Városi környezetekben intenzíven vizsgált terület azoknak a mobil hálózatoknak a kialakítása, ahol a felhasználók mozgó eszközök, mint drónok, gépjárművek, alacsony pályán keringő műholdak stb. segítségével kommunikálnak. Ebben az esetben a kihívás az alábbi: Adott egy gráf, melynek éleinek kapacitása időben változik (ezt hívjuk időben változó hálózatnak), továbbá van egy forrás- és egy nyelőpont. A gráf minden csomópontjához ismerjük a buffer méretét, ami a tárolható információ maximális mennyiségét jelöli. A cél az, hogy kiszámoljuk, mennyi idő alatt juthat el egy adott mennyiségű adat a forrástól a nyelőig. Ehhez a klasszikus megoldás, hogy egy maximális folyamot kell számolnak egy hatalmas gráfon. A gráf az időben változó hálózat \"időszeleteiből\" áll. Így ahhoz, hogy a számítás kellően pontos legyen, ez a gráf óriási lenne (pár ezer mobil eszköz és pár ezer időszelet több tízmillió pontos gráfot eredményezne). Ennek kezelése egy olyan algoritmikus kihívás, ami jelenleg sok alkalmazás megvalósíthatóságának az akadálya. A hallgatóval ennek a problémakörnek a részleteit vizsgálnánk, és egy konkrét egyszerűsítés alapján próbálnánk megoldani a kihívást. Azt használnánk ki, hogy a gráf az egymás utáni időszeletekben nem tér el nagyon.

In urban environments, there is an intensive focus on the development of mobile networks where users communicate through moving devices such as drones, vehicles, low-orbit satellites, etc. In this context, the challenge is as follows: There's a graph in which the capacity of the edges changes over time (known as a temporal network). Additionally, there's a source and a sink node. For each node in the graph, we know the buffer size, which indicates the maximum amount of information that can be stored. The objective is to calculate the amount of time it would take for a specific amount of data to travel from the source to the sink. The classic solution to this problem involves computing a maximum flow in a massive graph. This graph consists of "time slices" of the temporal network. Therefore, to ensure accurate calculations, this graph would be gigantic (with a few thousand mobile devices and several thousand time slices resulting in a graph with tens of millions of nodes). Handling this represents an algorithmic challenge that currently hinders the feasibility of many applications. With the student, we would explore the details of this problem area, and based on a specific simplification, attempt to address the challenge. We would exploit the fact that the graph doesn't vary significantly across consecutive time slices.