Cliquen in Graphen
Mathematische Grundlagen und der Bron-Kerbosch-Algorithmus
Karin Haenelt
24.11.2012
Themen





Einführung
 einige Clustering-Algorithmen
 Clique-Algorithmus
Graphentheoretische Definition: Clique
Bron/Kerbosch-Algorithmus
 Prinzipien
 Tracing
 Algorithmus
 Optimierungen
 Implementierungen in Bibliotheken
Anhang 1: Originalformulierung des Algorithmus
Anhang 2: Tracing mit Variablenlisten
2
Einige Clustering-Algorithmen
Single
Link
Clique
Star
Variablenauswahl
Objekte
+
+
+
Attribute
+
+
+
Objekt-Attribut+
+
+
Matrix
1. Klassifikation: Ähnlichkeitsberechnung
Ähnlichkeitsmaß
+
+
+
Ähnlichkeitsmatrix Objekt/ Objekt/ Objekt/
Objekt Objekt Objekt
Schwellenwert
+
+
+
Relationsmatrix
+
+
+
2. Klassifikation: Clustering
Ableitung besser
Prüfung teils komplexer
interpretierbarer
Ähnlichkeitsrelationen
Klassen
© Karin Haenelt, Clique, 24.11.2012
String
k-Means
One-PassAssignment
+
+
+
+
+
+
+
+
+
+
Objekt/
Objekt
+
+
+
Objekt/
Zentroid
+
+
Objekt/
Zentroid
+
direkte Partition gemäß
Ähnlichkeit zu Zentroid
mit
one-PassReallokation Assignment
3
2
Cliquen
Beispiele



3
Parties, auf denen sich alle
gegenseitig kennen
Terme, die alle einander ähnlich
sind (auf bestimmte Weise)




5
1
3
7
2
8
1
C1: Note, Takt, Tempo
C2: Note, Arbeit, Zeugnis, Schule
C3: Note, Münze
C4: Note, Diplomat, Regierung
4
9
5
Dokumente, die alle einander
ähnlich sind (auf bestimmte W.)
1
6
3
2
5
8
4
6
© Karin Haenelt, Clique, 24.11.2012
4
7
4
Themen





Einführung
 einige Clustering-Algorithmen
 Clique-Algorithmus
Graphentheoretische Definition: Clique
Bron/Kerbosch-Algorithmus
 Prinzipien
 Tracing
 Algorithmus
 Optimierungen
 Implementierungen in Bibliotheken
Anhang 1: Originalformulierung des Algorithmus
Anhang 2: Tracing mit Variablenlisten
© Karin Haenelt, Clique, 24.11.2012
5
Graph
Definition
Definition (Graph)
 Ein Graph G ist ein Zwei-Tupel G = (V,E) , wobei V eine Menge und E
eine Teilmenge von {{v1,v2} ⊂ V | v1 ≠ v2} ist.
 Die Elemente von V heißen Knoten (vertices).
 Die Elemente von E sind 2-elementige Teilmengen von V,
(also Relationen zwischen den Objekten aus V)
und heißen Kanten (edges). 
3
5
7
Einen Graphen kann man bildlich darstellen
1
6
 Konten als Punkte
2
 Kanten als Linien zwischen diesen Punkten
4
 „Wenn hier von Knoten und Kanten gesprochen wird, so ist dies nur
eine Veranschaulichung, die sich an einen gezeichneten Graphen
anlehnt. Die Definitionen sind davon unabhängig.“ (Kunze, 2001, 32)
© Karin Haenelt, Clique, 24.11.2012
6
Graph
Beispiel
3
5
7
1
6
2
4
Graph mit
Knotenmenge V = {1,2,3,4,5,6,7}
Kantenmenge E = {{1,2}, {1,5}, {2,5}, {3,4}, {5,7}}
Diestel, 2006: 2
© Karin Haenelt, Clique, 24.11.2012
7
Graphen
Definitionen
Definition (gerichteter Graph / directed graph)
 ein Graph G = (V,E,init,fin) mit zwei Funktionen
 init: E  V, ordnet jeder Kante e einen Anfangsknoten init(e) zu
 fin: E  V, ordnet jeder Kante e einen Endknoten fin(e) zu
 d.h. jede Kante e = (v1,v2) ist ein geordnetes Paar. 
Definition (ungerichteter Graph / undirected graph)
 jede Kante e = {v1,v2} ist ein ungeordnetes Paar. 
Diestel, 2006: 30
© Karin Haenelt, Clique, 24.11.2012
8
Graphen
Definitionen
Definition (benachbarte Knoten / adjacent)
 zwei Knoten v1,v2 eines Graphen G heißen benachbart, wenn sie durch
eine Kante e = {v1,v2} verbunden sind. 
Definition (Grad eines Knoten / degree)
 der Grad eines Knoten ist die Anzahl der Kanten, die von einem Knoten
ausgehen. 
Definition (regulärer Graph / regular graph)
 Ein Graph G heißt regulär, wenn alle Knoten denselben Grad haben. 
© Karin Haenelt, Clique, 24.11.2012
9
Graphen
Definitionen
Definition (vollständiger Graph / complete graph)
 ein Graph G heißt vollständig, wenn alle Knoten in G paarweise
benachbart sind. 
Definition (Teilgraph / subgraph)
 ein Graph G2 = (V2, E2) heißt Teilgraph eines Graphen G1 = (V1, E1)
wenn gilt V2  V1 und E2  E1. 
Definition (Untergraph = induzierter Teilgraph / induced subgraph)
 ein Teilgraph G2 heißt
induziert oder aufgespannt
(V2 induziert oder spannt G2 in G1
auf), wenn er alle Kanten
{v,w}  E1 mit v,w  V2 enthält. 
Diestel, 2006: 3
© Karin Haenelt, Clique, 24.11.2012
10
Clique
Definition
Definition (Clique)
 eine Teilmenge C der Knotenmenge eines ungerichteten Graphen G
heißt Clique, falls der von C induzierte Untergraph von G vollständig ist.
 (Turau, 1996: 131)
Definition (maximale Clique)
 eine maximale Clique C eines Graphen G ist eine Clique, die nicht echt
enthalten ist in einer anderen Clique, d.h. es gibt keine Clique D von G,
für die gilt C  D und C  D.  (Valiente, 2002: 3001)
 m.a.W: ein vollständiger Untergraph, der nicht in einem anderen
vollständigen Untergraphen enthalten ist
1
3
Beispiel: Graph G,
Darstellung der Cliquen durch farbige
Kanten
© Karin Haenelt, Clique, 24.11.2012
2
5
8
4
6
7
11
Komplexität der Suche aller maximalen Cliquen
 theoretisch: exponentiell
 zu einer Menge von n Knoten gibt es 2n mögliche
Teilmengen
 diese können zwar nicht alle maximale Cliquen sein
 aber auch die maximale Zahl maximaler Cliquen eines
ungerichteten Graphen kann exponentiell zur Anzahl der
Knoten sein
Moon/Moser (1965): für n  2: f(n) = 3n/3
 für den allgemeinen Fall ist das Problem der Suche maximaler
Cliquen exponentiell und damit NP-hart
 schlechtester Fall: O(3n/3)
© Karin Haenelt, Clique, 24.11.2012
12
Komplexität der Suche aller maximalen Cliquen
 praktisch
 in vielen Fällen liegen in praktischen Anwendungen
Graphen vor, deren Durchsuchung nicht die Komplexität des
schlechtesten Falles erreicht
© Karin Haenelt, Clique, 24.11.2012
13
Themen





Einführung
 einige Clustering-Algorithmen
 Clique-Algorithmus
Graphentheoretische Definition: Clique
Bron/Kerbosch-Algorithmus
 Prinzipien
 Tracing
 Algorithmus
 Optimierungen
 Implementierungen in Bibliotheken
Anhang 1: Originalformulierung des Algorithmus
Anhang 2: Tracing mit Variablenlisten
© Karin Haenelt, Clique, 24.11.2012
14
Bron/Kerbosch-Algorithmus
Bron, Coen und Joep Kerbosch (1973). Finding all Cliques of an
Undirected Graph. In: Communications of the ACM, 16, 9 S. 575-579,
Algorithm 457.



theoretisch exponentielle Laufzeit
praktisch meist gute Laufzeit
gilt als schnellster Algorithmus zur Aufzählung sämtlicher Cliquen in
Graphen



Spezifikation des Algorithmus in Algol 60
einige neuere Beschreibungen (mit unterschiedlicher Effizienz)
Basis der folgenden Beschreibungen
 Bron/Kerbosch (1973)
 Samudrala/Moult (1998)
© Karin Haenelt, Clique, 24.11.2012
15
Bron/Kerbosch-Algorithmus
Prinzip
 kombiniert
 rekursive backtracking-Prozedur
 effiziente Durchsuchung eines Graphen:
 keine Permutationen bereits gefundener Cliquen suchen:
 zu einem Knoten nur die Knoten mit „höheren
Adressen“ suchen, keine Rückkehr zu „niedrigeren
Adressen“ (Hälfte der Relationsmatrix oberhalb der Diagonalen)
 „branch and bound“-Technik
 Begrenzung einer Suche, die nicht zu einer maximalen
Clique führen kann:
 keine identischen Teilbäume bei der Suche aufbauen:
 nur neue Knoten testen, d.h. Knoten, die nicht
Nachbarn eines bereits getesteten Knotens sind
© Karin Haenelt, Clique, 24.11.2012
16
Bron-Kerbosch-Algorithmus
1. Prinzip: Rekursive Backtracking-Prozedur
Graph G
Rekursionsbaum der Traversion des Graphen G
ohne Permutationen von Pfaden
1
2
5
1
3
4
2 3 45
345
5
5
2 34 5
3 45
5
5
maximale Clique
Clique
Beispiel aus Koch, 2001:10
© Karin Haenelt, Clique, 24.11.2012
17
Bron-Kerbosch-Algorithmus
2. Prinzip: branch-and-bound-Mechanismus
Graph G
Rekursionsbaum der Traversion des Graphen G
ohne Permutationen von Pfaden
1
2
5
1
3
2 3 45
4
345
5
2 34 5
3 45
5
5
5
maximale Clique
Clique
Begrenzung der Suche: ein bereits besuchter Knoten
ist Nachbar aller unbesuchten Geschwisterknoten
Beispiel aus Koch, 2001:10
© Karin Haenelt, Clique, 24.11.2012
18
Bron/Kerbosch-Algorithmus
Umsetzung: schrittweise Aktualisierung der
folgenden Knotenmengen
(1) Clique (C; wie „Clique“)
 jeweils aktueller Stand des schrittweisen Aufbaus
 Menge von Knoten, die alle mit allen verbunden sind
 jeder rekursive Aufruf
 fügt entweder einen Knoten hinzu (weitere Tiefe im Suchbaum)
 oder entfernt einen Knoten (backtracking im Suchbaum)
(2) mögliche Erweiterungen (N; wie „next potential expansions“)
 Menge von Knoten, die noch als Erweiterung von (1) wählbar sind
(3) bekannte Erweiterungen (P; wie „previous expansions“)
 Menge von Knoten, die bereits als Erweiterungen der momentanen
Konfiguration von Clique dienten und nicht noch einmal geprüft
werden sollen
nach Samudrala/Moult, 1998:289
© Karin Haenelt, Clique, 24.11.2012
19
Graph
2
dargestellter Ausschnitt
der Traversion
1
5
1
2 3 4 5
2 3 4 5 3 4 5 5
3
4
3 4 5 5
N=1,2,3,4,5
P=ø
5
5
Tracing
- Rekursion
1
NN=2,3,4,5
PN=ø
NN=3,4,5
P=2
NN=4,5
P=2,3
NN=5
P=2,3,4
2
3
4
5
NN=ø
PN=2
NN=5
PN=2
NN=ø
PN=2,4
NN=3,4,5
PN=ø
NN=4,5
P=3
NN=5
P=3,4
3
4
5
5
NN=ø
PN=ø
NN=5
PN=ø
NN=ø
PN=4
NN=ø
PN=2
5
NN=ø
PN=ø
© Karin Haenelt, Clique, 24.11.2012
Rekursion
Backtracking
Iteration
N
P
NN
PN
next possible expansions
previous expansions
next expansions.new
previous expansions.new
20
Graph
2
dargestellter
Ausschnitt
der Traversion
5
1
3
4
2 3 4 5
1
2 3 4 5 3 4 5 5
3 4 5 5
N=1,2,3,4,5
P=ø
5
5
Tracing
1
- Rekursion NN=2,3,4,5
- BegrenzungPN=ø
2
NN=3,4,5
P=2
NN=4,5
P=2,3
NN=5
P=2,3,4
3
4
5
NN=ø
PN=2
NN=5
PN=2
NN=ø
PN=2,4
NN=3,4,5
PN=ø
NN=4,5
P=3
NN=5
P=3,4
3
4
5
5
NN=ø
PN=ø
NN=5
PN=ø
NN=ø
PN=4
NN=ø
PN=2
5
NN=ø
PN=ø
© Karin Haenelt, Clique, 24.11.2012
ein Knoten in P ist Nachbar aller Knoten in N (bound!)
Rekursion
Backtracking
Iteration
N
P
NN
PN
next possible expansions
previous expansions
next expansions.new
previous expansions.new
21
Clique-Algorithmus
Tracing
c
v N
1,2,3,4,5
1
1 2,3,4,5
1,2
2 3,4,5
1,2,3 3 4,5
1,2
4,5
1,2,4 4 5
1,2,4,5 5 1,2,4
1,2
5
© Karin Haenelt, Clique, 13.11.2009
P
3
NN
PN
2,3,4,5 3,4,5 5
-
3,4
22
C
N
P
v
NN
PN
Bron-Kerbosch-Algorithmus
clique
next possible expansions
previous expansions
actual node
next expansions.new
previous
expansions.new
01 enumerateAllMaximalCliques()
02 { graph G = (V,E); node u,v; set<node> C,N,P,NN,PN;
03
forall_nodes(v,G) N.insert(v);
04
nextMaxCliques(C,N,P)
05
{ if
{ein Knoten in P ist Nachbar aller Knoten in N Begrenzung (bound)
then keine max.Clique mehr auffindbar}
06
else
Iteration
schrittweise Erweiterung
07
{ forall_nodes(v,N)
von C durch Knoten aus N
08
{ N  N \ {v}
Aktualisierung von N und P:
09
C  C  {v}
NNeu und PNeu:
10
NN  {w  N | {v,w}  E}
Einschränkung auf Knoten,
11
PN  {w  P | {v,w}  E}
die zu v benachbart sind
12
if (NN ==  und
// keine weiteren Erweiterungskandidaten
PN == )
then reportClique();// Clique nicht enthalten in einer anderen
13
else nextMaxCliques(C, NN, PN)
Rekursion
14
C  C \ {v}
Backtracking
15
P  P  {v}
- Zurücksetzen von C
16 } }
} }
- Merken bekannter
© Karin Haenelt, Clique,
24.11.2012/16.11.2014
23
Erweiterungen von C23in P
formalisiert auf der Basis von Samudrala/Moult(1988:290)
Bron-Kerbosch-Algorithmus
Tracing-Beispiel
C
N
P
NN
PN
clique
next possible expansions
previous expansions
next expansions.new
previous
expansions.new
Zahlen in den grauen Kästen: Zeilenummern des Algorithmus
© Karin Haenelt, Clique, 1.12.2014
24
Bron/Kerbosch-Algorithmus
Formulierungsvariante 1
enumerateNextMaximalClique(C,N,P)
 schrittweise Erweiterung von C durch Knoten aus N
 Auswahl eines Knoten v aus next potential expansions (N)
 Hinzufügen von v zu Clique (C)
 Aktualisierung von N und P: Erzeugung der Mengen
 next potential expansions.new (NN) aus N
 previous expansions.new (PN) aus P
durch Reduktion auf Knoten, die zu v benachbart sind
 rekursive Verarbeitung für aktualisierte Mengen:
enumerateNextMaximalClique(C,NN,PN)
 Vorbereitung für backtracking:
 Entfernung von v aus C
 Merken der bekannten Erweiterungen von C in P: Hinzufügung von
v zu P
formuliert auf der Basis von
Bron/Kerbosch, 1973: 575
© Karin Haenelt, Clique, 24.11.2012
25
Bron/Kerbosch-Algorithmus
Formulierungsvariante 2
begin procedure find-cliques (C, N, P)
if
ein Knoten in P ist Nachbar aller Knoten in N
then es kann keine max.Clique mehr gefunden werden
(branch and bound step)
else
for jeden Knoten v in N do
verschiebe Knoten v in C
erzeuge NN durch Entfernung der Knoten aus N,
die keine Nachbarn von v sind
erzeuge PN durch Entfernung der Knoten aus P,
die keine Nachbarn von v sind
if
NN und PN sind leer
then C ist eine maximale Clique
else
find-cliques (C, NN, PN)
C
clique
endif
N
next possible expansions
verschiebe v von C nach P
P
previous expansions
endfor
v
actual node
endif
NN next expansions.new
end procedure find-cliques
PN previous expansions.new
© Karin Haenelt, Clique, 24.11.2012
26
nach Samudrala/Moult (1998:290)
Bron/Kerbosch-Algorithmus
Versionen


Bron/Kerbosch, Version 1:
 Rekursion mit Begrenzungsbedingung
 Betrachtung der Knoten in Speicherreihenfolge
Bron/Kerbosch, Version 2:
 Rekursion mit Begrenzungsbedingung
 Betrachtung der Knoten in berechneter Reihenfolge
(hat im gezeigten Beispiel keine Auswirkung auf Anzahl der besuchten Knoten)
© Karin Haenelt, Clique, 24.11.2012
27
Bron-Kerbosch-Algorithmus
Version 1
 Begrenzungsbedingung
 ein Knoten in P ist Nachbar aller Knoten in N
 Prinzip 1
 Knoten v aus N werden nach der Speicherabfolge gewählt
© Karin Haenelt, Clique, 24.11.2012
28
Bron-Kerbosch-Algorithmus
zur Erinnerung: Begrenzungsbedingung:
Version 2
{ein Knoten in P ist Nachbar aller Knoten in N}


Grundgedanke
Knoten v aus N werden nicht der Reihe nach gewählt, sondern so, dass die
Begrenzungsbedingungen möglichst früh erkannt werden
Prinzip 2: Reihenfolge der Abarbeitung der Knoten v aus N berechnet
 jedem Knoten in P ist ein Zähler nd (number of disconnections) zugeordnet:
 zählt Anzahl der Knoten in N, zu denen dieser Knoten nicht benachbart
ist
 Verschieben eines Knoten v von N in P (beim backtracking):
 Zähler der Knoten in P, zu denen v nicht benachbart ist, um 1
vermindern
 Zähler für v erzeugen
 Wenn ein Zähler 0 erreicht, ist die Begrenzungsbedingung erfüllt
 jeweils Auswahl des Knotens w in P mit dem niedrigsten Zähler
 jeweils Auswahl eines Knotens v aus N, der zu w aus P nicht benachbart ist
(d.h. Zähler von w erreicht am schnellsten 0)
© Karin Haenelt, Clique, 24.11.2012
29
Bron/Kerbosch (1973:575/576)
Bron-Kerbosch-Algorithmus
Eigenschaften
 findet jede maximale Clique genau einmal
 Optimierungen: möglichst frühzeitige Begrenzung einer
Suchalternative
 Rekursionsmechanismus:
 keine Permutationen bereits gefundener Cliquen suchen:
zu einem Knoten nur die Knoten mit „höheren Adressen“
suchen, keine Rückkehr zu „niedrigeren Adressen“:
N  N \ {v}
 Bound-Bedingung
 keine identischen Teilbäume bei der Suche aufbauen:
nur neue Knoten testen, d.h. Knoten, die nicht Nachbarn
eines bereits getesteten Knotens sind
© Karin Haenelt, Clique, 24.11.2012
30
Bron-Kerbosch-Algorithmus
Laufzeittests
 zufällige Graphen
 Graphen mit
 10 bis 50 Knoten
 10%, 30%, 50%, 70%, 90%, 95% Kanten
 Laufzeit linear
 Graphen mit der größten Anzahl von Cliquen pro Knoten
 reguläre Graphen der Dimensionen 3  k, konstruiert als
Komplement von k disjunkten 3-Cliquen
 Laufzeit exponentiell
© Karin Haenelt, Clique, 24.11.2012
31
Bron/Kerbosch (1973:576)
Bron-Kerbosch-Algorithmus
Implementierung in Bibliotheken
 JGraphT – Java Graph Library http://www.jgrapht.org/
 Valiente, Gabriel (2002). Algorithms on Trees and Graphs.
Berlin / Heidelberg / New York: Springer-Verlag.
Quellcode auf der Basis von LEDA (library of efficient data
structures and algorithms 4.4.1)
http://www.lsi.upc.edu/~valiente/algorithm/combin.cpp
© Karin Haenelt, Clique, 24.11.2012
32
Themen





Einführung
 einige Clustering-Algorithmen
 Clique-Algorithmus
Graphentheoretische Definition: Clique
Bron/Kerbosch-Algorithmus
 Prinzipien
 Tracing
 Algorithmus
 Optimierungen
 Implementierungen in Bibliotheken
Anhang 1: Originalformulierung des Algorithmus
Anhang 2: Tracing mit Variablenlisten
© Karin Haenelt, Clique, 24.11.2012
33
Bron-Kerbosch-Algorithmus
Originalformulierung
sets compsub (hier: Clique), candidates (hier: Next), not (hier: Previous)
Step 1. Selection of a candidate
Step 2. Adding the selected candidate to compsub
Step 3. Creating new sets candidates and not from the old sets by removing all
points not connected to the selected candidate (to remain consistent with the
definition), keeping the old sets in tact
Step 4. Calling the extension operator to operate on the sets just formed
Step 5. Upon return, removal of the selected candidate from compsub and its
addition to the old set not.
If at some stage not contains a point connected to all points in candidates, we can
predict that further extensions (further selection of candidates) will never lead to
the removal (in Step 3) of that particular point from subsequent configurations of
not and, therefore, not to a clique. This is the branch and bound method which
enables us to detect in an early stage branches of the backtracking tree that do
not lead to successful endpoints.
Bron/Kerbosch (1973:575)
© Karin Haenelt, Clique, 24.11.2012
34
Themen





Einführung
 einige Clustering-Algorithmen
 Clique-Algorithmus
Graphentheoretische Definition: Clique
Bron/Kerbosch-Algorithmus
 Prinzipien
 Tracing
 Algorithmus
 Optimierungen
 Implementierungen in Bibliotheken
Anhang 1: Originalformulierung des Algorithmus
Anhang 2: Tracing mit Variablenlisten
© Karin Haenelt, Clique, 24.11.2012
35
Bron-Kerbosch-Algorithmus
Anhang 2
 Tracing mit Variablenlisten
© Karin Haenelt, Clique, 24.11.2012
36
Bron-Kerbosch-Algorithmus
Clique
Graph G
2
5
C
4
3
Tiefensuch-Traversionsbaum von G
(ohne Permutationen von Pfaden)
rekursive
BacktrackingProzedur 1
2 3 4
3
3
4
4
5
5
5
5
Prev
3
4
5
5
5
branch-andboundMechanismus
© Karin Haenelt, Clique, 24.11.2012
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
1
2
Next
5
○
○○
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
37
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
38
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○●
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
39
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○●
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
40
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○●
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
41
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○●
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
42
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○●
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
43
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○●
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
44
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
5
3
2
3
4
4
5
5
5
NN und PN sind leer:
maximale Clique gefunden
© Karin Haenelt, Clique, 24.11.2012
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○●
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
45
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○●
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
46
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
3
5
© Karin Haenelt, Clique, 24.11.2012
2
3
4
4
5
5
5
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○●
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
47
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
5
3
2
3
4
4
5
5
5
NN und PN sind leer:
maximale Clique gefunden
© Karin Haenelt, Clique, 24.11.2012
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○○
○○○○●
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
48
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
5
3
2
3
4
4
5
5
5
N ist leer, PN nicht:
keine maximale Clique
© Karin Haenelt, Clique, 24.11.2012
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○●
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
49
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
5
5
3
2
3
4
4
5
5
5
NN ist leer , aber PN nicht;
es kann keine max.Clique
mehr gefunden werden
© Karin Haenelt, Clique, 24.11.2012
5
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○●
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
50
Bron-Kerbosch-Algorithmus
1. Auswahl eines Knotens v aus N
2. Verschieben von v aus N in C
3. NNeu und PNeu:
nur Nachbarn von v
4. maxClique oder rekursiver Aufruf
5. Entfernen von v aus C und
Hinzufügen von v zu P
6. iterativer Aufruf
1
3
2
3
4
4
5
5
branch-and5
boundMechanismus
5
3
2
3
4
4
5
5
5
5
ein Knoten in P ist Nachbar
aller Knoten in N
es kann keine max.Clique
mehr gefunden werden
© Karin Haenelt, Clique, 24.11.2012
Clique
Next
Prev
Next
New
Prev
New
CC{v} NN\{v} PP{v} {wN | {wP |
C
○
○○
○○○
○○○○
○○○○
○○○○○
○○○○
○○○
○○○
○○○○
○○○
○○
○○○
○○○
○○○○
○○○
○○
○○
○○○
○○
1,
1,2,
1,2,
1,2,4,
1,2,
1,
1,
1,4,
1,
2,
2,
2,4,
2,
4,
v N
1,2,3,4,5
1 2,3,4,5
2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 2 3,4,5
3 4,5
4 5
5 5 3 4,5
4 5
5 5 -
P
3
3,4
2
2,3
2,3
2,3,4
1
1
1,3
1
1,3,4
1,2
1,2,3
1,2,3
1,2,3,4
{v,w} ∈ E}
NN
PN
2,3,4,5
3,4,5
5
5
3,4,5
5
4
2
2
2
2,4
1
1
1
5
-
1,4
1,2
1,2
1,2
1,2,4
c
c
51
Vielen Dank
Für das Aufspüren von Fehlern in früheren Versionen und für
Verbesserungsvorschläge danke ich
 Johannes Knopp. Tilman Wittl
© Karin Haenelt, Clique, 24.11.2012
52
Literatur
Originalartikel
Bron, Coen und Joep Kerbosch (1973). Finding all Cliques of an Undirected Graph. In:
Communications of the ACM, 16, 9 S. 575-579, Algorithm 457.
© Karin Haenelt, Clique, 24.11.2012
53
Literatur
Beschreibungen und Modifikationen
Cazals, Frédérick und Chinmay Karande (2005). Reporting maximal cliques: new insights into an
old problem. INRIA Rapport de recherche No. 5615. http://www.inria.fr/rrrt/rr-5615.html
Koch, Ina (2001). Enumerating all connected maximal common subgraphs in two graphs. In:
Theoretical Computer Science 250, S. 1-30.
Samudrala, Ram und John Moult (1998). A Graph-theoretic Algorithm for Comparative Modeling
of Protein Structure. In: Journal of Molecular Biology 279: 287-302.
Valiente, Gabriel (2002). Algorithms on Trees and Graphs. Berlin / Heidelberg / New York:
Springer-Verlag.
--------Artymiuk, P., Poirrette, A., Rice, D. & Willett, P. (1995). Comparison of protein folds and
sidechain clusters using algorithms from graph theory. In Proceedings of the CCP4 Study
Weekend, SERC, Daresbury Laboratory, Daresbury
Brint, A.T., Willet, P. (1987). Algorithms for the Identification of three-dimensional maximal
common substructures, J. Chem. Inform. Comput. Sci. 2 (1987) 311-320.
Gerhards, L., Lindenberg, W. (1979). Clique detection for nondirected graphs: two new
algorithms, Computing 21 (1979) 295-322.
© Karin Haenelt, Clique, 24.11.2012
54
Literatur
Mathematische Grundlagen und Graphalgorithmen
Diestel, Reinhard (2006). Graphentheorie. 3. Auflage. Heidelberg: Springer-Verlag.
Kunze, Jürgen (2001). Computerlinguistik. Voraussetzungen, Grundlagen, Werkzeuge.
Vorlesungsskript. Humboldt Universität zu Berlin. http://www2.rz.huberlin.de/compling/Lehrstuhl/Skripte/Computerlinguistik_1/index.html.
Moon, John W. und Leo Moser (1965). On Cliques in Graphs. Israel Journal of Mathematics 3
(1): 23-28.
Turau, Volker (1996). Algorithmische Graphentheorie. Bonn u.a.: Addison-Wesley Publishing
Company.
Tracing der vorgestellten Versionen
Haenelt, Karin (2006). Tracing des Bron/Kerbosch-Algorithmus zur Entdeckung aller maximalen
Cliquen in Graphen. Kursskript. 10.08.2006. Darstellungsform 1:
http://kontext.fraunhofer.de/haenelt/kurs/folien/Haenelt_TraceCliqueBornKerbosch_Hoch.pd
f und Darstellungsform 2:
http://kontext.fraunhofer.de/haenelt/kurs/folien/Haenelt_TraceCliqueBornKerbosch_Quer.pdf
© Karin Haenelt, Clique, 24.11.2012
55
Copyright




© Karin Haenelt, 2006-2012
All rights reserved. The German Urheberrecht (esp. § 2, § 13, § 63 , etc.). shall
be applied to these slides. In accordance with these laws these slides are a
publication which may be quoted and used for non-commercial purposes, if the
bibliographic data is included as described below.
 Please quote correctly.
 If you use the presentation or parts of it for educational and scientific
purposes, please include the bibliographic data (author, title, date,
page, URL) in your publication (book, paper, course slides, etc.).
 please add a bibliographic reference to copies and quotations
 Deletion or omission of the footer (with name, data and copyright sign) is
not permitted if slides are copied
 Bibliographic data. Karin Haenelt. Cliquen in Graphen. Definitionen und
Algorithmen. Kursfolien. 24.11.2012
http://kontext.fraunhofer.de/haenelt/kurs/folien/Haenelt_Clique.pdf
For commercial use: In case you are interested in commercial use please
contact the author.
Court of Jurisdiction is Darmstadt, Germany
Versionen: 24.11.2012, 28.11.2011,27.11.2011, 14.11.2009, 10.11.2007, 02.11.2007, 14.11.2006, 10.08.2006
© Karin Haenelt, Clique, 24.11.2012
56

ppt