Algoritmos Gulosos

Algoritmos Gulosos
1 / 78
Algoritmos Gulosos
Eduardo Camponogara
Departamento de Automao e Sistemas ca Universidade Federal de Santa Catarina
14 de abril de 2010
Algoritmos Gulosos Sumrio a
2 / 78
Introduo ca Um problema de seleo de atividades ca Elementos dos algoritmos gulosos Cdigos Human o
Algoritmos Gulosos Introduo ca
3 / 78
Sumrio a
4 / 78
Introduo ca
Algoritmos Gulosos
Algoritmos para problemas de otimizao tipicamente ca executam uma seqncia de passos, com um conjunto de ue escolhas a cada passo. Um Algoritmo Guloso sempre escolhe a melhor opo para o ca momento. Ele faz uma escolha tima local esperando que esta o leve a o uma soluo tima global. ca o
5 / 78
Introduo ca
Algoritmos Gulosos
Este cap tulo explora os problemas de otimizao que podem ser ca resolvidos por algoritmos gulosos:

Problema de seleo de atividades ca Compresso de dados (Human) a Matrides o Agendamento de tarefas de tempo unitrio com deadlines e a penalidades
6 / 78
Introduo ca
Algoritmos Gulosos
Outros exemplos:

Algoritmo para rvores de espalhamento m a nima Algoritmo de Dijkstra
Algoritmos Gulosos Um problema de seleo de atividades ca
7 / 78
Sumrio a
8 / 78
Um problema de seleo de atividades ca

Denio do problema ca
Dado o conjunto S = {a1 , a2 , . . . , an } de n atividades propostas que desejam utilizar um dado recurso, como uma sala de aula, que pode ser utilizada por apenas uma atividade por vez. Cada atividade ai possui:

instante de in si cio instante de trmino fi e tal que a condio a seguir satisfeita: 0 si < fi < ca e
9 / 78
Denio do problema ca
Caso selecionada, a atividade ai posiciona-se no intervalo semi-aberto [si , fi ). Atividades ai e aj so compat a veis se os intervalos [si , fi ) e [sj , fj ) no se sobrepem. a o
10 / 78
Problema
Selecione o conjunto tamanho-mximo de atividades mutuamente a compat veis.
11 / 78

Exemplo
i si fi
1 1 4
2 3 5
3 0 6
4 5 7
5 3 8
6 5 9
7 6 10
8 8 11
9 8 12
10 2 13
11 12 14
Para este exemplo, {a3 , a9 , a11 } so atividades mutuamente a compat veis. {a1 , a4 , a8 , a11 } so tambm compat a e veis, que o maior e conjunto de atividades mutuamente compat veis Outro conjunto mximo {a2 , a4 , a9 , a11 }. a e
Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o
12 / 78
Problema de seleo de atividades ca

Subestrutura tima o
Seja Sij = {ak S : fi sk < fk sj } o conjunto das atividades que podem iniciar aps a atividade ai terminar, e o antes de aj iniciar. De fato, Sij consiste de todas as atividades que so a compat veis com:
i) ai e aj ; ii) todas as atividades que terminam antes ou no momento de trmino de ai ; e iii) todas as atividades iniciam no momento ou aps o in de aj . o cio
13 / 78

Subestrutura tima o
Para representar o problema completo, adicionamos atividades ct cias a0 e an+1 e adotamos a conveno f0 = 0 e sn+1 = . ca Ento, S = S0,n+1 , e os limites para i e j so dados por 0 i, a a j n + 1. Assumiremos tambm que as atividades esto ordenadas em e a ordem monotnica crescente do instante de trmino o e f0 f1 f2 . . . fn fn+1
14 / 78
Proposio ca
Sij = com i j
Demonstrao ca
Suponha que ak Sij , ento a fi sk < fk sj < fj = fi < fj que uma contradio. e ca
15 / 78

Concluso a
Conclu mos que, assumindo que as atividades esto ordenadas a em ordem monotnica crescente do instante de trmino, o o e subproblema selecionar o conjunto tamanho-mximo de e a atividades mutuamente compat veis de Sij , para 0 i < j n + 1, sabendo que todos os outros Sij so vazios. a Considere o subproblema Sij no vazio, e suponha que a a soluo para Sij inclui alguma atividade ak , de forma que ca fi sk < fk sj .
16 / 78

Quebrando o problema
Usando a atividade ak , dois subproblemas so gerados: a
Sik : atividades que iniciam depois de ai e terminam antes que ak inicie, Skj : atividades que iniciam depois de ak e terminam antes que aj inicie.
Cada par (Sik , Skj ) consiste de subconjuntos das atividades em Sij . A soluo a unio das solues para Sik e Skj com a ca e a co atividade ak .
17 / 78
Estrutura tima do problema o
Se uma soluo tima Aij para Sij inclui a atividade ak , ento ca o a as solues Aik para Sik e Akj para Skj tambm devem ser co e timas. o Obtemos portanto uma soluo tima Aij fazendo: ca o Aij = Aik {ak } Akj
18 / 78

Soluo Recursiva ca
Seja c[i, j] o nmero de atividades em um conjunto u tamanho-mximo de atividades mutuamente compat a veis em Sij . Temos que c[i, j] = 0 sempre que Sij = ; em particular, c[i, j] = 0 para i j Recursivamente: c[i, j] = 0 maxi<k<j {c[i, k] + c[k, j] + 1} se Sij = se Sij =
19 / 78
Soluo Gulosa ca
Teorema
Considere qualquer subconjunto Sij no vazio, e seja am a a atividade em Sij com menor instante de trmino: e fm = min{fk : ak Sij } Ento: a 1) A atividade am usada em algum conjunto tamanho-mximo e a de atividades mutuamente compat veis em Sij . 2) O subconjunto Sim vazio, e a escolha de am faz com que e Smj seja o unico subproblema no vazio. a
Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca
20 / 78
Soluo Gulosa ca
Demonstrao ca

Primeiro, provaremos (2) antes porque mais simples. e Suponha Sim no vazio, de maneira que exista uma atividade a ak tal que fi ak < fk sm < fm Ento ak est tambm em Sij e possui um instante de trmino a a e e anterior a am , que contradiz com a escolha. Conclu mos ento que Sim vazio. a e
21 / 78
Soluo Gulosa ca
Demonstrao ca
Para provar a primeira parte, suponha que Aij um e subconjunto tamanho-mximo de atividades mutuamente a compat veis com Sij Ordene as atividades em Aij em ordem monotonicamente crescente de instante de trmino. e Seja ak a primeira atividade em Aij . Se ak = am , est conclu a do.
22 / 78
Soluo Gulosa ca
Demonstrao ca
Se ak = am , constru mos o subconjunto Aij = (Aij {ak }) {am }
a As atividades Aij so disjuntas, pois as atividades em Aij so a disjuntas, ak a primeria atividade em Aij a terminar, e e fm fk . Note que Aij possui o mesmo nmero de atividades que Aij , u e logo Aij um subconjunto tamanho-mximo de atividades a mutuamente compat veis para Sij que inclui am .
23 / 78

Por que este teorema to valioso? e a
Em nossa soluo em programao dinmica, dois ca ca a subconjuntos so usados na soluo tima, e existem j i + 1 a ca o escolhas para resolver Sij . O teorema reduz o nmero de decises signicativamente: u o apenas um subproblema utilizado na soluo tima (o outro e ca o subproblema garantidamente vazio) e Quando buscamos uma soluo para Sij , temos que considerar ca apenas uma escolha: aquela com instante de trmino mais e cedo em Sij .
24 / 78

Por que este teorema to valioso? e a
O teorema permite que resolvamos o problema de maneira top-down Para resolver o problema Sij :
Escolhemos a atividade am em Sij com o instante de concluso a mais cedo. Ento resolvemos Smj para obter Am,j . a Inclu mos ` soluo {am } o conjunto de atividades Amj a ca utilizadas na soluo tima para o subproblema Smj . ca o
Em outras palavras, Aij = {am } Amj
25 / 78

Comportamento Guloso
A atividade am que escolhemos quando resolvemos o subproblema sempre a de menor instante de trmino que e e pode ser legalmente agendada. A atividade escolhida portanto a escolha gulosa no sentido e que ela deixa tanto tempo quanto poss para que as vel atividades restantes sejam agendadas. Isto , uma escolha gulosa aquela que maximiza a e e quantidade de tempo restante no agendada. a
Algoritmos Gulosos Um problema de seleo de atividades ca Algoritmo
26 / 78
Um algoritmo guloso recursivo
Entrada do algoritmo:
a) vetores s e f b) ndices i e j do subproblema Sij a resolver
Retorna o conjunto tamanho-mximo de atividades a mutuamente compat veis em Sij . Assumimos que as atividades, de tamanho n, esto ordenadas a de maneira crescente pelo instante de trmino. e
27 / 78

Algoritmo recursivo
Recursive Activity Selector(s, f , i, j) m i +1 while m < j and sm < fi do m m + 1 if m < j then return {am } Recursive Activity Selector(s, f , m, j) else return
28 / 78
Algoritmo recursivo

Chamada: Recursive Activity Selector(s, f , 0, n + 1) Assumindo que as atividades j esto ordenadas pelo instante a a de trmino, o algoritmo executa em tempo (n). e
Algoritmos Gulosos Elementos dos algoritmos gulosos
29 / 78
Sumrio a
30 / 78
Elementos dos algoritmos gulosos
Elementos
Um algoritmo guloso obtm uma soluo tima para um e ca o problema fazendo uma seqncia de escolhas. ue Para cada ponto de deciso no algoritmo, a escolha que a parece ser a melhor para o momento feita. e Esta estratgia heur e stica nem sempre produz a soluo otima, ca mas como vimos no problema de seleo de atividades, ca algumas vezes sim.
31 / 78

Elementos
Para desenvolver um algoritmo guloso para o problema de seleo ca de atividades, seguimos os seguintes passos: 1) determinar a estrutura tima do problema, o 2) desenvolver uma soluo recursiva, ca 3) provar que em cada estgio da recurso, uma das escolhas a a timas a gulosa, o e 4) mostrar que todos menos um dos subproblemas induzidos por ter feito a escolha gulosa vazio, e
32 / 78
Elementos
Para desenvolver um algoritmo guloso para o problema de seleo ca de atividades, seguimos os seguintes passos: 5) desenvolver um algoritmo recursivo que implemente a estratgia gulosa, e 6) converter o algoritmo recursivo para iterativo.
33 / 78

Elementos
De maneira mais geral, desenvolvemos algoritmos gulosos de acordo com a seguinte seqncia de passos: ue 1) converta o problema de otimizao tal que ao fazermos uma ca escolha nos resta apenas um subproblema a resolver, 2) prove que existe sempre uma soluo tima para o problema ca o original que faz a escolha gulosa, ento ela sempre ser segura, a a 3) demonstre que, tendo feito a escolha gulosa, o que resta um e subproblema cuja soluo pode ser combinada ` escolha ca a gulosa de maneira a se chegar a uma soluo tima global. ca o
34 / 78
Observaes co
Como podemos dizer se um algoritmo guloso resolver um a problema de otimizao em particular? ca
No existe uma maneira geral, mas a propriedade a greedy-choice e a subestrutura tima so dois ingredientes o a chaves.
35 / 78
Propriedade greedy-choice
O primeiro elemento chave a propriedade greedy-choice: e
uma soluo tima global pode ser atingida fazendo escolhas ca o timas locais (gulosas). o Em outras palavras, quando consideramos qual escolha a fazer, fazemos a que parece melhor no momento, sem considerar os resultados dos subproblemas.
36 / 78
DP algoritmos gulosos
Em programao dinmica, fazemos uma escolha a cada ca a passo, mas a escolha usualmente depende da soluo dos ca subproblemas. Consequentemente, resolvemos problemas de programao ca dinmica de maneira bottom-up, progredindo de subproblemas a menores para maiores.
37 / 78
DP algoritmos gulosos
Em algoritmos gulosos, fazemos a escolha que parece ser melhor no momento e ento resolvemos o subproblema a Portanto, ao contrrio da programao dinmica, que resolve a ca a o problema de maneira bottom-up, a estratgia gulosa e usualmente progride de maneira top-down, fazendo uma escolha gulosa aps a outra, reduzindo cada instncia do o a problema em uma menor.
38 / 78

Subestrutura tima o
Um problema possui subestrutura otima se uma soluo ca tima do problema contm solues timas para os o e co o subproblemas Esta propriedade o ingrediente chave para a aplicao de e ca programao dinmica, assim como algoritmos gulosos. ca a Exemplo: Se uma soluo tima para o subproblema Sij ca o inclui uma atividade ak , ento ela deve conter solues timas a co o para os subproblemas Sik e Skj .
Algoritmos Gulosos Elementos dos algoritmos gulosos Problema da mochila
39 / 78

O problema da mochila
O problema 0 1 da mochila colocado como: e

um ladro roubando uma loja encontra n itens; a o i-simo item vale vi reais e pesa wi quilogramas. e vi e wi so inteiros. a desejamos carregar o mximo de valor poss a vel, mas podemos carregar no mximo w quilogramas na mochila para algum w a inteiro.
Problema
Quais itens devem ser levados?
Algoritmos Gulosos Elementos dos algoritmos gulosos Problema da mochila
40 / 78
O problema da mochila

O problema da mochila possui subestrutura tima. o Para o problema 0 1, considere que a carga mais valiosa a ser carregada pesa no mximo w quilogramas. a Se removermos o item j da mochila, o restante deve ser a carga mais valiosa que pese no mximo w wj que o ladro a a pode levar dos n 1 itens originais excluindo j.
Algoritmos Gulosos Cdigos Human o
41 / 78
Sumrio a
42 / 78
Cdigos Human o
Indroduo ca
Os cdigos tipo Human so amplamente usados, o a constituindo uma tcnica efetiva para compresso de dados. e a Ttais cdigos podem economizar de 20% a 90%, dependendo o das caracter sticas dos dados. O algoritmo guloso de Human utiliza uma tabela de frequncia das ocorrncias dos caracteres para construir um e e vetor timo que representa cada caracter com um conjunto de o bits.
43 / 78
Cdigos Human o
Exemplo
Suponha que temos um arquivo com 100.000 caracteres que desejamos comprimir. Os caracteres no arquivo ocorrem com freqncias dadas pela ue tabela: Freqncia ue Cdigo xo o Cdigo varivel o a a 45 000 0 b 13 001 101 c 12 010 100 d 16 011 111 e 9 100 1101 f 5 101 1100
44 / 78
Cdigos Human o
Exemplo
Se utilizarmos uma codicao de tamanho xo, precisaremos ca de 3 bits para representar 6 caracteres. Este mtodo requer 300.000 bits para codicar o arquivo. e A codicao de tamanho varivel consideravelmente melhor ca a e que a de tamanho xo, designando aos caracteres frequentes cdigos curtos, e longos aos infrequentes. o
45 / 78
Cdigos Human o
Exemplo
Para a codicao de tamanho varivel da tabela, o cdigo requer ca a o (45 1 + 13 3 + 12 3 + 16 3 + 9 4 + 5 4) 1000 = = 224.000 bits Uma economia de aproximadamente 25%. De fato, esta uma e codicao tima. ca o
46 / 78
Cdigos Human o
Prex Code

Consideramos cdigos onde nenhum cdigo prexo de outro. o o e Estes cdigos so chamados de prex codes o a E poss demostrar que a compresso de dados tima de vel a o uma codicao pode sempre ser gerada por prex codes, ca ento no existe perda de generalidade em se restringir a a a ateno aos prex codes. ca
47 / 78
Cdigos Human o
Prex Code
Codicar simples: basta concatenar os cdigos que e o representam cada caracter. abc [0|101|100] 0101100
48 / 78
Cdigos Human o
Prex Code
Cdigos prexo so desejveis porque eles simplicam a o a a codicao. ca Uma vez que nenhum cdigo prexo de outro, o cdigo que o e o inicia um arquivo codicado unico. e Decodicamos o primeiro cdigo, e repetimos o processo at o o e nal do arquivo.
49 / 78
Cdigos Human o
Decodicao ca
O processo de decodicao necessita de uma representao ca ca conveniente para decodicao, de maneira que o cdigo ca o inicial possa ser facilmente extra do. Uma rvore binria, em que as folhas representam os a a caracteres nos d uma representao adequada. a ca Interpretamos o cdigo de um caracter como o caminho da o raiz ao caracter, onde 0 signica ir para o lho ` esquerda, e a 1 ir para o lho ` direita. a
50 / 78
Cdigos Human o
Arvore de tamanho xo
100 0 86 0 58 0 a : 45 1 b : 13 0 c : 12 1 28 1 d : 16 0 e:9 14 1 f :5 0 1 14
51 / 78
Cdigos Human o
Arvore de tamanho varivel a
100 0 a : 45 0 25 0 c : 12 1 b : 13 0 f :5 0 14 1 e:9 1 55 1 30 1 d : 16
52 / 78
Cdigos Human o
Observaes co
Uma codicao tima para um arquivo sempre ca o e representada por uma rvore binria completa, em que cada a a n que no uma folha possui dois lhos. o a e A codicao de tamanho xo do nosso exemplo no tima ca a eo uma vez que sua rvore no completa. a a e Restringindo nossa ateno `s rvores completas, podemos ca a a dizer que se C o alfabeto em que os caracteres so extra e a dos, a rvore tima de codicao tem exatamente |C | folhas, uma a o ca para cada letra do alfabeto, e exatamente |C | 1 ns internos. o
53 / 78
Cdigos Human o
Seja T uma rvore cdigo-prexo. a o Para cada caracter c do alfabeto C , seja f (c) uma funo que ca denota a freqncia de c no arquivo. ue Seja dT (c) a profundidade de c na rvore T . a Note que dT (c) tambm o comprimento do cdigo para c. e e o Portanto, o nmero de bits necessrios para codicar o u a arquivo : e f (c)dT (c) B(T ) =
cC
que denido como o custo da rvore T . e a
54 / 78
Cdigos Human o
Construindo o Human code
Human inventou um algoritmo guloso que constri uma o rvore de prexos tima chamada de Human tree. a o O algoritmo constri a rvore T correspondente ao cdigo o a o timo de maneira bottom-up. o Inicia com um conjunto de |C | folhas e executa uma seqncia ue de |C | 1 operaes de unio/intercalao (merge) para criar co a ca a rvore nal. a
55 / 78
Cdigos Human o
Construindo o Human code
No pseudocdigo assumimos que C um conjunto de n o e caracteres e que cada caracter c C um objeto com uma e freqncia denida f [c]. ue Uma la de prioridades Q, indexada por f , utilizada para e identicar os dois objetos de menor freqncia a serem ue intercalados. O resultado desta unio um novo objeto, cuja freqncia a a e ue e soma das freqncias dos outros dois. ue
56 / 78
Cdigos Human o
Algoritmo
Human(C ) n |C | QC for i 1 to n 1 do z Allocate Node() x left[z] Extract Min(Q) y right[z] Extract Min(Q) f [z] f [x] + f [y ] Insert(Q, z) return Extract Min(Q)
57 / 78
Cdigos Human o
Exemplo
f :5 e:9 c : 12 b : 13 d : 16 a : 45
58 / 78
Cdigos Human o
Exemplo
c : 12 b : 13 0 14 1 d : 16 a : 45
f :5
e:9
59 / 78
Cdigos Human o
Exemplo
14 0 1 d : 16 0 25 1 a : 45
f :5
e:9
c : 12
b : 13
60 / 78
Cdigos Human o
Exemplo
25 0 1 0 14 0 1 30 1 a : 45
c : 12
b : 13
d : 16
f :5
e:9
61 / 78
Cdigos Human o
Exemplo
a : 45 0 55 1
25 0 1 0 14 0
30 1
c : 12
b : 13
d : 16 1
f :5
e:9
62 / 78
Cdigos Human o
Exemplo
100 0 a : 45 0 25 0 c : 12 1 b : 13 0 f :5 0 14 1 e:9 1 55 1 30 1 d : 16
63 / 78
Cdigos Human o
Anlise a

Construir Heap O(n) (n 1) iteraes, cada uma com 3O(lg n) co Portanto, o algoritmo executa em tempo O(n lg n)
64 / 78
Corretude do Algoritmo
Lema 2
Seja C um alfabeto onde cada caracter c C possui freqncia f [c]. ue Sejam x e y dois caracteres em C de menor freqncia. ue Ento existe um cdigo de prexo timo para C tal que os a o o cdigos para x e y tm o mesmo comprimento e diferem o e apenas no ultimo bit.
65 / 78
Demonstrao ca
A idia da prova pegar uma rvore T que representa um e e a cdigo prexo timo arbitrrio. o o a Modicar T e obter outra rvore tima, T , onde os caracteres a o x e y apaream como folhas irms de profundidade mxima. c a a Se conseguirmos, ento seus cdigos tero o mesmo a o a comprimento e sero diferentes apenas no ultimo bit. a
66 / 78
Demonstrao ca
Sejam b e c dois caracteres que so folhas irms de a a profundidade mxima em T . a Sem perda de generalidade, assumimos que f [b] f [c] e f [x] f [y ]. Uma vez que f [x] e f [y ] so as folhas de menor freqncia, a ue em ordem, e f [b] e f [c] so duas freqncias arbitrrias, nesta a ue a ordem, temos que, f [x] f [b] e f [y ] f [c].
67 / 78
Demonstrao ca
T T T
x y b c y x c
b c x y
trocamos x por b para produzir T , e y por c para T .
68 / 78
Corritude do Algoritmo
Demonstrao ca
1 = B(T ) B(T ) =
cC
f (c)dT (c)
cC
f (c)dT (c)
= f [x]dT (x) + f [b]dT (b) f [x]dT (x) f [b]dT (b) = = = = f [x]dT (x) f [b]dT (b) + f [b]dT (b) f [x]dT (x) f [x]dT (x) f [b]dT (x) + f [b]dT (b) f [x]dT (b) f [x] f [b] dT (x) + f [b] f [x] dT (b) f [b] f [x] dT (b) dT (x)
69 / 78
Demonstrao ca
A diferena dos custos entre B(T ) e B(T ) foi calculada c como 1 . Similarmente, como a troca de y por c no aumenta o custo, a ) B(T ) no negativo. 2 = B(T e a Portanto, B(T ) B(T ) B(T ), e como T timo, eo B(T ) B(T ), que impica B(T ) = B(T ). Portanto, T uma rvore tima em que x e y aparecem e a o como folhas irms de profundidade mxima, provando o lema. a a
70 / 78
Observaes co
O Lema 2 nos diz que a construo de uma rvore tima com ca a o unies pode, sem perda de generalidade, comear com uma escolha o c gulosa para unir os caracteres de menor freqncia. ue
71 / 78
Corretude do Algortimo
Lema 3
Seja T uma rvore binria completa que representa um cdigo a a o sobre um alfabeto C , onde a freqncia f [c] denida para ue e cada caracter c C . Considere quaisquer dois caracteres x e y que so folhas irms a a de T e seja z o pai. Ento, considerando z como um caracter com freqncia a ue f [z] = f [x] + f [y ], a rvore T = T {x, y } representa um a cdigo prexo timo para C = (C {x, y }) {z}. o o
72 / 78
Demonstrao ca
Primeiro mostraremos que o custo B(T ) da rvore T pode ser a expresso em termos do custo B(T ) da rvore T considerando os a custos que compem a equao: o ca B(T ) =
cC
f (c)dT (c)
73 / 78
Demonstrao ca
Para cada c C {x, y }, temos dT (c) = dT (c) Logo, f [c]dT (c) = f [c]dT (c)
74 / 78
Demonstrao ca
Uma vez que dT (x) = dT (y ) = dT (z) + 1, temos f [x]dT (x) + f [y ]dT (y ) = (f [x] + f [y ])(dT (z) + 1) = f [z]dT (z) + (f [x] + f [y ]) Assim conclu mos que: B(T ) = B(T ) + f [x] + f [y ]
75 / 78
Demonstrao ca
Se T representa um cdigo prexo no timo para o alfabeto o a o , ento existe uma arvore T cujas folhas so caracteres em C a a C de maneira que B(T ) < B(T ). Uma vez que z tratado como um caracter em C , z aparece e como uma folha em T .
76 / 78
Demonstrao ca
Se adicionarmos x e y como lhos de z em T , ento a obtemos o cdigo prexo para C com custo o B(T ) + f [x] + f [y ] < = B(T ) + f [x] + f [y ] = B(T ) B(T ) + f [x] + f [y ] < B(T )
contradizendo a otimalidade de T .
Portanto, T deve ser timo para o alfabeto C . o
77 / 78
Teorema
O procedimento de Human produz um cdigo prexo timo. o o
78 / 78
Algoritmo Gulosos
Fim! Obrigado pela presena c

Algoritmos Gulosos

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Algoritmos Gulosos

Hochgeladen von

Copyright:

Verfügbare Formate

Algoritmos Gulosos

Algoritmos Gulosos Sumrio a

Algoritmos Gulosos Introduo ca

Algoritmos Gulosos Introduo ca

Algoritmos Gulosos Introduo ca

Algoritmos Gulosos Introduo ca

Algoritmo para rvores de espalhamento m a nima Algoritmo de Dijkstra

Algoritmos Gulosos Um problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca

Um problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca

Um problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca

Um problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca

Um problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Usando a atividade ak , dois subproblemas so gerados: a

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Estrutura tima do problema o

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Estrutura sub-tima o

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Se ak = am , constru mos o subconjunto Aij = (Aij {ak }) {am }

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Problema de seleo de atividades ca

Em outras palavras, Aij = {am } Amj

Algoritmos Gulosos Um problema de seleo de atividades ca Soluo gulosa ca

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Algoritmo

Problema de seleo de atividades ca

Um algoritmo guloso recursivo

Algoritmos Gulosos Um problema de seleo de atividades ca Algoritmo

Problema de seleo de atividades ca

Algoritmos Gulosos Um problema de seleo de atividades ca Algoritmo

Problema de seleo de atividades ca

Algoritmos Gulosos Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos

Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos

Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos

Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos

Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos

Elementos dos algoritmos gulosos

Algoritmos Gulosos Elementos dos algoritmos gulosos