GCC111 Projeto e Análise de Algoritmos: Mayron César O. Moreira

GCC111 Projeto e Anlise de Algoritmos
Mayron Csar O. Moreira
Universidade Federal de Lavras

Departamento de Cincia da Computao
mayron.moreira@dcc.ua.br
6 de maio de 2015
Mayron Csar O. Moreira (UFLA)
GCC111 PAA
6 de maio de 2015
1 / 23
Contedo
Algoritmos Gulosos
GCC111 PAA
6 de maio de 2015
2 / 23
Algoritmos Gulosos
Contexto
Utilizados com frequncia na resoluo de problemas de otimizao;
GCC111 PAA
6 de maio de 2015
3 / 23
Publicaes envolvendo Algoritmos Gulosos

European Journal of Operational Research 240 (2015) 5471
Contents lists available at ScienceDirect
European Journal of Operational Research

journal homepage: www.elsevier.com/locate/ejor
Discrete Optimization
Multiobjective GRASP with Path Relinking

Rafael Mart a,, Vicente Campos a, Mauricio G.C. Resende b, Abraham Duarte c
a
b
c
Departamento de Estadstica e Investigacin Operativa, Universidad de Valencia, Spain

Network Evolution Research Department, AT&T Labs Research, 200 S. Laurel Avenue, Room A5-1F34, Middletown, NJ 07748, USA
Departamento de Ciencias de la Computacin, Universidad Rey Juan Carlos, Spain
a r t i c l e
i n f o
Article history:
Received 30 May 2013
Accepted 27 June 2014
Available online 8 July 2014
Keywords:
Multiobjective optimization
Biobjective optimization
GRASP
Path Relinking
a b s t r a c t
In this paper we review and propose different adaptations of the GRASP metaheuristic to solve multiobjective combinatorial optimization problems. In particular, we describe several alternatives to specialize
the construction and improvement components of GRASP when two or more objectives are considered.
GRASP has been successfully coupled with Path Relinking for single-objective optimization. Moreover, we
propose different hybridizations of GRASP and Path Relinking for multiobjective optimization. We apply
the proposed GRASP with Path Relinking variants to two combinatorial optimization problems, the
biobjective orienteering problem and the biobjective path dissimilarity problem. We report on empirical
tests with 70 instances and 30 algorithms, that show that the proposed heuristics are competitive with
the state-of-the-art methods for these problems.
2014 Elsevier B.V. All rights reserved.
GCC111 PAA
6 de maio de 2015
4 / 23
Engineering Applications of Articial Intelligence 43 (2015) 89101
Contents lists available at ScienceDirect
Engineering Applications of Articial Intelligence

journal homepage: www.elsevier.com/locate/engappai
Teaching learning based optimization with Pareto tournament

for the multiobjective software requirements selection
Jos M. Chaves-Gonzlez n, Miguel A. Prez-Toledano, Amparo Navasa
Computer Science Department, University of Extremadura, Cceres, Spain
art ic l e i nf o
a b s t r a c t
Article history:
Received 2 October 2014
Received in revised form
1 April 2015
Accepted 7 April 2015
Software requirements selection is a problem which consists of choosing the set of new requirements
which will be included in the next release of a software package. This NP-hard problem is an important
issue involving several contradictory objectives which have to be tackled by software companies when
developing new releases of software packages. Software projects have to stick to a budget, but they also
have to satisfy the highest number of customer requirements. Furthermore, when managing real
instances of the problem, the requirements tackled suffer interactions and other restrictions which make
the problem even harder. In this paper, a novel multi-objective teaching learning based optimization
(TLBO) algorithm has been successfully applied to several instances of the problem. For doing this, the
software requirements selection problem has been formulated as a multiobjective optimization problem
with two objectives: the total software development cost and the overall customer's satisfaction. In
addition, three interaction constraints have been also managed. In this context, the original TLBO
algorithm has been adapted to solve real instances of the problem generated from data provided by
experts. Numerical experiments with case studies on software requirements selection have been carried
out in order to prove the effectiveness of the multiobjective proposal. In fact, the obtained results show
that the developed algorithm performs better than other relevant algorithms previously published in the
literature.
& 2015 Elsevier Ltd. All rights reserved.
Keywords:
Software requirements selection
Multi-objective evolutionary algorithm
Teaching learning based optimization
Search Based Software Engineering
Next Release Problem
Swarm intelligence
GCC111 PAA
6 de maio de 2015
5 / 23
Intl. Trans. in Op. Res. 00 (2015) 126

DOI: 10.1111/itor.12167
INTERNATIONAL
TRANSACTIONS
IN OPERATIONAL
RESEARCH
Hybridizations of GRASP with path relinking for the far from

most string problem
Daniele Feronea , Paola Festaa and Mauricio G.C. Resendeb
a
Department of Mathematics and Applications R. Caccioppoli, University of Napoli FEDERICO II, Compl. MSA, Via
Cintia, 80126 Napoli, Italy
Algorithms and Optimization Research Department, AT&T Labs Research, 180 Park Avenue, Room C241, Florham Park
NJ 07932, USA
E-mail: danieleferone@gmail.com [Ferone]; paola.festa@unina.it [Festa]; mgcr@research.att.com [Resende]
Received 29 January 2014; received in revised form 23 January 2015; accepted 7 March 2015
Abstract
Among the sequence selection and comparison problems, the far from most string problem (FFMSP) is one
of the computationally hardest with applications in several fields, including molecular biology where one
is interested in creating diagnostic probes for bacterial infections or in discovering potential drug targets.
In this paper, we describe several heuristics that hybridize GRASP with different path-relinking strategies,
such as forward, backward, mixed, greedy randomized adaptive forward, and evolutionary path relinking.
Experiments
on a(UFLA)
large set of both real-world
and randomly
indicate
these hybrid
Mayron Csar
O. Moreira
GCC111
PAA generated test instances
6 de
maio that
de 2015
6 / 23
Algoritmos Gulosos
Contexto
Utilizados com frequncia na resoluo de problemas de otimizao;
Toma a melhor deciso local, independente do que v acontecer no
futuro;
Possui abordagem top-down;
Em problemas com subestrutura tima, garante a otimalidade da
soluo.
GCC111 PAA
6 de maio de 2015
7 / 23
Algoritmos Gulosos
Esquema geral de um Algoritmo Guloso
Conjunto guloso(Conjunto C ) {
S = ;
while((C 6= && not soluo(S))) {
x = seleciona(C );
C = C x;
if(vivel(S + x)) S = S + x;
}
if(soluo(S)) return S;
else return (No existe soluo);
}
GCC111 PAA
6 de maio de 2015
8 / 23
Um problema de seleo de atividades

Dados do problema
S = {a1 , a2 , ..., an }:
conjunto de
atividades que desejam utilizar um
recurso;
ai possui um tempo
si < fi < ;
Cada atividade
trmino fi , 0
Se selecionada, a atividade
ai
de incio
si
e um tempo de
ocorre no intervalo de tempo
[si , fi ).
Restrio
As atividades no podem ser realizadas em um mesmo intervalo de
tempo, isto , o recurso disponvel para apenas uma atividade por
vez.
GCC111 PAA
6 de maio de 2015
9 / 23

Compatibilidade de atividades
ai e aj so compatveis
si fj ou sj fi
As atividades
ou seja,
i
si
fi
se seus intervalos no se sobrepem,
12
10
14
16
12
11
GCC111 PAA
10
11
6 de maio de 2015
10 / 23

si fj ou sj fi
As atividades
ou seja,
i
si
fi
10
11
12
10
14
16
12
11
Atividades compatveis:
GCC111 PAA
6 de maio de 2015
10 / 23

si fj ou sj fi
As atividades
ou seja,
i
si
fi
1
1
4
2
0
6
3
5
9
10
11
12
10
14
16
12
11
a1 , a3 ;
GCC111 PAA
6 de maio de 2015
10 / 23

si fj ou sj fi
As atividades
ou seja,
i
si
fi
1
1
4
2
0
6
10
14
6
12
16
10
3
5
11
12
11
a1 , a3 ;
a2 , a6 ;
GCC111 PAA
6 de maio de 2015
10 / 23

si fj ou sj fi
As atividades
ou seja,
i
si
fi
12
10
14
16
7
3
5
10
12
11
8
11
a1 , a3 ;
a2 , a6 ;
a7 , a11 ;
etc.
GCC111 PAA
6 de maio de 2015
10 / 23
Objetivo
Selecionar um subconjunto de tamanho mximo de atividades mutuamente
compatveis.
Ideia
Ordenar as atividades em ordem crescente de tempo de trmino:
f1 f2 ... fn1 fn .
Renomeando as atividades mostradas
anteriormente, dado este critrio de ordenao, temos:
GCC111 PAA
6 de maio de 2015
11 / 23

Objetivo
compatveis.
Ideia
f1 f2 ... fn1 fn .
i
si
fi
10
11
12
10
11
12
14
16
GCC111 PAA
6 de maio de 2015
11 / 23

Objetivo
compatveis.
Ideia
f1 f2 ... fn1 fn .
i
si
fi
3
0
6
10
11
GCC111 PAA
9
8
12
10
2
14
11
12
16
6 de maio de 2015
11 / 23

Objetivo
compatveis.
Ideia
f1 f2 ... fn1 fn .
i
si
fi
1
1
4
2
3
5
3
0
6
4
5
7
10
11
GCC111 PAA
9
8
12
10
2
14
11
12
16
6 de maio de 2015
11 / 23

Subestrutura tima
Seja
ai
Sij
o conjunto de atividades que comeam aps o trmino da atividade
e terminam antes do incio da atividade
Tomemos
Sij = , i j
(Por que?
S10,2
aj .
faria sentido?).
GCC111 PAA
6 de maio de 2015
12 / 23

Subestrutura tima
Seja
ai
Sij
Tomemos
Sij = , i j
Considere
Aij
(Por que?
S10,2
aj .
faria sentido?).
o subconjunto mximo de atividades mutualmente
compatveis, que inclui alguma atividade

que existem
Sik
ak .
Isso nos permite dizer
Skj ;
GCC111 PAA
6 de maio de 2015
12 / 23

Subestrutura tima
Seja
ai
Sij
Tomemos
Sij = , i j
Considere
Aij
(Por que?
S10,2
aj .
faria sentido?).

que existem
Sejam
Sik
Aik = Aij Sik
ak .
Skj ;
e
Akj = Aij Skj ;
GCC111 PAA
6 de maio de 2015
12 / 23

Subestrutura tima
Seja
ai
Sij
Tomemos
Sij = , i j
Considere
Aij
(Por que?
S10,2
aj .
faria sentido?).

que existem
Sik
Sejam
Aik = Aij Sik
Ento
Aij = Aik {ak } Akj
ak .
Skj ;
e
Akj = Aij Skj ;

e portanto,
GCC111 PAA
|Aij | = |Aik | + |Akj | + 1;
6 de maio de 2015
12 / 23

Subestrutura tima
Seja
ai
Sij
Tomemos
Sij = , i j
Considere
Aij
(Por que?
S10,2
aj .
faria sentido?).

que existem
Sik
ak .
Skj ;
Sejam
Aik = Aij Sik
Ento
Aij = Aik {ak } Akj
Akj = Aij Skj ;

e portanto,
|Aij | = |Aik | + |Akj | + 1;
Pelo argumento usual de recortar e colar, suponha que exista
0
onde A kj
>
Akj . Poderamos utilizar A0 kj ao invs de
GCC111 PAA
A0 kj
Akj ;
6 de maio de 2015
12 / 23

Subestrutura tima
Seja
ai
Sij
Tomemos
Sij = , i j
Considere
Aij
(Por que?
S10,2
aj .
faria sentido?).

que existem
Sik
ak .
Skj ;
Sejam
Aik = Aij Sik
Ento
Aij = Aik {ak } Akj
Akj = Aij Skj ;

e portanto,
|Aij | = |Aik | + |Akj | + 1;
A0 kj
0
> Akj . Poderamos utilizar A kj ao invs de Akj ;
0
Assim, |Aik | + |A kj | + 1 > |Aik | + |Akj | + 1 = |Aij |, o que contrdiz a
Pelo argumento usual de recortar e colar, suponha que exista
0
onde A kj
hiptese que
Aij
a tima;
GCC111 PAA
6 de maio de 2015
12 / 23
Uma abordagem: via Programao Dinmica
(
c[i, j] =
0,
max {c[i, k]
ak Sij
+ c[k, j] + 1},
GCC111 PAA
Sij = ,
Sij 6= .
6 de maio de 2015
13 / 23
Dvida
A escolha gulosa sempre parte de alguma soluo tima?
GCC111 PAA
6 de maio de 2015
14 / 23
Dvida
A escolha gulosa sempre parte de alguma soluo tima?
Teorema (Garantia de otimalidade nas escolhas gulosas)

Considere
Sk 6=
mais cedo. Ento,
e seja
am
am
uma atividade em
Sk
com o tempo de trmino
estar includa em algum subconjunto de tamanho
mximo de atividades mutualmente compatveis de
GCC111 PAA
Sk .
6 de maio de 2015
14 / 23
Algoritmo Guloso recursivo
REC-SELECAO-ATIV(s, f , k, n)
m =k +1
while(m n e s[m] < f [k])
m =m+1
if m n
return {am } Rec-Selecao-Ativ(s, f , m, n)
else
return
GCC111 PAA
6 de maio de 2015
15 / 23

Algoritmo Guloso recursivo
REC-SELECAO-ATIV(s, f , k, n)
m =k +1
while(m n e s[m] < f [k])
m =m+1
if m n
return {am } Rec-Selecao-Ativ(s, f , m, n)
else
return
Primeira chamada recursiva: REC-SELECAO-ATIV(s, f , 0, 11)
i
si
fi
10
11
GCC111 PAA
10
11
12
12
14
16
6 de maio de 2015
15 / 23
Algoritmo Guloso iterativo
SELECAO-ATIV(s, f )
A = {a1 }
k=1
for m = 2 to n
if s[m] f [k]
A = A {am }
k =m
return A
GCC111 PAA
6 de maio de 2015
16 / 23

Algoritmo Guloso iterativo
SELECAO-ATIV(s, f )
A = {a1 }
k=1
for m = 2 to n
if s[m] f [k]
A = A {am }
k =m
return A
i
si
fi
10
11
12
10
11
12
14
16
GCC111 PAA
6 de maio de 2015
16 / 23
Perguntas
Em vez de priorizar a primeira atividade a terminar, e se escolhermos a
ltima a atividade a comear. O que mudaria?
Outras formar de selecionar uma tarefa, tais como priorizar a que
possui menor durao ou a que se sobrepe ao menor nmero de
outras atividades, possuem o mesmo efeito quanto otimalidade?
GCC111 PAA
6 de maio de 2015
17 / 23
Elementos da estratgia gulosa
Propriedade da escolha gulosa

nesse ponto que os algoritmos gulosos so diferentes da PD;
GCC111 PAA
6 de maio de 2015
18 / 23

Na PD, fazemos uma escolha em cada etapa, mas normalmente, esta
depende das solues dos subproblemas;
GCC111 PAA
6 de maio de 2015
18 / 23

Na PD, fazemos uma escolha em cada etapa, mas normalmente, esta
depende das solues dos subproblemas;
PD utiliza a estratgia botton-up, ao passo que os algoritmos gulosos,
aplicam a estratgia top-down.
GCC111 PAA
6 de maio de 2015
18 / 23
Subestrutura tima
Devemos mostrar que uma soluo tima para o subproblema,
combinada com a escolha gulosa j feita, produz uma soluo tima
para o problema original;
Uso implcito do princpio da induo: fazer a escolha gulosa em cada
etapa produz uma soluo tima.
GCC111 PAA
6 de maio de 2015
19 / 23
Estratgia Gulosa vs. PD
Problema da mochila 0-1
n
vi , wi Z+ .
Um ladro que assalta uma loja encontra

reais e pesa
wi
quilos, em que
mais valiosa possvel, mas s pode carregar
itens. O
i -simo
item vale
vi
Ele deseja levar consigo a carga
aquilos. Quais os itens ele
deve levar?
GCC111 PAA
6 de maio de 2015
20 / 23
Problema da mochila 0-1
n
vi , wi Z+ .
Um ladro que assalta uma loja encontra

reais e pesa
wi
quilos, em que
mais valiosa possvel, mas s pode carregar
itens. O
i -simo
item vale
vi
Ele deseja levar consigo a carga
aquilos. Quais os itens ele
deve levar?
Problema da mochila fracionria

A mesma ideia da anterior, mas o ladro pode levar fraes dos itens.
GCC111 PAA
6 de maio de 2015
20 / 23

Exemplo
Consideremos 3 itens no problema da mochila tais que
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

Vamos tomar W = 50kg como a capacidade da mochila.
w3 = 30kg .
Como resolver a mochila fracionria com uma estratgia gulosa?

ordenar de maneira decescente
vi
wi ;
GCC111 PAA
6 de maio de 2015
21 / 23

Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

vi
wi ;
levar o mximo possvel do item com maior valor
GCC111 PAA
vi
wi ;
6 de maio de 2015
21 / 23

Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

vi
wi ;
vi
wi ;
se houver espao, levar o mximo do prximo item;
GCC111 PAA
6 de maio de 2015
21 / 23

Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

vi
wi ;
vi
wi ;

repete este algoritmo at que a mochila que completamente cheia;
GCC111 PAA
6 de maio de 2015
21 / 23

Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

vi
wi ;
vi
wi ;

Soluo:
f =
10Kg do item 1, 20Kg do item 2 e
vi wi = $240.
GCC111 PAA
20
30 do item 3, com
6 de maio de 2015
21 / 23

Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

vi
wi ;
vi
wi ;

Soluo:
f =
10Kg do item 1, 20Kg do item 2 e
vi wi = $240.
Complexidade: O(nlgn).
20
30 do item 3, com
GCC111 PAA
6 de maio de 2015
21 / 23
Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .
Estratgia gulosa no resolve a mochila 0-1

Soluo 1: 10Kg do item 1 e 20Kg do item 2
GCC111 PAA
$160;
6 de maio de 2015
22 / 23
Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

$160;
$180;
GCC111 PAA
6 de maio de 2015
22 / 23
Exemplo
v1 = $60, v2 = $100, v3 = $120, com w1 = 10kg , w2 = 20kg

w3 = 30kg .

$160;
$180;
Soluo 3 (tima):
20Kg do item 2 e 30Kg do item 3
GCC111 PAA
$220.
6 de maio de 2015
22 / 23
Outros exemplos
Cdigo de Human: compresso de dados, baseado na frequncia com

que aparecem;
Algoritmos de caminho mnimo em grafos;
GCC111 PAA
6 de maio de 2015
23 / 23

GCC111 Projeto e Análise de Algoritmos: Mayron César O. Moreira

Uploaded by

Copyright:

Available Formats

You might also like

GCC111 Projeto e Análise de Algoritmos: Mayron César O. Moreira

Uploaded by

Document Information

Original Description:

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

GCC111 Projeto e Análise de Algoritmos: Mayron César O. Moreira

Uploaded by

Copyright:

Available Formats

GCC111  Projeto e Anlise de Algoritmos

Mayron Csar O. Moreira

Universidade Federal de Lavras

Mayron Csar O. Moreira (UFLA)

Mayron Csar O. Moreira (UFLA)

Mayron Csar O. Moreira (UFLA)

Publicaes envolvendo Algoritmos Gulosos

Contents lists available at ScienceDirect

European Journal of Operational Research

Multiobjective GRASP with Path Relinking

Departamento de Estadstica e Investigacin Operativa, Universidad de Valencia, Spain

Mayron Csar O. Moreira (UFLA)

Engineering Applications of Articial Intelligence 43 (2015) 89101

Contents lists available at ScienceDirect

Engineering Applications of Articial Intelligence

Teaching learning based optimization with Pareto tournament

Mayron Csar O. Moreira (UFLA)

Intl. Trans. in Op. Res. 00 (2015) 126

Hybridizations of GRASP with path relinking for the far from

Mayron Csar O. Moreira (UFLA)

Esquema geral de um Algoritmo Guloso

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

atividades que desejam utilizar um

ocorre no intervalo de tempo

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

Mayron Csar O. Moreira (UFLA)

se seus intervalos no se sobrepem,

Um problema de seleo de atividades

se seus intervalos no se sobrepem,

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

se seus intervalos no se sobrepem,

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

se seus intervalos no se sobrepem,

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

se seus intervalos no se sobrepem,

Um problema de seleo de atividades

Renomeando as atividades mostradas

anteriormente, dado este critrio de ordenao, temos:

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

Renomeando as atividades mostradas

anteriormente, dado este critrio de ordenao, temos:

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

Renomeando as atividades mostradas

anteriormente, dado este critrio de ordenao, temos:

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

Renomeando as atividades mostradas

anteriormente, dado este critrio de ordenao, temos:

Mayron Csar O. Moreira (UFLA)

Um problema de seleo de atividades

GCC111 Projeto e Anlise de Algoritmos

Pelo argumento usual de recortar e colar, suponha que exista