Beruflich Dokumente
Kultur Dokumente
Resumo
O presente trabalho descreve uma heurística híbrida para o Problema do Caixeiro Viajante Simétrico.
A abordagem proposta utiliza um procedimento baseado na metaheurística VNS na fase de busca
local de um algoritmo GRASP. A heurística também se caracteriza por empregar uma variante da
vizinhança 2-opt na fase de busca local. Ao final um experimento computacional compara o
desempenho qualitativo da heurística com um algoritmo GRASP eficiente proposto previamente na
literatura.
Abstract
This paper presents a hybrid heuristic for the Symmetric Traveling Salesman Problem. The proposed
approach uses a procedure based on the metaheuristic VNS in the local search phase of a GRASP
algorithm. The heuristic is also characterized by employing a variant of the 2-opt neighborhood in
the local search phase. Finally, a computational experiment compares the qualitative performance of
the proposed heuristic with an efficient GRASP presented previously in the literature.
1. Introdução
O problema admite também inúmeras aplicações práticas como na fabricação de chips para circuitos
VLSI (Korte, 1988) na cristalografia (Bland & Shallcross, 1989), mapa genético (Guyon et al.,
2003), seqüência de DNA (Gonnet et al., 2000) programação de rede de difusão (Yajima et al.,
2001), dentre outras.
Em que pese o avanço da competência dos métodos exatos, as abordagens heurísticas ainda são
fortemente privilegiadas pela literatura para o encaminhamento da solução do PCV, especialmente as
meteheurísticas. Alguns dos trabalhos que representam essa tendência são: Simulated Annealing
(Aarts, et al.,1988; Meer, 2007), Busca Tabu (Knox, 1994; Rego & Glover 2002) Algoritmos
Genéticos (Larrañaga et al., 1999; Katayama & Sakamoto, 2000; Baralia et al., 2001), Colônia de
Formigas (Gambardella & Dorigo, 1996; Bai et al., 2006 ), Redes Neurais (Gharizi & Osman, 2003),
Por outro lado o PCV simétrico, problema definido sobre um grafo não direcionado, é caracterizado
por possuir heurísticas clássicas extremamente eficientes como a proposta de Lin & Kernigham,
(1973) que foi implementada com grande sucesso por Helsgaun, (2000), ou como as heurísticas
construtivas examinadas em Glover et al., (2001). De fato, presentemente as duas mais eficientes
heurísticas de solução para o PCV simétrico pertencem a classe Lin & Kernigham e são,
respectivamente, a Tour Merge (Applegate et al , 2003), e a variante Nguyen-Yoshihara-Yamamori-
Yasunaga Iterated Lin-Kernighan – NYYY. Tais heurísticas, segundo Applegate et al., (2006) e
Marinakis (2005), sob os critérios sugeridos pelos autores, alcançaram conclusivamente os melhores
resultados na solução de instâncias simétricas do TSPLIB (TSPLIB, 2008).
Ainda que mais eficientes, as heurísticas anteriores estão longe de vencer o desafio da solução do
PCV em instâncias de grande porte. As heurísticas da classe Lin & Kernigham, por exemplo,
normalmente produzem soluções sub-ótimas de ótima qualidade, todavia que dificilmente podem ser
melhoradas em tempo computacional eficiente através do uso de técnicas tradicionais de busca local.
Assim, uma alternativa viável para o aperfeiçoamento dessas soluções de alto grau de atração é, por
exemplo, compor-las com outras soluções de boa qualidade alcançadas por heurísticas de alguma
outra classe. Em certos casos o procedimento híbrido daí decorrente herda uma maior possibilidade
de escape de fortes mínimos locais (Goldbarg et al, 2007).
A metaheurística GRASP pertence à classe dos procedimentos de re-início aleatório. Foi proposta
nos trabalhos de Feo & Resende (1989) e Feo & Bard (1989), consistindo em um método de solução
que envolve duas fases.
Na segunda fase a solução é submetida a um processo de busca local não especificado. Concluída a
busca local, o algoritmo pode ser reiniciado gerando-se nova solução final ou terminado. Em geral a
conclusão se dá por um número fixo de iterações, por um dado número de iterações sem melhoria ou
por tempo. Um típico pseudo-código GRASP está apresentado no Quadro1.
É comum que a metaheurística GRASP seja mesclada com outras metaheurísticas, especialmente
para desenvolver a segunda fase do método (Resende & Ribeiro 2003, Goldbarg et al., 2007).
Algoritmo GRASP
S*←∞
Enquanto regra de parada for falsa faça
S ← Solução_Semi_Gulosa ()
S1 ← Busca_Local (S)
Se f(S1)<f(S*) faça S*←S1
End_Enquanto
Retornar S*
Quadro 1: Algoritmo GRASP
Na segunda fase, a solução obtida inicialmente é submetida a um processo de busca local segundo
vizinhanças variáveis. Para tal são selecionadas diferentes vizinhanças do problema e um método de
varredura sistemática e hierárquica é projetado para examiná-las. A busca se inicia sempre por uma
dada estrutura de vizinhança. Quando o processo de busca falha em melhorar a solução corrente, a
estrutura de vizinhança é alterada e o processo da segunda fase é reinicializado. Enquanto a primeira
vizinhança de busca for competente para melhorar a solução ela é mantida. Sempre que uma
melhoria é obtida, seja qual for sua vizinhança associada, a primeira vizinhança é novamente
chamada para dirigir a busca. Normalmente o algoritmo é interrompido quando todas as vizinhanças
se mostram incapazes de melhorar a solução. Todavia pode ser interrompido tanto por tempo ou pelo
número total de iterações.
Algoritmo VNS
A VNS está aberta a ser mesclada com outros métodos (Villa et al., 2006), especialmente através da
fase inicial ou Shaking. Denominando por Nk a vizinhança k do problema examinado, a
metaheurística VNS pode admitir a forma de implementação constante do Quadro 2. O quadro
ressalta a possibilidade da substituição da etapa de busca local por qualquer estratégia de melhoria de
solução - Melhoria_Local (S1).
A conjugação das metaheurísticas GRASP e VNS foi proposta para vários problemas, entre os quais
podem ser destacados o problema do Fluxo em Redes Capacitadas (Holmqvist et al.,1997) e o
Problema Quadrático de Alocação (Pardalos et al., 1995).
Em recente trabalho Marinakis et al., (2005) propõem uma heurística híbrida para a solução do PCV,
denominada presentemente de Expanding Neighborhood GRASP (EN_GRASP) com inovações tanto
no método de construção das soluções do algoritmo como na forma de explorar as vizinhanças da
busca.
A Expanding Neighborhood GRASP emprega um método construtivo híbrido que ordena as arestas
passíveis de inclusão na solução por peso e escolhe aleatoriamente, no intervalo entre 30 e 150 das
melhores arestas, uma aresta para a inclusão. Cada saída da lista restrita de candidatos – LRC é
compensada por uma nova inclusão de aresta mantendo constante o tamanho da LRC. A aresta
escolhida para a inclusão é incorporada ao ciclo através da aplicação de uma versão modificada do
nearest merger algorithm de Kruskal (Lawler et al., 1985).
Algoritmo EN_GRASP
S*←∞
Enquanto o número de iterações for menor que h faça
S ← Solução_Semi_Gulosa ( )
S1← Busca_em_Vizinhança_Variável (S)
Se f(S1)<f(S*) faça S*←S1
End_Enquanto
Retornar S*
Busca_em_Vizinhança_Variável (S)
Seja Nk, k=1 – vizinhança 2-opt; k=2 – vizinhança 3-opt
k ←1
S1 ← S
Enquanto k ≤ 2
S1 ← Busca_Local (Nk(S1) )
Se f(S1)<f(S) faça S←S1 e k ←1
Caso contrário faça k←k+1
Fim_enquanto
Quadro 3: Algoritmo EN_GRASP
A segunda fase do método busca melhorar o ciclo obtido na primeira através de uma busca local que
compõe duas vizinhanças reconhecidamente qualitativamente eficientes: as vizinhanças 2-ótima e a
3-ótima (Lawler et al., 1985). A partir de um ciclo C, usando-se movimentos k-opt (2-opt ou 3-opt)
soluções vizinhas a C podem ser geradas pela exclusão de k arestas de C e pela reconstrução do ciclo
através da conexão de caminhos com k novas arestas. A primeira vizinhança escolhida para a busca é
a 2-ótima. A vizinhança 3-ótima é designada ao índice 2. Assim cada interação do algoritmo A
Expanding Neighborhood GRASP expande a busca local 2-opt considerando obrigatoriamente
movimentos 3-opt. O Quadro 3 resume, de uma forma geral, a estratégia da heurística Expanding
Neighborhood GRASP.
O resultado final é a melhor solução obtida em todas as iterações do algoritmo. O algoritmo executa
h=10 iterações para as instâncias de teste que são exibidas na Tabela 1. A tabela relata o afastamento
percentual entre a solução final do algoritmo e a solução ótima do caso teste e consta do trabalho de
Marinakis et al., (2005). As colunas Junger referem-se aos algoritmos testados em Junger et al.,
(1995) e que são abreviados pelas mesmas siglas.
O presente trabalho propõe uma heurística baseada na composição do GRASP e VNS para a solução
do PCV, denominada GRASP_2-Opt_Jump. A estratégia geral da pesquisa ora relatada foi a de
buscar o projeto de um algoritmo eficiente na dimensão do consumo de tempo computacional e que
permitisse posteriores refinamentos qualitativos sem prejuízo dessa eficiência. Por outro lado o
projeto visou explorar o potencial da composição de estruturas de vizinhança diferentes daquelas que
utilizam as classes associadas à heurística de Lin & Kernigham. Por motivo semelhante foram
evitados procedimentos construtivos ou variantes de procedimentos construtivos reconhecidamente
eficientes.
A principal razão da proposta evitar o emprego dos procedimentos anteriormente citados, abrindo
mão de suas comprovadas vantagens, é permitir que soluções de boa qualidade e não associadas aos
mínimos locais das vizinhanças clássicas sejam alcançadas pela busca. Esse fato descortina a
possibilidade do desenvolvimento futuro de algoritmos híbridos capazes de solucionar eficientemente
instâncias do Caixeiro Viajante Simétrico de diferentes características.
3 4 2 1 6 10 8 9 7 5 3 4 2 1 6 10 8 9 7 5 3 4 2 1 6 10 8 9 7 5
Figura 1: Exemplo de constituição dos blocos que darão origem às vizinhanças jump.
A busca 2-opt_Jump confunde-se com a busca 2-opt se k=1. Para k>1 a busca 2-opt-Jump é menos
intensiva que a 2-opt, considerada a aplicação sobre uma mesma solução S. Assim, para uma dada
solução S, a busca 2-opt_Jump examina menos configurações que a busca 2-opt sendo, portanto,
mais eficiente em tempo de processamento.
Supostamente abrir mão da aplicação integral da busca 2-opt é admitir um desempenho para a etapa
de busca local ainda pior que o sugerido na coluna Junger 2-opt da Tabela 1. Observe-se que esse
desempenho é bastante insatisfatório e encontra-se severamente afastado do estado-da-arte. E
acrescente-se ao fato que o citado potencial da busca 2-opt está consolidado na literatura.
Todavia quando se faz possível utilizar uma estratégia de busca iterativa, como no caso da VNS, uma
melhoria alcançada durante o processo pode ser imediatamente incorporada e explorada pela busca,
não sendo necessário aguardar que a vizinhança completa seja percorrida.
Algoritmo GRASP_2-Opt_Jump
S*←∞
Enquanto o número de iterações for menor que h Faça
S ← Solução_Semi_Gulosa ( )
S1← Busca_em_Vizinhança_Variável (S)
Se f(S1)<f(S*) faça S*←S1
End_Enquanto
Retornar S*
Busca_em_Vizinhança_Variável (S)
Seja Nk, k=1,2,..,r blocos de busca para vizinhança 2-opt;
k ←1
S1 ← S
Enquanto k ≤ r
S1 ← Busca_2-opt (Nk(S1) )
Se f(S1)<f(S) faça S←S1
constitua novos Nk, k=1,2,..,r blocos de busca
k ←1
Caso contrário faça k←k+1
Fim_enquanto
Quadro 4: Algoritmo GRASP_2-Opt_Jump
Complementarmente à proposta de Marinakis et al., (2005), o presente experimento relata, além dos
melhores resultados, os resultados médios alcançados por 10 execuções independentes do algoritmo,
com exceção das linhas marcadas na tabela com asterisco (*), onde o algoritmo é executado apenas
uma vez. Observe-se que o trabalho de Marinakis et al., (2005) relata a melhor solução dentre 100
execuções realizadas. Com a metodologia presentemente adotada, reduz-se a possibilidade da
atribuição do desempenho qualitativo à sorte ou ao benefício de um grande número de execuções.
O algoritmo proposto foi implementado com o Borland C++ Builder 6 e executado no sistema
Windows XP com um Pentium IV 2.0 GMHz. Na implementação adotou-se como regra de parada
100 iterações e o valor de k=5. Em nenhum caso o algoritmo é interrompido quando o valor ótimo é
alcançado. O procedimento construtivo da fase GRASP empregou uma lista restrita de candidatos
composta por arestas. O procedimento construtivo inclui uma aresta em cada iteração. A lista restrita
de arestas candidatas possui comprimento variável. A lista contém todas as arestas que incidem no
vértice da extremidade do ciclo em construção que sejam até 50% maiores que a menor aresta
incidente nessa mesma cidade. A escolha da aresta que será incluída na solução é realizada através de
um sorteio em roleta, onde a probabilidade da escolha da aresta é diretamente proporcional ao
beneficio de sua inclusão na solução.
Melhor Resultado
Valor Menor Tempo
Instância EN_GRASP Resultado Médio
Ótimo Tempo Médio
Valor Afast Valor Afast
Lin105 0,00 14379 14379 0,00 14379 0,00 00:00:00.62 00:00:01.27
Pr107 0,00 44303 44303 0,00 44303 0,00 00:00:00.70 00:00:14.50
Pr124 0,00 2323 2323 0,00 2324,7 0,07 00:00:10.51 00:11:58.55
Pr136 0,00 96772 96772 0,00 96772 0,00 00:00:08.09 00:01:50.16
Pr144 0,00 58537 58537 0,00 58537 0,00 00:00:01.75 00:00:05.59
Pr152 0,00 73682 73682 0,00 73682 0,00 00:00:02.12 00:00:24.01
Rat195 0,34 2323 2323 0,00 2325,8 0,12 00:00:31.75 00:13:19.88
D198 0,05 15780 15780 0,00 15780,4 0,00 00:02:28.12 00:14:07.66
Pr226 0,05 80369 80369 0,00 80374,2 0,01 00:05:59.53 00:14:35.67
Gil262 0,29 2378 2378 0,00 2378,3 0,01 00:00:29.82 00:25:59.93
Pr264 0,00 49135 49135 0,00 49135 0,00 00:00:51.45 00:03:24.46
Pr299 0,09 48191 48196 0,01 48211,9 0,04 00:41:34.32 00:47:42.28
Rd400 0,68 15281 15353 0,47 15353 0,47 03:24:53.96 03:24:53.96
Pr439 0,17 1072217 107257 0,04 107303,2 0,08 02:45:57.48 02:50:08.31
Pcb442 0,33 50778 50978 0,39 50978 0,39 05:46:12.75 05:46:12.75
D493 * 0,71 35002 35096 0,27 35096 0,27 08:51:31.75 08:51:31.75
Rat575* 1,32 6773 6841 0,99 6841 0,99 07:35:05.25 07:35:05.25
P654 * 0,18 34643 34732 0,26 34732 0,26 12:25:41.36 12:25:41.36
D657 * 1,26 48912 49280 0,75 49280 0,75 13:29:20.75 13:29:20.75
Rat 783* 1,03 8806 8900 1,06 8900 1,06 24:20:18.04 24:20:18.04
7. Conclusões
A obtenção de algoritmos de bom desempenho que não sejam baseados nos procedimentos clássicos
de Lin & Kernigham (Helsgaun, 2000) e de ejeção de cadeias (Applegate et al, 2003) possui um bom
potencial para contribuir nas próximas evoluções das estratégias de solução do PCV Simétrico.
Em que pese o fato anterior, o tempo de processamento demandado por GRASP_2-Opt_Jump não
sugere comportamento exponencial. Os resultados permitem sustentar que o processamento
empenhado pela heurística não é tão intensivo a ponto de tornar inviável sua composição com outras
heurísticas.
BIBILOGRAFIA CITADA
(1) Aarts, E.H.L, Korst J.H.M. & Laarhoven P.J.M., 1988. A Quantitative Analysis of the Simulated
Annealing Algorithm: A Case Study for the Traveling Salesman Problem, J. Stats. Phys. 50, 189-
206
(2) Applegate, D., Bixby, R., Chvátal, V. & Cook, W., 2003. Chained Lin-Kernighan for large
traveling salesman problems, Informs Journal on Computing 15(1):82-92.
(3) Applegate, D. L. Bixby, R. E., Chvátal, V. & Cook, W. J., 2006, The Traveling Salesman
Problem: A Computational Study, Princeton University Press.
(4) Applegate, D., Bixby, R., Chvátal, V. & Cook, W., 1994, Finding cuts in the TSP: a preliminary
report distributed at The Mathematical Programming Symposium, Ann Arbor, Michigan.
(5) Bai Y., Zhang, W. & Jin, W, 2006, An new self-organizing maps strategy for solving the
traveling salesman problem, Chaos, Solitons and Fractals 28(4), 1082–1089
(6) Baralia, R., Hildago, J.I. & Perego, R., 2001, A hybrid heuristic for the traveling salesman
problem,” IEEE Transactions on Evolutionary Computation 5(6), 1-41.
(7) Bland, R.G., & Shalcross, D.F., 1989, Large traveling salesman problems arising from
experiments in x-ray crystallography: A preliminary report on computation, Operations
Research Letters 8, 125-128.
(8) Boudia, M., Louly, M.A.O. & Prins, C. (2007). A reactive GRASP and path relinking for a
combined production–distribution problem, Computers & Operations Research 34, 3402-3419.
(9) Crowder, H. & Padberg, M. W., 1980. Solving large scale symmetric traveling salesman
problems to optimality, Management Science 26, 495-509.
(10) Deineko, V. G., & Woeginger, G. J. (2000). A study of exponential neighbourhoods for the
traveling salesman problem and the quadratic assignment problem. Math. Program., Ser. A, 87,
519–542.
(11) Feo, T. A., & Bard, J., 1989, Flight scheduling and maintenance base planning. Management
Science 35(12):1415–1432.
(12) Feo, T.A., & Resende, M.G.C., 1989, A probabilistic heuristic for a computationally difficult
set covering problem, Operations Research Letters 8, 67–71.
(13) Gambardella, L. M., & Dorigo, M., 1996, Solving symmetric and asymmetric TSPs by ant
colonies, in Proceedings of the 1996 IEEE International Conference on Evolutionary
Computation (ICEC'96), 622-627.
(14) Garey, M. R. & Johnson, D. S., 1979. Computers and interactability: a guide to the theory of
NP-completeness. Freeman San Francisco.
(15) Garfinkel R, & Nemhauser, G., (1972). Integer Programming, Wiley and Sons.
(16) Gharizi, H., e Osman, I. H. (2003), A neural network algorithm for the traveling salesman
problem with backhauls, Computers and Industrial Engineering 44(2), 67-281.
(17) Glover, F., 1996, Tabu search and adaptive memory programing – Advances, applications and
challenges In R.S. Barr, R.V. Helgason, and J.L. Kennington, editors, Interfaces in Computer
Science and Operations Research, 1–75. Kluwer.
(18) Glover, F., Gutin, G., Yeo, A. & Zverovich, A., 2001, Construction heuristics for the
asymmetric TSP, European Journal of Operational Research 129, 55-568
(19) Goldbarg, E. F. G., Goldbarg, M. C. & Farias, J. P. F., 2007, Grasp with Path-Relinking for the
TSP, in Operations Research / Computer Science Interfaces 39, 137-152
(20) Gonnet, G., Korotensky, C., & Benner, S., 2000, Evaluation measures of multiple sequence
alignments, Journal of Computational Biology 7(1-2): 261-276.
(21) Gutin, G., & Punnen, A.P., 2002, Traveling Salesman Problem and Its Variations, Kluwer
Academic Publishers, Dordrecht.
(22) Guyon, R., Lorentzen, T. D., Hitte, C., Kim, L., Cadieu, E., Parker, H. G., Quignon, P., et al.,
2003, A 1-Mb resolution radiation hybrid map of the canine genome, Proceedings of the
National Academy of Sciences of the United States of America 100(9), 296-5301.
(23) Jünger, M., Reinhelt, G. & Rinaldi, G., 1995, The traveling salesman problem, in Networks
Models, Handbooks in OR and MS, M. Ball et al. (Eds.), Elsevier Science B.7, 225–330.
(24) Jünger, M., Reinelt, G. & Rinaldi, G., 1994, The Traveling Salesman Problem, in Ball,
Magnanti, Monma and Nemhauser (eds.) , Handbook on Operations Research and the
Management Sciences North Holland Press, 225-330.
(25) Hansen P., & Mladenović, N., 2001, Variable neighborhood search: Principles and applications,
European Journal of Operational Research 130, 449–467.
(26) Helsgaun, K., 2000, An effective implementation of the Lin-Kernighan traveling salesman
heuristic, European Journal of Operational Research 126,106–130.
(27) Holmqvist, K., Migdalas, A. & Pardalos, P.M., 1997, Parallelized heuristics for combinatorial
search, in Parallel Computing in Optimization, A. Migdalas, P.M. Pardalos, and S. Storøy
(Eds.), Kluwer Academic Publishers, 269–294.
(28) Katayama, K. & Sakamoto, H., 2000, The Efficiency of Hybrid Mutation Genetic Algorithm for
the Traveling Salesman Problem, in Mathematical and Computer Modelling 31, 197-203.
(29) Knox, J., 1994, Tabu Search Performance on the Symmetric Traveling Salesman Problem,
Computers & Operations Research 21(8), 867-876
(30) Korte, B. H., 1989, Applications of combinatorial cptimization, in: Mathematical
Programming: Recent Developments and Applications, M. Iri and K. Tanabe, Eds., Kluwer,
Dordrecht, 1-55.
(31) Laguna, M., & Martı, R., 1999, GRASP and path relinking for 2-layer straight line crossing
minimization. INFORMS Journal on Computing, 11, 44–52.
(32) Larrañaga, P., Kuijpers, C. M. H., Murga, R. H., Inza, I., & S. Dizdarevic, 1999, Genetic
algorithms for the travelling salesman problem: A review of representations and operators,
Articial Intelligence Review 13, 129-170.
(33) Lawler, E. L., Lenstra, J. K., Rinnooy Kan, A. G. G. &. Shmoys, D. B., 1985, eds, The
Traveling Salesman Problem, John Wiley, Chichester.
(34) Lin, S., Kernighan, B., 1973, An effective heuristic algorithm for the traveling-salesman
problem, Operations Research 21, 498-516.
(35) Marinakis, Y., Migdalas, A., & Pardalos, P. M., 2005, Expanding Neighborhood GRASP for
the Traveling Salesman Problem, (2005), Computational Optimization and Applications 32,
231–257.
(36) Meer K., 2007, Simulated Annealing versus Metropolis for a TSP instance, Information
Processing Letters 104, 216–219
(37) Pardalos, P. M., Pitsoulis, L., Mavridou, T. & Resende, M. G. C., 1995, Parallel search for
combinatorial optimization: Genetic algorithms, simulated annealing, tabu search and GRASP,
in Solving Irregular Problems in Parallel - State of the Art, A. Ferreira and J. Rolim (Eds.),
Kluwer Academic Publishers Dordrecht, 317–331.
(38) Rego, C. & Glover, F., 2002, Local search and metaheuristics, in the Traveling Salesman
Problem and Its Variations, G. Gutin and A. Punnen (Eds.), Kluwer Academic Publishers
Dordrecht, 2002, 309–367.
(39) Reinelt, G., 1994, The Traveling Salesman: Computational Solutions for TSP Applications,
Springer-Verlag, Berlin.
(40) Resende, M.G.C., & Ribeiro, C.C., 2003, Greedy randomized adaptive search procedures, in:
Handbook of Metaheuristics, Glover, F. and Kochenberger, G., Eds., Kluwer Publishers, 219-
249.
(41) Shi, X. H., Liang, Y. C., Lee, H. P., Lu, C. & Wang, Q. X. (2007). Particle swarm optimization-
based algorithms for TSP and generalized TSP, Information Processing Letters 103, 169–176
(42) TSPLIB, 2008. - http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsplib.html
(43) Villa, G., Lozano, S., Jacero, J. & Canca, D., 2006, A Hybrid VNS / Tabu Search
Algorithm for Apportioning the European Parliament, Lecture Notes in Computer
Science 3906, 284-292.
(44) Yajima, E., Hara, T., Tsukamoto, M., and Nishio, S., 2001, Scheduling and caching
Strategies for correlated data in push-based information systems, ACM SIGAPP
Applied Computing Review 9(1), 22-28.