StudierendeLehrende

Maximum Bipartite Matching

Das Maximum Bipartite Matching ist ein zentrales Problem in der Graphentheorie, das sich mit der Zuordnung von Knoten in zwei disjunkten Mengen beschäftigt. Bei einem bipartiten Graphen sind die Knoten in zwei Gruppen unterteilt, wobei Kanten nur zwischen Knoten verschiedener Gruppen existieren. Das Ziel besteht darin, die maximale Anzahl von Kanten auszuwählen, sodass jeder Knoten in beiden Gruppen höchstens einmal vorkommt.

Ein Matching ist maximal, wenn es nicht möglich ist, weitere Kanten hinzuzufügen, ohne die oben genannten Bedingungen zu verletzen. Die Algorithmen zur Lösung dieses Problems, wie der Hopcroft-Karp-Algorithmus, nutzen Techniken wie Breitensuche und Tiefensuche, um die Effizienz zu maximieren. Die mathematische Darstellung des Problems kann durch die Maximierung einer Funktion ∣M∣|M|∣M∣, wobei MMM das Matching ist, formuliert werden.

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

Markov-Ketten

Markov-Ketten sind mathematische Modelle, die eine Sequenz von events beschreiben, bei denen der zukünftige Zustand nur vom gegenwärtigen Zustand abhängt und nicht von den vorherigen Zuständen. Dieses Konzept wird als Markov-Eigenschaft bezeichnet. Formell lässt sich eine Markov-Kette als eine Menge von Zuständen und Übergangswahrscheinlichkeiten zwischen diesen Zuständen darstellen. Wenn wir einen Zustand StS_tSt​ zu einem Zeitpunkt ttt betrachten, gilt:

P(St+1∣St,St−1,…,S0)=P(St+1∣St)P(S_{t+1} | S_t, S_{t-1}, \ldots, S_0) = P(S_{t+1} | S_t)P(St+1​∣St​,St−1​,…,S0​)=P(St+1​∣St​)

Dies bedeutet, dass die Wahrscheinlichkeit, in den nächsten Zustand überzugehen, nur vom aktuellen Zustand abhängt. Markov-Ketten finden Anwendung in verschiedenen Bereichen, wie der Statistik, der Wirtschaft und der Künstlichen Intelligenz, etwa in der Vorhersage von Ereignissen oder der Analyse von Entscheidungsprozessen.

Stokesscher Satz

Das Stokes Theorem ist ein fundamentales Resultat der Vektoranalysis, das eine Beziehung zwischen der Integration eines Vektorfeldes über eine Fläche und der Integration seiner Rotation entlang des Randes dieser Fläche herstellt. Es besagt, dass die Fläche SSS und ihr Rand ∂S\partial S∂S in einem dreidimensionalen Raum miteinander verbunden sind. Mathematisch formuliert lautet das Theorem:

∫∂SF⋅dr=∫S(∇×F)⋅dS\int_{\partial S} \mathbf{F} \cdot d\mathbf{r} = \int_{S} (\nabla \times \mathbf{F}) \cdot d\mathbf{S}∫∂S​F⋅dr=∫S​(∇×F)⋅dS

Hierbei ist F\mathbf{F}F ein Vektorfeld, drd\mathbf{r}dr ein infinitesimales Linien-Element entlang des Randes und dSd\mathbf{S}dS ein infinitesimales Flächen-Element, das die Orientierung der Fläche SSS beschreibt. Das Theorem hat weitreichende Anwendungen in der Physik und Ingenieurwissenschaft, insbesondere in der Elektrodynamik und Fluiddynamik, da es es ermöglicht, komplexe Berechnungen zu vereinfachen, indem man statt über Flächen über deren Ränder integriert.

Markov-Zufallsfelder

Markov Random Fields (MRFs) sind eine Klasse probabilistischer Modelle, die in der Statistik und maschinellem Lernen verwendet werden, um die Abhängigkeiten zwischen zufälligen Variablen zu modellieren. Sie basieren auf dem Konzept, dass die Bedingungsverteilung einer Variablen nur von ihren direkten Nachbarn abhängt, was oft als Markov-Eigenschaft bezeichnet wird. MRFs werden häufig in der Bildverarbeitung, der Sprachverarbeitung und in anderen Bereichen eingesetzt, um komplexe Datenstrukturen zu analysieren.

Ein MRF wird durch einen Graphen dargestellt, wobei Knoten die Zufallsvariablen und Kanten die Abhängigkeiten zwischen ihnen repräsentieren. Die Wahrscheinlichkeitsverteilung eines MRFs kann durch das Produkt von Potenzialfunktionen beschrieben werden, die die Wechselwirkungen zwischen den Variablen modellieren. Mathematisch wird dies oft in der Form
P(X)=1Z∏c∈Cϕc(Xc)P(X) = \frac{1}{Z} \prod_{c \in C} \phi_c(X_c)P(X)=Z1​∏c∈C​ϕc​(Xc​)
dargestellt, wobei ZZZ die Normierungs-Konstante ist und ϕc\phi_cϕc​ die Potenzialfunktion für eine Clique ccc im Graphen darstellt.

Indifferenzkurve

Eine Indifferenzkurve ist ein Konzept aus der Mikroökonomie, das verwendet wird, um die Präferenzen eines Konsumenten darzustellen. Sie zeigt alle Kombinationen von zwei Gütern, bei denen der Konsument das gleiche Maß an Zufriedenheit oder Nutzen erreicht. Das bedeutet, dass der Konsument indifferent ist zwischen den verschiedenen Kombinationen dieser Güter.

Indifferenzkurven haben einige wichtige Eigenschaften:

  • Sie verlaufen nach außen, was bedeutet, dass mehr von einem Gut bei gleichbleibendem Nutzen zu einem höheren Gesamtnutzen führt.
  • Sie schneiden sich niemals, da dies eine Inkonsistenz in den Präferenzen des Konsumenten implizieren würde.
  • Die Steigung der Indifferenzkurve, auch als Grenzrate der Substitution (MRS) bezeichnet, gibt an, wie viel von einem Gut der Konsument bereit ist aufzugeben, um eine Einheit des anderen Gutes zu erhalten, ohne dass sich sein Nutzen ändert.

Mathematisch kann die MRS durch die Ableitung der Indifferenzkurve dargestellt werden, was zeigt, wie der Konsument die Güter gegeneinander eintauscht.

Stochastische Spiele

Stochastische Spiele sind eine Erweiterung der klassischen Spieltheorie, die Unsicherheiten und zeitliche Dynamiken berücksichtigt. In diesen Spielen interagieren mehrere Spieler nicht nur mit den Entscheidungen der anderen, sondern auch mit einem stochastischen (zufälligen) Element, das den Zustand des Spiels beeinflusst. Die Spieler müssen Strategien entwickeln, die sowohl ihre eigenen Ziele als auch die möglichen Zufallsereignisse berücksichtigen. Ein typisches Merkmal stochastischer Spiele ist die Verwendung von Zuständen, die sich im Laufe der Zeit ändern können, wobei die Übergänge zwischen Zuständen durch Wahrscheinlichkeiten beschrieben werden.

Die mathematische Formulierung eines stochastischen Spiels kann oft durch eine Markov-Entscheidungsprozess (MDP) beschrieben werden, wobei die Belohnungen und Übergangswahrscheinlichkeiten von den Aktionen der Spieler abhängen. Solche Spiele finden Anwendung in verschiedenen Bereichen, wie z.B. in der Wirtschaft, Ökonomie und Biologie, wo Entscheidungen unter Unsicherheit und strategische Interaktionen eine Rolle spielen.

Nyquist-Kriterium

Das Nyquist-Kriterium ist ein fundamentales Konzept in der Signalverarbeitung und Regelungstechnik, das beschreibt, unter welchen Bedingungen ein System stabil ist. Es basiert auf der Analyse der Übertragungsfunktionen von Systemen im Frequenzbereich. Das Kriterium besagt, dass ein geschlossenes System stabil ist, wenn die Anzahl der Umkreisungen, die der Nyquist-Plot der offenen Übertragungsfunktion um den Punkt −1-1−1 im komplexen Frequenzbereich macht, gleich der Anzahl der Pole der offenen Übertragungsfunktion im rechten Halbraum ist.

Um das Nyquist-Kriterium anzuwenden, wird der Nyquist-Plot erstellt, der die Frequenzantwort des Systems darstellt. Wichtige Punkte dabei sind:

  • Die Lage der Pole und Nullstellen des Systems.
  • Die Frequenzwerte, bei denen die Phase der Übertragungsfunktion −180∘-180^\circ−180∘ erreicht.
  • Die Anzahl der Umkreisungen um den kritischen Punkt −1-1−1.

Das Nyquist-Kriterium ist besonders nützlich, um die Stabilität eines Regelkreises zu analysieren und zu gewährleisten, dass das System auf Störungen angemessen reagiert.