Αξιολόγηση Ευριστικών Αλγορίθµων

Σχετικά έγγραφα
Ακέραιος Γραµµικός Προγραµµατισµός

Ακέραιος Γραµµικός Προγραµµατισµός

Προσεγγιστικοί Αλγόριθμοι

Θεωρία Αποφάσεων και Βελτιστοποίηση

Προσεγγιστικοί Αλγόριθμοι

Βασική Εφικτή Λύση. Βασική Εφικτή Λύση

Branch and Bound. Branch and Bound

Προσεγγιστικοί αλγόριθµοι για οµαδοποίηση στοιχείων από συγκρίσεις

Προσεγγιστικά Σχήµατα για Προβλήµατα Χρονοδροµολόγησης

Ορισµός. Εστω συναρτήσεις: f : N R και g : N R. η f(n) είναι fi( g(n) ) αν υπάρχουν σταθερές C 1, C 2 και n 0, τέτοιες ώστε:

για NP-Δύσκολα Προβλήματα

Προσεγγιστικοί Αλγόριθμοι βασισμένοι σε Γραμμικό Προγραμματισμό

Κεφάλαιο 1. Πέντε Αντιπροσωπευτικά Προβλήματα. Έκδοση 1.4, 30/10/2014. Χρησιμοποιήθηκε υλικό από τις αγγλικές διαφάνειες του Kevin Wayne.

Αλγόριθµοι και Πολυπλοκότητα

Προσεγγιστικοί Αλγόριθμοι για NP- ύσκολα Προβλήματα

Προσεγγιστικοί Αλγόριθμοι για NP- ύσκολα Προβλήματα

Heapsort Using Multiple Heaps

Συνδυαστική Βελτιστοποίηση Σημειώσεις. Β. Ζησιμόπουλος

Εξαντλητική Απαρίθµηση

Μάθηµα 5. Κεφάλαιο: ιαφορικός Λογισµός. Θεµατικές ενότητες: 1. Συνέχεια συνάρτησης

Αλγόριθµοι και Πολυπλοκότητα

ΕΡΓΑΣΙΑ ΣΤΟ ΜΑΘΗΜΑ Λ03Β ΑΛΓΟΡΙΘΜΟΙ ΔΙΚΤΥΩΝ & ΠΟΛΥΠΛΟΚΟΤΗΤΑ ΦΛΕΒΑΡΗΣ 2004

Προσεγγιστικοί Αλγόριθμοι βασισμένοι σε Γραμμικό Προγραμματισμό

Εισαγωγή στους Αλγόριθμους. Παύλος Εφραιμίδης, Λέκτορας

ΜΑΘΗΜΑ ΕΥΤΕΡΟ ΜΑΘΗΜΑΤΙΚΩΝ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ ΑΣΚΗΣΕΙΣ (ΟΡΙΟ ΚΑΙ ΣΥΝΕΧΕΙΑ)

Αλγόριθµοι και Πολυπλοκότητα

Μαθηµατική Επαγωγή. Ορέστης Τελέλης. Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς

Αλγόριθµοι και Πολυπλοκότητα

Σύνθεση Data Path. ιασύνδεσης. Μονάδες. Αριθµό Μονάδων. Τύπο Μονάδων. Unit Selection Unit Binding. λειτουργιών σε. Μονάδες. Αντιστοίχιση µεταβλητών &

Ν. Μ. Μισυρλής. Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Πανεπιστήµιο Αθηνών. Καθηγητής: Ν. Μ. Μισυρλής 29 Μαΐου / 18

Μοντελοποίηση προβληµάτων

Αλγόριθµοι και Πολυπλοκότητα

Κεφάλαιο 8. NP και Υπολογιστική Δυσεπιλυσιµότητα. Χρησιµοποιήθηκε υλικό από τις αγγλικές διαφάνειες του Kevin Wayne.

Στοιχεία Θεωρίας Γραφηµάτων (4) - έντρα

Εισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Ορισµός του Προβλήµατος Ευθυγράµµιση : Εύρεση ενός γεωµετρικού µετασχηµατισµού που ϕέρνει κοντά δύο τρισδιάσ

ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ. Αρχές Ανάλυσης Αλγορίθµων Κεφάλαιο 2. Ε. Μαρκάκης Επικ. Καθηγητής

Στοιχεία Αλγορίθµων και Πολυπλοκότητας

ΔΥΣΚΟΛΙΑ ΣΤΗΝ ΠΡΟΣΕΓΓΙΣΙΜΟΤΗΤΑ

Αλγόριθµοι και Πολυπλοκότητα

Άλγεβρα Γενικής Παιδείας Β Λυκείου 2001

Αλγόριθµοι και Πολυπλοκότητα

Insert(K,I,S) Delete(K,S)

Αλγόριθμοι και Πολυπλοκότητα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ - ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΕΙΣΑΓΩΓΙΚΕΣ ΜΕΤΑΠΤΥΧΙΑΚΕΣ ΕΞΕΤΑΣΕΙΣ 26 ΙΟΥΛΙΟΥ 2009 ΕΥΤΕΡΟ ΜΕΡΟΣ :

Προσεγγιστικοί Αλγόριθμοι

Εισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)

Επιπλέον Ασκήσεις. Μαθηµατική Επαγωγή. ιαιρετότητα. Προβλήµατα ιαιρετότητας.

Άπληστοι Αλγόριθµοι (CLR, κεφάλαιο 17)

Σχεδίαση & Ανάλυση Αλγορίθμων

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ

Άσκηση 1. Ψευδοκώδικας Kruskal. Παρακάτω βλέπουμε την εφαρμογή του στο παρακάτω συνδεδεμένο γράφημα.

ΚΕΦΑΛΑΙΟ 12: Θεωρία υπολογισµών

Επίλυση Προβληµάτων µε Greedy Αλγόριθµους

Θεωρία Αποφάσεων και Βελτιστοποίηση

Παρεµβολή και Προσέγγιση Συναρτήσεων

Κινητός και ιάχυτος Υπολογισµός (Mobile & Pervasive Computing) Ιστοσελίδα του µαθήµατος. Περιεχόµενα. ηµήτριος Κατσαρός, Ph.D.

ΠΛΕ075: Προηγμένη Σχεδίαση Αλγορίθμων και Δομών Δεδομένων. Λουκάς Γεωργιάδης

Ακουλουθίες ρ. Κωνσταντίνα Παναγιωτίδου

Αλγόριθµοι και Πολυπλοκότητα

Αλγόριθμοι και Πολυπλοκότητα

Υπολογιστική Πολυπλοκότητα

Μέγιστη Ροή Ελάχιστη Τομή

Κατανεμημένα Συστήματα Ι

Δυναμικός Προγραμματισμός

5.3 ΛΟΓΑΡΙΘΜΙΚΗ ΣΥΝΑΡΤΗΣΗ

2 Αποδείξεις. 2.1 Εξαντλητική µέθοδος. Εκδοση 2005/03/22. Υπάρχουν πολλών ειδών αποδείξεις. Εδώ ϑα δούµε τις πιο κοινές:

Προηγμένα Θέματα Αλγορίθμων (ΣΗΜΜΥ ΕΜΠ) Αλγόριθμοι Δικτύων και Πολυπλοκότητα (ΕΜΠ - ΑΛΜΑ) Προσεγγιστικοί Αλγόριθμοι.

ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΗ. Εφαπτοµένη ευθεία

Αριθµητική Ανάλυση. 27 Οκτωβρίου Αριθµητική Ανάλυση 27 Οκτωβρίου / 72

Επιστηµονικοί Υπολογισµοί (Αρ. Γρ. Αλγεβρα)Επαναληπτικές µέθοδοι και 31 Μαρτίου Ηµι-Επαναληπτικές Μέθοδο / 17

Κατ οίκον Εργασία 2 Σκελετοί Λύσεων

Σύνοψη Προηγούµενου. Κανονικές Γλώσσες (1) Προβλήµατα και Γλώσσες. Σε αυτό το µάθηµα. ιαδικαστικά του Μαθήµατος.

3 η δεκάδα θεµάτων επανάληψης

Υπολογιστικό Πρόβληµα

ΘΕΩΡΙΑ ΑΡΙΘΜΩΝ Ασκησεις - Φυλλαδιο 3

Αλγόριθµοι και Πολυπλοκότητα

Αλγόριθµοι. Παράδειγµα. ιαίρει και Βασίλευε. Παράδειγµα MergeSort. Τεχνικές Σχεδιασµού Αλγορίθµων

Εισαγωγή στους Αλγόριθµους. Αλγόριθµοι. Ιστορικά Στοιχεία. Ο πρώτος Αλγόριθµος. Παραδείγµατα Αλγορίθµων. Τι είναι Αλγόριθµος

ΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2017 Β ΦΑΣΗ ÅÐÉËÏÃÇ

11.1 Συναρτήσεις. ΚΕΦΑΛΑΙΟ 11: Θεωρία υπολογισµών

ΑΛΓΟΡΙΘΜΟΙ Άνοιξη I. ΜΗΛΗΣ

Κατευθυνόµενα γραφήµατα. Στοιχεία Θεωρίας Γραφηµάτων (1) Πολυγραφήµατα (Multigraphs)

Γραμμικός Προγραμματισμός

a 1d L(A) = {m 1 a m d a d : m i Z} a 11 a A = M B, B = N A, k=1

Approximation Algorithms for the k-median problem

Ορθότητα Χωρική αποδοτικότητα. Βελτιστότητα. Θεωρητική ανάλυση Εμπειρική ανάλυση. Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1

Διδάσκων: Παναγιώτης Ανδρέου

Παράδειγµα (4) Στοιχεία Θεωρίας Γραφηµάτων (2) Ορέστης Τελέλης. Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς. v 2. u 3.

υναμικός Προγραμματισμός

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ

Άπληστοι Αλγόριθµοι. Αλγόριθµοι & Πολυπλοκότητα (Χειµώνας 2011) Άπληστοι Αλγόριθµοι 1

ΕΝΟΤΗΤΑ 4 ΣΥΝΟΛΑ - ΛΕΞΙΚΑ

Αριθµητική Ανάλυση. ιδάσκοντες: Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής, Τµήµα Β (Περιττοί) : Επίκ. Καθηγητής Φ.Τζαφέρης. 21 εκεµβρίου 2015 ΕΚΠΑ

Ταξινόμηση. 1. Στατιστικά Διάταξης 2. Στατιστικά σε Μέσο Γραμμικό Χρόνο. Εισαγωγή στην Ανάλυση Αλγορίθμων Μάγια Σατρατζέμη

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει την αξιολόγηση των καταστάσεων του χώρου αναζήτησης.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

Αλγόριθµοι και Πολυπλοκότητα

Βραχύτερα Μονοπάτια σε Γράφους (CLR, κεφάλαιο 25)

Transcript:

Προσεγγιστικοί Αλγόριθµοι Πολλές ϕορές η εύρεση της ϐέλτιστων λύσεων προβληµάτων ακέραιου γραµµικού προγραµµατισµού είναι µια χρονοβόρα διαδικασία (εκθετική πολυπλοκότητα)

Προσεγγιστικοί Αλγόριθµοι Πολλές ϕορές η εύρεση της ϐέλτιστων λύσεων προβληµάτων ακέραιου γραµµικού προγραµµατισµού είναι µια χρονοβόρα διαδικασία (εκθετική πολυπλοκότητα) Υπάρχουν γρήγορες µέθοδοι επίλυσης (πολυωνυµική πολυπλοκότητα) που δεν µας εγγυούνται πως η λύση ϑα είναι ϐέλτιστη

Προσεγγιστικοί Αλγόριθµοι Πολλές ϕορές η εύρεση της ϐέλτιστων λύσεων προβληµάτων ακέραιου γραµµικού προγραµµατισµού είναι µια χρονοβόρα διαδικασία (εκθετική πολυπλοκότητα) Υπάρχουν γρήγορες µέθοδοι επίλυσης (πολυωνυµική πολυπλοκότητα) που δεν µας εγγυούνται πως η λύση ϑα είναι ϐέλτιστη Αξιολογούµε αυτούς τους προσεγγιστικούς αλγορίθµους σύµφωνα µε το πόσο απέχει η λύση που επιστρέφουν από τη ϐέλτιστη

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I f A (I) : η λύση που επιστρέφει ο A f (I) : η ϐέλτιστη λύση

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I f A (I) : η λύση που επιστρέφει ο A f (I) : η ϐέλτιστη λύση απόλυτο λάθος : ɛ α = f (I) f A (I)

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I f A (I) : η λύση που επιστρέφει ο A f (I) : η ϐέλτιστη λύση απόλυτο λάθος : ɛ α = f (I) f A (I) σχετικό λάθος : ɛ r = f (I) f A (I) f (I)

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I f A (I) : η λύση που επιστρέφει ο A f (I) : η ϐέλτιστη λύση απόλυτο λάθος : ɛ α = f (I) f A (I) σχετικό λάθος : ɛ r = f (I) f A (I) f (I) Προσεγγιστικός λόγος (Approximation ratio ) Ελαχιστοποίηση : ρ = fa(i) f (I) = 1 + er Μεγιστοποίηση : ρ = f (I) f A(I) = 1 1 e r

Προσεγγιστικοί Αλγόριθµοι Θεωρούµε έναν προσεγγιστικό αλγόριθµο A και ένα στιγµιότυπο του προβλήµατος I f A (I) : η λύση που επιστρέφει ο A f (I) : η ϐέλτιστη λύση απόλυτο λάθος : ɛ α = f (I) f A (I) σχετικό λάθος : ɛ r = f (I) f A (I) f (I) Προσεγγιστικός λόγος (Approximation ratio ) Ελαχιστοποίηση : ρ = fa(i) f (I) = 1 + er Μεγιστοποίηση : ρ = f (I) f A(I) = 1 1 e r ιαφορικός λόγος (Differential ratio ) : ɛ d = fworst(i) fa(i) f worst(i) f (I) = 1 + er

Κοµβική επικάλυψη ίνεται γράφος G(V, E) Να ϐρεθεί υποσύνολο V V τέτοιο ώστε [v i, v j ] E είτε v i V ή v j V Επιπλέον ϑέλουµε ο αριθµός των κόµβων V να είναι ελάχιστος

V 1 V 2 V 6 V 3 V 5 V 4 V = 6, E = 8

V 1 V 2 V 6 V 3 V 5 V 4 V = {v 1, v 2, v 4, v 5, v 6 }, V = 5

V 1 V 2 V 6 V 3 V 5 V 4 V = {v 1, v 2, v 4, v 5 }, V = 4 Βέλτιστη λύση

Πρώτη ευριστική µέθοδος Input: Γράφος G(V, E) Output: Κάλυψη V V V while E emptyset do Επέλεξε v V µε µέγιστο ϐαθµό V V {v} ιέγραψε όλες τις προσκείµενες στο κόµβο v ακµές από το σύνολο E end while

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Θεωρούµε ένα παράδειγµα γράφου που αποτελείται από τρεις οµάδες κόµβων

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Θεωρούµε ένα παράδειγµα γράφου που αποτελείται από τρεις οµάδες κόµβων n + 2 κόµβοι τύπου c, n + 2 κόµβοι τύπου b και n κόµβοι τύπου a

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Θεωρούµε ένα παράδειγµα γράφου που αποτελείται από τρεις οµάδες κόµβων n + 2 κόµβοι τύπου c, n + 2 κόµβοι τύπου b και n κόµβοι τύπου a Κάθε κόµβος c i είναι συνδεδεµένος µόνο µε τον αντίστοιχο κόµβο b i

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Θεωρούµε ένα παράδειγµα γράφου που αποτελείται από τρεις οµάδες κόµβων n + 2 κόµβοι τύπου c, n + 2 κόµβοι τύπου b και n κόµβοι τύπου a Κάθε κόµβος c i είναι συνδεδεµένος µόνο µε τον αντίστοιχο κόµβο b i Κάθε κόµβος b i είναι συνδεδεµένος µε όλους τους κόµβους που ανήκουν στην οµάδα a

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Θεωρούµε ένα παράδειγµα γράφου που αποτελείται από τρεις οµάδες κόµβων n + 2 κόµβοι τύπου c, n + 2 κόµβοι τύπου b και n κόµβοι τύπου a Κάθε κόµβος c i είναι συνδεδεµένος µόνο µε τον αντίστοιχο κόµβο b i Κάθε κόµβος b i είναι συνδεδεµένος µε όλους τους κόµβους που ανήκουν στην οµάδα a Ο ευριστικός αλγόριθµος δεν επιστρέφει τη ϐέλτιστη λύση!

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 c 1 c 2 c 3 c 4 c 5 b 1 b 2 b 3 b 4 b 5 a 1 a 2 a 3

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3 d(a i ) = 5, i = 1, 2,..., n d(b i ) = 4, i = 1, 2,..., n d(c i ) = 2, i = 1, 2,..., n

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3 d(a i ) = 5, i = 1, 2,..., n d(b i ) = 4, i = 1, 2,..., n d(c i ) = 2, i = 1, 2,..., n Βέλτιστη λύση : V = 5 (n + 2)

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3 d(a i ) = 5, i = 1, 2,..., n d(b i ) = 4, i = 1, 2,..., n d(c i ) = 2, i = 1, 2,..., n Βέλτιστη λύση : V = 5 (n + 2) Ευριστικός 1 : V = 8 (n + n + 2)

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3 d(a i ) = 5, i = 1, 2,..., n d(b i ) = 4, i = 1, 2,..., n d(c i ) = 2, i = 1, 2,..., n Βέλτιστη λύση : V = 5 (n + 2) Ευριστικός 1 : V = 8 (n + n + 2) Προσεγγιστικός λόγος ρ 1 = H1 Opt = 2n+2 n+2 2 Λάθος ɛ r = 100%

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 Θέτουµε n = 3 d(a i ) = 5, i = 1, 2,..., n d(b i ) = 4, i = 1, 2,..., n d(c i ) = 2, i = 1, 2,..., n Βέλτιστη λύση : V = 5 (n + 2) Ευριστικός 1 : V = 8 (n + n + 2) Προσεγγιστικός λόγος ρ 1 = H1 Opt = 2n+2 n+2 2 Λάθος ɛ r = 100% Το λάθος όµως µπορεί να είναι µεγαλύτερο!

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 c 1 c 2 c 3 c 4 c 5 b 1 b 2 b 3 b 4 b 5 a 1 a 2 a 3 Λύση που επιστρέφει η πρώτη ευριστική µέθοδος

Πρώτη ευριστική µέθοδος - Παράδειγµα 1 c 1 c 2 c 3 c 4 c 5 b 1 b 2 b 3 b 4 b 5 a 1 a 2 a 3 Βέλτιστη λύση

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Επεκτείνουµε το προηγούµενο παράδειγµα

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Επεκτείνουµε το προηγούµενο παράδειγµα Αντί για n + 2 κόµβους a προσθέτουµε έναν κόµβο για κάθε σύνολο σε κάθε διαµέριση

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Επεκτείνουµε το προηγούµενο παράδειγµα Αντί για n + 2 κόµβους a προσθέτουµε έναν κόµβο για κάθε σύνολο σε κάθε διαµέριση Για n = 4 έχουµε : 3 Ϲευγάρια 2 τριάδες 1 τετράδα 1 πεντάδα

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Επεκτείνουµε το προηγούµενο παράδειγµα Αντί για n + 2 κόµβους a προσθέτουµε έναν κόµβο για κάθε σύνολο σε κάθε διαµέριση Για n = 4 έχουµε : 3 Ϲευγάρια 2 τριάδες 1 τετράδα 1 πεντάδα Βέλτιστη λύση : V = 6 (n + 2) Ευριστικός 1 : V 1 = 10 (n + n + 2)

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 c 1 c 2 c 3 c 4 c 5 c 6 b 1 b 2 b 3 b 4 b 5 b 6 a 1 a 2 a 3 a 4 a 5 a 6 a 7

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b.

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b. Λύση ευριστικού 1 : {κόµβοι-a} + n = L(n) + n n L(n) = n j j=2

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b. Λύση ευριστικού 1 : {κόµβοι-a} + n = L(n) + n n L(n) = n j j=2 Βέλτιστη λύση : {κόµβοι-b} = n

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b. Λύση ευριστικού 1 : {κόµβοι-a} + n = L(n) + n n L(n) = n j j=2 Βέλτιστη λύση : {κόµβοι-b} = n Προσεγγιστικός λόγος : ρ = n+l(n) n

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b. Λύση ευριστικού 1 : {κόµβοι-a} + n = L(n) + n n L(n) = n j j=2 Βέλτιστη λύση : {κόµβοι-b} = n Προσεγγιστικός λόγος : ρ = n+l(n) n Σχετικό σφάλµα ɛ r = L(n) n

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 Ο τελευταίος κόµβος a έχει πάντοτε το µεγαλύτερο ϐαθµό. Ο αλγόριθµος ϑα επιλέγει πάντοτε όλους τους κόµβους των οµάδων a και c. Βέλτιστη όµως είναι η επιλογή όλων των κόµβων της οµάδας b. Λύση ευριστικού 1 : {κόµβοι-a} + n = L(n) + n n L(n) = n j j=2 Βέλτιστη λύση : {κόµβοι-b} = n Προσεγγιστικός λόγος : ρ = n+l(n) n Σχετικό σφάλµα ɛ r = L(n) n Αύξηση λογαριθµική (log n) ν 6 10 30 100 1000 (%) L(n) n 117 160 267 380 600

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 c 1 c 2 c 3 c 4 c 5 c 6 b 1 b 2 b 3 b 4 b 5 b 6 a 1 a 2 a 3 a 4 a 5 a 6 a 7 Λύση ευριστικού αλγορίθµου

Πρώτη ευριστική µέθοδος - Παράδειγµα 2 c 1 c 2 c 3 c 4 c 56 b 1 b 2 b 3 b 4 b 5 b 6 a 1 a 2 a 3 a 4 a 5 a 6 a 7 Βέλτιστη λύση

εύτερη ευριστική µέθοδος Input: Γράφος G(V, E) Output: Κάλυψη V V V while E emptyset do ιάλεξε µια ακµή (v, u) E τυχαία V V {v, u} ιέγραψε τους κόµβους v και u από τον γράφο G end while

εύτερη ευριστική µέθοδος V 2 V 3 V 4 V 1 V 5 V 6 V 7 V =

εύτερη ευριστική µέθοδος V 2 V 3 V 4 V 1 V 5 V 6 V 7 V = {v 1, v 2 }

εύτερη ευριστική µέθοδος V 3 V 4 V 5 V 6 V 7 V = {v 1, v 2 }

εύτερη ευριστική µέθοδος V 3 V 4 V 5 V 6 V 7 V = {V 1, V 2, V 3, V 6 }

εύτερη ευριστική µέθοδος V 4 V = {V 1, V 2, V 3, V 6 } V 5 V 7

εύτερη ευριστική µέθοδος V 4 V 5 V 7 V = {V 1, V 2, V 3, V 6, V 4, V 7 }

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής Η ευριστική 2 επιστρέφει µια λύση το πολύ δύο ϕορές µεγαλύτερη

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής Η ευριστική 2 επιστρέφει µια λύση το πολύ δύο ϕορές µεγαλύτερη Εστω V 2 η κοµβική κάλυψη που επιστρέφει η ευριστική 2

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής Η ευριστική 2 επιστρέφει µια λύση το πολύ δύο ϕορές µεγαλύτερη Εστω V 2 η κοµβική κάλυψη που επιστρέφει η ευριστική 2 Εστω V η ελάχιστη κοµβική επικάλυψη : V 1 2 V 2

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής Η ευριστική 2 επιστρέφει µια λύση το πολύ δύο ϕορές µεγαλύτερη Εστω V 2 η κοµβική κάλυψη που επιστρέφει η ευριστική 2 Εστω V η ελάχιστη κοµβική επικάλυψη : V 1 2 V 2 Προσεγγιστικός λόγος : ρ = V2 V = 2

εύτερη ευριστική µέθοδος Κάθε επικάλυψη έχει τουλάχιστον ένα κόµβο από κάθε πλευρά µιας οποιασδήποτε ακµής Η ευριστική 2 επιστρέφει µια λύση το πολύ δύο ϕορές µεγαλύτερη Εστω V 2 η κοµβική κάλυψη που επιστρέφει η ευριστική 2 Εστω V η ελάχιστη κοµβική επικάλυψη : V 1 2 V 2 Προσεγγιστικός λόγος : ρ = V2 V = 2 Υπάρχει κακό στιγµιότυπο ώστε να επιτευχθεί λύση δύο ϕορές µεγαλύτερη;