Minimizando Ramificações em Árvores Geradoras
()
Sobre este e-book
Relacionado a Minimizando Ramificações em Árvores Geradoras
Ebooks relacionados
Programação Matemática: Otimização Linear e Não Linear Nota: 0 de 5 estrelas0 notasMétodo Monte Carlo de varredura de domínio (MCS) Nota: 0 de 5 estrelas0 notasÁlgebra Linear Nota: 0 de 5 estrelas0 notasO Livro da Matemática: Volume 3 Nota: 0 de 5 estrelas0 notasAnálises Ecológicas No R Nota: 0 de 5 estrelas0 notasFórmulas e Cálculos Para Eletricidade e Eletrônica - volume 2 Nota: 4 de 5 estrelas4/5Álgebra Moderna Introdutória Nota: 0 de 5 estrelas0 notasMatlab Nota: 0 de 5 estrelas0 notasSequências,p.a E Pg E Função Logarítmica Nota: 0 de 5 estrelas0 notasIntrodução A Teoria Dos Grafos Volume Iii Nota: 0 de 5 estrelas0 notasTeoria das Filas e da Simulação Nota: 0 de 5 estrelas0 notasRefatorando com padrões de projeto: Um guia em Java Nota: 0 de 5 estrelas0 notasAlgoritmo Explicado Nota: 0 de 5 estrelas0 notasAplicações de combinatória analítica para a contagem de tipos especiais de árvores Nota: 0 de 5 estrelas0 notasComo Estudar Matemática Nota: 0 de 5 estrelas0 notasExercícios de Análise Numérica Nota: 0 de 5 estrelas0 notasIntrodução A Teoria Dos Grafos Volume Iv Nota: 0 de 5 estrelas0 notasUma Ferramenta Didática Para A Análise Combinatória Nota: 0 de 5 estrelas0 notasCurso de Análise Matemática Nota: 0 de 5 estrelas0 notasDicas Práticas Para Acertar Mais De 80% Na Prova De Matemática Do Enem Nota: 0 de 5 estrelas0 notasFórmulas e Cálculos para Eletricidade e Eletrônica - volume 1 Nota: 5 de 5 estrelas5/5Programação Didática com Linguagem C Nota: 4 de 5 estrelas4/5Tuning de SQL: Melhore a performance de suas aplicações Oracle Nota: 0 de 5 estrelas0 notasProgramação Linear Nota: 0 de 5 estrelas0 notasFunções Estatísticas Com Microsoft Excel Nota: 0 de 5 estrelas0 notasBases da Análise de Grupamento: (Cluster Analysis) Nota: 0 de 5 estrelas0 notasModelos afim por partes Nota: 0 de 5 estrelas0 notasProjetos Educacionais em Matriz de Contatos - Matriz de 170 pontos Nota: 5 de 5 estrelas5/5
Computadores para você
Introdução a Data Science: Algoritmos de Machine Learning e métodos de análise Nota: 0 de 5 estrelas0 notasIntrodução e boas práticas em UX Design Nota: 5 de 5 estrelas5/5Power Bi Black Belt Nota: 0 de 5 estrelas0 notasExcel Para Iniciantes Nota: 0 de 5 estrelas0 notasBig Data: Técnicas e tecnologias para extração de valor dos dados Nota: 4 de 5 estrelas4/5Curso Excel Nota: 0 de 5 estrelas0 notasPython De A A Z Nota: 0 de 5 estrelas0 notasDescomplicando Passo A Passo Deep Web Nota: 5 de 5 estrelas5/5Autocad & Desenho Técnico Nota: 0 de 5 estrelas0 notasLer e escrever bem: um aprendizado importante para vencer no ENEM e na vida Nota: 0 de 5 estrelas0 notasComo Importar Da China E Vender No Brasil Nota: 0 de 5 estrelas0 notasGanhe Dinheiro Criando Um Jogo Para Celular Nota: 0 de 5 estrelas0 notasPython Progressivo Nota: 5 de 5 estrelas5/5Programando Em Java Com Banco De Dados Nota: 0 de 5 estrelas0 notasInteligência artificial: O guia completo para iniciantes sobre o futuro da IA Nota: 5 de 5 estrelas5/5Fundamentos De Banco De Dados Nota: 0 de 5 estrelas0 notasO plano de marketing em 4 etapas: Estratégias e passos chave para criar planos de marketing que funcionem Nota: 0 de 5 estrelas0 notasLógica de programação com Portugol: Mais de 80 exemplos, 55 exercícios com gabarito e vídeos complementares Nota: 0 de 5 estrelas0 notasExcel 2022 O Tutorial Completo Para Iniciantes E Especialistas Nota: 0 de 5 estrelas0 notasProgramação Python Ilustrada Para Iniciantes E Intermediários: Abordagem “aprenda Fazendo” – Passo A Passo Nota: 0 de 5 estrelas0 notasSegurança Da Informação Descomplicada Nota: 0 de 5 estrelas0 notasInteligência artificial: Como aprendizado de máquina, robótica e automação moldaram nossa sociedade Nota: 0 de 5 estrelas0 notasAlgoritmos Em C Nota: 0 de 5 estrelas0 notasComo Criar Um Ebook De Alta Conversão Nota: 4 de 5 estrelas4/5Matemática Aplicada Aos Games Nota: 0 de 5 estrelas0 notasUser Experience Design: Como criar produtos digitais com foco nas pessoas Nota: 0 de 5 estrelas0 notas
Avaliações de Minimizando Ramificações em Árvores Geradoras
0 avaliação0 avaliação
Pré-visualização do livro
Minimizando Ramificações em Árvores Geradoras - Adalton de Sena Almeida
Dedico essa conquista aos meus pais Artur e Francisca (in memoriam), à minha esposa Aurilene e aos meus filhos Ana Beatriz e Adalton Filho.
Agradecimentos
A Deus, por ter me dado a oportunidade de desenvolver essa pesquisa e poder alcançar esse tão sonhado e diferenciado grau de formação acadêmica;
Ao IFPI, instituição que faço parte, por ter viabilizado esse programa de capacitação para os professores;
Aos meus orientadores, Profa. Loana Nogueira e Prof. Vinicius Gusmão, pelo apoio, disponibilidade e principalmente por terem sido essenciais no desenvolvimento dessa pes- quisa em todas as suas fases;
Aos amigos de trabalho da Infoway e Uniplam, que muito contribuíram para essa conquista;
Ao aluno Luan Pontes, que aceitou o desafio de participar da implementação da pesquisa;
Ao amigo Edmilson Frank, pela paciência, disponibilidade e pela sua capacidade in- telectual diferenciada, tendo sido fundamental na implementação das propostas.
SUMÁRIO
Capa
Folha de Rosto
Créditos
Capítulo 1 Apresentação do Problema
1.1 Introdução
1.2 Notações e Definições
1.3 Objetivos
1.4 Modelagem Matemática
1.5 Motivação Principal
1.6 Outras Motivações
1.6.1 Problema da Árvore de Steiner
1.6.2 Outros Problemas com Grafos e Árvores
Capítulo 2 Trabalhos Relacionados
2.1 Heurísticas
2.1.1 Estratégia de Ponderação de Arestas
2.1.2 Estratégia de Coloração de Vértices
2.1.3 Algoritmo de Refinamento Iterativo - RI
2.1.3.1 Análise do Algoritmo de Refinamento Iterativo
2.2 Algoritmo Aproximativo
2.2.1 Abordagem MPST
2.2.2 Algoritmo Aproximativo MPST
2.2.2.1 Avaliação do Algoritmo Aproximativo MPST
Capítulo 3 Heurísticas Propostas
3.1 Heurística de 4 Critérios - H4C
3.1.1 Alteração da Solução Inicial
3.1.2 Parâmetros e Critérios de Refinamento
3.1.3 Algoritmo de Refinamento Iterativo - Versão H4C
3.1.3.1 Análise da Complexidade do Algoritmo H4C
3.1.4 Exemplo Passo a Passo de H4C
3.2 Heurística Baseada na Melhor Troca - HBMT
3.2.1 Avaliação de Articulações
3.2.2 Parâmetros e Critérios de Refinamento
3.2.3 Algoritmo Iterativo Baseado na Melhor Troca - AIBMT
3.2.3.1 Análise da Complexidade do Algoritmo AIBMT
3.2.4 Exemplo Passo a Passo de HBMT
Capítulo 4 Resultados
4.1 Metodologia
4.2 Tecnologia
4.3 Descrição dos Modelos de Grafos Utilizados
4.4 Resultados Computacionais e Análises
4.4.1 Heurística H4C X Heurística HBMT
4.4.2 Heurística HBMT X Heurística Original
4.4.3 Heurística HBMT X Algoritmo Aproximativo
4.4.4 Estimativa do Tempo Médio de Execução
Capítulo 5 Conclusão e Trabalhos Futuros
5.1 Conclusão
5.2 Trabalhos Futuros
Referências
Apêndice A RESULTADOS H4C x HBMT - 500 Grafos G(n,p)
Apêndice B RESULTADOS H4C x HBMT - 5.000 Grafos G(n,p)
Apêndice C RESULTADOS H4C x HBMT - 10.000 Grafos G(n,p)
Apêndice D RESULTADOS H4C x HBMT - 25.000 Grafos G(n,p)
Apêndice E RESULTADOS HBMT x Original 500 Grafos G(n,p)
Apêndice F RESULTADOS HBMT x Original 500 Grafos G(n,p)Hamiltonianos
Apêndice G RESULTADOS HBMT x Original 5.000 Grafos G(n,p)
Apêndice H RESULTADOS HBMT x Original 5.000 Grafos G(n,p)Hamiltonianos
Apêndice I RESULTADOS HBMT x Original 10.000 Grafos G(n,p)
Apêndice J RESULTADOS HBMT x Original 10.000 Grafos G(n,p)Hamiltonianos
Apêndice K RESULTADOS HBMT x Original 25.000 Grafos G(n,p)
Apêndice L RESULTADOS HBMT x Original 25.000 Grafos G(n,p)Hamiltonianos
Apêndice M RESULTADOS HBMT x Aproximativo 500 Grafos G(n,p)
Apêndice N RESULTADOS HBMT x Aproximativo 5.000 Grafos G(n,p)
Apêndice O RESULTADOS HBMT x Aproximativo 10.000 Grafos G(n,p)
Apêndice P RESULTADOS HBMT x Aproximativo 25.000 Grafos G(n,p)
Apêndice Q Resultado Geral do Experimento
Landmarks
Capa
Folha de Rosto
Página de Créditos
Sumário
Bibliografia
Capítulo 1 Apresentação do Problema
Problemas envolvendo grafos e árvores têm recebido grande atenção no ambiente da pes - quisa científica, tanto por motivação teórica quanto prática. É comum encontrarmos soluções modeladas usando teoria dos grafos e otimização combinatória em razão da sua grande aplicabilidade. Neste capítulo apresentaremos o Problema da Arvore Geradora com Número Mínimo de Ramificações ( Spanning Trees With Branches Number Minimum Problem ), que será o foco da nossa pesquisa.
1.1 Introdução
O Problema da Arvore Geradora com Número Mínimo de Ramificações(PAGNMR) foi apresentado em [15] e definido formalmente como segue: dado um grafo conexo G = (V,E), não direcionado e sem psos em suas arestas, encontrar uma árvore geradora T de G, dentre todas as árvores geradoras de G, que possua a menor quantidade possível de vértices com grau maior ou igual a 3 em T (dT (v) ≥ 3). Vértices com essa característica são chamados de branches ou ramificações de T .
Pela definição acima, o PAGNMR claramente estende o clássico problema de se en- contrar um caminho hamiltoniano em um grafo: dado um grafo G conexo com n vértices, deseja-se encontrar um caminho que percorra todos os n vértices do grafo G passando uma única vez por cada vértice. De fato, uma vez que um caminho hamiltoniano é uma árvore geradora sem qualquer ramificação, o número de ramificações na solução ótima do PAGNMR para a instância G será zero se, e somente se, G possui caminho hamiltoni- ano. Uma vez que decidir se um grafo admite caminho hamiltoniano é um problema NP- Completo [12], fica estabelecida a NP-dificuldade do PAGNMR, conforme foi demonstrado em [15]. Sendo assim, não apenas são desconhecidas quaisquer maneiras de se encontrar solução ótima para o PAGNMR em tempo polinomial, como também a existência de uma tal maneira implicaria P = NP , o que resolveria um dos problemas matemáticos em aberto mais importantes de nossos tempos. Dessa forma, abordagens pragmáticas para solucionar o PAGNMR compreendem a utilização de métodos não exatos como heurísticas e algoritmos aproximativos.
Figura 1.1: Grafo G
Métodos baseados em heurísticas são maneiras práticas de se obter soluções boas, ainda que não sejam comprovadamente as melhores possíveis. Entretanto, por serem computadas em tempo polinomial no tamanho da entrada do problema e possuírem qualidade aceitável, são por vezes o melhor caminho a se seguir. Algoritmos aproximativos, de forma semelhante, buscam soluções que estejam comprovadamente dentro de certa janela
de proximidade da solução ótima, ainda que essa última não seja conhecida. A escolha de abordagem para problemas semelhantes, seja por heurísticas ou algoritmos aproximativos, vai depender das características de cada problema.
Perceba que é fácil visualizar que o grafo G da Figura 1.1 possui diversas árvores geradoras e para isso mostramos três delas representadas na Figura 1.2, onde os vértices 2 e 5 são ramificações, já que o grau de ambos é igual a 3.
Figura 1.2: Arvores Geradoras T de G
Neste trabalho, apresentamos novas heurísticas para o PAGNMR. Trata-se na verdade, de uma série de modificações em relação ao algoritmo proposto em [30]. Tais modifica ções lograram obter, nos testes realizados, resultados superiores àqueles conseguidos pela versão original do referido algoritmo, que por sua vez obtivera resultados melhores que os de [4], onde o PAGNMR havia sido abordado por meio de heurísticas com ponderação de arestas e coloração de vértices. Além disso, também comparamos os resultados obtidos com o trabalho de [5], que abordou o mesmo problema utilizando algoritmo aproximativo. Quando comparamos os nossos resultados com a proposta de [5], nossas heurísticas também lograram êxito nos modelos testados.
1.2 Notações e Definições
Nesta seção definiremos todas as notações e definições utilizadas ao longo de toda a tese. Vejamos abaixo:
- G = (V, E): um grafo composto por um conjunto V de vértices e um conjunto E de arestas;
- n = |V (G)|: a quantidade de vértices do grafo G;
- m = |E(G)|: a quantidade de arestas do grafo G;
- T: uma árvore geradora de G contendo todos os n vértices de G e um subconjunto mínimo de arestas de E que conecte todos os n vértices e não formem ciclo em T ;
- e = (u, v): representa uma aresta incidente aos vértices u e v, onde u, v ∈ V ;
-