Teoria dei Grafi Parte I
|
|
- Marcellina Bono
- 5 anni fa
- Visualizzazioni
Transcript
1 Teoria dei Grafi Parte I Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it Teoria dei Grafi Paradigma di rappresentazione di problemi Grafo G : coppia (V,E) V = insieme di vertici E = insieme di lati (o archi, A) Consente di modellare naturalmente problemi di scelta di percorsi problemi di connessione di punti mediante reti Grafi I.
2 Nodi: incroci Esempio: rete stradale Archi: tratti di strada (orientati e non orientati) Grafi I. Esempio : relazioni Grafi I.4
3 Esempio : Coloring Data una mappa, determinare il minimo numero di colori necessario affinchè regioni adiacenti abbiano colori diversi Grafi I.5 Grafi multipli e semplici Grafi multipli: più lati tra due vertici semplici: solo un lato tra due vertici Considereremo solo grafi semplici grafo semplice equiv. (1 lato ed 1 vertice in più) Grafi I.6
4 Grafi non orientati (simmetrici) G = (V,E) V = n E = m Vertici V = {v 1,, v n } Lati E = {e 1,, e m } e k = (v i, v j ) (v j, v i ) coppie di vertici e v 1 1 e 4 e 5 e v v e V = {v 1, v, v, } E = {e 1, e, e, e 4, e 5 } = {(v 1,v ), (v 1,v ),... } Grafi I. Grafi orientati (asimmetrici) G = (V,A) V = n A = m Vertici V = {v 1,, v n } Archi A = {a 1,, a m } a k = (v i, v j ) (v j, v i ) coppie ordinate v i coda (tail), v j testa (head) a v 1 1 a 4 a 6 a 5 v a V = {v 1, v, v, } A = {a 1, a, a, a 4, a 5, a 6 } = {... (v 1, ), (,v 1 ),... } a v Grafi I.8
5 Terminologia Autoanelli: lati o archi (v i, v i ) v i Grafo pesato (orientato e non): ad ogni lato (arco) è associato un peso (costo, ) v j 5 v k c(v j, v k ) = c(e i ) = c(a i ) = c i = c jk = 5 Grafi I. Terminologia () v i e v j sono adiacenti se (v i, v j ) E ( A ) v v due lati sono adiacenti (o consecutivi) se hanno un vertice comune due archi sono adiacenti (o consecutivi) se la testa del primo coincide con la coda del secondo v v v Grafi I.10
6 Grafi non orientati Star di v Γ(v) = {v j :(v, v j ) E } Grado di v d(v) = Γ(v) v 1 v Γ(v )= {v 1, v } d(v ) = v Γ(v )= {v 1, v, } d(v ) = Grafi I.11 Grafi orientati Forward star di v Γ + (v) = {v j :(v, v j ) A } Backward star di v Γ - (v) = {v j :(v j, v ) A } Semigrado esterno di v d + (v) = Γ + (v) Semigrado interno di v d - (v) = Γ - (v) v 1 v v Γ + (v )={ } Γ - (v )={v 1, v } d + (v ) = 1 d - (v ) = Grafi I.1
7 Terminologia () G è completo se v i, v j V, (v i, v j ) E ( A ) (con/senza autoanelli) Grafo parziale G = (V,E ) con E E Sottografo G = (V,E ) con V V, E E Grafi I.1 Grafi non orientati Dato S V, taglio (cut) associato ad S: δ(s) = {(v i, v j ) : S {v i, v j } = 1 } S v S = {v 1,, } δ(s) = {(v, ), (v, ), (v 1,v )} v 1 v Grafi I.14
8 Grafi orientati Dato S V, taglio orientato associato ad S δ + (S) = {(v i, v j ) : v i S, v j S } δ - (S) = {(v i, v j ) : v i S, v j S } δ + (S) δ - (V \ S) Archi interni σ(s) = {(v i, v j ) : v i S, v j S } v 1 v v S = {v 1, } σ(s) = {(v 1, )} δ + (S) = {(,v )} δ - (S) = {(v, ), (v,v 1 )} Grafi I.15 Terminologia (4) Cammino (path): sequenza di lati (archi) consecutivi v j1 v j v j v j4 v j5 {(v j1,v j ), (v j,v j ), (v j,v j4 ), (v j k,v jk+1 )} Ciclo o circuito (cycle): cammino con v jk+1 = v j1 semplice: senza ripetizione di vertici elementare: senza ripetizione di archi semplice elementare Grafi I.16
9 Terminologia (5) Grafo aciclico: non contiene cicli In un grafo orientato una catena è una sequenza di archi con in comune la testa e la coda (non necessariamente consecutivi) v j1 v j v j v j4 v j5 Grafo connesso: v i, v j V cammino da v i a v j G non orientato: G non connesso costituito da componenti connesse separate Grafi I.1 Cammini euleriani Un cammino o ciclo elementare è euleriano se visita tutti i lati Teorema di Eulero: G ammette un ciclo euleriano d(v) pari v V v 1 v v Grafi I.18
10 Cammini hamiltoniani Un cammino o ciclo semplice è hamiltoniano se visita tutti i vertici del grafo Condizioni necessarie per l esistenza di un c. hamiltoniano G connesso con d(v) v V e t.c. δ(s) S V v v 6 v v 8 Grafi I.1 Memorizzazione di grafi Grafi densi (m n ) Non pesati matrice di adiacenza [a ij ] (n n) Pesati matrice dei pesi [c ij ] (n n) a ij = 1 se (v i, v j ) A ( E) 0 altrimenti c ij = c (v i,v j ) se (v i,v j ) A ( E) altrimenti [a ij ], [c ij ] simmetriche per grafi non orientati Grafi I.0
11 Esempio v 1 10 v v a ij = c ij = Grafi I.1 Memorizzazione di grafi Grafi sparsi (m << n ) Meglio memorizzare solo gli archi esistenti 6 v v 1 f ' = u' = v c' = Grafi I.
12 Memorizzazione di grafi sparsi 6 v v 1 c' = u' = v p' = f ' = Grafi I. Memorizzazione di grafi sparsi Non pesati forward star vettore p(n+1) di puntatori: p 1 =1, p n+1 =m+1 Pesati forward star +vettore c(m) c k = peso dell arco individuato da u k vettore u(m): (u pi,.., u p(i+1) -1) indici vertici v : l arco (v i,v) Grafi I.4
13 Foreste ed alberi Dato un grafo non orientato G=(V,E) Albero (tree): sottografo connesso aciclico G =(V,E ) v i, v j V in G uno ed un solo cammino Foresta: grafo parziale aciclico G =(V,E ) v v 6 v v 8 Grafi I.5 Foreste ed alberi Forestamassimale: ogni arco in E \ E chiude un ciclo con E Albero ricoprente (Spanning Tree, ST ): foresta massimale connessa v v 6 v v 8 Grafi I.6
14 Foreste ed alberi Albero ricoprente (Spanning Tree, ST ): foresta massimale connessa Grafo parziale connesso aciclico G =(V,E ) v i, v j V in G uno ed un solo cammino è connesso e contiene V -1= n -1 lati v v 6 v v 8 Grafi I. Problema del più corto ST Shortest ST, SST Dato G=(V,E) pesato e connesso, trovare lo ST G =(V,E ) tale che il costo Σ e E c(e) sia minimo Applicazioni: combinare i terminali di un circuito elettrico con minima lunghezza di filo (per ridurre effetti parassiti) collegare città mediante condutture a costo minimo senza punti di giunzione esterni sottoproblema di altri problemi più complessi Grafi I.8
15 Modello di PLI di SST c j = peso del lato e j x j = 1 se e j è nell albero 0 altrimenti min Σ j=1,m c j x j v 6 Σ j=1,m x j = n 1 v x j {0,1} Σ j σ (S) x j S 1 S V, S Subtour elimination constraints: O( n ) Grafi I. Teorema di Prim (15) Dati G = (V,E) ed un albero parziale (W,E ), W V, E E, sia (u *,v * ) il più corto (u,v): u W, v V \W. Fra tutti gli ST di G che contengono E ne esiste uno ottimo che contiene anche (u *,v * ). W u * v * u v Se (W,E ) è ottimo, (W { v * }, E {(u *,v * )}) è ottimo Grafi I.0
16 Dimostrazione Teorema di Prim Sia ST * il più corto ST contenente E, si supponga, per assurdo, che non contenga (u *,v * ). In ST * deve esistere un cammino tra u * e v *, che conterrà un lato (u,v), con u W, v V \W. Rimuovo (u,v) due alberi parziali, aggiungo (u *,v * ) ST più corto di ST * u * v * W u v Grafi I.1 Algoritmo di Prim (I versione) parti con uno ST ottimo costituito dal vertice v 1 W := {v 1 }; E := ; finchè non si ha uno ST completo ( W = n ): determina (u *, v * ), lato a costo minimo che collega un vertice di W con un vertice non ancora raggiunto (in V\W) aggiungi il lato (u *, v * ) allo ST W := W { v * }; E := E { (u *, v * )} Grafi I.
17 Algoritmo di Prim (I versione) W := {v 1 }; E := ; while W < n do determina (u *, v * ) ; W := W { v * }; E := E { (u *, v * ) };. n-1 iterazioni iterazione numero operazioni a E tempo O(n ) Grafi I. Complessità di un algoritmo Tempo di calcolo numero di operazioni elementari (somme, assegnamenti, confronti ) necessarie per risolvere il problema nel caso peggiore Es. : for i := 1 to n-1 do a := i * ; b := b + a; n-1 iterazioni iterazione operazioni elementari tempo O(n) Grafi I.4
18 Analisi algoritmo di Prim O(1) O(??) O(1) O(1) W := {v 1 }; E := ; while W < n do determina (u *, v * ) ; W := W { v * }; E := E { (u *, v * ) };. n-1 iterazioni tempo: O( n * n. op. corpo) Grafi I.5 Determinazione di (u *,v * ) (u *,v * ) = arg min {c(u,v): (u,v) δ (W)} O(1) O(1) O(1) cmin := + ; for i := 1 to n do for j := 1 to n do if (v i, v j ) Ε and (v i, v j ) δ (W) then if c(v i, v j )< cmin then cmin := c(v i, v j ); u * := v i ; v * := v j ; O(n ) Grafi I.6
19 Analisi algoritmo di Prim () O(1) O(n ) O(1) O(1) W := {v 1 }; E := ; while W < n do determina (u *, v * ) ; W := W { v * }; E := E { (u *, v * ) };. n-1 iterazioni tempo: O( n * n ) = O(n ) per migliorare bisogna migliorare determina (u *, v * ) ; Grafi I. Miglioramento alg. di Prim v V \W definiamo b(v) = arg min {c(u,v): u W } 6 [v ] [v 1 ] 4 v [v ] W = {v 1, v } (u *,v * ) = arg min{c(b(v),v): v V \W } O(n)!!! Grafi I.8
20 Gestione di b(v) Inizializzazione: W := {v 1 } b(v) := v 1 v V \{v 1 } Aggiornamento: dati i b(v) relativi al W corrente come si aggiornano per il nuovo W := W { v * }? a) b(v) = arg min {c(u,v): u W } b) arg min {c(u,v): u W { v * } } = arg (min (min {c(u,v): u W }, c(v *,v) ) ) Grafi I. Aggiornamento di b(v) (u *,v * ) = arg min {c(u,v) : (u,v) δ (W)} 6 W = {v 1, v } v* = v 4 Basta verificare se v è più vicino a o v Grafi I.40
21 Algoritmo di Prim (II versione) b(v) vertice di W più vicino a v V \ W Procedure SST_Prim W := {v 1 }; E := ; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. n-1 iterazioni iterazione numero operaz. a V \ W tempo O(n ) Grafi I.41 Esempio Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v Grafi I.4
22 Inizializzazione insiemi v v 8 Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v W = {v 1 } E = Grafi I.4 Inizializzazione etichette [v 1 ] 8 6 [v 1 ] 8 4 [v 1 ] v [v 1 ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1 } E = Grafi I.44
23 Selezione del vertice (1) [v 1 ] 8 6 [v 1 ] 8 4 [v 1 ] v [v 1 ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1 } E = Grafi I.45 Aggiornamento insiemi (1) [v 1 ] 8 6 [v 1 ] 8 4 [v 1 ] v [v 1 ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1, } E = {(,v 1 )} Grafi I.46
24 Aggiornamento etichette (1) v 1 v [v 1 ] [ ] 8 6 [v 1 ] 8 4 [v 1 ] v [v 1 ] [v 5 ] [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1, } E = {(,v 1 )} Grafi I.4 Selezione del vertice () [ ] [ ] v [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1, } E = {(,v 1 )} Grafi I.48
25 Aggiornamento insiemi () [ ] [ ] v [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. W = {v 1,, } E = {(,v 1 ), (, )} Grafi I.4 Aggiornamento etichette () [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v [ ] W = {v 1,, } E = {(,v 1 ), (, )} Grafi I.50
26 Selezione del vertice () [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v [ ] W = {v 1,, } E = {(,v 1 ), (, )} Grafi I.51 Aggiornamento insiemi () [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v [ ] W = {v 1,,,v } E = {(,v 1 ), (, ), (v, )} Grafi I.5
27 Aggiornamento etichette () [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v W = {v 1,,,v } E = {(,v 1 ), (, ), (v, )} Grafi I.5 Selezione del vertice (4) v v 8 [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v W = {v 1,,,v } E = {(,v 1 ), (, ), (v, )} Grafi I.54
28 Aggiornamento insiemi (4) v v 8 [ ] Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. 4 v W = {v 1,,,v,v } E = {(,v 1 ), (, ), (v, ), (v, )} Grafi I.55 Soluzione v v Procedure SST_Prim W := {v 1 }; E := ; comment b(v) = vertice W: c(v,b(v))=min r W {c(v,r) }; for each v V \{v 1 } do b(v):= v 1 ; while W <n do v * V \W: c(v *,b(v * )) = min v V\W {c(v, b(v)) }; W := W { v * }; E := E { (v *,b(v * )) }; for each v V \W do if c(v, v * ) < c(v,b(v)) then b(v):= v * ;. v W = {v 1,,,v,v } E = {(,v 1 ), (, ), (v, ), (v, )} costo: 1 Grafi I.56
29 Esempio v 1 1 v b(v)..... c(v, b(v))..... Grafi I.5 Iterazione 1 5 v v v 1 1 W = { 1 } v b(v) c(v, b(v)) Grafi I.58
30 Iterazione W = { 1, } v v 1 1 b(v) c(v, b(v)) v b(v) c(v, b(v)) 5 10 Grafi I.5 Iterazione W = { 1,, } v v 1 1 b(v) c(v, b(v)) 5 10 v b(v) 1 1 c(v, b(v)) 5 1 Grafi I.60
31 Iterazione v 1 1 W = { 1,,, 5 } v b(v) 1 1 c(v, b(v)) 5 1 v b(v) c(v, b(v)) Grafi I.61 Iterazione 5 5 v W = { 1,,, 5, 4 } v b(v) c(v, b(v)) Costo = 10 Grafi I.6
32 Algoritmo di Kruskal (156) ordina E per costi non decrescenti; inizializza una soluzione vuota (E := ; ) finchè non si ha uno ST completo ( E = n - 1): considera il prossimo lato (e j ) nell ordine se e j assieme agli archi di E non chiude un circuito allora inseriscilo in soluzione (E := E { e j }) altrimenti scartalo Grafi I.6 Algoritmo di Kruskal (156) Algoritmo di tipo greedy (le scelte sono basate su un criterio locale e non sono riconsiderate successivamente) E := ; ordina E per costi non decrescenti; repeat individua il lato (e j ) di costo minimo; E := E \ { e j }; if E { e j } non ha circuiti then E := E { e j }; until E = n - 1;. Complessità: O(m log m) Grafi I.64
33 Esempio v 1 1 e j c(e j ) (v, ) 1 (, ) 1 (v 1,v ) (v 1,v ) 5 (v, ) (v, ) (v 1, ) 10 (v, ) 1 Grafi I.65 Iterazione v 1 1 e j c(e j ) (v, ) 1 (, ) 1 (v 1,v ) (v 1,v ) 5 (v, ) (v, ) (v 1, ) 10 (v, ) 1 (v, ) 1 Grafi I.66
34 Iterazione v 1 1 e j c(e j ) (, ) 1 (v 1,v ) (v 1,v ) 5 (v, ) (v, ) (v 1, ) 10 (v, ) 1 (v, ) (, ) Grafi I.6 Iterazione v 1 1 e j c(e j ) (v 1,v ) (v 1,v ) 5 (v, ) (v, ) (v 1, ) 10 (v, ) 1 (v, ) (, ) (v 1,v ) Grafi I.68
35 Iterazione v 1 1 e j c(e j ) (v 1,v ) 5 (v, ) (v, ) (v 1, ) 10 (v, ) 1 Costo = 10 (v, ) (, ) (v 1,v ) (v 1,v ) n-1 Grafi I.6 Esempio: variante v 1 1 e j c(e j ) (v, ) 1 (, ) 1 (v 1,v ) (v, ) 5 (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 Grafi I.0
36 Iterazione v 1 1 e j c(e j ) (v, ) 1 (, ) 1 (v 1,v ) (v, ) 5 (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 (v, ) 1 Grafi I.1 Iterazione v 1 1 e j c(e j ) (, ) 1 (v 1,v ) (v, ) 5 (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 (v, ) (, ) Grafi I.
37 Iterazione v 1 1 e j c(e j ) (v 1,v ) (v, ) 5 (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 (v, ) (, ) (v 1,v ) Grafi I. Iterazione v 1 1 e j c(e j ) (v, ) 5 (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 (v, ) (, ) (v 1,v ) (v, ) NO Grafi I.4
38 Iterazione v 1 1 e j c(e j ) (v, ) (v 1,v ) (v 1, ) 10 (v, ) 1 Costo = 1 (v, ) (, ) (v 1,v ) (v, ) n-1 Grafi I.5 Confronto Prim-Kruskal Complessità Prim : O(n ) Kruskal : O(m log m) Per grafi densi m n meglio Prim O(n ) < O(n log n) Per grafi sparsi m << n meglio Kruskal O(n log n) < O(n ) Grafi I.6
39 Cammini Ricerca di cammini su grafo: verifica esistenza di un percorso da un vertice ad un altro (uscita da un labirinto) ricerca del percorso (di costo minimo) tra due località in un grafo (pesato) rappresentante una rete stradale Considereremo grafi orientati: maggiore generalità (gli algoritmi presentati si adattano anche ai grafi non orientati) Grafi I. Esempio s t Grafi I.8
40 Esempio s t Grafi I. Raggiungibilità Dato un grafo orientato G=(V,A) determinare l insieme R dei vertici raggiungibili da un vertice s assegnato s dovremo provare ad espandere anche da R={v 1,v,, } v e v Grafi I.80
41 Strutture dati R insieme dei vertici raggiungibili da s pred( j) = 0 se vertice j non ancora raggiunto 1 se vertice j raggiunto si noti che R = { j : pred( j ) 0} (non è necessario memorizzare R) Q insieme dei vertici raggiungibili da s e non ancora elaborati Grafi I.81 Algoritmo CAMMINI parti dal vertice s e marca tutti i vertici come non raggiunti (pred( j ) := 0 (j=1,, n); R := ;) poni Q := { s } (insieme dei vertici raggiunti e non esaminati) per ogni vertice h di Q : marca come raggiunti tutti i vertici j collegati ad h ( j Γ + (h) ) e non raggiunti (pred( j) = 0) inserisci tali vertici in Q Grafi I.8
42 Algoritmo CAMMINI () O(n) O(1) for j:=1 to n do pred( j) := 0; pred(s) := 1; Q := { s }; R := ; O(n) while Q do { vertice raggiungibile h Q } O(1) O( Γ + (h) ) scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := 1; Q := Q {j}; R := R {j};. Complessità: O(m) Grafi I.8 Modifica di pred() pred( j) = vertice che precede j nel cammino da s a j for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do { vertice raggiungibile h Q } scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q {j};. Grafi I.84
43 Esempio s procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. v Grafi I.85 Inizializzazione etichette [0] [0] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [0] [0] v [0] Grafi I.86
44 Inizializzazione insiemi [1] [0] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [0] [0] v [0] Q = { v 1 } (R = ) Grafi I.8 Selezione vertice (1) [1] [0] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [0] [0] v [0] Q = R = Γ + (v 1 ) = { v, } Grafi I.88
45 Aggiornamento (1) [1] [1] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [0] [1] v [0] Q = { v, } R = { v, } Γ + (v 1 ) = { v, } Grafi I.8 Selezione vertice () [1] [1] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [0] [1] v [0] Q = { } R = { v, } Γ + (v ) = { } Grafi I.0
46 Aggiornamento () [1] [1] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [] [1] v [0] Q = {, } R = { v,, } Γ + (v ) = { } Grafi I.1 Selezione vertice () [1] [1] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [] [1] v [0] Q = { } R = { v,, } Γ + ( ) = { v 1 } Grafi I.
47 Selezione vertice (4) [1] [1] procedure CAMMINI for j:=1 to n do pred( j) := 0; pred(s) := s; Q := { s }; while Q do scegli vertice h Q; Q := Q \ { h }; for each j Γ + (h) do if pred( j) = 0 then pred( j) := h; Q := Q { j };. [] [1] v [0] Q = R = { v,, } Γ + ( ) = { v 1, } Grafi I. Soluzione [1] [1] [] s = v 1 R = { v,, } v v 1 v non raggiunto v 1 v v 1 [1] v [0] Grafi I.4
48 Problema del cammino minimo Shortest Path Problem, SPP Dato un grafo orientato G=(V,A), pesato sugli archi con costi c ij, e due vertici s,t V, determinare il cammino semplice di costo minimo dal vertice s al vertice t v s t v Grafi I.5 Complessità SPP Th.: Se i costi degli archi sono qualsiasi, SPP è NP-hard Dim.: Un cammino semplice da un vertice a se stesso ha al più n archi e se ne ha esattamente n è un circuito hamiltoniano Determinare se G=(V,A) possiede un circuito hamiltoniano è NP-completo Dato un grafo G=(V,A) defino c ij = 1 per ogni (i,j) A, se il cammino semplice di costo minimo da un qualunque vertice v a se stesso ha costo -n, tale cammino è un circuito hamiltoniano Grafi I.6
49 Casi particolari Esistono casi in cui il problema è polinomiale c ij 0 per ogni (i, j) A Algoritmo di Dijkstra complessità O(n ) O(n log n) c ij qualsiasi per ogni (i, j) A, ma non esistono circuiti in G di costo negativo Algoritmo di Floyd-Warshall complessità O(n ) Grafi I. Proprietà SP (1) Se i costi possono essere negativi il cammino minimo non è necessariamente semplice ed elementare Se esiste un circuito a costo negativo il cammino minimo lo percorre infinite volte 1 v 6 v v Grafi I.8
50 Proprietà SP () Se i costi degli archi sono non negativi il cammino di costo minimo è semplice ed elementare s 1 v 6 t 1 v Grafi I. Concatenazione cammini Propr.: Se il cammino minimo da v i a v k passa per v j, allora esso è formato dal cammino minimo da v i a v j concatenato al cammino minimo da v j a v k Dim.: Se esistesse un cammino più breve da v i a v j (o da v j a v k ) esso verrebbe usato anche nel cammino minimo da v i a v k Grafi I.100
51 Modello PLI di SPP min Σ (i,j): Α c ij x ij Costo cammino N. archi uscenti N. archi entranti Σ (h,j): Γ + (h) x hj Σ (i,h): Γ - (h) x ih = 1 se h = s 1 se h = t 0 se h V \{s,t} N. archi in S Σ (i,j):i,j S x ij S 1 S V, S 0 x ij 1 intero (i, j) A Grafi I.101 Vincoli subtour elimination v v 8 v v v 6 Σ (i,j):i,j S x ij S 1 S V, S Se c ij 0 il cammino minimo è semplice ridondanti Grafi I.10
52 Algoritmo di Dijkstra (15) Strutture dati W = L(v) = insieme dei vertici raggiunti in modo permanente da s costo del cammino minimo da s a v passante solo per j W pred(v) = vertice che precede v nel cammino da s a v Grafi I.10 Procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. n-1 iterazioni iterazione numero operaz. a V \ W tempo O(n ) Grafi I.104
53 Teorema Se L(v * ) = min v V\W { L(v) } il cammino minimo da s a v * è lungo L(v * ) Dimostrazione Dimostriamo che qualunque cammino P da s a v * è lungo almeno L(v * ): Se P passa solo per vertici di W, vero per definizione di L( ); altrimenti sia h il primo vertice W che si incontra in P P cammino da s a h (lungo almeno L(h) L(v * ) ) + cammino da h a v * di lunghezza 0 Dimostrazione non valida se ci sono distanze negative Grafi I.105 Esempio s 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 v Grafi I.106
54 Inizializzazione [0,0] v 1 v 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = {v 1 } v Grafi I.10 Inizializzazione etichette [,v 1 ] 4 1 [,v 1 ] 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. W = {v 1 } [4,v 1 ] v [,v 1 ] Grafi I.108
55 Selezione vertice (1) [,v 1 ] 4 1 [,v 1 ] 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. W = {v 1, } [4,v 1 ] v [,v 1 ] Grafi I.10 Aggiornamento etichette (1) [5, ] [,v 1 ] 4 1 [,v 1 ] 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. W = {v 1, } [4,v 1 ] v [,v 1 ] [1, ] Grafi I.110
56 Selezione vertice () [5, ] 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = {v 1,, } [4,v 1 ] v [1, ] Grafi I.111 Aggiornamento etichette () [5, ] 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = { v 1,, } v [11, ] Grafi I.11
57 Selezione vertice () [5, ] 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = {v 1,,,v } v [11, ] Grafi I.11 Aggiornamento etichette () 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = {v 1,,,v } v [11, ] Grafi I.114
58 Selezione vertice (4) 4 1 procedure DIJKSTRA W := { s }; L(s) := 0; pred(s) := 0; for each v V \{ s } do L(v) := c(s,v); pred(v) := s; while W <n do trova v * V \W : L(v * ) = min v V\W { L(v) }; W := W {v * }; for each v V \W do if L(v * ) + c(v *, v) < L(v) then L(v) := L(v * ) + c(v *, v); pred(v) := v * ;. 1 W = {v 1,,,v,v 1 } v [11, ] Grafi I.115 Soluzione [0,0] v 1 [5, ] v 4 1 [,v 1 ] 1 v [4,v 1 ] [11,v4 ] v L(v) pred(v) v v 5 v 11 4 v 1 v 1 Grafi I.116
59 Esempio s 8 v 1 v W L(v) {1} (0, 8,, 5, 4) {1, 5} (0,, 10,5, 4) {1, 5, 4} (0,,, 5, 4) {1, 5, 4, } (0,, 8, 5, 4) {1, 5, 4,, } (0,, 8, 5, 4) 4 v Grafi I.11
Teoria dei Grafi Parte I. Alberto Caprara DEIS - Università di Bologna
Teoria dei Grafi Parte I Alberto Caprara DEIS - Università di Bologna acaprara@deis.unibo.it Teoria dei Grafi Paradigma di rappresentazione di problemi Grafo G : coppia (V,E) V = insieme di vertici E =
DettagliIl Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST)
Il Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST) È dato un grafo non orientato G=(V,E). Ad ogni arco e i E, i=1,,m, è associato un costo c i 0 7 14 4 10 9 11 8 12 6 13 5 17 3 2
Dettagli2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
Dettagli2.3 Cammini ottimi. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
. Cammini ottimi E. Amaldi Fondamenti di R.O. Politecnico di Milano .. Cammini minimi e algoritmo di Dijkstra Dato un grafo orientato G = (N, A) con una funzione di costo c : A c ij R e due nodi s e t,
DettagliUniversità Roma Tre - PAS Classe A048 "Matematica Applicata" - Corso di Informatica a.a. 2013/2014
Università Roma Tre Dipartimento di Matematica e Fisica Percorso Abilitante Speciale Classe A08 Matematica Applicata Corso di Informatica Algoritmi su Grafi Marco Liverani (liverani@mat.uniroma.it) Sommario
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) memorizzazione compatta di sequenze (DNA) diffusione
DettagliAppunti del corso di Informatica 1 (IN110 Fondamenti) 7 Grafi e alberi: introduzione
Università di Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica (IN0 Fondamenti) Grafi e alberi: introduzione Marco Liverani (liverani@mat.uniroma.it)
DettagliAlgoritmi & Laboratorio
Acknowledgement Lucidi da F. Damiani, a.a. 2004-2005 C. Demetrescu et al, Algoritmi e strutture dati, McGraw-Hill M. Zacchi, a.a. 2003-2004 I lucidi non sono un sostituto per il libro di testo non contengono
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) memorizzazione compatta di sequenze (DNA) diffusione
DettagliTeoria dei Grafi Concetti fondamentali
Teoria dei Grafi Concetti fondamentali I grafi sono un mezzo per rappresentare relazioni binarie. Ad esempio: due città connesse da una strada due calcolatori connessi in una rete telematica due persone
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Minimo albero ricoprente Fabio Patrizi 1 Albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un albero;
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Minimo albero ricoprente Domenico Fabio Savo 1 Albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un
DettagliCammini Minimi. Algoritmo di Dijkstra. Cammino in un grafo
Cammini Minimi Algoritmo di Dijkstra Cammino in un grafo Dato un grafo G=(V,E), un Cammino (Percorso) in G è un insieme di vertici v 1, v 2,.., v k tali che (v i, v i+1 ) E v 1 v 2 v 3 v k In un grafo
DettagliCammini Minimi. Algoritmo di Dijkstra
Cammini Minimi Algoritmo di Dijkstra Cammino in un grafo Dato un grafo G=(V,E), un Cammino (Percorso) in G è un insieme di vertici v 1, v 2,.., v k tali che (v i, v i+1 ) E v 1 v 2 v 3 v k In un grafo
DettagliAlberi e arborescenze di costo minimo
Alberi e arborescenze di costo minimo Complementi di Ricerca Operativa Giovanni Righini Dipartimento di Tecnologie dell Informazione - Università degli Studi di Milano Definizioni - 1 Un grafo G = (V,
DettagliAlgoritmi & Laboratorio
lbero ricoprente sia dato un grafo connesso e non orientato un albero ricoprente è un sottografo che contiene tutti nodi è aciclico è connesso cknowledgement Lucidi da. Damiani, a.a. 00-00. Demetrescu
DettagliRichiami di Teoria dei Grafi. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Richiami di Teoria dei Grafi Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Teoria dei grafi La Teoria dei Grafi costituisce, al pari della Programmazione Matematica, un corpo
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) diffusione di messaggi segreti memorizzazione
DettagliLezioni di Ricerca Operativa
Lezioni di Ricerca Operativa Estratto per la parte di programmazione lineare e ottimizzazione sui grafi Corso di Metodi di Ottimizzazione per l'ingegneria della Sicurezza Laurea Magistrale in Ingegneria
DettagliIl problema del commesso viaggiatore
Il problema del commesso viaggiatore Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 2012/13 - Corso di Ricerca Operativa Università
DettagliSoluzioni della settima esercitazione di Algoritmi 1
Soluzioni della settima esercitazione di Algoritmi 1 Beniamino Accattoli 19 dicembre 2007 1 Grafi Un grafo è non orientato se descrivendo un arco come una coppia di vertici (i,j) l ordine è ininfluente
DettagliGrafi (non orientati e connessi): minimo albero ricoprente
Grafi (non orientati e connessi): minimo albero ricoprente Una breve presentazione Definizioni Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è
DettagliIntroduzione ai grafi
TFA A048 Anno Accademico 2012-13 Outline Cenni storici sui grafi Nozioni introduttive: cammini, connessione, alberi, cicli Cammini di costo minimo Origini storiche La nascita della teoria dei grafi risale
DettagliTeoria della Complessità Computazionale
Teoria della Complessità Computazionale Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it Rev. 1.3, 11/00 rev. 1.3 - Novembre 2000 Teoria della Complessità Studia la difficoltà dei problemi
DettagliMinimo albero di copertura
apitolo 0 Minimo albero di copertura efinizione 0.. ato un grafo G = (V, E) non orientato e connesso, un albero di copertura di G è un sottoinsieme T E tale che il sottografo (V, T ) è un albero libero.
DettagliNote per la Lezione 21 Ugo Vaccaro
Progettazione di Algoritmi Anno Accademico 20 20 Note per la Lezione 2 Ugo Vaccaro In questa lezione introdurremo il concetto di grafo, esamineremo le loro più comuni rappresentazioni ed introdurremo i
DettagliGrafi pesati Minimo albero ricoprente
Algoritmi e Strutture Dati Definizioni Grafi pesati Minimo albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un albero; T contiene
DettagliCammini minimi. Damiano Macedonio
Cammini minimi Damiano Macedonio mace@unive.it Copyright 2010 2012, Moreno Marzolla, Università di Bologna, Italy (http://www.moreno.marzolla.name/teaching/asd2011b/) Modifications Copyright c 2015, Damiano
DettagliGrafi (non orientati e connessi): minimo albero ricoprente
.. Grafi (non orientati e connessi): minimo albero ricoprente Una presentazione alternativa (con ulteriori dettagli) Problema: calcolo del minimo albero di copertura (M.S.T.) Dato un grafo pesato non orientato
DettagliProblema del cammino minimo
Algoritmi e Strutture di Dati II Problema del cammino minimo Un viaggiatore vuole trovare la via più corta per andare da una città ad un altra. Possiamo rappresentare ogni città con un nodo e ogni collegamento
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) protocolli reti IP memorizzazione compatta di
DettagliPROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Il costo di cammino minimo da un vertice u ad un vertice v è definito nel seguente modo:
PROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Sia G = (V,E) un grafo orientato ai cui archi è associato un costo W(u,v). Il costo di un cammino p = (v 1,v 2,...,v k ) è la somma dei costi degli archi
DettagliAlgoritmi e Strutture Dati. Capitolo 12 Minimo albero ricoprente: Algoritmo di Kruskal
Algoritmi e Strutture Dati Capitolo 12 Minimo albero ricoprente: Algoritmo di Kruskal Progettare una rete stradale Supponiamo di dover progettare una rete stradale in cui il costo di costruzione di un
DettagliTeoria dei Grafi Elementi di base della Teoria dei Grafi
L. Pallottino, Sistemi Robotici Distribuiti - Versione del 4 Marzo 2015 42 Teoria dei Grafi Elementi di base della Teoria dei Grafi Definizione 1. Un grafo G = (V, E) è composto da un insieme finito di
DettagliOttimizzazione Combinatoria Proprietà dei Grafi. Ottimizzazione Combinatoria
Ottimizzazione Combinatoria Ottimizzazione Combinatoria Proprietà dei Grafi ANTONIO SASSANO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica Corso di Laurea in Ingegneria Gestionale
DettagliEsempi. non. orientato. orientato
Definizione! Un grafo G = (V,E) è costituito da un insieme di vertici V ed un insieme di archi E ciascuno dei quali connette due vertici in V detti estremi dell arco.! Un grafo è orientato quando vi è
DettagliGrafi diretti. Un grafo diretto (o grafo orientato) G è una coppia (V,E) dove. V è u n i n s i e m e d i nodi (o vertici);
Algoritmi e Strutture di Dati II 2 Grafi diretti Un grafo diretto (o grafo orientato) G è una coppia (V,E) dove V è u n i n s i e m e d i nodi (o vertici); E µ V V è u n i n s i e m e d i archi. Denotiamo
DettagliEsercizi Union-Find e su Grafi. Ugo Vaccaro
Progettazione di Algoritmi Anno Accademico 0 07 Esercizi Union-Find e su Grafi. Ugo Vaccaro. Esercizio: Scrivere pseudocodice per Make-Set, Union, e Find-Set usando la rappresentazione attraverso liste
DettagliAlgoritmi e Strutture dati Mod B. Grafi: Percorsi Minimi (parte I)
Algoritmi e Strutture dati Mod B Grafi: Percorsi Minimi (parte I) Grafi: Percorsi minimi Un percorso minimo in un grafo G= grafo pesato orientato, con funzione di peso w: E fi che mappa archi in pesi
DettagliAlgoritmi e Strutture Dati. Capitolo 12 Minimo albero ricoprente: Algoritmo di Kruskal (*)
Algoritmi e Strutture Dati Capitolo 12 Minimo albero ricoprente: Algoritmo di Kruskal (*) Progettare una rete stradale Supponiamo di dover progettare una rete stradale in cui il costo di costruzione di
DettagliAlberi di copertura. Mauro Passacantando. Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Alberi di copertura Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 0/ - Corso di Ricerca Operativa Università di Pisa / 9 Definizioni
DettagliB.1 I grafi: notazione e nomenclatura
Appendice B Grafi e Reti In questa appendice richiamiamo i principali concetti relativi a grafi e reti; descriviamo inoltre alcune classi di strutture dati che possono essere utilizzate per implementare
DettagliAlgoritmi e strutture dati
Algoritmi e Strutture Dati Minimo albero ricoprente Sia G = (V, E) un grafo connesso non orientato. Definizioni Un albero ricoprente di G è un sottografo T G tale che: T è un albero; T contiene tutti i
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
DettagliCammini minimi in grafi:
Algoritmi e strutture dati Camil Demetrescu, Irene Finocchi, Giuseppe F. Italiano Cammini minimi in grafi: una trilogia Cammini minimi in grafi: Episodio III: la fine della trilogia Input: nelle puntate
DettagliGrafi non orientati. Grafi (non orientati) Rappresentazione di Grafi: matrice delle adiacenze. Tipiche applicazioni di modelli basati su grafi
Grafi non orientati Grafi (non orientati) Notazione. G = (V, E) V = nodi (o vertici). E = archi (o lati) tra coppie di nodi. Modella relazioni definite tra coppie di oggetti. aglia di un grafo: numero
Dettaglietà (anni) manutenzione (keuro) ricavato (keuro)
.6 Cammini minimi. Determinare i cammini minimi dal nodo 0 a tutti gli altri nodi del seguente grafo, mediante l algoritmo di Dijkstra e, se applicabile, anche mediante quello di Programmazione Dinamica.
DettagliGRAFI. Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi!
G R A F I 1 GRAFI Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi! 2 cip: cip: Pallogrammi Pallogrammi GRAFI: cosa sono I grafi sono una struttura matematica fondamentale: servono
DettagliProgettazione di Algoritmi
Corso di laurea in Informatica Prova scritta del: Progettazione di Algoritmi 0/06/06 Prof. De Prisco Inserire i propri dati nell apposito spazio. Non voltare la finché non sarà dato il via. Dal via avrai
DettagliTeoria della Complessità Computazionale Parte II: Classi di Complessità
Teoria della Complessità Computazionale arte II: Classi di Complessità Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 3.0 - Ottobre 2003 Classi di complessità: ed N classe dei problemi
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Capitolo 3 Cammini minimi: algoritmo di Dijkstra Cammini minimi in grafi: cammini minimi a singola sorgente (senza pesi negativi) Cammini minimi in grafi pesati Sia G=(V,E,w)
DettagliProgrammazione Dinamica (PD)
Programmazione Dinamica (PD) Altra tecnica per risolvere problemi di ottimizzazione, piu generale degli algoritmi greedy La programmazione dinamica risolve un problema di ottimizzazione componendo le soluzioni
DettagliAlgoritmi e Strutture Dati
Introduzione ai grafi Grafi: Definizione e Algoritmi di visita Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino A.A. 2007/08 Introduzione ai
DettagliProblema dell albero di cammini minimi (SPT, Shortest Path Tree) o problema dei cammini minimi :
Per almeno una delle soluzioni ottime { P i, i r } del problema generalizzato, l unione dei cammini P i forma un albero di copertura per G radicato in r e orientato, ossia un albero la cui radice è r i
DettagliIntroduzione alla Teoria dei Grafi
Sapienza Uniersità di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Introduzione alla Teoria dei Grafi Docente: Renato Bruni bruni@dis.uniroma1.it Corso di: Ottimizzazione Combinatoria
DettagliOpen walk: Nodo di partenza diverso da quello di arrivo Close walk: Nodo di partenza coincidente con quello di arrivo
Connettività WALK, TRAIL, PATH Walk (passeggiata) Walk (passeggiata): Una passeggiata è una sequenza di nodi e link che inizia e finisce con un nodo, in cui ogni nodo è incidente allo spigolo che lo precede
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Capitolo 13 Cammini minimi: Algoritmo di Dijkstra (*) (ACM in grafi diretti e non diretti senza archi di peso negativo) Punto della situazione Algoritmo basato sull ordinamento
DettagliAlgoritmi e strutture dati
Algoritmi e Strutture Dati Cammini minimi Definizioni Sia G = (V,E) un grafo orientato pesato sugli archi. Il costo di un cammino π = è dato da: Un cammino minimo tra una coppia di
DettagliGrafi (orientati): cammini minimi
.. Grafi (orientati): cammini minimi Una presentazione alternativa (con ulteriori dettagli) Un algoritmo greedy per calcolare i cammini minimi da un vertice sorgente in un grafo orientato e pesato, senza
DettagliQuinto appello 27/6/ = 4. B b B = 2 b N = 4
Quinto appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si risolva il problema di PL dato applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B {, }. Per
DettagliCOMPLEMENTI DI SHORTEST-PATH. ASD Fabrizio d'amore
COMPLEMENTI DI SHORTEST-PATH ASD 2016-17 Fabrizio d'amore problemi di shortest-path (SP) grafo di riferimento G=(V,E) semplice/orientato pesato pesi non negativi pesi arbitrari, ma no cicli a peso negativo
DettagliLaboratorio di Algoritmi
Laboratorio di Algoritmi Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Martedì 8.30-10.30 in aula 3 Mercoledì 10.30-12.30 in Aula 2 Giovedì 8.30-10.30 in
DettagliPianificazione dei progetti. Alberto Caprara DEIS - Università di Bologna
Pianificazione dei progetti Alberto Caprara DEIS - Università di Bologna acaprara@deis.unibo.it Tecniche reticolari Metodologie per la risoluzione di problemi di pianificazione di progetti Progetto: insieme
DettagliVisite in Grafi BFS e DFS
Visite in Grafi BFS e DFS Visita di un Grafo Obiettivo: Visitare una sola volta tutti i nodi del grafo. Es.: visitare un porzione del grafo del Web Difficoltà: Presenza di cicli: Marcare i nodi visitati
DettagliAlgoritmi e Strutture Dati
Algoritmi Elementari su Grafi Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino Polo di Scienze Università di Camerino ad Ascoli Piceno Visita
DettagliAlberi di copertura minimi
Alberi di copertura minimi 1 Problema Nella progettazione di circuiti elettronici è spesso necessario collegare i morsetti. Per connettere un insieme di n morsetti si può usare un insieme di n-1 fili elettrici.
DettagliAppunti lezione Capitolo 13 Programmazione dinamica
Appunti lezione Capitolo 13 Programmazione dinamica Alberto Montresor 12 Novembre, 2015 1 Domanda: Fattore di crescita dei numeri catalani Vogliamo dimostrare che cresce almeno come 2 n. La nostra ipotesi
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
DettagliCammini minimi fra tutte le coppie
Capitolo 12 Cammini minimi fra tutte le coppie Consideriamo il problema dei cammini minimi fra tutte le coppie in un grafo G = (V, E, w) orientato, pesato, dove possono essere presenti archi (ma non cicli)
DettagliOrdinamenti. Grafo : definizione. Un grafo G = (V,E)è composto da: V: insieme di vertici E V V: insieme di archi (edge) che connettono i vertici
Ordinamenti 1 Vittorio Maniezzo Università di Bologna Grafo : definizione Un grafo G = (V,E)è composto da: V: insieme di vertici E V V: insieme di archi (edge) che connettono i vertici Un arco a= {u,v}
DettagliTeoria della Complessità Computazionale Parte I: Introduzione
Teoria della Complessità Computazionale Parte I: Introduzione Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 3.0 - ottobre 2003 Teoria della Complessità Studia la difficoltà dei
DettagliAnalisi e implementazione dell algoritmo di Dijkstra (Parte 1)
Analisi e implementazione dell algoritmo di Dijkstra (Parte 1) Algoritmicamente August 1, 2009 http://algoritmicamente.wordpress.com/ 1 Concetti fondamentali Definizione 1 Un grafo è un insieme di vertici
DettagliRichiami di matematica discreta: grafi e alberi. Paolo Camurati Dip. Automatica e Informatica Politecnico di Torino
Richiami di matematica discreta: grafi e alberi Paolo Camurati Dip. Automatica e Informatica Politecnico di Torino Grafi Definizione: G = (V,E) V: insieme finito di vertici E: insieme finito di archi,
DettagliCammini minimi con sorgente singola
Capitolo 11 Cammini minimi con sorgente singola efinizione 11.1. Sia G = (V,, w) un grafo orientato e pesato; dato il cammino p = v 0, v 1,..., v k in G, il valore w(p) = k i=1 w(v i 1, v i ) rappresenta
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Capitolo 13 Cammini minimi: Ordinamento topologico Grafo pesato: è un grafo G=(V,E,w) in cui ad ogni arco viene associato un valore definito dalla funzione peso w (definita su
DettagliCapitolo 5. Algoritmi di ricerca su grafo. 5.1 Algoritmi di ricerca su grafo
Capitolo 5 Algoritmi di ricerca su grafo Gli algoritmi di ricerca su grafo, oggetto dei prossimi paragrafi, rappresentano tecniche fondamentali per determinare nodi che soddisfino particolari proprietà
DettagliOrdinamenti. Vittorio Maniezzo Università di Bologna
Ordinamenti 1 Vittorio Maniezzo Università di Bologna Grafo : definizione Un grafo G = (V,E)è composto da: V: insieme di vertici E V V: insieme di archi (edge) che connettono i vertici Un arco a= {u,v}
Dettagli3.2 Rilassamenti lineari/combinatori e bounds
3.2 Rilassamenti lineari/combinatori e bounds Consideriamo un problema di Ottimizzazione Discreta min{f(x) : x X} e sia z il valore di una soluzione ottima x X. Metodi di risoluzione spesso generano una
DettagliAlgoritmi e Strutture dati Mod B. Grafi Percorsi Minimi: algoritmi esatti e algoritmi euristici (A*)
Algoritmi e Strutture dati Mod B Grafi Percorsi Minimi: algoritmi esatti e algoritmi euristici (A*) Grafi: Percorsi minimi Un percorso minimo in un grafo G= grafo pesato orientato, con funzione di
DettagliESERCIZI SULLA TECNICA Greedy
ESERCIZI SULLA TECNICA Greedy 1. [FILE] Si supponga di avere n files di lunghezze l 1,..., l n (interi positivi) che bisogna memorizzare su un disco di capacità data D. Si assuma che la somma delle lunghezze
DettagliIntroduzione ai grafi. Introduzione ai grafi p. 1/2
Introduzione ai grafi Introduzione ai grafi p. 1/2 Grafi Un grafo G è costituito da una coppia di insiemi (V,A) dove V è detto insieme dei nodi e A è detto insieme di archi ed è un sottinsieme di tutte
DettagliGrafi e reti di flusso
Grafi e reti di flusso Molti problemi di ottimizzazione sono caratterizzati da una struttura di grafo: in molti casi questa struttura emerge in modo naturale, in altri nasce dal particolare modo in cui
DettagliGrafi: ordinamento topologico
.. Grafi: ordinamento topologico Che cosa e e come si calcola Che cosa e un ordinamento topologico F. Damiani - Alg. & Lab. 04/05 Una definizione di ordinamento topologico Definizione. Funzione σ: V {1,
DettagliEsercitazione 6 Algorithmi e Strutture Dati (Informatica) A.A 2015/2016
Esercitazione 6 Algorithmi e Strutture Dati (Informatica) A.A 2015/2016 Tong Liu April 14, 2016 Elementi Fondamentali Rappresentazione n = V numero di vertici (nodi) m = E numero di archi Matrice di adiacenza:
DettagliALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I
ALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I Esercizio 1 Dati n oggetti ed un contenitore, ad ogni oggetto j (j = 1,, n) sono associati un peso p j ed un costo c j (con p j e c j interi positivi). Si
DettagliSommario della lezione
Sommario della lezione Introduzione ai grafi Definizioni, applicazioni,... Rappresentazioni comuni di grafi Esplorazione di grafi Università degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro
DettagliPianificazione dei progetti
1/11/ Pianificazione dei progetti aniele Vigo..I.S. - Università di ologna dvigo@deis.unibo.it Rev. 1.2, 1/ Tecniche reticolari Metodologie per la risoluzione di problemi di pianificazione di progetti
DettagliRicerca Operativa 2. Ricerca Operativa 2 p. 1/6
Ricerca Operativa 2 Ricerca Operativa 2 p. 1/6 Introduzione In questo corso ci occuperemo di problemi di ottimizzazione. Ricerca Operativa 2 p. 2/6 Introduzione In questo corso ci occuperemo di problemi
DettagliGestione della produzione e della supply chain Logistica distributiva
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione e Scienze Matematiche Università di Siena Convergenza dell algoritmo Se non
DettagliVISITA IL SITO PER ALTRO MATERIALE E GUIDE
COPYRIGHT SEGO LICENSE Questo documento viene fornito così come è: se pensate che faccia schifo problemi vostri, nessuno vi obbliga a leggerlo. Se pensate che sia qualcosa di positivo e/o avete suggerimenti
DettagliA-2 a PI. Esercizio 2. Domanda 3
A-2 a PI Ricerca Operativa 1 Seconda prova intermedia È dato il problema di PL in figura. 1. Facendo uso delle condizioni di ortogonalità, dimostrare o confutare l ottimalità della soluzione x = 1; x =
Dettagliuscente entrante adiacente Figure B.2 (a) (b) (c) incident from leaves incident to enters incident on adjacent degree isolated
Grafi Si dice grafo un insieme di nodi legati "a due a due" da archi direzionati (o no) I grafi sono strutture dati di fondamentale importanza in informatica Vi sono centinaia di problemi computazionali
DettagliFiltering: A Method for Solving Graph Problems in MapReduce
Filtering: A Method for Solving Graph Problems in MapReduce S. Lattanzi B. Moseley S. Suri S. Vassilvitskii Giulio Ardito Sommario 1 Introduzione 2 Definizioni 3 Minumum Spanning Tree Unweighted Maximal
DettagliFormulazioni. Consideriamo il seguente problema di Knapsack 0-1. max (5x x 2. ) st 3x x 2. < 6 x {0,1} 2
Formulazioni Consideriamo il seguente problema di Knapsack 0-1 max (5x 1 + 2x 2 ) st 3x 1 + 4x 2 < 6 x {0,1} 2 Insiemi ammissibili F = {(0, 0), (0, 1), (1, 0)} Rappresentiamo sul piano gli insiemi ammissibili.
Dettagli