Ttulo da Proposta de Tema de Seminrio para a Disciplina de Projeto e Anlise de Algoritmos

Fulano de Tal, Orientador do Fulano de Tal PPGCC - Programa de Ps-Graduao em Cincia da Computao UFOP - Universidade Federal de Ouro Preto Ouro Preto, Minas Gerais, Brasil email: fulanodetal@gmail.com, orientador@yahoo.com

ResumoEste trabalho uma proposta de desenvolvimento de um algoritmo baseado em tcnicas metahersticas para resolver o problema de colorao de grafos, espera-se que o algoritmo desenvolvido fornea solues prximas da soluo tima para instncias reais. Keywords-palavras chaves, algoritmos, complexidade.

I. I NTRODUO Nesta seo o aluno dever introduzir o tema desenvolvido, esclarecer o assunto que ser estudado, delimitar o foco da pesquisa, e situar o tema dentro do contexto geral de sua rea de trabalho [1]. O artigo est organizado da seguinte forma. A Seo II apresenta... A anlise de complexidade so apresentados na Seo III. Dado um grafo no-direcionado G = (V, E), com um conjunto V de vrtices e um conjunto E de arestas que incidem sobre os vrtices de G, o problema de colorao de grafos consiste em atribubir k-cores para os vrtices de G, de modo que dois vrtices adjacentes no tenham a mesma cor. Assim a colorao pode ser considerada como uma funo c : V (G) N (onde N o conjunto de inteiros positivos) tal que, c(u) = c(v) se u e v so adjacentes em G[?]. Caso k seja o nmero mnimo de cores necessrias para colorir o grafo, dizemos que k o nmero cromtico de G denotado por (G). Ento, um grafo k-colorado se e somente se, (G) k. Este um problema clssico de teoria dos grafos, e devido a sua importncia e aplicao prtica ele tem sido objeto de muitos estudos. O artigo est organizado da seguinte forma. A Seo ?? apresenta a justicativa para a escolha do tema. Os objetivos so apresentados na Seo ??, em seguida a Seo ?? descreve a metodologia empregada e por m a Seo ?? dedicada a descrever os resultados esperados. O estudo do problema de colorao de grafos de grande importncia terica pois um clssico problema NPCompleto [?]. Progressos na soluo dessa classe de problemas considerados intratveis motivam diversas pesquisas em computao, matemtica e pesquisa operacional.

Do ponto de vista prtico, o estudo do problema de colorao de grafos muito importante pois sua estrutura muito utilizada para modelar problemas de diversas reas, como: scheduling [?], timetabling [?], otimizao de alocao de registradores [?], train platforming [?], frequency assignment [?], redes de comunicao [?]. Tcnicas metaheursticas tm se mostrado extremamente ecazes para resolver problemas complexos, especialmente de natureza combinatria. Estes modelos no certicam a otimalidade da soluo encontrada. Por outro lado, mtodos exatos tem se mostrado incapazes de fornecer solues em tempo computacional aceitvel, para problemas de alta complexidade, tipicamente, problemas reais [?]. Portanto, o presente trabalho prope a utilizao de um modelo computacional baseado em tcnicas metahersticas para solucionar o problema de colorao de grafos. O principal objetivo deste trabalho apresentar e implementar um algoritmo baseado em tcnicas metaheursticas para resolver o problema de colorao de grafos e realizar uma anlise comparando os resultados com o de outro algoritmo que fornea uma soluo exata, com a nalidade de vericar a ecincia do algoritmo apresentado. Um segundo objetivo realizar a anlise de complexidade dos algoritmos apresentados. II. M TODOS Apresentar os mtodos/metodologias estudadas. Citando uma gura. A Figura 1
1 0. 5 -0.5 -1 2 4 6 8

Figura 1.

Caption da gura

III. A NLISE DE C OMPLEXIDADE Apresentar anlise de complexidade de tempo e de espao dos mtodos/metodologias estudadas.

IV. E XPERIMENTOS Apresentar e discutir os experimentos realizados. Citando uma tabela. A Tabela I apresenta valores. A Tabela II apresenta valores. O mtodo a ser seguido neste trabalho pode ser descrito em duas fases. Primeiro ser aplicado uma heurstica construtiva com a nalidade de gerar uma soluo inicial para o problema. Estratgias tipicamente utilizadas nesta fase so algoritmos gulosos e construo aleatria [?]. Enquanto que na segunda fase ser aplicado uma metaherstica, algumas abordagens encontradas na literatura so: Simulated Annealing [?], Busca Tabu [?], GRASP [?], Iterated Local Search [?], Algoritmos Genticos [?] entre outros. O algoritmo metaheurstico parte de uma soluo inicial e percorre o espao de busca atravs dos vizinhos, avaliando as solues encontradas baseado em uma funo objetivo. A melhor soluo encontrada, ou seja, aquela que apresentar o menor nmero de cores, ser retornada. O desenvolvimento de um algortimo exato, permitir avaliar o quanto as solues apresentadas pelo algoritmo metaheurstico caram prximas do timo. Podemos denir algumas propriedades e limites superiores e inferiores relacionados ao valor exato do nmero cromtico de um grafo [?]: (G) = 1 se e somente se G completamente desconexo, ou seja, o grafo no possui arestas; (G) 3 se e somente se G tem ciclo mpar, ou seja, se o grafo G possua um subgrafo G tal que G que seja um caminho fechado sem vertices repetidos com quantidade mpar de vrtices; (G) (G) onde (G) indica o nmero do maior clique; (G) (G) + 1, onde (G) o grau do maior vrtice de G; (G) (G) para G conexo, a no ser que G seja um grafo completo ou um ciclo mpar; (G) 4 para qualquer grafo planar (Teorema das Quatro Cores). Podemos destacar algumas abordagens presentes na literatura utilizando algoritmos exatos, so elas: Branch-andCut [?], Backtraking [?]. O testes sero realizados utilizando algumas instncias reais de tamanhos e densidade variados de grafos, disponveis em The Second DIMACS Implementation Challenge [?]. O experimento consiste em executar os algoritmos desenvolvidos para as instncias selecionadas e coletar informaes como tempo de execuo, em seguida, analisar o resultado fornecido pela funo objetivo do algoritmo metaheurstico comparando com a soluo tima do algoritmo exato. R EFERNCIAS
[1] T. H. Cormen, C. E. Leiserson, R. L. Rivest, and C. Stein, Introduction to Algorithms, 3rd ed. The MIT Press, 2009, iSBN-13: 978-0-262-53305-8.

Tabela II TABELA PEQUENA Sensitivities SVEB VEB F 75.93 77.73 89.43 62.11 88.39 61.36 50.58 86.61 35.78

Method Mtodo 1 Mtodo 2 Mtodo 3

Accuracy 85.9 93.6 94.5

N 86.86 97.04 98.73

Q 0 0 0

Tabela I TABELA GRANDE Sensitivities/Specicity (%) SVEB VEB F 19.90/ 8.59 73.35/53.00 89.79/ 6.11 3.16/10.30 50.17/48.51 0.00/ 0.00 0.00/ 0.00 20.96/59.40 0.00/ 0.00 1.81/ 5.92 83.89/66.42 0.26/ 0.08

Method Accuracy (%) Autor Autor Autor Autor 1 2 3 4 75.35 75.15 73.87 75.21

N 77.62/97.35 80.20/78.15 81.46/74.24 78.30/79.19

Q 0.00/ 0.00 0.00/ 0.00 0.00/ 0.00 0.00/ 0.00