Algoritmos Heurísticos Integrantes Ramos Villanueva, Sebastian Elias Reyna Ulloa Eduardo Juan Ventura Villanueva, Cristhofer Moises Zenobio Pariasca, Edgar Alonso Velasquez Hinostroza Jim Introducción “En algunas ocasiones,uno tiene que hallar algún tipo de solución para el problema sea difícil o no”
Principios de la Heurística y algoritmos aproximados
¿Qué es la heurística? Un procedimiento que puede producir una buena solución a un problema,llegando a poder ser óptima pero que también puede no hacerlo.Puede ser probabilística o determinista.
¿Por qué usar la heurística?
Incertidumbre El error puede Pueden ser una
en los datos de ser menor que mejor vía que los alg. entrada los alg. exactos deterministas Los algoritmos heurísticos.- Problema del color
Sea G = <N,A> un grafo no dirigido,deseamos colorear los nodos de G de tal forma que ningún nodo adyacente tenga el mismo color.Usar el mínimo de colores
El algoritmo voraz heurístico nos indica:
● Seleccionar un color y nodo inicial arbitrario ● Pintamos cantidad de nodos disponibles que no sean vecinos de este color. ● Si ya no se pueden pintar más volvemos al primer paso. ● Finaliza al colorear todo el grafo Sin embargo,con un orden sistemático: 1-5-2-3-4
El algoritmo voraz no es más que una heurística qué
puede hallar una solución óptima,pero no hay certeza de que lo haga ¿Está justificado el uso de este algoritmo? Si,basta con mostrar que para todo grafo G existe al menos una ordenación que permite hallar al algoritmo una solución óptima.
Suponga un grafo cualquiera G y qué una solución óptima requiere k colores y de
repente...le dan esa solución. Pasos: 1. Numere arbitrariamente los k colores 2. Numere los nodos de la siguiente forma: a. Todos los nodos que hayan sido pintados por el color 1 en la solución óptima b. Seguir así hasta el color que,no importa el orden de enumeración 3. Aplicar la heurística voraz por el orden asignado,en efecto,es óptimo
Sin embargo,esta solución no es necesariamente la misma de la original
Pueden haber nodos del color 1 que originalmente eran del color 2,pero eso no significa que no hayan nodos que puedan tener el color 2 y así sucesivamente Sobre los casos negativos... Que su uso sea justificado no significa que sea completamente óptimo.Por ejemplo,grafos que únicamente requerirán k colores y la heurística hallada una solución usando c colores con c/k tan elevado como deseemos.
Sea un grafo con 2n nodos donde si i es
impar es adyacente a todo impar menos a i+1 y si i es par es adyacente a los impares menos a i-1
Si la heurística voraz elige el orden 1,3,...,2n-1,2,4,...,2n es óptimo.
Si la heurística voraz elige el orden natural: 1,2,...,2n-1,2n. Empezara a pintar nodos en parejas consecutivas usando n colores,algo muy malo
Si intentamos aplicar la heurística varias veces al mismo grafo para reducir
errores,pierde valor práctico volviendo la eficiencia en O(n^3) 13.2 ALGORITMOS APROXIMADOS El viajante metrico: Aqui describirmos un algoritmo aproximado eficiente para un caso especial. Se dice que una matriz de distaancias tiene la propidad metrica si es valida la desigualdad riangular: para tres ciudades cualquiera i, j y k.
En otras palabras la distancia directa desde i hasta j nunca es mayor que la distancia desde i hasta j pasando por k, El camino Hamiltoniano
En teoría de grafos, un camino hamiltoniano en un grafo
es un camino (es decir, una sucesión de aristas adyacentes), que visita todos los vértices del grafo una sola vez. Si además el primer y último vértice visitado coincide, el camino es un ciclo hamiltoniano. El problema de encontrar un ciclo (o camino) hamiltoniano en un grafo arbitrario se sabe que es NP-completo y como tal aparece en la lista de los 21 problemas NP-completos de Karp.
Por lo tanto para todo ciclo
Hamiltoniano Árbol de expansión de peso mínimo
El árbol de expansión de peso
mínimo es aquel que comienza desde un vértice y encuentra todos sus nodos accesibles y las relaciones en conjunto que permiten que se conecten dichos nodos con el menor peso posible. Este tipo de cálculo de alto interés cuenta con diversos usos. ELABORACIÓN ÁRBOL DE PESO MÍNIMO
Pasos: ● Se inicia en cualquier nodo. ● Seleccionar la arista de menor costo adyacente al nodo. ● Se busca la arista de menor costo de los nodos ya analizados adyacente que no genere ciclos. PROBLEMA DE LA MOCHILA
Es un problema de optimización combinatoria, es decir, que busca la mejor solución entre un conjunto finito de posibles soluciones a un problema. Modela una situación análoga al llenar una mochila, incapaz de soportar más de un peso determinado, con todo o parte de un conjunto de objetos, cada uno con un peso y valor específicos. Los objetos colocados en la mochila deben maximizar el valor total sin exceder el peso máximo. PROBLEMA DE MOCHILA LLENADO DE CAJAS 13.3 PROBLEMAS DE APROXIMACIÓN CON DIFICULTAD NP No siempre un algoritmo voraz será capaz hallar rápidamente una solución de dificultad NP. Para que un algoritmo aproximado eficiente pueda garantizar una cota superior fija para el valor absoluto de sus soluciones se debe cumplir que P= NP
Ahora consideramos un problema de optimización: opt (X) = solución óptima del caso X
opt(X) = 3 opt(X) = 4 opt(X) = 2
PROBLEMAS DE APROXIMACIÓN CON DIFICULTAD NP
De esa forma obtenemos: opt (X) ≤ opt(X)
Ahora sean c y ε constantes positivas
El problema de aproximación absoluta c : c-abs-P
El problema de aproximación relativa ε : ε -rel-P
PROBLEMAS DE APROXIMACIÓN CON DIFICULTAD NP ● Problemas de aproximación con dificultad absoluta Definimos que el problema del viajante métrico = MTSP
Demostraremos que MTSP ≤ c -abs -MTSP para cualquier constante positiva c
ES DECIR LO QUE BUSCAMOS ES UN ALGORITMO PARA EL PROBLEMA
EXACTO DEL VIAJANTE QUE SEA EFICIENTE SIN TENER EN CUENTA EL TIEMPO INVERTIDO POR EL ALGORITMO APROXIMADO
Concluimos que la solución de MTSP se obtiene fácilmente a partir
de cualquier solución aproximada c absoluta del caso M’ PROBLEMAS DE APROXIMACIÓN CON DIFICULTAD NP ● Problemas de aproximación con dificultad relativa Definimos que el problema para hallar el recorrido óptimo = TSP Problema de decisión de ciclo hamiltoniano = HAMD
Teorema 13.3.2 HAMD ≤ ε-REL- TSP para cualquier
constante positiva c Demostración: Un grafo G =<N, A>, donde n = número de nodos
Obtenemos que:
O 13.4 LO MISMO, PERO DISTINTO Sea G = <N,A> un grafo no dirigido, y sea c: A → R+ una función de coste. Consideremos una partición de N en tres subconjuntos: N1, N2 y N3, que sucesivo se llamarán racimos, de tal manera que cada nodo de N pertenezca exactamente a uno de los racimos.
nodos
aristas cruzadas aristas internas
Solución óptima
PROBLEMA: Seleccionar N1, N2 y N3 de tal manera que el coste total de las aristas internas sea mínimo.
Dificultad NP LO MISMO, PERO DISTINTO
Consideremos los dos problemas de optimización siguientes:
MAX-CORTAR es el problema de maximizar el coste total de las aristas cruzadas para todas las particiones de N.
MIN-RACIMO es el problema de minimizar el coste total de los aristas internos para todas las particiones de N.
El problema 𝜀-rel-MAX-CORTAR se puede resolver eficientemente para 𝜀 ≥ ⅓ mientras que el problema
𝜀-rel-MIN-RACIMO sigue siendo de dificultad NP para todos los valores positivos de 𝜀. LO MISMO, PERO DISTINTO TEOREMA Es posible calcular eficientemente las aproximaciones ---------------------⅓-relativas del problema MAX-CORTAR.
LO MISMO, PERO DISTINTO En cada pasada por el bucle externo, se sigue que suma ≥ 3*racimo
El coste total de las aristas
cruzadas en la solución descubierta por el algoritmo es por lo tanto:
Pero el coste total de AC en una solución óptima no
puede ser menor que el coste de AC en la solución El algoritmo proporciona una aproximada, entonces : aproximación ⅓ -relativa del problema MAX-CORTAR 13.5. Enfoques de Aproximación
Esquema de aproximación → Este algoritmo admite como entrada una cota
superior ε del error relativo admisible. Esquema de aproximación polinomial → Tiempo en O(p(n,1/ε)) caso peor para hallar aproximaciones ε-relativas para casos de tamaño n, donde p es algún polinomio fijo dos variables. Llenado de cajas Supongamos que existe un algoritmo BPaprox(w[i,..,n],W,ε) que funciona en un tiempo O(p(n,1/ε)) El algoritmo sería el siguiente: función BP(w[1..n],W) devolver [PBaprox(w,W,1/(n+1))] El algoritmo BP funciona en un tiempo polinómico respecto al tamaño del ejemplar, puesto que en este caso 1/ε = n+1 La solución que proporciona PBaprox(w,W,1/(n+1)) tiene que ser tal que
pero opt/(n+1) ≤ 1 Entonces
Y por tanto Problema de la mochila Recuerde de la Sección 8.4 que el núcleo del algoritmo de programación dinámica es una tabla V[1..n, 0..W) En la tabla, V[i, j] da el valor máximo de los objetos que podemos transportar si el límite de peso es j y si solamente toma los objetos de entre los i primeros.
Una aproximación parecida emplea una tabla U[1..n, 0..M] donde M es una cota superior del valor óptimo que podemos transportar en la mochila. Obtendremos la cota M ejecutando nuestro algoritmo aproximado 1/2-relativo y multiplicando su respuesta por 2. En esta ocasión, U[i, j] nos da el peso mínimo de los objetos que podemos transportar para lograr exactamente el valor j si sólo tomamos objetos de entre los i primeros. Problema de la mochila Esta regla dice que para lograr el valor j con los i primeros objetos, podemos: ● No utilizar el objeto i → la carga pesa al menos U[i-1, j] ● Añadir un objeto i a una colección de objetos entre los i-1 primeros cuyo valor total era j-vi → peso total era al menos U[i-1, j-vi] La solución está dada por el mayor j tal que U[n, j] ≤ W Esta aproximación requiere un tiempo que está en O(nlogn+ nM) : ● Tiempo en O(n log n) para calcular la cota superior M ● Cada una de las nM entradas de U requiere un tiempo constante para su cálculo → O(M) ¿Por qué querría alguien emplear esta aproximación, que resulta ligeramente más complicada y quizá menos natural que el algoritmo de programación dinámica de la Sección 8.4? Este nuevo algoritmo es preferible cuando los valores son más pequeños que los pesos porque el tiempo que requiere depende del valor total de la solución óptima, más que de la capacidad total de la mochila a efectos de peso
