Algoritmos voraces optimizados

Algoritmos voraces
v v v v v v v v v v v
Introduccin y primer ejemplo El problema de la mochila Caminos mnimos en grafos rboles de recubrimiento de coste mnimo Consideraciones sobre la correccin del esquema voraz Cdigos de Huffman El problema de la seleccin de actividades El problema de la minimizacin del tiempo de espera Fundamentos tericos del esquema voraz Un problema de planificacin de tareas a plazo fijo Heursticas voraces
Coloreado de grafos El problema del viajante de comercio
2 8 16 38 54 57 65 69 73 83 89
89 92
J. Campos - C.P.S.
Esquemas algortmicos - Algoritmos voraces Pg. 1
El esquema voraz: Introduccin y primer ejemplo

v v
Es uno de los esquemas ms simples y al mismo tiempo de los ms utilizados. Tpicamente se emplea para resolver problemas de optimizacin:
existe una entrada de tamao n que son los candidatos a formar parte de la solucin; existe un subconjunto de esos n candidatos que satisface ciertas restricciones: se llama solucin factible; hay que obtener la solucin factible que maximice o minimice una cierta funcin objetivo: se llama solucin ptima.
Ejemplos:
encontrar la secuencia ptima para procesar un conjunto de tareas por un computador, hallar un camino mnimo en un grafo, problema de la mochila,
J. Campos - C.P.S.

v
El esquema voraz procede por pasos:

inicialmente el conjunto de candidatos escogidos es vaco; en cada paso, se intenta aadir al conjunto de los escogidos el mejor de los no escogidos (sin pensar en el futuro), utilizando una funcin de seleccin basada en algn criterio de optimizacin (puede ser o no ser la funcin objetivo); tras cada paso, hay que ver si el conjunto seleccionado es completable (i.e., si aadiendo ms candidatos se puede llegar a una solucin); u si el conjunto no es completable, se rechaza el ltimo candidato elegido y no se vuelve a considerar en el futuro; u si es completable, se incorpora al conjunto de escogidos y permanece siempre en l; tras cada incorporacin se comprueba si el conjunto resultante es una solucin; el algoritmo termina cuando se obtiene una solucin; el algoritmo es correcto si la solucin encontrada es siempre ptima;
J. Campos - C.P.S.

v
Esquema genrico:
funcin voraz(C:conjunto) funcin voraz(C:conjunto) devuelve conjunto devuelve conjunto
{C es el conjunto de todos los candidatos} {C es el conjunto de todos los candidatos}
principio principio S:=; {S es el conjunto en el que se S:=; {S es el conjunto en el que se

construye la solucin} construye la solucin} mq solucin(S) C hacer mq solucin(S) C hacer
x:=elemento de C que x:=elemento de C que maximiza seleccionar(x); maximiza seleccionar(x); C:=C-{x}; C:=C-{x}; si completable(S {x}) si completable(S {x}) entonces S:=S {x} entonces S:=S {x} fsi fsi fmq; fmq; si solucin(S) si solucin(S) entonces devuelve S entonces devuelve S sino devuelve no hay solucin sino devuelve no hay solucin fsi fsi fin fin
J. Campos - C.P.S.

v
Problema del cambio en monedas.

Se trata de devolver una cantidad de pesetas con el menor nmero posible de monedas. Se parte de: u un conjunto de tipos de monedas vlidas, de las que se supone que hay cantidad suficiente para realizar el desglose, y de u un importe a devolver.
Elementos fundamentales del esquema:

Conjunto de candidatos: cada una de las monedas de los diferentes tipos que se pueden usar para realizar el desglose del importe dado. Solucin: un conjunto de monedas devuelto tras el desglose y cuyo valor total es igual al importe a desglosar. Completable: la suma de los valores de las monedas escogidas en un momento dado no supera el importe a desglosar. Funcin de seleccin: elegir si es posible la moneda de mayor valor de entre las candidatas. Funcin objetivo: nmero total de monedas utilizadas en la solucin (debe minimizarse).
J. Campos - C.P.S.

v
Solucin:
{por ejemplo} {por ejemplo}
tipo moneda=(M25,M10,M5,M1) tipo moneda=(M25,M10,M5,M1)
funcin cambia(importe:nat; funcin cambia(importe:nat; valor:vector[moneda] de nat) valor:vector[moneda] de nat) devuelve vector[moneda] de nat devuelve vector[moneda] de nat variable mon:moneda; variable mon:moneda; cambio:vector[moneda] de nat cambio:vector[moneda] de nat principio principio para todo mon en moneda hacer para todo mon en moneda hacer cambio[mon]:=0 cambio[mon]:=0 fpara; fpara; para mon:=M25 hasta M1 hacer para mon:=M25 hasta M1 hacer mq valor[mon]importe hacer mq valor[mon] importe hacer cambio[mon]:=cambio[mon]+1; cambio[mon]:=cambio[mon]+1; importe:=importe-valor[mon] importe:=importe-valor[mon] fmq fmq fpara; fpara; devuelve cambio devuelve cambio fin fin
J. Campos - C.P.S.

v
Ejercicios sobre el problema del cambio en monedas:

Demostrar la correccin del algoritmo. Demostrar, buscando contraejemplos, que el algoritmo no es ptimo si se aade un nuevo tipo de moneda de 12 pesetas o si se elimina alguno de los tipos existentes. Demostrar que, en esas condiciones, el algoritmo puede incluso no encontrar solucin alguna aunque sta exista. Es el mtodo de ordenacin por seleccin directa un algoritmo voraz? Si es as, cules son las funciones utilizadas (seleccin, completable, solucin)?
J. Campos - C.P.S.
El problema de la mochila
v v v v
Se tienen n objetos fraccionables y una mochila. El objeto i tiene peso pi, 1i n. La mochila tiene capacidad C. Si se mete una fraccin xi, 0 xi 1, del objeto i en la mochila, entonces se consigue un beneficio bixi. El objetivo es llenar la mochila de manera que se maximice el beneficio total. Pero como la mochila tiene capacidad C, el peso total de todos los objetos metidos en ella no puede superar esa cantidad.
J. Campos - C.P.S.
v
Formalmente:
maximizar sujeto a
1in
b ixi
(1) (2) (3)
1in
pixi C
con 0xi1, bi>0, pi>0, 1in v v
v v v
Una solucin factible es cualquier n-tupla (x1,,xn) que satisfaga (2) y (3). Una solucin ptima es cualquier solucin factible para la que (1) sea mximo. Si p1++pnC, entonces obviamente xi=1, 1in, es una solucin ptima. Por tanto, supongamos que p1++pn>C. Ntese adems que todas las soluciones ptimas llenarn la mochila por completo (podemos poner = en (2)).
J. Campos - C.P.S.
v
Ejemplo: n=3 C=17 (b1,b2,b3)=(40,36,22) (p1,p2,p3)=(15,12,8) Tres soluciones factibles: (x1,x2,x3) (i) (1,1/6,0) (ii) (0,3/4,1) (iii) (0,1,5/8)
bixi 1i3
46 49 4975
J. Campos - C.P.S.
v
Solucin voraz:
El conjunto de candidatos son los objetos, tomndose de ellos cierta fraccin. Un conjunto de candidatos es completable si la suma de sus pesos no supera la capacidad de la mochila, y es una solucin si iguala dicha capacidad. La funcin objetivo a maximizar es bixi.
1in
La funcin de seleccin es la ms difcil de determinar. u Si procedemos vorazmente, en cada paso debemos considerar un objeto y tomar cierta fraccin suya. u La cuestin de qu fraccin se toma es ms fcil de resolver: si hemos elegido el mejor candidato, tomamos todo lo que podamos de l.
J. Campos - C.P.S.
Cul es el mejor candidato (es decir, la mejor funcin de seleccin)? Volvamos al ejemplo: u Primera estrategia: elegir el objeto con mayor beneficio total (el primero). Sin embargo, la mochila se llena muy rpidamente con poco beneficio total. u Segunda estrategia: elegir el objeto que llene menos la mochila, para acumular beneficios de un nmero mayor de objetos. Sin embargo, es posible que se elija un objeto con poco beneficio simplemente porque pesa poco. u La tercera estrategia, que es la ptima, es tomar siempre el objeto que proporcione mayor beneficio por unidad de peso. Los algoritmos resultantes de aplicar cualquiera de las dos primeras estrategias tambin son voraces, pero no calculan la solucin ptima.
J. Campos - C.P.S.
constante n=... {nmero de objetos} constante n=... {nmero de objetos} tipo vectReal=vector[1..n] de real tipo vectReal=vector[1..n] de real
{Pre: i1..n:peso[i]>0 {Pre: i1..n:peso[i]>0 i1..n-1:benef[i]/peso[i]benef[i+1]/peso[i+1]} i1..n-1:benef[i]/peso[i]benef[i+1]/peso[i+1]}
funcin mochila(benef,peso:vectReal; funcin mochila(benef,peso:vectReal; cap:real) devuelve vectReal cap:real) devuelve vectReal variables resto:real; i:entero; variables resto:real; i:entero; sol:vectReal sol:vectReal principio principio para todo i en 1..n hacer para todo i en 1..n hacer sol[i]:=0.0 {inicializar solucin} sol[i]:=0.0 {inicializar solucin} fpara; fpara; resto:=cap; {capacidad restante} resto:=cap; {capacidad restante} i:=1; i:=1; mq (in) and (peso[i]resto) hacer mq (i n) and (peso[i] resto) hacer sol[i]:=1; sol[i]:=1; resto:=resto-peso[i]; resto:=resto-peso[i]; i:=i+1 i:=i+1 fmq; fmq; si in entonces sol[i]:=resto/peso[i] fsi; si i n entonces sol[i]:=resto/peso[i] fsi; devuelve sol devuelve sol fin fin
{Post: sol es solucin ptima del problema de {Post: sol es solucin ptima del problema de la mochila} la mochila}
J. Campos - C.P.S.
v
Coste temporal: (n)

(nlog n) si se tiene en cuenta que hay que ordenar primero los vectores.
Demostracin de la correccin:
Sea X=(x1,,xn) la solucin generada por el algoritmo voraz. Si todos los xi son iguales a 1, la solucin es claramente ptima. Luego, sea j el menor ndice tal que xj1. Por tanto xi=1 para 1i<j, xi=0 para j<in, y 0xj<1. Si X no es ptima entonces existe otra solucin factible Y=(y1,,yn) tal que biyi > bix i. Sin perdida de generalidad, asumimos que
piyi =C.
Sea k el menor ndice tal que ykxk (claramente, existe ese k). Se verifica: yk<xk . En efecto: u Si k<j entonces xk=1. Pero yk xk luego yk<xk .
u
Si k=j entonces, puesto que piyi =C y y i=xi para 1i<j, se sigue que yk<xk piy i >C. Si k>j entonces piyi >C, y eso no es posible.
J. Campos - C.P.S.
Ahora, supongamos que aumentamos yk hasta xk y disminumos tantos (yk+1,,yn) como sea necesario para que la capacidad utilizada siga siendo C. Se obtiene as una nueva solucin Z=(z1,,zn) con zi=xi, para 1ik y k<in p i(yi -zi)=pk(zk-yk). Entonces:
1in
bizi = 1in biyi + (zk-yk)pkbk/pk - k<in (yi -zi)pib i/pi 1in biy i + + [(zk-yk)pk - k<in (yi -zi)pi]bk/pk = 1in biyi
Si 1in bizi > 1in biy i entonces Y no puede ser ptima. Si esas sumas son iguales entonces bien Z=X y X es ptima, o bien ZX. En este ltimo caso, se usa de nuevo el mismo argumento hasta demostrar que bien Y no es ptima o bien Y se transforma en X, demostrando que X tambin es ptima. n
J. Campos - C.P.S.
Caminos mnimos en grafos

v
Grafos etiquetados con pesos no negativos

1
5 12
2
21
5 4
4
12
2
21
5 4
4
Bsqueda de caminos de longitud mnima

longitud o coste de un camino: suma de los pesos de las aristas que lo componen clculo de la longitud mnima de los caminos existentes entre dos vrtices dados
Caractersticas del tipo de dato de las etiquetas (o pesos):

dominio ordenado (<, =, ) operacin suma (+): u conmutativa u con elemento neutro (0), que es adems el peso ms pequeo posible u con elemento idempotente (), que es adems el peso ms grande posible
J. Campos - C.P.S.

v
Representaciones de grafos: Matriz de adyacencia

Grafo dirigido G=(V,A) con V={1,2,,n}. La matriz de adyacencia para G es una matriz A de dimensiones n n de elementos booleanos en la que A[i,j] es verdad si y slo si existe una arista en G que va del vrtice i al vrtice j. constante n = ... {cardinal de V} constante n = ... {cardinal de V} tipo grafo = tipo grafo = = vector[1..n,1..n]de booleano = vector[1..n,1..n]de booleano
1 falso 2 A = verdad falso 3 verdad falso falso falso verdad falso
Grafo dirigido
Matriz de adyacencia
En el caso de un grafo no dirigido, la matriz de adyacencia tiene la particularidad de ser simtrica y los elementos de su diagonal son todos igual a falso.
J. Campos - C.P.S. Esquemas algortmicos - Algoritmos voraces Pg. 17

La representacin de la matriz de adyacencia es til para aquellos algoritmos que precisan saber si existe o no una arista entre dos vrtices dados. En el caso de grafos etiquetados con pesos, los elementos de la matriz pueden ser enteros o reales (en lugar de booleanos) y representar el peso de la arista. Si no existe una arista de i a j, debe emplearse un valor que no pueda ser una etiqueta vlida para almacenarse en A[i,j]. Un inconveniente de la representacin de la matriz de adyacencia es que requiere un espacio en (n2) aunque el grafo tenga muy pocas aristas. Dado un grafo G=(V,A) representado mediante su matriz de adyacencia, la pregunta (u,v)A? se puede contestar en un tiempo en (1). Sin embargo, la operacin sucesores(g,v) necesita un tiempo en (n) (pues hay que recorrer una fila completa de la matriz). Ms an, para saber, por ejemplo, si un grafo no dirigido representado mediante su matriz de adyacencia es conexo, o simplemente para conocer el nmero de aristas, los algoritmos requieren un tiempo en (n2), lo cual es ms de lo que cabra esperar.
J. Campos - C.P.S.

v
Listas de adyacencia
Esta representacin sirve para mejorar la eficiencia de los algoritmos sobre grafos que necesitan acceder a los vrtices sucesores a uno dado. Consiste en almacenar n listas enlazadas mediante punteros de forma que la lista i-sima contiene los vrtices sucesores del vrtice i. constante n = ... {cardinal de V} constante n = ... {cardinal de V} tipos ptNodo = nodo; tipos ptNodo = nodo; nodo = registro nodo = registro vrtice:1..n; vrtice:1..n; sig:ptNodo sig:ptNodo freg freg grafo = vector[1..n] de ptNodo grafo = vector[1..n] de ptNodo
1 2 nil 2 1 2 3 nil 1 3 nil
Vector de listas de adyacencia Grafo dirigido J. Campos - C.P.S. Esquemas algortmicos - Algoritmos voraces Pg. 19

La representacin de un grafo con listas de adyacencia requiere un espacio del orden del mximo entre n (el nmero de vrtices) y a (el nmero de aristas). En el caso de un grafo no dirigido, si (u,v)A entonces el vrtice v estar en la lista correspondiente al vrtice u, y el vrtice u lo estar a su vez en la lista de adyacencia del vrtice v. Para representar un grafo etiquetado con pesos basta con aadir otro campo al tipo nodo que almacene el peso correspondiente. Acceder a la lista de los vrtices sucesores de uno dado lleva un tiempo constante. Sin embargo, consultar si una determinada arista (u,v) est en el grafo precisa recorrer la lista asociada al vrtice u, lo que en el caso peor se realiza en (n).
J. Campos - C.P.S.

En el caso de un grafo dirigido, si se necesita saber los predecesores de un vrtice dado, la representacin con listas de adyacencia no es adecuada. Ese problema puede superarse si se almacena otro vector de n listas de forma que la lista i-sima contenga los vrtices predecesores del vrtice i. Estas listas se llaman listas de adyacencia inversa.
1 2 nil 2 1 2 3 1 nil 2 nil
Grafo dirigido
Vector de listas de adyacencia inversa
J. Campos - C.P.S.

v
Listas mltiples de adyacencia

En el caso de grafos dirigidos, las listas de adyacencia directa e inversa pueden representarse de forma ms compacta Una lista mltiple es una estructura dinmica de datos enlazados mediante punteros en la que cada dato puede pertenecer a dos o ms listas. Hay un nodo por cada una de las aristas del grafo. Cada nodo guarda la clave de dos vrtices (origen y destino de la arista) y dos punteros: el primero al nodo que guarda la siguiente arista que tiene el mismo vrtice destino y el segundo al nodo que guarda la siguiente arista que tiene el mismo vrtice origen.
1
Listas de adyacencia inversa

1 2 3
1 2 nil nil 1 2 3 nil 2 1 nil 2 3 nil nil
Grafo dirigido
J. Campos - C.P.S.

constante n = ... {cardinal de V} constante n = ... {cardinal de V} tipos ptNodo = nodo; tipos ptNodo = nodo; nodo = registro nodo = registro origen,destino: 1..n; origen,destino: 1..n; sigInvAdy,sigAdy:ptNodo sigInvAdy,sigAdy:ptNodo freg freg grafoDirigido = grafoDirigido = = registro = registro adyacentes, invAdyacentes: adyacentes, invAdyacentes: vector[1..n] de ptNodo vector[1..n] de ptNodo freg freg Ntese que se emplea la palabra adyacente con el significado de sucesor, mientras que adyacente inverso se refiere a predecesor.
J. Campos - C.P.S.

Las listas mltiples pueden utilizarse tambin para representar grafos no dirigidos. De esta forma, en lugar de que a cada arista le correspondan dos nodos en la estructura dinmica (como ocurre con la representacin basada en listas simples de adyacencia), puede representarse cada arista con un solo nodo y hacer que ste pertenezca a dos listas de adyacencia diferentes.
1 2 3 1 2 3 4 4 1 2 3 nil 2 1 1 3 3 2 4 4 4 nil nil nil
Grafo no dirigido
1 2
1 2 3 4 1 nil 4 2 nil 4 3 4 1 3 2 3
nil nil
Listas mltiples de adyacencia
J. Campos - C.P.S.

La definicin de la estructura de datos es la siguiente: constante n = ... {cardinal de V} constante n = ... {cardinal de V} tipos ptNodo = nodo; tipos ptNodo = nodo; nodo = registro nodo = registro v1,v2:1..n; v1,v2:1..n; sig1,sig2:ptNodo sig1,sig2:ptNodo freg freg grafoNoDirigido = grafoNoDirigido = = vector[1..n] de ptNodo = vector[1..n] de ptNodo Una ventaja de esta representacin es que es til para implementar aquellos algoritmos que necesitan recorrer un grafo y al mismo tiempo marcar las aristas por las que se pasa (bastara con aadir un campo booleano al tipo nodo).
J. Campos - C.P.S.

v
Clculo del coste del camino mnimo desde un vrtice dado al resto, en un grafo etiquetado con pesos no negativos Utilidad:
el grafo representa una distribucin geogrfica, donde las aristas dan el coste (precio, distancia...) de la conexin entre dos lugares y se desea averiguar el camino ms corto (barato...) para llegar a un punto partiendo de otro
J. Campos - C.P.S.

E.W. Dijkstra: A note on two problems in connexion with graphs, Numerical Mathematica, 1, pp. 269-271, 1959.
Solucin voraz: Algoritmo de Dijkstra

para grafos dirigidos (la extensin a no dirigidos es inmediata) genera uno a uno los caminos de un nodo v al resto por orden creciente de longitud usa un conjunto de vrtices donde, a cada paso, se guardan los nodos para los que ya se sabe el camino mnimo devuelve un vector indexado por vrtices: en cada posicin w se guarda el coste del camino mnimo que conecta v con w cada vez que se incorpora un nodo a la solucin se comprueba si los caminos todava no definitivos se pueden acortar pasando por l se supone que el camino mnimo de un nodo a s mismo tiene coste nulo un valor en la posicin w del vector indica que no hay ningn camino desde v a w
J. Campos - C.P.S.

{Pre: g es un grafo dirigido etiquetado no neg.} {Pre: g es un grafo dirigido etiquetado no neg.}
funcin Dijkstra(g:grafo; v:vrt) funcin Dijkstra(g:grafo; v:vrt) devuelve vector[vrt] de etiq devuelve vector[vrt] de etiq variables S:cjtVrt; variables S:cjtVrt; D:vector[vrt] de etiq D:vector[vrt] de etiq principio principio wvrt:D[w]:=etiqueta(g,v,w); wvrt:D[w]:=etiqueta(g,v,w); D[v]:=0; S:={v}; D[v]:=0; S:={v}; mq S no contenga todos los vrtices hacer mq S no contenga todos los vrtices hacer
{D contiene caminos mnimos formados ntegra{D contiene caminos mnimos formados ntegramente por nodos de S (excepto el ltimo), y mente por nodos de S (excepto el ltimo), y los nodos de S corresponden a los caminos mlos nodos de S corresponden a los caminos mnimos ms cortos calculados hasta el momento} nimos ms cortos calculados hasta el momento}
elegir wS t.q. D[w] es mnimo; elegir wS t.q. D[w] es mnimo; S:=S{w}; S:=S{w}; uS:actualizar dist.mn. comprobando uS:actualizar dist.mn. comprobando si por w hay un atajo si por w hay un atajo fmq; fmq; devuelve D devuelve D fin fin
{Post: D=caminosMnimos(g,v)} {Post: D=caminosMnimos(g,v)}
J. Campos - C.P.S.

v
Correccin:
Apuntes de la asignatura de Matemtica Discreta o buscar en bibliografa.
Se presenta a continuacin una implementacin ms detallada

Se utiliza en lugar de S su complementario T Se supone que n es el nmero de vrtices
J. Campos - C.P.S.

funcin Dijkstra(g:grafo; v:vrt) funcin Dijkstra(g:grafo; v:vrt) devuelve vector[vrt] de etiq devuelve vector[vrt] de etiq variables T:cjtVrt; variables T:cjtVrt; D:vector[vrt] de etiq; D:vector[vrt] de etiq; u,w:vrt; val:etiq u,w:vrt; val:etiq principio principio T:=; T:=; para todo w en vrt hacer para todo w en vrt hacer D[w]:=etiqueta(g,v,w); T:=T{w} D[w]:=etiqueta(g,v,w); T:=T{w} fpara; fpara; D[v]:=0; T:=T-{v}; D[v]:=0; T:=T-{v}; repetir n-2 veces {quedan n-1 caminos por repetir n-2 veces {quedan n-1 caminos por
determinar} determinar} {seleccin del mn.w: w T uT:D[w]D[u]} {seleccin del mn.w: w T uT:D[w]D[u]}
val:=; val:=; para todo u en T hacer para todo u en T hacer si D[u]val ent w:=u; val:=D[u] fsi si D[u] val ent w:=u; val:=D[u] fsi fpara; fpara; ... ...
{siempre hay un nodo que cumple la condic} {siempre hay un nodo que cumple la condic}
J. Campos - C.P.S.

... ...
{se marca w como vrtice tratado} {se marca w como vrtice tratado}
T:=T-{w}; T:=T-{w};
{se recalculan las nuevas dist. mnimas} {se recalculan las nuevas dist. mnimas}
para todo u en T hacer para todo u en T hacer si D[w]+etiqueta(g,w,u)<D[u] si D[w]+etiqueta(g,w,u)<D[u] ent D[u]:=D[w]+etiqueta(g,w,u) ent D[u]:=D[w]+etiqueta(g,w,u) fsi fsi fpara fpara frepetir; frepetir; devuelve D devuelve D fin fin
{Post: D=caminosMnimos(g,v) {Post: D=caminosMnimos(g,v)
Nota: el bucle principal se ejecuta n-2 veces porque el ltimo camino queda calculado despus del ltimo paso (no quedan vrtices para hallar atajos)
J. Campos - C.P.S.

v
Tiempo de ejecucin:
se supone que las operaciones sobre cjtos. estn implementadas en tiempo constante, excepto la creacin (p.ej., mediante un vector de booleanos) fase de inicializacin: u creacin del cjto. y ejecucin n veces de diversas operaciones constantes: (n) fase de seleccin: u las instrucciones del interior del bucle son (1) u n de ejecuciones del bucle: 1 vuelta: se consultan n-1 vrtices, 2 vuelta: n-2, etc. (el cardinal de T decrece en 1 en cada paso) n de ejecuciones: n(n-1)/2-1 (n2) fase de marcaje: u n supresiones a lo largo del algoritmo: (n) fase de reclculo de las distancias mnimas: u queda (n2) por igual razn que la seleccin Coste total: (n2)
J. Campos - C.P.S.

v
Mejoras en el tiempo de ejecucin

Si la representacin es por listas de adyacencia, la fase de reclculo se ejecuta slo a (a<n2) veces (sustituyendo el bucle sobre los vrt. de T por otro bucle sobre los vrt. sucesores de w). Si el conjunto T se sustituye con una cola con prioridades, se rebaja tambin el coste de la fase de seleccin (puesto que se selecciona el mnimo). Problema: la fase de reclculo puede exigir cambiar la prioridad de un elemento cualquiera de la cola. Solucin: nuevo tipo de cola con prioridades que permita el acceso directo a cualquier elemento.
J. Campos - C.P.S.

gnero cpa {colaPriAristas} gnero cpa {colaPriAristas} operaciones operaciones creaVaca: cpa creaVaca: cpa inserta: cpa vrt etiq cpa inserta: cpa vrt etiq cpa primero: cpa (vrt,etiq) primero: cpa (vrt,etiq) borra: cpa cpa borra: cpa cpa sustit: cpa vrt etiq cpa sustit: cpa vrt etiq cpa valor: cpa vrt etiq valor: cpa vrt etiq est?: cpa vrt bool est?: cpa vrt bool vaca?: cpa bool vaca?: cpa bool
(1) (1) (log n) (log n) (1) (1) (log n) (log n) (log n) (log n) (1) (1) (1) (1) (1) (1)
Implementacin: montculo junto con un vector indexado por vrtices

1 2 3 4 5 <4,20> <3,75> <2,> <5,60>
el valor de la etiqueta significa que el vrtice no est en la cola
J. Campos - C.P.S.

funcin Dijkstra(g:grafo; v:vrt) funcin Dijkstra(g:grafo; v:vrt) devuelve vector[vrt] de etiq devuelve vector[vrt] de etiq variables A:cpa; {cola de aristas con prior.} variables A:cpa; {cola de aristas con prior.} D:vector[vrt] de etiq; D:vector[vrt] de etiq; u,w:vrt; et,val:etiq u,w:vrt; et,val:etiq principio principio
{crear la cola con todas las aristas <v,w>} {crear la cola con todas las aristas <v,w>}
creaVaca(A); creaVaca(A); para todo w en vrt hacer para todo w en vrt hacer inserta(A,w,etiqueta(g,v,w)) inserta(A,w,etiqueta(g,v,w)) fpara; fpara; mq not esVaca(A) hacer mq not esVaca(A) hacer <w,val>:=primero(A);{selecc. arista mn.} <w,val>:=primero(A);{selecc. arista mn.} D[w]:=val; borra(A);{marca ww como tratado} D[w]:=val; borra(A);{marca como tratado}
{se recalculan las nuevas dist. mnimas} {se recalculan las nuevas dist. mnimas}
para todo <u,et> en suc(g,w) hacer para todo <u,et> en suc(g,w) hacer si est(A,u) entonces si est(A,u) entonces si val+et<valor(A,u) si val+et<valor(A,u) ent sustituye(A,u,val+et) ent sustituye(A,u,val+et) fsi fsi fsi fsi fpara fpara fmq; fmq; D[v]:=0; devuelve D D[v]:=0; devuelve D fin fin
{Post: D=caminosMnimos(g,v)} {Post: D=caminosMnimos(g,v)}

v
Eficiencia temporal:
inicializacin: (nlog n) seleccin y supresin: (nlog n) bucle interno: examina todas las aristas del grafo y en el caso peor efecta una sustitucin por arista, por tanto: (alog n)
El coste total es:((a+n)log n), luego es mejor que la versin anterior si el grafo es disperso. Si el grafo es denso, el algoritmo original es mejor. Puede conseguirse un coste en (n2) para grafos densos y en (alog n) para no densos, representando el montculo en un rbol k-ario en lugar de binario [BB90, pp. 93-94].
J. Campos - C.P.S.

v
Ejercicio: clculo de la secuencia de nodos que componen el camino mnimo

si el camino mnimo entre v y w pasa por u, el camino mnimo entre v y u es un prefijo del camino mnimo entre v y w basta con devolver un vector C tal que C[w] contenga el nodo anterior en el camino mnimo de v a w (que ser v si est directamente unido al nodo de partida o si no hay camino entre v y w) el vector debe actualizarse al encontrarse un atajo en el camino es necesario tambin disear un nuevo algoritmo para recuperar el camino a un nodo dado, que tendra como parmetro C
J. Campos - C.P.S.
rboles de recubrimiento de coste mnimo

v
Objetivo: dado un grafo, obtener un nuevo grafo que slo contenga las aristas imprescindibles para una optimizacin global de las conexiones entre todos los nodos
optimizacin global: algunos pares de nodos pueden no quedar conectados entre ellos con el mnimo coste posible en el grafo original
Aplicacin: problemas que tienen que ver con distribuciones geogrficas

conjunto de computadores distribuidos geogrficamente en diversas ciudades de diferentes pases a los que se quiere conectar para intercambiar datos, compartir recursos, etc.; se pide a las compaas telefnicas respectivas los precios de alquiler de lneas entre ciudades asegurar que todos los computadores pueden comunicar entre s, minimizando el precio total de la red
J. Campos - C.P.S.

v
Terminologa:
rbol libre: es un grafo no dirigido conexo acclico
u u u
todo rbol libre con n vrtices tiene n-1 aristas si se aade una arista se introduce un ciclo si se borra una arista quedan vrtices no conectados cualquier par de vrtices est unido por un nico camino simple un rbol libre con un vrtice distinguido es un rbol con raz
rbol de recubrimiento de un grafo no dirigido y etiquetado no negativamente: es cualquier subgrafo que contenga todos los vrtices y que sea un rbol libre rbol de recubrimiento de coste mnimo: es un rbol de recubrimiento y no hay ningn otro rbol de recubrimiento cuya suma de aristas sea menor notacin: arm(g)={rboles de recubrimiento de coste mnimo de g}
J. Campos - C.P.S.

v
Propiedad fundamental de los rboles de recubrimiento de coste mnimo:

Sea g un grafo no dirigido conexo y etiquetado no negativamente, g{f:VVE}, sea U un conjunto de vrtices, UV, U, si <u,v> es la arista ms pequea de g tal que uU y vV\U, entonces existe algn rbol de recubrimiento de coste mnimo de g que la contiene. Dem: Por reduccin al absurdo [AHU88, p. 234].
J. Campos - C.P.S.
V. Jarnk: O jistm problmu minimlnm, Prca Moravsk Prrodovedeck Spolecnosti, 6, pp. 57-63, 1930. R.C. Prim: Shortest connection networks and some generalizations, Bell System Technical Journal, 36, pp. 1389-1401, 1957.
Algoritmo de Prim (debido a Jarnk)

Aplica reiteradamente la propiedad de los rboles de recubrimiento de coste mnimo incorporando a cada paso una arista Se usa un conjunto U de vrtices tratados y se selecciona en cada paso la arista mnima que une un vrtice de U con otro de su complementario
J. Campos - C.P.S.

{Pre: g es un grafo no dirigido conexo {Pre: g es un grafo no dirigido conexo etiquetado no negativamente} etiquetado no negativamente}
funcin Prim(g:grafo) devuelve grafo funcin Prim(g:grafo) devuelve grafo variables U:cjtVrt; gsol:grafo; variables U:cjtVrt; gsol:grafo; u,v:vrt; x:etiq u,v:vrt; x:etiq principio principio creaVaco(gsol); U:={cualquier vrtice}; creaVaco(gsol); U:={cualquier vrtice}; mq U no contenga todos los vrt. hacer mq U no contenga todos los vrt. hacer seleccionar <u,v,x> mnima t.q. u U;vU seleccionar <u,v,x> mnima t.q. u U;vU aade(gsol,u,v,x); U:=U {v} aade(gsol,u,v,x); U:=U {v} fmq; fmq; devuelve gsol devuelve gsol fin fin
{Post: gsolarm(g)} {Post: gsolarm(g)}
Coste: (na) (es decir, (n3) si el grafo es denso)
J. Campos - C.P.S.

v
La versin previa puede refinarse hasta obtener un algoritmo en (n2), es decir, mejor que el anterior (an-1).
Se usa un vector arisMn, indexado por vrtices, que contiene: si vU: arisMn[v]=<w,g(v,w)> t.q. <v,w> es la arista ms pequea que conecta v con un vrtice wU si vU: arisMn[v]=<v,>
J. Campos - C.P.S.

funcin Prim(g:grafo) devuelve grafo funcin Prim(g:grafo) devuelve grafo variables variables arisMn:vector[vrt] de <vrt,etiq>; arisMn:vector[vrt] de <vrt,etiq>; gsol:grafo; prim,mn,v,w:vrt; x:etiq gsol:grafo; prim,mn,v,w:vrt; x:etiq principio principio
{inicializacin del resultado} {inicializacin del resultado}
prim:=unVrticeCualquiera; prim:=unVrticeCualquiera; arisMn[prim]:=<prim,>; arisMn[prim]:=<prim,>; para todo v en vrt hacer para todo v en vrt hacer arisMn[v]:=<prim,etiqueta(g,prim,v)> arisMn[v]:=<prim,etiqueta(g,prim,v)> fpara; fpara;
{a continuacin se aplica el mtodo} {a continuacin se aplica el mtodo}
creaVaco(gsol); creaVaco(gsol); hacer n-1 veces hacer n-1 veces mn:=prim; {centinela: arisMn[mn].et=} mn:=prim; {centinela: arisMn[mn].et=} para todo v en vrt hacer para todo v en vrt hacer <w,x>:=arisMn[v]; <w,x>:=arisMn[v]; si x<arisMn[mn].et si x<arisMn[mn].et ent mn:=v {como mnimo habr uno} ent mn:=v {como mnimo habr uno} fsi; fsi; fpara; fpara; ... ...
J. Campos - C.P.S.

... ...
{a continuacin se aade a la solucin} {a continuacin se aade a la solucin}
aade(gsol,mn,arisMn[mn].v, aade(gsol,mn,arisMn[mn].v, arisMn[mn].et); arisMn[mn].et);

{se aade mn al conjunto de vrtices tratados} {se aade mn al conjunto de vrtices tratados} arisMn[mn]:=<mn,>; arisMn[mn]:=<mn,>; {se reorganiza el vector comprobando si la {se reorganiza el vector comprobando si la arista mnima de los vrtices todava no arista mnima de los vrtices todava no tratados los conecta a mn} tratados los conecta a mn}
para todo <v,x> en para todo <v,x> en adyacentes(g,mn) hacer adyacentes(g,mn) hacer si (arisMn[v].vv)and(x<arisMn[v].et) si (arisMn[v].v v)and(x<arisMn[v].et) entonces arisMn[v]:=<mn,x> fsi entonces arisMn[v]:=<mn,x> fsi fpara fpara frepetir; frepetir; devuelve gsol devuelve gsol fin fin
J. Campos - C.P.S.

v
inicializacin: lineal en caso de matriz de adyacencia y cuadrtica en caso de listas bucle principal: u el bucle de seleccin: (n) u el aadido de una arista al grafo: constante usando matriz, lineal usando listas u el bucle de reorganizacin:
con matriz de adyacencia: el clculo de los adyacentes es (n) y el coste total queda (n2) con listas: el coste total es (a+n)
Coste total: (n2), independientemente de la representacin. Coste espacial: (n) de espacio adicional.
J. Campos - C.P.S.

J.B. Kruskal: On the shortest spanning subtree of a graph and the traveling salesman problem, Proceedings of the American Mathematical Society, 7, pp. 48-50, 1956.
Algoritmo de Kruskal:
Se basa tambin en la propiedad de los rboles de recubrimiento de coste mnimo: Partiendo del rbol vaco, se selecciona en cada paso la arista de menor etiqueta que no provoque ciclo sin requerir ninguna otra condicin sobre sus extremos.
J. Campos - C.P.S.

funcin Kruskal(g:grafo) devuelve grafo funcin Kruskal(g:grafo) devuelve grafo variables gsol:grafo; variables gsol:grafo; u,v:vrt; x:etiq u,v:vrt; x:etiq principio principio creaVaco(gsol); creaVaco(gsol); mq gsol no sea conexo hacer mq gsol no sea conexo hacer() seleccionar <u,v,x> mnima no examinada; seleccionar <u,v,x> mnima no examinada; si no provoca ciclo si no provoca ciclo entonces aade(gsol,u,v,x) entonces aade(gsol,u,v,x) fsi fsi fmq; fmq; devuelve gsol devuelve gsol fin fin
Nota: componentes(gsol) devuelve el conjunto de componentes conexos de gsol. () Utilizar una cola con prioridades.
J. Campos - C.P.S.

v
Implementacin eficiente:
En cada momento, los vrtices que estn dentro de una componente conexa en la solucin forman una clase de equivalencia, y el algoritmo se puede considerar como la fusin continuada de clases hasta obtener una nica componente con todos los vrtices del grafo. A
50 30 40 40
B
60
3 4
C
10 20 50
C D
1 2
Evolucin de las clases de equivalencia:

{[A],[B],[C],[D],[E]} {[A],[B],[C,D],[E]} {[A],[B],[C,D,E]} {[A,B,C,D,E]} {[A,B],[C,D,E]}
J. Campos - C.P.S.

v
Se utiliza el TAD relacin de equivalencia sobre los vrtices
gnero rev {relac. de equiv. sobre vrt.} gnero rev {relac. de equiv. sobre vrt.} operaciones operaciones creaREV: rev {cada vrt. una clase} creaREV: rev {cada vrt. una clase} clase: rev vrt nat clase: rev vrt nat fusiona: rev nat nat rev fusiona: rev nat nat rev numClases: rev nat numClases: rev nat Implementacin asintticamente ptima: u basada en una representacin del tipo rev usando rboles y una tcnica de compresin de caminos [AHU88, pp. 182-191] u el coste de creaREV es lineal u el coste de numClases es constante u el coste de k ejecuciones combinadas de fusiona y clase es (k(k,n)), lo cual es prcticamente constante, porque es una funcin inversa de la funcin de Ackerman que crece MUY despacio ((k,n)4, para todos los valores de k y n imaginables)

funcin Kruskal(g:grafo) devuelve grafo funcin Kruskal(g:grafo) devuelve grafo variables T:cpa; gsol:grafo; variables T:cpa; gsol:grafo; u,v:vrt; x:etiq; u,v:vrt; x:etiq; C:rev; ucomp,vcomp:nat C:rev; ucomp,vcomp:nat principio principio creaREV(C); {cada vrt. forma una clase} creaREV(C); {cada vrt. forma una clase} creaVaco(gsol); creaVaca(T); creaVaco(gsol); creaVaca(T);
{se colocan todas las aristas en la cola} {se colocan todas las aristas en la cola}
para todo v en vrt hacer para todo v en vrt hacer para todo <u,x> en adyacentes(g,v) hacer para todo <u,x> en adyacentes(g,v) hacer inserta(T,v,u,x) inserta(T,v,u,x) fpara fpara fpara; fpara; ... ...
J. Campos - C.P.S.

... ... mq numClases(C)>1 hacer mq numClases(C)>1 hacer
{obtener y elim. la arista mn.de la cola} {obtener y elim. la arista mn.de la cola}
<u,v,x>:=primero(T); borra(T); <u,v,x>:=primero(T); borra(T);

{si la arista no provoca ciclo se aade a la {si la arista no provoca ciclo se aade a la solucin y se fusionan las clases corresp.} solucin y se fusionan las clases corresp.}
ucomp:=clase(C,u); vcomp:=clase(C,v); ucomp:=clase(C,u); vcomp:=clase(C,v); si ucompvcomp entonces si ucomp vcomp entonces fusiona(C,ucomp,vcomp); fusiona(C,ucomp,vcomp); aade(gsol,u,v,x) aade(gsol,u,v,x) fsi fsi fmq; fmq; devuelve gsol devuelve gsol fin fin
J. Campos - C.P.S.

v
Coste del algoritmo:

las a inserciones consecutivas de aristas en la cola con prioridades dan (alog a); como an2: (alog a)(alog n2)=(2alog n)=(alog n) como mucho hay a consultas y supresiones de la arista mnima, el coste de la consulta es constante y el de la supresin es (log a); por ello, este paso queda en (alog n) averiguar cuntas clases hay en la relacin de equivalencia es constante en el caso peor, la operacin de fusin de clases se ejecuta n-1 veces y la operacin de localizar la clase 2a veces; por tanto, el coste total es en la prctica (a) las n-1 inserciones de aristas quedan en (n) con matriz de adyacencia y (n2) con listas, aunque en el caso de las listas puede reducirse tambin a (n) si se elimina en la operacin de aade la comprobacin de existencia de la arista (el algoritmo de Kruskal garantiza que no habrn inserciones repetidas de aristas) Coste total: (alog n) (menos que el algoritmo de Prim, aunque con mayor espacio adicional)
J. Campos - C.P.S.
Consideraciones sobre la correccin del esquema voraz

v
La seleccin de una candidata ptima en cada paso es una estrategia heurstica que no siempre conduce a la solucin ptima. En ocasiones, se utilizan heursticas voraces para obtener soluciones subptimas cuando el clculo de las ptimas es demasiado costoso. Puede saberse si una estrategia voraz servir para resolver un problema concreto de optimizacin? La respuesta es: NO siempre. Sin embargo, existen ciertos indicios: la propiedad de la seleccin voraz y la existencia de una subestructura ptima.
J. Campos - C.P.S.

v
La propiedad de la seleccin voraz:

Se verifica esta propiedad cuando una solucin globalmente ptima puede ser alcanzada mediante selecciones localmente ptimas que son tomadas en cada paso sin depender de las selecciones futuras; en otras palabras, una estrategia voraz progresa de arriba hacia abajo, tomando una decisin voraz tras otra, reduciendo iterativamente el problema a otro ms pequeo.
J. Campos - C.P.S.

v
Cmo se comprueba si se verifica la propiedad de la seleccin voraz?

Normalmente, se examina una solucin globalmente ptima, se trata de demostrar que esa solucin puede ser manipulada de forma que se obtiene tras una primera seleccin voraz (localmente ptima), y esa seleccin reduce el problema a otro similar pero ms pequeo; se aplica induccin para demostrar que se puede usar una seleccin voraz en cada paso hay que demostrar que una solucin ptima posee una subestructura ptima
Subestructura ptima:
Un problema posee una subestructura ptima si una solucin ptima de ese problema incluye soluciones ptimas de subproblemas.
J. Campos - C.P.S.
Cdigos de Huffman
D.A. Huffman: A method for the construction of minimum-redundancy codes, Proceedings of the IRE, 40(9), pp. 1098-1101, 1952.
v v
Los cdigos de Huffman son una tcnica muy til para comprimir ficheros. El algoritmo voraz de Huffman utiliza una tabla de frecuencias de aparicin de cada carcter para construir una forma ptima de representar los caracteres con cdigos binarios. Ejemplo:
Se tiene un fichero con 100.000 caracteres que se desea compactar. Las frecuencias de aparicin de caracteres en el fichero son las siguientes: a b c d e f frec. en miles 45 13 12 16 9 5 Puede usarse un cdigo de longitud fija (de 3 bits). El fichero requerira 300.000 bits. a b c d e f cd.long.fija 000 001 010 011 100 101
J. Campos - C.P.S.
Cdigos de Huffman
Puede hacerse mejor con un cdigo de longitud variable, dando codificaciones cortas a los caracteres ms frecuentes y ms largas a los menos frecuentes. a cd.long.var. 0 b 101 c 100 d 111 e f 1101 1100
Este cdigo ahorra algo ms del 25% (requiere 224.000 bits en lugar de 300.000). v
Se precisa un cdigo libre de prefijos:

Ninguna codificacin puede ser prefijo de otra. De esta forma, la decodificacin es inmediata pues no hay ambigedades. Por ejemplo: 001011101 slo puede ser aabe.
El cdigo se representa mediante un trie (rbol lexicogrfico):

rbol binario cuyas hojas son los caracteres codificados; el cdigo de cada carcter es el camino desde la raz hasta la hoja, donde ir al hijo izquierdo significa 0 e ir hacia el derecho significa 1.
J. Campos - C.P.S.
Cdigos de Huffman
v
Ejemplo: rboles de los dos cdigos anteriores.

0 0 86 1 28 1 b:13 0 c:12 1 14 0 e:9 1 f:5 0 c:12 0 100 1 14 a:45 25 1 b:13 0 f:5 0 14 1 e:9 0 100 1 0 55 1 30 1 d:16
58 0 a:45
d:16
Cada hoja est etiquetada con un carcter y su frecuencia. Cada nodo interno est etiquetado con la suma de los pesos de las hojas de su subrbol. Un cdigo ptimo siempre est representado por un rbol lleno: cada nodo interno tiene dos hijos. u Si el alfabeto que se quiere codificar es C, entonces el rbol del cdigo ptimo tiene |C| hojas y |C|-1 nodos internos.
J. Campos - C.P.S.
Cdigos de Huffman
v
El algoritmo voraz de Huffman construye el rbol A de un cdigo ptimo de abajo hacia arriba. Utiliza una cola Q de rboles con prioridades (las frecuencias hacen de prioridades). Empieza con un conjunto de |C| hojas en Q y realiza una secuencia de |C|-1 mezclas hasta crear el rbol final. En cada paso, se mezclan los dos objetos (rboles) de Q que tienen menos frecuencia y el resultado es un nuevo objeto (rbol) cuya frecuencia es la suma de las frecuencias de los dos objetos mezclados.
J. Campos - C.P.S.
Cdigos de Huffman
{Pre: C es un conjunto de caracteres y f es el {Pre: C es un conjunto de caracteres y f es el vector de frecuencias de esos caracteres} vector de frecuencias de esos caracteres}
funcin Huffman(C:conjunto;f:vectFrec) funcin Huffman(C:conjunto;f:vectFrec) devuelve rbol devuelve rbol variables Q:colaPri; i,fx,fy,fz:entero; variables Q:colaPri; i,fx,fy,fz:entero; z,x,y:rbol z,x,y:rbol principio principio creaVaca(Q); creaVaca(Q); para todo x en C hacer para todo x en C hacer inserta(Q,<x,f[x]>) inserta(Q,<x,f[x]>) fpara; fpara; para i:=1 hasta |C|-1 hacer para i:=1 hasta |C|-1 hacer <x,fx>:=primero(Q); borra(Q); <x,fx>:=primero(Q); borra(Q); <y,fy>:=primero(Q); borra(Q); <y,fy>:=primero(Q); borra(Q); fz:=fx+fy; fz:=fx+fy; z:=crearbol(raz=>fz, z:=crearbol(raz=>fz, hijoIzq=>x; hijoIzq=>x; hijoDer=>y); hijoDer=>y); inserta(Q,<z,fz>) inserta(Q,<z,fz>) fpara; fpara; <z,fz>:=primero(Q); borra(Q) <z,fz>:=primero(Q); borra(Q) devuelve z devuelve z fin fin
{Post: z es el rbol de un cdigo libre de {Post: z es el rbol de un cdigo libre de prefijos ptimo para (C,f)} prefijos ptimo para (C,f)}
Cdigos de Huffman
v
f:5
Para el ejemplo anterior:

e:9 c:12 b:13 d:16 a:45 c:12 b:13 0 f:5 14 1 e:9 d:16 a:45
(1)
(2)
(3)
14 0 f:5 1 e:9
d:16
25 1 b:13
a:45 0 c:12
25 1 b:13 0 f:5
30 0 14 1 e:9
a:45 1
c:12
d:16
(4)
a:45
(5)
0 c:12
0 1 b:13
55 1 30 0 14 0 f:5 1 e:9 1 a:45
100
1 0 55 1 30 1 b:13 0 f:5 0 14 1 e:9 1
25
d:16
(6)
0 c:12
25
d:16
J. Campos - C.P.S.
Cdigos de Huffman
v
Coste temporal:
inicializacin de Q: (|C|) (ejercicio) el interior del bucle: (log |C|)
Coste total: (|C|log |C|) Correccin: ver que se verifican las propiedades de la seleccin voraz y de la subestructura ptima. Propiedad de la seleccin voraz:
Sea C un alfabeto en el que cada carcter c tiene frecuencia f[c]. Sean x e y dos caracteres de C con frecuencias mnimas. Entonces existe un cdigo libre de prefijos ptimo para C en el que las codificaciones de x e y tienen igual longitud y se diferencian slo en el ltimo bit. La idea de la demostracin consiste en tomar un rbol que represente un cdigo libre de prefijos ptimo arbitrario y modificarlo hasta convertirlo en otro rbol que represente otro cdigo libre de prefijos ptimo y tal que los caracteres x e y aparezcan como hojas hermanas de mxima profundidad. Detalles en [CLR90, pp. 342-343].
J. Campos - C.P.S.
Cdigos de Huffman
Por tanto, el proceso de construir un rbol ptimo mediante mezclas puede empezar, sin prdida de generalidad, con la eleccin voraz de mezclar los dos caracteres de menor frecuencia. v
Propiedad de la subestructura ptima:

Sea T un rbol binario lleno que representa un cdigo libre de prefijos ptimo sobre un alfabeto C, con frecuencia f[c] para cada carcter cC. Sean x e y dos caracteres que aparecen como hojas hermanas en T, y sea z su padre. Entonces, considerando z como un carcter con frecuencia f[z]=f[x]+f[y], el rbol T=T-{x,y} representa un cdigo libre de prefijos ptimo para el alfabeto C=C-{x,y}{z}. La demostracin, en [CLR90, p. 343].
La correccin del algoritmo se sigue de los dos resultados anteriores, aplicando induccin.
J. Campos - C.P.S.
El problema de la seleccin de actividades

v v
Es un problema de planificacin de tareas (en ingls, scheduling). Se tiene un conjunto S={1,2,,n} de actividades (por ej., clases) que deben usar un recurso (por ej., un aula) que slo puede ser usado por una actividad en cada instante. Cada actividad i tiene asociado un instante de comienzo ci y un instante de finalizacin fi, tales que cifi, de forma que la actividad i, si se realiza, debe hacerse durante [ci,fi). Dos actividades i, j se dicen compatibles si los intervalos [ci,fi) y [cj,fj) no se superponen (i.e., (cifj)(cjfi)). El problema de seleccin de actividades consiste en seleccionar un conjunto de actividades mutuamente compatibles que tenga cardinal mximo.
J. Campos - C.P.S.

constante n=... {nmero de actividades} constante n=... {nmero de actividades} tipo vectReal=vector[1..n] de real tipo vectReal=vector[1..n] de real
{Pre: i1..n:c[i]f[i] i1..n-1:f[i]f[i+1]} {Pre: i1..n:c[i]f[i] i1..n-1:f[i]f[i+1]}
funcin selec(c,f:vectReal)devuelve conjunto funcin selec(c,f:vectReal)devuelve conjunto variables i,j:entero; A:conjunto variables i,j:entero; A:conjunto principio principio A:={1}; A:={1}; j:=1; {j es la ltima actividad seleccionada} j:=1; {j es la ltima actividad seleccionada} para i:=2 hasta n hacer para i:=2 hasta n hacer si c[i]f[j] si c[i] f[j] entonces A:=A {i}; j:=i entonces A:=A {i}; j:=i fsi fsi fpara; fpara; devuelve A devuelve A fin fin
{Post: A es solucin ptima del problema de {Post: A es solucin ptima del problema de la seleccin de actividades.} la seleccin de actividades.}
J. Campos - C.P.S.

v
Coste temporal: (n)

(nlog n) si se tiene en cuenta que hay que ordenar primero los vectores.
Demostracin de la correccin:
La actividad 1 tiene el primer instante de finalizacin. Veamos que existe una solucin ptima que comienza con una seleccin voraz, es decir, con la actividad 1. Supongamos que AS es una solucin ptima y que las actividades de A estn ordenadas por tiempos de finalizacin. Supongamos que la primera actividad de A es la actividad k. Si k=1, entonces A empieza con una seleccin voraz. Si k1, veamos que existe otra solucin ptima B que comienza con 1. Sea B=A-{k}{1}. Como f1fk, las actividades en B son disjuntas y como tiene el mismo nmero de actividades que A entonces B es tambin ptima.
J. Campos - C.P.S.

Despus de la seleccin voraz de la actividad 1, el problema se reduce a encontrar una solucin ptima del problema de seleccin actividades sobre las actividades de S que son compatibles con la actividad 1. Entonces, si A es una solucin ptima para el problema original S, se tiene que A=A\{1} es una solucin ptima para el problema S={iS|cif1}. En efecto, si existiera una solucin B para S con ms actividades que A, aadiendo la actividad 1 a B tendramos una solucin B para S con ms actividades que A, en contra de la optimalidad de A. Por tanto, despus de cada seleccin voraz, nos encontramos con otro problema de optimizacin con igual forma que el problema original. Por induccin sobre el nmero de selecciones, y realizando una seleccin voraz en cada paso, se obtiene una solucin ptima. n
J. Campos - C.P.S.
El problema de la minimizacin del tiempo de espera

v v
v v
Es otro problema de planificacin de tareas. Un servidor (por ej., un procesador, un cajero automtico, un surtidor de gasolina, etc.) tiene que atender n clientes que llegan todos juntos al sistema. El tiempo de servicio para cada cliente es ti, i=1,2,,n. Se quiere minimizar:
T=
tiempo total que el cliente i est en el sistema i=1
J. Campos - C.P.S.

v
Ejemplo: 3 clientes con t1=5, t2=10, t3=3.

orden 1 2 3: 1 3 2: 2 1 3: 2 3 1: 3 1 2: 3 2 1: T 5+ 5+ 10 + 10 + 3+ 3+
(5+10) + (5+3) + (10+5) + (10+3) + (3+5) + (3+10) +
(5+10+3) (5+3+10) (10+5+3) (10+3+5) (3+5+10) (3+10+5)
= 38 = 31 = 43 = 41 = 29 = 34
ptimo
J. Campos - C.P.S.

v
Estrategia voraz: Atender en cada paso al cliente no atendido con menor tiempo de servicio. Demostracin de la correccin:
Sea I=(i1,i2,,in) una permutacin cualquiera de los naturales {1,2,,n}. Si se atiende a los clientes segn la secuencia I, el tiempo total que los clientes estn en el sistema es: T(I) = ti1 + (ti1+ti2) + ((ti1+ti2)+ti3) + = nti1 + (n-1)ti2 + (n-2)ti3 + =
(n-k+1)t k=1
ik
Supongamos que I es tal que es posible encontrar dos naturales a y b con a<b y tia>tib, es decir, que el cliente a-simo es atendido antes que el b-simo aunque su tiempo de servicio es mayor. Si se invierten sus posiciones en I se obtiene una nueva secuencia I.
J. Campos - C.P.S.

Entonces: T(I) = (n-a+1)tib + (n-b+1)tia +
ka,b
(n-k+1)t k=1
ik
T(I) - T(I) = (n-a+1)(tia-tib) + (n-b+1)(tib-tia) = (b-a)(tia-tib) >0 Es decir, se puede mejorar cualquier secuencia en la que un cliente que necesita ms tiempo sea atendido antes que otro que necesita menos. Las nicas secuencias que no pueden mejorarse, y por tanto son ptimas, son aqullas en las que los clientes estn ordenados por tiempos de servicio decrecientes (todas ellas dan igual tiempo total). n
Puede generalizarse a s procesadores.

Se numeran los clientes de forma que t1t2 tn. El procesador i, 1is, atender a los clientes i, i+s, i+2s,
J. Campos - C.P.S.
Fundamentos tericos del esquema voraz

v
Existe una teora matemtica que sirve de base a los algoritmos voraces: Teora de matroides Un matroide es un par M=(S,I) t.q.:
S es un conjunto finito no vaco. I es una familia no vaca de subconjuntos de S, llamados subconjuntos independientes, t.q. si BI y AB, entonces AI. Por cumplir esta propiedad, I se dice hereditaria (ntese que el conjunto vaco es necesariamente un miembro de I). Si AI, BI y |A|<|B|, entonces existe algn xB\A t.q. A{x}I. Se dice que M satisface la propiedad de intercambio.
J. Campos - C.P.S.

v
Ejemplos de matroides:
Dada una matriz de nmeros reales, sea S el conjunto de sus vectores fila, y considerese que un subconjunto de S es independiente si los vectores que lo componen son linealmente independientes (en el sentido habitual). Se llama matroide matricial y es el primero que se estudi (H. Whitney, 1935). Sea un grafo no dirigido G=(V,A). Sea MG=(SG,IG), donde: u SG=A (el conjunto de aristas). u Si BA, entonces BIG si y slo si B es acclico. Se llama matroide grfico y est muy relacionado con el clculo de rboles de recubrimiento de coste mnimo.
J. Campos - C.P.S.

v
Sea M=(S,I) y BI. Un elemento xB se dice extensin de B si B{x}I.

Ejemplo: en un matroide grfico MG, si B es un conjunto independiente de aristas, entonces la arista a es una extensin de B si y slo si a no est en B y la incorporacin de a a B no crea un ciclo.
Si A es un subconjunto independiente de un matroide M, se dice que A es maximal si no tiene extensiones. Teorema. Todos los subconjuntos independientes maximales de un matroide tienen el mismo cardinal. (Dem.: muy fcil [CLR90].)
Ejemplo: Dado un grafo no dirigido y conexo G, todo subconjunto independiente maximal de MG es un rbol libre con |V|-1 aristas que conecta todos los vrtices de G. Ese rbol se llama rbol de recubrimiento de G.
J. Campos - C.P.S.

v
Un matroide M=(S,I) al que se le asocia una funcin que asigna un peso estrictamente positivo w(x) a cada xS se llama matroide ponderado. La funcin de peso w se extiende a los subconjuntos de S mediante la suma: w(A) = w(x), para todo AS.
xA
Ejemplo: si w(a) denota la longitud de la arista a en un matroide grfico MG, entonces w(B) es la longitud total de todas las aristas del subconjunto de aristas B.
J. Campos - C.P.S.

v
Voracidad y matroides.
Muchos de los problemas para los que un algoritmo voraz calcula la solucin ptima pueden formularse en trminos de encontrar un subconjunto independiente de mximo peso en un matroide ponderado.
Es decir, dado un matroide ponderado M=(S,I), se quiere encontrar un subconjunto A independiente (i.e., AI) tal que w(A) sea mximo. Un subconjunto independiente y de mximo peso en un matroide ponderado se llama subconjunto ptimo del matroide. Como la funcin de peso w es positiva, un subconjunto ptimo siempre es maximal (i.e., no tiene extensiones, ya que aumentar un conjunto siempre incrementa su peso).

v
Ejemplo: el problema del rbol de recubrimiento de coste mnimo.

Sea un grafo no dirigido y conexo G=(V,A) y una funcin de longitud w tal que w(a) es la longitud positiva de la arista a (llamamos longitudes a las etiquetas del grafo en lugar de pesos por reservar esta palabra para la funcin definida sobre un matroide). El problema consiste en encontrar un subconjunto de aristas que conecte todos los vrtices del grafo y tenga longitud mnima. Considerar MG y la funcin de peso w definida como: w(a) = w0-w(a), donde w0 es un valor mayor que la longitud de todas las aristas. En este matroide ponderado, todos los pesos son positivos y un subconjunto ptimo es precisamente un rbol de recubrimiento del grafo original con longitud total mnima. Ms especficamente, cada subconjunto independiente maximal B corresponde a un rbol de recubrimiento, y puesto que w(B) = (|V|-1)w0-w(B) para todo subconjunto independiente maximal B, el subconjunto independiente que maximiza w(B) debe minimizar w(B).
J. Campos - C.P.S.

v
Algoritmo voraz de clculo de un subconjunto ptimo en un matroide arbitrario:
{Pre: S y la funcin indep definen un matroide; {Pre: S y la funcin indep definen un matroide; w es una funcin de peso positiva sobre S} w es una funcin de peso positiva sobre S}
funcin voraz(S:conjunto) devuelve conjunto funcin voraz(S:conjunto) devuelve conjunto variable A:conjunto variable A:conjunto principio principio A:=; A:=; ordenar S por valores no crecientes de w; ordenar S por valores no crecientes de w; para todo x en S tomado en orden para todo x en S tomado en orden no creciente de w(x) hacer no creciente de w(x) hacer si indep(A{x}) entonces A:=A{x} fsi si indep(A{x}) entonces A:=A{x} fsi fpara; fpara; devuelve A devuelve A fin fin
{Post: A es subconjunto ptimo de (S,indep,w)} {Post: A es subconjunto ptimo de (S,indep,w)}
J. Campos - C.P.S.

v
Denotando |S| como n, u fase de ordenacin: (nlog n) u bucle: (n f(n)), suponiendo que el coste de la funcin indep es (f(n)) Total: (nlog n + n f(n))
Correccin:
Teorema 17.10 en [CLR90, pp. 348-350] (un par de pginas; sin gran dificultad).
J. Campos - C.P.S.

v
Utilidad fundamental: Dados un problema y una solucin voraz, para demostrar la correccin de esa solucin basta con identificar una estructura de matroide subyacente al problema
J. Campos - C.P.S.

v
Resumen:
La teora de matroides no cubre todos los problemas en los que el esquema voraz calcula la solucin ptima. Sin embargo cubre muchos casos interesantes (por ej., rboles de recubrimiento de coste mnimo). Ms an, se ha demostrado que una estructura es un matroide si y slo si el esquema voraz calcula para ella una solucin ptima sea cual sea la funcin de peso escogida (la demostracin puede verse en [Koz92, pp. 13-18]). La investigacin contina
J. Campos - C.P.S.
Un problema de planificacin de tareas a plazo fijo

v v v v v
Se tiene un conjunto S={1,2,,n} de tareas de duracin unidad. En cada instante, slo se puede realizar una tarea. La tarea i, 1in, debe terminarse antes del instante (o plazo) di, con 1din. Hay una penalizacin wi, 1in, si la tarea i no termina antes de su plazo. Se trata de encontrar una secuencia de realizacin de las tareas que minimice la penalizacin total.
J. Campos - C.P.S.

v
Una tarea en una secuencia se dice puntual si termina antes de su plazo, y tarda si lo hace despus de su plazo. Una secuencia est en forma puntuales primero si todas las tareas puntuales estn antes de las tardas. Cualquier secuencia puede transformarse en forma puntuales primero.
En efecto, si una tarea puntual x va detrs de una tarea tarda y, pueden intercambiarse sus posiciones de forma que x sigue siendo puntual e y tarda.
Una secuencia est en forma cannica si est en forma puntuales primero y las tareas puntuales estn ordenadas por valores no decrecientes de sus plazos. Cualquier secuencia puede transformarse en forma cannica.
Argumentacin similar a la anterior.
J. Campos - C.P.S.

v
Encontrar una secuencia ptima es encontrar un conjunto A de tareas que sean puntuales en la secuencia ptima. Una vez encontrado A, la secuencia se crea ordenando los elementos de A por plazos no decrecientes y a continuacin las tareas tardas (en S-A) en cualquier orden. Decimos que un conjunto A de tareas es independiente si existe una ordenacin de las mismas en la que ninguna es tarda.
Por ejemplo, el conjunto de tareas puntuales de una secuencia es un conjunto independiente.
Denotamos con I el conjunto de todos los conjuntos independientes de tareas.
J. Campos - C.P.S.

v v
Sea Nt(A), t=1,,n, el nmero de tareas de A cuyo plazo es menor o igual que t. Lema. Sea A un conjunto de tareas. Son equivalentes:
1. A es independiente. 2. Nt(A)t, para t=1,,n. 3. Si las tareas de A se ordenan por plazos no decrecientes, entonces ninguna tarea es tarda. Dem.: (1)(2) Si Nt(A)>t para algn t, entonces no hay forma de construir una secuencia con las tareas de A de forma que ninguna sea tarda. (2)(3) El i-simo plazo mayor es como mucho i. Por tanto, ordenando las tareas por plazos no decrecientes, no hay forma de que alguna tarea sea tarda. (3)(1) Trivial. n
Corolario. La propiedad (2) del lema anterior sirve para decidir en tiempo O(|A|) si un conjunto de tareas es independiente.
Dem.: Ejercicio.
J. Campos - C.P.S.

v
El problema de minimizar la suma de penalizaciones de las tareas tardas de una secuencia es el mismo que el de maximizar la suma de penalizaciones de sus tareas puntuales. Teorema. Si S es un conjunto de tareas de duracin unidad con penalizaciones e I es el conjunto de todos los conjuntos independientes de tareas, entonces (S,I) es un matroide.
Dem.: Es claro que todo subconjunto de un conjunto independiente de tareas es tambin independiente. Para demostrar la propiedad del intercambio, supongamos que B y A son conjuntos independientes de tareas con |B|>|A|. Sea k el mayor t tal que Nt(B)Nt(A). Como Nn(B)=|B| y Nn(A)=|A|, se sigue que k<n y que Nj(B)>Nj(A) para todo j tal que k+1jn. Por tanto, B tiene ms tareas con plazo k+1 que A.
J. Campos - C.P.S.

Sea x una tarea de B\A con plazo k+1. Sea A=A{x}. Demostramos ahora que A es independiente usando la propiedad (2) del Lema anterior. Como A es independiente, Nt(A)=Nt(A)t, para 1tk. Como B es independiente, Nt(A)Nt(B)t, para k<tn. Por tanto, A es independiente. n v
Corolario. Se puede utilizar un algoritmo voraz para encontrar un conjunto independiente de tareas A con penalizacin mxima. A continuacin, se puede crear una secuencia ptima que tiene como tareas puntuales las de A. Tiempo de ejecucin: O(n2) Por qu?
J. Campos - C.P.S.
Heursticas voraces: Coloreado de grafos

v
A veces se utilizan algoritmos voraces a pesar de que no calculan soluciones ptimas:

bien porque el clculo de una solucin ptima es demasiado costoso, bien porque el algoritmo voraz calcula un solucin subptima que resulta suficiente.
Problema del coloreado de un grafo.

Sea G=(V,A) un grafo no dirigido cuyos vrtices se desea colorear. Se exige que todo par de vrtices unidos por una arista tengan asignados colores diferentes. Se pretende emplear el menor nmero posible de colores. 3 1 2 4 5
J. Campos - C.P.S.

Algoritmo voraz de coloreado de un grafo:
u
escoger inicialmente un color y un vrtice arbitrario como punto de partida; tratar de asignarle ese color al mayor nmero posible de vrtices, respetando la restriccin impuesta (vrtices adyacentes deben tener distinto color); escoger otro vrtice an no coloreado y un color distinto y repetir el proceso hasta haber coloreado todos los vrtices.
Aplicado al ejemplo anterior, se obtiene la solucin ptima: dos colores. 3 1 2 4 5
J. Campos - C.P.S.

Sin embargo, tomando el mismo grafo pero ordenando los vrtices de otra forma, 1,5,2,3,4, el algoritmo voraz coloreara 1 y 5 de un color, 2 en otro, y necesitara un tercer color para 3 y 4. 3 1 2 4 Por tanto es un algoritmo heurstico que tiene la posibilidad, pero no la certeza, de encontrar la solucin ptima. Todos los algoritmos exactos conocidos para el problema del coloreado de un grafo emplean un tiempo exponencial, de ah la utilidad de la heurstica voraz. 5
J. Campos - C.P.S.
Heursticas voraces: El problema del viajante de comercio

v
El problema del viajante de comercio consiste en encontrar un recorrido de longitud mnima para un viajante que tiene que visitar varias ciudades y volver al punto de partida, conocida la distancia existente entre cada dos ciudades. Se lo plantean, por ejemplo, las compaas de telfonos para elegir la ruta que deben seguir los recolectores de dinero de las cabinas pblicas instaladas en una ciudad.
J. Campos - C.P.S.

v
Ejemplo:
Cinco cabinas de telfonos, b, c, d, e, f, para las que se conocen sus coordenadas relativas a la central telefnica, a, desde la que parten los recolectores y a donde deben regresar al terminar, y se supone que la distancia entre cada dos viene dada por la lnea recta. c a (1,7) b (4,3) (0,0) d e f (15,7) (15,4) (18,0)
a b 5 c 7,07 d 16,55 e 15,52 f 18 distan. a
5 11,70 11,05 14,32 b
14 14,32 18,38 c
3 7,6 d
5 e
J. Campos - C.P.S.

v
El algoritmo de fuerza bruta para resolver el problema consiste en intentar todas las posibilidades, es decir, calcular las longitudes de todos los recorridos posibles, y seleccionar la de longitud mnima (veremos una solucin algo mejor mediante programacin dinmica). Obviamente, el coste de tal algoritmo crece exponencialmente con el nmero de puntos a visitar. En el ejemplo anterior, la solucin viene dada por el siguiente recorrido (en realidad dos recorridos, pues ambos sentidos de marcha son posibles) de longitud 48,39:
c b a e d f
J. Campos - C.P.S.

v
Heurstica voraz:
Ir seleccionando parejas de puntos que sern visitados de forma consecutiva: se seleccionar primero aquella pareja de puntos entre los que la distancia sea mnima; a continuacin, se selecciona la siguiente pareja separada con una distancia mnima siempre que esta nueva eleccin no haga que: u se visite un punto dos veces o ms (es decir, que el punto aparezca tres o ms veces en las parejas de puntos seleccionadas), o u se cierre un recorrido antes de haber visitado todos los puntos. De esta forma, si hay que visitar n puntos (incluido el origen), se selecciona un conjunto de n parejas de puntos (que sern visitados de forma consecutiva) y la solucin consiste en reordenar todas esas parejas de forma que constituyan un recorrido.
J. Campos - C.P.S.

v
En el ejemplo anterior:
Las parejas ordenadas por distancia entre sus puntos son: (d,e), (a,b), (b,c), (e,f), (a,c), (d,f), (b,e), (b,d), (c,d), (b,f), (c,e), (a,e), (a,d), (a,f) y (c,f). Se selecciona primero la pareja (d,e) pues la distancia entre ambos puntos es mnima (3 unidades). (d,e) Despus se seleccionan las parejas (a,b), (b,c) y (e,f). La distancia es para todas ellas igual (5 unidades). (d,e), (a,b), (b,c), (e,f) La siguiente pareja de distancia mnima es (a,c), con longitud 7,07. Sin embargo, esta pareja cierra un recorrido junto con otras dos ya seleccionadas, (b,c) y (a,b), por lo que se descarta. La siguiente pareja es (d,f) y se descarta tambin por motivos similares.
J. Campos - C.P.S.

(d,e), (a,b), (b,c), (e,f) La siguiente es la pareja (b,e), pero debe rechazarse tambin porque su inclusin hara visitar ms de una vez los puntos b y e. La pareja (b,d) se rechaza por motivos similares (el punto b habra que visitarlo dos veces). La siguiente pareja es (c,d), y se selecciona. (d,e), (a,b), (b,c), (e,f), (c,d) Las parejas (b,f), (c,e), (a,e) y (a,d) no son aceptables. Finalmente, la pareja (a,f) cierra el recorrido: c b a e f d
Este recorrido no es el ptimo pues su longitud es de 50 unidades. No obstante, es el cuarto mejor recorrido de entre los sesenta (esencialmente distintos) posibles y es ms costoso que el ptimo en slo un 3,3%.
J. Campos - C.P.S.

Algoritmos voraces optimizados

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algoritmos voraces optimizados

Uploaded by

Copyright:

Available Formats

Algoritmos voraces

Esquemas algortmicos - Algoritmos voraces Pg. 1

El esquema voraz: Introduccin y primer ejemplo

Esquemas algortmicos - Algoritmos voraces Pg. 2

El esquema voraz: Introduccin y primer ejemplo

El esquema voraz procede por pasos:

Esquemas algortmicos - Algoritmos voraces Pg. 3

El esquema voraz: Introduccin y primer ejemplo

principio principio S:=; {S es el conjunto en el que se S:=; {S es el conjunto en el que se

Esquemas algortmicos - Algoritmos voraces Pg. 4

El esquema voraz: Introduccin y primer ejemplo

Problema del cambio en monedas.

Elementos fundamentales del esquema:

Esquemas algortmicos - Algoritmos voraces Pg. 5

El esquema voraz: Introduccin y primer ejemplo

tipo moneda=(M25,M10,M5,M1) tipo moneda=(M25,M10,M5,M1)

Esquemas algortmicos - Algoritmos voraces Pg. 6

El esquema voraz: Introduccin y primer ejemplo

Ejercicios sobre el problema del cambio en monedas:

Esquemas algortmicos - Algoritmos voraces Pg. 7

Esquemas algortmicos - Algoritmos voraces Pg. 8

(1) (2) (3)

con 0xi1, bi>0, pi>0, 1in v v

Esquemas algortmicos - Algoritmos voraces Pg. 10

Esquemas algortmicos - Algoritmos voraces Pg. 11

Esquemas algortmicos - Algoritmos voraces Pg. 12

Esquemas algortmicos - Algoritmos voraces Pg. 13

Coste temporal: (n)

Esquemas algortmicos - Algoritmos voraces Pg. 15

Caminos mnimos en grafos

Grafos etiquetados con pesos no negativos

Bsqueda de caminos de longitud mnima

Caractersticas del tipo de dato de las etiquetas (o pesos):

Esquemas algortmicos - Algoritmos voraces Pg. 16

Caminos mnimos en grafos

Representaciones de grafos: Matriz de adyacencia

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 18

Caminos mnimos en grafos

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 20

Caminos mnimos en grafos

Vector de listas de adyacencia inversa

Esquemas algortmicos - Algoritmos voraces Pg. 21

Caminos mnimos en grafos

Listas mltiples de adyacencia

Listas de adyacencia inversa

1 2 nil nil 1 2 3 nil 2 1 nil 2 3 nil nil

Esquemas algortmicos - Algoritmos voraces Pg. 22

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 23

Caminos mnimos en grafos

Listas mltiples de adyacencia

Esquemas algortmicos - Algoritmos voraces Pg. 24

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 25

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 26

Caminos mnimos en grafos

Solucin voraz: Algoritmo de Dijkstra

Esquemas algortmicos - Algoritmos voraces Pg. 27

Caminos mnimos en grafos

Esquemas algortmicos - Algoritmos voraces Pg. 28