La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Lagrange Relaxation. Limiti Inferiori (Lower Bounds) Avere un Lower-Bound alla lunghezza del cammino minimo da una garanzia della qualità della soluzione.

Presentazioni simili


Presentazione sul tema: "Lagrange Relaxation. Limiti Inferiori (Lower Bounds) Avere un Lower-Bound alla lunghezza del cammino minimo da una garanzia della qualità della soluzione."— Transcript della presentazione:

1 Lagrange Relaxation

2 Limiti Inferiori (Lower Bounds) Avere un Lower-Bound alla lunghezza del cammino minimo da una garanzia della qualità della soluzione trovata. Tali limiti inferiori (Lower Bounds) in generale vengono ottenuti risolvendo rilassamenti del problema originale, nel senso che si ottimizza su di un insieme contenente tutte le soluzioni accettabili Differenti tecniche di rilassamento producono differenti soluzioni. N.B. Se il limite inferiore che troviamo è anche un tour valido, abbiamo trovato la soluzione ottima al problema del TSP

3 Idea di Base Selezioniamo un nodo a caso dall’insieme delle città (ad es. il nodo 1), allora un tour consiste di uno speciale spanning tree (albero di copertura) sui rimanenti N-1 nodi più i due archi che connettono il nodo 1 al suo albero di copertura. 1 MST Sui restanti N-1 nodi Connettiamo Il nodo1 all’MST MST

4 Rilassamento della Soluzione Iniziale A questo punto otteniamo un rilassamento del TSP se prendiamo come soluzioni accettabili degli alberi di copertura arbitrari sull’insieme di nodi {2, …, N} più due archi addizionali incidenti il nodo 1.

5 Rilassamento della Soluzione Iniziale Tale grafo contiene precisamente un circolo ed è chiamato 1-tree. Per ottenere l’ 1-tree ottimo, calcoliamo l’MST sull’insieme di nodi {2, …, N} che può essere fatto in tempo polinomiale, ad es. con l’algoritmo di Kruskal. Il limite inferiore ottenuto mediante questo rilassamento (rilassamento 1- tree) è abbastanza povero. Vediamo come fare a migliorarlo…

6 Gestione dei Pesi Per migliorare il bound bisogna modificare i pesi in modo tale che i nodi con grado d_i = 2 siano piu’ attraenti degli altri. Grado troppo alto OK! Grado troppo basso

7 Gestione dei Pesi Il nostro scopo dunque e’ trovare un modo in cui modificare i pesi (i.e.: le distanze), in modo tale che nell’MST vengano preferiti i nodi di grado 2. In seguito calcoleremo un nuovo albero di copertura (MST) relativo alle modifiche che abbiamo effettuato sui pesi.

8 Gestione dei Pesi Molto probabilmente la sua lunghezza sara’ maggiore, dando in tal modo un lower bound piu’ stretto (e quindi piu’ vicino) alla soluzione del problema TSP.

9 Gestione dei Pesi TEORICAMENTE: La procedura di aggiornamento dei pesi, ricalcolo dell’algoritmo di kruskal viene iterata fino a che la lunghezza dell’albero trovato non cresce piu’ in maniera significativa, o fino a che non troviamo un albero con tutti i nodi di grado 2 (i.e.: soluzione ottima). OPERATIVAMENTE: reiteriamo la coppia di operazioni Calcolo del MST Aggiornamento dei parametri M volte, dove M è il numero di città che fanno parte dell’istanza del TSP

10 L’Algoritmo fino a qui.... For i 1: M 1. Calcola MST del grafo delle città (2... M ) – ovvero su tutte tranne la prima. 2. Aggiungi la prima città collegandola all’MST attreverso i due archi di peso minore. 3. Ricalcola i pesi relativi agli archi in modo da favorire i nodi che nell’MST hanno solo due collegamenti.(vedremo in seguito) La lunghezza del MST finale è il lower bound che cerchiamo.

11 Gestione Pesi Oss.: in un tour esattamente 2 archi sono incidenti ad un nodo, i.e: tutti i nodi hanno un grado d_i = 2. Se associamo ad ogni nodo i un peso p[i] ed aggiorniamo i pesi degli archi, in modo che D[i][j] = D[i][j] + P[i] + P[j], allora la lunghezza di ogni cammino cresce di 2*somma di tutti i p_i.

12 Come scegliere i pesi Oss.: I pesi vanno aggiunti ai nodi ! P[i] deve essere 0 quando il grado del nodo è 2, deve invece valere K != 0 quando il grado del nodo è diverso da 2. Prima soluzione: P[i] = K *(deg[i] - 2 ) Vogliamo però tenere traccia del passato. Seconda soluzione: P[i] = P[i] + K *(deg[i] - 2 )

13 Scelta della costante K Ora il problema è scegliere K. Vogliamo qualcosa di più caratterizzante rispetto ad una costante. K deve tenere conto di: 1. Iterazione corrente (1..M) 2. Relazione fra lunghezza del MST corrente e lunghezza prevista del tour 3. Percentuale di nodi “buoni” (ovv. di grado 2) nel MST corrente.

14 Iterazione corrente Tener conto dell’iterazione corrente, vuol dire, nello specifico, che vogliamo che K decresca mano a mano che procediamo nell’iterazione dell’algoritmo. Pertanto vi sarà nell’espressione di k un parametro decrescentecalcolato come segue: lambda[m] 2*(M-m)/(M-1) Iterazione corrente.Numero delle città. 0 < l b 2 m

15 Relazione fra MST e Tour finale previsto Dobbiamo essere in grado di predire la lunghezza finale del tour. In che modo? Mediante una statistica. Mandiamo in esecuzione sqrt(M) volte 2-opt, partendo ogni volta da una città differente, e calcolandone la lunghezza. La media di questi valori costituisce una sovrastima della lunghezza finale del percorso che indicheremo con U.

16 Nodi di grado 2 nel MST corrente Vogliamo ovviamente tenere conto di quale è il rapporto fra i nodi di grado 2 e gli altri, pertanto calcoliamo la somma dei quadrati di (deg[i]-2) e la poniamo come parametro di influenza per lambda.

17 Criterio per l’aggiornamento dei pesi Aggiornamento pesi: Calcolo dell’incremento ad ogni passo: Incremento ad ogni passo. Grado del nodo nell’MST Peso all’iterazione m+1 Peso complessivo del cammino all’iterazione m Parametro empirico Grado del nodo nell’MST Stima della lunghezza del cammino.

18 Riepilogo dei parametri In particolare ad ogni passo di aggiornamento dei parametri dovremo calcolare due vettori e due valori: 1. Il vettore deg in cui calcoliamo il grado di ogni nodo in relazione al MST corrente 2. Il parametro lambda relativo all’iterazione corrente. 3. Il parametro t relativo all’iterazione corrente. 4. Il vettore P dei pesi dei nodi.

19 Soluzione Iniziale

20 Algoritmo in corso

21 Risultato Finale

22 Lagrange Relaxation: Riduzione del numero di archi

23 Obbiettivo Problema: calcolare un lower bound alla lunghezza del tour ottimo. Tecnica adottata: Lagrange relaxation. Limiti della tecnica: computazionalmente pesante su grafi dotati di un alto numero di collegamenti. Nuovo Obbiettivo: riduzione del numero degli archi nel grafo di partenza. Nuovo Problema: identificazione degli archi da rimuovere.

24 Riduzione del numero di archi Il punto cruciale dal punto di vista della complessità computazionale riguarda il fatto che l’elaborazione avviene su un grafo completo, dotato quindi di nxn archi. Intuitivamente gli archi che uniscono città lontane fra loro non dovrebbero essere candidate ad entrare a far parte del tour. Vogliamo trovare un modo intelligente per diminuire il numero degli archi da prendere in considerazione.

25 Riduzione del numero di archi Idea: fissiamo una soglia S << n che limiti il numero di collegamenti per ogni nodo. Possiamo fissare ad esempio: S = (n + log n)/2 (un valore cioè fra la radice e il logaritmo). Chi sono i “vicini” di ogni nodo? 1/2 2

26 Riduzione del numero di archi Per ogni nodo scegliamo di collegarlo agli S nodi più vicini nel senso della distanza. Per ogni nodo, cioè, scegliamo di preservare gli S archi di peso (distanza) minore. Operativamente ordiniamo ogni riga della matrice delle distanze e scegliamo gli S di peso minore. Tale approccio può dare origine a due problemi.

27 Riduzione del numero di archi Problema 1: Alcuni degli archi che non prendiamo in considerazione potrebbero far parte effettivamente del tour. Problema 2: Il grafo risultante dalla sottrazione degli archi potrebbe non essere connesso (e dunque non sarebbe possibile calcolare MST).

28 Riduzione del numero di archi In un grafo completo di 10 nodi abbiamo = 45 archi. Molti archi non saranno mai candidati ad entrare a far parte del tour.

29 Riduzione del numero di archi Riducendo il numero di archi in modo che ogni nodo sia collegato ai suoi S = 2.73 ( i.e. 3) vicini, abbiamo solamente 18 collegamenti.

30 Riduzione del numero di archi Se nel grafo iniziale il nodo centrale non fosse stato presente, effettuando la riduzione ci saremmo trovati con un grafo formato da due componenti.

31 Nearness Vogliamo catturare il concetto di vicinanza subordinata alla struttura del grafo. Vogliamo cioè introdurre una misura di vicinanza (nearness) che rifletta la probabilità di un dato arco di appartenere al tour finale.

32 1-Tree Ricorriamo nuovamente agli 1-tree. Statisticamente si è osservato che un tour ottimo contiene il 70%/80% di archi di un 1-tree. Dunque gli 1-tree sembrano prestarsi bene come misura euristica della “nearness”.

33 1-tree La “vicinanza” (nearness) nell’ entrare a far parte del 1-tree è più alta per l’arco 1, che per l’arco 2. Città iniziale Arco 1 Arco 2

34 Nearness Gli archi cioè che appartengono (o sono “vicini” all’appartenere) all’ 1-tree hanno una buona probabilità di appartenere al tour ottimo. Al contrario, quegli archi che sono “lontani” dall’appartenere all’ 1-tree hanno una probabilità bassa di appartenere al tour ottimo. Identifichiamo la probabilità di un arco di appartenere al tour finale con la sua “vicinanza” ad essere scelto come arco per l’ 1-tree.

35 Nearness Formalmente: 1. Sia T un 1-tree di lunghezza L(T). 2. Denotiamo con T (i,j) l’ 1-tree a cui viene richiesto di contenere l’arco (i,j). 3. Sia A un 1-tree, denotiamo con L(A) la somma dei pesi (distanze) sugli archi di A. 4. Definiamo la nearness alpha di un arco (i,j) come: alpha[i][j] = L (T (i,j)) – L(T) + +

36 Nearness Operativamente: data la lunghezza dell’ 1-tree calcolato su tutto il grafo, la nearness di un arco non è altro che l’incremento in lunghezza richiesto per contenere tale arco all’interno dell’ 1-tree preservandone le proprietà.

37 Nearness Oss1. In questo modo gli archi che appartengono al MST hanno peso 0, dunque apparterrano agli archi selezionati per far parte del sottografo. Oss2. Il sottografo risultante dalla sottrazione degli archi è connesso.

38 Calcolo di alpha[i][j] La nearness alpha[i][j] può essere determinata per tutti gli archi (i,j). Sia T un 1-tree minimo. Dalla definizione di MST è possibile ricavare che un 1-tree T (i,j) contenente l’arco (i,j) puo’ essere determinato usando tre semplici regole. +

39 Calcolo di T (i,j) 1. Se (i,j) appartiene al MST, allora T (i,j) = T; 2. Se (i,j) ha 1 come nodo terminale allora T (i,j) sarà ottenuto da T rimpiazzando il piu’ lungo dei due archi di T incidenti con il nodo 1 con (i,j). 3. Altrimenti si inserisce (i,j) in T. Questo crea un ciclo contenente (i,j) nell’MST. In tal caso otteniamo T (i,j) rimuovendo il più lungo arco diverso da (i,j) nel ciclo

40 Esempio Calcolo 1-tree di un grafo G. Calcolo di un T (i,j) per ognuno dei tre casi del calcolo di alpha[i][j] +

41 Calcolo di T (i,j) + + Esempio: 1. Calcolo 1-tree di un grafo G. 2. Calcolo di un T (i,j) per ognuno dei tre casi del calcolo di alpha[i][j]

42 Esempio: Calcolo dell’ 1-tree Partenza: Grafo iniziale Completo Passo1: Elimino la città 1

43 Esempio: Calcolo dell’ 1-tree Passo2: Calcolo MST sui nodi restanti. Passo3: Aggiungo la città 1, collegandola ai due nodi più vicini tree

44 Esempio: classificazione archi Archi appartenenti all’ 1-tree: 1. (1,2) 2. (1,4) 3. (2,4) 4. (3,4) 5. (4,5) Archi non appartenenti all’ 1-tree: 1. (1,3) 2. (1,5) 3. (2,3) 4. (2,5) 5. (3,5)

45 Esempio: Calcolo di T (2,4) L’arco (2,4) appartiene all’ 1-tree, dunque si ricade nella regola 1. In particolare: aggiungere (2,4) non produce modifiche nell’MST, dunque T (2,4) = T T (2,4) +

46 Esempio: Calcolo di T (1,3) L’arco (1,3) non appartiene all’ 1-tree, ma una delle sue estremità è il nodo 1, dunque si ricade nella regola 2. In particolare, dobbiamo aggiungere l’arco (1,3) e togliere l’arco di peso maggiore fra (1,2) e (1,4). Eliminiamo (1,4) e inseriamo (1,3). +

47 Esempio: Calcolo di T (1,3) T (1,3) + T

48 Esempio: Calcolo di T (2,3) L’arco (2,3) non appartiene all’ 1-tree, nè una delle sue estremità è il nodo 1, dunque si ricade nella regola 3. In particolare, dobbiamo aggiungere l’arco (1,3) al MST (non all’1-tree). L’inserimento dell’arco (1,3) da origine al ciclo (2,3,4) nel MST. Eliminiamo (2,4) e inseriamo (2,3). +

49 Esempio: Calcolo di T (1,3) Partenza: MST Passo 1: Inserimento dell’arco (2,3) Passo 2: eliminazione dell’arco (2,4).

50 Esempio: Calcolo di T (2,3) T 1 T (2,3) +

51 Esempio: calcolo di alpha In base a quanto visto fino ad adesso possiamo calcolare tre valori per alpha: 1. Alpha[2][4] = L(T (2,4)) – L(T) = 0, poichè T = T (2,4) (r.1) 2. Alpha[1][3] = L(T(1,3)) – L(T) = weight[1][3] – weight[1][4], poichè T(1,3) = (T \ (1,4)) U (1,3) (r.2) 3. Alpha[2][3] = L(T(2,3)) – L(T) = weight[2][3] – weight[2][4], poichè T(1,3) = (T \ (2,4)) U (2,3) (r.3)

52 Alpha[i][j]: complessità Problema: il caso 3 è pesante da gestire in termini computazionali. Oss.: 1. Sia beta[i][j] la lunghezza dell’arco da rimuovere quando inseriamo l’arco (i,j). 2. Allora: alpha[i][j] = weight[i][j]-beta[i][j]

53 Calcolo di beta[i][j] Se (j1,j2) è un arco dell’MST, i è uno dei nodi rimanenti e j1 è su quel ciclo che si genera aggiungendo l’arco (i,j2) all’albero, allora beta[i][j2] può essere calcolato come il massimo fra beta[i][j1] e weight[j1][j2].

54 Calcolo di beta[i][j] beta[i][j] indica il peso dell’arco da rimuovere se forziamo il MST T a contenere l’arco (i,j) rimanendo uno spanning tree. beta[i][j] viene calcolata sul MST (non sull’ 1-tree). (i.e. i > 1, j >1) Il calcolo di beta viene fatto in avanti partendo cioè dal vertice 2 e crescendo.

55 Calcolo di beta[i][j] Viene creato un vettore Dad[] in cui si salva il valore del genitore del nodo relativamente al MST. Dad[j] = i se il nodo i è il padre di j nel MST. Deve valere che Dad[j] = i ” i

56 Calcolo di beta[i][j] Partenza: 1-tree Passo 1: MST

57 Calcolo di beta[i][j] Passo 2: Calcolo del vettore Dad nil Attenzione !: Non e’ rispettato il vincolo Dad[j] = i ” i

58 Calcolo di beta[i][j] Passo 3: Aggiusto gli indici nil n.b. : In questo modo viene Rispettato il vincolo Dad[j] = i ” i

59 Calcolo di beta[i][j] Dunque per un dato nodo i tutti i valori possono essere calcolati con una complessità di O(n). Algoritmo:

60 Calcolo di beta[i][j] Not def Passo 4: Inizializzazione della matrice 

61 Calcolo di beta[i][j] -inf Not def Passo 5: Calcolo di  [2][2] 

62 Calcolo di beta[i][j] -inf (***)Not def. (***): Max  [2][dad[3]],W[3][dad[3]]  Passo 6: i = 2, j = 3 (***): Max  [2][2],W[3][2]),(poiché dad[3] = 2  (***): W[3][2], (poiché  [2][2] = - INF   n.b.: W[i][j] è il peso dell’arco(i,j), i.e.: quanto i è distante da j

63 Calcolo di beta[i][j] -inf W[3][2](***)Not def. W[3][2]Not def. (***): Max  [2][dad[4]],W[4][dad[4]]  Passo 7: i = 2, j = 4 (***): Max  [2][3],W[4][3]  (***): Max(W[3][2],W[4][3]) 

64 Calcolo di beta[i][j] -inf W[3][2] Not def. W[3][2]Not def. W[3][2]Not def. (***): Max(W[3][2],W[4][3]) Passo 7: i = 2, j = 4 (***): W[3][2] 

65 Calcolo di beta[i][j] -inf W[3][2] (***) W[3][2]Not def. W[3][2]Not def. (***): Max  [2][dad[5]],W[5][dad[5]]  Passo 8: i = 2, j = 5 (***): Max  [2][3],W[5][3]  (***): Max(W[3][2],W[5][3]) 

66 Calcolo di beta[i][j] -inf W[3][2] W[5][3] W[3][2]Not def. W[3][2]Not def. W[5][3]Not def. (***): Max(W[3][2],W[5][3]) Passo 8: i = 2, j = 5 (***): W[3][2]  e così via per tutti gli altri archi…

67 Calcolo di beta[i][j] Lo spazio in memoria impiegato per il calcolo di beta[i][j] è O(N ). Vogliamo migliorare l’occupazione della memoria, arrivando ad O(N). Per fare questo utilizziamo un vettore b (corrispondente alla vecchia matrice beta) ed un vettore mark che indica il fatto che b[j] è stato calcolato per il nodo i. 2

68 Calcolo di beta[i][j] La determinazione di b[j] può essere fatta in due fasi. 1. b[j] viene calcolato per tutti i nodi j da i fino alla radice (i.e. nodo 2). 2. Tali nodi vengono marcati con i. 3. Si utilizza un passo in avanti per calcolare i valori di b rimanenti.

69 Calcolo di beta[i][j] Qui si esegue il calcolo di alpha[i][j] (i.e.: alpha[i][j] = c(i,j) – b[j]) c(i,j) è la distanza fra i e j

70 Conclusioni I valori di alpha provvedono una buona stima della probabilità che gli archi vengano selezionati nel tour ottimo. Più piccolo è il valore di alpha, più grande è la probabilità che l’arco sia un candidato per andare a comporre il tour.

71 Conclusioni Usando tale definizione di nearness è possibile limitare il numero degli archi su cui mandare in esecuzione gli algoritmi e ottenere lo stesso ottimi risultati per il tour.


Scaricare ppt "Lagrange Relaxation. Limiti Inferiori (Lower Bounds) Avere un Lower-Bound alla lunghezza del cammino minimo da una garanzia della qualità della soluzione."

Presentazioni simili


Annunci Google