StudierendeLehrende

Edmonds-Karp Algorithm

Der Edmonds-Karp Algorithmus ist ein spezifischer Implementierungsansatz des Ford-Fulkerson-Algorithmus zur Lösung des Maximum-Flow-Problems in Flussnetzwerken. Er verwendet die Breitensuche (BFS), um den maximalen Fluss von einer Quelle zu einer Senke zu finden, indem er wiederholt nach augmentierenden Pfaden sucht. Diese Pfade sind solche, die noch über Kapazitäten verfügen, um den Fluss zu erhöhen. Der Algorithmus hat eine Zeitkomplexität von O(V⋅E2)O(V \cdot E^2)O(V⋅E2), wobei VVV die Anzahl der Knoten und EEE die Anzahl der Kanten im Netzwerk darstellt. Bei jedem Schritt wird der Fluss entlang des gefundenen Pfades erhöht, bis kein weiterer augmentierender Pfad mehr gefunden werden kann. Damit bietet der Edmonds-Karp Algorithmus eine effiziente Methode zur Bestimmung des maximalen Flusses in einem Netzwerk.

Weitere verwandte Begriffe

contact us

Zeit zu lernen

Starte dein personalisiertes Lernelebnis mit acemate. Melde dich kostenlos an und finde Zusammenfassungen und Altklausuren für deine Universität.

logoVerwandle jedes Dokument in ein interaktives Lernerlebnis.
Antong Yin

Antong Yin

Co-Founder & CEO

Jan Tiegges

Jan Tiegges

Co-Founder & CTO

Paul Herman

Paul Herman

Co-Founder & CPO

© 2025 acemate UG (haftungsbeschränkt)  |   Nutzungsbedingungen  |   Datenschutzerklärung  |   Impressum  |   Jobs   |  
iconlogo
Einloggen

Okuns Gesetz und BIP

Okun's Gesetz beschreibt den Zusammenhang zwischen der Arbeitslosenquote und dem Bruttoinlandsprodukt (BIP) einer Volkswirtschaft. Es besagt, dass eine Verringerung der Arbeitslosenquote um einen Prozentpunkt in der Regel mit einem Anstieg des BIP um etwa 2-3% einhergeht. Diese Beziehung verdeutlicht, dass eine höhere Beschäftigung in der Regel mit einer höheren wirtschaftlichen Output verbunden ist, da mehr Arbeitnehmer produktiv tätig sind.

Mathematisch lässt sich Okun's Gesetz oft folgendermaßen ausdrücken:

ΔY=k⋅ΔU\Delta Y = k \cdot \Delta UΔY=k⋅ΔU

Hierbei ist ΔY\Delta YΔY die Veränderung des BIP, ΔU\Delta UΔU die Veränderung der Arbeitslosenquote und kkk ein konstanter Faktor, der die Sensitivität des BIP auf Änderungen der Arbeitslosigkeit misst. Okun's Gesetz ist somit ein nützliches Werkzeug für Ökonomen und Entscheidungsträger, um die Auswirkungen von Arbeitsmarktveränderungen auf die wirtschaftliche Leistung zu analysieren.

Hawking-Temperatur-Derivation

Die Hawking-Temperatur beschreibt die Temperatur von Schwarze Löcher, die durch die quantenmechanische Effekte an der Ereignishorizont-Oberfläche entstehen. Stephen Hawking zeigte, dass aufgrund von Quantenfluktuationen Paare von Teilchen und Antiteilchen in der Nähe des Ereignishorizonts entstehen können. Wenn eines dieser Teilchen ins schwarze Loch fällt und das andere entkommt, beobachtet ein äußerer Beobachter, dass das schwarze Loch Energie verliert, was zu einer positiven Temperatur führt. Die Hawking-Temperatur THT_HTH​ kann mathematisch durch die Formel gegeben werden:

TH=ℏc38πGMkBT_H = \frac{\hbar c^3}{8 \pi G M k_B}TH​=8πGMkB​ℏc3​

Hierbei sind ℏ\hbarℏ das reduzierte Plancksche Wirkungsquantum, ccc die Lichtgeschwindigkeit, GGG die Gravitationskonstante, MMM die Masse des schwarzen Lochs und kBk_BkB​ die Boltzmann-Konstante. Diese Temperatur zeigt, dass kleinere schwarze Löcher heißer sind und schneller verdampfen als größere, was interessante Implikationen für die Thermodynamik von schwarzen Löchern hat.

Hamilton-Jacobi-Bellman

Der Hamilton-Jacobi-Bellman (HJB) Ansatz ist eine fundamentale Methode in der optimalen Steuerungstheorie und der dynamischen Programmierung. Er basiert auf der Idee, dass die optimale Steuerung eines Systems durch die Minimierung einer Kostenfunktion über die Zeit erreicht wird. Der HJB-Ansatz formuliert das Problem in Form einer partiellen Differentialgleichung, die die optimalen Werte der Kostenfunktion in Abhängigkeit von den Zuständen des Systems beschreibt. Die grundlegende Gleichung lautet:

∂V∂t+min⁡u(L(x,u)+∂V∂xf(x,u))=0\frac{\partial V}{\partial t} + \min_{u} \left( L(x, u) + \frac{\partial V}{\partial x} f(x, u) \right) = 0∂t∂V​+umin​(L(x,u)+∂x∂V​f(x,u))=0

Hierbei ist V(x,t)V(x, t)V(x,t) die Wertfunktion, die die minimalen Kosten von einem Zustand xxx zum Zeitpunkt ttt beschreibt, L(x,u)L(x, u)L(x,u) die Kostenfunktion und f(x,u)f(x, u)f(x,u) die Dynamik des Systems. Die HJB-Gleichung ermöglicht es, die optimale Steuerung zu finden, indem man die Ableitung der Wertfunktion und die Kosten minimiert. Diese Methode findet Anwendung in vielen Bereichen, einschließlich Finanzwirtschaft, Robotik und Regelungstechnik.

Transkranielle Magnetstimulation

Transkranielle Magnetstimulation (TMS) ist ein nicht-invasives Verfahren, das magnetische Felder nutzt, um neuronale Aktivität im Gehirn zu beeinflussen. Bei der TMS wird eine Spule auf die Kopfhaut platziert, durch die ein kurzer, starker elektrischer Impuls erzeugt wird. Dieser Impuls erzeugt ein Magnetfeld, das in das Gehirn eindringt und dort gezielt Nervenzellen stimuliert oder hemmt. TMS wird häufig in der Forschung und zunehmend auch in der klinischen Praxis eingesetzt, insbesondere zur Behandlung von Depressionen, Angststörungen und chronischen Schmerzen. Die Behandlung ist schmerzfrei und hat in der Regel nur wenige Nebenwirkungen, was sie zu einer attraktiven Option für Patienten macht, die auf herkömmliche Therapien nicht ansprechen.

Formgedächtnislegierung

Shape Memory Alloys (SMAs) sind spezielle Legierungen, die die Fähigkeit besitzen, ihre ursprüngliche Form nach Deformation wiederherzustellen, wenn sie einer bestimmten Temperatur ausgesetzt werden. Diese Legierungen funktionieren aufgrund von zwei verschiedenen Phasen: der Martensit-Phase und der Austenit-Phase. In der Martensit-Phase können die Materialien leicht verformt werden, während sie in der Austenit-Phase eine festgelegte Form annehmen.

Ein typisches Beispiel für ein Shape Memory Alloy ist die Legierung aus Nickel und Titan (NiTi). Bei der Erwärmung auf eine bestimmte Temperatur, die als Transformationstemperatur bezeichnet wird, kehren die SMAs in ihre ursprüngliche Form zurück. Dies macht sie in vielen Anwendungen nützlich, wie zum Beispiel in der Medizintechnik für Stents, in der Automobilindustrie oder in der Robotik, wo sie als Aktuatoren verwendet werden können.

Suffix-Array-Konstruktionsalgorithmen

Ein Suffix-Array ist eine Datenstruktur, die verwendet wird, um die Suffixe eines Strings in lexikographischer Reihenfolge zu speichern. Es ist besonders nützlich in der Textverarbeitung und bei Suchalgorithmen. Die Konstruktion eines Suffix-Arrays kann auf verschiedene Arten erfolgen, wobei die gängigsten Algorithmen die Naive Methode, Karkkainen-Sanders algorithm und Suffix-Array-Konstruktion basierend auf der Burrows-Wheeler-Transformation sind.

Die naive Methode hat eine Zeitkomplexität von O(n2log⁡n)O(n^2 \log n)O(n2logn), da sie alle Suffixe erzeugt, diese sortiert und dann die Indizes speichert. Effizientere Algorithmen wie der Karkkainen-Sanders-Algorithmus können die Konstruktion in O(n)O(n)O(n) oder O(nlog⁡n)O(n \log n)O(nlogn) erreichen, indem sie Techniken wie das Radixsort oder das Verketten von Suffixen nutzen. Suffix-Arrays sind besonders vorteilhaft, da sie im Vergleich zu anderen Datenstrukturen, wie z.B. Suffix-Bäumen, weniger Speicher benötigen und dennoch eine schnelle Suche ermöglichen.