuristik. Nearest-Neighbour Greedy Algorithmus (1) Markiere alle Knoten als unbesucht (2) W¨ ahle beliebigen Startknoten als aktuellen Knoten (3) W¨ ahle einen Knoten v aus.

20. (143251) so sieht man. Der Algorithmus wird als Metric-Tsp-via-MST oder kurz als MST-Heuristik bezeichnet. . 18. (125341).h. (123541). 22. 22.1. (142351). 20. 18} gilt 6.1 Beispiel 5 5 1 9 4 4 3 3 2 1 5 2 1 9 5 5 5 4 4 3 3 2 1 2 1 9 5 5 5 4 4 3 3 2 1 2 3 2 4 3 2 4 3 2 (c) Nachbar 2 4 (a) W¨ ahle 1 als Startknoten (b) G¨ unstigster unbesuchter Nachbar: 4 5 5 1 9 4 4 3 3 2 1 5 2 1 9 5 5 5 4 4 3 3 2 1 2 1 9 5 5 5 4 4 3 3 2 1 2 3 2 (d) Nachbar 3 4 3 2 4 3 2 4 (e) Letzter unbesuchter Nachbar: 5 (f) Zur¨ uck zum Start: 1 Die Nearest-Neighbour Heuristik w¨ ahlt hier also die Tour π := (142351) mit cost(π ) = 3 + 1 + 3 + 4 + 5 = 16 Vergleicht man das mit allen m¨ oglichen 12 Touren (123451). (125431) (132451). 16.13 6. (135241). 16. (124531). 22. (132541). dass sich der Spezialfall des metrischen Tsp (∆-Tsp) mit einer Approximationsg¨ ute von 2 approximieren l¨ asst. (124351). dass hier tats¨ achlich cost(π ) = min{16. es existiert ein effizienter Algorithmus. 22. 16. d. dessen Ergebnis h¨ ochstens doppelt so teuer ist wie die optimale L¨ osung.2 MST-Heuristik Es soll nun gezeigt werden. (134251).

d. mit dem Algorithmus von Hierholzer ). Der neue Graph heisse K (1) geht z. Algorithmus: MST-Heuristik (1) Erzeuge einen minimalen aufspannenden Baum (MST) T von G (2) Verdopple jede Kante in T (3) W¨ ahle einen beliebigen Startknoten v in T (4) Bestimme einen Eulerkreis K in T . da jeder Knoten besucht wird und K somit ein Hamiltonkreis ist. d. Durch Verdopplung aller Kanten wird offensichtlich der Grad jedes Knoten verdoppelt. mit dem Algorithmus von Prim oder dem Algorithmus von Kruskall in Polynomialzeit. der alle Kanten des Graphen enth¨ alt.B. also existiert ein Eulerkreis. d. Die MST-Heuristik ist ein polynomieller 2-Approximationsalgorithmus f¨ ur ∆-Tsp. wenn der Grad jedes Knoten gerade ist (Beweis siehe [13]). so heißt Z Eulertour und G heißt eulerscher Graph. ebenfalls in Polynomialzeit durchf¨ uhrbar. Da bei metrischem Tsp die Distanzfunktion immer die Dreiecksungleichung erf¨ ullt. Ein Graph ist genau dann eulersch.h. In gegebenen eulerschen Graphen einen Eulerkreis zu bestimmen ist ebenfalls effizient m¨ oglich (z. Beweis K ist nun eine m¨ ogliche Tsp-Tour.h. (4) ist. Existiert in G ein geschlossener Kantenzug Z . beginnend bei v (5) Entferne in dem Eulerkreis alle Kanten. Die Kosten jeder optimalen Tsp-Tour sind niemals geringer als die Kosten eines beliebigen MST.B. Satz 6. Satz 6. wie oben bereits erw¨ ahnt.14 6 TSP APPROXIMIEREN Definition 6. (analog zu [13]) Sei G ein zusammenh¨ angender und nicht trivialer Graph. der Grad jedes Knotens ist nun gerade und der Graph somit eulersch. es gilt cost(T ) ≤ opt(G). Mit Hilfe dieser Eigenschaft l¨ asst sich mittels Tiefensuche effizient testen ob ein Graph eulersch ist. cost(K ) = 2 · cost(T ). Der Eulerkreis K enth¨ alt (vor dem entfernen) jede Kante doppelt. d. Diese Frage nennt man das Eulerkreisproblem (dieses Problem ist also in der Komplexit¨ atsklasse P). ¨berspringen von Knoten die Kosten nicht erh¨ cost(K ) ≤ cost(K ) = 2 · cost(T ) ≤ 2 · opt(G) .1.h.2.h. die zu bereits besuchten Knoten f¨ uhren und ersetze sie durch eine Kante zum Knoten der im Eulerkreis an n¨ achster Stelle kommt (es sei denn es handelt sich um den Startknoten).1. kann das u ohen.

Man sagt ein Knoten v wird von M u alt. und der eine a ¨hnliche Herangehensweise wie die MST-Heuristik verfolgt. Definition 6. Ein Matching heißt perfekt. der 1971 von Nico Christofides vorgestellt wurde. ¨berdeckt wird. Algorithmus von Christofides (siehe [8]) (1) Bestimme einen minimalen aufspannenden Baum T von G (2) Bestimme die Menge V = {v ∈ V |v hat ungeraden Grad in T} ⊆ V .2. falls kein Knoten des Graphen zu mehr als einer Kante aus M inzident ist. oder formal ausgedr¨ uckt. E ).2. falls es keine Kante e ∈ M gibt.15 6. ¨berdeckt. (analog zu [11]) Eine Kantenmenge M ⊆ E heißt Matching in einem Graphen G = (V. die v enth¨ wenn jeder Knoten durch genau eine Kante aus M u uckt. f ∈ M mit e = f . oder anders ausgedr¨ 1 wenn |M | = 2 · |V |.3 Algorithmus von Cristofides Als n¨ achstes wollen wir einen Algorithmus betrachten. wenn e ∩ f = ∅ f¨ ur alle e.1 Beispiel 5 5 1 2 1 2 3 (a) K5 4 3 4 (b) Bestimme MST T von G 5 5 1 2 1 2 3 4 3 4 (c) Verdopple alle Kanten ¨ (d) Uberspringe doppelte Knoten und erzeuge einen Eulerkreis (K ) 6.

Wie bei der MST-Heuristik schon erw¨ ahnt. Also hat das g¨ unstigste perfekte Matching auf V h¨ ochstens die Kosten 1 · opt . d. Der teuerste“ Schritt dieses Algorithmus ist das finden eines g¨ unstigsten perfekten ” 3 Matchings. Aufgrund der Dreiecksungleichung ist das u unstiger als der Umweg“ (oder genauso ¨berspringen g¨ ” teuer). indem wir alle Knoten in τ . dass es keinen solchen geben kann. dass kein α Approximationsalgorithmus f¨ ur ∆-Tsp mit α < 219 existieren kann (es sei denn P=NP). ebenso (5).3. Wir k¨ onnen τ zerlegen in zwei perfekte Matchings. Das g¨ unstigere der beiden Matchings 1 1 1 hat h¨ ochstens die Kosten 2 · cost(τ ) ≤ 2 · cost(τ ) = 2 · opt.B. der die Knoten aus V verbindet. also auch die. Wieder analog zu [8]: Sei τ eine optimale Tsp-Tour. 2 Die Euler-Tour hat die Kosten: cost(H ) ≤ cost(M ) + cost(T ) ≤ opt + 3 1 · opt = · opt 2 2 Bisher hat niemand einen polynomiellen Approximationsalgorithmus f¨ ur metrisches Tsp mit einer besseren Approximationsg¨ ute gefunden oder bewiesen. Ein perfektes Matching in dem von V induzierten Teilgraphen existiert aufjedenfall. weil er ebenfalls vollst¨ andig ist und weil |V | gerade ist (Beweis siehe [8]). 220 Man weiss lediglich. die jeweils aus jeder zweiten Kante auf dem Kreis τ gebildet werden. . Beweis Die gefundene Euler Tour in H benutzt alle Kanten und besucht damit auch alle Knoten (weil T aufspannender Baum ist).h. Satz 6. cost(τ ) ≤ cost(τ ).16 6 TSP APPROXIMIEREN (3) Finde ein perfektes Matching mit minimalen Kosten M auf V (4) Sei H die Vereinigung von T und M (5) Finde eine Euler-Tour auf den Kanten von H (6) Bereinige die Euler-Tour um wiederholt vorkommende Knoten (1) und (2) geht effizient. somit ist H eulersch und (5) ist durchf¨ uhrbar. was in O(n ) m¨ oglich ist (z. u ¨berspringen. Aus τ erhalten wir einen Kreis τ . die bereits geraden Grad hatten) enth¨ alt der neue Graph H nun alle Knoten und jeder Knoten hat geraden Grad. Der Christofides Algorithmus ist ein polynomieller 3 ur 2 -Approximationsalgorithmus f¨ metrisches Tsp. die nicht in V enthalten sind. ausserdem erh¨ oht (6) die Kosten nicht (siehe MSTHeuristik). alle Knoten mit ungeradem Grad auszuw¨ ahlen und f¨ ur diese ein perfektes Matching zu finden. Zusammen mit dem minimalen Spannbaum (der alle Knoten enth¨ alt. ist also eine m¨ ogliche Tsp-Tour. Die Idee ist im Grunde. mit dem Hungarian Algorithm ). gilt cost(T ) ≤ opt.

1 Beispiel 8 9 4 8 9 4 8 9 4 10 7 1 2 10 7 1 2 10 7 1 2 5 6 (a) G = K10 3 6 5 3 6 5 3 (b) Bestimme MST T in G (c) Knoten mit ungeradem Grad in T 8 9 4 8 9 4 10 7 1 2 10 7 1 2 5 6 3 6 5 3 (d) Perfektes Matching f¨ ur Knoten mit ungeradem Grad (e) Euler-Tour (doppelte Knoten uebersprungen) .17 6.3.

Dr. Algebra. [3] Daniel J. Rosenkrantz. Universit¨ at Trier. Approximationsalgorithmen. Berechenbarkeit und Komplexit¨ at. Lehrstuhl f¨ ur Informatik 6. 2003. Pearson Studium. Einf¨ uhrung in Approximationsalgorithmen: Optimierungsprobleme auf Graphen und Metriken. RWTH Aachen University. RWTH Aachen University. 1997. Dr. McGeoch. [5] G. Angelika Steger. Zverovich. 2006. pages 7–11. Dr. In Complexity of Computer Computations. [8] Prof. [14] Prof. Dr. Lewis II. The Traveling Salesman Problem: A Case Study in Local Optimization. . A. Berthold V¨ ocking. Lutz Volkmann. [4] David S. RWTH Aachen University. [11] Prof. Theoretische Informatik. H. Einf¨ uhrung in Graphen und Algorithmen. Komplexit¨ atstheorie. pages 85–103. A. Stefan Hougardy. Lehrstuhl II f¨ ur Mathematik. Richard E. [2] Sanjeev Arora. Lyle A. Traveling salesman should not be greedy: domination analysis of greedy-type heuristics for the TSP. Das Traveling Salesman Problem (oder die optimale Tour f¨ ur den Nikolaus). Dr. Journal of the ACM. Graphentheorie. Local Search in Combinatorial Optimization. Angelika Steger. Stearns. Johnson. Algorithmus der Woche. Karp. 2006. An Analysis of Several Heuristics for the Traveling Salesman Problem. 1977. Effiziente Algorithmen. [10] Stefan N¨ aher.-Ing. Yeo. Bernd Kreuter. SIAM Journal on Computing. Berthold V¨ ocking. 1972. RWTH Aachen University. 1998. 2007. [6] Prof. 1996. Springer. pages 563– 581. [12] Thomas Emden-Weinert. Lehr und Forschungsgebiet Mathematische Grundlagen der Informatik. Phlip M. Dr. Discrete Applied Mathematics 117. 2006. Algorithmen und Datenstrukturen. Polynomial time approximation schemes for Euclidean traveling salesman and other geometric problems. [9] Richard M. Hans J¨ urgen Pr¨ omel. pages 215–310. pages 81–86. 2006. 40. 2002. 2002. 45(5):753–782. Reducibility Among Combinatorial Problems. 2006. Diskrete Strukturen 1: Kombinatorik. [7] Prof. Lehrstuhl f¨ ur Informatik 1. Erich Gr¨ adel. Ney. pages 287– 289.18 LITERATUR Literatur [1] Christel Baier Alexander Asteroth. Graphen an allen Ecken und Kanten. Gutin. [13] Prof.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->