Tópicos em otimização combinatória

Slides:



Advertisements
Apresentações semelhantes
Algoritmos de Caminho Mínimo em Grafos
Advertisements

Algoritmo de Caminho Mínimo
Árvores CC/EC/Mestrado Teoria dos Grafos ‏ 1.
Algoritmos em Grafos.
Algoritmos em Grafos (Parte 2)
Antonio Dirceu Rabelo de Vasconcelos Filho
Grafos - Caminhos Caminhos Máximo / Mínimo:
Celso C. Ribeiro Caroline T. Rocha
Fluxo em Redes Prof. Ricardo R. Santos.
O Problema de Roteamento de Veículos (PRV)
Análise de Voz e Vídeo Reconhecimento de voz baseado em modelos de palavras conectadas André Vitor de Almeida Palhares.
Linguagem de Programação IX Métodos de Ordenação
OTIMIZAÇÃO DO PROJETO DE REDES URBANAS BASEADO NO PROBLEMA DE STEINER
Celso C. Ribeiro Caroline T. Rocha
Problema do caixeiro viajante
1 Domínios Finitos A eficiência das programas em domínios finitos (incluindo booleanos) podem ainda ser melhoradas pelo uso de Algoritmos de Propagação.
Busca em Profundidade Para encontrar um caminho de solução Sol, de um dado nó para algum nó objetivo Se N é um nó objetivo, então Sol=[N] Se há um nó N1.
I Iterated Local Search Helena R. Lorenço, Olivier Martinz
Meta - heurísticas Prof. Aurora
GRASP Greedy Randomized Adaptative Search Procedure
GRASP Greedy Randomized Adaptive Search Procedures
PROBLEMA DE ROTEAMENTO DE VEíCULOS COM DIVISÃO DE ENTREGA
UM ESTUDO SOBRE O PROBLEMA DO CAIXEIRO VIAJANTE
Dárlinton B. Feres Carvalho
Inteligência Computacional para Otimização
São João del-Rei, 23 a 26 de novembro de 2004
Inteligência Computacional para Otimização Marcone Jamilson Freitas Souza Departamento de Computação Universidade Federal de Ouro Preto
Introdução à Otimização
ROTEIRIZAÇÃO Marcone Jamilson Freitas Souza
Pesquisa Operacional - Profa Úrsula L. F. Ribeiro
Buscas em Grafos Prof. André Renato 1º Semestre/2012
Grafos Msc. Cintia Carvalho Oliveira Doutoranda em Computação – UFU
Meta - heurísticas Prof. Aurora
Tópicos em otimização combinatória
T ÓPICOS DE I.A. Métodos de Busca Busca em Espaços de Estado Prof. Mário Dantas.
Grafos Árvores Geradoras.
Inserindo som no PowerPoint
Otimização por Colônia de Formigas (ACO)
I Iterated Local Search Helena R. Lorenço, Olivier Martinz
Inteligência Computacional para Otimização
Tema 4 André Martini Diniz Danilo Elias da Silva
Tópicos em otimização combinatória
Otimização Inteira 5a. Aula Franklina.
Tópicos em otimização combinatória
Tópicos em otimização combinatória
Traveling Salesman Problem: Alguns métodos heurísticos
Tópicos em otimização combinatória
Alysson M. Costa – ICMC/USP Tópicos em otimização combinatória Heurísticas construtivas Análise de qualidade: análise de pior caso Aula baseada em material.
Alysson M. Costa – ICMC/USP Tópicos em otimização combinatória O problema de minimização de makespan em processadores paralelos.
Ordenação em memória primária
Histórico, exemplos e problemas
GRASP Disciplina: ODST Professores: José Oliveira e Maria Carravilla
Meta-Heurística Colônia de Formigas
Introdução e Busca Cega
Problema do menor Caminho
Tópicos Avançados em Inteligência Artificial
Inteligência Artificial
Inteligência Artificial
FUNÇÕES TRIGONOMÉTRICAS
Prof. Edison Oliveira de Jesus
Inteligência de Enxame 2 – The Ant Colony Optimization Metaheuristic CPE-730 Filipe de Almeida Araujo Vital Aluno de Graduação em Engenharia de Controle.
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2015 Análise de Agrupamento Camilo Daleles Rennó
Métodos Construtivos x Aprimoramento
Algoritmos em Grafos Celso C. Ribeiro Caroline T. Rocha.
Distribuição de Mídia Contínua Localizaçao e Seleçao de Servidores e Roteamento Jussara M. Almeida Junho 2004.
Mailson Felipe da Silva Marques Johnson Cordeiro Sarmento
Computação Evolutiva Nome dado ao estudo de algoritmos cuja inspiração é o processo de evolução natural das espécies. Origem: trabalho de um pesquisador.
Aplicação Prêmio MPE Brasil ciclo Página inicial – Login Para acessar a aplicação, acesse
Camilo Daleles Rennó Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2016 Análise.
HEURISTÍCAS CONSTRUTIVAS E. G. M. de Lacerda UFRN/DCA Maio de 2006.
Transcrição da apresentação:

Tópicos em otimização combinatória Heurísticas construtivas Alysson M. Costa – ICMC/USP

Heurísticas construtivas 4 mar 2009 . 11:37 Heurísticas construtivas Slide baseado em material da professora Vitória Pureza - UFSCAR

Slide do Professor Antonio A. Chaves – UNIFESP. 4 mar 2009 . 11:37 Slide do Professor Antonio A. Chaves – UNIFESP.

Slide do Professor Antonio A. Chaves – UNIFESP. 4 mar 2009 . 11:37 Slide do Professor Antonio A. Chaves – UNIFESP.

Slide do Professor Antonio A. Chaves – UNIFESP. 4 mar 2009 . 11:37 Slide do Professor Antonio A. Chaves – UNIFESP.

Slide do Professor Antonio A. Chaves – UNIFESP. 4 mar 2009 . 11:37 Slide do Professor Antonio A. Chaves – UNIFESP.

Slide do Professor Antonio A. Chaves – UNIFESP. 4 mar 2009 . 11:37 Slide do Professor Antonio A. Chaves – UNIFESP.

4 mar 2009 . 11:37 Alguns comentátios Passo 4: a escolha do critério é, obviamente, essencial. Passo 6: note que a cada iteração, o conjuntos dos elementos candidatos pode mudar. (Assim sendo, uma solução parcial inicial pode mudar toda a solução).

Heurísticas construtivas para o TSP 4 mar 2009 . 11:37 Heurísticas construtivas para o TSP Alguns exemplos de heurísticas construtivas para o TSP. Três etapas: escolha de um ciclo (ou ponto) inicial critério de seleção critério de inserção Slide baseado no material do professor Stephan Mertens: http://www-e.uni-magdeburg.de/mertens/TSP/TSP.html

ciclo inicial: um ponto aleatório o envoltória convexa dos pontos

Flood, 1956: todo TSP euclidiano tem uma solução ótima que visita os pontos da fronteira do envoltória convexa na mesma ordem em que eles aparecem.

Nearest neighbor algorithm Belmore and Nemhauser (Survey paper, 1968) comece com uma cidade i (arbitrária); encontre o nó ainda não adicionado que seja mais próximo do último nó adicionado; Conecte estes dois nós. Enquanto o último nó não tiver sido adicionado, volte para 2. Quando o último nó tiver sido adicionado, conecte-o ao primeiro nó que foi adicionado.

Nearest neighbor algorithm (exemplo 1)

Nearest neighbor algorithm (exemplo 2)

Nearest addition comece com uma cidade i (arbitrária) e seu vizinho mais próximo j; T={i,j} (seleção) encontre (j,k) que minimiza cjk, com j 2 T e k  T. T= T+{k}. (inserção) elimine o arco (i,j), onde i é um vizinho imediato de j no ciclo atual e adicione os arcos (i,k) e (k,j). enquanto não for formado um ciclo hamiltoniano, volte para 2.

Retirado de: www. math. wsu Retirado de: www.math.wsu.edu/faculty/bkrishna/FilesMath566/F08/Handouts/TSPApproxSchemes.ppt

Arbitrary insertion procedure Rosenkrantz, Stearns, Lewis, 1977 comece com uma cidade i (arbitrária) e seu vizinho mais próximo j; Forme o subciclo (i,j) (Seleção) Selecione arbitrariamente uma cidade k não pertencente ao subciclo. (Inserção) Encontre o arco (i,j) que minimiza cik+ ckj - cij. Insira k entre i e j. Volte para 3 a menos que todos os arcos tenham sido inseridos.

Convex hull insertion procedure Stewart, 1977 Forme o convex hull (envoltória convexa) das cidades. Este é o subciclo inicial. (Inserção) Para cada cidade k fora do subciclo, decida onde ela deve ser inserida, i.e., (i,j) tal que cik+ckj-cij é mínimo. (Seleção) Para todo (i,j,k) do item anterior, escolha (i*,j*,k*) aquele que minimiza (cik+ckj)/cij. Insira k* entre i* e j*. Enquanto um ciclo hamiltoniano não tiver sido encontrado, retorne ao passo 2.

pelo critério (cik+ckj)/cij, escolha qual inserir

Greatest angle insertion procedure Norback & Love, 1977, 1979 Forme o convex hull (envoltória convexa) das cidades. Este é o subciclo inicial. (Seleção e Inserção) Escolha a cidade k* ainda não incluida e o arco (i*,j*) do subtour tal que o ângulo formado pelos arcos (i,k) e (k,j) seja máximo. Insira a cidade k* entre as cidades i e j. Enquanto um ciclo hamiltoniano não tenha sido obtido, volte ao passo 2.

Ratio times difference insertion procedure Or, 1976 Forme o convex hull (envoltória convexa) das cidades. Este é o subciclo inicial. (Seleção e Inserção) Escolha a cidade k* ainda não incluida e o arco (i*,j*) do subtour tal que o produto {ci*k*+ck*j*-ci*j*}£{(ci*k*+ck*j*)/ci*j*}} seja mínimo Insira a cidade k* entre as cidades i e j. Enquanto um ciclo hamiltoniano não tenha sido obtido, volte ao passo 2.

Clarke-Wright savings heuristic (idéia) Inicie com n-1 subciclos conectando uma cidade qualquer (hub) a cada uma das outras. Para cada par de cidades, calcule a economia obtida na redução do subciclo. Faça a redução

Clarke-Wright savings heuristic £ £ i j savings: cjk + cik - cij