Projeto de Pesquisa

rvore Geradora de Custo

Problema da a

Mnimo com k Folhas

PROPONENTE: Yuri Abitbol de Menezes Frota

MATRICULA UFF: 01556522

ALUNO: Rodrigo Tavares Veloso

MATRICULA UFF: 114040062

Instituto de Computacao da Universidade Federal Fluminense

Grande area: Exatas e da Terra.

Area de conhecimento no CNPq: (1.03.00.00-7) Ciencia da Computacao

Palavras chaves: Pesquisa operacional, otimizacao, modelagem matematica,

relaxacao lagrangeana

Rio de Janeiro, 19 de agosto de 2015

Resumo
Dado um grafo, n
ao-direcionado sem pesos nos vertices e com peso

nas arestas, o Problema da Arvore

Geradora de Custo Mnimo com
k Folhas (PAGMKF) se resume em encontrar uma arvore geradora
de custo mnimo em G com n
umero de folhas igual a constante positiva e inteira k. O PAGMKF e um problema interessante tanto para
prop
ositos te
oricos, por ser NP-difcil, quanto para praticos por modelar problemas como design de circuitos e redes. O objetivo principal
do projeto e o desenvolvimento e implementacao de um algoritmo
heurstico que gere soluc
oes em tempo polinomial e aceitavelmente
pr
oximas da soluc
ao
otima para o PAGMKF.

Introduc
ao

Muitos problemas das areas de engenharia e computacao sao de otimizacao combinatoria. Devido ao grande n
umero de problemas praticos,
essa area tem se desenvolvido rapidamente.
Dado um grafo com peso nas arestas e nao direcional com n
umero de
vertices igual a n, uma arvore geradora T de G e um subgrafo de G que

conecta todos os vertices de G e nao contem ciclos, uma Arvore

Geradora
Mnima (AGM) e uma arvore geradora com peso total mnimo.
Prim [14] e Kruskal [12] desenvolveram algoritmos que acham AGMs em
tempo polinomial, mas quando existem restricoes adicionais ao problema de
AGM tais algoritmos provavelmente nao constroem a solucao otima. Alem
disso, esses problemas normalmente pertencem a classe de problemas NPdifceis. Exemplos dessas restricoes sao limite superior no grau dos vertices
de T [9], limite superior no diametro da arvore [2], entre outros.
Uma folha e um vertice de grau 1, ou seja, a arvore conecta a folha a`
exatamente um outro vertice. Encontrar arvores geradoras mnimas com
restricoes no n
umero de folhas AGMRF foi provado ser NP-difcil por Deo e
Mickevicius [6]. Isso e facilmente verificado ja que no caso em que k = 2 o
problema e equivalente a encontrar o caminho hamiltoniano de menor custo
no grafo.
1

Levando isso em consideracao, e razoavel utilizar algoritmos heursticos

capazes de encontrar arvores geradoras com k folhas em um tempo aceitavel
e com solucao de boa qualidade.
Na literatura o primeiro trabalho sobre o PAGMKF que encontramos foi
o Fernandes e Gouveia [7] que discutiram aplicacoes praticas do PAGMKF
e apresentaram uma heurstica de duas fases e um modelo matematico. A
heurstica primeiro obtem uma arvore geradora com foco em diminuir o seu
custo e com n
umero de folhas igual ou maior a` k, se a arvore gerada possuir
n
umero de folhas igual a k,o algoritmo para. Caso contrario e iniciada uma
busca local, a segunda fase, afim de diminuir o n
umero de folhas atraves
de possveis trocas de arestas. Deo e Mickevicius [6] desenvolveram uma
heurstica gulosa semelhante com complexidade O(n4 ). Julstrom [10] introduziu uma nova heurstica gulosa. Essa heurstica tambem inicia com uma
arvore geradora mnima. Em seguida e feito um processo para diminuir o
conjunto de vertices internos e com isso acrescentando folhas na solucao. A
complexidade da heurstica tambem e de O(n4 ).
Julstrom [11] propos a utilizacao de dois algoritmos geneticos para o problema. Singh e Baghel [1] apresentaram duas abordagens meta-heurstica,
uma baseada no algoritmo colonia de formigas e outro baseado na busca
tabu, esses obtiveram resultados superiores ao ML. Posteriormente Singh
[16] propos uma nova meta-heurstica baseada no algoritmo colonia de formigas, esse se mostrou tao eficiente quanto as outras heursticas. Gouveia
e Telhada [8] apresentaram novas formulacoes e um algoritmo exato para o
Problema.
A seguir iremos apresentar os objetivos, as justificativas, e a metodologia
para o desenvolvimento de uma solucao aproximada para o PAGMKF.

Objetivo

O objetivo principal do projeto e o desenvolvimento e implementacao

de uma heurstica que gere solucoes em tempo polinomial e com alguma
qualidade, ou seja, proxima o suficiente da solucao otima para o PAGMKF.
Temos como proposta inicial uma heurstica de duas fases, a primeira
2

que utiliza o algoritmo Prim para gerar uma AGM. Na segunda etapa uma
adaptacao do busca local apresentada por Julstrom [10] sera desenvolvida.
Dessa forma esperamos obter resultados melhores que os das heursticas existentes.
Depois dessa heurstica inicial, desejamos incorporar essa heurstica num
layout de relaxacao lagrangeana [13, 5, 15, 3]. Dessa forma teremos conhecimentos duais guiando a nossa heurstica.
Finalmente, pensamos utilizar a heurstica para gerar limites superiores
em algoritmos exatos.

Justificativa

O PAGMKF tem grande interesse teorico por ser da classe NP-difcil. O

PAGMKF e uma generalizacao do problema da arvore geradora mnima, e
equivalente a achar o caminho hamiltoniano em um grafo no caso k=2 e e
uma extensao do problemas das p-medianas onde as medianas tambem estao
conectadas entre s [4].
Alem de toda a motivacao teorica esse problema possu aplicacoes praticas
de elevada importancia em design de rede de telecomunicacao, onde queremos
projetar uma rede com o menor custo possvel e os equipamentos representados por vertices folhas possuem um custo menor. Os vertices intermediarios
normalmente possuem software e hardware mais caros, ja que sao responsavel
pela transmissao de dados. Alem do custo, em algumas redes o consumo de
energia tambem e levado em consideracao. Normalmente os vertices nao folhas gastam mais energia. Para mais detalhes ver [7]. Outras aplicacoes do
PAGMKF sao design de terminais, design de circuitos, localizacao de facilidades, entre outros [11].

Metodologia

Nesta secao iniciamos com a descricao formal do problema e de um modelo

matematico.

4.1

Problema da Problema da
arvore Geradora de Custo
Mnimo com k Folhas

Dado o grafo G = (V, E), onde V e o conjunto de vertices e E e o conjunto

de arestas, e um n
umero inteiro k (2 k n). Considere n = |V | como o
n
umero de vertices e m = |E| o n
umero de arestas do grafo G. O custo ce e
associado a aresta e E. Uma arvore geradora T de G e um subgrafo de G
que conecta todos os vertices de G e nao contem ciclos, ou seja, T = (V 0 , E 0 )
com V 0 = V e E 0 E.
Para obter solucoes rapidas e de qualidade primeiramente iremos desenvolver e implementar uma heurstica de duas fases. A primeira fase inicia o
algoritmo proposto por Prim [14], para encontrarmos uma AGM que utilizaremos como solucao inicial. Se a arvore encontrada possuir k folhas, essa
solucao atende as restricao no n
umero de folhas e paramos. Caso contrario,
seja l o n
umero de folhas da arvore gerada, inicia um algoritmo de busca local.
A ideia da busca local e a cada iteracao aproximarmos l de k fazendo com
que o conjunto de vertices internos a arvore (nao folhas) aumente ou diminua
de acordo com a necessidade. O algoritmo proposto por Julstrom [10], no
qual nos baseamos, apenas se preocupou em diminuir o conjunto de vertices
nao folha, aumentando l. Por isso adaptaremos esse algoritmo para tambem
ser capaz de aumentar o conjunto de vertices nao folha e com isso diminuir
l.
No modelo que iremos utilizar iremos direcionar o grafo G criando o
digrafo D = (V, A), onde A = {(i, j) e (j, i) | [i, j] E}. Alem disso,
escolhemos um vertice qualquer r V para ser a raiz da arborescencia. As
variaveis xij , (i, j) A, representam os arcos que formam a arvore e as
variaveis yi , i V indicam os vertices folhas. Seja S um subconjunto de
vertices, definimos (S) = {(i, j) : (i, j) A, i
/ S e j S}. O modelo
proposto para o PAGMKF e descrito a seguir:

s.a

P
min
(i,j)A cij xij
X
xji = 1,
(j,i)A

(1)
i V \ {r}

(2)

xij 1,

S V : r
/S

(3)

(i, j) A : i 6= r

(4)

(i,j) (S)

xij + yi 1,
X
yi = k,

(5)

iV

xij + (|(i)| 1)yi |(i)| 1, i V \ {r}

(6)

(i,j) + (i)

xrj + (|(r)| 1)yr |(r)|,

(7)

(r,j) + (r)

xrj 2 yr ,

(8)

(r,j) + (r)

xij 1 yi ,

i V \ {r}

(9)

(i,j) + (i)

(i, r) A

(10)

xij {0, 1},

(i, j) A : j 6= r

(11)

yi {0, 1},

i V.

(12)

xir = 0,

As restricoes (2) garantem que chega um u

nico arco em um vertice sem
ser a raiz. As restricoes (3) sao as restricoes de corte direcionado. As restricoes (4) garantem que o arcos (i, j) nao pode estar na solucao se o vertice
i for folha.A restricao (5) garante o n
umero de folhas na solucao e igual a
k. As restricoes (6) e (7) , assim como as restricoes (4), asseguram que se
um vertice i e folha nao sai nenhum arco dele, com excecao do vertice raiz
que sai um arco quando for folha. Finalmente as restricoes (8) e (9) forcam
a sada de um (dois no caso da raiz) arco de um vertice no caso de nao ser
folha.
Para resolver o modelo, utilizaremos inicialmente um algoritmo baseado
em relaxacao lagrangeana. A ideia principal desse tecnica e usar as estruturas do problema para obter limites de forma rapida e de boa qualidade.
Isso e feito ignorando certar restricoes e com isso obtendo um novo problema relaxado que normalmente e mais facil de resolver. Entretanto, as
restricoes ignoradas nao sao totalmente eliminadas do problema e sim levadas para a funcao objetivo onde uma solucao e penalizada se nao respeitar

essas restricoes. Para mais informacoes, ver [17]. Essa relaxacao podera ser
adicionada num algoritmo do tipo branch-and-bound (BB) para obter um
algoritmo exato para o problema.
O BB e uma enumeracao inteligente do problema, onde a cada iteracao
do algoritmo sao gerados limites superiores e inferiores, para tentar eliminar
regioes de busca. Para mais informacoes, ver [17].

Plano de trabalho

Pela descricao da metodologia podemos construir um cronograma de

nosso projeto dividindo o ano em bimestres. Apresentamos a seguir a tabela 1 com o cronograma e as divisoes das atividades durante o ano.
Atividade Bimestre
a
b
c
d
e

1o

2o

3o

4o

5o

6o

Tabela 1: Cronograma de atividades

Legenda Tarefas da tabela 1
(a) Estudo inicial do problema: levantamento bibliogr
afico e de dados (inst
ancias);
(b) implementac
ao da heurstica;
(c) Aperfeicoamento da heurstica, testes e estudo de novas abortagens (se necess
ario)
(d) Analise dos resultados
(e) Relat
orios

Refer
encias
[1] A. B. A. Singh. New metaheuristic approaches for the leaf-constrained
minimum spanning tree problem. Asia-Pacific Journal of Operational
Research, 25:575589, 2008.
[2] C. P. Achuthan N.R., Caccetta L. and G. J.F. Computational methods
for the diameter restricted minimum weight spanning tree problem. Australasian J. Combinat., 10:5171, 1994.
[3] R. Andrade, A. Lucena, and N. Maculan. Using lagrangian dual information to generate degree constrained spanning trees. Discrete Applied
Mathematics, 154(5):703 717, 2006. {IV} ALIO/EURO Workshop on
Applied Combinatorial Optimization {IV} ALIO/EURO Workshop on
Applied Combinatorial Optimization.
[4] R. W. C.J. Hoelting, D.A. Schoenefeld. Approximation techniques for
variations of the p-median problem. Proceedings of the 1995 ACM Symposium on Applied Computing, pages 293299, 1995.
[5] A. S. da Cunha and A. Lucena. Lower and upper bounds for the degreeconstrained minimum spanning tree problem. Networks, 50(1):5566,
2007.

[6] N. Deo and P. Micikevicius. A heuristic for the leaf-constrained minimum spanning tree problem. Congressus Numerantium, 141:6172,
1999.
[7] L. Fernandes and L. Gouveia. Minimal spanning trees with a constraint
on the number of leaves. European Journal of Operational Research,
104:250261, 1998.
[8] L. Gouveia and J.Telhada. Reformulation by intersection method on the
mst problem with lower bound on the number of leaves. 5th International
Conference, INOC 2011, Hamburg, Germany, 104:8391, 2011.
[9] K. J. and C. D. A new evolutionary approach to the degree constrained
minimum spanning tree problem. IEEE Trans. Evolut. Comput., 4:125
134, 2000.
[10] B. Julstrom. Better greedy heuristics for the leaf-constrained minimum
spanning tree problem in complete graphs. Communicated to Discrete
Applied Mathematics, 2004.
[11] B. Julstrom. Codings and operators in two genetic algorithms for the
leafconstrained minimum spanning tree problem. International Journal
of Applied Mathematics and Computer Science, 14:385396, 2004.

[12] J. Kruskal. On the shortest spanning subtree of a graph and the traveling
salesman problem. Proceedings of the American Mathematical Society,
7:4850, 1956.
[13] A. Lucena. Non delayed relax-and-cut algorithms. Annals of Operations
Research, 140(1):375410, 2005.
[14] R. Prim. Shortest connection networks and some generalizations. Bell
System Technological Journal, 36:13891401, 1957.
[15] F. P. Quintao, A. S. da Cunha, G. R. Mateus, and A. Lucena. The
-cardinality tree problem: Reformulations and lagrangian relaxation.
Discrete Applied Mathematics, 158(12):1305 1314, 2010. Traces from
LAGOS07 {IV} Latin American Algorithms, Graphs, and Optimization
Symposium Puerto Varas - 2007.
[16] A. Singh. An artificial bee colony algorithm for the leaf-constrained
minimum spanning tree problem. Applied Soft Computing, 9:625631,
2009.
[17] L. A. Wolsey. Integer Programming. Wiley & Sons, New York, 1998.

10