Otimização em Redes. Árvore Geradora Mínima. Geraldo Robson Mateus DCC - UFMG

Documentos relacionados
Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Programação Linear 1

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Interpolação Segmentada

Redes de Petri. Definições:

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Eletrotécnica AULA Nº 1 Introdução

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística

Parte 1: Exercícios Teóricos

3 Algoritmos propostos

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Teoremas de Otimização com Restrições de Desigualdade

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Sistemas de equações lineares

3.2. Solução livre de ciclos e solução como uma árvore geradora

Estruturas de Dados para Conjuntos Disjuntos: Union-find Letícia Rodrigues Bueno

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

2 Máquinas de Vetor Suporte 2.1. Introdução

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

Análise Exploratória de Dados

Índice. Exemplo de minimização de estados mais complexo. estados

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Grafos Árvores Geradoras Mínimas

Projeto e Análise de Algoritmos Projeto de Algoritmos Programação Dinâmica (continuação) Prof. Humberto Brandão

BCC204 - Teoria dos Grafos

Cálculo Numérico BCC760 Interpolação Polinomial

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (DPV 5; CLRS 4)

3.3 Ordenação por Heap (Heapsort)

Otimização em Grafos

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Métodos de Ordenação Parte 1

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Projeto e Análise. Aula 1: Algoritmos de Ordenação Prof. Carlos

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA

Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (5)

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

Métodos de Ordenação Parte 1

CORRELAÇÃO E REGRESSÃO

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

INVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR. (Exercícios)

5COP096 TeoriadaComputação

2. VARIÁVEIS ALEATÓRIAS

2 Análise de Campos Modais em Guias de Onda Arbitrários

Introdução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

Lista de exercícios sobre contagem de operações Prof. João B. Oliveira

Mecanismos de Escalonamento

Ajuste de Curvas Regressão. Computação 2º Semestre 2016/2017

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

Processamento Cosequencial: Ordenação Interna e Externa. Thiago A. S. Pardo Leandro C. Cintra M.C.F. de Oliveira Cristina D. A.

Covariância na Propagação de Erros

Exercícios de CPM e PERT Enunciados

Na Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016

Heapsort Letícia Rodrigues Bueno

INF 1771 Inteligência Artificial

5 Problema de planejamento de novas redes de telecomunicações

CEL033 Circuitos Lineares I

Lista 1 - PMR2300. Fabio G. Cozman 3 de abril de 2013

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação

Modelação com Variáveis Discretas

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste

Problema da Árvore Geradora Mínima

ROTEAMENTO DE LEITURISTAS: UM PROBLEMA NP-DIFÍCIL

CAPÍTULO 4 PROBABILIDADE DE BAYES

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12

Mergesort. Aula 04. Algoritmo Mergesort. Divisão e Conquista. Divisão e Conquista- MergeSort

Redes Neurais (Inteligência Artificial)

Eduardo Andrade Veloso

REGRESSÃO NÃO LINEAR 27/06/2017

INF 1010 Estruturas de Dados Avançadas

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS

Programação Não Linear. Programação Não-Linear 1

Experiência V (aulas 08 e 09) Curvas características

EM (Dempster, Laird, Rubin: 1977)

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Ciclos hamiltonianos e o problema do caixeiro viajante

Códigos Corretores de Erros e Cliques de Grafos

PLANO DE DISCIPLINA DISCIPLINA: Análise de Algoritmos

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho

Linguagens Formais e Autómatos

Modelos para Localização de Instalações

CIRCUITOS TRIFÁSICOS 23/09/2014. Fase. Sistemas. Ciclo

Avaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017

( ) ( ) = -2x = = = = Assim, o que se obtém com essa formulação é o vetor λ que resulta no menor valor de u (não necessariamente zero).

Seqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

Aprendizagem de Máquina

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Teoria Elementar da Probabilidade

Elementos de Estatística e Probabilidades II

Transcrição:

Otmzação em Redes Árvore Geradora Mínma Geraldo Robson Mateus DCC - UFMG

Árvore Geradora Mínma Desea-se construr uma rede de comuncação entre váras cdades a custo mínmo. abe-se que o custo de qualquer lgação é dado por. c Árvore Geradora Mínma

Árvore Geradora Mínma 5, {0,1}, 4,, 0 3 1, 2 1, 1 mn, A y A y N r N r N y c E E A

Árvore Geradora Mínma Dado um grafo G = N,A onde cada arco possu um custo c + encontrar uma árvore T A que cubra cada vértce em V de forma a mnmzar a soma dos custos dos arcos em T. mn,, A, A c A {0,1}, N 1, 1, A N,2 n

AGM Uma condção necessára e sufcente para que G =N,A sea uma árvore geradora mínma é que para todo arco a u A A',o cclo A, A" A' { a }, verfca: " u c au c av, av A av au

Prmero Algortmo Guloso Boruva, 1926. e a um grafo coneo fnto assocamos um número real postvo, um peso, a cada arco e se estes números são todos dstntos, então este uma únca árvore geradora cua soma dos pesos em seus arcos é mínma dentre todas as árvores geradora possíves.

Algortmo de Krusal 1-1956 Ordene os arcos em A em ordem crescente de custos: {a1}; Repta se a Não forma cclo com os arcos de então faça até 1; Fm Algortmo. m; 1; ca 1 ca {a 2 };... ca m ;

Algortmo de Krusal 2 {a1}; Repta até se Contém um cclo A então selecona arco A' de custo mámo; faça m; Fm Algortmo. 1; {a 1; }; a v {a v };

Algortmo de Krusal 3 Ordene os arcos em A em ordem decrescente de custos: ca ca... ca ; Repta A; 0; G' 1; N, 1 {a } se é coneo 2 m então faça {a }; até m; Fm Algortmo.

Observações G =N, Árvore Geradora Mínma. Unão de pequenas árvores Otmaldade Krusal - 1956 Teora de Matródes

Matródes ea M = E, F um sstema ndependente. Dzemos que M defne um matróde se o algortmo guloso resolve corretamente qualquer nstânca do Problema de Otmzação Combnatóra assocado a M ou a F, equvalentemente. Um conunto ou elemento ndependente mamal de F é um subconunto I E tal que I F e não este e E \ I : e U I F.

Matródes Teorema ea M = E, F um sstema ndependente. Então, as seguntes afrmatvas são equvalentes: M é um matróde; e I p, I p+1 e I p = p, I p+1 = p + 1, então este um elemento e I p+1 \ I p tal que e U I p F; e A é um subconunto de E e se I e I são elementos ndependentes mamas de A, então I = I.

Matródes Matróde Matrcal Matróde Gráfco Matróde Unforme Unão de Matródes Intersecção de Matródes

Algortmo de Prm 1/2 ea o nó ncal =1. ea L o vetor contendo para cada XXXX P a etremdade em P do arco mnmal de, ou sea, L=, onde YYYY P e, é o arco mnmal. ea n = N. para fmpara; 2,.., n L 1; c c faça se este oarco 1, A;, caso contráro;

Algortmo de Prm 2/2 P repta {1}; P {2,..., n}; o; selecone Ptal que c mn{ c P }; faça P P { }; P P { }; { L, }; se P o então fmse; paratodo P faça sec L ; fmse; fmpara; c c então faça c ; até P o; fm algortmo;

Compledade Krusal Ordenação arestas + verfcação de cclos Omlogn + On Prm ordenação + escolha do nó Omlogn usando heap Boruva unões de árvores Onlogn Yao 1975 - Omloglogn

Compledade Algortmo Boruva Krusal arestas á ordenadas Krusal não ordenado Estruturas de dados especas e subproblemas utlzados Algortmo de unão de conuntos dsuntos Unão de conuntos dsuntos compressão de camnhos e unão com ran Unão de conuntos dsuntos e heapsort Compledade Omlogn Omαm,n Omlogn Prm - On 2 αm,n: Inverso da função de Acerman, pode ser assumdo como uma constante não maor que 4, para fns prátcos. Função de Acerman: A1, =2, 1, A, 1=A-1, 2, 2, A, = A-1,A, -1, 2

Compledade Prm Bnary Heap Omlogn Prm d-heap Ondlog d n+ mlog d n Krusal ordenado F-heap Onlogn + m Yao Cherton e Taran Heaps de tamanho, um algortmo de seleção Fla duplamente encadeada, leftst heap com deleção e unão atrasadas, unão de conuntos dsuntos Omloglogn Omloglogn

Compledade Fredman e Taran Gabow et al. F-heap, fla duplamente encadeada F-heaps com pacets, unão de conuntos dsuntos Omβm,n Omlogβm,n Karger Aleatorzação Onlogn+m Karger Chazelle Aleatorzação, recursão, algortmo de verfcação com tempo lnear oft heap, computação de conuntos ndependentes subótmos βm,n: mn{ log n m/n} e log 0 n = n Tempo de eecução esperado Om Om αm,n

Compledade Fredman e Taran Gabow et al. F-heap, fla duplamente encadeada F-heaps com pacets, unão de conuntos dsuntos Omβm,n Omlogβm,n Karger Aleatorzação Onlogn+m Karger Chazelle Aleatorzação, recursão, algortmo de verfcação com tempo lnear oft heap, computação de conuntos ndependentes subótmos βm,n: mn{ log n m/n} e log 0 n = n Tempo de eecução esperado Om Om αm,n

Árvore de Custo Mínmo Dado grafo G = N,A eleconar ACM com N -1 arcos AGM polnomal Uma vez que o número de arestas em uma árvore geradora qualquer é sempre n 1, a versão de mnmzação e mamzação do problema são equvalentes eleconar árvore de custo mínmo com 2 arcos ACM com = 2 arcos polnomal Problemas em grafos Cormen et al. 2001

ACM com arcos Dado um grafo G = N,A onde cada arco possu um custo c + encontrar uma árvore T A com arcos que mnmze a soma dos custos dos arcos em T.

ACM com arcos N y A N y N n N y c N A A A {0,1},, {0,1}, 1, 1,,2,, mn,,,