INSTITUT FÜR THEORETISCHE INFORMATIK · ALGORITHMIK · PROF. DR. DOROTHEA WAGNER

Algorithmen für Routenplanung5. Sitzung, Sommersemester 2013

Julian Dibbelt | 6. Mai 2013

KIT – Universität des Landes Baden-Württemberg undnationales Großforschungszentrum in der Helmholtz-Gemeinschaft

www.kit.edu

Letztes Mal: ALT und Arc-Flags

Wie Suche zielgerichtet machen?Nichtbeachten von Kanten oder Knoten die in die “falsche”Richtung führenReihenfolge in der Knoten besucht werden ändern

Jetzt: ersteres

Julian Dibbelt – Algorithmen für RoutenplanungFolie 2 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Arc-Flags

Idee:partitioniere Graphen in k Zellenhänge Label mit k Bits an jede Kantegibt an, ob e für Ziele in Zielzelle T benötigt wird

Julian Dibbelt – Algorithmen für RoutenplanungFolie 3 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

RandknotenbäumeBeobachtung: Man muss durch Randknoten in die Zelle

setze Intra-Zellen Kanten auf trueeinen Rückwärts Dijkstra-Baum pro Randknoten bsetze Flagge AFregion(b)(e) = true wenn e Baumkante desBaums von b ist

1 1 1

1 1 1 1 1 1

1 1 11 0 0

100

1 101 1 0

Julian Dibbelt – Algorithmen für RoutenplanungFolie 4 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Zentralisierte Bäume

verallgemeinere Dijkstra:für jede Region r (mit Randknotenmenge Br )hänge Label l(u) der Größe |Br | an jeden Knoten uspeichert den Abstand d(u,b) für alle b ∈ Br

triviale Intialisierung der Randknoten, füge alle in Queue einnehme Knoten u aus der Queue (key: min{l(u})relaxiere Kanten (u, v):

erzeuge Label l durch l(u) + len(u, v)checke ob l das Label l(v) verbessert

breche ab, wenn keine Verbesserungen mehr möglich sindsetze Flagge auf true wenn d(u,b) + len(u, v) = d(v ,b) gilt

Julian Dibbelt – Algorithmen für RoutenplanungFolie 5 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Zentralisierte Bäume

Bemerkungen:Knoten können mehrfach besucht werden (label-correcting)Prioritäten der Knoten beliebig wählbar

z.B. Minimum über alle Einträge von u

hoher Speicherverbrauch durch n Label der Größe |Br |18 Mio. Knoten und 1000 Randknoten⇒ 72 GBteile Arbeit in mehrere Schritte mit maximal 100 Randknotenmeist Beschleunigung um Faktor 4 gegenüber Randknotenansatz

Julian Dibbelt – Algorithmen für RoutenplanungFolie 6 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Automatisches Setzen von Flaggen

0001

0001

000111111111

1111

Beobachtung:Für manche Kanten kann mandie Flaggen automatisch setzen

Angehangene Bäume:Kanten zur Wurzel hin haben alle Flaggen gesetztKanten von Wurzel weg haben nur eine Flagge gesetztAlso: Entferne Bäume vor Arcs-Flag-Berechnung aus GraphKnotenzahl verringert sich um 1 Drittel

Anmerkung: Alle Knoten eines angehangenen Baumes müssen zurgleichen Zelle wie dessen Wurzel gehören.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 7 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Partitionierung

Anforderungen:balanciert

mögliche Partitionen:GitterQuad-Baum

iterativ in 4 Zellen unterteilen

kd-BaumVerallgemeinerung vonQuad-Baum

weitere Anforderungen?

Julian Dibbelt – Algorithmen für RoutenplanungFolie 8 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Partitionierung

Anforderungen:ausbalanciertwenige Randknotenzusammenhängend

Black-Box Partitionierer (METIS, ...):benutzen keine Einbettungoft: teilen rekursiv Graphen in kTeile mit kleinem Schnittbringen gute Lösungen fürArc-Flags

Julian Dibbelt – Algorithmen für RoutenplanungFolie 9 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Julian Dibbelt – Algorithmen für RoutenplanungFolie 10 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Julian Dibbelt – Algorithmen für RoutenplanungFolie 10 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Diskussion

Vorteile:einfacher Anfrage Algorithmusleicht on-top auf bestehende Systeme zu setzenausreichende Beschleunigung

Nachteile:hohe Vorberechnungsdauerweitere?

Julian Dibbelt – Algorithmen für RoutenplanungFolie 11 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Coning-Effekt

Beobachtung:lange Zeit nur eine Kante wichtigdaher immer nur ein Knoten in derQueueaber: je näher an der Zelle, destomehr Kanten werden wichtigSuche fächert sich aufin Zelle werden dann alle Kantenrelaxiert

Zwei Ansätze:bidirektionale Flagsmulti-level Flags

Julian Dibbelt – Algorithmen für RoutenplanungFolie 12 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bidirektionale Arc-Flags

Vorberechung:Vorwärts- und RückwärtsflaggenRückwärtsflaggen können analog für eingehende Kantenberechnet werdenVorberechungszeit in gerichteten Graphen erhöht sich umFaktor 2

Anfrage:bidirektional:

Vorwärtssuche relaxiert nur Kanten mit Flagge für TRückwärtssuche nur Kanten mit Flaggen für S

normales Stopp-Kriterium von bidirektionalem Dijkstra

Julian Dibbelt – Algorithmen für RoutenplanungFolie 13 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bidirektionale Arc-Flags

Problem:Eindeutigkeit der Wegeeventuell nicht korrekt

Lösung:kommt in Straßengraphen kaum vordaher öffne Flaggen für alle möglichen Wege

Julian Dibbelt – Algorithmen für RoutenplanungFolie 14 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bidirektionale Arc-Flags

Problem:Eindeutigkeit der Wegeeventuell nicht korrekt

Lösung:kommt in Straßengraphen kaum vordaher öffne Flaggen für alle möglichen Wege

Julian Dibbelt – Algorithmen für RoutenplanungFolie 14 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bidirektionale Arc-Flags

Problem:Eindeutigkeit der Wegeeventuell nicht korrekt

Lösung:kommt in Straßengraphen kaum vordaher öffne Flaggen für alle möglichen Wege

Julian Dibbelt – Algorithmen für RoutenplanungFolie 14 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bidirektionale Arc-Flags

Problem:Eindeutigkeit der Wegeeventuell nicht korrekt

Lösung:kommt in Straßengraphen kaum vordaher öffne Flaggen für alle möglichen Wege

Julian Dibbelt – Algorithmen für RoutenplanungFolie 14 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Nachteile?

Julian Dibbelt – Algorithmen für RoutenplanungFolie 15 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Nachteile?

Julian Dibbelt – Algorithmen für RoutenplanungFolie 15 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Nachteile?

Julian Dibbelt – Algorithmen für RoutenplanungFolie 15 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Multi-Level Arc-Flags

Problem:Anfragen in einer Zelle ohneBeschleunigungviele Real-Welt Anfragensind lokal

Multi-Level Arc-Flags:Multi-Level Partitionberechne partielle Flaggen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 16 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Multi-Level Arc-Flags

Problem:Anfragen in einer Zelle ohneBeschleunigungviele Real-Welt Anfragensind lokal

Multi-Level Arc-Flags:Multi-Level Partitionberechne partielle Flaggen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 16 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Multi-Level Arc-Flags

Problem:Anfragen in einer Zelle ohneBeschleunigungviele Real-Welt Anfragensind lokal

Multi-Level Arc-Flags:Multi-Level Partitionberechne partielle Flaggen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 16 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Multi-Level Arc-Flags

Problem:Anfragen in einer Zelle ohneBeschleunigungviele Real-Welt Anfragensind lokal

Multi-Level Arc-Flags:Multi-Level Partitionberechne partielle Flaggen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 16 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Multi-Level Arc-Flags

Vorberechnung:oberster Level wie gehabtauf unteren Leveln:

von jedem Randknoten führe Dijkstra aus, bis alleKnoten der Superzelle abgearbeitet worden sindsetze Flaggen für alle Kanten (u, v) für die u inSuperzelleHinweis: es reicht nicht, nur den Subgraphen derSuperzelle zu betrachten (Übungsaufgabe)

Anfragen:bestimme gemeinsamen Level l von u und twerte Flaggen auf dem Level l aus

Julian Dibbelt – Algorithmen für RoutenplanungFolie 17 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Julian Dibbelt – Algorithmen für RoutenplanungFolie 18 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Suchraum

Julian Dibbelt – Algorithmen für RoutenplanungFolie 18 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Datenstruktur

1 1 0

1 1 11 10

1001 0 0

Effizient Flaggen speichern?pro Kante eine FlaggeBeobachtung: AnzahlKombinationen begrenzt

Idee:speichere Flaggen in MatrixZeiger von Kanten auf die Matrixverringert Speicherverbrauch um einen Faktor 5

Julian Dibbelt – Algorithmen für RoutenplanungFolie 19 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Flaggenkompression

1 1 0

1 1 11 10

1001 0 0

Beobachtung:kippen eines Bits von 1auf 0 verbotenkippen eines Bits von 0auf 1 erlaubt (weiterhinkorrekt, eventuelllangsamer)

Idee:verringere Anzahl eindeutiger Arc-Flags durch kippendadurch Kompression der Matrixfinde “gutes” Mapping

Julian Dibbelt – Algorithmen für RoutenplanungFolie 20 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Flaggenkompression

1 1 0

1 1 11 10

Beobachtung:kippen eines Bits von 1auf 0 verbotenkippen eines Bits von 0auf 1 erlaubt (weiterhinkorrekt, eventuelllangsamer)

Idee:verringere Anzahl eindeutiger Arc-Flags durch kippendadurch Kompression der Matrixfinde “gutes” Mapping

Julian Dibbelt – Algorithmen für RoutenplanungFolie 20 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Flaggenkompression(Multi-Level, unidirektional)

0e+00 2e+05 4e+05 6e+05 8e+05

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

#Entfernte Flags

Lauf

zeit

Europagraph, Kostenfkt., Häufigkeitsfakt. 0,5

0.518118

3.90533

−−−

1_2_4_8_16_321_2_4_8_32_641_2_4_8_64_128

Julian Dibbelt – Algorithmen für RoutenplanungFolie 21 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Beobachtungen

kaum Verlust bis zu 60% entfernte Flaggengeringer Verlust bis zu 80% entfernte Flaggenkippen von niedrig-leveligen Flaggen billiger

Julian Dibbelt – Algorithmen für RoutenplanungFolie 22 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Zufallsanfragen: Anzahl Regionen

Prepro Querytime space # settled time spd

regions [min] [B/n] nodes [ms] up0 0 0 9 114 385 5 591.6 1.0200 1 028 19 2 369 1.6 3 494.8400 1 366 20 1 868 1.2 4 659.7600 1 723 21 1 700 1.1 5 083.3800 1 892 23 1 642 1.4 3 994.01000 2 156 25 1 593 1.1 5 083.3

Beobachtungen:lange Vorberechnunghohe Beschleunigunggeringer Speicherverbrauchmehr als 200 Regionen lohnt sich nicht

Julian Dibbelt – Algorithmen für RoutenplanungFolie 23 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Anfragen Arc-Flags I

●●●●●●

●

●●

●

●●●

●

●

●●●●●●●●●●●●

●●

●●●

●

●●

●

●●

●

●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●

●

●

●●

●

●

●●●

●

●●●●●● ●●●●●●

●

●

●●●●●●●●

●

●●●●●●●

●

●●●●

●●●●●●●

●

●

●●●●●●●

●

●

●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●●

●

●

●●●●●●● ●●

●●●●●●

●

●●●●●●●●●●●●●●●●

●

●●●●●

●

●●●●●●●

●●

●

●

●●●

●

●●●

●

●●●●

●

●●●

●

●

●

●●●●●●●●●●●●●

●

●●

●

●●●●●●●●●

●●

●

●

●●●●●

●●●●

●●●●●

●●●

●

●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●●

●●●●●

●

●

●

●●●●●●

●

●

●●

●

●

●●●●

●

●●

●●

●●●

●●●●●●

●

●●

●●

●●●●●●●●●

●

●

●●●

●

●●

●●

●

●●

●

●

●●●

●

●

●●

●

●

●●●●●

●●●

●

●

●●●

●

●●●

●

●●●●●●

●

●

●●●●●●●●●●

●●

●

●●

●

●

●●

●

●●●

●

●●●●

●●●●

●●●●●●

●

●●

●●●

●

●●●

●●●●●●

●

●●●

●●●

●●●●

●●

●

●●●

●

●

●●

●●

●●

●

●

●

●

●

●

●

●●

●

●●●●●●●●●

●

●●●●●●●

●

●●●●●

●●

●

●●

●

●

●●●

●●

●

●●

●●

●●●●

●

●●

●●●

●●●

●

●

●

●

●●

●

●

●●●●●●●

●

●●●●●

●

●●●●

●●●●●●●●●

●

●●●●●●●●

●●●●

●

●●●

●

●●●●

●

●●

●●●

●

●●

●

●

●●

●●●●●●

●

●●●

●

●●●●

●

●●●●

●

●

●●

●●●

●●

●

●●●●●●

●●●●●

●

●

●●

●

●

●

●

●●

●●●●●●

●

●●●●

●

●●●●●

●

●

●

●●●●●●●

●●●●

●

●

●

●

●●●

●

●●

●

●●●●●●●

●

●●●●●

●

●●●

●

●●●●●

●●

●

●●●●●

●

●

●

●

●

●

●●

●

●●●●●●

●●●●●●●●●●

●●

●

●●

●●●●●●

●

●●●

●

●●●●●●●

●●●

●●

●●●●●●●●●●

●●

●

●●●

●

●●●●

●

●●●

●

●

●●

●

●

●

●●●●●●●

●

●●●●●●

●

●

●

●●

●

●●●●●●●●●●●

●● ●●●●●●●●●●

●

●●●●●●●●●●

●●●●●●

●●

●●

●

●

●

●●●●●●●●●

●

●

●

●

●

●

●●●●●●●

●●●●●●●●●●●●●

●

●●●●●●●

●

●●●●●●●●●●

●

●

●●●●●●●●●●

●

●●●●●●●●●●●●●●●●

●●●●

●

●●●●●●●●●

●

●●●●

●

●

●●●●

●

●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●

●

●●●

●●

●

●

●●

●

●●●●●

●

●●●●●●

●

●●●●●

●●

●●●●●●●●●●●●●●

●

●

●●●

●

●

●●●●●●●●

●

●●

●

●●

●●

●

●●

●●●●●●●

●

●

●

●●●●

●●

●

●

●●

●

●●

●●

●

● ●●

●

●

●●

●

●●●●●●●●●●●

●

●

●●

●

●●●

●

●●●●

●

●●●●●●●

●

●●●●

●

●●●●

●

●

●

●

●●

●

●●●●●

●

●

●●●●●

●●

●

●

●●●

●

●

●

●●●●●●

●●●●●●●

●

●● ●●●

●●

●●

●

●

●

●

●

●●●●

●●

●●

●

●●●●●●

●

●

●●●

●

●

●●

●●

●●●●

●●

●●●●●●●●●●

●

●

●●

●●●●●

●●●●●●●●

●

●

●●●

●

●

●

●

●●

●

●● ●●●

●

●●●●●●●●

●

●●●

●

●●●●●●●●●●

●

●

●

●

●

●

●●●

●

●●

●

●●

●

●

●

●

●●●●●●●●●●●●●●●●●

●●●●●

●

●

●

●

●

●

●

●

●

●

●●●

●

●

●●

●

●●●●●●

●

●

●●●●●●

●

●●●

●

●

●●

●●

●

●●●●●●●●●●●●

●●

●●●●

●

●●●

●●

●

●

●●●

●

●

●●

●

●●●●●●●

●

●●●●●

●

●●●

●

●●●

●

●●●●●

●

●●●

●

●●

●●●●●●●●●●●●●●

●

●●●

●

●

●

●●

●●

●●●

●

●●

●●

●●●

●

●

●

●

●

●

●●●

●

●●●●●●

●

●●●

●

●●

●●●●●

●

●

●

●

●●●●

●●●●●●●

●

●

●

●

●

●●●

●

●

●●

●●●●●●●

●

●

●

●●●●●

●●●

●●●●

●

●●●●●●●●●

●

●

●●●

●

●

●●●●●

●

●●●

●

●●●●●●●

●

●●●

●

●

●

●

●●●

●

●

●●

●

●●●●●

●●

●●●●

●●●●●●

●

●

●

●

●

●●●●

●●

●

●

●

●●

●●●●●

●●

●●

●

●●●●●

●●

●

●

●

●●●●

●●●

●

●●●●●●●

●

●

●●

●

●

●●●

●

●

●●

●●●●●●

●

●

●●●

●

● ●●●

●

●●

●

●

●

●●●●

●

●

●

●

●●

●●

●

●●●

●

●

●●●●●●●●●●●●●●●

●

●●●●

●●●●●

●●

●

●●

●

●●

●

●

●

●●●●

●

●

●●●●●●●●

●●

●

●●●●

●

●

●●

●

●

●

●

●●

●

●

●

●●●●●●

●

●●●●

●●●●●●●●

●●

●●

●

●

●●●●●

●

●

●●●●●

●●

●

●●

●

●

●

●●●●

●

●●●

●●

●

●●

●

●

●

●

●

●●

●●

●●●

●

●

●

●●

●

●

●

●

●●

●●

●

●●●

●

●●●

●●●●

●●

●●●

●●

●

●●

●●●●

●●●

●

●●●

●●

●●●●

●

●●

●

●●

●

●●

●

●●●

●

●

●

●

●

●

●●●●

●

●●

●●

●

●●

●

●

●●

●

●

●

●

●

●

●

●●

●●●●●●

●

●●●

●●

●

●●

●

●●

●

●

●

●●●

●●●

●

●

●●

●●●

●

●

●●

●●

●

●

●

●

●●

●

●

●

●●

●●

●●

●

●

●●

●

●

●

●●

●

●

●

●

●●●

●

●

●

●

●●

●●●●●

●●

●

●

●

●

●●

●●

●

●

●

●●●

●

●

●●●

●

●

●●

●

●

●

●

●

●

●●

●●

●

●

●●

●

●

●

●

●

●

●

●●

●●

●

●●●●

●●

●

●●

●

●

●

●

●●●

●

●●

●

●●●

●

●

●

●

●

●

●

●

●

●

●

●

●●●●

●

●

●●●

●

●

●

●

●

●

●●●

●

●

●

●

●

●

●

●

●

●●●●●●●●

●

●

●●

●

●●

●

●●

●

●●

●●

●●

●●●

●●

●●●

●

●●

●

●●●●●

●●●●

●

●

●

●

●

●

●●

●●

●●

●

●

●

●●

●

●●

●●●●

●

●

●

●

●●

●

●●

●●

●●●

●●

●

●

●

●●●●

●

●●

●●●

●

●

●

●

●●

●●

●

●

●

●

●●●

●

●

●

●

●

●●

●

●●●●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●

●●

●

●

●

●●

●

●●●

●●

●●●●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●●

●●

●

●

●●●

●

●

●

●●

●

●●

●●

●●●

●

●

●●

●●●

●

●

●

●●●●●

●

●

●

●

●

●

●

●

●●

●

●●

●

●

●

●●●●

●

●●●

●

●

●

●

●●

●

●●●●●●●

●

●

●

●

●

●

●●

●

●

●

●●●●

●

●●

●

●●

●●●●●

●●

●●

●●

●

●

●●

●

●

●

●●

●

●●●●●●●●●●●●●●●●●● ●

●●●●●●●●●● ●●●●●●●●●●●●

●●●

●●●●●●●●●●●●●●●●●●●●●● ●●●●

●● ●●●●●●●●

●●●●●●●●

●●●

●

●●●

●●●

●●●

●●

●●●●●●●●●●●●●●

●

●

●

●

●●

●

●

●

●●●●●

●●●

●●●

●●●●●

●

●

●

●●

●●

●

●

●

●

●●●●

●●●

●●

●●

●●

●

●

●

●

●●●●●

●●

●●●

●

●●

●●

●

●●●

●

●●●●●●●

●

●

●

●●

●

●●●

●

●●

●

●

●

●

●

●

●

●●●

●

●

●●●

●●

●●

●

●

●

●

●

●

●

●

●●

●

●●

●

●●●

●

●●●

●

●

●

●●●

●●●

●●●

●

●●

●

●

●

●

●

●●●

●●●●

●●●

●

●

●

●

●●

●

●

●

●

●

●●

●●

●

●

●●●●

●●

●

●

●

●●

●●

●●

●

●

●

●

●●●

●

●

●●●●●

●

●

●

●●

●

●

●

●

●●

●

●●

●

●●

●

●●●●●

●

●

●

●

●

●

●

●●●

●●

●

●

●●●

●

●●

●

●●●

●

●

●

●●●

●●●●●●

●●●●●

●●●●

●●●

●●

●●

●●●●●

●●

●●

●

●

●

●

●

●

●

●●●

●

●

●

●●

●●●●

●●●

●

●

●

●●

●●

●

●●●●

●●●

●

●

●

●

●●

●

●●

●

●

●●●●

●

●

●●●

●

●●

●●

●●●●●●

●

●●

●●

●

●●

●●

●●

●●●

●

●

●●

●

●●●●●

●

●●

●

●●

●

●

●●

●

●●●●●●●●●●

●

●●●●●●

●

●●●

●

●●●●●●●●● ●●●●●●●●

●●●

●

●●●●

●●●●

●

●●●●●●

●●●●●●●●●●

●●●●●●●●●●

●

●●●●●●

●

●

●●●●●●●●●●

●

●●●●●●●

●●●●●●●●●●●●

●●●●●●

●●●●●●●●●●●●●●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●

●●●●●●●●●

●

●●●

●●

●●●●●●●

●●●●●●

●●

●

●

●●●●●●●●●●

●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●

●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●

●

●●●

●●●

●

●

●●●●

●●●

●●●●

●●

●

●

●●

●●

●

●

●

●●

●●●

●●●●

●

●●

●●

●●●●●

●●

●

●●●

●

●

●●

●

●

●●

●

●●

●●●●●●

●●

●●

●●●

●

●●●●

●●●●●●

●

●

●●

●●

●●●

●

●

●●●

●

●●

●

●

●●

●

●

●

●●●

●

●

●

●●

●

●●●

●

●

●

●●

●

●●●●●●●●

●●●

●●●

●●●

●●

●

●

●

●●

●

●●

●

●

●

●

●

●●

●●●●●

●

●

●●

●●●

●

●

●

●

●

●

●

●

●●●●

●

●

●●

●

●

●

●

●●

●

●

●

●

●

●

●

●●

●

●●

●●●

●

●

●

●●

●

●

●

●●●●●●

●●

●

●

●●

●●●●●

●

●

●

●

●●●●

●

●●

●●

●●●

●

●

●

●

●

●●

●

●●●

●

●●●

●●●

●●

●

●

●●

●

●●●●●

●●●

●

●●

●

●

●

●●●

●●●●●

●

●

●●●●●

●

●●●●●●●

●●●●●

●

●●●

●

●

●●●●●●

●

●●

●

●●●

●

●●●●●

●

●●●●●●●●●

●

●

●

●

●●●

●

●●

●

●●●●

●●●●●

●●

●

●●●

●

●●

●

●●

●

●

●●●●●●●

●●●●●●●●●●●

●

●

●

●●

●

●

●●●●

●

●

●●

●●●

●

●●

●

●●●●●

●●●

●

●●●●●●

●●●

●●●

●

●

●

●●●●●●●●

●●●●●●

●

●

●●●●●

●

●

●●●

●●●●●●●●●●●●●●●

●●●●

●

●

●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●

●●●

●●●●●●●

●●●●●

●●●

●

●

●

●

●●●●●

●●●●●●●●

●●●

●

●●

●●●●●●●●●●●●

●

●

●●●●●

●

●●●

●

●

●●●

●

●●●●●●●

●●●●●●●●●●

●●●●●●●●

●

●●●

●

●

●●●●●●●●

●●●●

●

●

●

●

●

●●●

Dijkstra Rank

Que

ry T

ime

[ms]

20 21 22 23 24 25 26 27 28 29 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224

0.01

0.1

13

1010

010

0010

000

DijkstraArc−Flags (128 regions)bidirectional Arc−Flags (128 regions)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 24 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Anfragen Arc-Flags I

●●●●

●

●●●●●●●

●

●

●

●●●●●●●

●

●●●●●●●●

●

●●●●●

●

●●●●●●●●●●

●

●●●

●

●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●

●

●

●●●●

●●

●●●

●

●●●●●●●●●●●

●

●●●●

●●

● ●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●

●

●

●

●●●●

●

●●●●●●

●

●●●●●●●●●●●●●●

●●●●●●

●

●●●●●●●

●

●●●●●●●●●●●●●●●

●

●●●●●●●

●

●

●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●

●

●

●●●●●●●●●●

●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●

●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●

●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●

●●●●●

●

●●●●●

●

●●●●●

●

●

●

●●●● ●●●●●●●●●

●

●●●●●●●●

●●

●●●

●

●●●●●●●● ●●●●●●●●

●

●●●●

●●●●●●●●●●

●

●●●●●

●

●●●●●●●

●●●●●●●●●●●

●

●●●●●●

●

●

●●●●●●●●●●●●

●

●●●●●●●● ●●●●●●●●●●

●●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●

●

●●●●●●●

●●●●●●●●●●●●●●●●●●●●

●

●

●

●

●

●●

●

●●

●

●●

●

●

●●●

●

●●

●

●●

●

●

●

●

●

●●●

●

●

●●●●

●●

●

●

●

●

●●●

●●

●

●

●

●

●●●●●●●●

●

●●●●

●

●

●

●●

●●

●●●●

●

●●●●●●●●

●●

●

●●

●

●

●●

●

●●●●●●●

●●●●●●

●

●●

●

●

●●

●●●

●●

●●●

●●●●

●●

●

●

●

●

●●●●●●●

●

●●

●●●●●

●●●

●

●●●●

●

●

●●●●●●●●

●

●●●

●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●

●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●

●●●●●●●●●●●●●

●

●●●

●

●

●

●●

●

●●●

●

●

●

●●

●●

●●●

●●

●

●●

●●●●

●●

●

●●

●

●

●●

●

●

●

●

●

●●

●●●

●

●

●●

●

●●●●●●

●

●●

●

●●●●●●●

●

●

●●

●●

●

●

●

●

●

●●●

●

●●●●

●

●

●●●

●

●●

●

●●●●●

●

●●●●●●

●●

●●●

●●●

●●

●●●●

●●●●●

●

●●●●

●●

●

●

●

●●●●

●●

●

●●

●●

●●

●

●

●●

●●

●●●

●●

●●●●

●

●

●●●

●

●●●

●

●

●●●

●

●●

●

●

●

●

●●

●●●●●

●●●

●

●

●

●

●●●●

●

●

●

●

●

●●●●

●

●

●

●

●

●●

●

●

●

●●●

●

●

●●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●●

●

●

●

●

●

●

●

●

●●

●

●

●

●●

●●●●●●●

●

●●

●

●●

●

●

●

●●

●

●●

●●

●●●●●●●

●● ●

●

●●

●

●

●●

●

●

●

●

●

●

●

●●●

●

●●●●

●

●●●

●●

●●●

●

●

●●

●

●

●

●●

●●

●●

●●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●●●

●

●

●

●

●

●●●

●

●

●

●●

●●

●

●●●

●●

●●●

●

●

●●

●●

●●●

●●●●

●●

●

●

●

●

●●

●

●

●●

●

●

●●●●

●

●●

●

●●

●

●●●

●

●●

●

●

●●

●

●

●●●

●●●●●

●

●●●

●●●

●

●

●●●●●●

●●●

●●●

●

●●

●

●

●●●●●●●

●

●

●●●

●

●●●●

●

●

●●●●

●●

●●●●●●

●

●

●●

●

●

●

●

●●●●●●●

●

●

●

●

●●

●●●

●

●●●

●●●

●●●

●●

●●●●●●●●●●●●●●

●

●

●

●

●●

●

●

●

●●●●●

●●●

●●●

●●●●●

●

●

●

●●

●●

●

●

●

●

●●●●

●●●

●●

●●

●●

●

●

●

●

●●●●●

●●

●●●

●

●●

●●

●

●●●

●

●●●●●●●

●

●

●

●●

●

●●●

●

●●

●

●

●

●

●

●

●

●●●

●

●

●●●

●●

●●

●

●

●

●

●

●

●

●

●●

●

●●

●

●●●

●

●●●

●

●

●

●●●

●●●

●●●

●

●●

●

●

●

●

●

●●●

●●●●

●●●

●

●

●

●

●●

●

●

●

●

●

●●

●●

●

●

●●●●

●●

●

●

●

●●

●●

●●

●

●

●

●

●●●

●

●

●●●●●

●

●

●

●●

●

●

●

●

●●

●

●●

●

●●

●

●●●●●

●

●

●

●

●

●

●

●●●

●●

●

●

●●●

●

●●

●

●●●

●

●

●

●●●

●●●●●●

●●●●●

●●●●

●●●

●●

●●

●●●●●

●●

●●

●

●

●

●

●

●

●

●●●

●

●

●

●●

●●●●

●●●

●

●

●

●●

●●

●

●●●●

●●●

●

●

●

●

●●

●

●●

●

●

●●●●

●

●

●●●

●

●●

●●

●●●●●●

●

●●

●●

●

●●

●●

●●

●●●

●

●

●●

●

●●●●●

●

●●

●

●●

●

●

●●

●

●●●●●●●●●●

●

●●●●●●

●

●●●

●

●●●●●●●●● ●●●●●●●●

●●●

●

●●●●

●●●●

●

●●●●●●

●●●●●●●●●●

●●●●●●●●●●

●

●●●●●●

●

●

●●●●●●●●●●

●

●●●●●●●

●●●●●●●●●●●●

●●●●●●

●●●●●●●●●●●●●●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●

●●●●●●●●●

●

●●●

●●

●●●●●●●

●●●●●●

●●

●

●

●●●●●●●●●●

●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●

●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●

●

●●●

●●●

●

●

●●●●

●●●

●●●●

●●

●

●

●●

●●

●

●

●

●●

●●●

●●●●

●

●●

●●

●●●●●

●●

●

●●●

●

●

●●

●

●

●●

●

●●

●●●●●●

●●

●●

●●●

●

●●●●

●●●●●●

●

●

●●

●●

●●●

●

●

●●●

●

●●

●

●

●●

●

●

●

●●●

●

●

●

●●

●

●●●

●

●

●

●●

●

●●●●●●●●

●●●

●●●

●●●

●●

●

●

●

●●

●

●●

●

●

●

●

●

●●

●●●●●

●

●

●●

●●●

●

●

●

●

●

●

●

●

●●●●

●

●

●●

●

●

●

●

●●

●

●

●

●

●

●

●

●●

●

●●

●●●

●

●

●

●●

●

●

●

●●●●●●

●●

●

●

●●

●●●●●

●

●

●

●

●●●●

●

●●

●●

●●●

●

●

●

●

●

●●

●

●●●

●

●●●

●●●

●●

●

●

●●

●

●●●●●

●●●

●

●●

●

●

●

●●●

●●●●●

●

●

●●●●●

●

●●●●●●●

●●●●●

●

●●●

●

●

●●●●●●

●

●●

●

●●●

●

●●●●●

●

●●●●●●●●●

●

●

●

●

●●●

●

●●

●

●●●●

●●●●●

●●

●

●●●

●

●●

●

●●

●

●

●●●●●●●

●●●●●●●●●●●

●

●

●

●●

●

●

●●●●

●

●

●●

●●●

●

●●

●

●●●●●

●●●

●

●●●●●●

●●●

●●●

●

●

●

●●●●●●●●

●●●●●●

●

●

●●●●●

●

●

●●●

●●●●●●●●●●●●●●●

●●●●

●

●

●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●

●●●

●●●●●●●

●●●●●

●●●

●

●

●

●

●●●●●

●●●●●●●●

●●●

●

●●

●●●●●●●●●●●●

●

●

●●●●●

●

●●●

●

●

●●●

●

●●●●●●●

●●●●●●●●●●

●●●●●●●●

●

●●●

●

●

●●●●●●●●

●●●●

●

●

●

●

●

●●●

Dijkstra Rank

Que

ry T

ime

[ms]

20 21 22 23 24 25 26 27 28 29 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224

0.01

0.1

13

1010

010

0010

000

bidirectional Dijkstrabidirectional Arc−Flags (16 regions)bidirectional Arc−Flags (128 regions)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 25 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Beobachtungen

birektionale Arc-Flags deutlich schneller als unidirektionalegegenüber Dijkstra nur Beschleunigung für weite Anfragen128 Regionen deutlich besser 16 (bei 224 nahezu gleich auf)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 26 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Übersicht: bisherige Techniken

Vorberechnung AnfrageZeit Platz Such Zeit

[h:m] [byte/n] raum [ms] Beschl.Dijkstra 0:00 0 9 114 385 5 591.6 1.0Bi-Dijkstra 0:00 0 4 764 110 2 713.2 2.1Uni-ALT-16 1:25 128 815 639 327.6 17.1Uni-ALT-64 1:08 512 604 968 288.5 19.4Bi-ALT-16 1:25 128 74 669 53.6 104.3Bi-ALT-64 1:08 512 25 324 19.6 285.3Uni Arc-Flags (128) 8:34 10 92 545 31.9 175.3Bi Arc-Flags (128) 17:08 20 2 764 0.8 6 988.1

Beobachtung:ALT: deutlich unterlegen bei Anfragen und PlatzverbrauchArc-Flags: deutlich längere Vorberechnungszeiten

Julian Dibbelt – Algorithmen für RoutenplanungFolie 27 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Anfragen Vergleich

●●●●

●

●●●●●●●

●

●

●

●●●●●●●

●

●●●●●●●●

●

●●●●●

●

●●●●●●●●●●

●

●●●

●

●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●

●

●

●●●●

●●

●●●

●

●●●●●●●●●●●

●

●●●●

●●

● ●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●

●

●

●

●●●●

●

●●●●●●

●

●●●●●●●●●●●●●●

●●●●●●

●

●●●●●●●

●

●●●●●●●●●●●●●●●

●

●●●●●●●

●

●

●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●

●

●

●●●●●●●●●●

●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●

●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●

●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●

●●●●

●

●●

●

●●●●●●

●

●●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●

●●●●

●

●●● ●●

●

●●●●●●●●●●●●●●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●

●

●●●●●●●●●●

●

●

●

●●

●

●

●●●●●●

●

●●●●●●●●●●

●●●●●●●

●

●●●●●●●●●●

●

●●●●●●●●●●●●●●●

●●●

●

●●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●

●

●●●●●●●

●

●●●●●●●●●●●●●●●●●●●

●●●

●●●●●●●

●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●

●

●●

●

●

●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●

●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●

●●●●●

●●●●●●●●●●

●

●

●●●●

●

●●●●●●●●●●●

●●●●●●●●●

●●●●●●●●

●●●●●●●●●●●

●

●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●●● ●

●

●●●●●●

●●●●●●●●●●●●

●

●●●●●●●●

●●●

●●●●●●●●

●●●●●●●●

●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●

●

●

●●●●●●●●●●●●

●●●●●●●●●●

●●●

●●●●●

●●●●

●

●●

●●

●

●●●●●

●●●●

●

●●●●●●●●●●

●

●

●●●●

●

●●●●●●●●●●●●●

●

●●●●●●●

●●

●●

●

●●●●

●●●

●

●●●●●

●●●●●●●

●

●●●●●●

●●●●

●

●

●

●

●●●●●

●●●●●●●●●●●●●●●

●●

●●●●●●

●●●

●●

●

●

●●

●●●●

●

●

●●

●●●●●●

●●●●●●●●●

●●●●●●●●●●●●●●●

●

●●

●●●●

●

●

●●

●●●

●●●●●●●

●

●●

●●●●●

●

●

●●●●●●

●

●

●

●

●

●●●●●

●●●●

●

●

●

●●

●●

●●●

●

●●●

●●

●

●●

●

●

●

●●

●

●●

●●●

●

●●●●

●●●●●

●●●●

●●

●●●●●●●●●

●

●

●●

●●●●●●●●●●●●●

●●

●

●●

●●

●●●●●●●

●

●

●

●●

●

●

●

●

●●●●●

●●

●●

●●●●●●

●●●●●

●●

●●●●●●●●

●

●

●

●

●

●●●

●

●●●●●●●●●

●●●

●

●●●●

●●●●●●●●●●

●

●●●●

●●●●●●●

●●●●●

●●

●●●●

●●●

●

●

●

●

●

●●

●

●●●

●

●

●●●●

●●●●●●

●

●●

●●●●●●

●●

●●

●●

●

●●●

●

●

●

●

●●●●●●●●

●

●●●●●

●●●●●

●●●●●●

●●

●●

●●

●●●●●●

●●●●●

●●●

●●●●

●

●●

●●●●●●●●

●●●

●●

●

●●●

●

●●●●●●

●●●●●●●●●●●●●●

●

●●●●●●●

●

●●

●●

●●

●●●

●●●●●●

●

●●●●●

●

●●●●●●●

●

●●●●

●●

●●●

●

●

●

●

●●●

●

●●●●

●

●

●●●●●

●

●●

●

●

●

●

●●

●●●

●

●●●

●●●

●

●●●

●●●

●

●

●●

●●●●

●●●

●●●●

●

●●

●●

●●●

●

●●●

●

●

●●●

●●

●

●●●●

●●

●●●●●●●●●

●●●●●●●●●●●●●●

●

●

●●

●

●

●

●●

●

●●

●

●●●●●●●●●

●

●●●

●●●●●●

●

●

●

●

●●

●

●●

●●●●●●●

●

●●●●●●

●

●

●●

●

●

●

●

●●●●●●●●

●

●

●

●

●

●

●

●●

●

●●●

●

●●●

●●●

●●●

●●

●●●●●●●●●●●●●●

●

●

●

●

●●

●

●

●

●●●●●

●●●

●●●

●●●●●

●

●

●

●●

●●

●

●

●

●

●●●●

●●●

●●

●●

●●

●

●

●

●

●●●●●

●●

●●●

●

●●

●●

●

●●●

●

●●●●●●●

●

●

●

●●

●

●●●

●

●●

●

●

●

●

●

●

●

●●●

●

●

●●●

●●

●●

●

●

●

●

●

●

●

●

●●

●

●●

●

●●●

●

●●●

●

●

●

●●●

●●●

●●●

●

●●

●

●

●

●

●

●●●

●●●●

●●●

●

●

●

●

●●

●

●

●

●

●

●●

●●

●

●

●●●●

●●

●

●

●

●●

●●

●●

●

●

●

●

●●●

●

●

●●●●●

●

●

●

●●

●

●

●

●

●●

●

●●

●

●●

●

●●●●●

●

●

●

●

●

●

●

●●●

●●

●

●

●●●

●

●●

●

●●●

●

●

●

●●●

●●●●●●

●●●●●

●●●●

●●●

●●

●●

●●●●●

●●

●●

●

●

●

●

●

●

●

●●●

●

●

●

●●

●●●●

●●●

●

●

●

●●

●●

●

●●●●

●●●

●

●

●

●

●●

●

●●

●

●

●●●●

●

●

●●●

●

●●

●●

●●●●●●

●

●●

●●

●

●●

●●

●●

●●●

●

●

●●

●

●●●●●

●

●●

●

●●

●

●

●●

●

●●●●●●●●●●

●

●●●●●●

●

●●●

●

●●●●●●●●● ●●●●●●●●

●●●

●

●●●●

●●●●

●

●●●●●●

●●●●●●●●●●

●●●●●●●●●●

●

●●●●●●

●

●

●●●●●●●●●●

●

●●●●●●●

●●●●●●●●●●●●

●●●●●●

●●●●●●●●●●●●●●●●●●●

●

●●●

●

●●●●●●●●●●●●●●●●●●●●●●●●●●

●

●●●●●●●●●

●●●●●●●●●

●

●●●

●●

●●●●●●●

●●●●●●

●●

●

●

●●●●●●●●●●

●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●●●

●●●●●●●●●●●●●

●●●●●●●●●●

●●●●●

●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●

●

●●●

●●●

●

●

●●●●

●●●

●●●●

●●

●

●

●●

●●

●

●

●

●●

●●●

●●●●

●

●●

●●

●●●●●

●●

●

●●●

●

●

●●

●

●

●●

●

●●

●●●●●●

●●

●●

●●●

●

●●●●

●●●●●●

●

●

●●

●●

●●●

●

●

●●●

●

●●

●

●

●●

●

●

●

●●●

●

●

●

●●

●

●●●

●

●

●

●●

●

●●●●●●●●

●●●

●●●

●●●

●●

●

●

●

●●

●

●●

●

●

●

●

●

●●

●●●●●

●

●

●●

●●●

●

●

●

●

●

●

●

●

●●●●

●

●

●●

●

●

●

●

●●

●

●

●

●

●

●

●

●●

●

●●

●●●

●

●

●

●●

●

●

●

●●●●●●

●●

●

●

●●

●●●●●

●

●

●

●

●●●●

●

●●

●●

●●●

●

●

●

●

●

●●

●

●●●

●

●●●

●●●

●●

●

●

●●

●

●●●●●

●●●

●

●●

●

●

●

●●●

●●●●●

●

●

●●●●●

●

●●●●●●●

●●●●●

●

●●●

●

●

●●●●●●

●

●●

●

●●●

●

●●●●●

●

●●●●●●●●●

●

●

●

●

●●●

●

●●

●

●●●●

●●●●●

●●

●

●●●

●

●●

●

●●

●

●

●●●●●●●

●●●●●●●●●●●

●

●

●

●●

●

●

●●●●

●

●

●●

●●●

●

●●

●

●●●●●

●●●

●

●●●●●●

●●●

●●●

●

●

●

●●●●●●●●

●●●●●●

●

●

●●●●●

●

●

●●●

●●●●●●●●●●●●●●●

●●●●

●

●

●●●●●●●●●●●●●●●

●

●●●●●●●●●●●●●●●●●

●●●

●●●●●●●

●●●●●

●●●

●

●

●

●

●●●●●

●●●●●●●●

●●●

●

●●

●●●●●●●●●●●●

●

●

●●●●●

●

●●●

●

●

●●●

●

●●●●●●●

●●●●●●●●●●

●●●●●●●●

●

●●●

●

●

●●●●●●●●

●●●●

●

●

●

●

●

●●●

Dijkstra Rank

Que

ry T

ime

[ms]

20 21 22 23 24 25 26 27 28 29 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224

0.01

0.1

13

1010

010

0010

000

bidirectional Dijkstrabidirectional ALTbidirectional Arc−Flags (128 regions)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 28 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Zusammenfassung

Arc-FlagsTeile Graphen in k RegionenFlaggen zeigen an, ob Kante wichtig für Zielregion istEinfacher Anfrage-AlgorithmusVorberechnung

Kürzeste-Wege-Baum von jedem RandknotenManche Flaggen können automatisch gesetzt werden

Bidirektional und multi-level ErweiterungenBeschleunigung von bis zu 7000Nahe Anfragen nicht schneller als DijkstraVorberechnung dauert allerdings (immer noch) ca. 1 Tag

Julian Dibbelt – Algorithmen für RoutenplanungFolie 29 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Literatur

Literatur (Arc-Flags):

Moritz Hilger and Ekkehard Köhler and Rolf H. Möhring andHeiko Schilling:Fast Point-to-Point Shortest Path Computations withArc-FlagsIn: Shortest Paths: Ninth DIMACS Implementation Challenge,2009

Julian Dibbelt – Algorithmen für RoutenplanungFolie 30 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Partitionierung

Anforderungen:ausbalanciertwenige Randknotenzusammenhängend

Black-Box Partitionierer:benutzen keine Einbettungoft: teilen rekursiv Graphen in kTeile mit kleinem Schnittlassen sich auf eine VielzahlGraphklassen anwendenheute (Exkurs): spezielleStrassengraph-Partitionierer

Julian Dibbelt – Algorithmen für RoutenplanungFolie 31 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Graph Partitionierung

Informell: teile Graphen in lose verbundene Regionen (Zellen).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 32 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Graph Partitionierung

Formale definition:Eingabe: ungerichteter graph G = (V ,E)Ausgabe: Partition von V in Zellen V1, V2, . . . , Vk

Ziel: minimale Anzahl Kanten zwischen Zellen

Standard Variante: |Vi | ≤ U für festes U:Anzahl Zellen kann variieren (≥ dn/Ue).

Balancierte Variante: k Zellen und Unausgeglichenheit ε:genau k Zellen (können unzusammenhängend sein) Zellen,Grösse ≤ (1 + ε)dn/Ue.

beides NP schwer⇒ benutze Heuristiken

Julian Dibbelt – Algorithmen für RoutenplanungFolie 33 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Graph Partitionierung

Formale definition:Eingabe: ungerichteter graph G = (V ,E)Ausgabe: Partition von V in Zellen V1, V2, . . . , Vk

Ziel: minimale Anzahl Kanten zwischen Zellen

Standard Variante: |Vi | ≤ U für festes U:Anzahl Zellen kann variieren (≥ dn/Ue).

Balancierte Variante: k Zellen und Unausgeglichenheit ε:genau k Zellen (können unzusammenhängend sein) Zellen,Grösse ≤ (1 + ε)dn/Ue.

beides NP schwer⇒ benutze Heuristiken

Julian Dibbelt – Algorithmen für RoutenplanungFolie 33 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Generelle VerfahrenMETIS [KK99]SCOTCH [PR96]DiBaP [MMS09]Kappa [HSS10], KaSPar [OS10], Kaffpa [SS11], KaffpaE [SS12]

Julian Dibbelt – Algorithmen für RoutenplanungFolie 34 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Natural Cuts

Strassengraphen: dichte Regionen (Gitter) abwechselnd mitnatürlichen SchnittenFlüsse, Berge, Wüsten, Wälder, Parks, Grenzen, Autobahnen, . . .

PUNCH: Partitioner Using Natural-Cut Heuristics

Julian Dibbelt – Algorithmen für RoutenplanungFolie 35 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Übersicht

1 Ausdünnung:entspricht “match + contract” auf Folie 34

finde natürliche Schnitte (auf richtigerSkala)behalte Schnittkanten, kontrahiere alleanderen

2 Zusammensetzen:partitioniere (kleineren) kontrahierten graph“initial partitioning”greedy + lokale Suche [+ Kombinationen]“uncontract + local improvements”

Julian Dibbelt – Algorithmen für RoutenplanungFolie 36 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Übersicht

1 Ausdünnung:entspricht “match + contract” auf Folie 34

finde natürliche Schnitte (auf richtigerSkala)behalte Schnittkanten, kontrahiere alleanderen

2 Zusammensetzen:partitioniere (kleineren) kontrahierten graph“initial partitioning”greedy + lokale Suche [+ Kombinationen]“uncontract + local improvements”

Julian Dibbelt – Algorithmen für RoutenplanungFolie 36 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Schnitte: DefinitionenSchnitt

Partition des Graphen in 2 Teile (V1, V2)Grösse: Anzahl Schnittkanten (|S|)

Minimaler s-t Schnittentferne minimale Anzahl Kanten, so dass s und t im Graphennicht mehr verbunden sindkann in maximalen Fluss überführt werdenin Polynomialzeit zu berechnen

Dünnster SchnittSchnitt mit |S|/min{|V1|, |V2|} minimalNP schwer

Exact Graph BisectionSchnitt mit |S| minimal und |V1|, |V2| < d|V |/2eNP schwer

Julian Dibbelt – Algorithmen für RoutenplanungFolie 37 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Finde Natürliche Schnitte

Wir brauchen dünne Schnittezwischen dichten Regionen:

Dünnster Schnitt?Zu aufwendig.

Berechne minimalen s-t Schnitt (fürzufälliges s, t)?

Meist trivial: Knotengrade sind klein.

Wir brauchen was anderes:s-t Schnitte zwischen Regionen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 38 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Finde Natürliche Schnitte1 Wähle ein Zentrum v .2 Breitensuche der Grösse U um v :

Erste U/10 Knoten: KernVerbliebene Knoten in der Queue:Ring

3 Finde minimum Kern/Ring Schnitt:standard s–t minimaler Schnitt.

4 Wiederhole für verschiedene“zufällige” v :

bis jeder Knoten in ≥ 2 Kernen war

v

Berechene kleine Schnitte extra:identifiziere 1- and 2-Schnittereduziert Strassengraph um Faktor 2beschleunigt Schnittfindung

Julian Dibbelt – Algorithmen für RoutenplanungFolie 39 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Finde Natürliche Schnitte1 Wähle ein Zentrum v .2 Breitensuche der Grösse U um v :

Erste U/10 Knoten: KernVerbliebene Knoten in der Queue:Ring

3 Finde minimum Kern/Ring Schnitt:standard s–t minimaler Schnitt.

4 Wiederhole für verschiedene“zufällige” v :

bis jeder Knoten in ≥ 2 Kernen war

v

U/10 nodes

Berechene kleine Schnitte extra:identifiziere 1- and 2-Schnittereduziert Strassengraph um Faktor 2beschleunigt Schnittfindung

Julian Dibbelt – Algorithmen für RoutenplanungFolie 39 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Finde Natürliche Schnitte1 Wähle ein Zentrum v .2 Breitensuche der Grösse U um v :

Erste U/10 Knoten: KernVerbliebene Knoten in der Queue:Ring

3 Finde minimum Kern/Ring Schnitt:standard s–t minimaler Schnitt.

4 Wiederhole für verschiedene“zufällige” v :

bis jeder Knoten in ≥ 2 Kernen war

v

U/10 nodes

U nodes

Berechene kleine Schnitte extra:identifiziere 1- and 2-Schnittereduziert Strassengraph um Faktor 2beschleunigt Schnittfindung

Julian Dibbelt – Algorithmen für RoutenplanungFolie 39 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Finde Natürliche Schnitte1 Wähle ein Zentrum v .2 Breitensuche der Grösse U um v :

Erste U/10 Knoten: KernVerbliebene Knoten in der Queue:Ring

3 Finde minimum Kern/Ring Schnitt:standard s–t minimaler Schnitt.

4 Wiederhole für verschiedene“zufällige” v :

bis jeder Knoten in ≥ 2 Kernen war

v

U/10 nodes

U nodes

Berechene kleine Schnitte extra:identifiziere 1- and 2-Schnittereduziert Strassengraph um Faktor 2beschleunigt Schnittfindung

Julian Dibbelt – Algorithmen für RoutenplanungFolie 39 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Eigenschaften der Ausdünung

1 viele Kanten werden nie geschnitten2 Schnittkanten partitionieren den Graphen in

Fragmente3 Fragmentgrösse ≤ U (meist viel kleiner)

Generiere Fragmentgraphen:Fragment→ gewichteter Knotenbenachbarte Fragmente→ gewichteteKante

U fragments frag size

4 096 605 864 3065 536 104 410 173

1 048 576 10 045 1 793(Europe: 18M nodes)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 40 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;

kombiniere adjazente Zellen;stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;

stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;

stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;

stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;

stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;

stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

KonstruktionsphaseFragmentgröße deutlich unterhalbvon U, Schnitt unnötig großFinde bessere Partition durchZusammenfassen von FragmentenAlgorithmus:

starte mit isolierten Fragmenten;kombiniere adjazente Zellen;stoppe wenn maximal.

Zufällig greedy:füge Fragmente zusammen, die stärker verbunden......im Verhältnis zu ihrer Grösse (= # Knoten, die sie repräsentieren).

Ergebnis okay, aber es geht besser.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 41 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Suche(Lokale Reoptimierung auf teilweise entpacktem Graphen)

Für paarweise benachbarte Zellen:Zerteilung in Fragments;lass konstruktiven, randomisiertenAlgorithmus auf Subproblem laufen;behalte Lösung wenn besser.

Variante benutzt auch Nachbarzellen:mehr Flexibilität;beste Ergebnisse (standard).

Nachbarzellen können auch inFragmente zerteilt werden:

Subprobleme zu gross;schlechtere Ergebnisse.

Evaluiere jedes Subproblem mehrmals (mit Zufall).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 42 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Suche(Lokale Reoptimierung auf teilweise entpacktem Graphen)

Für paarweise benachbarte Zellen:Zerteilung in Fragments;lass konstruktiven, randomisiertenAlgorithmus auf Subproblem laufen;behalte Lösung wenn besser.

Variante benutzt auch Nachbarzellen:mehr Flexibilität;beste Ergebnisse (standard).

Nachbarzellen können auch inFragmente zerteilt werden:

Subprobleme zu gross;schlechtere Ergebnisse.

Evaluiere jedes Subproblem mehrmals (mit Zufall).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 42 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Suche(Lokale Reoptimierung auf teilweise entpacktem Graphen)

Für paarweise benachbarte Zellen:Zerteilung in Fragments;lass konstruktiven, randomisiertenAlgorithmus auf Subproblem laufen;behalte Lösung wenn besser.

Variante benutzt auch Nachbarzellen:mehr Flexibilität;beste Ergebnisse (standard).

Nachbarzellen können auch inFragmente zerteilt werden:

Subprobleme zu gross;schlechtere Ergebnisse.

Evaluiere jedes Subproblem mehrmals (mit Zufall).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 42 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Suche(Lokale Reoptimierung auf teilweise entpacktem Graphen)

Für paarweise benachbarte Zellen:Zerteilung in Fragments;lass konstruktiven, randomisiertenAlgorithmus auf Subproblem laufen;behalte Lösung wenn besser.

Variante benutzt auch Nachbarzellen:mehr Flexibilität;beste Ergebnisse (standard).

Nachbarzellen können auch inFragmente zerteilt werden:

Subprobleme zu gross;schlechtere Ergebnisse.

Evaluiere jedes Subproblem mehrmals (mit Zufall).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 42 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Lokale Suche(Lokale Reoptimierung auf teilweise entpacktem Graphen)

Für paarweise benachbarte Zellen:Zerteilung in Fragments;lass konstruktiven, randomisiertenAlgorithmus auf Subproblem laufen;behalte Lösung wenn besser.

Variante benutzt auch Nachbarzellen:mehr Flexibilität;beste Ergebnisse (standard).

Nachbarzellen können auch inFragmente zerteilt werden:

Subprobleme zu gross;schlechtere Ergebnisse.

Evaluiere jedes Subproblem mehrmals (mit Zufall).

Julian Dibbelt – Algorithmen für RoutenplanungFolie 42 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Weitere Verbesserungen

Mehrfacher Test für jedesPaar

lokale Suche hatZufallskomponenten

Multistart:konstruktiv+lokale Suche;behalte beste Lösung.

Kombination:kombiniere mancheLösungen;merge + lokale Suche.

●

●

●

●

●●

●●

● ● ●

ASSEMBLY TIME (s)

CU

T S

IZE

1000

011

000

1200

013

000

1400

015

000

0.1 1 10 100 1000 10000

●

●●

●● ● ●

Local search retriesMultistartCombination

(Europe, U = 216)

längere Laufzeit→ bessere Lösungen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 43 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Laufzeit

● ● ● ● ● ● ●

Maximum cell size (U)

Tim

e (s

)

● ●

●

●

●

●

●

●

●

●

●● ● ●

●

● ●

●

●

●

●

020

4060

8010

012

014

016

018

020

0

210 212 214 216 218 220 222

Tiny cutsNatural cutsGreedy + Local searchTotal

Europe (18M vertices), 12 cores

Flaschenhalse: Aufbau für kleine U, Ausdünnung für grosse U

Julian Dibbelt – Algorithmen für RoutenplanungFolie 44 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Qualität

U A B B/√

U B/ 3√

U

1 024 895 16.8 0.52 1.664 096 3 602 27.6 0.43 1.73

16 384 14 437 45.6 0.36 1.8065 536 57 376 72.7 0.28 1.80

262 144 222 626 103.7 0.20 1.621 048 576 826 166 134.3 0.13 1.324 194 304 3 105 245 127.9 0.06 0.79

(Europe, 16 retries, no multistart/combination)U: maximal erlaubte Zellengrösse

A: durchschn. Zellengrösse der Lösungen

B: durchschn. Randknoten pro Zelle

Strassengraphen haben sehr kleine Separatoren

Julian Dibbelt – Algorithmen für RoutenplanungFolie 45 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

Andere Verfahren lösen balancierte Variante:finde k Zellen mit Grösse ≤ (1 + ε)dn/Ue.

Erweiterung von PUNCH:1 benutze standard PUNCH

mit U = (1 + ε)dn/Ue;2 wähle k Basis Zellen,

verteile den Rest (Multistart)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 46 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Balancierte Partitionen

PUNCH: bessere Lösungen...

K=4 K=16 K=64

Solution Quality

Rel

ativ

e cu

t siz

e (P

UN

CH

=1)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

PUNCHKAFFPAKASPARKAPPASCOTCHMETIS

(Europe, ε = 0.03)

...in vernünftiger Zeit.

K=4 K=16 K=64

Running Times

Run

ning

Tim

e [s

]

050

010

0015

0020

0025

0030

00

PUNCHKAFFPAKASPARKAPPASCOTCHMETIS

(Europe, ε = 0.03)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 47 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Vancouver mit METIS

Julian Dibbelt – Algorithmen für RoutenplanungFolie 48 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Vancouver mit PUNCH

Julian Dibbelt – Algorithmen für RoutenplanungFolie 49 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Portland mit METIS

Julian Dibbelt – Algorithmen für RoutenplanungFolie 50 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Portland mit PUNCH

Julian Dibbelt – Algorithmen für RoutenplanungFolie 51 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Bemerkungen

reduziert Randknoten gegenüber METIS um mehr als Faktor 2Beschleunigung von Arc-Flags Vorberechnung um Faktor 2auch multi-level Partitionen berechnenbartop-down liefert beste Ergebnisse

dabei Vorteile gegenüber METIS sogar grösserWie weit vom Optimum entfernt?Wird für die Bing Routing Engine benutzt.

Julian Dibbelt – Algorithmen für RoutenplanungFolie 52 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Literatur

Literatur (Partitionierung):

George Karypis, Vipin Kumar:A Fast and High Quality Multilevel Scheme for PartitioningIrregular GraphsIn: SIAM Journal on Scientific Computing, 1998Peter Sanders, Christian Schulz:Distributed Evolutionary Graph PartitioningIn: ALENEX, 2012Daniel Delling, Andrew Goldberg, Ilya Razenshteyn, RenatoWerneck:Graph Partitioning with Natural CutsIn: IPDPS, 2011

Julian Dibbelt – Algorithmen für RoutenplanungFolie 53 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Hierarchische Techniken

Bisher: zielgerichtete SucheNächste Idee: Nutze “Hierarchie” im Graphen

in etwa: Seiten-, Haupt-, Land-, Bundesstraßen, Autobahnen

Ideensammlung:identifiziere wichtige Knoten mit Zentralitätsmaßüberspringe unwichtige Teile des Graphen

Jetzt: letzteres

Julian Dibbelt – Algorithmen für RoutenplanungFolie 54 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Overlay Graph

GegebenEingabegraph G = (V ,E , len)Knotenmenge V ⊇ VL

BerechneBerechne GL = (VL,EL, lenL), so dass Distanzen in GL wie in G

Wie VL wählen?

Heute: Randknoten

Julian Dibbelt – Algorithmen für RoutenplanungFolie 55 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Overlay Graph

GegebenEingabegraph G = (V ,E , len)Knotenmenge V ⊇ VL

BerechneBerechne GL = (VL,EL, lenL), so dass Distanzen in GL wie in G

Wie VL wählen?Heute: Randknoten

Julian Dibbelt – Algorithmen für RoutenplanungFolie 55 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

PartitionierungLetztes Mal: Strassengraphen haben natürliche Schnitte

Jeder Pfad durch eine Zelle betritt/verlässt die Zelle durch einenRandknoten

⇒ Minimiiere # Schnittkanten mit Zellgrösse ≤ U(Eingabeparameter)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 56 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ausnutzung der PartitionIdee: Berechne Distanzen zwischen Randknoten in jeder Zelle

Overlay Graph:RandknotenCliquen in jeder ZelleSchnittkanten

s

t

Suchgraph:Start- und Zielzelle......plus Overlaygraph.(bidirektionaler) Dijkstra

Example215 Knoten pro Zelle, 626 Zellen⇒ 34 k Knoten im Overlaygraphen

Julian Dibbelt – Algorithmen für RoutenplanungFolie 57 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ergebnisse

Worst-Case:Kanten scans: O(

∑cliques + 2 · cell size).

Grösse des Overlaygraphen is metrikunabhängig

Beispiel:

Metric Customization Queriesmetric time [s] space [MB] scans time [ms]

Travel time 20 10 45134 10Distance 20 10 47127 11

(partition: ≤ 214 nodes/cell)

West Europa (18 M nodes, 42 M edges)Intel Core-i7 920 (four cores at 2.67 GHz)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 58 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ergebnisse

Worst-Case:Kanten scans: O(

∑cliques + 2 · cell size).

Grösse des Overlaygraphen is metrikunabhängig

Beispiel:

Metric Customization Queriesmetric time [s] space [MB] scans time [ms]

Travel time 20 10 45134 10Distance 20 10 47127 11

(partition: ≤ 214 nodes/cell)

West Europa (18 M nodes, 42 M edges)Intel Core-i7 920 (four cores at 2.67 GHz)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 58 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Ergebnisse

Worst-Case:Kanten scans: O(

∑cliques + 2 · cell size).

Grösse des Overlaygraphen is metrikunabhängig

Beispiel:

Metric Customization Queriesmetric time [s] space [MB] scans time [ms]

Travel time 20 10 45134 10Distance 20 10 47127 11

(partition: ≤ 214 nodes/cell)

West Europa (18 M nodes, 42 M edges)Intel Core-i7 920 (four cores at 2.67 GHz)

Julian Dibbelt – Algorithmen für RoutenplanungFolie 58 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik

Nächste Termine

Mittwoch, 8.5.2013Montag, 13.5.2013

Julian Dibbelt – Algorithmen für RoutenplanungFolie 59 – 6. Mai 2013

Institut für Theoretische InformatikLehrstuhl Algorithmik