ÔÖ Î µ ÛÖ Î Ø Ø Ó ÚÖØ ÖÔ Ø Ø Ó º ØØ Û Ö ÚÒ Ø Ò Ú ¼ ½ Ú ½ ¾ Ú ¾ Ú Ú ½ ÒÒ ÙÒØÓÒ Eº ÏÐ Ò Ø ÖÔ ÕÙÒ Ú ÛÖ Ú ¼ Ú ¾ Î ½ ¾ Ò E µ Ú ½ Ú º Ì ÛÐ ÐÓ Ø Ö Ø Ò Ð Ø ÚÖ

Similar documents
Ò ÓÛ Æ ØÛÓÖ Ð ÓÖ Ø Ñ ÓÖ ¹ ÙÐ Ö ÓÒ

É ÀÓÛ Ó Ý Ò ² Ö Ò ÁÒ Ö Ò «Ö ÓØ ÑÔ Ù ÔÖÓ Ð ØÝ ØÓ Ö ÙÒ ÖØ ÒØÝ ÙØ Ø Ý ÓÒ Ø ÓÒ ÓÒ «Ö ÒØ Ø Ò º Ü ÑÔÐ ÁÑ Ò Ð Ò Ð ØÖ Ð Û Ø Ò ½ Ñ Ø Ô Ö Ó Ù Ø º ÁÒ Ô Ö ÓÒ Ù Ø

Æ ÛØÓÒ³ Å Ø Ó ÐÓ Ì ÓÖÝ Ò ËÓÑ Ø Ò ÓÙ ÈÖÓ ÐÝ Ò³Ø ÃÒÓÛ ÓÙØ Ú º ÓÜ Ñ Ö Ø ÓÐÐ

ÈÖÓÚ Ò Ò ÁÑÔÐ Ø ÓÒ È É Ï Ö Ø ÐÓÓ Ø Û Ý ØÓ ÔÖÓÚ Ø Ø Ñ ÒØ Ó Ø ÓÖÑ Á È Ø Ò É ÓÖ È É Ì ÓÐÐÓÛ Ò ÔÖÓÓ ØÝÔ Ò Ð Ó Ù ØÓ ÔÖÓÚ Ø Ø Ñ ÒØ Ó Ø ÓÖÑ Ü È Üµ É Üµµ Ý ÔÔ

ÓÖ Ö ÛÓÖ Ò Ô Ö Ó ØÝ Ò Ø ÛÓÖ ÓÖ Ö Ø ÔÖÓÔ Ö ÔÖ Ü ÕÙ Ð ØÓ Ù Üº ÓÖ Ü ÑÔÐ ÓÖ Ö º Á ÛÓÖ ÒÓØ ÓÖ Ö Û Ý Ø ÙÒ ÓÖ Ö ÓÖ ÓÖ Ö¹ Ö º ÓÖ Ü ÑÔÐ ½¼ Ò = ½¼¼ ¼ Ö ÙÒ ÓÖ Ö

ÇÙØÐ Ò È Ý Ð ÓÒ Ø ÓÒ Ò ÓÙ Æ ÙÐ ÄÓÛ¹ Ò ØÝ Ð Ñ Ø À ¹ Ò ØÝ Ð Ñ Ø Ü ÑÔÐ ÜØ ÒØ ÓÒ ØÓÛ Ö ÐÑ Ö Ö Ñ ÒØ Ò

edges added to S contracted edges

ÝÓÒ ÀÝÔ ÖØÖ Ï Ø ÓÑÔÓ Ø ÓÒ Å Ø Ó Ï Ø ÓÙØ ÓÑÔÓ Ø ÓÒ ÀÙ Ò Ò Î ØÓÖ ÐÑ Ù Ô ÖØ Ñ ÒØ Ì ÒÓÐÓ ÍÒ Ú Ö Ø Ø ÈÓÑÔ Ù Ö Ö ÐÓÒ ËÔ Ò Ù º Ò Ú ØÓÖº ÐÑ Ù ÙÔ º Ù ØÖ Øº Ì Ò

½ ÁÒØÖÓ ÙØ ÓÒ ÒÓÑ ÈÓÖØ Ð Û ¹ ÒØ Ö Ø Ú ÓÑÔÙØ Ø ÓÒ Ð ÔÐ Ø ÓÖÑ ÓÖ Ø Ò Ð¹ Ý Ò Ñ Ò Ò Ó ÒÓÑ Ø º Ï Ñ ØÓ ÒØ Ö Ø Ø ÔÖ Ñ ÖÝ ÒÓÑ Ø ÙÒØ ÓÒ Ð ÒÓÛÐ Ò Ò ÐÝØ Ð ØÓÓÐ Û

Ì ÓÑÔÙØ Ð Ñ Ò ÓÒ Ó ÌÖ Ó ÁÒ Ò Ø À Ø ÊÙ ÐÐ Å ÐÐ Ö ÂÙÐÝ ¾ ¾¼¼ Ì Ö Ø ÓÙÖ Ø ÓÒ Ó Ø ÖØ Ð ÔÔ Ö ÔØ Ö Ó È º º Ø Ø Ø ÍÒ Ú Ö ØÝ Ó Ó ÙÒ Ö Ø ÙÔ ÖÚ ÓÒ Ó ÊÓ ÖØ Áº ËÓ

È Ö Ø ² ÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÓÖ Ñ È Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö ÒÓÛ ÓÙØ Ø ÔÖ Ú ÓÙ ÑÓÚ Ó ÓÔÔÓÒ ÒØ º º º Ð ¹ËØ Û ÖØ Ñ º ÁÑÔ Ö Ø Ò ÓÖÑ Ø ÓÒ ÈÐ Ý Ö Ó ÒÓØ ÒÓÛ ÓÙØ Û

½º»¾¼ º»¾¼ ¾º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼ º»¾¼» ¼» ¼ ÌÓØ Ð»½ ¼

Ó Ú ÐÙ Ö ÒÚÓÐÚ Ò ÖØ Ò Ô ÖØ Ó Ø ÔÖÓ Ö Ñµ Ò ØÓ ÐÔ Ø Ø ÔÖÓ Ö ÑÑ Ö Ñ Ø º ÁÒ Ø Ø ÐÐÝ ØÝÔ Ð Ò Ù Ø ØÝÔ Ö ÒÓØ Ò ÓÑ Ø Ò Ø Ø Ø Ô ÖØ Ò ÓÑÔÙØ Ø ÓÒ ÙØ Ö Ø Ö ÓÑ Ø Ò

½½ º º À Æ Æ º º Í Æ ÒÓØ ÔÓ Ø Ú Ñ ¹ Ò Ø ÙÒÐ Ø ÓÐÐÓÛ Ò ØÖÙ Ø Ö ÓÒ Ù ÔÖÓ Ð Ñ È ½ Û Ø Ò Ð ÐÐ ÓÒ ØÖ ÒØ Û Ó ÓÖÑ Ù Ø ØÓ Ñ Ò ¾Ê Ò µ ½ ¾ Ì Ì Ø Ì Ù ÔÖÓ Ð Ñ Ø Ð

x = x 1x 2 x (p-1)x x = 3 x = 3 x = 3 x = 3 0 x 1 x 2 x... (p-1)x

ËÌ Ä Å Ä Å ÌÁÇÆ ÂÓ Ò Ìº Ð Û Ò Ô ÖØÑ ÒØ Ó Å Ø Ñ Ø ËØ Ø Ø Ò ÓÑÔÙØ Ö Ë Ò ÍÒ Ú Ö ØÝ Ó ÁÐÐ ÒÓ Ø Ó Â ÒÙ ÖÝ ¾¼¼¼ Ø ØÓ Ø Ñ ÑÓÖÝ Ó ºÁºÅ Ð Úº ÁÒ ½ ÖÞ ÓÖÞÝ Û Ø Ö

ß ¾ ß ËÌÊ Ì ÌÓ Ò Ò Ø ØÓ Ø Ù Ó Ð Ñ ÒØ ÖÙÔØ ÓÒ Ò Ö ÓÒ Ø ÙÒ Û Ó ÖÚ Ð Ñ ÒØ Ø Ø ÖÙÔØ Ò Ø Ú Ö ÓÒ ÆÇ º Ì Ó ÖÚ Ø ÓÒ ÓÒ Ø Ó À«ÐØ Ö Ö Ñ Ø Ø Ö Û Ú Ð Ò Ø Ð Ò ÒØ Ö

ÇÙØÐ Ò ½ ¾ ØÖ ÙØ ÓÒ ² Ì Ò ÐÝ Ó Ö ÕÙ Ò ÔÔÐ Ø ÓÒ Ó Ø χ ¾ ËØ Ø Ø ÐÙÐ Ø Ò Ô Ú ÐÙ Ò ³ Ü Ø Ø Ø Ì ÓÒÚ ÒØ ÓÒ Ð Ú º Ø Ñ Ô ÓÔغµ È Ö ÓÒ Ò ËÔ ÖÑ Ò ÓÖÖ Ð Ø ÓÒ Ù Ò

ÁÒØÖÓ ÙØ ÓÒ Ì Ñ Ñ Ö Ó Ú Ò Ô ÓÖ Ù Ô µ Ú Ø Ñ Ò Ö Ð ØÙÖ ÓÒ Ø Ö Ó Ø Ô ØØ ÖÒº ÀÓÛ Ú Ö Ò Ú Ù Ð Ò Ñ Ð Ø ÓÛÒ Ø ÒØ Ñ Ö Ò º Ì Ô ØØ ÖÒ Ö ÒÓØ Ø ÖÑ Ò Ò Ø ÐÐݺ Ì Ý

½º Ò ÔÖÓÙÖ Ø Üµ ØØ ÖØÙÖÒ Ø Ø ÖÙÑÒØ ¼ ÓÖ ½ ÓØÖÛ º ÜÑÔÐ Ø ¼µ Ø Ø ½µ Ø Ø ¾µ Ø ³ µµ Ò Ø ÐÑ Üµ ÓÖ ÕÙÐ Ü ¼µ ÕÙÐ Ü ½µµµµ ¾

Communications Network Design: lecture 07 p.1/44

ÁÒØÖÓ ÙØ ÓÒ Ö ÙÑÙÐ ÒØ Ò Ã ÖÓÚ³ ÔÓÐÝÒÓÑ Ð Ä Ø Ù ÒÓØ Ý Ë Ò Ø ÝÑÑ ØÖ ÖÓÙÔ Ó ÓÖ Ö Òº ÁÖÖ Ù Ð Ö ÔÖ ÒØ Ø ÓÒ Ô ÖØ Ø ÓÒ λ Òº ÆÓÖÑ Ð Þ Ö Ø Ö Ú ÐÙ χ λ (µ) ÓÖ µ

Ð Ò ØÓ ØØ Ö Ò ÔÔÖÓÜ Ñ Ð ØÝ Ö ÙÐغ Ì ÓÙÖ Ô Ö Ñ ØÓÛ Ö Ø Ø Ö Ò ÔÔÖÓÜ Ñ Ð ØÝ Ö ÙÐØ Ò Ô Ö Ý Ø Ô Ô Ö Ó È Ô Ñ ØÖ ÓÙ Ò Î ÑÔ Ð ÓÒ ÌÖ Ú Ð Ò Ë Ð Ñ Ò ÔÖÓ Ð Ñ µ Ø

ÑÔÐ ÚÖ ÓÒ Ó Ý ³ ÊÙÐ Ù Ø Ò ÔÔÐØÓÒ Ó Ø ÒØÓÒ Ì ÓÒØÓÒÐ ÔÖÓÐØݺ Ó ÔÔÒ Ò Ø ÌÓ Ø ÐÓ ÒÓØ ØØ Ø ÒÙÑÖØÓÖ Ù Ø ÁÈ Ù Ø ÁÈ Ò Ø ÔÖÓÐØÝ Ó Ø ÔÖÓÐØÝ Ó ÒÓÑÒØÓÖ Ò ÓÖ ¾ Ò º

ÖÖ Ý ÒÑ ÒØ Ø Ø Ñ ÒØ Ö Ö ÓÖ ÒÝ Ð Ø¹ Ò Ð Ñ ÒØ Ö ØÓÖ º ÖÖ Ý ÓÖ Ù Ø ÓÒ Ó ÖÖ Ý Ò Ô Ý Ù Ò ØÖ ÔÐ Ø Ù Ö ÔØ º ØÖ ÔÐ Ø Ô Ö Ò Ò Ø ÓÖÑ ÐÓÛ Ö ÓÙÒ ÙÔÔ Ö ÓÙÒ ØÖ º Á

Ö Ô ÓÒ Ø Ó ØÛÓ Ø Î Ò ÒÓØ Ý Î µº Ë Ø Î Ò Ø ÒÓÒ¹ ÑÔØÝ Ø Ó Ú ÖØ ÓÖ ÒÓ µ Ò Ø Ó Ô Ö Ó Ú ÖØ ÐÐ º Ï Ù Î µ Ò µ ØÓ Ö ÔÖ ÒØ Ø Ø Ó Ú ÖØ Ò Ò Ö Ô Ö Ô Ø Ú Ðݺ ÅÓÖ Ò

0.12. localization 0.9 L=11 L=12 L= inverse participation ratio Energy

Ô ØÙ Ø Ò Ø ÔÐ Ò º Ì ÑÓ Ø ÑÔÓÖØ ÒØ Ø Ô Ò Ø ÔÖÓ ÙÖ Ø Ø ÖÑ Ò Ø ÓÒ Ó Ø ÙÒ ÒÓÛÒ ÓÑÔÓÒ ÒØ Ó Ø ÐÓÛÒ Ú ØÓÖ ØÓ Ø ÒÓÖÑ Ð Ò ØÓ Ø ÔÐ Ò º Ì ÔÖÓ Ð Ñ ÔÐ Ý Ò ÑÔÓÖØ ÒØ

ß ¾ ß ½º ÁÒØÖÓ ÙØ ÓÒ Ö Ñ ÒØ Ø ÓÒ ÙÖ Ò ÔÖÓØÓ Ø ÐÐ Ö ÓÐÐ Ô Û ÐÝ ÔØ ØÓ Ø ÔÖ Ñ ÖÝ Ñ ¹ Ò Ñ ÓÖ Ø ÓÖÑ Ø ÓÒ Ó Ò ÖÝ Ò ÑÙÐØ ÔÐ Ø Ö Ý Ø Ñ º º Ä Ö Ò Ö Ø Ðº ¾¼¼ Ò

Chapter 9. Trapezoidal Maps. 9.1 The Trapezoidal Map

ÓÒÒ Ø ÓÒ ØÓ Ñ ÞÓÒ Ú Ø Æ Ø Ô ÓÖ ÖÓÑ Û ÖÓÛ Öº ÌÓ Ú Û ËÌÄ Ð ÓÒ ÑÝ Ä ÒÙÜ Ñ Ò Á Ù Æ Ø Ò Å Ò Ö¹ ØÓÖº ÌÓ ÔÖÓ Ù Ø ÇÔ ÒË Ö ÔØ Á Ù ÇÔ ÒË Û Ø Ø³ ÒØ Ö Ø Ø ÜØ ØÓÖ

½º¾ Ò Ø ÓÒ Ì Ò Ó Ø ÓÚ ÕÙ Ø ÓÒ Ò ÓÖÑ Ð Þ Ý Ø ÓÐÐÓÛ Ò Ò Ø ÓÒº Ò Ø ÓÒ ½ È Ù Ó Ê Ò ÓÑ ÙÒØ ÓÒ Ñ Ðݵ Ñ ÐÝ ¾ ¼ ½ ¾Æ ÐÐ Ñ ÐÝ Ó Ð µ Ä µµ È Ù Ó Ê Ò ÓÑ ÙÒØ ÓÒ ¾

ÈÖÓÐÑ ½º ÄØ ÓÐÐØÓÒ Ó Ù Ø Ó ÒÓÒÑÔØÝ Ø Å Ù ØØ º Å ¾ º ¾ µ Ò ¾ º µ µ ÈÖÓÚ ØØ Ðº µ ½¾µ ÄØ Å Ò ÐØ Å µ ÚÒ Ø Ø ÛØ ¼ ¾ ÓÖ ÐÑÒØ º ËÓÛ ØØ ¹ Ý ØѺ Á Ø Ð ÆÓ ÏÝ ÐÐ

ÅÓ Ø Ü Ø Ò ÖÓ ¹ÓÚ Ö Ö ÓÙÖ ÔÖÓÚ ÓÒÐÝ ÐÐÓÛ Ö ÔÖ ÒØ Ø ÓÒ Ñ ÒØ ÇÚ ÖÚ Û ÛÓÖÐ ÔÔÐ Ø ÓÒ Ò Ö ÓÙÖ Û Ø Ö ÝÒØ Ø Ò ¹ Ê Ð Ö ÔÖ ÒØ Ø ÓÒ º Ñ ÒØ ÅÙ Ö Ö Ö ÔÖ ÒØ Ø ÓÒ Ö

ÁÒØÖÓ ÙØ ÓÒ ËØ Ø Ø Ð Ò ÐÝ ÓÖ Ö Ø Ø Ô ÖØ Ù¹ Ð ÖÐÝ ÓÖ ÔÖÓ Ð ØÝ ÑÓ Ð Ù Ø ÒÓ¹ Ñ Ð ÈÓ ÓÒ Ò ÑÙÐØ ÒÓÑ Ð Ý ÒÓÛ Ú ÖÝ Û ÐÐ ÙÒ Ö ØÓÓ Û Ø Û ÐØ Ó Ù Ø Ð Ó Ø¹ Û Ö º

deactivate keys for withdrawal

Ä Ü¹ÇÔØ Ñ Ð ÇÒ¹Ä Ò ÅÙÐØ Ð Ë ÙÐ Ò Û Ø À Ö Ð Ò ÖÙ À Ò È ÖÖ Ë Ö Ô ÖØÑ ÒØ Ó Ð ØÖ Ð Ò ÓÑÔÙØ Ö Ò Ò Ö Ò Ò Ø ÓÓÖ Ò Ø Ë Ò Ä ÓÖ ØÓÖÝ ÍÒ Úº Ó ÁÐÐ ÒÓ ÍÖ Ò ÁÄ ½ ¼½


Ò Û ÑÓÒ ØÖ Ø ÒÝ ÓØ Ö Ö Ð Ø ÓÒ Ô ÓÒ Ø ÒØ Û Ø Ø ÇÙÖ Ñ Ò Ö ÙÐØ Ø Ø Ø ÒÓÛÒ ÑÔÐ Ø ÓÒ Ö Ø ÓÒÐÝ ÓÒ ØÓ ÓÐ Ò Ú ÖÝ Ö Ð Ø Ú Þ ÛÓÖÐ º Ì Ø Û ÑÓÒ ØÖ Ø Ò ÓÖ Ð Ö Ð Þ

LCNS, Vol 1767, pp , Springer 2003

Cover Page. The handle holds various files of this Leiden University dissertation.

1 The Multinomial logit

ÄÈ ÈÖÓ Ò ÓÖ È Û Ä Ò Ö ÇÔØ Ñ Þ Ø ÓÒ Ò Ë ÙÐ Ò Ö Ð Ò À Ò Ð Ë ÓÙØ Á ¹È Ö ÁÑÔ Ö Ð ÓÐÐ º ÄÓÒ ÓÒ ËÏ ¾ ÍÒ Ø Ã Ò ÓѺ ¹Ñ Ð ½½ Ô Öº º ºÙ ØÖ Øº ÙÐ Ò ÔÖÓ Ð Ñ Û Ø Ô

Ú Ð Ð ÓÒÐ Ò Ø ØØÔ»» Ѻ Ö Ùº º Ö ÁÒغ º ÁÒ Ù ØÖ Ð Å Ø Ñ Ø ÎÓк ÆÓº ¾¼½½µ ½ ½¹½ ½ Ê Ò Ò ÍÒ Ø Ò Ý Í Ò Ø ÎÓØ Ò ËÝ Ø Ñ Åº à ÒÑÓ ÑÑ Êº ÐÐ Ò µ Ô ÖØÑ ÒØ Ó Å

ËÔ Ó ÓÙÒ Ó ÓÜÝ Ò Ò ÙÔ ÖÖ Ø Ð Ø Ø ÙÔ ØÓ ¼¼ Ã Ò ½¼¼ ÅÈ Ö Ø Ó Àº Ù Ö Å Ö Ù Ê ÔÓÐ ÐÑ Ö ÙÑ Ö Ò Â Ö Ò ÎÖ Ì ÖÑÓ ÝÒ Ñ Ò Ò Ö Ý Ì ÒÓÐÓ Ý ÍÒ Ú Ö ØÝ Ó È Ö ÓÖÒ ÖÑ


Ø ÑÔÐÝ Ù Ø Ø Ø Ø ÔÖÓÓ ÒÓÖÑ Ð Þ Ò Ø ËØÖ Ø ÓÙÒ Ø ÓÒ Ø Ø ÓÖÝ ÔÖ ¹ÑÓ Ð Û Ð Ú Ö ÒØ Ó Ø ÔÖÓÔÓ Ø ÓÒ Ò ØÓ ÔÖÓÚ Ò Ø ÓÖ Ò Ð ÔÖÓÓ º ÁØ ÛÓÖØ ÒÓØ Ò Ø Ø Ø ÓÖ Ò Ð ÒÓ

ÇÚ ÖÚ Û ½ ÁÒØÖÓ ÙØ ÓÒ ¾ Ý ¾¼½¾ Ò Ö Ð Þ Ö ÐØÝ ÅÓ Ð ÓÖ ÓÑ Ø Ý ¾

Ä ÖÒ Ò ÖÓÑ Ø Ö Ëº Ù¹ÅÓ Ø Ð ÓÖÒ ÁÒ Ø ØÙØ Ó Ì ÒÓÐÓ Ý Ä ØÙÖ ½ Ì Ä ÖÒ Ò ÈÖÓ Ð Ñ ËÔÓÒ ÓÖ Ý ÐØ ³ ÈÖÓÚÓ Ø Ç ² Ë Ú ÓÒ Ò ÁËÌ ÌÙ Ý ÔÖ Ð ¾¼½¾

Ø Ñ Ò Ò ÙØÙÑÒ ¾¼¼¾ Ò Ò Ö ÕÙ ÒØ ÐÓ µ Ø Û Ø ØÖ ØÖÙØÙÖ ½ ȹØÖ È¹ ÖÓÛØ ÄÇË Ì È¹ØÖ Ø ØÖÙØÙÖ È¹ ÖÓÛØ Ð ÓÖ Ø Ñ ÓÖ Ò Ò ÐÐ Ö ÕÙ ÒØ Ø ÄÇË Ì Ð ÓÖ Ø Ñ ÓÖ Ò Ò Ö ÕÙ

Fibonacci Overview. 1 Motivation. 2 Preliminary Ideas. 2.1 Common Definitions. 2.2 Fibonacci Numbers Defined

ÁÐÐÙ ØÖ Ø ÓÒÚ Ö Ò Ó ÙÒ ÖØ ÒØÝ Ø Ñ Ø Ý ØÛÓ Ü ÑÔÐ ½º ÐÙÓÒ ØÖ ÙØ ÓÒ Ø Q.½ Î ¾º ÒÐÙ Ú Ø Ö Ø Ó dσ dp T ½. Ì Îµ/ dp dσ T ½. ¼ Ì Îµ Ì ØÛÓ Ü ÑÔÐ Ö ÐÓ ÐÝ ÓÒÒ Ø

Ì ÐÑÓ Ø ÓÑÔÐ Ø ÙÔÛ Ö ÓÐÐ Ô Ó ÈÀ ÓÛÒ ØÓ È ÆÈ ½ Ü ÔØ ÓÖ Ø Ô ØÛ Ò È ÆÈ Ò ÈÈ ÆÈ º ÐÓ Ò Ø Ô Ñ Ø ÓÒ Û Ø ÔÖÓÓ Ø Ø È ÆÈ ½ È ÆÈ ¾ ØØ µ ÈÈ ÆÈ È ÆÈ º ÀÓÛ Ú Ö Ø Ô

U xt +6U 2 x +6UU xx +U xxxx = 3U yy

Plot A. Plot B. Plot D. Plot C

The Enigma machine. 1 Expert teams 25 mins. 2 Mixing the teams 30 mins. 3 Coding and decoding messages 1 period

Ñ Ò Ò Ð Û Ø ÓÑÔÐ Ü ¹ Ñ Ò ÓÒ Ð Ø º Ì Ñ Ò Ø Ø Ø Ø Ø ÓÑ Ò Ö ÒØ Ò Ó ØÖÙØÙÖ º ÓÖ Ü ÑÔÐ Ó Ø Ò Û ÒØ Ñ Ø Ó Ø Ø Ò Ð Ø Ò ÐÝ Ø ØÓ ÕÙ ÒØ ÐÐÝ ÜØÖ Ø ÑÔÐ ØÖÙØÙÖ ÇÒ Ø

ÓÖ Ø ÁÒØ Ð ÔÖÓ ÓÖ Ñ Ðݺ Ê Ö Û ÒØ Ò Ò Ö Ð ÖÓÙÒ Ò Ñ Ð Ö ÔÖÓ Ö Ñ¹ Ñ Ò ÓÙÐ ÓÒ ÙÐØ ÔÔÖÓÔÖ Ø Ø ÜØ ÓÓ Ò ÓÒ ÙÒØ ÓÒ Û Ø Ø ÔÖÓ ÓÖ Ö Ö Ò Ñ Ò¹ Ù Ð ÔÙ Ð Ý ÁÒØ Ð Ò

Ï Ó ØÖ Ù ÛÓÖÐ Ý Ù Ð Ø Ö Ø ÓÖ Ð Ö Ð Ø Ú ØÓ Û ÆÈ ËÈ ÊË Ó ÓØ Ú ÓÑÔÐ Ø Ø º Å Ö ÌÓÖ ÅÌ Ú Ö Ð Ø Ú Þ Ð ÔÖÓÓ Ø Ø ÓÔØ Ñ Ð ÔÖÓÓ Ý Ø Ñ Ü Ø Ø ÆÈ ËÈ ÊË Ó Ú ÓÑÔÐ Ø

ÓÒØ ÒØ ½ ÇÚ ÖÚ Û ½ ¾ Ö Ø ØÙÖ Ð Ö ÔØ ÓÒ ½ ¾º½ Ê Ø Ö º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½ ¾º¾ ÙÒ Ñ ÒØ Ð ÌÝÔ º º

Ø Ð ÙÒØÓÖ Ý Ð ÑÓÒ Á ÓÒ Ä Ö Ù Ø Ø Ø ÓÖ Ò Ð ÔÔÖÓÜ Ñ Ð Ñ Ô Ó Ò Û Ø Ø ÃÐ Ð ÑÓÖÔ Ñ º Ì Ù Ø Ø ÓÖÝ Ó Ò ÓÖÑ Ø ÓÒ Ý Ø Ñ ÓÑ Ø ÃÐ Ð Ø ÓÖÝ Ä Ö Á Ò Ø Ð ÙÒØÓÖ Ý Ð Ö

A = Y E B = W Y = 1 4

ÈÖÓÐÑ ½ ÄØ ½ ¾ ÖÒÓÑ ÚÖÐ ÛØ Ø Ü ½¾µ ¹ ØÖÙØÓÒ Ò ÑÒ ¾ººº ØÖÙØÓÒ ÖÖÒ Ø Ôº ½µº µ µ Ò ÒÓÒ¹ÖÒÓÑ Ò ¾ Ê Ò ¼ Ù ØØ Ë Ò È ½Ò Ø È Ë Ò Ò µ Ò Ü Üµ ÓÖ ÒÓÒ¹ØÖÚÐ ºº ÓÒ

Ø ÔÖ ÙÖ ØÝ Ö ÕÙ Ö Ñ ÒØ Ó ÙØ ÒØ Ø Ý Ø Ð Ñ Òغ Ë Ú Ö Ð ÓÒÖ Ø ÙÖ ØÝ Ò Ô Ö ÓÖÑ Ò ØØÖ ÙØ Ú Ò ÒØ Ö Ð º Ì ÙÒ Ñ ÒØ Ð ÙÖ ØÝ Ó Ð Ó Ý Ø Ð Ñ ÒØ ÔÖÓØÓÓÐ Ö ØÓ ÑÔÐ Ø


spike splinter spire spindle spear

¾ ÜÖ ½º ÊÐÐ ØØ Ø ØÖØ Ó ËÐØ Ä ØÝ ÓÖ Ø ÔÙÖÔÓ Ó ÅØ Öе Ö Ð ÓÙØ ÓÒ ÔÖØ Öº ËØÖØÒ Ø ÌÑÔÐ ËÕÙÖ Û ÞÖÓ ËÓÙØ Ò ÞÖÓ Øµ Ò ÓÛ ÑÒÝ ÛÝ Ò ÝÓÙ ØÖÚÐ Ø ØÖØ Ó ËÐØ Ä ØÝ Ò

3D Interaction in Virtual Environment

M 3 M 1 M 2 U 3 U 2. A 1 Generation 1. A 3 Generation 3 A 2. produce. Generation 2. Primary Linguistic Data. Linguistic Competence

Communications Network Design: lecture 16 p.1/41

½ ÁÒØÖÓ ÙØ ÓÒ Ê ÒØ Ö ÙÐØ Ò ÑÔÐ Ñ ÒØ Ø ÓÒ Ó Ø ÔÐ ÒÒ Ö ½ Ú Ö Ø Ò¹ Ø Ö Ø ÓÖ Ù Ø Ð ÔÔÐ Ð ØÝ Ó Ø ÔÐ ÒÒ Ò ÔÔÖÓ ØÓ Ñ ÒÝ Ö Ð ÛÓÖÐ ÔÖÓ Ð Ñ º ÍÒ ÓÖØÙÒ Ø ÐÝ Ø ÔÖ

ÓÖØÖ Ò ÓÖØÖ Ò = ÜØ Ò ÓÒ ØÓ Ø ÆËÁ ÇÊÌÊ Æ Ø Ò Ö º Ê ÔÓÒ Ð ØÝ Ñ Ö Ò Æ Ø ÓÒ Ð ËØ Ò Ö ÁÒ Ø ØÙØ ÆËÁ  µ ÁÒØ ÖÒ Ø ÓÒ Ð ÇÖ Ò Þ Ø ÓÒ ÓÖ ËØ Ò Ö Þ Ø ÓÒ ÁËÇ»Á ÂÌ

ÌÖ ÓÒÓÑ ØÖÝ ÌÖ ÓÒÓÑ ØÖÝ Ð Û Ø Ö Ð Ø ÓÒ Ô ØÛ Ò Ò Ò Ð Ó ØÖ Ò Ð º ÁØ Û ÔÔÐ Ø ÓÒ Ò Ô Ý Ò Ò Ò Ö Ò º Ì ØÖ ÓÒÓÑ ØÖ ÙÒØ ÓÒ Ö Ö Ø Ò Ù Ò Ö Ø¹ Ò Ð ØÖ Ò Ð º C Ì Ç

This is an author produced version of Even-hole-free graphs part II: Recognition algorithm.

ÙÖ ¾ Ë Ð Ø ÔÔÐ Ø ÓÒ ¾ ¾

ÁÒØÖÓ ÙØ ÓÒ Î Ø Ð Ø Ö ØÙÖ ÓÒ ÑÔ Ø Ó Ù ØÑ ÒØ Ò Ø Ð Ø ÓÒ ÔÓÐ ÓÒ ÔÓÚ ÖØÝ ÙØ Ù Ø Û ÓÒ Ø ÑÔ Ø Ó Ô Ñ ÖÓ ÓÒÓÑ ÔÓÐ º ØØ Ö ÒÓÛÐ ÓÙØ ÔÖÓ¹ÔÓÓÖ Ñ ÖÓ ÔÓÐ Ò Ø Ñ ÒØ

Ë ÑÙÐ Ø ÓÒ ÙÖ ØÝ Ò Ø ÔÔÐ Ô ÐÙÐÙ ËØ Ô Ò Ð ÙÒ ËØ Ú ÃÖ Ñ Ö ÇÐ Ú Ö È Ö Ö ÓÖÑ ÖÝÔØ ½»¼»¾¼¼

Ë ÁÌÇ ÌÓ Ó ÍÒ Ú Ö Øݵ Ç ¼ Ô Û Ö ÙÒÓ Ø Ò Ð Ä Ò ÙÖ ÖÝ ÓÒ ÒÓØ Ý ÛÓÖ Û Ø Ã ÞÙ ÖÓ Á Ö Ó ÒØ Ë Ò ÝÓ ÍÒ Ú Ö Øݵ Ç

ÙÒØ ÓÒ Ò Ø ÓÒ ÙÒØ ÓÒ ÖÓÑ ØÓ ÒÓØ Ö Ð Ø ÓÒ ÖÓÑ ØÓ Ù Ø Ø ÓÖ Ú ÖÝ Ü ¾ Ø Ö ÓÑ Ý ¾ Ù Ø Ø Ü Ýµ Ò Ø Ö Ð Ø ÓÒ Ò Ü Ýµ Ò Ü Þµ Ö Ò Ø Ö Ð Ø ÓÒ Ø Ò Ý Þº ÆÓØ Ø ÓÒ Á

ÓÒØ ÒØ ¾

ÓÖÑ Ð Þ Ø ÓÒ Ó ÐÓ ÙÖ ÔÖÓÔ ÖØ ÓÖ ÓÒØ Üع Ö Ö ÑÑ Ö Å ÖÙ Î Ò Ù Å Ò Ê ÑÓ Í È»ÍÆÁÎ Ë Ë ÔØ Ñ Ö ¼ ¾¼½ ÑÚÑÖ ÒºÙ Ô º Ö Ñ ÖÙ ºÖ ÑÓ ÙÒ Ú º Ùº Ö Å ÖÙ Ê ÑÓ Í È»ÍÆÁ


ÁÒØÖÓ ÙØ ÓÒ Ö ÔØ Ú ËØ Ø Ø ÁÒ Ö ÒØ Ð ËØ Ø Ø ÀÝÔÓØ Ø Ø Ò ¹ Ô Ú ÐÙ Ø ÖÑ Ò Ø ÓÒ Ó ÑÔÐ Þ ËÙÑÑ ÖÝ Ä ÖÒ Ò Ó¹ Ø ÖÑ Æ ÙÝ Ò Ì ÌÙ Î Ò ½ Æ ÙÝ Ò ÉÙ Ò Î Ò ¾ ½ ÍÒ Ú

¾ ÓÖÔÙ Ôк ÓÖÔÓÖ µ ÓÖÔÙ ÓÐÐ Ø ÓÒ Ó Ø ÜØ µ ÓÖ ÙØØ Ö Ò ½¼ Ø ÒÝ ½¼ Ö ÓÒ Ð ½¼ ½¾ ÙÖÖ ÒØ Ð Ð Ñ Ø ÓÖ ÙÒ ÒÒÓØ Ø Ø Ì ÑÓ Ø Ú ÐÙ Ð ÓÖÔÓÖ Ö Ø Ó Ø Ø ÓÙÖ Ò ØÙÖ ÐÐÝ

ÇÙØÐ Ò ÁÒØÖÓ ÙØ ÓÒ Ï Ø Ñ Ø Ñ Ø ËÓÑ Ø ÒÓ Ö Ô Ú Ò ÒÓØ Ö ÓÖ ÓØØ Ò ØÖ Ó ÙÑ Ò ØÝ Ð Ö Ò ØÙ Ý Ñ ÖÓÖ Ä Ø Ò Ö Ø Ø Ø ÑÓÒ ÖÓÑ ÓÖÑ Ö Ð Ö Ò Ï Ø Ñ Ø Ñ Ø Ê ÄÄ Á Ô ÓÔ

½º ÌÖ ÙØÓÑØ

Ì Ö Ö Ü ÑÔÐ Ó ÒØ Ô Ø ÓÒ Ð Ò Ù Ø Ø ÔÖÓÚ ÓÓ ÙÔ¹ ÔÓÖØ ÓÖ Ô Ý Ò ÒØ Ý Ø Ñ ÒÐÙ Ò Ø ÒØ Ö Ø ÓÒ ØÛ Ò ÒØ º ÒØ ¾ Ò ÒعÓÖ ÒØ ÜØ Ò ÓÒ ØÓ Ç Ø¹ Û ÒÐÙ ÓÒ ÔØ Ù ÖÓÐ ÒØ

ÓÖÑ Ð ÓÒ ÔØ Ò ÐÝ Ò Ö Ö ÓØ ÖÛ ØÓ Ò ØÓ ÔÖÓ Ò Ó Ô Ø Á Ë ÓÒ Ö Ò º Ì Ö Ö Ö Ð Ø ÔÔÖÓ ØÓ Ø ÓÚ Ø Ø ÔÖÓ Ð Ñº ÓÖ Ò Ø Ò Ø ÓÒ ÔØ Ó Ú ÖØÙ Ð ÓÐ Ö Û ÒØÖÓ Ù Ò ÔÖÓ Ö Ñ

Ë Ñ ÒØ Ø ÓÒ Ð ÓÖ Ø Ñ ÓÖ Ø ÓÑÔ Ö ÓÒ Ó ÀÙÑ Ò Ä Ñ ÌÖ ØÓÖ Å Ö ÈÓÑÔÐÙÒ ½ Ò Å Âº Å Ø Ö ¾ ½ Ô ÖØÑ ÒØ Ó ÓÑÔÙØ Ö Ë Ò ÓÖ ÍÒ Ú Ö ØÝ ¼¼ à РËØÖ Ø ÌÓÖÓÒØÓ ÇÒØ Ö Ó

ÏÐÝ ËÓÒÓÖÖ ÏËË ÐÓ ÛØ ËÙ ÓÖ µ ÑÓÒ Üº Ü Ü ¾ µ Ü ¾ µ ËØ ÐØÝ Ð ÄÓ ÛØ ÚÖÐ ÓÒ ØÖÒ Ó ÐÔØ Ò ÚÖÐ ÓÒ Ø ÓÒ Ø ØÖÒ ÝÑÓÐ ¾

In Proceedings of 10th International Conference on Database and Expert Systems Applications (DEXA 2000), Greenwich, UK, September 4-8, 2000.

ËØÖÙØÙÖ ½ Î Ö ÐÙ Ø Ö ¹ Ò ÒØÖÓ ÙØ ÓÒ ¾ Ì Ø Ì ÈÙÞÞÐ Ì Á ÓÒÐÙ ÓÒ ÈÖÓ Ð Ñ Å Ö ¹ÄÙ ÈÓÔÔ ÍÒ Ä ÔÞ µ È Ö Ø È ÖØ ÔÐ ¾¼º¼ º½ ¾» ¾

º Ê Ü Ú ØÝ Ó ¹ Ò Ó¹ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½ º ÇÙÖ ÈÖÓÔÓ Ð Ò ÇØ Ö Ä Ò Ù º º º º º º º º º º º º º º º º º º º º

Extreme Values. Statistical Analysis Using R. Markov Processes and Applications. Markov Processes and Applications. Lee Fawcett David Walshaw

Degradation

Z=102 Z= Z=98 Z= Z=94 Z=92

ÇÒ Ø ÈÓÛ Ö Ó ÓÑÔÙØ Ø ÓÒ Ð Ë Ö Ø Ë Ö Ò Îº Î ÒÓ ½ ÖÚ Ò Æ Ö Ý Ò Ò ¾ ú ËÖ Ò Ø Ò ¾ Ò º È Ò Ù Ê Ò Ò ¾ ½ Ä ÓÖ ØÓÖÝ ÓÖ ÓÑÔÙØ Ö Ë Ò Å Ù ØØ ÁÒ Ø ØÙØ Ó Ì ÒÓÐÓ Ý

dis.08 dis.09 dis.10 dis.11

Á Ù Ë Ô Ö Ø ÓÒ ÒØÓ ËØÖ Ø Ý Ô Ú ÐÙ Ø ÓÒ ÓÖ Ö Ø ÖÑ Ò Ú ÐÙ Ø ÓÒ Ô Ú ÐÙ Ø ÓÒ ÔÖÓÔ Ö Ó Ø ØØÖ ÙØ Ò Ø Ò Ö Ø Ý Ø Ú ÐÙ Ø ÓÒ ØÖ Ø Ýº ÓÑÔÐ Ü ØÝ Ó Ò Ö Ø ÓÒ ÊÙÒØ Ñ

Question A n um b er divided b y giv es the remainder. What is the remainder 5 if this n um b er is divided b y? answer 3

Transcription:

ÙÐÖÒ ÖÔ

ÔÖ Î µ ÛÖ Î Ø Ø Ó ÚÖØ ÖÔ Ø Ø Ó º ØØ Û Ö ÚÒ Ø Ò Ú ¼ ½ Ú ½ ¾ Ú ¾ Ú Ú ½ ÒÒ ÙÒØÓÒ Eº ÏÐ Ò Ø ÖÔ ÕÙÒ Ú ÛÖ Ú ¼ Ú ¾ Î ½ ¾ Ò E µ Ú ½ Ú º Ì ÛÐ ÐÓ Ø Ö Ø Ò Ð Ø ÚÖØ ÓÒº ÈØ ÛÐ ÛÖ ÚÖÝ ÚÖØÜ ÓÙÖ Ø ÑÓ Ø ÓÒº ÝÐ ÐÓ Ôغ

ÛÐ Ò Ø ÖÔ Î µ ÐÓ ÛÐ ÙÐÖÒ ÜØÐÝ ÓÒº ÓÚÖÒ ÖÔ ØØ ÒÓÒ¹ÐÓ ÛÐ ÓÚÖÒ ÓÒ ÐРѹÙÐÖÒº ÜØÐÝ ÛÐйÒÓÛÒ Ð Ó ÔÙÞÞÐ ÖÛ Ø ÙÖ ÛØÓÙØ Ö ¹ Ø ÔÒ ÖÓÑ Ø ÔÔÖ Ò ÓÚÖÒ ÐÒ ÜØÐÝ Ò ÙÐÖÒ ÖÔ ÖÔ ÛØ ÙÐÖÒ Ûк ÓÒº

¾ ½¾ ½ ½ ½¼ ½½ ¾ ¾ ¾ ½¼ ½ ½

ÇÖÒÐ ÔÖÓÐÑ

Ò ÖÔÖ ÒØ ÙÒÓÒ Ó ¹Û ÒÓÒ¹ µº ÝÐ º ÒØÖ ØÒ ÌÓÖѺ ÄØ Î µ ÓÒÒØ ÖÔº Ì ÓÐÐÓÛÒ Ö ÕÙÚÐÒØ µº ÙÐÖÒ ÖÔº µº ÐÐ ÚÖØÜ Ö Ó Ö ÚÒº

ÛÐ È ÒØÖ Ú ÓÑ ÒÙÑÖ Ó ØÑ Ò Ð Ó ÜØ Ì Ø Ñ ÒÙÑÖ Ó ØÑ º ÌÙ Ø ÒÙÑÖ Ó Ó Ø Ø ÓØÖ Ò È ÙÐÖÒ ÛÐ ØÙ Ø Ó ÇÒ ÒÒØ ÛØ Ú Ö ÜØÐÝ ÐÐ Ø Ó ÒÒØ È Proof µµ µº ÄØ È ÓÑ ÙÐÖÒ ÛÐ Ó Ò ÐØ Ú ¾ Î º È ÒÒØ ÛØ Ú ÚÒ Ò ÐÓÓÔ Ö ÓÙÒØ ØÛµº ÛØ Úº

¼º ÌÒ ÙÒÓÒ Ó ¼ Ô ÓÒ Ó º º º º º ØÑ ¼º ËÒ ÓÒÒØ ÐÐ Ø ÚÖØÜ Ö ËØÔº ÔÓ ØÚº ÑÙ Ø ØÓÖÑ ÖÓÑ Ø ÔÖÚÓÙ ÐØÙÖ ØÖ ÝÐ Í Ò Ò º ÌÓÖѺ Á ÐÐ Ø ÚÖØÜ Ö Ò ÖÔ Ö Ø Ð Ø ¾ ØÒ ØÖ Proof µµ µº ÁÒÙØÓÒ ÓÚÖ º ÓÖÒ ØÓ µ ÐÐ Ø ÚÖØÜ Ö Ö ¾º ÝÐ Ò Ø ÖÔº

ÐÐ Ø Ó ÖÓÑ ÖÔ ÐØ Ø ÖÑÒÒ ÐØ ¼ º ÖÔ À ½ À Ø ÓÒÒØ ÓÑÔÓÒÒØ Ó ÖÔ ¼ º ÄØ ÝÔÓØ ÑÔÐ ØØ Ó ØÑ Ò ÖÔ¹ ÁÒÙØÓÒ ÙÒÓÒ Ó ¹Û ÒÓÒ¹ÒØÖ ØÒ ÝÐ º Ö ÒØ Ø ÝÐ ØÓ Ø ÙÒÓÒ Ó Ø ÖÔÖ ÒØØÓÒ Ò ¼ Ð ØÒ Ò ÐÐ Ø ÚÖØÜ Ö Ö ØÐÐ ÚÒº Û Ú ÓØÒ Ø ÖÕÙÖ ÖÔÖ ÒØØÓÒ ÓÖ º

ÙÑ ØØ ÚÖÝ ÝÐ ½µ ÓÑÑÓÒ ÏºÐºÓº ÛØ ÓÑ ÝÐ µº ÚÖØÜ ÛÐÐ ÒÓÛ ÓÒ ØÖÙØ ÐÓ ÛÐ È ½ È Ò Ó ØØ Ï ÓÚÖ Ó Ø ÝÐ ½ ÜØÐÝ ÓÒ È Proof µµ µº ÄØ ½ ¾ Ò ÛÖ ½ Ò Ö ÝÐ º Á Ò ½ Ø ÐÑ ÐÖº ÙÑ Ò ¾º Ò Ó ÒÓØ ÓÚÖ ÒÝ ÓØÖ º

ÅÓÚ ÐÓÒ Ø ÛÐ È ½ ÄØ Ø ÐÓ ÛÐ È ½ Ø ÝÐ ½ º ÓÒ ØÖÙØ Ø ÛÐ È ÓÒ Ø ÛÐ È ½ ÓÐÐÓÛ º ÙÒØÐ Û Ø ÚÖØÜ Ð Ó ÔÖ ÒØ Ò Ø ÝÐ º ÓÐÐÓÛ Ø ÝÐ ØÖØÒ Ò Ò Ò Ò ÚÖØÜ Úº ÅÓÚ ÐÓÒ Ø Ö Ø Ó Ø ÛÐ È ½ º Ì ÛÐ È Ò ÙÐÖÒ ÓÒ Ò ÖÔ º

ÔÖÓÓ Ú Ò ÐÓÖØÑ ÓÖ ÒÒ ÙÐÖÒ ÝÐ Ì ÙÐÖÒ ÖÔ Ò ÓÒ ØÖÙØ ÓÒ Ó Ø ÝÐ Ý º ÅÓÚ ÐÓÒ Ø Ó ÙÒØÐ Û Ö ÓÑ ÈÖØØÓÒ Ø Ó Ø ÓÒÒØ ÓÑÔÓÒÒØ Ó ÛØÓÙØ µ ØÓ ÝÐ º ÓÒ ØÖÙØ ÙÐÖÒ ÛÐ ÓÛÒ Ò Ø ÔÖÚÓ٠к ÈÖØØÓÒ µ ÒØÓ ÝÐ º ÚÖØÜ ÓÖ Ø ÓÒ ØѺ ÊÑÓÚ Ø Ó ÖÓÑ ÖÔ º ÇÙØÔÙØ Ø ÝÐ Ò Ø ÝÐ º

½ ¾

¾ ½

½¼ ¾ ½ ½½ ½¾

ÓÒÒØ ÖÔ Ñ¹ÙÐÖÒ Ø ÓÖÓÐÐÖݺ ÜØÐÝ ØÛÓ ÚÖØ ÛØ Ó Öº ÖÔ Ì ÖÔ Û ÓØÒ ÙÐÖÒ Ü È Ý Ü ÙÐÖÒ Ò Ø ÓÖÒÐ ÖÔ Ü Ò Ý Ú Ó Ö Ò ÀÒ Ø ÓØÖ ÚÖØ Ú ÚÒ Ö º ÐÐ Proof µº ÄØ Ü È Ý ÛÐ Ò ÓÚÖÒ Ó Ø Ó ÜØÐÝ ÓÒº Ò ØÓ Ó ØØ E µ Ü Ýº Ûе ØÙ ÐÐ Ø ÚÖØÜ Ö Ö ÚÒº

Ö ÙÐØ ÐÐ Ø ÚÖØÜ Ö ÓÑ ÚÒ ØÙ ØÖ ÙÐÖÒ ÛÐ È º Ü Ø ÙÑ ØØ Ø Ð Ø Ò Ø ÛÐ º ʹ ϺкӺ Ø ÖÓÑ È Û ÓØÒ Ø ÖÕÙÖ Ûк ÑÓÚÒ Ò ØÓÒÐ Ò Ø ÙÐÖÒ ÛÐ Ò ÖÓÔ ÖÓÑ Øº ØÒ Proof º ÄØ Ü Ò Ý Ø ØÛÓ ÚÖØ Ó ÚÒ Ó Öº Ò ØÓ Ó ØØ E µ Ü Ýº Ì ÔÖÓÓ Ú Ò ÐÓÖØÑ ÓÖ ÒÒ Ù ÛÐ

ÐÓÖØÑ ÓÖ ÒÒ ÙÐÖÒ ÛÐ Ò Ùй ÐÙÖݳ ÖÔ Î µ ÖÒ È ÒÝ ÚÖØÜ Ù ¾ Î Ø Ö Ø ÓÒ Ò Ø Ûк ÄØ ½º ¼ Ò Ú ¼ Ùº È Ò ÒÒØ ÛØ ÚÖØÜ Ú Ø ØÓ Ø ¾º Ò ÐØ Ø ÖÓÑ Ø ÖÔ º ÄØ Ú ½ Ø ÛÐ Á Ö Ô Ø ÓÒÐÝ ØÖ ÒÓ ÓØÖ ÐØÖÒØÚº ÓØÖ ÒÔÓÒØ Ó Ò ÐØ ½º º ÊÔØ Ø Ð Ø ØÔ ÙÒØÐ ÐÐ Ø Ö Ðغ

ÐÙÖݳ ÐÓÖØÑ ÓÖÖØ ºº Ø ÛÐÐ ÐÛÝ ÌÓÖѺ Ù ÙÐÐÝ Ò ÔÖÓÙ ÙÐÖÒ Ûеº ÖÙÒ ÐÐ Ø ÒÒØ Ðغ ÓÒ ÖÒ Ø ØØ Ö Ø ÓÚÓÙ ØØ Ú Ò Ùº ÚÖØÜ Ú ØÓ ÓÛ ØØ Ø ØØ ÑÓÑÒØ ÐÐ Ø Ö Ï Ðغ Ì ÐÓÖØÑ ÔÖÓÙ ÓÑ ÛÐ È ØÖØÒ ÖÓÑ Proof. Ø ÓÑ ÔÓÒØ Ø ØÓÔ Ù Ø Ö ÚÖØÜ Ú Ò Ùº

Ø ÖÔ ÖÑÒÒ Ó ØÖ ØÔ º ÌÒ ÄØ ¼ Ò ½ ÓÒØÒ ÓÒ Ð ØÒ Ø ÖÔ ØØ Ø Ö Ó ÐÐ Ø ÚÖØ Ó ÜÔØ ÓÖ ÆÓØ Ù Ò Ú µ Ö ÚÒº Á Ù Ú ØÒ Ð Ó Ùµ ÔÓ ÐÝ ÛÐÐ ÓÛ ØØ ÐÐ Ø ÖÑÒÒ ÓÒÒØ ÓÑÔÓÒÒØ Ï Ö ÓÐØ ÚÖØ º Ó ÛÐÐ Ù ÒÙØÓÒ ÓÚÖ º Á ¼ ØÒ ¼ À ¼ Ï ¼ ÓÒÐÝ ÓÒ ÓÒÒØ ÓÑÔÓÒÒØ ØÙ Ø ÐÑ Ò º ÄØ À Ø ÓÒÒØ ÓÑÔÓÒÒØ Ó ÓÒØÒÒ Ø ÚÖØÜ Ùº ÚÒº Á Ù Ú ØÒ Ùµ Ò Ú µ Ö Óº ÓÐ º

Ø ÐÑ ÓÐ ÓÖ º ÓÒ Ö Ö Ø Ø Ù Ú º ÄØ ÓÖÖ ØÓ Ú Ø ÔÖÓÓ ÓÖ ½ Ø ÒÓÙ ØÓ ÔÖÓÚ ÁÒ ØØ ØÖ Ø ÑÓ Ø ÓÒ Ö ÒÒØ ÛØ Ú Á Ó ØÒ Û Ö ÓÒ Ù Ø ÓÒÒØ ÓÑÔÓ¹ Ó ½ Ö Ø ÓÐÐÓÛÒº ÒÒØ Á Û ÐØ ÒÓÒ¹Ö Ø ÓÒÒØ ÓÑÔÓ¹ ÒÓØ Òº ÒÒØ Á Û ÐØ Ö Ø Û Ø Ð Ø ÒÒØ Ú º Ì ÓÑÔÓÒÒØ À Ú ÒØÓ ØÛÓ ÒÛ ÛØ Ú Ò À ½ À ÒÚº Ì Ö Ø ÓÒ ÓÑÔÓÒÒØ ÓÐØ ÚÖØÜ Ø ÓÒ ÓÒ ÓÒØÒ ÚÖØÜ Ò Ò Ø ÖÔ º Ùº

À Ú ÌÖ Ü Ø Ò ÒÒØ ØÓ Ú ÓÑÔÓÒÒØ Ó À ÒÓØ ÓÒØÒÒ Ú Ó ÓÒÒØ ÓÒØÒ Ù ØÖº ÒÓØ ÌÖ ØÓ Ü Ø ÒÓØÖ ÚÖØÜ Û Ó Ã Ó ØØ Ã Ûµ Óº Ø Ø Ñ ØÑ Ã Ûµ À Ûµ Á Ø Ð Ø ØÛÓ Ö ÛÖ ÒÒØ ØÓ Ú ØÒ Ù Û Ü Ã Ù ØØ Ø À ܵ ÚÒº Ì٠à ܵ Óº Ò Ø ØÓ ÚÒº

Ù Ú Ø ÒÓÙ ØÓ ÓÛ ØØ ØÖ Ö ÒÓ Ö Á ÛØ Ù ºº Ò ½ Ú Ø Ñ ÓÒÒØ ÒÒØ À Ù Ú ÓÑÔÓÒÒØ º Á Ù ÛÓÙÐ Ú Ò ÒÒØ Ö Û Ü Ã ØÖ ÛÓÙÐ Ò Ü Ø ÚÖØÜ Û ÛØ Ó Öº

Let the edges of the graph Î Eµ have non-negative weights ( lengths ). Let the function Û Ê give the lengths. If È ½ ¾ È ½ Û µ be its length. is a walk then let Û È µ Chinese postman problem (Hiina postiljoniprobleem) (CPP): find the closed walk of minimum length that passes each edge at least once. Obviously, if is Eulerian the the solution to CPP is any Eulerian walk.

Tasks that reduce to CPP (or its variants): Routing postmen, garbage trucks, snowplows, etc. Checking the transportation routes (highways, railways, power lines, etc.) Optimizing the testing strategies of state automata (e.g. UIs) A test: does the system in state go to state after the action?

Let a pseudo-eulerian walk be a closed walk that passes through all edges of a graph at least once. CPP is looking for a pseudo-eulerian walk of minimum length. Let È be a pseudo-eulerian walk in the graph. Define the graph È Î È E È µ as follows: È µ ½ È, E È µ µ E µ, where È is the number of occurrences of in È.

Proposition. È is an Eulerian graph for any graph and pseudo-eulerian walk È. Proof. Replace the -th occurrence of an edge È in with µ. This gives an Eulerian walk in È.

In the other direction, let Æ. Define Î E µ, as follows: µ ½ µ, E È µ µ E µ, If µ ¼ for all ¾ and is an Eulerian graph then each Eulerian walk in in. defines a pseudo-eulerian walk The lengths of all pseudo-eulerian walks resulting from are equal. they equal È ¾ µû µ.

Proposition. In the solution to CPP, no edge occurs more than twice. È Proof. Let be the solution to Î CPP in Eµ. Assume ¾ the opposite:, Ò È such that. Consider the graph È. It is an Eulerian graph. Remove and from Òµ Ò ½µ È, giving. It is still an Eulerian graph ¾ and ½µ µ. ¾ For all, contains at least one copy of. Hence an Eulerian walk in is a pseudo-eulerian walk in. The cost of such a Û È µ ¾Û µ Û È walk is µ. A generalization:...

Proposition. È Let be a solution to CPP Î in Eµ. µ È Let ½. Then does not contain cycles. Proof. Assume that the graph contains a cycle. Let ¼ µ È. Then ¼ µ ¼ for any ¾. ¼ is an Eulerian graph, giving pseudo-eulerian walks in with the cost Û È µ Û µ.

Theorem. Let Î Eµ a graph and let Î Î be the set of vertices of odd degree in. The Î set can be partitioned to Î Ù pairs Ú ½ Ù ¾ Ú ¾ Ù Ò Ú Ò ½ ; (let È be the shortest path from Ù to Ú ) such that an edge occurs twice in a CPP solution È for iff this edge belongs to one of È ½ È Ò. In other words, the edges of (from the previous proposition) are made up of È ½ È Ò.

Proof. Consider this graph. Then Úµ Úµ ÑÓ ¾µ for any Ú ¾ Î, because Úµ È Úµ Úµ and È is Eulerian. Let ¼ and Ò Î ¾. For all ¾ ½ Ò define let Ù Ú ¾ Î be two vertices of odd degree in the same connected component of ½ ; let È be a path from Ù to Ú in ½ ; let be a graph obtained from it the edges È of. ½ be removing from

In, the degrees of Ù and Ú are even and the parity of degrees of other vertices did not change from ½. In Ò, all vertices have even degree. Consider a connected component of Ò. If it is not an isolated vertex, then it contains a cycle. The same cycle exists in. This contradicts the last proposition. Hence Ò contains no edges. We have partitioned the edges of to Ò paths. È is the solution to CPP, hence these paths must be of minimal length between their endpoints.

Algorithm for solving CPP in the graph Î Eµ: 1. Find the pairwise distances between all vertices in Î Î. It makes sense to use e.g. Floyd-Warshall algorithm to find the pairwise distances between all vertices. Find the corresponding shortest paths, too. 2. Partition Î to pairs Ù Ú in such a way, that the summary length of distances between Ù and Ú is as small as possible. This can be done in polynomial time. We might see an algorithm in one of the following lectures. 3. Augment with a copy of edges on some of the shortest paths between Ù and Ú. Find an Eulerian walk in the resulting graph.

Example: f 1 6 b 3 2 g 4 4 5 1 5 e 3 6 c a d Distances between vertices of odd degree: 2 b d f g b X 6 6 4 d 6 X 7 5 f 6 7 X 2 g 4 5 2 X The pairs and give the minimum summary length.

The solution to CPP is an Eulerian walk in the graph a f 1 6 b 3 2 g 4 4 5 1 5 e 3 6 c d 2