Modul

KOGA - Kombinatorische Optimierung und Graphenalgorithmen

Master Technische Informatik 2020

PDF Studiengangsverzeichnis Studienverlaufspläne Master Technische Informatik

Version: 1 | Letzte Änderung: 25.01.2020 18:05 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Randerath

Anerkannte Lehrveran­staltungen KOGA_Randerath
Dauer 1 Semester
ECTS 5
Zeugnistext (de) Kombinatorische Optimierung und Graphenalgorithmen
Zeugnistext (en) Combinatorial Optimization and Graph Algorithms
Unterrichtssprache deutsch
abschließende Modulprüfung Nein
Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
LO1 - Die Studierenden sind in der Lage Verfahren und Konzepte der Graphentheorie und der Kombinatorischen Optimierung zur Beschreibung und algorithmischen Lösung von Problemstellungen der Informatik, der Technik und des täglichen Lebens anzuwenden.

Sie haben die Fertigkeit Verfahren und Konzepte der Graphentheorie und der Kombinatorischen Optimierung zur Beschreibung und algorithmischen Lösung von Problemstellungen der Informatik, der Technik und des täglichen Lebens anzupassen.

Sie können algorithmische Denk- und Arbeitweisen wie Komplexität von Problemklassen, Effizienz von Algorithmen und Approximation, die sie induktiv an Optimierungsaufgaben in Netzwerken und gewichteten Graphen erlernt haben, anwenden.
Kompetenzen
Vermittelte Kompetenzen
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten
Aufkommende Technologien einordnen und bewerten können
Wissenschaftliche Ergebnisse und technische Zusammenhänge schriftlich und mündlich darstellen und verteidigen
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen

Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
LO1 - Die Studierenden sind in der Lage Verfahren und Konzepte der Graphentheorie und der Kombinatorischen Optimierung zur Beschreibung und algorithmischen Lösung von Problemstellungen der Informatik, der Technik und des täglichen Lebens anzuwenden.

Sie haben die Fertigkeit Verfahren und Konzepte der Graphentheorie und der Kombinatorischen Optimierung zur Beschreibung und algorithmischen Lösung von Problemstellungen der Informatik, der Technik und des täglichen Lebens anzupassen.

Sie können algorithmische Denk- und Arbeitweisen wie Komplexität von Problemklassen, Effizienz von Algorithmen und Approximation, die sie induktiv an Optimierungsaufgaben in Netzwerken und gewichteten Graphen erlernt haben, anwenden.
Kompetenzen
Kompetenz Ausprägung
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren Vermittelte Kompetenzen
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten Vermittelte Kompetenzen
Aufkommende Technologien einordnen und bewerten können Vermittelte Kompetenzen
Wissenschaftliche Ergebnisse und technische Zusammenhänge schriftlich und mündlich darstellen und verteidigen Vermittelte Kompetenzen
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind Vermittelte Kompetenzen
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen Vermittelte Kompetenzen

Exempla­rische inhaltliche Operatio­nalisierung

Anwendung algorithmischer Denk- und Arbeitsweisen: Am Beispiel des Kruskal-Algorithmus zur Bestimmung minimal aufspannender Bäume in gewichteten Graphen wird ein Greedy-Verfahren vorgestellt, welches eine optimale Lösung garantiert. Die Analyse der algorithmischen Lösung dieses Optimierungsproblems führt zur Einführung matroider Strukturen. Hierdurch wird es möglich zu analysieren, wann Greedy-Verfahren Optimierungsprobleme lösen.

Separate Prüfung
Benotet Nein
Frequenz Einmal im Jahr
Prüfungskonzept

Präsenz- und Selbstlernaufgaben


Impressum
Datenschutzhinweis
Haftungshinweis
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME

© 2022 Technische Hochschule Köln