Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director de la Tesis:
Dr. Eduardo Arturo Rodrguez Tello
diciembre, 2011.
Nota aclaratoria:
Las reglas ortogrficas que se siguieron en la escritura de esta tesis son las publicadas en el
ao 2010 por la Real Academia Espaola y la Asociacin de Academias de la Lengua
Espaola. De acuerdo a estas reglas para las palabras este, esta, estos, estas, ese, esa, esos,
esas, aquel, aquella, aquellos, aquellas no se toma en consideracin la posible ambigedad
entre determinantes demostrativos y pronombres demostrativos. Antiguamente se
acentuaban cuando tenan funcin de pronombre. Las palabras esto, eso, aquello, que solo
pueden ser pronombres, nunca se han acentuado. La palabra solo puede funcionar como
adjetivo o como adverbio. Antiguamente se acentuaba cuando tena funcin de adverbio,
equivalente a solamente (Real Academia Espaola, 2010).
La tesis presentada por Luis Carlos Betancourt Rodrguez fue aprobada por:
_________________________________________________________
Agradecimientos
Esta tesis ha sido parcialmente financiada por la beca de estudios de maestra No. 234549,
as como los siguientes proyectos CONACyT: Algoritmos para la Canonizacin de Covering
Arrays, No. 99276 y Fondo Mixto CONACyT-Gobierno del Estado de Tamaulipas, No. 51623.
Gracias al Centro de Investigacin y de Estudios Avanzados del IPN (CINVESTAV-IPN),
Unidad Tamaulipas por todas las facilidades otorgadas.
Agradezco al Dr. Eduardo A. Rodrguez Tello, por su atencin y gua durante el desarrollo
de esta tesis. Gracias por ensearme a trabajar con mayor orden y hacerme ver que siempre
puedo dar ms de lo que creo.
De igual manera les agradezco a todos los investigadores del Centro que me impartieron
clases y me ensearon que siempre hay que buscar la manera de resolver los problemas y no
esperar a que te ofrezcan las soluciones.
Gracias a todos mis compaeros, por esos momentos complicados y buenos que
compartimos. En especial a Karla, Marco, Miguel, Oscar y Yazmin por brindarme su amistad
y hacer ms amenos estos aos.
El agradecimiento ms importante es para mis padres, nunca podr pagarles todo lo que
me han dado sin condiciones. Gracias por llevarme por el buen camino y juntos forjar quien
soy.
ndice General
ndice General
ndice de Figuras
III
ndice de Tablas
ndice de Algoritmos
VII
Resumen
IX
Abstract
XI
Nomenclatura
1. Introduccin
1.1. Antecedentes . . . . . . . .
1.2. Motivacin . . . . . . . . .
1.3. Objetivos de la tesis . . . .
1.3.1. Objetivo general . .
1.3.2. Objetivos especficos
1.4. Organizacin de la tesis . .
XIII
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
3
4
4
4
5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
11
13
14
14
15
16
16
16
17
17
20
20
20
21
. 22
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
28
30
31
34
34
35
36
36
37
37
38
4. Experimentacin y resultados
4.1. Criterios de comparacin . . . . . . . . . . . . . . . . . . . . . . .
4.2. Instancias de prueba . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1. Grafos con ptimo conocido . . . . . . . . . . . . . . . . .
4.2.2. Instancias de grafos tipo malla . . . . . . . . . . . . . . .
4.2.3. Instancias Rome . . . . . . . . . . . . . . . . . . . . . . .
4.2.4. Instancias Harwell Boeing . . . . . . . . . . . . . . . . . .
4.3. Condiciones experimentales . . . . . . . . . . . . . . . . . . . . .
4.4. Experimentacin preliminar . . . . . . . . . . . . . . . . . . . . .
4.4.1. Experimentacin preliminar para obtener una solucin inicial
4.4.2. Experimentacin preliminar sobre diferentes vecindarios . . .
4.5. Sintonizacin de parmetros . . . . . . . . . . . . . . . . . . . . .
4.6. Experimentacin final . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Resultados sobre instancias del conjunto Rome . . . . . . .
4.6.2. Resultados de instancias tipo malla . . . . . . . . . . . . .
4.6.3. Resultados de instancias Harwell-Boeing . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
42
42
42
43
43
43
44
44
44
47
48
51
52
54
56
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
68
69
69
70
71
ndice de Figuras
2.1. Grafo que modela el problema de los puentes de Knigsberg . . . . . . . . . . 8
2.2. (a) Grafo simple y (b) Grafo conexo . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Algunos ejemplos de tipos de grafos. . . . . . . . . . . . . . . . . . . . . . . 11
3.1. Estructura de niveles de un grafo con 8 nodos y 7 arcos generada con bsqueda
primero en anchura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Proceso de etiquetado del grafo de la Figura 3.1(a). . . . . . . . . . . . . . . 32
4.1. Comparacin del desempeo promedio entre mtodos de inicializacin aleatorio
y BFSi sobre un conjunto de 18 grafos con ptimo conocido. . . . . . . . .
4.2. Desempeo promedio de diferentes funciones de vecindad combinadas obtenido
sobre 5 instancias del conjunto Harwell-Boeing. . . . . . . . . . . . . . . . .
4.3. Acercamiento superior de la Figura 4.2. . . . . . . . . . . . . . . . . . . . .
4.4. Comparacin del desempeo entre MAAMP y RS-MAG con respecto al lmite
inferior terico sobre 30 grafos del conjunto Rome. . . . . . . . . . . . . .
4.5. Grfica de Tiempo a la mejor solucin para la instancia ug1-80. . . . . . . .
4.6. Comparacin del desempeo entre GRASP+evPR y RS-MAG con respecto al
lmite inferior terico sobre 24 grafos tipo malla. . . . . . . . . . . . . . . .
4.7. Comparacin del desempeo entre GRASP+evPR y RS-MAG sobre 12 grafos
pequeos Harwell-Boeing . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8. Comparacin del desempeo entre GRASP+evPR y RS-MAG sobre 12 grafos
grandes Harwell-Boeing. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.9. Grfica Tiempo a la mejor solucin para la instancia 685_bus. . . . . . . .
. 46
. 48
. 49
. 54
. 54
. 56
. 58
. 58
. 59
iii
ndice de Tablas
2.1.
2.2.
2.3.
2.4.
. . . . . .
. . . . . .
. . . . . .
de MAG. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
16
17
19
. 45
. 47
. 50
. 50
. 50
. 51
. 53
. 55
. 57
ndice de Algoritmos
2.1. Algoritmo memtico MAAMP . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2. Algoritmo GRASP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1. RS-MAG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
vii
Resumen
Una metaheurstica de recocido simulado para el
problema de maximizacin del antibandwidth en
grafos
por
ix
Abstract
A simulated annealing metaheuristic for the
antibandwidth maximization problem for graphs
by
The purpose of this thesis is to study the combinatorial optimization problem known as
Antibandwidth Maximization problem for graphs. It consists in finding a labeling for the nodes
of a graph in such a way that the minimum absolute difference between labels of adjacent
nodes is maximized. The Antibandwidth Maximization like other graph labeling problems
is NP-complete. Cuerrently, there are some reported methods that solve, optimally and in
polynomial time, very specific instances of this problem. However, there is still a need to
develop algorithms that efficiently solve the problem for the case of general graphs. In this
thesis we have developed an algorithm based on the simulated annealing metaheuristic, which
permits to solve the antibandwidth maximization problem for graphs competitively with respect
to other techniques proposed in the state-of-the-art.
The parameter tuning process, for this algorithm was performed by employing a technique
known as combinatorial interaction testing that uses covering arrays for representing these
tests. The algorithm proposed in this thesis was tested over three different sets of instances and
compared against two different approaches from the state-of-the-art: a memetic algorithm and
a GRASP algorithm. It was tested over 78 instances taken from 3 different sets. For 66.67 % of
the cases the results were better than those reported in the literature, and for another 17.95 %
these solutions were matched.
xi
Nomenclatura
AB
MAG
POC
TG
AG
AM
BPA
ER
ERM
RS
MCA
Antibandwidth
Maximizacin del Anti-ancho de banda en Grafos
Problema de Optimizacin Combinatoria
Teora de Grafos
Algoritmos Genticos
Algoritmos Memticos
Bsqueda Primero en Anchura
Encadenamiento de Rutas
Encadenamiento de Rutas Mezclado
Recocido Simulado
Mixed Level Covering Array
1
Introduccin
1.1
Antecedentes
1.1. Antecedentes
funcin definida como f : S R. Para resolver los POC se pueden usar mtodos exactos
o aproximados. Los algoritmos exactos permiten explorar sistemticamente un conjunto de
soluciones potenciales por lo que siempre proporcionan la mejor solucin (ptima) al problema
en cuestin. Sin embargo, tienen la desventaja de consumir demasiado tiempo, incluso para
resolver pequeas instancias. Por esta razn los algoritmos aproximados han ganado una gran
popularidad en aos recientes.
Los mtodos aproximados a su vez se puede dividir en dos categoras: algoritmos a la
medida (tailored algorithms) y algoritmos generales (general algorithms) (Laarhoven y Aarts,
1987). Los algoritmos a la medida son aquellos que fueron diseados para resolver un problema
especfico. Los algoritmos generales, en cambio, son fcilmente adaptables a la solucin de
una amplia variedad de POC.
En los ltimos 30 aos, una nueva clase de algoritmo aproximado llamado metaheurstica
emergi y el cual bsicamente es un proceso maestro iterativo que gua y modifica las
operaciones de las heursticas subordinadas para producir, de manera eficiente, soluciones de
calidad. Las metaheursticas se pueden clasificar en algoritmos bioinspirados y no bioinspirados.
Dentro de los algoritmos bioinspirados se encuentran: colonias de hormigas (Dorigo, 1992),
algoritmos genticos (Holland, 1975) y recocido simulado (Kirkpatrick, Gelatt y Vecchi, 1983).
Entre los algoritmos que no estn inspirados en procesos naturales se encuentran la bsqueda
tab (Glover, 1986) y la bsqueda local iterativa. El trmino metaheurstica fue introducido por
Glover (1986) y se deriva de dos palabras griegas: el verbo heuriskein que significa encontrar
y el sufijo meta que significa ms all de.
Hasta ahora no existe una definicin comnmente aceptada para el trmino metaheurstica,
sin embargo, algunos investigadores del campo han tratado de proponer una. La definicin de
metaheurstica ms comnmente aceptada es la siguiente (Blum y Roli, 2003):
Definicin 1.1 (Metaheurstica). Una metaheurstica es formalmente definida como un
proceso de generacin iterativo que gua una heurstica subordinada, combinando de forma
inteligente distintos conceptos para la explotacin del espacio de bsqueda, en donde se utilizan
estrategias de aprendizaje para estructurar la informacin con el fin de encontrar de manera
1. Introduccin
eficiente, soluciones cercanas a las ptimas.
En esta tesis se propone un algoritmo aproximado de tipo metaheurstico basado en recocido
simulado que permite resolver un problema particular de optimizacin combinatoria conocido
como Maximizacin del Antibandwidth en Grafos (MAG)1 . El cual consiste en encontrar un
etiquetado para los nodos de un grafo, de modo tal que se maximice la mnima diferencia
absoluta entre las etiquetas de nodos adyacentes.
1.2
Motivacin
1.3
Objetivos de la tesis
1.3.1
Objetivo general
El objetivo general de este trabajo de tesis es contribuir al estado del arte con el anlisis e
implementacin de un algoritmo metaheurstico que permita resolver el problema de MAG para
grafos generales de manera altamente competitiva con respecto a las tcnicas de referencia
existentes.
1.3.2
Objetivos especficos
1. Introduccin
1.4
Organizacin de la tesis
A continuacin se presenta una breve descripcin del contenido de los siguientes captulos:
Captulo 2: Se presentan algunos conceptos bsicos de la teora de grafos para introducir
de manera formal el problema de MAG. La complejidad computacional del problema es
analizada y se describen los mtodos existentes mediante los cuales se ha intentado
resolver el problema de MAG
Captulo 3: El enfoque propuesto en esta tesis para resolver el problema de MAG es
descrito en este captulo. Se detalla cada componente utilizado en la metaheurstica de
recocido simulado.
Captulo 4: Las etapas de la experimentacin de esta investigacin son descritas, as
como los criterios de comparacin y los conjuntos de instancias utilizadas. Tambin se
presenta un mtodo de sintonizacin del algoritmo mediante una estructura combinatoria
conocida como arreglo de cobertura. Dicha metodologa ayuda a disminuir el nmero de
pruebas experimentales. Adems se presenta un anlisis comparativo entre los resultados
obtenidos por nuestro algoritmo y aquellos reportados en la literatura
Captulo 5: Se platea un caso de estudio donde el problema de asignacin de frecuencias
de radio puede ser resuelto como una instancia del problema de MAG. Este problema
consiste en asignar las frecuencias de emisin a un conjunto de antenas de radio de
forma tal que se eviten las interferencias ocasionadas por antenas emisoras cercanas.
Dicho problema puede ser resuelto si se encuentra una solucin de calidad al problema
de MAG.
Captulo 6: Se presentan las conclusiones a las que se llegan en este trabajo de
investigacin y se abordan algunas posibilidades de trabajo futuro
2
Estado del arte
2.1
Se considera que la Teora de Grafos (TG), comenz en el siglo XVIII, cuando Leonhard
Euler demostr que no era posible atravesar los siete puentes de la ciudad rusa de Knigsberg
(situada actualmente en Kaliningrado) exactamente una vez y volver al punto de partida. El
grafo que modela este problema se muestra en la Figura 2.1.
La TG es una importante rea de las matemticas que tambin se utiliza en otras disciplinas
como la biologa (obtener una clasificacin jerrquica del conjunto de todas las protenas
conocidas), la qumica (modelado de las estructuras, donde los tomos son representados por
nodos y los enlaces covalentes por los arcos), ciencias sociales (modelado de relaciones, donde
se sustituye los nodos por los actores sociales y verifica la posicin, centralidad e importancia
7
10
1
2
5
4
3
(a)
3
(b)
11
(a)
(b)
2
1
7
8
(c)
2.2
12
(2.1)
(2.2)
Por que cada etiquetado puede ser invertido para obtener el mismo valor del antibandwidth.
2.3
Complejidad computacional
13
14
2.4
2.4.1
Mtodos exactos
Los mtodos exactos dan garanta de encontrar para cada instancia de un problema de
tamao finito, una solucin ptima si existe, y determinar con seguridad si no existe, cuando
no hay restriccin de tiempo (Papadimitriou y Steiglitz, 1998).
15
La mayora del trabajo previo sobre el problema de MAG se enfoca en el estudio terico de
sus propiedades para encontrar soluciones ptimas para casos especficos.
Existen algoritmos exactos que resuelven el problema en tiempo polinmico para cierto tipo
de grafos: caminos, ciclos, rboles, grafos completos y bipartitos completos, mallas, hipercubos
y toroides (Miller y Pritikin, 1989, Yixun y Jinjiang, 2003, Yao, Ju y Xiaoxu, 2003, Calamoneri,
Missini, Trk y Vrto, 2006, Trk, 2007, Raspaud, Schrder, Sykora, Trk y Vrto, 2009,
Wang, Wu y Dimitrescu, 2009).
2.4.1.1. Mallas
Existen investigaciones que reportan soluciones exactas para el problema del antibandwidth
en grafos. A continuacin las frmulas para encontrar los lmites inferior y superior del
antibandwidth.
La construccin del lmite inferior es mostrada en Miller y Pritikin (1989), se obtiene
mediante la Frmula 2.3 para cualquier m n 2
&
AB(Pm Pn ) =
(m 1)n
2
'
(2.3)
13
39
8
34
4
31
2
45
14
40
9
35
5
32
20
46
15
41
10
36
6
51
21
47
16
42
11
37
25
52
22
48
17
43
12
55
26
53
23
49
18
44
28
56
27
54
24
50
19
1
2
2
2
2
16
Resultados exactos para los ciclos se obtienen mediante la Ecuacin 2.4 (Yixun y Jinjiang,
2003). Sea Cn un ciclo de longitud n:
AB(Cn ) =
lnm
(2.4)
2.4.1.3. Caminos
Los grafos tipo camino (path) son estudiados tambin y la Frmula 2.5 permite obtener
resultados exactos (Yixun y Jinjiang, 2003). Sea Pn un camino de longitud n:
AB(Pn ) =
jnk
(2.5)
2.4.1.4. Toroides
Para hacer un calculo correcto del lmite inferior se debe utilizar la frmula adecuada segn
la paridad de n (Raspaud et al., 2009). Para n par tenemos:
AB(Cn Cn ) =
n(n 2)
2
(2.6)
35
3
34
2
33
1
32
0
11
43
10
42
9
41
8
40
51
19
50
18
49
17
48
16
27
59
26
58
25
57
24
56
63
31
62
30
61
29
60
28
23
55
22
54
21
53
20
52
47
15
46
14
45
13
44
12
7
39
6
38
5
37
4
36
17
AB(Cn Cn ) =
(n 2)(n + 1)
2
(2.7)
48
19
39
10
30
1
21
20
40
11
31
2
22
42
41
12
32
3
23
43
14
13
33
4
24
44
15
35
34
5
25
45
16
36
7
6
26
46
17
37
8
28
n+1k
2
(2.8)
Para k impar, k 3 y h = 2:
k2 + 1
AB(T (k, n)) =
2
(2.9)
2.4.1.6. Hipercubos
Raspaud et al. (2009) comentan que los nodos del hipercubo se representan mediante
cadenas binarias de longitud n y dos nodos son adyacentes si y solo si las cadenas se
diferencian en una posicin. En dicha investigacin muestran como obtener el lmite inferior
18
(2.10)
Lmite Superior
Mallas
n
mn
n n1
I = [(b c 1)2 , d
e b cb
c 2]
2
2
2
2
Ciclos
Caminos
Lmite Inferior
AB(Pm Pn ) =
AB(Cn ) =
Autor
l (m 1)n m
2
lnm
AB(Pn ) =
jnk
Toroides
Tipo de grafo
n(n 2)
2
(n 2)(n + 1)
2
n+1k
2
Hipercubos
k +1
2
2n1
AB(Qn ) = 2n1
(1 + o(1))
2n
19
20
2.4.2
Mtodos aproximados
21
22
23
24
25
3
Enfoque de solucin propuesto
Introduccin
Durante el estudio del estado del arte del problema de MAG, se encontraron dos
metahersticas que resuelven el problema: GRASP (Duarte et al., 2011) y un algoritmo
memtico llamado MAAMP (Bansal y Srivastava, 2011). Para el desarrollo de esta
investigacin se propone implementar un algoritmo de Recocido Simulado (RS) para dar
solucin al problema de MAG sobre diferentes tipos de grafos. El RS es uno de los algoritmos
probabilsticos ms representativos por sus buenos resultados en diferentes reas de aplicacin
(Johnson et al., 1989, Sankar, 1999). Tiene la ventaja de que al no ser de tipo poblacional,
sus tiempos de cmputo pueden llegar a ser reducidos.
En este captulo se hace una breve introduccin al RS, mostrando todos los componentes
necesarios para su implementacin. Para cada componente se describe su objetivo, as como
los detalles de la implementacin que se emplean en la solucin del problema de MAG.
27
28
3.1
Recocido simulado
Los algoritmos de bsqueda local trabajan con una solucin inicial, la cual se va
transformando en otras soluciones (configuraciones) mejores conforme avanza la bsqueda.
Lo anterior se logra mediante pequeas perturbaciones (cambios) en la solucin actual. Si los
cambios mejoran la solucin actual, se sustituye esta por la nueva solucin encontrada. Este
proceso continua hasta que ninguna mejor solucin pueda ser encontrada o se cumpla con un
criterio de paro. La solucin que se encuentra no necesariamente es el ptimo global. Este
tipo de algoritmo bsico de bsqueda local, tiene como desventaja que es suceptible a quedar
atrapado con facilidad en ptimos locales.
Para evitar este problema, usualmente se permite que algunos movimientos produzcan
configuraciones que empeoran la solucin actual. Dichos movimientos ayudan a escapar de
ptimos locales, pero se deben realizar de manera controlada. En el RS esto se lleva a cabo
de manera probabilstica.
El RS aplicado a problemas de optimizacin surgi en los trabajos independientes de
Kirkpatrick et al. (1983) y Cerny (1985), en donde se aplic dicha tcnica a la solucin
de problemas como el particionamiento de grafos y el diseo de circuitos VLSI.
El RS tiene gran impacto en el campo de las heursticas por su simplicidad y eficiencia para
resolver problemas de optimizacin combinatoria. Est inspirado en el proceso de recocido
de los metales, en el cual se requiere someter a estos a altas temperaturas para despus
enfriarlos lentamente. El proceso de enfriamiento tiene gran impacto en la fortaleza del metal.
Si la velocidad de enfriamiento es lenta se obtendr un metal resistente. Por otra parte si la
temperatura inicial no es suficientemente alta se llega a un estado llamado metaestable, en el
cual el metal tiene imperfecciones y carece de resistencia (Talbi, 2009).
En la Tabla 3.1 se muestra la analoga entre el sistema fsico del RS y un problema de
optimizacin, en la cual se puede observar que cada parmetro de la versin computacional
del recocido representa un componente del sistema fsico que se aplica al recocido de metales.
El RS es fcil de implementar, pero requiere de un cuidadoso proceso de sintonizacin tanto
29
Problema de optimizacin
Funcin objetivo
Parmetro T
ptimo local
ptimo global
30
3.2
Existen dos estrategias principales para la creacin de soluciones iniciales en los algoritmos
de bsqueda local: el enfoque aleatorio y el voraz (greedy). Entre estos dos enfoques existen
diferencias en cuanto a calidad de solucin y tiempo de cmputo. Regularmente, se cree que
el enfoque de inicializacin voraz permite a los algoritmos de bsqueda local obtener mejores
resultados al final del proceso de bsqueda. Sin embargo, esto depende de la eficiencia y
efectividad del algoritmo voraz que se implemente as como de las propiedades del mtodo de
bsqueda local seleccionado Talbi (2009).
Un algoritmo voraz ofrece soluciones de mejor calidad, por lo tanto, se van a requerir de
menos iteraciones para converger a una mejor solucin o para poder alcanzar el ptimo global.
La solucin inicial que se utilizar para comenzar la bsqueda con RS-MAG, se puede
construir utilizando alguno de los dos mtodos siguientes: aleatorio y basado en bsqueda
primero en anchura el cual es llamado BFSi.
La solucin aleatoria consiste en etiquetar aleatoriamente y de manera diferente todos los
nodos de un grafo sin tomar en cuenta la estructura del mismo. La solucin generada por BFSi
31
construye una estructura basada en niveles en la cual los nodos estn organizados.
Para generar la solucin basada en BFSi, se realiza una bsqueda primero en anchura
sobre el grafo, lo cual genera una estructura por niveles en donde los nodos pertenecientes a
los niveles alternos no son adyacentes (Figura 3.1). Para dar inicio al proceso de etiquetado se
elige aleatoriamente entre el nivel 1 o el nivel 2 de la estructura generada. Si se inicia con el
nivel 1 todos los nodos pertenecientes a los niveles impares se etiquetan primero y se continua
con los nodos en los niveles pares, ver ejemplo de la Figura 3.2. La asignacin de etiquetas se
hace de forma consecutiva y ascendente para los nodos de un mismo nivel de acuerdo al orden
en que estos fueron visitados en el proceso de la bsqueda primero en anchura.
Esta forma de construir la solucin inicial es una variante del algoritmo LAH propuesto por
Bansal y Srivastava (2011). A diferencia del enfoque que se presenta, LAH asigna las etiquetas
de forma voraz, es decir, calculando que el etiquetado parcial actual sea el de mejor AB.
E
Nivel 1
A
D
Nivel 2
Nivel 3
F
B
G
Nivel 4
H
Nivel 5
(a)Grafo de 8 nodos.
Figura 3.1: Estructura de niveles de un grafo con 8 nodos y 7 arcos generada con bsqueda
primero en anchura.
3.3
Funcin de vecindad
32
Nivel 2
Nivel 3
G
7
H
Nivel 5
Nivel 2
D
5
B
Nivel 3
Nivel 4
Nivel 1
Nivel 1
Nivel 4
(b)Finalizacin
niveles pares.
Nivel 5
de
etiquetado
en
(3.1)
F2 (jerarqua 1): Se elige aleatoriamente un nodo del grafo y se obtiene una lista con los
33
(3.2)
F3 (jerarqua 2): Se elige de manera aleatoria un nodo del grafo y se obtiene una
lista con los vecinos de jerarqua 2, despus se elige aleatoriamente un nodo de la
lista y se intercambian las etiquetas entre los dos nodos que han sido seleccionados.
Matemticamente esta funcin se describe como se muestra en la Ecuacin 3.3
(3.3)
F4 (jerarqua 1 y 2): Se elige aleatoriamente un nodo del grafo y se obtiene una lista
de vecinos tanto de jerarqua 1 y 2, despus se elige aleatoriamente un nodo de la lista
y se intercambian las etiquetas de los dos nodos que se han seleccionado. La definicin
formal est descrita en la Frmula 3.4
(3.4)
Una vez que se tienen definidas las diferentes funciones de vecindad bsicas se describen
de manera formal las seis combinaciones formadas a partir de pares ordenados de funciones
de vecindad diferentes Fi () y Fj (). La combinacin de los vecindarios Fi,j (, x) se aplica
con una probabilidad p. Siguiendo la relacin descrita en la Ecuacin 3.5.
Fi,j (, x) =
Fi ()
si
xp
Fj ()
si
x>p
(3.5)
donde x es un nmero aleatorio del intervalo [0, 1] e i, j son los ndices de las dos funciones
de vecindad a combinar.
34
3.4
Funcin de aceptacin
kti
>r
(3.6)
3.5
Temperatura inicial
t0 =
ln (0 )1
(3.7)
donde
35
3.6
Densidad =
|E| 100 2
|V | |V | 1
(3.8)
36
3.7
Esquema de enfriamiento
3.7.1
Enfriamiento lineal
La velocidad de enfriamiento que proporciona este esquema es rpida comparada con otros
mtodos. Debido a la velocidad con la que disminuye la temperatura, realiza una bsqueda muy
rpida y la solucin obtenida al final puede ser probablemente un ptimo local an cuando el
algoritmo pueda escapar de algunos de estos. En este esquema de enfriamiento, la temperatura
actual ti es calculada siguiendo la Ecuacin 3.9 (Talbi, 2009):
ti = t0 i
(3.9)
37
3.7.2
Enfriamiento geomtrico
ti = ti1
(3.10)
3.7.3
Enfriamiento logartmico
ti =
t0
log(i)
(3.11)
38
3.8
Condicin de paro
La teora sugiere que la condicin de paro ideal es aquella donde la temperatura final
sea igual a cero. Sin embargo es algo imprctico. Otten y van Ginneken (1988) realizaron
el anlisis de un criterio de paro que toma en cuenta estadsticas recolectadas durante la
ejecucin. Adems del anterior existen diferentes criterios de paro, como los que describe Talbi
(2009).
Definir una temperatura final
En la prctica es muy poco factible fijar una temperatura final igual a cero. Se podra
consumir ms tiempo de cmputo del necesario, pues en algunos casos se puede llegar a
la solucin ptima o sub-ptima antes de que la temperatura llegue a cero. Por lo cual,
es recomendable fijar temperaturas cercanas a cero en base a experimentacin previa.
Nmero de iteraciones
Existen dos maneras de aplicar este criterio de paro. El primero es predefinir un nmero
fijo de iteraciones que realiza el algoritmo .
El segundo enfoque es tomar en cuenta el comportamiento de cada ejecucin. Es decir,
terminar el algoritmo cuando despus de cierto nmero de iteraciones no se supera la
mejor solucin actual.
Movimientos aceptados
Este criterio de paro toma en cuenta los movimientos que son aceptados por cada cambio
de temperatura. Cuando se tiene una tasa de aceptacin demasiado baja la ejecucin
termina.
Para RS-MAG se estableci el criterio de paro basado en el nmero de iteraciones fijas.
39
4
Experimentacin y resultados
Introduccin
En este captulo se presentan los experimentos realizados para la evaluacin del recocido
simulado el cual es nombrado RS-MAG. Tambin se describen las instancias de prueba que
fueron tomadas de la literatura y se detallan las condiciones experimentales utilizadas para la
evaluacin de RS-MAG.
El proceso experimental se dividi en una etapa preliminar y otra final. Para la
experimentacin preliminar se compararon las diferentes formas de obtener una solucin inicial.
En esta etapa se experiment con el mtodo que se basa en BFS, el cual se ha nombrado BFSi.
As mismo, se compar el desempeo de las diferentes funciones de vecindad presentadas en
el captulo anterior para elegir aquellas que favorecen el desempeo global de RS-MAG. La
sintonizacin es una fase muy importante de cualquier algoritmo, por ello en este captulo
se describe la tcnica de sintonizacin empleada para RS-MAG que hace uso de arreglos de
cobertura (covering arrays) y que est inspirada en las pruebas de interaccin combinatoria
(Cohen et al., 1996). En la etapa de experimentacin final se realiz una comparacin entre
41
42
4.1
Criterios de comparacin
4.2
Instancias de prueba
4.2.1
4. Experimentacin y resultados
4.2.2
Este tipo de instancias son construidas como el producto cartesiano de dos caminos
(Raspaud et al., 2009) y fueron propuestas por Duarte et al. (2011). Un grafo tipo camino
(path) es aquel que puede ser dibujado de tal forma que todos sus nodos y arcos sigan una
sola lnea.
Este conjunto de instancias se divide en dos subconjuntos. El primero conformado por 12
instancias con un nmero de nodos que varia entre 81 y 120. El segundo subconjunto est
compuesto por 12 instancias cuyo nmero de nodos oscila entre 960 y 1170.
4.2.3
Instancias Rome
Las instancias de tipo Rome son grafos generados aleatoriamente y cada uno de ellos es
no dirigido, biconectado y planar. De este conjunto fueron seleccionados 30 grafos diferentes,
especficamente del tipo RND BUP. Este tipo de instancias fueron originalmente propuestas
por Bansal y Srivastava (2011). Estas instancias estn disponibles en la siguiente direccin
electrnica: http://www.graphdrawing.org/data.
4.2.4
Este tipo de instancias se derivan de la coleccin Harwell Boeing Sparse Matrix y son
problemas de una amplia variedad de disciplinas cientficas y de ingeniera. Fueron propuestas
por Duarte et al. (2011) y son un total de 30. Dicha coleccin se encuentra en la siguiente
direccin electrnica: http://math.nist.gov/MatrixMarket/data/Harwell-Boeing.
Este conjunto se conforma de dos subconjuntos. El primer grupo consta de 12 instancias
de entre 30 y 100 nodos. El segundo subconjunto est formado de 12 instancias de entre 400
y 900 nodos.
43
44
4.3
Condiciones experimentales
4.4
Experimentacin preliminar
4.4.1
inicial
Las instancias utilizadas en esta experimentacin son las que pertenecen al conjunto con
ptimo conocido, presentadas en la Seccin 4.2.1.
En la Tabla 4.1 se concentran los resultados obtenidos a partir de 31 ejecuciones del
Algoritmo BFSi y del mtodo aleatorio presentado en la Seccin 3.2. En la primera columna
se indica el nombre de la instancia, en la siguiente columna se denota el nmero de nodos
(|V |), enseguida se muestra el nmero de arcos |E|, en la cuarta columna se presenta el
ptimo conocido (C ). Las siguientes tres columnas muestran resultados del mtodo aleatorio,
se indica el mejor valor del AB alcanzado (C), el AB promedio (Prom) y el porcentaje de
desviacin ( %C ) al lmite inferior terico. Las ltimas tres columnas presentan el mismo tipo
de resultados para el mtodo BFSi. El porcentaje de desviacin al mejor reportado ( %C ) de
4. Experimentacin y resultados
45
C = 1
C
C
(4.1)
Al final de la tabla podemos observar los promedios de las diferentes columnas. Claramente
se puede observar que el mtodo BFSi ofrece resultados mejores que los obtenidos por el
mtodo aleatorio. Los resultados del procedimiento aleatorio muestran en promedio un 97.56 %
de desviacin con respecto a las soluciones ptimas conocidas.
Grafo
cycle-90
cycle-102
cycle-1170
path-81
path-115
path-1170
btree-81
btree-115
btree-1171
mesh9x9
mesh11x11
mesh33x33
nos4
sherman4
dwt_592
ug3-60
ug3-80
ug4-90
Prom
|V |
90
102
1170
81
115
1170
81
115
1171
81
121
1089
1089
1089
1089
1089
1089
1089
|E|
90
102
1170
80
114
1169
80
114
1170
144
220
2112
2112
2112
2112
2112
2112
2112
C
44
50
584
40
57
585
40
57
585
36
55
528
47
272
295
29
39
44
C
1
2
1
2
2
2
1
3
1
1
1
1
1
1
1
1
2
2
1.44
Aleatorio
P rom
1.00
1.16
1.00
1.10
1.45
1.29
1.00
1.13
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.12
1.09
1.07
%C
97.73
96.00
99.83
95.00
96.49
99.66
97.50
94.74
99.83
97.22
98.18
99.81
97.87
99.63
99.66
96.55
94.87
95.45
97.56
C
43
49
583
39
56
583
28
33
399
36
55
528
1
196
1
1
1
1
146.28
BFSi
P rom
43.00
49.00
583.00
38.48
55.53
583.00
18.38
33.00
289.00
36.00
55.00
528.00
1.00
194.76
1.00
1.00
1.00
1.00
139.51
%C
2.27
2.00
0.17
2.50
1.75
0.34
30.00
42.11
31.79
0.00
0.00
0.00
97.87
27.94
99.66
96.55
97.44
97.73
35.01
Tabla 4.1: Comparacin entre mtodos de inicializacin aleatorio y BFSi sobre un conjunto de
grafos con ptimo conocido.
En la Figura 4.1 se puede observar con mayor claridad que el mtodo BFSi nos ofrece
mejores resultados. La grfica muestra el porcentaje de desviacin al mejor resultado conocido
(eje de las ordenadas) para cada instancia utilizada (eje de las abscisas). Con la desviacin
al mejor resultado conocido se deduce que entre ms cercano a cero este valor se encuentra,
es mejor la solucin. Por lo tanto si alguna lnea est en cero, significa que se ha llegado al
ptimo conocido. La lnea roja representa el mtodo aleatorio y la azul representa el mtodo
BFSi. Se puede observar que el mtodo BFSi sobre instancias como los ciclos, caminos y
mallas (cycles, path y mesh), tiende a encontrar soluciones con valor del antibandwidth muy
cercano al ptimo y el mtodo aleatorio ofrece soluciones de mala calidad. Lo anterior se puede
46
Aleatorio
BFSi
100
80
60
40
20
ug490
ug380
ug360
dwt592
sherman4
nos4
mesh33x33
mesh11x11
mesh9x9
btree1171
btree115
btree81
path1170
path115
path81
cycle1170
cycle102
cycle90
Instancias
Figura 4.1: Comparacin del desempeo promedio entre mtodos de inicializacin aleatorio y
BFSi sobre un conjunto de 18 grafos con ptimo conocido.
Analizando la grfica anterior se pueden detectar los conjuntos de instancias que son
difciles de encontrar soluciones ptimas, en este caso las pertenecientes a los conjuntos Rome
y Harwell-Boeing. Por lo cual existe la necesidad de desarrollar la metaheurstica para encontrar
soluciones de una calidad superior con respecto a las reportadas en el estado del arte.
4. Experimentacin y resultados
4.4.2
47
Combinacin de
Vecindario
F1,2
F1,3
F1,4
F2,3
F2,4
F3,4
100
19.19
19.19
19.19
5.83
5.83
16.77
80
7.00
19.46
19.34
6.08
5.80
19.15
Probabilidad
60
6.30
19.45
19.63
7.12
6.58
19.25
p
40
6.35
19.11
19.47
7.47
6.98
19.20
20
6.22
19.37
19.53
7.99
8.37
19.37
0
5.83
16.77
18.34
16.77
18.34
18.34
Tabla 4.2: Comparacin del desempeo entre diferentes combinaciones de vecindarios para
RS-MAG.
48
18
Antibandwidth Promedio
16
14
12
10
F1F2
F1F3
F1F4
F2F3
F2F4
F3F4
4
1000
8020
6040
4060
Probabilidades
2080
0100
4.5
Sintonizacin de parmetros
4. Experimentacin y resultados
49
20
Antibandwidth Promedio
19.5
19
18.5
18
17.5
F1F2
F1F3
F1F4
F2F3
F2F4
F3F4
17
1000
8020
6040
4060
Probabilidades
2080
0100
Pk
i=1
50
Solucin inicial
Aleatorio
BFSi
-
Vecindario
F1,4 (60)
F1,4 (20)
-
L
Fijo
Adaptable
-
Tasa de aceptacin
40.00 %
50.00 %
60.00 %
-
Criterio de paro
5 106 iter
9 106 iter
10 106 iter
-
Esquema de enfriamiento
Geomtrico (99)
Geomtrico (89)
Geomtrico (79)
Lineal (99)
Lineal (89)
Lineal (79)
Logaritmico
1
1
0
2
1
0
1
0
0
1
1
4
1
0
1
0
1
2
1
0
0
1
0
6
0
0
0
1
2
3
0
1
1
0
2
0
0
0
0
0
1
3
1
1
1
0
2
3
0
1
0
0
2
1
0
1
0
0
1
4
0
0
1
1
1
0
0
1
1
2
0
6
1
1
1
1
0
3
0
0
1
2
0
2
1
1
0
2
2
1
1
0
1
0
1
1
0
1
1
1
2
4
0
0
1
2
2
0
1
1
0
2
1
2
0
0
0
1
0
5
0
0
0
2
2
6
0
0
0
2
0
1
1
0
1
0
2
5
0
1
1
2
0
0
0
1
0
0
0
6
0
1
0
1
1
1
1
1
0
1
2
0
0
0
1
0
0
4
1
0
0
0
0
0
1
0
0
2
2
5
0
0
1
1
2
1
0
1
1
1
1
6
0
1
0
0
0
2
0
0
1
0
1
6
1
1
1
1
2
6
0
0
0
2
2
4
1
1
1
1
0
0
1
0
0
2
0
3
0
0
1
1
2
2
1
1
1
0
2
4
1
0
0
0
0
1
1
0
0
0
2
2
1
1
1
1
0
1
0
1
1
2
1
4
0
0
0
1
1
2
1
1
0
2
0
4
1
1
1
2
2
2
1
1
0
0
2
6
0
0
0
0
1
0
0
1
1
2
2
3
1
1
1
1
1
3
1
0
0
2
1
6
0
0
1
1
0
4
0
0
1
0
0
3
1
1
1
2
1
1
1
1
1
0
1
5
0
0
0
2
1
5
1
1
0
1
1
5
0
0
0
0
0
5
1
1
0
1
0
2
1
1
1
2
0
5
0
1
1
1
2
5
Caso
111126
100225
001121
000226
000123
011125
001122
101025
000224
000013
Tiempo
442.76
343.57
360.28
376.84
299.48
365.35
246.83
257.25
296.76
121.19
Prom AB
16.51
16.43
16.43
16.37
16.35
16.35
16.34
16.34
16.32
16.12
Desv
0.33
0.34
0.28
0.29
0.30
0.28
0.32
0.35
0.30
0.16
Tabla 4.5: 10 mejores casos de prueba ejecutados por RS-MAG sobre grafos del conjunto
Harwell-Boeing.
4. Experimentacin y resultados
No.
22
37
6
31
8
36
32
63
24
40
Caso
000226
000224
000123
100225
000013
111126
001121
011125
101025
001122
51
Tiempo
0.54
9.56
0.58
1.42
2.78
0.60
0.74
2.25
0.46
0.47
Prom AB
30.01
30.01
29.95
29.92
29.88
29.86
29.83
29.81
29.80
29.80
Desv
0.36
0.32
0.23
0.17
0.21
0.15
0.07
0.04
0.00
0.00
Tabla 4.6: 10 mejores casos ejecutados por RS-MAG sobre grafos del conjunto Rome.
4.6
Experimentacin final
Para la experimentacin final se ejecut 31 veces RS-MAG sobre cada grafo de los diferentes
conjuntos de instancias presentados en las Secciones 4.2.2 a 4.2.4.
Las Tablas 4.7, 4.8 y 4.9 muestran los resultados obtenidos en la experimentacin final. En
sus primeras tres columnas se indica el nombre del grafo, el nmero de nodos y por ltimo el
nmero de arcos. Enseguida se denota el lmite inferior terico (C ) conocido por construccin
el cual equivale al ptimo. Las siguientes columnas presentan los resultados alcanzados por
los algoritmos reportados en la literatura. Primero se indica el mejor AB alcanzado (C ), el
AB promedio (Prom.), tiempo promedio (T ) y la desviacin al mejor valor del AB conocido
( %C ). Las columnas restantes presentan la informacin de RS-MAG, y se utilizan las mismas
columnas antes mencionadas agregando la desviacin estndar (Desv.). Al final de cada tabla
se muestran algunos promedios que son de ayuda para el anlisis de la informacin.
Las Figuras 4.4, 4.6, 4.7 y 4.8 muestran la desviacin al mejor conocido en trminos de
porcentaje (eje de las ordenadas) de las instancias probadas (eje de las abscisas) para cada
conjunto de instancias utilizadas.
Tambin se utiliz un tipo de grfica llamada tiempo a la mejor solucin (time to
target) (Figuras 4.5 y 4.9). Este tipo de representacin de informacin es utilizada en otras
investigaciones (Aiex et al., 2002). Para mostrar la probabilidad de que un algoritmo encuentre
una buena solucin (eje de las ordenadas) en un rango de tiempo de ejecucin (eje de las
abscisas). En dichas grficas la lnea verde representa el comportamiento terico. Las cruces
52
4.6.1
El algoritmo MAAMP propuesto por Bansal y Srivastava (2011) es contra el cual se realizan
las comparaciones para este conjunto de prueba.
En la Tabla 4.7 podemos observar que en las 30 instancias que conforman el conjunto
de prueba Rome, se superan los resultados publicados. El mayor porcentaje de desviacin al
lmite terico mediante RS-MAG es de 28.57 % mientras que con el algoritmo MAAMP es de
36.73 %. Entre menor sea la desviacin son mejores las soluciones encontradas. En el caso del
grafo ug1-80 utilizando RS-MAG la desviacin al mejor AB es de 10.26 %, es el valor ms
bajo de todos los casos.
En trminos generales, el algoritmo MAAMP presenta una desviacin promedio en todo el
conjunto de instancias de 25.04 % mientras que RS-MAG muestra 20.85 % como lo podemos
observar en la ltima fila de la Tabla 4.7. RS-MAG no solo presenta soluciones con mejor
calidad, adems el tiempo de cmputo consumido es menor. MAAMP utiliza en promedio
257.79 segundos, en contraste con RS-MAG que consume en promedio solo 3.39 segundos.
En la Figura 4.4 se observa la grfica de las desviaciones al mejor AB descrita en el inicio
de este captulo. El algoritmo MAAMP obtiene solo 4 instancias con una desviacin menor
al 20.00 %, es decir, el 13.33 % de las instancias. En contraste, para RS-MAG en 10 casos es
menor, lo que es equivalente al 33.33 % de los grafos de este conjunto.
La Figura 4.5 muestra como en 22 ejecuciones de las 31 (73.33 % de las corridas) RSMAG encuentra la mejor solucin en menos de 2.5 segundos para la instancia ug1-80. Cabe
mencionar que se observaron resultados similares para el resto de los grafos de este conjunto.
4. Experimentacin y resultados
Grafo
ug1-50
ug2-50
ug3-50
ug4-50
ug5-50
ug1-60
ug2-60
ug3-60
ug4-60
ug5-60
ug1-70
ug2-70
ug3-70
ug4-70
ug5-70
ug1-80
ug2-80
ug3-80
ug4-80
ug5-80
ug1-90
ug2-90
ug3-90
ug4-90
ug5-90
ug1-100
ug2-100
ug3-100
ug4-100
ug5-100
|V |
50
60
70
80
90
100
|E|
64
66
63
70
62
79
81
84
79
80
98
82
82
97
88
92
93
95
101
94
102
114
108
99
104
114
114
116
122
125
24
29
34
39
44
49
C
18
18
17
19
20
21
23
22
22
21
26
28
27
23
26
34
31
28
27
27
32
35
31
34
34
34
40
33
35
31
27.23
MAAMP
Avg.
T
17.40
65.28
16.80
33.51
16.80
52.04
18.40
59.55
19.80
83.44
20.20
155.98
21.80
21.80
20.20
116.12
21.20
235.20
20.80
70.20
23.80
354.52
15.80
54.20
26.20
116.31
22.60
74.50
25.50
323.45
33.60
61.07
30.20
226.90
27.20
138.68
25.20
582.50
25.80
190.52
29.80
150.40
34.60
469.62
29.80
316.29
33.30
381.20
31.80
815.47
32.20
499.20
38.40
715.90
31.60
256.40
33.80
419.80
30.60
693.65
25.84
257.79
53
%C
25.00
25.00
29.17
20.83
16.67
27.59
20.69
24.14
24.14
27.59
23.53
17.65
20.59
32.35
23.53
12.82
20.51
28.21
30.77
30.77
27.27
20.45
29.55
22.73
22.73
30.61
18.37
32.65
28.57
36.73
25.04
C
19
20
19
20
21
23
24
23
23
22
27
29
28
25
27
35
32
29
29
29
33
36
33
35
35
38
41
36
36
35
28.73
Avg.
19.00
19.10
18.23
19.77
21.00
22.06
23.97
23.00
23.00
22.00
27.00
29.00
28.00
24.16
27.00
35.00
32.00
29.00
28.19
28.48
33.00
36.00
32.23
35.00
35.00
35.71
41.00
34.35
36.00
32.55
28.33
RS-MAG
Dev.
T
0.00
0.09
0.30
0.10
0.42
0.05
0.42
8.73
0.00
1.44
0.25
0.12
0.18
77.23
0.00
1.48
0.00
0.23
0.00
0.16
0.00
6.06
0.00
0.25
0.00
0.21
0.37
0.11
0.00
0.32
0.00
1.93
0.00
0.33
0.00
0.09
0.40
0.08
0.50
0.07
0.00
0.09
0.00
1.17
0.42
0.07
0.00
0.18
0.00
0.25
1.14
0.08
0.00
0.64
0.60
0.08
0.00
0.12
1.01
0.05
0.20
3.39
%C
20.83
16.67
20.83
16.67
12.50
20.69
17.24
20.69
20.69
24.14
20.59
14.71
17.65
26.47
20.59
10.26
17.95
25.64
25.64
25.64
25.00
18.18
25.00
20.45
20.45
22.45
16.33
26.53
26.53
28.57
20.85
Tabla 4.7: Comparativa de desempeo entre MAAMP y RS-MAG sobre 30 grafos del conjunto
Rome.
54
MAAMP
RSMAG
35
30
25
20
15
ug1_50
ug2_50
ug3_50
ug4_50
ug5_50
ug1_60
ug2_60
ug3_60
ug4_60
ug5_60
ug1_70
ug2_70
ug3_70
ug4_70
ug5_70
ug1_80
ug2_80
ug3_80
ug4_80
ug5_80
ug1_90
ug2_90
ug3_90
ug4_90
ug5_90
ug1_100
ug2_100
ug3_100
ug4_100
ug5_100
10
Instancias
Figura 4.4: Comparacin del desempeo entre MAAMP y RS-MAG con respecto al lmite
inferior terico sobre 30 grafos del conjunto Rome.
Probabilidad acumulativa
0.8
0.6
0.4
0.2
empirco
terico
0
0
0.5
1.5
2
2.5
3
3.5
Tiempo a la mejor solucin
4.5
4.6.2
4. Experimentacin y resultados
55
|V |
81
100
100
100
100
102
102
104
105
108
121
144
910
960
990
1000
1000
1000
1020
1020
1040
1050
1080
1089
|E|
144
148
171
175
180
167
181
187
188
195
220
264
1683
1792
1861
1890
1930
1935
1963
1976
1987
2015
2058
2112
C
36
49
48
48
45
50
48
48
49
50
55
66
452
476
491
495
490
488
502
495
514
518
534
528
GRASP+evPR
T
%C
36
2.54
0.00
48
3.85
2.04
46
4.44
4.17
46
4.39
4.17
45
4.33
0.00
48
4.62
4.00
47
4.66
2.08
47
4.55
2.08
48
5.01
2.04
49
5.08
2.00
55
6.95
0.00
66
10.66
0.00
442
1816.21
2.21
468
1968.86
1.68
482
2146.27
1.83
485
2227.91
2.02
474
1809.99
3.27
480
1866.68
1.64
481
2030.33
4.18
491
1751.98
0.81
500
2609.57
2.72
502
2826.23
3.09
522
2829.10
2.25
524
1968.86
0.76
268.00
1079.71
2.04
C
C
36
49
48
48
45
50
48
48
49
50
55
66
452
476
491
495
490
488
502
495
514
518
534
528
273.96
Prom.
36.00
49.00
48.00
47.75
45.00
49.63
48.00
48.00
49.00
49.41
55.00
66.00
451.43
476.00
490.50
495.00
490.00
487.25
501.31
495.00
513.69
517.56
534.00
528.00
273.77
RS-MAG
Desv.
0.00
0.00
0.00
0.43
0.00
0.48
0.00
0.00
0.00
0.49
0.00
0.00
0.50
0.00
0.50
0.00
0.00
0.43
0.46
0.00
0.46
0.50
0.00
0.00
0.18
T
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
0.01
%C
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
Tabla 4.8: Comparacin del desempeo entre GRASP+evPR y RS-MAG sobre 24 grafos tipo
malla.
Observando las columnas que denotan el porcentaje de desviacin al lmite inferior terico
( %C ) de ambos algoritmos se demuestra que RS-MAG no solo obtiene mejores soluciones
que GRASP+evPR, adems son las soluciones ptimas. En todos los casos para el algoritmo
RS-MAG se obtiene un porcentaje de desviacin al lmite inferior terico ( %C ) igual a
cero. GRASP+evPR consume demasiado tiempo de cmputo, en promedio 1079.71 segundos,
mientras RS-MAG consume 0.18 segundos en promedio. Se observa que para las 12 instancias
con mayor nmero de nodos, GRASP+evPR tiende a elevar los tiempos de cmputo. Pasa
de 10.66 segundos de la instancia mesh12x12 a 1816.21 segundos de la instancia mesh130x7.
RS-MAG es rpido debido al mtodo de inicializacin basado en BFSi, el cual est descrito en
56
GRASP+evPR
RSMAG
mesh33x33
mesh90x12
mesh70x15
mesh80x13
mesh34x30
mesh60x17
mesh40x25
mesh50x20
mesh100x10
mesh110x9
mesh120x8
mesh130x7
mesh12x12
mesh11x11
mesh12x9
mesh15x7
mesh13x8
mesh17x6
mesh34x3
mesh10x10
mesh20x5
mesh25x4
mesh50x2
mesh9x9
Instancias
Figura 4.6: Comparacin del desempeo entre GRASP+evPR y RS-MAG con respecto al lmite
inferior terico sobre 24 grafos tipo malla.
4.6.3
El algoritmo contra el cual se realizan las comparaciones es el publicado por Duarte et al.
(2011), llamado GRASP+evPR.
Se observa que en 10 casos se igualan los resultados previamente reportados por Duarte
et al. (2011). Con respecto a los resultados obtenidos sobre la instancia impcol_d se logr
mejorar los resultados obteniendo una desviacin estndar de 0.56. Otro de los resultados
interesantes es el caso de la instancia 685_bus, RS-MAG iguala el resultado anteriormente
reportado en un tiempo de 23.10 segundos en promedio contra 594.70 segundos del algoritmo
GRASP+evPR.
En trminos generales, RS-MAG se encuentra a solo 3.35 % de diferencia entre el promedio
de porcentaje de desviacin al lmite inferior terico que presenta GRASP+evPR.
La Figura 4.7 presenta las 12 instancias ms pequeas del conjunto Harwell-Boeing. Se
observa claramente que en las instancias ash85, nos4 y dtw_234 no se logra llegar a los
4. Experimentacin y resultados
Grafo
pores_1
ibm32
bcspwr01
bcsstk01
bcspwr02
curtis54
will57
impcol_b
ash85
nos4
dwt_234
bcspwr03
bcsstk06
bcsstk07
impcol_d
can_445
494_bus
dwt_503
sherman4
dwt_592
662_bus
nos6
685_bus
can_715
Avg.
|V |
30
32
39
48
49
54
57
59
85
100
117
118
420
420
425
445
494
503
546
592
662
675
685
715
|E|
103
90
46
176
59
124
127
281
219
247
162
179
3720
3720
1267
1682
586
2762
1341
2256
906
1290
1282
2975
C
8
9
17
11
22
13
14
14
27
47
58
57
210
210
212
221
247
250
272
295
331
337
342
357
C
6
9
17
8
21
12
13
8
22
35
51
39
33
33
105
85
228
58
261
112
220
328
136
121
81.71
GRASP+evPR
T
0.98
0.93
0.63
2.91
1.06
2.17
2.37
6.10
7.47
10.16
8.43
8.62
1184.72
1160.86
409.19
663.90
375.61
1045.85
1568.87
1321.90
662.06
2303.03
594.70
2259.50
566.75
57
%C
25.00
0.00
0.00
27.27
4.55
7.69
7.14
42.86
18.52
25.53
12.07
31.58
84.29
84.29
50.47
61.54
7.69
76.80
4.04
62.03
33.53
2.67
60.23
66.11
33.16
C
6
9
17
8
21
13
13
8
21
33
50
39
6
5
106
76
220
25
241
95
220
299
136
84
72.96
Prom.
6.00
8.42
16.81
8.00
20.74
12.10
13.00
8.00
20.71
31.81
47.29
39.00
3.10
3.10
105.52
72.23
218.84
24.06
238.84
88.00
219.19
296.84
136.00
80.10
71.57
RS-MAG
Desv.
0.00
0.49
0.40
0.00
0.44
0.30
0.00
0.00
0.45
0.64
1.37
0.00
1.00
0.89
0.56
2.11
1.30
0.62
1.39
3.42
0.40
0.88
0.00
2.68
0.81
T
0.74
89.41
147.64
478.91
45.31
164.09
64.81
451.84
614.93
464.69
86.04
19.28
1862.19
1639.13
363.31
2160.66
1438.73
2145.73
2078.78
2218.73
145.39
2393.58
23.10
2360.69
894.07
%C
25.00
0.00
0.00
27.27
4.55
0.00
7.14
42.86
22.22
29.79
13.79
31.58
97.14
97.62
50.00
65.61
10.93
90.00
11.40
67.80
33.53
11.28
60.23
76.47
36.51
Tabla 4.9: Comparativa del desempeo entre GRASP+evPR y RS-MAG sobre 24 grafos
Harwell-Boenig.
58
GRASP+evPR
RSMAG
40
35
30
25
20
15
10
5
bcspwr03
dwt234
nos4
ash85
impcolb
will57
curtis54
bcspwr02
bcsstk01
bcspwr01
ibm32
pores1
Instancias
Figura 4.7: Comparacin del desempeo entre GRASP+evPR y RS-MAG sobre 12 grafos
pequeos Harwell-Boeing
100
GRASP+evPR
RSMAG
90
80
70
60
50
40
30
20
10
can715
685bus
nos6
662bus
dwt592
sherman4
dwt503
494bus
can445
impcold
bcsstk07
bcsstk06
Instancias
Figura 4.8: Comparacin del desempeo entre GRASP+evPR y RS-MAG sobre 12 grafos
grandes Harwell-Boeing.
4. Experimentacin y resultados
59
Probabilidad acumulativa
0.8
0.6
0.4
0.2
empirco
terico
0
0
10
20
30
40
50
Tiempo a la mejor solucin
60
70
5
Aplicacin prctica del problema de MAG
Introduccin
El objetivo de este captulo es hacer notar que resolviendo una instancia del problema de
MAG se pueden solucionar problemas prcticos que se presentan en el mundo real. En el caso
particular de la asignacin de frecuencias se busca encontrar la menor interferencia posible
durante las transmisiones.
A continuacin se presentan los conceptos bsicos de la teora de radiotransmisin. Lo
anterior con el fin de comprender mejor el caso de estudio de asignacin de frecuencias
presentado en este captulo.
61
62
5.1
Introduccin a la radiotransmisin
Las ondas de radio son fciles de generar, viajan grandes distancias y penetran edificios
sin problemas. Por ello, las ondas de radio son muy utilizadas en el rea de comunicaciones.
Las ondas de radio son omnidireccionales, es decir, viajan a todas direcciones a partir de la
fuente que las emite. Por lo anterior, no es necesario que el emisor y receptor estn alineados
(Tanenbaum, 2003).
Las propiedades de las ondas de radio pueden variar dependiendo de la cantidad de
oscilaciones por segundo, es decir, su frecuencia. Las ondas que viajan a baja frecuencia
atraviesan bien casi cualquier obstculo, el inconveniente es que la potencia se reduce
drsticamente a medida que se alejan del emisor. A frecuencias altas, las ondas de radio
tienden a viajar en lnea recta y rebotar con los obstculos (Tanenbaum, 2003).
Uno de los problemas a los que se enfrenta este medio de comunicacin, es la interferencia.
La interferencia es la superposicin de dos o ms ondas en un punto, a este fenmeno se le
conoce como el principio de la superposicin. Existen diversos estudios sobre el uso de la radio
frecuencia para la transmisin de informacin (Hall, 1980, Rappaport y Sandhu, 1994).
5.2
Caso de estudio
En la Figura 5.2 se presenta el grafo que se modela a partir de las ubicaciones de las antenas
(Figura 5.1). Cada arco denota entre que nodos existe interferencia. Resolver este problema
es equivalente a encontrar solucin al problema de MAG. La Figura 5.2 muestra un etiquetado
producido manualmente con un valor de AB = 1. Es una de las peores soluciones que se
pueden obtener, ya que se busca maximizar el valor del AB.
1
63
64
35
42
27
30
31
14
23
51
12
52
13
19
29
41
22
16
15
46
45
21
28
50
25
38
39
44
32
33
34
11
26
49
17
20
24
53
18
10
36
37
48
40
47
43
Para ofrecer una solucin de calidad al problema de las interferencias, se ejecut RS-MAG
31 veces. La instancia utilizada fue el grafo generado a partir de las ubicaciones de las antenas
donde los arcos representan las interferencias entre ellas. La mejor solucin se encontr en
un tiempo promedio de 164 segundos. El AB promedio de todas las ejecuciones fue de 12.10
y present una desviacin estndar de 0.30. Los parmetros utilizados por RS-MAG son los
mejores obtenidos en la etapa de sintonizacin para las instancias del conjunto Harwell-Boeing
vistos en la Tabla 4.5.
La Figura 5.3 muestra el grafo con un etiquetado producido por el algoritmo RS-MAG
que se presenta en este trabajo de tesis. El etiquetado tiene un valor de AB de 13. Dicho
etiquetado es mucho mejor ya que reduce considerablemente la interferencia entre emisoras
vecinas.
Por ejemplo, mientras que con el etiquetado que se muestra en la Figura 5.2 los nodos
ubicados en la parte superior derecha con las etiquetas 30 y 34 tienen una diferencia de 4.
Los mismos nodos con las etiquetas generadas por RS-MAG (Figura 5.3) tienen ahora una
diferencia de 13. Algo similar sucede con el resto de las emisoras.
65
39
48
14
16
35
10
30
42
24
15
25
44
11
43
31
47
50
17
22
13
12
29
45
49
19
18
36
26
32
20
51
53
23
40
33
34
46
27
28
41
52
21
37
38
6
Conclusiones y trabajo futuro
En este trabajo de tesis se estudiaron los diferentes mtodos existentes que ofrecen solucin
al problema de MAG. La metaheurstica que hemos seleccionado para implementar y dar
solucin al problema de MAG es la de recocido simulado, la cual hemos nombrado RSMAG. Se mostraron los componentes principales de nuestro algoritmo: mtodo para generar la
solucin inicial, funcin de vecindad, criterio de aceptacin de movimientos, inicializacin de la
temperatura, criterio para definir la longitud de la cadena de Markov, esquema de enfriamiento
y la condicin de paro. Adems se utiliz una metodologa basada en pruebas de interaccin
combinatoria que utiliza arreglos de cobertura para sintonizar todos los parmetros de entrada
de RS-MAG y as lograr obtener un mejor desempeo de nuestro algoritmo.
Una vez concluida esta investigacin se realiz un anlisis sobre los resultados obtenidos.
Enseguida se desglos el anlisis por cada conjunto de instancias con los que se trabaj.
Posteriormente se describi el posible trabajo futuro con el fin de mejorar RS-MAG y seguir
contribuyendo al estado del arte del problema de MAG.
67
68
6.1. Conclusiones
6.1
Conclusiones
Con los resultados obtenidos, se concluye que el recocido simulado implementado en esta
tesis es un mtodo muy competitivo con respecto a los algoritmos reportados en la literatura.
Por lo anterior esta tesis aporta al estado del arte del problema de MAG un nuevo algoritmo
para su resolucin. En la Figura 6.1 se observan todos los resultados concentrados en una
grfica circular. Se realizaron las pruebas con un total de 78 instancias: 24 mallas, 24 instancias
del conjunto Harwell-Boeing y 30 del conjunto Rome. Es fcil visualizar que en 52 instancias
(66.67 %) RS-MAG supera las mejores soluciones previamente conocidas. En 14 grafos se
lograron igualar estos resultados lo que equivale al 17.95 %. Solo en el caso de las 12 instancias
restantes (15.38 %) no se lograron igualar los mejores resultados reportados en la literatura.
17.95%
Mejor
Peor
15.38%
Igual
66.67%
Figura 6.1: Resultados obtenidos por RS-MAG sobre el total de instancias estudiadas.
En la Figura 6.2 se presenta una grfica donde el eje de las ordenadas representa el nmero
de instancias. El eje de las abscisas muestra los diferentes conjuntos de pruebas utilizados en
la experimentacin final. A su vez cada conjunto est dividido en tres partes que corresponde
a los resultados con mejor calidad, igual y de peor calidad respectivamente.
A continuacin se analizan a detalle los resultados de cada uno de estos conjuntos de
pruebas.
Figura 6.2: Resultados obtenidos por RS-MAG sobre los tres conjuntos de instancias analizadas.
6.1.1
Conjunto Rome
Como puede observarse en la grfica de barras de la Figura 6.2 para el caso de las instancias
del conjunto Rome, RS-MAG logr mejorar consistentemente los resultados (100 % de las 30
instancias) obtenidos por Bansal y Srivastava (2011) con su algoritmo MAAMP.
Aunque los resultados alcanzados por RS-MAG son mejores con respecto a los producidos
porMAAMP, an existe la posibilidad de mejorarlos debido a que todava no se llega a los
lmites tericos para esas 30 instancias.
6.1.2
69
70
6.1. Conclusiones
tipo malla los resultados generados por el algoritmo GRASP+evPR son igualados por RS-MAG
en 4 casos(16.67 %). Cabe mencionar que en estos 4 grafos los dos algoritmos obtienen las
soluciones ptimas. Por otra parte en las otras 20 instancias de este conjunto (83.33 %) los
resultados alcanzados por RS-MAG fueron mejores a los reportados por Duarte et al. (2011)
con su algoritmo GRASP+evPR.
6.1.3
Conjunto Harwell-Boeing
En nuestra investigacin observamos que las instancias del conjunto Harwell-Boeing son
ms complicadas de resolver. Lo anterior se hace evidente por los resultados que se reportan
previamente con el algoritmo GRASP+evPR de Duarte et al. (2011). Dichos resultados estn
muy lejos de las soluciones ptimas tericas y en particular para las 12 instancias de mayor
tamao. A pesar de esto, con la ejecucin de RS-MAG se lograron mejorar algunos resultados
publicados sobre instancias de estel conjunto.
En la Figura 6.2 se presenta una grfica de barras donde se muestran los resultados
obtenidos por RS-MAG sobre las 24 instancias del conjunto Harwell-Boeing. El 8.33 % de
los resultados son mejores que los reportados por GRASP+evPR (Duarte et al., 2011). En
10 casos (41.67 %) los resultados obtenidos por el algoritmo de referencia GRASP+evPR son
igualados por RS-MAG son igualados mientras que en los 12 casos restantes (50.00 %) nuestro
algoritmo no logra igualar estos resultados.
Nosotros creemos que el motivo por el cual no se obtienen mejores resultados sobre los
12 grafos ms grandes, es la densidad de arcos as como el tamao y estructura. Dos grafos
pueden tener la misma densidad de arcos pero pueden tener una estructura diferente. Es posible
que ciertos mtodos ofrezcan mejores soluciones para un cierto tipo de grafo y para otros no.
6.2
Trabajo futuro
Una vez concluido el trabajo de tesis podemos proponer algunas posibilidades de trabajo
futuro. Para que RS-MAG pueda ser mejorado es necesario realizar un anlisis adicional de sus
componentes clave.
Solucin inicial: Se propone realizar un anlisis sobre las instancias y sacar provecho
de su estructura para disear un mtodo diferente a los presentados en este trabajo de
tesis. Implementar diversos tipos de recorridos como por ejemplo bsqueda primero en
profundidad.
Funciones de vecindad: Estudiar los vecindarios propuestos para mejorarlos. Adems de
proponer nuevas funciones y diferentes maneras de combinarlas. Sacando provecho de
las caractersticas de los grafos, como la densidad de arcos y la estructura
Esquemas de enfriamiento: Implementar y experimentar con esquemas de enfriamiento
diferentes a los utilizados como: el esquema propuesto por Lundy y Mees (1986),
enfriamiento de Cauchy (Szu y Hartley, 1987), por mencionar algunos. Adems de
implementar esquemas de enfriamiento adaptativos, en donde se tome en cuenta el
comportamiento del algoritmo durante la ejecucin. Lo anterior con el propsito de
realizar un estudio comparativo y observar la influencia que ejerce sobre las soluciones
finales
Longitud de Cadena de Markov: Implementar un mtodo que provea longitudes de
la cadena de Markov dinmicas, tomando en cuenta los movimientos aceptados y
rechazados durante la ejecucin
Criterio de paro: Estudiar diferentes condiciones de paro, en especial aquellas que toman
en cuenta el comportamiento de los movimientos aceptados durante la experimentacin
71
Bibliografa
74
BIBLIOGRAFA
D. M. Cohen, S. R. Dalal, J. Parelius y G. C. Patton. The combinatorial design approach to
automatic test generation. IEEE Software, 13:8388, 1996.
Ch. Darwin. On the Origin of Species. John Murray (London), 1859.
W.A. de Landgraaf, A.E. Eiben y V. Nannen. Parameter calibration using meta-algorithms. In
Evolutionary Computation, 2007. CEC 2007. IEEE Congress on, pages 71 78, 2007.
S. Dobrev, R. Krlovic, D. Pardubsk, L. Trk y I. Vrto.
BIBLIOGRAFA
L. Gonzalez-Hernandez y J. Torres-Jimenez. MiTS: A new approach of tabu search for
constructing mixed covering arrays. Lecture Notes in Artificial Intelligence, 6438:382392,
2010.
A. Gunawan, H. C. Lau y L. Lindawati. Fine-tuning algorithm parameters using the design of
experiments. In Lecture Notes in Computer Science, volume In press, 2011.
W. K. Hale. Frequency assignment: Theory and applications. Proceedings of the IEEE, 68
(12):14971514, December 1980.
M. P. M. Hall. Effects of the troposphere on radio communication. Stevenage Herts England
Peter Peregrinus Ltd IEE Electromagnetic Waves Series, 8, 1980.
D. Henderson, A. Johnson y J. Sheldon. Chapter 10 the theory and practice of simulated
annealing. Theory and Practice, 57:287319, 2003.
L. Herault. Rescaled simulated annealing. In Neural Networks Proceedings, 1998. IEEE World
Congress on Computational Intelligence. The 1998 IEEE International Joint Conference on,
volume 2, pages 1239 1244 vol.2, may 1998.
J. Holland. Adaptation in natural and artificial systems. The University of Michigan Press,
1975.
D. S. Johnson, C. R. Aragon, L. A. McGeoch y C. Schevon. Optimization by simulated
annealing: an experimental evaluation. part i, graph partitioning. Operations Research, 37:
865892, October 1989.
S. Kirkpatrick, C. Gelatt y M. Vecchi. Optimization by simulated annealing. Science, 220:
671680, May 1983.
W. Krauth. Statiscal mechanics: Algorithms and computations. Oxford University Press, 2006.
P. J. M. Laarhoven y E. H. L. Aarts. Simulated annealing: Theory and applications. Kluwer
Academic Publishers, 1987.
J. Leung, O. Vornberger y J. Witthoff. On some variants of the bandwidth minimization
problem. SIAM Journal on Computing, 13(3):650667, 1984.
75
76
BIBLIOGRAFA
M. Lundy y A. Mees. Convergence of an annealing algorithm. Mathematical Programming,
34:111124, 1986.
F. Melcio, J. P. Caldeira y A. C. Rosa. Timetabling implementation aspects by simulated
annealing. In Proceedings of the IEEE- ICSSSE98, Beijing, China, 1998.
N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller y E. Teller. Equation of
State Calculations by Fast Computing Machines. The Journal of Chemical Physics, 21(6):
10871092, 1953.
Z. Miller y D. Pritikin. On the separation number of a graph. Networks, 19:651666, 1989.
P. Moscato. An introduction to population approaches for optimization and hierarchical
objective functions: A discussion on the role of tabu search. Annals of Operations Research,
41:85121, 1993. ISSN 0254-5330.
P. Moscato. Memetic algorithms: A short introduction. In New Ideas in Optimization, pages
219234. McGraw-Hill, London, 1999.
Y. Nourani y B. Andresen. A comparison of simulated annealing cooling strategies. Journal
of Physics A: Mathematical and General, 31(41):8373, 1998.
R.H.J.M. Otten y L.P.P.P. van Ginneken. Stop criteria in simulated annealing. In Computer
Design: VLSI in Computers and Processors, 1988. ICCD 88., Proceedings of the 1988 IEEE
International Conference on, pages 549 552, oct 1988.
H. Papadimitriou y K. Steiglitz. Combinatorial optimization: Algorithms and complexity. Dover
Publications, 1998.
T.S. Rappaport y S. Sandhu.
communication systems. Antennas and Propagation Magazine, IEEE, 36(5):14 24, 1994.
A. Raspaud, H. Schrder, O. Sykora, L. Trk y I. Vrto.
BIBLIOGRAFA
77
78
BIBLIOGRAFA
L. Yixun y Y. Jinjiang. The dual bandwidth problem for graphs. Journal of Zhengzhou
University, 35(1):15, March 2003.