Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005

Relaterede dokumenter
Induktionsbevis og sum af række side 1/7

Kvalitet af indsendte måledata

TALTEORI Følger og den kinesiske restklassesætning.

Kvadratisk 0-1 programmering. David Pisinger

Scorer FCK "for mange" mål i det sidste kvarter?

Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004

Hvorfor n-1 i stikprøvevariansen?

BEVISER TIL KAPITEL 7

1.0 FORSIKRINGSFORMER

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.

Elementær Matematik. Sandsynlighedsregning

x-klasserne Gammel Hellerup Gymnasium

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.

FY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder

Kombinatorik. 1 Kombinationer. Indhold

Supplement til sandsynlighedsregning og matematisk statistik

Overlappende stationsoplande: Bestemmelse af passagerpotentialer

Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005

Note til Spilteori Mikro 2. år 2. semester Erik Bennike. Note til Spilteori

Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser

Variansanalyse. på normalfordelte observationer af Jens Friis

Statistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:

FACITLISTE TIL KOMPLEKSE TAL

Simpel Lineær Regression - repetition

Statistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)

Finanskalkulationer Side 1/19 Steen Toft Jørgensen. Finanskalkulationer. avanceret rentesregning. matematiske modeller i økonomi

FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )

1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

Kontrol af udledninger ved produktion af ørred til havbrugsfisk

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.

Lineære Normale Modeller

χ 2 -fordelte variable

Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS

Pension PO1 PO2 FO1 FO2 GRL 7) Arbejds markeds pension 5) ATPbidrag

Fordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval.

NOTAT: Benchmarking: Roskilde Kommunes serviceudgifter i regnskab 2013

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation

NOTAT:Benchmarking: Roskilde Kommunes serviceudgifter i regnskab 2014

Repetition. Forårets højdepunkter

Forberedelse til den obligatoriske selvvalgte opgave

Elementær Matematik. Polynomier

IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON

Pearsons formel for χ 2 test. Den teoretiske forklaring

Spørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.

Kombinatorik. Indhold. Georg Mohr-Konkurrencen. 1 Kombinationer 2

Kogebog: 5. Beregn F d

Forén og find. Forén og find. Forén og find. Anvendelser

Kombinatoriknoter 2012, Kirsten Rosenkilde 1

Forén og find. Forén og find. Forén og find. Forén og find

Regressions modeller Hvad regresserer vi på og hvorfor? Anders Stockmarr Axelborg statistikgruppe 6/

Lys og gitterligningen

Kombinatorik. Indhold. Georg Mohr-Konkurrencen. 1 Kombinationer 2

DATV: Introduktion til optimering og operationsanalyse, Bin Packing Problemet

Opgave 1. Hej, vi hedder Albert og Rose. Vi bor i det gule hus. I dag skal vi gå i skole. Hjælp os med at finde den sikreste vej.

Salg af kirkegrunden ved Vejleå Kirke - opførelse af seniorboliger. hovedprincipper for et salg af kirkegrunden, som vi drøftede på voii møde.

Transmissionsteknik \ Automatisering \ Systemintegration \ Service. Håndbog. Fremstilling af specialkabler Kabler til synkrone servomotorer

Længde [cm] Der er frit vandspejle i sandkassen. Herudover er sandkassen åben i højden cm i venstresiden og 0-20 cm i højresiden.

SUPPLEMENT til Anvendt statistik

Matematik A. Højere handelseksamen. Tirsdag den 26. maj 2015 kl hhx151-mat/a

DATV: Introduktion til optimering og operationsanalyse. Asymmetric Traveling Salesman Problem

Indeks over udviklingen i biltrafikken i Danmark

Noter om polynomier, Kirsten Rosenkilde, Marts Polynomier

9. Binomialfordelingen

TO-BE BRUGERREJSE // Tænder

Undersøgelse af numeriske modeller

Definition Ved et kompleks tal forstås et udtryk. Eksempel

De reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation.

Uge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :

Algoritmedesign Den grådige metode

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Analyse af algoritmer. Algoritmedesign med internetanvendelser ved Keld Helsgaun. Køretid. Algoritmebegrebet D. E. Knuth (1968)

Analyse 1, Prøve maj 2009

Spændingskvalitet. Tilslutningsbetingelserne med hensyn til spændingskvalitet for forbrugsanlæg tilsluttet transmissionsnettet

Supplerende noter II til MM04

G Skriverens Kryptologi

Referat fra Bestyrelsesmøde Mandag den 4. marts kl i Holmsland Idræts- og Kulturcenter

Introduktion til optimering og operationsanalyse. Asymmetric Traveling Salesman Problem

er ikke kun for voksne

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.

SERVICE BLUEPRINTS KY selvbetjening 2013

FRIE ABELSKE GRUPPER. Hvis X er delmængde af en abelsk gruppe, har vi idet vi som sædvanligt i en abelsk gruppe bruger additiv notation at:

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i

Referat fra Bestyrelsesmøde

Skriftlig Eksamen. Datastrukturer og Algoritmer (DM02) Institut for Matematik og Datalogi. Odense Universitet. Onsdag den 18. juni 1997, kl.

Ikke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala

TEORETISKE MÅL FOR EMNET:

Sandsynlighedsteori 1.2 og 2 Uge 5.

Note til Generel Ligevægt

DATV: Introduktion til optimering og operationsanalyse, Følsomhed af Knapsack Problemet

Binomialfordelingen. Erik Vestergaard

Lineær regressionsanalyse8

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13

6. december. Motivation. Internettet: Login til DIKU (med password) Handel med dankort Fortrolig besked Digital signatur

Elektromagnetisk induktion

Ugeseddel 8. Gruppearbejde:

Renteformlen. Erik Vestergaard

Transkript:

Vderegåede Algortmk Davd Psger, DIKU Reeksame, Aprl 5

Bsecto problemet Gvet e uvægtet graf G = (V, E) samt et heltal k. E bsecto af grafe G er e opdelg af kudere V to lge store mægder S og T. MAX-BISECTION afgørlghedsproblemet er gvet ved { } < V,E,k > : der fdes e bsecto af G = (V,E) MAX-BISECTION(V, E, k) = hvor k eller flere kater krydser sttet. Tlsvarede er MIN-BISECTION problemet gvet ved { MIN-BISECTION(V,E,k < V ) =,E,k } > : der fdes e bsecto af G = (V,E) hvor k eller færre kater krydser sttet. E stas af MAX-BISECTION ka omskrves tl e stas af MIN-BISECTION. Lad det følgede E betege komplemetærmægde af E deferet som (, ) E (, ) E. Q : Hvlke trasformato af MAX-BISECTION tl MIN-BISECTION er korrekt A) V := V, E := E og k := k. D) V := V, E := E og k = k V. B) V := V, E := E og k := V k. E) V := V, E := E og k := ( V /) k. C) V := V, E := E og k := V k. F) V := V, E := E og k := k Q : Hvlket af følgede udsag gælder med skkerhed A) MAX-BISECTION p MIN-BISECTION og MIN-BISECTION p MAX-BISECTION B) MAX-BISECTION p MIN-BISECTION og MIN-BISECTION p MAX-BISECTION C) MAX-BISECTION p MIN-BISECTION og MIN-BISECTION p MAX-BISECTION D) MAX-BISECTION p MIN-BISECTION og MIN-BISECTION p MAX-BISECTION E) MAX-BISECTION P F) MIN-BISECTION P Her betyder P p Q at der helt skkert kke fdes e polyomel redukto af P tl Q. Bsecto som optmergsproblem MIN-BISECTION(V,E,k ) ka formuleres som et mmergsproblem BISECTION-OPT gvet på forme: mmze subect to = = e x ( x ) x = / () = x {,}, =,...,. hvor = V. Kostatere e = hvs kate (, ) E, mes e = hvs kate (, ) E. Beslutgsvarablee ka fortolkes ved sammehæge x = S, og x = T. 5

Ved Lagrage-relaxerg af begræsge () fremkommer følgede problem ( ) mmze e x ( x ) + λ x / = = = x {,}, =,...,. Q : Hvad er de største mægde af værder af λ hvor () e relaxerg af ()? A) λ N,λ D) λ N,λ B) λ R,λ E) λ R,λ C) λ R,λ F) λ R () Betragt følgede stas af mmergsproblemet BISECTION-OPT, med = 5 4 5 4 5 Q 4: Hvad er løsgsværde z af det relaxerede problem () for λ =? 4A) z = 4D) z = 6 4B) z = 4E) z = 8 4C) z = 4 4F) z = Kvadratsk - optmerg Det kvadratske - optmergsproblem QP er gvet ved maxmze d x x N N subect to x {,}, N deferet på mægde N = {,...,}, og med d R for, N. E stas af QP overholder følgede krterer: d R + for alle, N, d R for alle N Edvdere er matrce (d ) symmetrsk (f. Proektopgave ). For at løse stase trasformeres de tl e stas af MAXIMUM-FLOW ved at sætte V = N {s,t} og E = {s} N N N N {t}. Kapactete af katere sættes tl: c s = max{, N d }, c = d, c =, c t = max{, N d } Herved fremkommer følgede etværk, som v beteger N : 6 N, N, N N

s 8 v v v 4 v 4 t v 5 Q 5: Hvad er de tlhørede stas (d ) af QP? 5A) 4 5-4 4-9 4-8 5-9 5D) 4 5-4 -7 4 4-9 4-5 -5 5B) 4 5 4 4 4 5 5E) 4 5-8 4 4 4 5 5C) 4 5 8-4 4 4-5 - 5F) 4 5 8 4 4 4 5 Q 6: Fd et mmalt st (S,T ) etværket N. Hvad er kapactete af dette st? 6A) c(s,t ) = 4 6D) c(s,t ) = 7 6B) c(s,t ) = 5 6E) c(s,t ) = 8 6C) c(s,t ) = 6 6F) c(s,t ) = 9 Q 7: Hvad er de optmale løsgsværd z af de tlhørede QP-stas? 7A) z = 7D) z = 4 7B) z = 7E) z = 5 7C) z = 7F) z = 6 7

Q 8: Kapactete af kate (s,) etværket N sættes u tl værde c s = β, således at v får følgede etværk: s β v v v 4 v 4 t v 5 For hvlke værder af β vl de optmale løsg (x,x,x,x 4,x 5 ) tl de tlhørede QP stas være de samme som spørgsmål Q7? 8A) β 8D) β 8B) β 8E) β 8C) β 6 8F) β 6 Approxmatosalgortmer Q 9: Gvet e uvægtet graf G = (V, E), spørger MAX-CUT optmergsproblemet om at fde e opdelg af V S og T = V \ S som maksmerer atallet af kater som krydser sttet. Afgørlghedsproblemet vdes at være N P -fuldstædgt. APPROX-MAX-CUT(V, E) S / T V whle v V så flytg af v, ete fra S tl T eller fra T tl S, øger sttets værd do flyt v retur (S, T ) Bevs at APPROX-MAX-CUT er e polyomeltds -approxmatosalgortme ved at svare på følgede spørgsmål. Det atages at algortme har fået grafe G = (V,E) som ddata og at de returerer sttet (S,T ). a) Argumeter at APPROX-MAX-CUT kører polyomel td. b) For et vlkårlgt v V, lad Ev c være mægde af kater cdete med v som dgår sttet (S,T ), og lad Ev være mægde af kater cdete som kke dgår sttet. Hvorledes forholder Ev c sg tl E v? c) Agv e edre græse for atal kater sttet (S, T) udtrykt ved E. d) Fuldfør bevset for at APPROX-MAX-CUT er e polyomeltds -approxmatosalgortme for MAX-CUT optmergsproblemet. 8

Talteor og kryptograf Q : a) Brug EXTENDED-EUCLID tl at fde d = gcd(a,b) = ax + by for a = 9 og b = 48. Vs alle mellemregger f.eks. ved brug af e tabel. b) Alce og Bob bruger RSA kryptosystemet år de kommukerer med hade. Alces offetlge øgle er (e,) = (9,65). Bob bruger dee øgle tl at sede hede e kodet besked C(M) = 4. Faktorser = 65 og brug dette tl at fde de orgale besked M. 9

Veledede svar S De rgtge trasformato er at sætte: V := V, E := E og k := ( V /) k. Med dee trasformato vl v vse at MAX-BISECTION(V,E,k) = hvs og ku hvs MIN-BISECTION(V,E,k ) =. Atag for e graf G = (V,E) at MAX-BISECTION(V,E,k) =, dvs. der fdes et st (S,T ) hvor mdst k kater krydser sttet. Da S = T = V / vl der e komplet graf være ( V /) kater over sttet. Hvs v beytter samme st (S,T) gælder for komplemetærgrafe at der høst er ( V /) k kater over sttet. De modsatte mplkato vses tlsvarede. Så det rgtge svar er E). S Fra forrge svar ses let at MAX-BISECTION p MIN-BISECTION samt at MIN-BISECTION p MAX-BISECTION Det rgtge svar er C). S Der er tale om e relaxerg for alle λ R. For at dse dette ses at obektfukto og løsgsmægde for det orgale problem er { } f (x) = = = e x ( x ) S = (x,...,x ) {,} =x = / Det Lagrage relaxerede problem har obektfukto og løsgsmægde ( ) } g(x) = e x ( x ) + λ x / T = {(x,...,x ) {,} = = = Det ses let at g(x) = f (x) år x S det det sdste led g(x) blver ul for alle værder af λ R. Samtdg gælder der oplagt at S T. Så F) er korrekt. S 4 Ved Lagrage relaxerg med λ = fås problemet mmze = = x {,}, e x x + = =,...,. x () Der ka omskrves tl et maksmergsproblem maxmze = = e x x x {,}, = x (4) =,...,. Dette er et kvadratsk - optmergsproblem QP gvet ved matrce 4 5 - - - 4-5 - De optmale løsg tl dette problem er at vælge alle x =. Dette kue v også have dset ved at betragte det orgale problem (), som oplagt atager st mmum hvs alle kuder er samme mægde, dvs. f.eks. x = for alle. Så det rgtge svar er 4.A). 6

S 5 De rgtge stas er 4 5-4 4-9 4-8 5-9 8 - - - hvor summe af hver søle er agvet ederste række. Det rgtge svar er 5.A). S 6 Det mmale st er markeret på fgure: s 8 v v v 4 v 4 t v 5 Kapactete af sttet er c(s,t) = 6. Så det rgtge svar er 6.C). S 7 Fra max-flow-m-cut sætge vdes at de maksmale strømg etværk N har værde f = c(s,t) = 6. Fra proektopgave vdes at de optmale løsg tl QP har løsgsværd z = V c s f = (8 + + + + ) 6 =. Det rgtge svar er 7B). S 8 Fra fgure svar S6 ses at det mmale st er S = {s,} og T = {t,,,4,5}. Fra proektopgave erdres at de optmale løsg tl QP problemet fdes som x = hvs og ku hvs S. Så læge β c(s,t) er sttet uædret. Så det rgtge svar er 8.F). S 9 De ekelte spørgsmål besvares som: a) I hver terato øges obektfuktoe (sttets værd) med mdst. Obektfuktoe ka kke blve større ed E, så v udfører høst O(E) teratoer som hver tager høst O(V ) td. Dermed er det vst at APPROX-MAX-CUT kører O(V E) td. b) For et vlkårlgt v V må der gælde at E v c E v år algortme termerer det v ellers vlle have flyttet kude tl de modsatte mægde. c) Ved at summere resultatet fra forrge delspørgsmål for alle kuder v, må der gælde at atal kater E c over sttet er større ed atal øvrge kater E. Da E c + E = E må der gælde at E c E /. d) E optmal løsg C er opadtl begræset af E. Approxmatosalgortme fder e løsg C A som mdst er E /. Dermed har v C /C A = ρ. Dermed er det vst at APPROX-MAX-CUT er e polyomeltds -approxmatosalgortme for MAX-CUT. 7

S a) V fder d = gcd(a,b) = ax + by som = 9 5 + 48 ( ). a b a/b d x y 9 48 5-48 9 - - 5 9 9-9 - 9-9 9 - Dermed ser v også at de multplkatvt verse af 9 gruppe Z 48 er 5. b) Alce har offetlg øgle (e, ) = (9, 65). Da = 5 fder v φ() = (5 )( ) = 48. De multplkatvt verse af e modulo φ() er d = 5, som vst opgave a). De verse trasformato er M = C(M) d mod = 4 5 mod = 4 mod 65 = 49 8