Le voyageur de commerce, méthode de branch and bound.

Dimension: px

Commencer à balayer dès la page:

Download "Le voyageur de commerce, méthode de branch and bound."

Sabine Bossé
il y a 9 ans
Total affichages :

1 Le voyageur de commerce, méthode de branch and bound. Pierre Chatelain, Kevin Quirin ENS Cachan - Antenne de Bretagne 15 août 2010

3 TSP Le problème du voyageur de commerce ( TSP ) consiste à trouver le chemin le plus court qui passe par n villes, étant données les distances. Formellement, TSP s'écrit : TSP Soit G = (V, E, ω) un graphe complet ( E = V V ), où ω est une fonction de poids sur E. Trouver le cycle hamiltonien de G de poids minimum. 3/1

4 La solution naïve est en complexité O( V!), ce qui la rend inexploitable pour plus de 15 villes. TSP est NP-complet, on utilise donc deux types d'algorithmes : Les algorithmes exacts Les algorithmes d'approximations On va étudier ici un algorithme exact, la méthode du branch and bound ( séparation et évaluation ). 4/1

5 Initialisation 5/1

6 Initialisation Données du problème G = (V, E) est un graphe complet à n sommets. 6/1

7 Initialisation Données du problème G = (V, E) est un graphe complet à n sommets. Ce graphe est représenté par sa matrice d'adjacence C = (c i,j), qui sera modiée au cours de l'algorithme. 6/1

8 Initialisation Données du problème G = (V, E) est un graphe complet à n sommets. Ce graphe est représenté par sa matrice d'adjacence C = (c i,j), qui sera modiée au cours de l'algorithme. Un chemin t dans le graphe est représenté par une suite d'arêtes, et son coût est déni par : z(t) = (i,j) t c i,j 6/1

9 Initialisation Données du problème G = (V, E) est un graphe complet à n sommets. Ce graphe est représenté par sa matrice d'adjacence C = (c i,j), qui sera modiée au cours de l'algorithme. Un chemin t dans le graphe est représenté par une suite d'arêtes, et son coût est déni par : z(t) = (i,j) t c i,j But Trouver t hamiltonien minimisant z. 6/1

10 Initialisation Exemple /1

11 Initialisation Exemple z = = 121 8/1

12 Branching 9/1

13 Branching Représentation par un arbre binaire L'ensemble des cycles hamiltoniens possibles du graphe est représenté par les feuilles d'un arbre. all i, j i, j k, l k, l 10/1

14 Branching Représentation par un arbre binaire L'ensemble des cycles hamiltoniens possibles du graphe est représenté par les feuilles d'un arbre. Initialement, l'arbre a un seul noeud, représentant tous les cycles. all 10/1

15 Branching Représentation par un arbre binaire L'ensemble des cycles hamiltoniens possibles du graphe est représenté par les feuilles d'un arbre. Initialement, l'arbre a un seul noeud, représentant tous les cycles. Le noeud i, j représente tous les cycles contenant l'arête (i, j), et le noeud i, j tous les cycle qui ne la contiennent pas. i, j all i, j 10/1

16 Branching Représentation par un arbre binaire L'ensemble des cycles hamiltoniens possibles du graphe est représenté par les feuilles d'un arbre. all Initialement, l'arbre a un seul noeud, représentant tous les cycles. Le noeud i, j représente tous les cycles contenant l'arête (i, j), et le noeud i, j tous les cycle qui ne la contiennent pas. i, j i, j Chaque étage de l'arbre divise ainsi l'ensemble des cycles. k, l k, l 10/1

17 Lower Bounds 11/1

18 Lower Bounds Réduction /1

19 Lower Bounds Réduction Réduction sur une ligne (h = 1) 12/1

20 Lower Bounds Réduction Réduction sur une colonne (h = 5) 12/1

21 Lower Bounds Réduction Réduction sur les lignes, puis les colonnes : h = 48 z(t) = h + z1(t) 48 12/1

22 Déroulement de l'algorithme 13/1

23 Déroulement de l'algorithme Initialisation Meilleur parcours On dénit Z 0 par le coût du meilleur parcours trouvé. 14/1

24 Déroulement de l'algorithme Initialisation Meilleur parcours On dénit Z 0 par le coût du meilleur parcours trouvé. Initialement, Z 0 = +. 14/1

25 Déroulement de l'algorithme Initialisation Meilleur parcours On dénit Z 0 par le coût du meilleur parcours trouvé. Initialement, Z 0 = +. Réduction et initialisation de l'arbre L'arbre contient seulement le noeud all. 14/1

26 Déroulement de l'algorithme Initialisation Meilleur parcours On dénit Z 0 par le coût du meilleur parcours trouvé. Initialement, Z 0 = +. Réduction et initialisation de l'arbre L'arbre contient seulement le noeud all. La matrice est réduite, et le coecient de réduction est retenu pour le noeud : 14/1

27 Déroulement de l'algorithme Choix d'un noeud Critère de choix Idée : Partitionner l'ensemble des parcours en T 1, T 2, où T 1 contient probablement le parcours optimal, et T 2 a peu de chances de le contenir. 15/1

28 Déroulement de l'algorithme Choix d'un noeud Critère de choix Idée : Partitionner l'ensemble des parcours en T 1, T 2, où T 1 contient probablement le parcours optimal, et T 2 a peu de chances de le contenir. On choisit de partitionner selon une arête de coût nul. 15/1

29 Déroulement de l'algorithme Choix d'un noeud Critère de choix Idée : Partitionner l'ensemble des parcours en T 1, T 2, où T 1 contient probablement le parcours optimal, et T 2 a peu de chances de le contenir. On choisit de partitionner selon une arête de coût nul. Parmi les choix restants, on maximise la fonction : θ(i, j) = min(c k =j i,k) + min(c k =i k,j) 15/1

30 Déroulement de l'algorithme Exemple θ(1, 4) = = 10 16/1

31 Déroulement de l'algorithme Exemple argmax(θ(i, j)) = (1, 4) 17/1

32 Déroulement de l'algorithme Simplication de la matrice /1

33 Déroulement de l'algorithme Réduction /1

34 Déroulement de l'algorithme Mise à jour de Z 0 20/1

35 Déroulement de l'algorithme Fin de l'algorithme 21/1

36 Complexité au pire 22/1

37 Complexité au pire Complexité au pire Au pire, on explore tous les chemins possibles O((n 1)!) 23/1

38 Complexité au pire Complexité au pire Au pire, on explore tous les chemins possibles O((n 1)!) On va étudier la complexité en moyenne. 23/1

39 Complexité en moyenne 24/1

40 Complexité en moyenne Complexité en moyenne On dénit un arbre aléatoire T (b, d) par : 25/1

41 Complexité en moyenne Complexité en moyenne On dénit un arbre aléatoire T (b, d) par : T (b, d) est de profondeur d. 25/1

42 Complexité en moyenne Complexité en moyenne On dénit un arbre aléatoire T (b, d) par : T (b, d) est de profondeur d. Les nombres de ls des noeuds sont indépendants, identiquement distribués, d'espérance b. 25/1

43 Complexité en moyenne Complexité en moyenne On dénit un arbre aléatoire T (b, d) par : T (b, d) est de profondeur d. Les nombres de ls des noeuds sont indépendants, identiquement distribués, d'espérance b. Les coûts des arêtes sont indépendants et identiquement distribués. 25/1

44 Complexité en moyenne Complexité en moyenne On dénit un arbre aléatoire T (b, d) par : T (b, d) est de profondeur d. Les nombres de ls des noeuds sont indépendants, identiquement distribués, d'espérance b. Les coûts des arêtes sont indépendants et identiquement distribués. Le coût d'un noeud est la somme des coûts des arêtes de la racine à ce noeud. 25/1

45 Complexité en moyenne But On va donc chercher le nombre de branches que doit explorer l'algorithme pour arriver à la feuille de coût minimal. 26/1

46 Complexité en moyenne But On va donc chercher le nombre de branches que doit explorer l'algorithme pour arriver à la feuille de coût minimal. On note p 0 la probabilité que le coût d'une arête soit 0. 26/1

47 Complexité en moyenne Théorème Dans un arbre aléatoire T (b, d), quand d : 27/1

48 Complexité en moyenne Théorème Dans un arbre aléatoire T (b, d), quand d : Si bp 0 < 1, la recherche de la feuille de coût minimal est de complexité exponentielle. 27/1

49 Complexité en moyenne Théorème Dans un arbre aléatoire T (b, d), quand d : Si bp 0 < 1, la recherche de la feuille de coût minimal est de complexité exponentielle. Si bp 0 1, la recherche de la feuille de coût minimal est de complexité polynomiale. 27/1

50 Complexité en moyenne Théorème Dans un arbre aléatoire T (b, d), quand d : Si bp 0 < 1, la recherche de la feuille de coût minimal est de complexité exponentielle. Si bp 0 1, la recherche de la feuille de coût minimal est de complexité polynomiale. On voit donc qu'il y a une transition de complexité en bp 0 = 1, d'exponentielle à polynomiale. 27/1

51 Complexité en moyenne Dans le cas du TSP, l'hypothèse d'indépendance n'est plus réaliste. 28/1

52 Complexité en moyenne Dans le cas du TSP, l'hypothèse d'indépendance n'est plus réaliste. Cependant, des études expérimentales montrent qu'il y a une transition de complexité en fonction du nombre de valeurs possibles pour les distances entres les villes. 28/1

Documents pareils

Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane

Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre