Mihai TALMACIU

Algoritmica grafurilor

Editura ALMA MATER

 Conf. univ. dr. MIHAI TALMACIU

Recenzori:
Prof. univ. dr. habilitat Dumitru Todoroi
Conf. univ. dr. Elena Nechita
Prof. univ. dr. Victor Blănuţă

Descrierea CIP a Bibliotecii Naţionale a României

Talmaciu, Mihai

Algoritmica grafurilor, Mihai Talmaciu – Bacău

ALMA MATER, 2008
Bibliogr.

ISBN 978 – 973 – 1833 – 76 – 7

I, Talmaciu M.

Tehnoredactare computerizată: prep. univ. IOANA ALEXANDRA PANDELE

asist. univ. drd. ALINA-MIHAELA PATRICIU

ISBN 978 – 973 – 1833 – 76 – 7

 CUPRINS

Capitolul 1 Introducere 1
1.1. Definiţia unui graf 1
1. 2. Grade 3
1.3. Subgrafuri 3
1.4. Operaţii cu grafuri 3
1.5. Clase de grafuri 4
1.6. Drumuri şi circuite 5
1.7. Mulţimi separatoare, transversale şi mulţimi omogene 6
1.8. Algoritmi şi complexitate de calcul 7

Capitolul 2 Metode de căutare şi programare 9

2.1. Căutarea în lăţime 9
2.1.1. Algoritmul 9
2.1.2. Implementarea C++ 9
2.1.3. Complexitate şi optimalitate 10
2.1.4 Aplicaţii ale BFS 11
2.2. Căutarea în adâncime 11
2.3. Metoda Greedy 13
2.4. Metoda backtracking 14
2.5. Metoda divide et impera 16
2.6. Metoda branch and bound 17

Capitolul 3 Structuri de date 21

3.1. Liste 21
3.1.1. Liste simplu înlănţuite 21
3.1.2. Parcurgerea unei liste simplu înlănţuite 22
3.1.3. Liste dublu înlănţuite 22
3.1.4. Parcurgerea unei liste dublu înlănţuite 23
3.2. Arbori 24
3.2.1. Arbori liberi 24
3.2.2. Arbori cu rădăcină 24
3.2.3. Arbori binari 25
3.2.4. Parcurgerea arborilor binari 25
Capitolul 4 Parcurgeri de grafuri 29
4.1. Parcurgerea BF a grafurilor 29
4.2. Parcurgerea DF a grafurilor 35
4.3. Aplicaţii 38
4.3.1. Sortarea topologică 38
4.3.2. Componentele conexe ale unui graf 39

Capitolul 5 Probleme de drum în (di)grafuri 43

5.1. Problema celui mai scurt drum 43
5.1.1. Arborele Steiner 45
5.1.2. Algoritmul lui Dijkstra 46
5.1.3. Probleme similare şi algoritmi 49
5.1.4. Probleme legate de drum 50
5.1.5. Algoritmul Bellman-Ford 50
5.1.6. Algoritmul de căutare A∗ 54
5.1.7. Algoritmul Floyd-Warshall 57
5.1.8. Algoritmul lui Johnson 60
5.2. Probleme de conexiune. Teorema lui Menger şi aplicaţii 61
5.3. Structura grafurilor p-conexe 62
5.4. Problema drumului Hamiltonian 63
5.5. Problema ciclului Hamiltonian 64
5.6. Arborele parţial de cost minim 69
5.7. Algoritmul lui Prim 71
5.8. Algoritmul lui Kruskal 77

Capitolul 6 Probleme de fluxuri în reţele 83

6.1. Problema fluxului maxim 83
6.2. Fluxuri de cost minim 89
6.3. Algoritmul Ford-Fulkerson 92

Capitolul 7 Numărul de stabilitate şi densitatea unui graf 95

7.1. Mulţimi stabile şi clici 95
7.2. Problema mulţimii independente 96
7.3. Problema clicii 98
7.4. Determinarea mulţimilor stabile maximale 100
Capitolul 8 Probleme de descompuneri în grafuri 103
8.1. Tipuri de descompuneri în grafuri 103
8.1.1. Descompunerea de tip 2 103
8.1.2. Descompunerea de tip 3 104
8.1.3. Descompunerea în funcţie de compoziţie 105
8.1.4. G-descompunerea 106
8.1.5. Descompunerea substituţie şi partiţionarea vârfurilor 107
8.2. Descompunerea slabă a grafurilor 111
8.2.1. Introducere 111
8.2.2. Descompunerea slabă a unui graf 111
8.3. Teorema celor patru culori 115
8.3.1. Colorarea grafurilor 117
8.3.2. Colorarea vârfurilor 117
8.3.3. Numărul cromatic 118
8.3.4. Aspecte algoritmice 118
8.3.5. Algoritmul Welsh – Powell 119
8.3.6. Polinomul cromatic 119

Bibliografie 121
 Capitolul 1
INTRODUCERE

Pentru noţiunile din acest paragraf am consultat Behzad, Chartrand,

Foster, Croitoru, Olaru, Tomescu. Alte completări bibliografice sunt
precizate în momentul utilizării.

1.1. Definiţia unui graf

Un graf este o pereche G = (V,E), unde V este o mulţime finită
nevidă, iar E este o mulţime de submulţimi cu două elemente distincte ale lui
V. V se numeşte mulţimea vârfurilor şi numărul său de elemente, |V| este
ordinul grafului G. E este mulţimea muchiilor grafului G şi |E| este
dimensiunea grafului G. Când facem referire la mulţimea de vârfuri şi
muchii ale grafului G folosim V(G) şi E(G), respectiv.
Un digraf (graf orientat) este o pereche D = (V(D), A(D)) unde
V(D) este o mulţime finită nevidă (mulţimea vârfurilor digrafului D), iar
A(D) ⊆ V(D) × V(D) este mulţimea arcelor digrafului D.
Dacă e = {x,y} este o muchie a grafului G, vom nota, pe scurt,
{x,y} = xy (yx) şi vom spune că: muchia e este incidentă cu vârfuri1e x şi y;
vârfurile x şi y sunt adiacente în G; vârfurile x şi y sunt vecine în G; vârfurile
x şi y sunt extremităţile muchiei e.
Dacă v ∈ V(G) , atunci mulţimea
NG (v) = {w | w ∈ V(G) − {v}, vw ∈ E(G)} ,
se numeşte vecinătatea vârfului v în G.
NG (v) = {w | w ∈ V(G) − {v}, vw ∉ E(G)}
se numeşte mulţimea nevecinilor vârfului v în G.
Dacă A, B ⊆ V(G), A ∩ B = 0/ atunci :
¾ A ~ B (A este total adiacent cu B) dacă şi numai dacă:
∀a ∈ A, ∀b ∈ B : ab ∈ E(G) ;
¾ A ~/ B (A este total neadiacent cu B) dacă şi numai dacă:
∀a ∈ A, ∀b ∈ B : ab ∉ E(G) ;
¾ A ~ p B (A este parţial adiacent cu B) dacă şi numai dacă:
∃a ∈ A, ∃b ∈ B : ab ∈ E(G) ;
a ~ B (vârful a este B – universal, adică a vede toate vârfurile din B)
dacă şi numai dacă {a} ~ B .
a ~/ B (vârful a este B – nul) dacă şi numai dacă {a} ~/ B .

1
 Dacă S ⊆ V(G) atunci:
S este mulţime stabilă (sau independentă) a lui G dacă şi numai dacă
∀x, y ∈ V(G), x ≠ y : xy ∉ E(G) .
O stabilă S este maximală dacă nici o stabilă a lui G nu conţine
propriu S;
S(G) = {S | S este stabilă maximală în G} ;
α(G) = max{S | S ∈ S(G)} este numărul de stabilitate a lui G.
Sα (G) = {S | S ∈ S(G),| S | = α(G)} ;
S este o mulţime α - stabilă dacă şi numai dacă S ∈ Sα (G) .
Complementarul, G , al unui graf G este graful a cărui mulţime de
vârfuri este V(G), iar două vârfuri sunt adiacente în G dacă şi numai dacă
ele nu sunt adiacente în G.
Dacă Q ⊆ V(G) atunci:
Q este clică (său mulţime completă) a lui G dacă şi numai dacă Q este
mulţime stabilă în G ; o clică Q este maximală dacă nici o clică a lui G nu
conţine propriu Q;
C(G) = {Q | Q este clică maximală în G}; ,
ω (G) = max{|Q| | Q ∈ C(G) } este numărul clică a lui G;
Cω (G) ={Q | Q ∈ C(G) şi |Q| = ω (G)}; Q este o ω - clică dacă şi
numai dacă Q ∈ Cω (G) .
Dacă p ∈ N∗ , se numeşte p – colorare a vârfurilor lui G o aplicaţie
c : V(G) → {1,..., p}
cu proprietatea că c−1 (i) este o mulţime stabilă în G.
χ(G) este numărul cromatic a lui G, adică cel mai mic număr de
culori necesare pentru a colora vârfurile de felul că două vârfuri adiacente
distincte nu pot fi de aceeaşi culoare.
θ(G) = χ(G) este numărul de acoperire cu clici a lui G.
Două grafuri, G = (V(G),E(G)) şi H = (V(H),E(H)) se numesc
izomorfe, şi notăm aceasta prin G ≈ H (sau G ≅ H ) dacă există o bijecţie
ϕ : V(G) → V(H)
cu proprietatea că aplicaţia
ψ : E(G) → E(H) ,
definită pentru orice uv ∈ E(G) prin
ψ (uv) = ϕ(u)ϕ(v)
este o bijecţie.

2
1. 2. Grade
Gradul unui vârf v dintr-un graf G este numărul de muchii ale lui G
incidente cu v, care se notează cu d G (v) . Un vârf de grad zero se numeşte
izolat. Un vârf de grad unu se numeşte pendant .

1.3. Subgrafuri
Fie G un graf. Un graf H este un subgraf al lui G dacă V(H) ⊆ V(G) şi
E(H) ⊆ E(G). Dacă A este o submulţime nevidă a lui V(G) atunci subgraful
lui G indus de A este graful având mulţimea vârfurilor A, iar mulţimea
muchiilor constă din acele muchii ale lui G incidente cu două elemente din
A. Dacă A ⊆ V(G), v ∈ V, U ⊆ E(G),e ∈ E(G) atunci notăm: G A sau G(A) sau
[A]G sau [A] subgraful lui G indus de A; G – A = G(V(G) – A);
G – v = G – {v} ; G – U = (V(G),E(G) – U); G – e = G – {e}.

1.4. Operaţii cu grafuri

Pe parcursul acestei cărţi vom folosi unele operaţii cu grafuri, pe care
le reamintim mai jos.
1) Dacă G1 şi G 2 sunt două grafuri cu V( G1 ) ∩ V( G 2 ) = 0/ atunci
reuniunea disjunctă a grafurilor G1 şi G 2 înseamnă graful G = G1 ∪ G 2 cu
V(G) = V( G1 ) ∪ V( G 2 ) şi E(G) = E( G1 ) ∪ E( G 2 ).
2) Se numeşte graf adiacenţă (X - adiacenţă) (Sabidussi, Olaru, Antohe)
a unei familii de grafuri (G x ) x∈V(X) , indexată de mulţimea de vârfuri a
grafului X, graful notat U X
x∈X G x , unde:

(
V UX )
x∈X G x = U x∈X V(X) × {x};

E (UX
x∈X G x ) = U x∈V(X) E(G x ) ∪
∪{[(a, x), (b, x ')] | x ≠ x ',[x, x '] ∈ E(X), a ∈ V(G x ), b ∈ V(G x ' )}.
3) Produsul lexicografic (compoziţia) (Harary) a două grafuri G1 şi G 2
este graful notat G = G1 [ G 2 ], unde V(G) = V( G1 ) × V( G 2 ) şi două vârfuri
(u1 , u 2 ) şi (v1 , v 2 ) ale lui G sunt adiacente dacă şi numai dacă
u1v1 ∈ E(G1 ) sau ( u1 = v1 şi u 2 v2 ∈ E(G 2 ) ).
4) Suma a două grafuri. Dacă luam X = K 2 , K 2 - adiacenţa grafurilor
oarecare G1 şi G 2 se mai numeşte suma celor două grafuri şi se notează cu
G1 + G 2 .

3
1.5. Clase de grafuri
Se numeşte graf complet de ordin n, graful notat, K n , unde
| V(K n ) | = n şi E(K n ) = P2 (V(K n )) , iar P2 (X) este mulţimea părţilor cu
două elemente ale lui X.
Se numeşte graf nul de ordin n, graful N n = K n .
Se numeşte ciclu de lungime n ( n ≥ 3 ) graful notat, Cn , unde
V(Cn ) = {1, 2,..., n} şi E(Cn ) = {12, 23,..., n − 1n, n1} . Deoarece vârfurile sunt
distincte, ciclul este elementar. Peste tot în carte vom folosi ciclu elementar.
De asemenea îl vom numi şi circuit
Se numeşte lanţ de ordin n, graful Pn = Cn − e (e ∈ E(Cn )) . Îl vom
numi şi drum. Dacă a = i, b = i + l, pentru orice i = l, ..., n – l şi e = ab atunci
spunem că avem un a – b drum (sau ab – drum).
Un circuit (drum) al unui graf G este un subgraf indus al lui G care
este el însuşi circuit (drum) în G. (Observăm că un circuit (drum) al unui graf
nu are corzi. O coardă într-un circuit (drum) al unui graf este o muchie cu
extremităţile vârfuri neconsecutive pe circuit (drum)).
Un graf G = (V,E) se numeşte n – partit, n ≥ 1 , dacă V se
partiţionează în n submulţimi V1 , V2 ,..., Vn nevide astfel încât
/ , ∀i = 1, n (adică, orice muchie din E este incidentă cu un
[Vi ]G = (Vi , 0)
vârf din Vi şi un vârf din Vj , unde i ≠ j ). Pentru n = 2, un astfel de graf se
numeşte bipartit. Un graf n – partit G se numeşte n – partit complet dacă
mulţimile partiţiei V1 , V2 ,..., Vn au proprietatea că pentru orice u din Vi şi
orice v din Vj , i ≠ j , uv este muchie a lui G. Un graf bipartit complet cu
mulţimile partiţiei V1 şi V2 , unde | V1 | = m şi | V2 | = n este notat K(m,n)
( K m,n ). Graful K(l,n) (sau K1,n ) se numeşte graf stea (star).
Un graf se numeşte perfect (Berge) dacă numărul cromatic şi
numărul clică sunt egale pentru orice subgraf indus al său.
Un graf G este minimal imperfect dacă şi numai dacă G nu este
perfect şi orice subgraf G – v (v din V(G)) este perfect.
O muchie e a lui G se numeşte α – critică (Olaru) dacă
α (G – e) = α (G) + 1. Notăm mulţimea muchiilor α – critice ale lui G prin
E c şi numim G c = (V, E c ) scheletul α – critic a lui G. Dacă E c = E, graful
se numeşte α - critic.

4
 Un graf G se numeşte ( α , ω ) – partiţionabil (a se vedea Golumbic,
Olaru) dacă pentru fiecare v ∈ V(G), G – v admite o partiţie de α ω – clici şi
o partiţie de ω mulţimi α – stabile.
Un graf G = (V,E) se numeşte α – partiţionabil ( α – decompozabil)
(Olaru) dacă există o partiţie Z = {V1 ,..., Vm } a lui V, cu m > 1 astfel încât
∑ im=1 α(G i ) = α(G) , unde G i = G(Vi ), i = 1, m .
Z se numeşte α – partiţie a lui G, iar G i sunt α – componente.
Un graf G se numeşte ω - partiţionabil dacă G este α -
partiţionabil.
Dacă graful G are o α – partiţie astfel încât α – componentele sunt
clici atunci G este perfect α – partiţionabil ( α – decompozabil).
G este partiţionabil dacă este α – partiţionabil şi ω – partiţionabil.
Un graf G se numeşte tare stabil (Olaru, Antohe) dacă
α(G − Q) = α(G) ,
pentru orice clică proprie Q a lui G.
Un graf G se numeşte tare α – stabil (Olaru) dacă şi numai dacă
∀v ∈ V(G) şi orice clică Q a lui G, θ(G − v) = α(G) = α(G − Q) .
Cografurile sau grafurile P4 – libere (sau P4 – free), descoperite de
mai mulţi autori, printre care Lerchs sunt grafuri care nu conţin P4 indus.
Un graf G se numeşte gem – free dacă pentru fiecare vârf v, [NG(v)]
este graf P4 – free.
Un graf se numeşte paw dacă este izomorf cu
({a,b,c,d},{ab,bc,cd,db}).
Un graf izomorf cu P5 se numeşte house.
Un graf se numeşte bull dacă este izomorf cu
({a,b,c,d,e},{ab,bc,ca,bd,ce}).
Chvatal a introdus clasa grafurilor ordonabile perfect, care sunt
caracterizate prin existenţa unei ordini lineare < pe mulţimea vârfurilor astfel
încât nici un P4: abcd nu are a < b şi d < c.
Fie F o familie de mulţimi nevide. Graful intersecţie al lui F este
obţinut reprezentând fiecare mulţime din F printr-un vârf şi două astfel de
vârfuri determină o muchie dacă şi numai dacă mulţimile lor corespunzătoare
se intersectează.

1.6. Drumuri şi circuite

Fie G un graf si a, b două vârfuri ale sale. Distanţa dintre a şi b,
notată d(a,b) înseamnă minimum lungimilor a – b drumurilor din G. Pentru
A ⊂ V(G) şi x ∈ V(G) – A, distanţa de la x la A înseamnă
d(x, A) = min a∈A d(x, a) .

5
 Un graf este conex dacă există un drum între orice două vârfuri ale
sale. Un graf care nu este conex se numeşte neconex. Orice graf poate fi
exprimat unic ca o reuniune disjunctă de subgrafuri induse conexe şi
maximale cu această proprietate. Aceste subgrafuri se numesc componente
conexe ale grafului.
Un arbore este un graf conex şi fără circuite.

1.7. Mulţimi separatoare, transversale şi mulţimi omogene

Fie G = (V,E) un graf conex. O submulţime S ⊂ V se numeşte vârf
separator (a se vedea Golumbic) pentru vârfurile a şi b (sau a – b - separator)
dacă în G – S, a şi b vor aparţine la componente conexe diferite. Dacă nici o
submulţime proprie a lui S nu este a – b separator atunci S este vârf
separator minimal pentru a şi b.
Fie G = (V,E) un graf conex. O submulţime A ⊂ V se numeşte
mulţime separatoare (cutset) dacă G – A este neconex. O mulţime
separatoare A se numeşte minimală dacă nici o submulţime proprie a sa nu
este mulţime separatoare.
Fie G = (V,E) un graf. O mulţime nevidă T de vârfuri se numeşte
star – cutset (Chvatal) dacă G – T este neconex şi există un vârf v din T care
este adiacent la toate vârfurile rămase din T. Vârful v se numeşte centrul lui
T.
Fie M o mulţime şi F = {Mi }i∈I o familie de submulţimi a lui M şi
T ⊂ M.
Mulţimea T este o transversală a lui F dacă
T ∩ Mi ≠ 0,
/ ∀i ∈ I .
Transversala T este perfectă dacă
| T ∩ Mi | = 1, ∀i ∈ I .
Fie G = (V,E) un graf. Se numeşte cuplaj (Berge) o mulţime F ⊂ E
astfel încât muchiile din F sunt neadiacente. Un cuplaj se numeşte perfect
dacă orice vârf din V este extremitate a unei muchii din F. Un cuplaj se
numeşte maximal dacă are cardinal maxim între toate cuplajele grafului G.
O submulţime nevidă A, a lui V(G), se numeşte modul dacă
∀x ∈ V(G) − A , ori x ~ A ori x ~/ A . Dacă A este submulţime proprie a lui
V(G) cu cel puţin două elemente, atunci A se numeşte mulţime omogenă
(Babel, Olariu, Olaru). Summer numeşte mulţimea A, partitivă.
Fie A o mulţime omogenă în G. G / A este graful obţinut din G,
înlocuind A cu un nou vârf a şi conectând a prin muchii cu toate vârfurile
x∈V(G) – A dacă şi numai dacă x ~ A.

6
1.8. Algoritmi şi complexitate de calcul
Vom înţelege prin problemă algoritmică (Croitoru) o funcţie total
definită P : I → F , unde I este mulţimea informaţiilor iniţiale (intrărilor
problemei), iar F este mulţimea informaţiilor finale. Vom presupune că I şi F
sunt cel mult numărabile. Dacă i ∈ I este precizat, atunci determinarea lui
P(i) se numeşte instanţă a problemei P. Vom folosi pentru o instanţă notaţia
p şi prin abuz de notaţie vom scrie p ∈ P .
Pentru fiecare instanţă p ∈ P se poate asocia un număr natural g(p)
numit dimensiunea problemei.
Un algoritm care rezolvă problema P va porni de la o codificare a
unei instanţe oarecare a problemei P si va oferi o codificare a rezultatului.
Vom nota cu TA (p) timpul necesar algoritmului A pentru rezolvarea
instanţei p a problemei P.
Comportarea în cazul cel mai nefavorabil a algoritmului A pe o
intrare de dimensiune n este
TA (n) = sup{TA (p) | p ∈ P şi g(p) = n} .
Acest tip de analiză a algoritmilor ne asigură că, oricare ar fi o intrare
de dimensiune n, timpul de lucru este mărginit de TA (n) . De aceea, o
abordare naturală este să se studieze comportarea în medie a unui algoritm,
care presupune:
• precizarea unei distribuţii de probabilitate pe mulţimea instanţelor
p∈P;
• determinarea mediei variabilei aleatoare TA (p) :
TAmed (n) = M({TA (p) | p ∈ P şi g(p) = n}) .
Fie f : N → N . Atunci
O(f ) = {g | g : N → N, ∃c ∈ R, c > 0, ∃n 0 ∈ N : g(n) ≤ cf (n), ∀n ≥ n 0 } .
Un algoritm A cu proprietatea că TA(n) = O(p(n)), unde p este un
polinom în n se numeşte polinomial. Un algoritm care nu este polinomial se
numeşte exponenţial. O problema pentru care nu se cunosc algoritmi
polinomiali se numeşte intractabilă.

7
8
 Capitolul 2
METODE DE CĂUTARE ŞI PROGRAMARE

2.1. Căutarea în lăţime

În teoria grafurilor, breadth-first search (BFS) este un algoritm de
căutare în grafuri, care începe cu vârful rădăcină şi explorează toate nodurile
vecine. Apoi, pentru fiecare dintre aceste noduri se explorează nodurile
vecine încă necercetate, ş.a.m.d.., până când scopul a fost atins.
BFS este o metodă de căutare, care ţinteşte extinderea şi examinarea
tuturor nodurilor unui graf, cu scopul de a găsi soluţia.
Din punct de vedere al algoritmului, toate nodurile „fii” obţinute prin
expansiunea unui nod sunt adăugate într-o „coadă” de tipul FIFO (First In
First Out). În implementările tipice, nodurile care nu au fost încă examinate
de către vecinii corespunzători sunt plasate într-un „recipient” (asemănător
unei cozi sau unei liste de legătură), numit „deschis”, iar odată examinaţi
sunt plasaţi în „recipientul” „închis”.

2.1.1. Algoritmul
1. Introducerea nodului rădăcină în coadă.
2. Extragerea unui nod din capătul listei şi examinarea acestuia.
™ Dacă elementul căutat se identifică cu acest nod, se renunţă la
căutare şi se returnează rezultatul.
™ Altfel, se plasează toţi succesorii (nodurile „fii”) (neexaminaţi
încă) acestui nod la sfârşitul „cozii” (acesta în cazul în care
există)
3. Dacă „coada” este goală, fiecare nod al grafului a fost examinat -
se renunţă la căutare şi se întoarce la „not found”.
4. Repetă începând cu Pasul 2.

2.1.2. Implementarea C++

În continuare este implementarea algoritmului de mai sus, unde
„neexaminaţii până în momentul de faţă” sunt gestionaţi de către tabloul
părinte.
Fie structura struct şi structura de noduri

struct Vertex {
...
std::vector<int> out;
...
};

9
std::vector<Vertex> graph(vertices);
bool BFS(const std::vector<Vertex>& graph, int start, int end) {
std::queue<int> next;
std::vector<int> parent(graph.size(), 0);
parent[start] = -1;
next.push(start);
while (!next.empty()) {
int u = next.front();
next.pop();
if (u == end) return true;
for (std::vector<int>::const_iteratorj=graph[u].out.begin();
j != graph[u].out.end(); ++j)
{
// Look through neighbors.
int v = *j;
if (parent[v] == 0) {
// If v is unvisited.
parent[v] = u;
next.push(v);
}
}
}
return false;
}

Sunt stocaţi părinţii fiecărui nod, de unde se poate deduce drumul.

2.1.3. Complexitate şi optimalitate

Complexitate în spaţiu. Având în vedere faptul că toate nodurile
descoperite până la momentul de faţă trebuiesc salvate, complexitatea în
spaţiu a breadth-first search este O(V + E ) , unde V reprezintă numărul
nodurilor, iar E numărul muchiilor grafului. Altă modalitate de a consemna
( )
acest lucru: complexitate O B M , unde B reprezintă cea mai lunga ramură,
iar M lungimea maximă a drumului arborelui. Această cerere imensă de
spaţiu este motivul pentru care breadth-first search nu este practică în cazul
problemelor mai ample.
Complexitatea în timp. Odată ce, în cel mai rău caz breadth-first
search trebuie să ia în considerare toate drumurile către toate nodurile,
complexitatea în timp a acestui tip de căutare este de O(| V | + | E |) . Cel mai
bun caz în această căutare este conferit de complexitatea O(1) . Are loc
atunci când nodul este găsit la prima parcurgere.
Completitudine. Metoda breadth-first search este completă. Această
înseamnă că dacă există o soluţie , metoda breadth-first search o va găsi,
indiferent de tipul grafului. Cu toate acestea, dacă graful este infinit şi nu
există nici o soluţie, breadth-first search va “eşua”.

10
 Optimalitate. Pentru costul unitar pe muchii, bread-first search este
o metodă optimă. În general, breadth-first search nu este o metodă optimă, şi
aceasta deoarece returnează întotdeauna rezultatul cu cele mai puţine muchii
între nodul de start şi nodul vizat. Dacă graful este un graf ponderat, şi drept
urmare are costuri asociate fiecărei etape, această problemă se rezolvă
îmbunătăţind metoda breadth-first search astfel încât să se uniformizeze
costurile de căutare, identificate cu: costurile drumului. Totuşi, dacă graful
nu este ponderat, şi prin urmare toate costurile etapelor sunt egale,
breadth-first search va identifica cea mai apropiată şi optimă soluţie.

2.1.4 Aplicaţii ale BFS

Breadth-first search poate fi folosită pentru rezolvarea unei game
variate de probleme de teoria grafurilor, printre care:
• Găsirea tuturor componentelor conexe dintr-un graf.
• Identificarea tuturor nodurilor într-o componentă conexă.
• Găsirea celui mai scurt drum între nodurile u şi v (într-un graf
neponderat).
• Testarea bipartiţiei unui graf.
Găsirea Componentelor Conexe
Mulţimea vârfurilor accesate prin metode BFS reprezintă cea mai
mare componentă conexă care conţine vârful de start.
Testarea bipartiţiei
BFS poate fi folosită pentru testarea bipartiţiei, începând căutarea cu
orice vârf şi atribuind etichete alternative vârfurilor vizitate în timpul
căutării. Astfel, se atribuie eticheta 0 vârfului de start, 1 tuturor vecinilor săi,
0 vecinilor acelor vecini, şi aşa mai departe. Dacă într-un anumit moment al
procesului un vârf are vecini vizitaţi cu aceeaşi etichetă, atunci graful nu este
bipartit. Dacă parcurgerea se sfârşeşte fără a se produce o astfel de situaţie,
atunci graful este bipartit.

2.2. Căutarea în adâncime

Depth-first search (DFS) este un algoritm căutare a arborelui,
structurii arborelui, sau a grafului. Formal, DFS reprezintă o căutare care
evoluează prin expansiunea la primul vârf „fiu” a arborelui ce ia naştere pe
măsură ce se coboară în adâncime, până în momentul în care vârful „ţintă”
este descoperit sau până când se întâlneşte un vârf care nu are „fii”. La pasul
următor, căutarea se reia (backtracking), revenind la nodul cel mai recent
vizitat, însă pentru care explorarea nu este încheiată. Într-o implementare ne-
recursivă, toate vârfurile recent vizitate sunt adăugate într-o stivă de tipul
LIFO (Last In First Out), în scopul explorării acestora. Complexitatea în
spaţiu a DFS este cu mult mai mică decât cea a BFS (Breadth-First Search).
De asemenea se pretează mult mai bine metodelor euristice de alegere a

11
ramurilor asemănătoare. Complexitatea în timp a ambilor algoritmi este
proporţională cu numărul vârfurilor plus numărul muchiilor grafului
corespunzător (O(V + E )) .
Căutarea în adâncime se poate folosi şi la ordonarea liniară a
vârfurilor grafului (sau arborelui). Există trei astfel de posibilităţi:
■ O preordine reprezintă o listare a vârfurilor în ordinea în care au
fost vizitaţi prin intermediul algoritmului căutării în adâncime. Aceasta este
o modalitate naturală şi compactă de descriere a progresului căutării. O
preordine a unei expresii arbore este ceea ce numim expresie în notaţia
Polonezǎ.
■ O postordine reprezintă o listare în care cel din urmă vârf vizitat
este primul element al listei. O postordine a unui expresii arbore este de
fapt expresia în oglindă a expresiei în notaţie Polonezǎ.
■ O postordine inversată (în oglindă) este, de fapt, reversul
postordinii, i.e. o listare a vârfurilor în ordinea inversă a celei mai recente
vizite a vârfurilor in cauză. În căutarea unui arbore, postordinea inversată
coincide cu preordinea, însă, în general, diferă atunci când se caută un graf.
Spre exemplu când se caută graful:

începând cu vârful A, preordinile posibile sunt A B D C, respectiv A C D B

(în funcţie de alegerea algoritmului de a vizita mai întâi vârful B sau vârful
C), în timp ce postordinile inversate (în oglindă) sunt: A B C D şi A C B D.
Postordinea inversată produce o sortare topologică a oricărui graf orientat
aciclic. Această ordonare este folositore şi în analiza fluxului de control,
reprezentând adesea o liniarizare naturală a fluxului de control. Graful mai
sus amintit poate reprezenta fluxul de control într-un fragment de cod ca cel
de mai jos:
if (A) then {
B
} else {
C
}
D

şi este natural să considerăm că acest cod urmează ordinea A B C D sau A C

B D, însă nu este normal să urmeze ordinea A B D C sau A C D B.

12
PSEUDOCOD (recursiv)
dfs(v)
process(v)
mark v as visited
for all vertices i adjacent to v not visited
dfs(i)

O altă variantă
dfs(graph G)
{
list L = empty
tree T = empty
choose a starting vertex x
search(x)
while(L is not empty)
{
remove edge (v, w) from beginning of L
if w not yet visited
{
add (v, w) to T
search(w)
}
}
}
search(vertex v)
{
visit v
for each edge (v, w)
add edge (v, w) to the beginning of L
}

Aplicaţii
Iată câţiva algoritmi în care se foloseşte DFS:
■ Găsirea componentelor conexe.
■ Sortarea topologică.
■ Găsirea componentelor tare conexe.

2.3. Metoda Greedy

Descrierea metodei Greedy
Metoda Greedy (greedy = lacom) este aplicabilă problemelor de
optim.
Considerăm mulţimea finită
A = {a1 ,..., a n }
şi o proprietate p definită pe mulţimea submulţimilor lui A:
/ =1
⎧p(0)
p : P(A) → {0,1} cu ⎨
⎩p(X) = 1 ⇒ p(Y) = 1, ∀Y ⊂ X
O submulţime S ⊂ A se numeşte soluţie dacă p(S) = 1.

13
 Dintre soluţii va fi aleasă una care optimizează o funcţie de cost
p : P(A) → R
dată.
Metoda urmăreşte evitarea căutării tuturor submulţimilor (ceea ce ar
necesita un timp de calcul exponenţial), mergându-se "direct" spre soluţia
optimă. Nu este însă garantată obţinerea unei soluţii optime; de aceea
aplicarea metodei Greedy trebuie însoţită neapărat de o demonstraţie.
Distingem doua variante generale de aplicare a metodei Greedy:
Prima variantă alege în mod repetat câte un element oarecare al
mulţimii A şi îl adaugă soluţiei curente S numai dacă în acest mod se obţine
tot o soluţie. În a doua variantă procedura prel realizează o permutare a
elementelor lui A, după care elementele lui A sunt analizate în ordine şi
adăugate soluţiei curente S numai dacă în acest mod se obţine tot o soluţie.
Exemplu. Se consideră mulţimea de valori reale A = {a1 ,..., a n } .
Se caută submulţimea a cărei sumă a elementelor este maximă.
Vom parcurge mulţimea şi vom selecta numai elementele pozitive,
care vor fi plasate în vectorul soluţie s.

k←0
for i = 1,n
if ai > 0
then k ← k + 1; sk ← ai
write(s)

2.4. Metoda backtracking

Un algoritm este considerat "acceptabil" numai dacă timpul său de
executare este polinomial, adică de ordinul O(nk) pentru un anumit k; n
reprezintă numărul datelor de intrare.
Pentru a ne convinge de acest lucru, vom considera un calculator
capabil să efectueze un milion de operaţii pe secundă. în tabelul următor apar
timpii necesari pentru a efectua n3, 2n şi 3n operaţii, pentru diferite valori
mici ale lui n:

n = 20 n = 40 n = 60
n3 - - 0,2 sec
2n 1 sec 12,7 zile 366 secole
3n 58 min 3855 secole 1013 secole

Tabelul de mai sus arată că algoritmii exponenţiali nu sunt

acceptabili.

14
 Descrierea metodei Backtracking
Fie produsul cartezian X = X1 × ... × X n . Căutam x ∈ X cu ϕ(x) = 1 ,
unde ϕ : X → {0,1} este o proprietate definită pe X.
Din cele de mai sus rezultă că generarea tuturor elementelor
produsului cartezian X nu este acceptabilă.
Metoda backtracking încearcă micşorarea timpului de calcul. X este
numit spaţiul soluţiilor posibile, iar ϕ sintetizează condiţiile interne.
Vectorul X este construit progresiv, începând cu prima componentă.
Nu se trece la atribuirea unei valori lui x, decât dacă am stabilit valori pentru
x1 ,..., x k −1 şi ϕk −1 (x1 ,..., x k −1 ) = 1 . Funcţiile ϕk : X1 × ... × X n → {0,1} se
numesc condiţii de continuare şi sunt de obicei restricţiile lui ϕ la primele k
variabile. Condiţiile de continuare sunt strict necesare, ideal fiind să fie şi
suficiente.
Distingem următoarele cazuri posibile la alegerea lui xk:
1) "Atribuie şi avansează": mai sunt valori neanalizate din Xk şi
valoarea xk aleasă satisface ϕ k=> se măreşte k.
2) "Încercare eşuată": mai sunt valori neconsumate din Xk şi
valoarea xk aleasă dintre acestea nu satisface ϕ k=> se va relua,
încercându-se alegerea unei noi valori pentru xk.
3) "Revenire": nu mai există valori neconsumate din Xk (Xk
epuizată) ⇒ întreaga Xk devine disponibilă şi k <- k-1.
4) "Revenire după determinarea unei soluţii": este reţinută soluţia.
Reţinerea unei soluţii constă în apelarea unei proceduri retsol care
prelucrează soluţia şi fie opreşte procesul (dacă se doreşte o singură soluţie),
fie prevede k ← k-1 (dacă dorim să determinăm toate soluţiile).
Notăm prin Ck ⊂ X k mulţimea valorilor consumate din Xk.
Algoritmul este următorul:

Ci<- 0, ∀ i;
k<-l;
while k > 0
if k = n+1
then retsol (x); k<- k-1;
else if C ⊂ X
k k
then alege v ∈ X \ C ; C ← C ∪ {v} ;
k k k k
if ϕ (x ,..., x
k 1 k −1 , v) = 1
then x ← v ; k<- k+l;
k
else
/ ; k<- k-l;
else Ck<- 0

15
 Pentru cazul particular X1 = ... = X n = {1,...,s} , algoritmul se
simplifică
k<-l; x i <-0, ∀ i = 1, …, n;
while k > 0
if k = n+1
then retsol (x); k<-k-l;
else if x < s
k
then x ← x + 1 ;
k k
if ϕ (x ,..., x ) = 1
k 1 k
then k<- k+l;
else
else x <-0; k<-k-l;
k

2.5. Metoda divide et impera

Metoda Divide et Impera ("desparte şi stăpâneşte") consta în
împărţirea repetată a unei probleme de dimensiuni mari în mai multe
subprobleme de acelaşi tip, urmată de rezolvarea acestora şi combinarea
rezultatelor obţinute pentru a determina rezultatul corespunzător problemei
iniţiale. Pentru fiecare subproblemă procedăm în acelaşi mod, cu excepţia
cazului în care dimensiunea ei este suficient de mică pentru a fi rezolvată
direct. Este evident caracterul recursiv al acestei metode.
Schema generală
Descriem schema generală pentru cazul în care aplicăm metoda
pentru o prelucrare oarecare asupra elementelor unui vector. Funcţia DivImp,
care întoarce rezultatul prelucrării asupra unei subsecvenţe a p ,..., a u , va fi
apelată prin DivImp (1,n).
function DivImp(p,u)
if u-p < ε
then r <- Prel (p, u)
else m <- Interm (p,u);
r1 <- DivImp (p,m);
r2 <- DivImp (m+1,u);
r <- Combin (r1,r2)
return r
end;

unde:
⎢p + u ⎥
- funcţia Interm întoarce un indice în intervalul p..u; de obicei m = ⎢ ;
⎣ 2 ⎥⎦
- funcţia Prel întoarce rezultatul subsecvenţei p .. u, dacă aceasta este
suficient de mică;
- funcţia Combin întoarce rezultatul asamblării rezultatelor parţiale r1 şi r2.

16
2.6. Metoda Branch and Bound
Prezentare generală
Metoda Branch and Bound se aplică problemelor care pot fi
reprezentate pe un arbore: se începe prin a lua una dintre mai multe decizii
posibile, după care suntem puşi în situaţia de a alege din nou dintre mai
multe decizii; vom alege una dintre ele etc. Vârfurile arborelui corespund
stărilor posibile în dezvoltarea soluţiei.
Deosebim două tipuri de probleme:
1) Se caută un anumit vârf, numit vârf rezultat, care nu are descendenţi.
2) Există mai multe vârfuri finale, care reprezintă soluţii posibile, dintre care
căutăm de exemplu pe cel care minimizează o anumită funcţie.
Deşi metoda este aplicabilă pe arbori. Există multe deosebiri, dintre
care menţionăm:
- ordinea de parcurgere a arborelui;
- modul în care sunt eliminaţi subarborii care nu pot conduce la o
soluţie;
- faptul ca arborele poate fi infinit (prin natura sa sau prin faptul că
mai multe vârfuri pot corespunde la o aceeaşi stare).
În general arborele de stări este construit dinamic.
Este folosită o listă L de vârfuri active, adică de stări care sunt
susceptibile de a fi dezvoltate pentru a ajunge la soluţie / soluţii. Iniţial, lista
L conţine rădăcina arborelui, care este vârful curent. La fiecare pas, din L
alegem un vârf (care nu este neapărat un fiu al vârfului curent!), care devine
noul vârf curent.
Când un vârf activ devine vârf curent, sunt generaţi toţi fiii săi, care
devin vârfuri active (sunt incluşi în L). Apoi din nou este selectat un vârf
curent.
Legat de modul prin care alegem un vârf activ drept vârf curent, deci
implicit legat de modul de parcurgere a arborelui, facem următoarele
remarci:
- căutarea în adâncime nu este adecvată, deoarece pe de o parte
arborele poate fi infinit, iar pe de altă parte soluţia căutată poate fi
de exemplu un fiu al rădăcinii diferit de primul fiu şi căutarea în
adâncime ar fi ineficientă: se parcurg inutil stări, în loc de a avansa
direct spre soluţie;
- căutarea pe lăţime conduce totdeauna la soluţie (dacă aceasta
există), dar poate fi ineficientă dacă vârfurile au mulţi fii.
Metoda Branch and Bound încearcă un "compromis" între cele două
căutări menţionate mai sus, ataşând vârfurilor active cate un cost pozitiv, ce
intenţionează sa fie o măsură a gradului de "apropiere" a vârfului de o
soluţie. Alegerea acestui cost este decisivă pentru a obţine un timp de
executare cât mai bun şi depinde de problema concretă, dar şi de abilitatea

17
programatorului.
Costul unui vârf va fi totdeauna mai mic decât cel al descendenţilor
(fiilor) săi.
De fiecare dată drept vârf curent este ales cel de cost minim (cel
considerat ca fiind cel mai "aproape" de soluţie).
Din analiza teoretică a problemei deducem o valoare lim care este o
aproximaţie prin adaos a minimului căutat: atunci când costul unui vârf
depaseste lim, vârful curent este ignorat: nu este luat în considerare şi deci
este eliminat întregul subarbore pentru care este rădăcină. Dacă nu
cunoaştem o astfel de valoare lim, o iniţializăm cu + ∞ .
Se poate defini o funcţie de cost ideală, pentru care c(x) este dat de:
• nivelul pe care se află vârful x dacă x este vârf rezultat;
• + ∞ dacă x este vârf final, diferit de vârf rezultat;
• min {c(y) | y fiu al lui x} dacă x nu este vârf final.
Această funcţie este ideală din două puncte de vedere:
- nu poate fi calculată dacă arborele este infinit; în plus,
chiar dacă arborele este finit, el trebuie parcurs în întregime, ceea
ce este exact ce dorim să evităm;
- dacă totuşi am cunoaşte această funcţie, soluţia poate
fi determinată imediat: plecăm din rădăcină şi coborâm mereu spre
un vârf cu acelaşi cost, până ajungem în vârful rezultat.
Neputând lucra cu funcţia ideală de mai sus, vom alege o
aproximaţie d a lui c, care trebuie să satisfacă condiţiile:
1) în continuare, dacă y este fiu al lui x avem
d(x) < d(y);
2) d(x) să poată fi calculată doar pe baza informaţilor din
drumul de la rădăcină la x;
3) este indicat ca d ≤ c pentru a ne asigura că dacă
d(x ) > lim, atunci şi c(x) > lim, deci x nu va mai fi
dezvoltat.
O primă modalitate de a asigura compromisul între căutările în
adâncime şi pe lăţime este de a alege funcţia d astfel încât, pentru o valoare
naturală k, să fie îndeplinită condiţia: pentru orice vârf x situat pe un nivel
nx şi orice vârf situat pe un nivel ny ≥ nx + k, să avem d(x) > d(y),
indiferent dacă y este sau nu descendent al lui x.
Condiţia de mai sus spune că niciodată nu poate deveni activ un vârf
aflat pe un nivel ny ≥ nx + k dacă în L apare un vârf situat pe nivelul nx,
adică nu putem merge "prea mult" în adâncime. Dacă aceasta condiţie este
îndeplinită, este valabilă următoarea propoziţie:
Propoziţie.
În ipoteza că este îndeplinită condiţia de mai sus şi dacă există
soluţie, ea va fi atinsă într-un timp finit, chiar dacă arborele este infinit.

18
 Algoritmul Branch & Bound pentru probleme de optim
Să presupunem că dorim să determinăm vârful final de cost minim şi
drumul de la rădăcină la el. Fie lim aproximarea prin adaos considerată mai
sus.
Algoritmul este următorul (rad este rădăcina arborelui, iar ifinal este
vârful rezultat):

i<-rad; L<={i}; min<-lim;

calculăm d(rad); tata(i)<-0
while L≠ Ø
i <= L {este scos vârful i cu d(i) minim din min-ansamblul L}
for toţi j fii ai lui i
calculăm d(j); calcule locale asupra lui j; tata(j)<-i
if j este vârf final
then if d(j)< min
then min<-d(j); ifinal<-j
elimină din L vârfurile k cu d(k) ≥ min (*)
else if d(j)<min
then j => L
if min =lim then write {'Nu există soluţie')
else writeln (min); i<-ifinal
while i≠ 0
write{i); i<-tata{i)

La (*) am ţinut cont de faptul că dacă j este descendent al lui i, atunci

d(i ) < d(j).

19
20
 Capitolul 3
STRUCTURI DE DATE

3.1. Liste
Pentru a îmbunătăţi utilizarea memoriei sunt folosite structuri de date
înlănţuite. Acestea poartă numele de liste, fiind compuse dintr-o mulţime de
noduri între care sunt definite anumite legături. Se întâlnesc liste simplu
înlănţuite, liste dublu înlănţuite, liste circulare, structuri de liste şi liste
speciale care sunt formate din atomi şi din alte liste. În continuare se prezintă
listele simplu înlănţuite şi dublu înlănţuite.

3.1.1. Liste simplu înlănţuite

Lista simplu înlănţuită este o structură liniară de date, în care fiecare
nod este format dintr-o parte de informaţie ce reţine diverse valori
caracteristice elementului respectiv şi o parte de legătură ce reţine adresa
următorului element al listei. Există valoarea NIL ce semnifică adresa către
nicăieri folosită în marcarea legăturii ultimului element al listei. Pentru a crea
un nou nod, folosim o procedură predefinită new iar pentru a elibera spaţiul
de memorie în momentul în care nu mai este necesară reţinerea unui anumit
nod, există procedura predefinită dispose.
Declararea unei liste simplu înlănţuite se realizează astfel:

lista=Anod;
nod=record
inf:integer;
leg:lista;
end;
L:lista;

În pseudocod, crearea unei liste simplu înlănţuite poate fi realizată

astfel:

algoritm creare (L:lista);

{ L:=NIL;
read (A);
while (A<>0) do
{ new(Pl);
P->inf:=A;
P->leg:=L;
L:=P;
readln (A);
}
}
Procesul se încheie la citirea numărului 0. Prezentam în continuare o

21
variantă recursivă de creare a listei:

algoritm creare:lista;
{ read (A);
if (A=O) then creare:=NIL;
else
{ new(P);
P->inf:=A;
P->leg:=creare;
creare:=P;
}
}

3.1.2. Parcurgerea unei liste simplu înlănţuite

După ce a fost creată, se doreşte în cele mai multe cazuri prelucrarea
listei şi afişarea rezultatelor. Deoarece există numai legătura către următorul
element al listei, toate prelucrările vor fi făcute începând cu primul element
până la ultimul, în ordinea dată de legături. Cel mai simplu exemplu de
prelucrare îl constituie afişarea şirului valorilor memorate în listă. Parcurgem
pas cu pas elementele listei şi afişăm informaţia elementului curent:

algoritm listare(L:lista);
{ P:=L;
while (P<>NIL) do
{ write (P->inf,’ ‘);
P:=P->leg;
}
)

3.1.3. Liste dublu înlănţuite

Într-o listă dublu înlănţuită fiecare nod are o parte de informaţie şi
două legături: legătura succ către următorul element şi legătura pred către
elementul precedent. Putem memora poziţia primului element L al listei. De
cele mai multe ori se vor memora doua poziţii în listă: poziţia P a primului
element şi poziţia U a ultimului element.
Declararea listei dublu înlănţuite se realizează în felul următor:
lista=^nod;
nod=record
inf:integer;
succ,pred:lista;
end;
L:lista;

Inserarea unui nou nod în interiorul unei liste dublu înlănţuite se

execută prin introducerea informaţiei ataşate şi refacerea a patru legături,
astfel:

22
new (Q);
Q^.inf:=A;
Q^.succ:=P^.succ;
Q^.pred:=P;
Q^.succ^.pred:=Q;
P^.succ:=Q;

Pentru eliminarea nodului desemnat de pointerul P, se vor executa

instrucţiunile:

Q:=P;
P^.succ^.pred:=Q^.pred;
P^.pred^.succ:=Q^.succ;
dispose (Q) ;

3.1.4. Parcurgerea unei liste dublu înlănţuite

Fie o listă dublu înlănţuită, având referinţele la capete P, respectiv Q.
a) Să se parcurgă lista de la stânga la dreapta şi de la dreapta la
stânga.
b) Să se calculeze referinţa elementului aflat aproximativ la mijlocul
acestei liste.
Prezentam rezolvările în pseudocod:

algoritm listare1(P,Q:lista);
{ AUX:=P;
while (AUX<>NIL) do
{ write (AUX->inf,’ ‘);
AUX:=AUX->succ;
}
}
algoritm listare2(P,Q:lista);
{ AUX:=Q;
while (AUX<>NIL) do
{ write (AUX->inf, ‘ ‘) ;
AUX:=AUX->pred;
}
}
algoritm cautare(P,Q:lista):lista;
{ AUXl:=P;
AUX2:=Q;
while (AUXl<>AUX2) do
{ AUXl:=AUXl->succ;
if (AUXl=AUX2) then return (AUXl);
AUX2:=AUX2->pred;
if (AUXl=AUX2) then return (AUXl);
}
}

23
3.2. Arbori
3.2.1. Arbori liberi
Definiţie. Fie o mulţime V de noduri şi o mulţime E de muchii,
fiecare muchie legând două noduri distincte.
Se numeşte lanţ un şir X1, X2, … , XL de noduri pentru care oricare
două noduri consecutive sunt legate printr-o muchie. Dacă nodurile sunt
distincte, lanţul se numeşte elementar.
Se numeşte ciclu elementar un lanţ X1, X2, … , XL, X1 pentru care
lanţul X1, X2, … , XL este lanţ elementar.
Se numeşte arbore liber o pereche A = (V,E) cu proprietăţile:
l. Oricare două noduri distincte sunt legate printr-un lanţ.
2. Nu conţine cicluri elementare.
Propoziţie. Un arbore liber cu |V| = n noduri are exact n – l muchii.
Se poate demonstra prin inducţie după numărul n de noduri.
Propoziţie. Următoarele afirmaţii sunt echivalente:
l. A = (V, E) este arbore liber.
2. A = (V,E) cu |V| = n are exact n – 1 muchii şi nu conţine cicluri
elementare.
3. A = (V,E) cu |V| = n are exact n – 1 muchii şi oricare două noduri
sunt legate printr-un lanţ.
3.2.2. Arbori cu rădăcină
Definiţie. Se numeşte arbore cu rădăcină o mulţime de noduri şi
muchii în care: există un nod special numit rădăcină, iar celelalte noduri sunt
repartizate în k mulţimi disjuncte A1, A2, … , Ak care sunt la rândul lor
arbori cu rădăcină.
Observaţie.
1. Prin alegerea unui nod drept rădăcină, un arbore liber se poate
transforma în arbore cu rădăcină. Totodată, fiecărui nod al arborelui îi va fi
asociat un nivel. Nivelul rădăcinii se consideră a fi nivelul 1, iar un nod de pe
nivelul i are descendenţii direcţi pe nivelul i + 1.
2. Pentru fiecare nod, se consideră o ordine a mulţimilor A1, A2,… , Ak.
Spunem atunci că arborele cu rădăcină este ordonat.
Definiţie. Numim adâncimea unui arbore cu rădăcină nivelul maxim
pe care îl are un nod al acestui arbore.
Modalităţi statice de memorare
1. Putem memora arborele ca o expresie cu paranteze, în care prima
poziţie este eticheta rădăcinii, urmată, între paranteze, de lista subarborilor
respectivi.
2. Putem memora un vector de taţi. Vectorul are lungimea egală cu
numărul de noduri al arborelui, fiecare poziţie i memorând ascendentul direct
al nodului i, iar ascendentul rădăcinii (care nu există) se consideră a fi 0.

24
3.2.3. Arbori binari
Definiţie. Un arbore binar este un arbore cu rădăcină, în care orice
nod are cel mult doi descendenţi direcţi şi se face distincţia între
descendentul stâng şi descendentul drept.
Definiţie. Un arbore binar se numeşte arbore binar strict dacă fiecare
nod care are descendenţi direcţi are exact doi astfel de descendenţi.
Definiţie. Un arbore binar se numeşte arbore binar plin dacă are un
număr de n nivele şi pentru toate nodurile de pe nivele 1, 2, ... , n – l există
doi descendenţi direcţi.
Un arbore plin cu n nivele are
1 + 2 + ... + 2n −1 = 2n − 1
noduri.
Definiţie. Un arbore binar se numeşte arbore binar complet dacă pe
primele n – 1 niveluri are toate nodurile posibile, iar pe ultimul nivel n are o
parte din noduri, considerate pe orizontală în ordinea de la stânga la dreapta.
Modalităţi statice de memorare
1. Putem memora un arbore binar prin memorarea etichetei nodului
rădăcină şi folosind doi vectori ST şi DR ce memorează etichetele
descendenţilor direcţi stâng respectiv drept. Dacă nu există descendent
direct, pe poziţia respectiva se va memora valoarea 0.
2. Dacă arborele este arbore binar complet, sau apropiat de un arbore
binar complet putem folosi eficient un singur vector, în care legăturile stânga
şi dreapta sunt implicite.

3.2.4. Parcurgerea arborilor binari

Preordine
Parcurgerea în preordine constă în vizitarea rădăcinii urmată de
vizitarea subarborelui stâng şi apoi a subarborelui drept, acest lucru fiind
valabil recursiv, pentru orice subarbore al arborelui considerat. Algoritmul
recursiv este următorul:

algoritm preordine(A:arbore);
{ if (A<>NIL) then
{ write (A->INF) ;
preordine(A->ST);
preordine(A->DR);
}
}

Inordine
Parcurgerea în inordine vizitează, pentru fiecare subarbore, mai întâi
subarborele stâng, apoi rădăcina, apoi subarborele drept. Dacă arborele binar
respectiv este şi arbore de căutare, atunci parcurgerea în inordine vizitează

25
vârfurile în ordinea crescătoare a cheilor. Prezentăm algoritmul recursiv:

algoritm inordine(A:arbore);
{ if (A<>NIL) then
{ inordine(A->ST);
write(A->INF);
inordine(A->DR);
}
}

Postordine
Parcurgerea în postordine vizitează, pentru fiecare subarbore, mai
întâi subarborele său stâng, apoi subarborele său drept, apoi vârful rădăcină.
Parcurgerea în postordine se poate realiza recursiv astfel:

algoritm postordine(A:arbore);
{ if (A<>NIL) then
{ postordine(A->ST);
postordine(A->DR);
write(A->INF);
}
}

Toţi algoritmii recursivi prezentaţi au şi variante iterative, eliminarea

recursivităţii realizându-se prin folosirea explicită a unor stive. Prezentăm în
continuare algoritmul iterativ de parcurgere în preordine:

algoritm RSD_iterativ
{ stiva<-vida;
I :=RAD;
OK:=true;
while OK=true do
{ while (I<>NIL) do
{ write( I );
stiva<-I;
I:=ST[I);
}
if (stiva<>vida) then
{ I<-stiva;
I:=DR[I);
}
else OK:=false;
}
}

Parcurgerea pe nivele
Dându-se un arbore binar, să se viziteze vârfurile acestuia în ordinea
crescătoare a nivelelor. Acest lucru se realizează folosind o coadă auxiliară
de noduri vizitate dar neprelucrate. Algoritmul se încheie când coada devine
vidă, şi este o particularizare a parcurgerii în lăţime a unui graf.

26
 Procedura este iterativă şi poate fi prezentată astfel:

algoritm nivele{A:arbore);
ST:stiva; P,U:intregi;
{ P:=O;U:=O;
U:=U+1;ST[U):=A;write {A->INF);
while (P<U) do
{ P:=P+1; NOD:=ST[P];
if {NOD->ST<>NIL) then
{ U:=U+1; ST[U):=NOD->ST;
write{NOD->ST->INF);}
if {NOD->DR<>NIL) then
{ U:=U+1; ST[U]:=NOD->DR;
write{NOD->DR->INF);}
}
}

27
28
 Capitolul 4
PARCURGERI DE GRAFURI

Problema parcurgerii unui digraf G = (N,A), N = {1, ... , n},

A = {1, ... , m} are următoarea formulare: să se genereze mulţimea W ⊂ N
a nodurilor y pentru care există drum de la un nod sursă dat s la nodul y în
digraful G. Dacă există drum, în digraful G, de la nodul sursă s la nodul y
atunci se spune că nodul y este accesibil din nodul s.
Algoritmii pe care îi vom prezenta pentru rezolvarea problemei
parcurgerii unui digraf G sunt metode sistematice de vizitare a nodurilor y
accesibile din s. Fiecare iteraţie a execuţiei oricărui algoritm de parcurgere
stabileşte pentru fiecare nod apartenenţa la una din următoarele trei stări:
• nevizitat;
• vizitat şi neanalizat, adică un nod vizitat ai cărui succesori au
fost parţial vizitaţi;
• vizitat si analizat, adică un nod vizitat ai cărui succesori au
fost în totalitate vizitaţi.
Dacă nodul x este vizitat si neanalizat, există arcul (x,y) şi nodul y
este nevizitat, atunci se poate vizita nodul y. În acest caz se spune că arcul
(x,y) este arc admisibil şi dacă nodul y este vizitat explorând arcul (x,y) se
spune că nodul x este predecesorul parcurgere al nodului y.
Se vor prezenta următorii algoritmi pentru parcurgerea unui digraf:
algoritmul BF şi algoritmul DF. Aceşti algoritmi utilizează următoarele
notaţii comune:
U mulţimea nodurilor nevizitate;
V mulţimea nodurilor vizitate şi neanalizate;
W mulţimea nodurilor vizitate şi analizate;
p tabloul predecesor, care este unidimensional cu n elemente.

4.1. Parcurgerea BF a grafurilor

Parcurgerea se face "mai întâi în lăţime". În engleză "breadth first"
(BF).
Fie digraful G = (N,A) cu nodul sursă s şi Dx mulţimea drumurilor de
la nodul sursa s la nodul x ∈ N. Numărul de arce ce compun un drum Dx ∈ Dx
defineşte lungimea acestui drum pe care îl notăm l(Dx). Distanţa de la nodul
s la nodul x se defineşte în modul următor:
⎪⎧min{l(D x ) D x ∈ Dx }, Dx ≠ 0/
d(x) = ⎨
⎪⎩ ∞, Dx = 0/

29
 Un drum D̂ x ∈ Dx cu l( D̂ x ) = d(x) se numeşte cel mai scurt drum
de la nodul sursă s la nodul x.
Observaţia 1. Pentru orice arc (x,y) ∈ A avem
d(y) ≤ d(x) + 1.
Într-adevăr, dacă Dx = 0/ atunci d(x) = ∞ şi inegalitatea se păstrează.
Dacă Dx ≠ 0/ atunci evident Dy ≠ 0/ . Fie D̂ x un cel mai scurt drum de la s
la x, deci l( D̂ x ) = d(x). Mulţimea Dy poate conţine un drum Dy, astfel încât
l(Dy) < d(x) + 1. Conform definiţiei distanţei avem d(y) ≤ l(Dy) şi rezultă că
d(y) < d(x) + 1. Avem egalitate când un drum cel mai scurt D̂ y de la s la y
are lungimea
d(y) = l( D̂ y ) = d(x) + 1,
de exemplu
D̂ y = D̂ x ∪ {(x,y)}.
În algoritmul parcurgerii BF (algoritmul PBF) se utilizează tabloul
lungime l care este unidimensional şi are n elemente. Mulţimea nodurilor
vizitate şi neanalizate V este organizată, ca structură de date, ca o coadă.
Algoritmul PBF este următorul:

(1) PROGRAM PBF;

(2) BEGIN;
(3) U := N - {s} ; V := {s} ; W := 0/ ;
(4) FOR toţi y ∈ N DO p(y) := 0;
(5) l(s) := 0;
(6) FOR toţi y ∈ U DO l(y) := ∞ ;
(7) WHILE V ≠ 0/ DO
(8) BEGIN
(9) se selectează cel mai vechi nod x introdus In V;
(10) FOR (x, y) ∈ A DO
(11) IF y ∈ U
(12) THEN U:=U–{y}; V:=V ∪ {y}; p(y):=x:
l(y) := l(x) + 1;
(13) V:=V-{x}; W:=W ∪ {x};
(14) END;
(15) END.

Teorema 1 .
(1) Algoritmul PBF calculează elementele tabloului l astfel încât
d(y) ≤ l(y), y ∈ N ;
(2) Dacă la iteraţia k oarecare a algoritmului PBF avem V = (x1, ..., xr) în
această ordine, atunci l(x r ) ≤ l(x1 ) + 1 şi l(x i ) ≤ l(x i +1 ), i = 1, r − 1 .

30
 Demonstraţie.
(1) Utilizăm inducţia după k, numărul de iteraţii ale ciclului WHILE.
Iniţial l(s) := 0, l(y) := ∞ pentru y∈U şi evident d(y) ≤ l(y), y ∈ N .
Presupunem că, la iteraţia k avem d(y) ≤ l(y) pentru y ∈ N . La iteraţia
k + 1 pot exista cazurile:
(Cl ) Există arc (x,y) admisibil ((x,y) ∈ A şi y ∈ U). În acest caz
l(y) = l(x) + 1
şi
d(y) ≤ d(x) + 1 ≤ l(x) + 1 = l(y)
(l(x) pentru x ∈ V nu se modifică). Deci pentru toate arcele (x,y) ∈ A şi
y ∈ U avem d(y) ≤ l(y) . Pentru celelalte noduri y, conform ipotezei
inducţiei, avem d(y) ≤ l(y) , deoarece la iteraţia k + 1, l(y) nu se mai
modifică.
(C2) Nu există arc (x,y) admisibil ((x,y) ∉ A sau y ∉ U). În acest caz la
iteraţia k + 1 nu se modifică nici un element l(y) şi conform ipotezei
inducţiei d(y) ≤ l(y) pentru y ∈ N .
(2) Utilizăm inducţia după k numărul de iteraţii ale ciclului WHILE.
Iniţial V := {s}. Deci x1 = a, xr = a şi l(s) < l(s) + 1, l(s) = l(s). Presupunem
că la iteraţia k avem l(xr) ≤ l(x1) + 1 şi l(xi) < l(xi+1), pentru i = 1, r − 1 . La
iteraţia k + 1 pot exista cazurile:
(Cl ) Există arc (x,y) admisibil ((x,y) ∈ A şi y ∈ U). În acest caz
V={x1, ..., xr, xr+1}, x1 = x, xr+1 = y. Astfel, l(xr+1) = l(y) = l(x) + 1 = l(x1)+1.
De asemenea, avem l(xr) ≤ l(xr) + 1 = l(x) + 1 = l(y) = l(xr+1) şi inegalităţile
l(xi) ≤ l(xi+1), i = 1, r − 1 au rămas nemodificate.
(C2) Nu există arc (x,y) admisibil ((x,y) ∉ A sau y ∉ U). În acest caz
V = {x2, ..., xr}. Avem l(xr) ≤ l(x1) + 1 ≤ l(x2) + 1 şi inegalităţile
l(xi) ≤ l(xi+1), i = 1, r − 1 au rămas nemodificate.
Teorema 2. Algoritmul PBF este convergent şi la terminarea
execuţiei determinăm mulţimea tuturor nodurilor care sunt accesibile
din nodul sursă s în digraful G = (N,A).
Demonstraţie. Din liniile (10), (11) şi (12) ale algoritmului
rezultă că toate nodurile introduse în V sunt eliminate după ce sunt
analizate. Deci după un număr finit de iteraţii se obţine V = 0/ şi
execuţia algoritmului se opreşte. Pentru a arăta că la terminarea
execuţiei, algoritmul determină mulţimea tuturor nodurilor care sunt
accesibile din nodul sursă s în digraful G = (N,A), trebuie să arătăm că
la terminarea execuţiei algoritmului mulţimea W este:
W = {y y ∈ N şi există drum de la s la y}.
Din liniile (10), (11) şi (12) ale algoritmului rezultă că în V sunt

31
introduse numai noduri y care sunt accesibile din s şi că după ce un nod
x ∈ V a fost analizat el este eliminat din V şi introdus în W. Deoarece
algoritmul se opreşte când V = 0/ rezultă că W conţine toate nodurile
y ∈ N care sunt accesibile din s şi introduse în V. Să arătăm că W
conţine toate nodurile y ∈ N care sunt accesibile din s. Prin reducere la
absurd să presupunem că există un drum D = (yl,y2, ... ,yk-l,yk) cu yi = s,
yk = y în G şi y∉ W. Rezultă că yk ∉ V. Deoarece yk ∉ V şi (yk-h,yk) ∈ A
deducem că yk-1 ∉V, astfel yk ar fi fost introdus în V. Continuând
procedeul vom deduce în final că s = y1 ∉ V. Aceasta contrazice faptul
că în linia (3) a algoritmului iniţializăm V:={s}. Rezulta că y ∈ V, deci y ∈ W
şi teorema este demonstrată.
Teorema 3.
Algoritmul PBF este convergent şi determină:
(1) mulţimea tuturor nodurilor care sunt accesibile din nodul sursă s;
(2) elementele tabloului l astfel încât l(y) = d(y) pentru y ∈ N.
Demonstraţie. Convergenţa şi punctul (1) se demonstrează la fel
ca Teorema 2. Punctul (2) se demonstrează prin inducţie după k numărul
iteraţiilor ciclului WHILE. Fie mulţimea Nk = {y ∈ N |d(y) = k}. Pentru k
= 0 avem N0 = {s} şi deci d(s) = l(s) = 0. Presupunem afirmaţia adevărată
pentru k. Afirmaţia pentru k + 1 rezultă cu uşurinţă, deoarece, în
conformitate cu Teorema 1 punctul (2), un nod y ∈ Nk+l este vizitat plecând
de la un nod x ∈ Nk numai după ce toate nodurile din Nk sunt vizitate. Deci,
dacă y ∈ Nk+l şi este vizitat explorând arcul (x,y), x ∈ Nk, atunci,
l(y) = l(x) + 1 = d(x) + 1 = k + 1 = d(y).
Teorema 4.
Algoritmul PBF are complexitatea O(m).
Demonstraţie. Din liniile (10) , (11) şi (12) ale algoritmului rezultă
că fiecare nod al digrafului G este introdus şi eliminat din V cel mult o dată.
Deoarece execuţia algoritmului se termină când V = 0/ deducem că
algoritmul execută cel mult 2n iteraţii. Fiecare arc (x,y)∈A este explorat cel
mult o dată pentru identificarea arcelor admisibile. Deci complexitatea
algoritmului PBF este O(m + n) = O(m).
În parcurgerea BF, dacă Np = W şi subgraful predecesor
Gp = (Np,Ap) este o arborescenţă atunci Gp se numeşte arborescenţă
parcurgere BPF.
Teorema 5.
Algoritmul PBF determină elementele tabloului p astfel încât
subgraful predecesor Gp = (Np,Ap) este o arborescenţă parcurgere BPF.
Demonstraţie. Din liniile (10), (11) şi (12) ale algoritmului rezultă
că p(y) := x numai dacă y este accesibil din s. Evident că la terminarea
execuţiei algoritmului avem Np = W. Din modul cum sunt definite Np şi Ap

32
rezultă că Gp este o arborescenţă. Deci subgraful predecesor Gp este o
arborescenţă parcurgere a digrafului G = (N,A).
Observaţia 2. Drumul unic de la nodul sursă s la un nod y din
arborescenţa parcurgere BF este un cel mai scurt drum de la nodul sursă s la
acelaşi nod y din digraful G, conform punctului (2) al Teoremei 3.
Observaţia 3. Algoritmul PBF sau PTBF se poate aplica şi
grafurilor neorientate. În acest caz, subgraful predecesor Gp = (Np,Ap)
este o arborescenţă. sau mai multe arborescenţe.
Observaţia 4. Un drum unic de la nodul sursă s la un nod y din
arborescenta parcurgere BF se poate determina cu următoarea procedură.
(1) PROCEDURA DRUM (G,s,y);
(2) BEGIN;
(3) se tipăreşte u;
(4) WHILE p (y)≠i-0 DO
(5) BEGIN
(6) x := p(y); se tipăreşte x;
(7) IF x≠s
(8) THEN y := x
(9) ELSE EXIT;
(10) END;
(11) END.

Observaţia 5. Mulţimea W este în general submulţimea mulţimii

nodurilor N. Pentru parcurgerea întregului digraf G = (N,A) se utilizează
algoritmul parcurgerii totale generice (algoritmul PTG). Algoritmul PTG
este următorul:
(1) PROGRAM PTG;
(2) BEGIN;
(3) U := N - {s}; V :== {s}; W := 0/ ;
(4) FOR toţi y ∈ N DO p(y) := 0;
(5) k:= 1; o(s):= 1;
(6) FOR toţi y ∈ U DO o(y) := ∞ ;
(7) WHILE W≠N DO
(8) BEGIN
(9) WHILE V ≠ 0/ DO
(10) BEGIN
(11) se selectează un nod x din V;
(12) IF există arc (x, y) ∈ A şi y ∈ U
(13) THEN U:=U-{y}; V:=V ∪ {y};p(y):=x;
k := k + 1; o(y) :=k
(14) ELSE V:=V-{x}; W:=W ∪ {x};
(15) END;
(16) se selectează s ∈ U; U:= U - {s}; V:= {s};
k := k + 1: o(S) := k;
(17) END;
(18) END.

Este evident că algoritmul PTG are complexitatea tot O(m) şi că

vectorul p determină una sau mai multe arborescente parcurgeri.

33
 Exemplu 1.
Se aplică algoritmul PBF digrafului din figura 1 .

Figura 1

Iniţializări:
s = 1, U = {2,3,4,5,6},
V = {1}, W = 0/ , p = (0,0,0,0,0,0), l = (0, ∞ , ∞ , ∞ , ∞ , ∞ ).
Iteraţia 1:
x = 1, (1,2) ∈ A, 2 ∈ U: U = {3,4,5,6},
V = {1,2}, p = (0,1,0,0,0,0) ,
l = (0,1, ∞ , ∞ , ∞ , ∞ ); (1,3) ∈ A, 3 ∈ U: U = {4,5,6},
V = {1,2,3}, p= (0,1,1,0,0,0),
l = (0,1, 1, ∞ , ∞ , ∞ ); V = {2, 3}; W = {1}.
Iteraţia 2:
x = 2, (2,4) ∈ A, 4 ∈ U: U = {5,6}, V = {2,3, 4},
p = (0,1,1,2,0,0), l = (0,1,1,2, ∞ , ∞ ); (2,5) ∈ A,
5 ∈ U : U = {6}, V = {2,3,4,5} , p = (0,1,1,2,2,0) ,
l = (0,1,1,2,2, ∞ ) ; V = {3, 4, 5} ; W = {1, 2}.
Iteraţia 3:
x = 3, V = {4, 5}, W = {1, 2, 3}.
Iteraţia 4:
x = 4, (4, 6) ∈ A, 6 ∈ U: U = 0/ , V = {4, 5,6},
p = (0,1,1,2,2,4), l = (0,1,1,2,2,3); V = {5,6};
W = {1,2,3,4}.
Iteraţia 5:
x =5, V={6}, W = {1,2,3,4,5}.
Iteraţia 6:
x = 6, V = 0/ , W = {1,2,3,4,5,6}.
Np = {1,2,3,4,5,6} = W.

Arborescenţa parcurgere BF este prezentată în figura 2.

34
 Figura 2

Drumul unic de la nodul 1 la nodul 6 se obţine cu PROCEDURA

DRUM în modul următor:
y = 6 este ultimul nod al drumului;
Iteraţia 1: x = p(6) = 4, y = 4.
Iteraţia 2: x = p(4) = 2, y = 2.
Iteraţia 3: x = p(2) = 1, y = l.
Drumul este: 1,2,4,6.

4.2. Parcurgerea DF a grafurilor

Parcurgerea se face "mai întâi în adâncime". În engleză "depth first"
(DF).
În algoritmul parcurgerii DF (algoritmul PDF) se folosesc aceleaşi
notaţii ea în algoritmul PBF cu deosebirea că, în locul tabloului
unidimensional de lungime l se utilizează tablourile timp unidimensionale t1
şi t2 care au fiecare n elemente. Mulţimea nodurilor vizitate şi neanalizate V
este organizată ca structură de date, ca stivă.
Algoritmul PDF este următorul:
(1) PROGRAM PDF;
(2) BEGIN;
(3) U := N-{s}; V := {s}; W := 0/ ;
(4) FOR toţi y ∈ N DO p(y) := 0;
(5) t := 1; t1(s) := 1; t2(s) := ∞ ;
(6) FOR toţi y ∈ U DO t1(y) := ∞ ; t2(y) := ∞ ;
(7) WHILE V ≠ 0/ DO
(8) BEGIN
(9) se selectează cel mai nou nod x introdus in V;
(10) IF există arc (x,y) ∈ A şi y ∈ U
(11) THEN U := U - {y}; V := V ∪ {y}; p (y) := x;
t := t + 1; t1(y) := t
(12) ELSE V := V-{x}; W := W ∪ {x}; t:=t+1;t2(x):=t;
(13) END;
(14) END.

35
 Din liniile (10), (11), (12) ale algoritmului PDF rezultă că elementul
t1(y) reprezintă momentul când y devine nod vizitat şi neanalizat şi
elementul t2(x) reprezintă momentul când x devine nod vizitat şi analizat.
Se va studia în continuare algoritmul parcurgerii totale DF
(algoritmul PTDF).
Algoritmul PTDF este următorul:

(1) PROGRAM PTDF;

(2) BEGIN;
(3) U:=N-{s}; V:={s}; W:= 0/ ;
(4) FOR toţi y ∈ N DO p(y) := 0;
(5) t:=1; t1(s):= l; t2(s):= ∞ ;
(6) FOR toţi y ∈ U DO t1(y) := ∞ ; t2(y) := ∞ ;
(7) WHILE W≠N DO
(8) BEGIN
(9) WHILE V≠ 0/ DO
(10) BEGIN
(11) se selectează cel mai nou nod x introdus
în V;
(12) IF există arc (x,y) ∈ A şi y ∈ U
(13) THEN U := U - {y}; V := V ∪ {y};
p (y) := x; t := t + 1; t1(y)
:= t;
(14) ELSE V:= V - {x}; W:= W ∪ {x};
t:= t + 1; t2 (x) := t;
(15) END;
(16) se selectează s ∈ U; U := U - {s}; V := {s};
t:=t+l; t1(s):=t;
(17) END;
(18) END.

Fie mulţimea S = {s s ∈ N , s selectate în linia (3) şi linia (16)}.

Teorema 6.
Algoritmul PTDF este convergent şi determină mulţimile nodurilor
accesibile din s, s ∈ S.
Demonstraţie. Se demonstrează la fel ca Teorema 2.
Teorema 7.
Algoritmul PTDF are complexitatea O(m).
Demonstraţie. Evident că. algoritmul PTDF are complexitatea
O(m).
Un digraf G ˆ = (N, ˆ se numeşte pădure dacă este format din una
ˆ A)
sau mai multe arborescenţe. Un graf neorientat G ˆ = (N, ˆ se numeşte
ˆ A)
pădure dacă este format din unul sau mai mulţi arbori.
În parcurgerea totală DF, dacă subgraful predecesor Gp = (Np,Ap),
N p = {y p(y) ≠ 0} ∪ S, A p = {(p(y), y) y ∈ N p − S} este o pădure şi
Np = W, atunci Gp se numeşte pădure parcurgere DF.

36
 Teorema 8.
Algoritmul PTDF determină elementele tabloului p astfel încât
subgraful predecesor Gp = (Np,Ap) este o pădure parcurgere DF.
Demonstraţie. Se demonstrează analog ca Teorema 5.
Exemplul 2.
Se aplică algoritmul PTDF digrafului

Figura 3

Iniţializări:
s = 1,U = {2,3,4,5,6, ,8}, V = {1}, W = 0/ , p
p = (0,0,0,0,0,0,0,0), t = 1,
t1 = (1, ∞ , ∞ , ∞ , ∞ , ∞ , ∞ , ∞ ),
t2 = ( ∞ , ∞ , ∞ , ∞ , ∞ , ∞ , ∞ , ∞ ).
Iteraţia 1:
x = 1, (1,2) ∈ A, 2 ∈ U: U = {3,4,5,6,7,8}, V = {1,2},
p = (0,1,0,0,0,0,0,0), t = 2,
tl = (1,2, ∞ , ∞ , ∞ , ∞ , ∞ , ∞ , ∞ ).
Iteraţia 2:
x = 2, (2,3) ∈ A,3 ∈ U: U = {4,5,6,7,8}, V = {1,2,3},
p = (0,1,2,0,0,0,0,0), t = 3,
t1 = (1, 2, 3, ∞ , ∞ , ∞ , ∞ , ∞ ).
Iteraţia 3:
x = 3, (3,4) ∈ A,4 ∈ U: U = {5,6,7,8}, V = {1,2,3,4},
p = (0,1,2,3,0,0,0,0), t = 4, t1 = (1,2,3,4, ∞ , ∞ , ∞ , ∞ ).
Iteraţia 4:
x = 4: V = {1,2, 3}, W = {4}, t = 5,
t2 = ( ∞ , ∞ , ∞ ,5, ∞ , ∞ , ∞ , ∞ ).
Iteraţia 5:
x = 3: V = {1,2}, W = {4,3}, t = 6,
t2 = ( ∞ , ∞ ,6,5, ∞ , ∞ , ∞ , ∞ ).
Iteraţia 6:
x = 2, (2,5) ∈ A, 5 ∈ U: U = {6,7,8},
V = {1,2,5}, p = (0,1,2,3,2,0,0,0), t = 7,
tl = (1,2,3,4,7, ∞ , ∞ , ∞ ).
Iteraţia 7:
x = 5: V = {1,2}, W = {4,3,5}, t = 8,
t2 = ( ∞ , ∞ ,6,5,8, ∞ , ∞ , ∞ ).

37
 Iteraţia 8:
x = 2 : V = {1}, W = {4,3,5,2}, t = 9,
t2 = ( ∞ ,9,6,5,8, ∞ , ∞ , ∞ ).
Iteraţia 9:
x = 1: V = 0, W = {4,3,5,2,l}, t = 10,
t2 = (10,9,6,5,8, ∞ , ∞ , ∞ ).
Actualizări:
s = 6, U = {7,8}, V = {6}, t = 11, t1 = (1,2,3,4,7,11, ∞ , ∞ )
Iteraţia 10:
x = 6, (6, 7)∈A, 7∈U : U = {8}, V = {6, 7},
p = (0,1,2,3,2,0,6,0), t = 12,
t1 = (1,2,3,4,7,11,12, ∞ ).
Iteraţia 11:
x = 7 : V = {6}, W = {4, 3,5,2,1,7}, t = 13,
t2 = (10,9,6,5,8,00,13, ∞ ).
Iteraţia 12:
x = 6, (6,8) ∈ A,8 ∈ U: U = 0/ , V = {6,8}, p = (0,1,2,3,2,0,6,6),
t = 14, tl = (1,2,3,4,7,11,12,14).
Iteraţia 13:
x = 8 : V = {6}, W = {4, 3, 5, 2,1, 7,8}, t = 15,
t2 = (10,9,6,5,8, ∞ ,13,15).
Iteraţia 14:
x = 6: V = 0/ , W = {4,3,5,2,1,7,8,6}, t = 16,
t2 = (10,9,6,5,8,16,13,15).

4.3. Aplicaţii
4.3.1. Sortarea topologică
Teorema 9. Un digraf G = (N,A) este fără circuite dacă şi numai
dacă orice parcurgere totală DF a lui G nu produce arce de revenire.
Demonstraţie. Presupunem că digraful G este fără circuite. Prin
reducere la absurd presupunem ca o parcurgere totală DF a lui G produce
arce de revenire ( R ≠ 0/ ). Fie arcul (z, x) ∈ R . În acest caz nodul z este un
descendent al nodului x în pădurea parcurgere DF. Deci există un drum D de
o
la x la z în G. Atunci D = D ∪ {z,x} este un circuit în G şi aceasta
contrazice ipoteza că digraful G este fără circuite.
Reciproc, presupunem că o parcurgere totală DF a digrafului G nu
produce arce de revenire ( R ≠ 0/ ). Prin reducere la absurd presupunem că
o o
G conţine un circuit D . Fie x primul nod vizitat din D şi fie arcul
o o
(z,x) ∈ D . Deoarece nodurile x, z ∈ D rezultă că există un drum D de la x

38
 o
la z. De asemenea x fiind primul nod vizitat din D rezultă că nodul z
devine un descendent al nodului x la pădurea PDF. Deci (z,x) este un arc
de revenire ce contrazice ipoteza R = 0/ .
Sortarea topologică a unui digraf G = (N,A) fără circuite constă
într-o ordonare liniară a nodurilor din N astfel încât dacă (x, y) ∈ A
atunci x apare înaintea lui y în ordonare.
Algoritmul sortare topologică (algoritmul ST) se obţine din
algoritmul PTDF făcând următoarele două completări:
(1) în partea de iniţializări (liniile (3)-(6)) se iniţializează o listă a
nodurilor;
(2) în linia (16) după calculul lui t2(X), nodul x se introduce la
începutul listei.
La terminarea algoritmului ST, lista furnizează sortarea topologică
a digrafului G = (N,A) fără circuite şi nodurile x sunt plasate în listă în
ordinea descrescătoare a timpilor t2(X).

4.3.2. Componentele conexe ale unui graf

Definiţia 1. Un digraf G = (N,A) se numeşte conex dacă pentru
oricare două noduri x, y există un lanţ care are aceste două noduri drept
extremităţi.
Noţiunea de conexitate are sens şi pentru grafuri neorientate.
Definiţia 2. Se numeşte componentă conexă a unui digraf
G = (N,A) un subgraf G' = (N',A') al lui G, care este conex şi care este
maximal în raport cu incluziunea faţă de această proprietate (oricare ar fi
x ∈ N ' = N − N ' , subgraful G 'x generat de N 'x = N '∪ {x} nu mai este
conex).
O componentă conexă G' = (N',A') a unui digraf G = (N,A) se poate
identifica cu mulţimea N' care generează subgraful G'.
Deoarece în problema conexiunii sensul arcelor nu contează se va
considera că grafurile sunt neorientate. Dacă G = (N,A) este digraf atunci i se
asociază graful neorientat G ˆ = (N, ˆ , unde N̂ = N, A
ˆ A) ˆ = {[x, y] (x, y) ∈ A

şi / sau (y, x) ∈ A }. Este evident că G şi Ĝ au aceleaşi componente conexe.

Algoritmul componentelor conexe (algoritmul CC) este o adaptare a
algoritmului PTDF aplicat unui graf neorientat G = (N,A). Nu se calculează
tablourile timp t1, t2 şi prin p notăm o variabilă scalară a cărei valoare
reprezintă numărul componentelor conexe. Algoritmul CC este următorul:
(1) PROGRAM CC;
(2) BEGIN
(3) U:= N - {s}; V:= {s}; W:= 0/ ; p:= l; N' = {s};
(4) WHILE W ≠ N DO
(5) BEGIN

39
(6) WHILE V≠ 0/ DO
(7) BEGIN
(8) se selectează cel mai nou nod x introdus în V;
(9) IF există muchie [x, y] ∈ A şi y ∈ V
(10) THEN U:= U-{y}; V:=V ∪ {y};N':=N' ∪ {y}
(11) ELSE V:= V-{x}; W:=W ∪ {x};
(12) END;
(13) se tipăresc p şi N';
(14) se selectează s ∈ U; U:=U-{s}; V:={s};
p:= p+1;N':={s};
(15) END;
(16) END.

La terminarea algoritmului pot exista cazurile:

(Cl) se tipăreşte o singură componentă conexă şi în acest caz graful
G = (N,A) este conex;
(C2) se tipăresc mai multe componente conexe şi în acest caz graful
G = (N,A) nu este conex, obţinându-se toate componentele conexe ale lui G.
Teorema 10.
Algoritmul CC determină componentele conexe ale unui graf
neorientat G = (N,A).
Demonstraţie.
La terminarea execuţiei ciclului WHILE se determină mulţimea N' a
tuturor nodurilor accesibile printr-un lanţ cu aceeaşi extremitate, nodul s.
Mulţimea N' generează evident o componentă conexă G' = (N',A').
Deoarece la terminarea execuţiei algoritmului avem W = N rezultă că
algoritmul CC determină toate componentele conexe ale lui G = (N,A).
Teorema 11.
Algoritmul CC are complexitatea O(m).
Demonstraţie. Algoritmul CC are aceeaşi complexitate cu a
algoritmului PTDF, adică O(m).
Exemplul 3.
Fie digraful din figura 4.
Pentru a determina componentele conexe ale acestui digraf se
transformă într-un graf neorientat reprezentat în figura 5 căruia i se aplică
algoritmul CC.

Figura 4

40
 Figura 5

Iniţializări:
s = 1, U = {2,3,4,5,6,7,8}, V = {1}, W = 0/ , p = 1, N'={1}.
Iteraţia 1:
x = 1, [1,2]∈A, 2∈U : U = {3,4,5,6,7,8}, V = {1,2}, N'={1,2}.
Iteraţia 2:
x = 2, [2,3]∈A, 3∈U: U={4,5,6,7,8}, V={1,2,3}, N'={1,2,3}.
Iteraţia 3:
x=3, [3,4]∈A, 4∈U: U={5,6,7,8}, V={1,2,3,4}, N'={1,2,3,4}.
Iteraţia 4:
x = 4: V = {1,2,3}, W = {4}.
Iteraţia 5:
x = 3: V = {1,2}, W = {4,3}.
Iteraţia 6:
x = 2, V = {1}, W = {4,3,2}.
Iteraţia 7:
x = 1 : V = 0/ , W = {4, 3, 2, 1}.
Se tipăresc:
p = 1 şi N' = {1,2,3,4}
Actualizări:
s = 5, U = {6,7,8}, V = {5}, p = 2, N' = {5}.
Iteraţia 8:
x = 5, [5,6] ∈ A, 6 ∈ U : U = {7,8}, V = {5,6}, N' = {5,6}.
Iteraţia 9:
x = 6, [6,8] ∈ A, 8 ∈ U : U = {7}, V = {5,6,8}, N' = {5,6,8}.
Iteraţia 10:
x = 6, [8, 7]∈A, 7∈U: U = 0/ , V = {5,6,8,7}, N'={5,6,8,7}.

Iteraţia 11:
x = 7 : V = {5,6,8}, W = {4,3,2,1,7}.
După încă trei iteraţii se obţine
V = 0/ , W = {4,3,2,1,7,8,6,5}
Se tipăresc
p = 2 şi N' = {5,6,8,7}
şi execuţia algoritmului se opreşte.

41
42
 Capitolul 5
PROBLEME DE DRUM ÎN (DI)GRAFURI

5.1. Problema celui mai scurt drum

În teoria grafurilor, problema celui mai scurt drum constă în
găsirea unui drum astfel încât suma “costurilor” muchiilor constituente să fie
minimă. Un exemplu îl constituie găsirea celei mai rapide modalităţi de a
trece de la o locaţie la alta pe o hartă; în acest caz nodurile sunt reprezentate
de către locaţiile respective, iar muchiile reprezintă segmentele de drum, şi
sunt ponderate, costurile constituind timpul necesar parcurgerii acelui
segment.
Formal, fiind dat un graf ponderat (adică, o mulţime de vârfuri V, o
mulţime a muchiilor E, şi o funcţie de cost
f :E →R
cu valori reale) şi un element v al lui V, să se găsească un drum P de la v la
fiecare v ′ din V astfel încât
∑ f ( p)
p∈P

să fie minim între toate drumurile ce leagă v de v ′ .

Uneori mai poate fi recunoscută sub numele de problema drumului
cel mai scurt corespunzător perechii singulare, cu scopul deosebirii
acesteia de următoarele generalizări:
• problema drumului cel mai scurt corespunzător sursei
unice, o problemă mai generală, în care trebuie să găsim cele
mai scurte drumuri de la un nod sursă v la toate celelalte noduri
ale grafului.
• problema drumului cel mai scurt corespunzător tuturor
perechilor reprezintă o problemă şi mai generală, în care
trebuie să găsim cele mai scurte drumuri între oricare pereche
de noduri (vârfuri) v, v ′ din graf.
Ambele generalizări amintite au algoritmi mai performanţi în practică
decât simpla rulare a algoritmului corespunzător drumului cel mai scurt în
cazul perechii-unice (singulare) pentru toate perechile relevante de vârfuri.

Algoritmi
Cei mai importanţi algoritmi care rezolvă această problemă sunt:
• Algoritmul lui Dijkstra – rezolvă problema sursei unice, dacă
toate muchiile sunt ponderate pozitiv Acest algoritm poate

43
 genera cele mai scurte drumuri de la un anumit punct de
placare s la toate celelalte noduri.
• Algoritmul Bellman-Ford – rezolvă problema sursei unice şi
pentru costuri negative ale muchiilor.
• Algoritmul de căutare A* - rezolvă problema drumurilor cele
mai scurte în cazul sursei unice, folosind euristica, în
încercarea accelerării căutării.
• Algoritmul Floyd-Warshall – rezolvă problema celor mai
scurte drumuri corespunzătoare tuturor perechilor.
• Algoritmul lui Johnson - rezolvă problema celor mai scurte
drumuri corespunzătoare tuturor perechilor; poate fi mai rapid
ca Algoritmul Floyd-Warshall, în cazul grafurilor rare.

Aplicaţii
Algoritmii ce rezolvă problema celui mai scurt drum se aplică, în
mod evident, pentru a găsi, în mod automat, adrese între diferite locaţii
fizice, cum ar fi spre exemplu instrucţiuni legate de şofat oferite de GPS –
uri sau programele web de mapare (Mapquest).
Dacă reprezentăm, spre exemplu, o maşină abstractă nedeterministă
sub forma unui graf, în care vârfurile descriu state, iar muchiile descriu
posibile tranziţii, algoritmii de identificare a celui mai scurt drum pot fi
folosiţi pentru a găsi o secvenţă optimală de alegeri, astfel încât să ajungă
într-un stat prestabilit, sau pentru a minimiza timpul necesar pentru a ajunge
în acel stat.

44
5.1.1. Arborele Steiner

Soluţia pentru 3 puncte; punctul Steiner este cel din mijloc –

a se remarca faptul că nu există conexiuni directe între A, B, C

Soluţia pentru 4 puncte – a se remarca faptul că există 2 puncte Steiner

Problema Arborelui Steiner este, aproximativ, similară problemei

arborelui parţial de cost minim: fiind dată o mulţime V de vârfuri,
interconectaţi aceste puncte prin intermediul unui graf de lungime minimă,
unde lungimea reprezintă suma lungimilor tuturor muchiilor. Diferenţa între
Problema Arborelui Steiner şi Problema Arborelui Parţial de Cost Minim
constă în faptul că în cadrul Arborelui Steiner pot fi adăugate grafului iniţial
vârfuri şi muchii intermediare, cu scopul reducerii lungimi arborelui parţial.
Aceste vârfuri nou introduse, în scopul reducerii lungimii totale a conexiunii,
sunt cunoscute sub numele de Puncte Steiner sau Vârfuri Steiner. S-a
demonstrat că acea conexiune rezultantă este un arbore, numit şi Arborele
Steiner. Pot exista mai mulţi arbori Steiner pentru o mulţime dată de vârfuri
iniţiale.
Problema originală a fost formulată în forma cunoscută sub numele
de Problema Arborelui Euclidean Steiner: Fiind date N puncte în plan, se
cere să se conecteze prin intermediul liniilor, valoarea rezultantă a acestora

45
fiind minimă, astfel încât oricare două puncte sunt interconectate, fie printr-
un segment de linie, fie via alte puncte, respectiv alte segmente de dreaptă.
Pentru Problema Euclidean Steiner, punctele adăugate grafului
(Punctele Steiner) trebuie să aibă gradul trei, iar cele trei muchii incidente
corespunzătoare trebuie să formeze trei unghiuri de 120 de grade. Rezultă că
numărul maxim de Puncte Steiner pe care le poate avea un Arbore Steiner
este de N-2, unde N reprezintă numărul iniţial de puncte considerate.
Se poate încă generaliza până la Problema Metrică a Arborelui
Steiner. Fiind dat un graf ponderat G(S,E,w) ale cărui vârfuri corespund unor
puncte în spaţiul metric, iar „costul” muchiilor este reprezentat de distanţele
în spaţiu, se cere să se găsească un arbore de lungime totală minimă, ai cărui
vârfuri constituie o supermulţime a mulţimii S, mulţime a vârfurilor grafului
G.
Versiunea cea mai generală o constituie Arborele Steiner în
grafuri: Fiind dat un graf ponderat G(V,E,w) şi o submulţime de vârfuri
S ⊆ V găsiţi un arbore de cost minim care include toate nodurile mulţimii S.
Problema Metrică a Arborelui Steiner corespunde problemei
Arborelui Steiner în grafuri, unde graful are un număr infinit de noduri, toate
fiind puncte în spaţiul metric.
Problema arborelui Steiner are aplicaţii în design-ului reţelelor.
Majoritatea versiunilor Problemei Arborelui Steiner sunt NP – complete, i.e.,
gândite ca fiind computaţional-dificile. În realitate, una dintre acestea se
număra printre cele 21 de probleme iniţiale ale lui Karp, NP – complete.
Unele cazuri restrictive pot fi rezolvate într-un timp polinomial. În practică
se folosesc algoritmii euristici.
O aproximare comună a Problemei Arborelui Euclidian Steiner este
reprezentată de calcularea arborelui parţial de cost minim Euclidian.

5.1.2. Algoritmul lui Dijkstra

Algoritmul lui Dijkstra, după numele celui care l-a descoperit,
expertul în calculatoare Edsger Dijkstra, este un algoritm greedy care rezolvă
problema celui mai scurt drum cu o singură sursă pentru un graf orientat,
care nu are muchii ponderate negativ.
Spre exemplu, dacă vârfurile grafului reprezintă oraşe, iar costurile
muchiilor reprezintă distanţele de parcurs între perechi de oraşe conectate
printr-un drum direct, algoritmul lui Dijkstra poate fi folosit pentru
depistarea celui mai scurt traseu între cele două oraşe.
Datele de intrare necesare implementării algoritmului sunt: un graf
orientat ponderat G şi un vârf sursă s în G. Vom nota cu V mulţimea tuturor
vârfurilor grafului G. Fiecare muchie a grafului reprezintă o pereche
ordonată de vârfuri (u, v), semnificaţia acesteia fiind legătura între u şi v.
Mulţimea tuturor muchiilor este notată cu E. Costurile muchiilor sunt date de

46
funcţia de cost w : E → [0, ∞) ; astfel, w(u , v) reprezintă costul muchiei (u,v).
Costul unei muchii poate fi închipuit ca o generalizare a distanţei între aceste
două vârfuri. Costul unui drum între două vârfuri este dat de suma tuturor
costurilor muchiilor componente. Pentru o pereche dată de vârfuri s şi t din
V, algoritmul găseşte drumul de cost minim între s şi t (i.e. cel mai scurt
drum). Algoritmul poate fi folosit, în aceeaşi măsură pentru depistarea
drumurilor de cost minim între vârful sursă s şi toate celelalte vârfuri ale
grafului.
Descrierea algoritmului
Algoritmul funcţionează reţinând, pentru fiecare vârf v, costul d [v ] al
celui mai scurt drum găsit până în acel moment între s şi v. Iniţial, această
valoare este 0, pentru vârful sursă s ( d [s ] = 0 ), respectiv infinit pentru restul
vârfurilor, sugerând faptul că nu se cunoaşte nici un drum către aceste noduri
(vârfuri) ( d [v ] = ∞ pentru fiecare v din V, exceptând s). La finalul
algoritmului, d [v ] va reprezenta costul celui mai scurt drum de la s la v – sau
infinit, dacă nu există un astfel de drum.
Algoritmul presupune existenţa a două mulţimi de vârfuri S şi Q.
Mulţimea S conţine toate vârfurile pentru care se cunoaşte valoarea d [v ] ,
valoare ce corespunde costului celui mai scurt drum, iar mulţimea Q conţine
toate celelalte vârfuri . Mulţimea S este, iniţial,goală (nu are elemente), iar cu
fiecare pas un vârf din mulţimea Q devine element al mulţimii S. Acest vârf
este ales astfel încât d [v ] să corespundă celei mai mici valori. Odată cu
„mutarea” vârfului u în mulţimea S, algoritmul „relaxează” fiecare muchie
de forma (u,v). Aceasta înseamnă că, pentru fiecare vecin al lui v sau al lui u,
algoritmul verifică dacă poate optimiza drumul (la v) cunoscut ca fiind cel
mai scurt până la acel moment, urmând drumul cel mai scurt de la sursa s la
u, traversând în cele din urmă muchie (u, v). Dacă acest nou drum este mai
bun (în sensul unui cost mai mic), algoritmul actualizează d [v ], atribuindu-i
valoarea mai mică.

Execuţia algoritmului Dijkstra asupra unui graf mic, demonstrând două

operaţii de relaxare
Pe măsură ce se găsesc drumuri mai scurte, costul estimat este redus,
iar sursa se relaxează. Eventual, drumul cel mai scurt, dacă există, se
relaxează la maximum.

47
 Pseudocodul
În algoritmul ce urmează, u := extract_min(Q) caută vârful u în
mulţimea vârfurilor Q, care are cea mai mică valoare asociată dist[u]. Vârful
este scos din mulţimea Q şi returnat utilizatorului. length(u, v) calculează
distanţa între cele două vârfuri vecine u şi v alt de pe linia 10 reprezintă
lungimea drumului de la rădăcină la v, dacă ar fi să treacă prin u. Dacă acest
drum este mai scurt decât drumul considerat în momentul respectiv ca fiind
cel mai scurt, acel drum curent este înlocuit cu acest alt drum.
1 function Dijkstra(Graph, source):
2 for each vârf v in Graph:
3 dist[v] := infinity
4 previous[v] := undefined
5 dist[source] := 0
6 Q := copy(Graph)
7 while Q is not empty:
8 u := extract_min(Q)
9 for each vecin v of u:
10 alt = dist[u] + length(u, v)
11 if alt < dist[v]
12 dist[v] := alt
13 previous[v] := u

Dacă, însă ne interesează doar un drum mai scurt între vârfurile sursă
şi ţintă, căutarea poate înceta la punctul 9 dacă u=target. Acum putem „citi”
cel mai scurt drum de la sursă la ţintă prin iterare:

1 S := empty sequence
2 u := target
3 while este definit previous[u]
4 inserează u la începutul of S
5 u := previous[u]

Acum secvenţa S reprezintă lista vârfurilor ce constituie unul dintre

cele mai scurte drumuri de la sursă la ţintă, sau secvenţa nulă dacă un astfel
de drum nu există.
O problemă mult mai generală ar fi aceea a determinării tuturor celor
mai scurte drumuri între sursă şi ţintă (pot fi mai multe astfel de drumuri, de
aceeaşi lungime). În acest caz, în locul memorării unui singur nod la fiecare
„intrare” previous[], se vor păstra toate vârfurile ce satisfac condiţia de
relaxare. Spre exemplu, dacă atât r cât şi sursa sunt conectate (sunt în
legătură) cu ţinta şi ambele aparţin unor celor mai scurte drumuri distincte,
ce ating ţinta (deoarece costul muchiilor este acelaşi în ambele cazuri),
atunci vom adăuga ambele vârfuri – r şi sursă – valorii anterioare [target].
Când algoritmul este complet, structura de date previous[] va descrie un graf,
care este subgraf al grafului iniţial din care au fost înlăturate unele muchii.
Proprietatea esenţială va fi dată de faptul că dacă algoritmul a rulat cu un

48
anumit vârf de început, atunci fiecare drum de la acel vârf către oricare alt
vârf, în noul graf, va fi cel mai scurt între nodurile respective în graful
original, iar toate drumurile de aceiaşi lungime din garful original vor fi
prezente în graful rezultant. Astfel, pentru a găsi aceste drumuri scurte între
oricare două vârfuri date vom folosi algoritmul de găsire a drumului în noul
graf, asemenea depth-first search (căutării în adâncime).
Timpul de rulare
Timpul de rulare al algoritmului lui Dijkstra într-un graf cu |E| muchii
şi |V| noduri poate fi exprimat ca o funcţie de E şi V , folosind notaţia O.
Cea mai simplă implementare a algoritmului lui Dijkstra stochează
vârfurile mulţimii Q într-o listă de legătură ordinară sau într-un tablou, iar
operaţia Extract-Min(Q) este o simplă căutare liniară a vârfurilor mulţimii Q.
2
În acest caz, timpul de rulare este O( V + E ) .
Pentru cazul grafurilor rare, adică, grafuri cu un număr de muchii
2
mult mai mic decât V , algoritmul Dijkstra se poate implementa într-un
mod mult mai eficient, prin stocarea grafului sub forma listelor de adiacenţă
şi folosirea heap binar sau heap Fibonaci pe post de coadă cu priorităţi în
implementarea funcţiei Extract-Min. Cu heap binar algoritmul necesită un
timp de rulare de ordinul O(( E + V ) log V ) (dominat de către O( E log V )
presupunând că E ≥ V − 1 ), iar heap Fibonaci îmbunătăţeşte acest timp la
O( E + V log V ) .

5.1.3. Probleme similare şi algoritmi

Funcţionalitatea algoritmului original al lui Dijkstra poate fi extinsă
dacă se efectuează anumite schimbări. De exemplu, în unele cazuri este de
dorit a se prezenta unele soluţii ce nu sunt chiar optimale din punct de vedere
matematic . Pentru a obţine o listă consistentă de astfel de soluţii mai puţin
optimale, se calculează, totuşi, încă de la început, soluţia optimă. Se elimină,
din graf, o singură muchie ce apare în soluţia optimă, iar soluţia optimă a
acestui nou graf este calculată. La întoarcere, fiecare muchie a soluţiei
originale este suprasaturată, iar drept urmare se calculează un nou cel mai
scurt drum. Soluţiile secundare astfel obţinute sunt înşiruite imediat după
prima soluţie optimă.
OSPF (open shortest path first) reprezintă o implementare reală a
algoritmului lui Dijkstra, în rout-area internet-ului.
Spre deosebire de algoritmul lui Dijkstra, algoritmul Bellman-Ford
poate fi folosit şi în cazul grafurilor ce au muchii cu costuri negative, atât
timp cât graful nu conţine nici un ciclu negativ care se poate atinge din vârful
sursă s. (Prezenţa unor astfel de cicluri sugerează faptul că nu există ceea ce

49
numim cel mai scurt drum, având în vedere că valoarea descreşte de fiecare
dată când ciclul este traversat.)
Algoritmul A* este o generalizare a algoritmului Dijkstra, care
reduce mărimea subgrafului care urmează să fie explorat, aceasta în cazul în
care sunt disponibile informaţii adiţionale, menite să micşoreze „distanţa”
către ţintă.
Procesul care stă la baza algoritmului lui Dijkstra este similar
procesului greedy, folosit în cazul algoritmului lui Prim.
Scopul algoritmului lui Prim îl constituie găsirea arborelui parţial de cost
minim corespunzător unui graf.

5.1.4. Probleme legate de drum

■ Drumul Hamiltonian şi probleme legate de cicluri
■ Arborele parţial de cost minim
■ Problema inspecţiei drumului (cunoscută şi sub numele de
„Problema Poştaşului Chinez”)
■ Cele Şapte Poduri din Königsberg
■ Problema celui mai scurt drum
■ Arborele Steiner
■ Problema Comisului Voiajor (NP - completă)

5.1.5. Algoritmul Bellman-Ford

Algoritmul Bellman –Ford calculează cele mai scurte drumuri de la
un vârf-sursă către celelalte vârfuri ale unui digraf ponderat (unde unele
muchii pot avea costuri negative). Algoritmul lui Dijkstra rezolvă aceeaşi
problemă, chiar cu un timp de execuţie mai mic, însă necesită muchii ale
căror costuri să fie nenegative. Astfel, algoritmul Bellman – Ford se
foloseşte doar atunci când există costuri negative ale muchiilor.
Potrivit lui Robert Sedgewick, „Valorile negative intervin în mod
natural în momentul în care se reduc alte probleme la probleme de studiu a
drumului cel mai scurt”, şi oferă ca exemplu specific problema reducerii
complexităţii -NP a drumului Hamiltonian. Dacă un graf conţine un ciclu
având valoare negativă, atunci nu există soluţie; Bellman – Ford rezolvă
acest caz.
Algoritmul Bellman – Ford, în structura sa de bază, este similar
algoritmului Dijkstra, dar în locul unei selecţii de tip greedy a nodului minim
poderat, apelează la simpla relaxare a muchiilor, acest proces executându-se
de V − 1 ori, unde V reprezintă numărul vârfurilor dintr-un graf. Aceste
repetări permit propagarea distanţelor minime în graf, ţinând cont de faptul
că, în absenţa ciclurilor negative, cel mai scurt drum poate vizita fiecare nod
cel mult o dată. Spre deosebire de abordarea greedy, care depinde de anumite

50
consideraţii structurale derivate din costurile pozitive, această abordare
directă se extinde la cazul general.
Timpul de rulare al algoritmului Bellman – Ford este de ordinul
O(|E|).
procedure BellmanFord(list vertices, list edges, vertex source)
// Pasul 1: Iniţializarea grafului
for each vertex v in vertices:
if v is source then v.distance := 0
else v.distance := infinity
v.predecessor := null
// Pasul 2: Relaxarea repetitivă a muchiilor
for i from 1 to size(vertices):
for each edge uv in edges:
u := uv.source
v := uv.destination //uv este muchia de la u la v
if v.distance > u.distance + uv.weight:
v.distance := u.distance + uv.weight
v.predecessor := u
// Depistarea ciclurilor negative
for each edge uv in edges:
u := uv.source
v := uv.destination
if v.distance > u.distance + uv.weight:
error "Graful cinţine un ciclu negativ"

Demonstraţia corectitudinii
Corectitudinea algoritmului poate fi arătată cu ajutorul inducţiei.
Propoziţia care va fi demonstrată prin inducţie este dată de următoarea:
Lemă.
După i repetiţii ale buclei for:
• Dacă Distance(u) nu este infinită, atunci este egală cu lungimea unui
anumit drum de la s la u;
• Dacă există un drum de la s la u cu cel mult i muchii, atunci
Distance(u) corespunde cel mult lungimii celui mai scurt drum de la s la u
cu cel mult i muchii.
Demonstraţie.
Pentru etapa I, considerăm i = 0 şi momentul apriori ciclului for
considerându-l ca fiind executat pentru prima dată. Apoi, pentru vârful sursă,
source.distance=0, ceea ce este corect. Pentru alte vârfuri u,
u.distance=infinity, ceea este deopotrivă corect deoarece nu există nici un
drum de la sursă la u cu 0 muchii.
Pentru pasul inductiv, demonstrăm pentru început prima parte.
Considerând un moment în care distanţa la un vârf este dată de:
v.distance:=u.distance+uv.weight. Prin presupunere inductivă, u.distance
este lungimea unui drum oarecare de la sursă la u. Astfel,

51
u.distance+uv.weight este lungimea drumului de la sursă la v, care nu
părăseşte drumul de la sursă la u şi ajunge la v.
Pentru cea de-a doua parte, considerăm cel mai scurt drum de la
sursă la u cu cel mult i muchii. Fie v ultimul vârf înaintea lui u pe acest
drum. Atunci, porţiunea de drum de la sursă la v este cel mai scurt drum de
la sursă la v cu cel mult i-1 muchii. Prin presupunere inductivă, v.distance,
după i-1 cicluri, are cel mult lungimea acestui drum. De aceea,
uv.weight+v.distance are cel mult lungimea drumului de la s la u. La ciclul
cu numărul i, u.distance este comparat cu uv.weight+v.distance, şi se
egalează cu această cantitate dacă uv.weight+v.distance este mai mică. De
aceea, după i cicluri, u.distance are cel mult lungimea celui mai scurt drum
de la sursă la u, drum ce foloseşte cel mult i muchii.
Când i egalează numărul vârfurilor grafului, fiecare drum va fi cel
mai scurt între toate vârfurile, doar dacă nu există cicluri negative. Dacă
există totuşi un ciclu ponderat negativ şi accesibil de la sursă, atunci dat fiind
un drum oarecare, există unul mai scurt, deci nu există un cel mai scurt
drum. Altfel, cel mai scurt drum nu va include nici un ciclu (deoarece
ocolirea ciclului ar presupune scurtarea drumului), pentru ca fiecare drum
mai scurt să viziteze fiecare nod cel mult o dată, iar numărul de muchii
corespunzător să fie mai mic decât numărul vârfurilor grafului.
Aplicaţii în rutare
O variantă distribuită a algoritmului Bellman – Ford se foloseşte în
protocoalele de rutare distanţă-vector, de exemplu Protocolul de Rutare a
Informaţiei (RIP)(Routing Information Protocol). Algoritmul constă din
următorii paşi:
1. Fiecare nod calculează distanţa între “sine” şi toate celelate noduri şi
stochează această informaţie ca un tabel.
2. Fiecare nod îşi trimite tabelul corespunzător tuturor celorlalte noduri.
3. În momentul în care un nod primeşte un astfel de tabel de la vecinii
săi, calculează cele mai scurte căi către toate celelalte noduri şi actualizează
propriul tabel astfel încât să fie reflectate toate schimbările survenite.
Marele dezavantaj al algoritmului Bellman-Ford în aceste condiţii
constă în:
• Măsurarea incorectă
• Schimbările în topologia reţelei nu sunt reflectate în timp util,
odată cu actualizarea succesivă a tabelelor nodurilor.
• Numărarea la infinit (proces ce survine ca urmare a eşecului
transmiterii tabelelor)

Implementare
Următorul program implementează algoritmul Bellman-Ford în C.

52
#include <limits.h>
#include <stdio.h>
#include <stdlib.h>
/* Să considerăm INFINIT-ul o valoare întreagă, pentru a nu
interveni confuzia în valorarea reală, chiar şi cea negativă*/
#define INFINITY ((1 << 14)-1)
typedef struct {
int source;
int dest;
int weight;
} Edge;
void BellmanFord(Edge edges[], int edgecount, int nodecount, int
source)
{
int *distance = (int*) malloc(nodecount * sizeof(*distance));
int i, j;
for (i=0; i < nodecount; i++)
distance[i] = INFINITY;
/* distanţa nodului sursă este presetată ca fiind nulă */
distance[source] = 0;
for (i=0; i < nodecount; i++) {
for (j=0; j < edgecount; j++) {
if (distance[edges[j].source] != INFINITY) {
int new_distance = distance[edges[j].source] +
edges[j].weight;
if (new_distance < distance[edges[j].dest])
distance[edges[j].dest] = new_distance;
}
}
}
for (i=0; i < edgecount; i++) {
if (distance[edges[i].dest] > distance[edges[i].source] +
edges[i].weight) {
puts("S-au detectat cicluri cu muchii ponderate negativ
(cu costuri negative)!");
free(distance);
return;
}
}
for (i=0; i < nodecount; i++) {
printf("Cea mai scurtă distanţă dintre nodurile %d şi %d este
%d\n",
source, i, distance[i]);
}
free(distance);
return;
}
int main(void)
{
/* Acest test ar trebui să genereze distanţele 2, 4, 7, -2, and
0. */
Edge edges[10] = {{0,1, 5}, {0,2, 8}, {0,3, -4}, {1,0, -2},
{2,1, -3}, {2,3, 9}, {3,1, 7}, {3,4, 2},
{4,0, 6}, {4,2, 7}};
BellmanFord(edges, 10, 5, 4);
return 0;
}

53
5.1.6. Algoritmul de căutare A∗
În ştiinţa calculatoarelor, A∗ este un algoritm de căutare a grafurilor
de tipul “best-first”, care găseşte drumul de cost de minim de la un nod
iniţial la un nod “ţintă” (din una sau mai multe ţinte posibile).
Foloseşte o funcţie euristică distanţă-plus-cost (notată de regulă cu
f ( x ) ) pentru a determina ordinea în care sunt vizitate nodurile arborelui.
Euristic-ul distanţă-plus-cost reprezintă o sumă de două funcţii: funcţia
cost-drum (notată de obicei cu g ( x ) , care poate fi, sau, nu euristică) şi o
“estimare euristică” admisibilă a distanţei către ţintă (notată de regulă cu
h( x ) ). Funcţia cost-drum g ( x ) determină costul de la nodul de start la nodul
curent.
Având în vedere faptul că h( x ) , parte a funcţiei f ( x ) , trebuie să fie
euristic admisibilă, trebuie să se “subestimeze” distanţa către ţintă. Astfel,
pentru o aplicaţie ca rout-area, h( x ) ar putea reprezenta distanţa în linie
dreaptă la ţintă, ţinând cont şi de faptul că, din punct de vedere fizic, este cea
mai mică distanţa posibilă între oricare două noduri.
Algoritmul a fost descris pentru prima dată în anul 1968 de către
Peter Hart, Nils Nilsson, respectiv Bertram Raphael. Algoritmul era numit
algoritmul A. Având în vedere faptul că se face apel doar la comportamentul
optimal pentru un anumit euristic, a fost numit A∗ .
Descrierea algoritmului
A∗ caută toate drumurile de la nodul de start, oprindu-se în
momentul în care s-a găsit drumul cel mai scurt la nodul ţintă. Ca toţi
algoritmii de căutare informaţionali, cercetează mai întâi drumurile ce par a
conduce la ţintă. Ceea ce prezintă A∗ în plus faţă de căutarea greedy de tip
best-first este reprezentat de faptul că ia în considerare distanţa deja parcursă
Începând cu un anumit nod (iniţial), algoritmul extinde nodul cu cea
mai mică valoare a lui f ( x ) - nodul care are cel mai mic cost-per-beneficiu.
A∗ menţine o mulţime de soluţii parţiale - noduri frunză neextinse -, stocată
într-o coadă cu priorităţi. Prioritatea asociată unui drum x este determinată de
funcţia f ( x ) = g ( x ) + h( x ) . Funcţia “continuă” până când o ţintă are o valoare
corespunzătoare f ( x ) mai mică decât a oricărui nod din coadă (sau până
când arborele va fi fost parcurs în totalitate). Multe alte ţinte pot fi trecute cu
vederea dacă există un drum care putea conduce la o „ţintă” având „costul”
mai mic.
Cu cât f ( x ) are o valoare mai mică, cu atât prioritatea este mai mare
(astfel, s-ar putea folosi o min-heap pentru a implementa coada)

54
function A*(start,goal)
var closed := the empty set
var q := make_queue(path(start))
while q is not empty
var p := remove_first(q)
var x := the last node of p
if x in closed
continue
if x = goal
return p
add x to closed
for each y in successors(x)
enqueue(q, p, y)
return failure

Mulţimea închisă poate fi omisă (transformând algoritmul de căutare

într-unul mai maleabil) dacă, fie existenţa soluţiei este garantată, fie
membrul successors este adaptat ciclurilor (respinse).
Proprietăţi
Asemenea căutării „bredth-first”, A∗ este completă, în sensul că va
găsi întotdeauna o soluţie, în cazul în care aceasta există.
Dacă funcţia euristică h este admisibilă, adică nu supraestimează
costul minim actual de „atingere a scopului”, atunci A∗ însuşi este admisibil
(sau optimal) dacă nu se foloseşte o mulţime închisă. Dacă se foloseşte o
astfel de mulţime închisă, h ar trebui să fie de asemenea monotonă (sau
consistentă) pentru A∗ astfel încât să fie optimală. A fi admisibil înseamnă
că funcţia euristică nu supraestimează ,niciodată , costul trecerii de la un nod
la vecinii săi, în timp ce a fi monoton înseamnă că dacă există o conexiune de
la nodul A la nodul C, respectiv o legătură de la nodul A la nodurile B şi C,
costul estimat de la A la C va fi, întotdeauna, mai mic sau egal cu cel estimat
de la A la B + costul estimat de la B la C. (Monotonia este cunoscută şi sub
numele de inegalitate triunghiulară). Formal, pentru toate drumurile (x, y),
unde y este un succesor al lui x:
g ( x ) + h( x ) ≤ g ( y ) + h ( y ) .
A∗ este deopotrivă eficient pentru orice euristic h, aceasta însemnând
că nici un alt algoritm ce foloseşte acelaşi euristic nu va extinde mai puţine
noduri decât A∗ , exceptând doar cazul în care există câteva soluţii parţiale
pentru care h prezice cu exactitate costul drumului optimal.
Optimalitatea în grafurile arbitrare nu garantează performanţe mai
mari ca algoritmii simpli de căutare, care deţin mai multe informaţii legate
de acest domeniu. Spre exemplu, într-un mediu de tip „labirint”, singura
posibilitate prin care se poate atinge scopul ar putea necesita o primă
parcurgere (ce evită „ţinta”), întorcându-se ulterior la „ţintă”. Astfel, în acest

55
caz, probarea prioritară a nodurilor din imediata apropiere a „destinaţiei” ar
putea implica un cost ridicat în ceea ce priveşte timpul implicat.
Cazuri speciale
În general vorbind, depth-first search şi bredth-first search reprezintă
două cazuri speciale (particulare) ale algoritmului A∗ . Algoritmul lui
Dijkstra, un alt exemplu de algoritm de tip best-first search (căutare
prioritară), reprezintă un caz special al A∗ , unde h( x ) = 0 ∀x . Pentru
depth-first search (parcurgerea în adâncime), putem considera că există un
„contabilizator” C, iniţializat cu o valoare foarte mare. De fiecare dată când
se procesează un nod îi ataşăm C corespunzător tuturor vecinilor săi astfel
descoperiţi. După fiecare astfel de assign-are, micşorăm „contabilizatorul” C
cu o unitate. Astfel, cu cât un nod este „descoperit” mai repede, cu atât
valoarea h(x) corespunzătoare este mai mare.
De ce A∗ este „admisibil” şi optimal din punct de vedere
computaţional
A∗ este atât admisibil, iar, pe de altă parte, implică şi mai puţine
noduri decât orice alt algoritm de căutare având acelaşi euristic, aceasta
deoarece A∗ porneşte de la cost aproximativ „optim” al drumului ce
parcurge toate nodurile, către „ţintă” („optim” însemnând că acel cost final
va fi cel puţin la fel de mare cu cel estimat).
Când A∗ finalizează căutarea, a găsit, prin definiţie, un drum al cărui
cost actual este mai mic decât costul estimat al oricărui alt drum ce parcurge
nodurile. Având în vedere, însă, faptul că aceste estimări sunt optimiste, A∗
poate ignora toate aceste noduri „deschise”. Cu alte cuvinte, A∗ nu va omite
niciodată posibilitatea existenţei unui drum având un cost mai mic, fiind
astfel admisibil.
Să presupunem acum că un algoritm oarecare de căutare A finalizează
căutarea găsind un drum al cărui cost nu este mai mic decât cel estimat.
Algoritmul A nu poate exclude posibilitatea existenţei unui drum al cărui
cost prin acel nod să fie mai scăzut, bazându-se pe informaţia euristică pe
care o deţine. Astfel, atât timp cât A poate considera mai puţine noduri decât
A* , nu poate fi admisibil. Deci, A∗ reprezintă algoritmul de căutare cu cele
mai puţine noduri ce poate fi considerat ca fiind admisibil.
Complexitate
Complexitatea în timp a lui A∗ depinde de euristic. Potrivit celui mai
sumbru scenariu, numărul nodurilor „extinse” este de ordin exponenţial, în
ceea ce priveşte lungimea soluţiei (cel mai scurt drum), însă este de ordin
polinomial atunci când funcţia euristică h satisface următoarea condiţie:

56
 | h(x) − h∗ (x) |≤ O(log h∗ (x))
unde h∗ reprezintă euristicul optimal, i.e. costul exact ce-l implică drumul
de la x la „ţintă”. Cu alte cuvinte, eroarea corespunzătoare lui h nu ar trebui
să crească mai rapid decât logaritmul „euristicului perfect” h∗ , ce returnează
distanţa reală de la x la „ţintă”.
O chestiune şi mai problematică a A∗ decât cea legată de
complexitatea în timp, o constituie uzul de memorie. În cel mai rău caz, ar
trebui să memoreze un număr exponenţial de noduri. S-au elaborat mai multe
variante ale algoritmului A∗ astfel încât să poată face faţă acestei probleme,
printre care amintim: „adâncirea” iterativă A∗ (ID A∗ ), memoria–graniţă
∗ ∗
(la limită) A (M A ), respectiv varianta simplificată a memoriei –graniţă (la
limită) A∗ (SM A∗ ) şi best-first search varianta recursivă (RBFS).

5.1.7. Algoritmul Floyd-Warshall

În ştiinţa calculatoarelor, algoritmul Floyd-Warshall (întâlnit uneori
şi sub denumirea de algoritmul Roy-Floyd sau algoritmul WFI, încă din
anul în care acest algoritm a fost descris de către Bernard Roy (1959))
reprezintă un algoritm de analiză a grafului, în vederea găsirii celor mai
scurte drumuri într-un graf ponderat orientat. O singură execuţie a
algoritmului va determina cel mai scurt drum între toate perechile de vârfuri.
Algoritmul Floyd-Warshall reprezintă un exemplu de programare
dinamică.
Algoritm
Algoritmul Floyd-Warshall compară toate drumurile posibile ale
grafului între fiecare pereche de vârfuri. Poate realiza acest lucru prin
3
intermediul a doar V comparaţii (acest lucru este remarcabil, ţinând cont
2
de faptul că ar putea exista V muchii în graf, fiecare combinaţie de astfel
de muchii fiind testată). Acest lucru este posibil prin îmbunătăţirea
incrementală a estimării celui mai scurt drum între două vârfuri, până când
estimarea este considerată a fi optimă.
Considerăm un graf G, cu nodurile corespunzătoare V, fiecare dintre
acestea fiind numerotat de la 1 la n. Mai mult, fie funcţia shortestPath(i,j,k)
ce returnează cel mai scurt drum posibil de la i la j, folosind doar vârfurile de
la 1 la k, pe post de puncte intermediare de-a lungul drumului. Acum, fiind
dată această funcţie, scopul nostru îl constituie găsirea celui mai scurt drum
de la fiecare i la fiecare j, folosind doar nodurile numerotate de la 1 la k+1.

57
 Există două candidate la statutul de cel mai scurt drum, şi anume: fie
adevăratul cel mai scurt drum, ce foloseşte doar noduri ale mulţimii (1…k),
fie există un anume drum ce uneşte i de k+1, pe acest k+1 de j, ce este mai
bun. Ştim că cel mai bun drum de la i la j, care foloseşte doar nodurile
mulţimii (1…k) este definit de shortestPath(i,j,k), şi este evident faptul că
dacă ar exista un drum mai bun de la i la k+1, respectiv la j, atunci lungimea
acestui drum ar reprezenta concatenarea celui mai scurt drum de la i la k+1
(folosind vârfuri ale mulţimii (1…k)), respectiv a celui mai scurt drum de la
k+1 la j (folosindu-se deopotrivă vârfurile mulţimii (1…k)).
Astfel, putem defini shortestPath(i,j,k) în termenii următoarei
formule recursive:
shortestPath(i, j, k) = min(shortestPath(i, j, k − 1) + shortestPath(i, k, k − 1) +
+shortestPath(k, j, k − 1));
shortestPath(i, j, 0) = edgeCost(i, j);
Această formulă constituie „inima” lui Floyd Warshall. Algoritmul
funcţionează calculând mai întâi shortestPath(i,j,1) pentru toate perechile de
tipul (i,j), folosind acest rezultat, ulterior, pentru a calcula shortestPath(i,j,2)
pentru toate perechile de tipul (i,j), etc. Acest proces continuă până când
k = n, iar drumul cel mai scurt corespunzător tuturor perechilor (i,j), folosind
nodurile intermediare, va fi fost găsit.
Pseudocodul
În mod convenabil, când se calculează cazul de ordinul k, se poate
rescrie informaţia salvată la calculul corespunzător etapei k-1. Acesta
înseamnă că algoritmul foloseşte memorie pătratică. (A se lua în considerare
condiţiile de iniţializare!):

1 /* Fie o funcţie edgeCost(i,j) ce returnează costul muchiei ce

uneşte vârfurile i şi j
2 (infinit dacă nu există).
3 Presupunem de asemenea că n reprezintă numărul nodurilor iar
edgeCost(i,i)=0
4 */
5
6 int path[][];
7 /* O matrice 2-Dimensională. La fiecare pas (etapă) a
algoritmului, path[i][j] constituie cel mai scurt drum
8 de la i la j folosind valorile intermediare ale mulţimii(1..k-1).
Fiecare drum [i][j] este iniţializat la
9 edgeCost(i,j).
10 */
11
12 procedure FloydWarshall ()
13 for k: = 1 to n
14 begin
15 for each (i,j) in (1..n)
16 begin
17 path[i][j] = min ( path[i][j], path[i][k]+path[k][j] );

58
18 end
19 end
20 endproc

Comportamentul în cazul ciclurilor negative

Pentru un rezultat numeric semnificativ, Floyd-Warshall presupun că
nu există cicluri negative (de fapt, între oricare două perechi de vârfuri care
reprezintă parte constituentă a unui ciclu negativ, drumul cel mai scurt nu
poate fi definit în mod corect deoarece drumul poate fi infinit de mic).
Totuşi, dacă există cicluri negative, Floyd-Warshall poate fi folosit pentru
identificarea acestora. Dacă se rulează algoritmul încă odată, unele drumuri
pot să scadă, însă nu se garantează că, între toate vârfurile, drumul
corespunzător va fi afectat de aceeaşi manieră. Dacă numărul de pe
diagonală matricei drumului este negativ, este necesar şi suficient ca acest
vârf să aparţină unui ciclu negativ.
Analiza
Găsirea tuturor n 2 ai Wk din cei ai Wk −1 necesită 2n 2 operaţii.
Ţinând cont de faptul că am considerat, iniţial, W0 = WR , respectiv am
calculat secvenţele matricelor cu elemente 0 şi 1 de ordin n
W1 , W2 ,K , Wn = M ∗ ,
R
numărul total de operaţii efectuate este
n × 2 n 2 = 2n 3 .
Deci, complexitatea algoritmului este de ordinul O(n 3 ) şi poate fi
rezolvat cu ajutorul unei „maşini” deterministe într-un timp de ordin
polinomial.
Aplicaţii şi generalizări
Algoritmul Floyd-Warshall poate fi folosit, printre altele, la
rezolvarea următoarelor probleme:
• Cele mai scurte drumuri în grafuri orientate (algoritmul Floyd)
• „Închiderea” tranzitivă a grafurilor orientate (algoritmul
Warshall). În formularea originală a algoritmului a lui Warshall,
graful nu este ponderat şi este reprezentat cu ajutorul unei
matrice de adiacenţă booleană. Mai mult, operaţia de adunare
este înlocuită de conjuncţia logică (AND) iar operaţia de
scădere de disjuncţia logică (OR).
• Găsirea unei expresii regulare, indicând limbajul regulat,
acceptat de către un automat finit (algoritmul lui Kleene)
• Inversarea matricelor reale (algoritmul Gauss-Jordan)
• Rout-area optimală. În cazul acestei aplicaţii preocuparea
principală o constituie găsirea drumului caracterizat de flux

59
 maxim între două vârfuri. Aceasta reprezintă că, în loc să
considerăm minimul ca în cazul pseudocodului de mai sus, vom
fi interesaţi de maxim. Costurile muchiilor constituie restricţii în
ceea ce priveşte fluxul. Costurile drumului reprezintă „blocaje”.
Astfel, operaţia de sumare de mai sus este înlocuită cu operaţia
corespunzătoare minimului.
• Testarea bipartiţiei unui graf neorientat.

5.1.8. Algoritmul lui Johnson

Algoritmul lui Johnson reprezintă o modalitate de găsire a celor mai
scurte drumuri între toate perechile de vârfuri ale unui graf rar orientat. El
permite ca, costurile unor muchii să fie numere negative, însă nu permite
existenţa ciclurilor ponderate negativ.
Descrierea algoritmului
Algoritmul lui Johnson constă în următorii paşi:
1. Pentru început, se adaugă un nod nou q mulţimii iniţiale a
nodurilor, legat, prin muchii de ponderi nule, de toate celelalte
noduri.
2. În cea de-a doua etapă, se foloseşte algoritmul Bellman-Ford,
începând cu vârful nou introdus q, în vederea găsirii, pentru
fiecare vârf în parte, cel mai puţin costisitor h(v) a unui drum
de la q la v. Dacă în această etapă se găseşte un ciclu negativ,
algoritmul se opreşte.
3. În continuare, muchiile grafului iniţial sunt re-ponderate,
folosind valorile calculate de algoritmul Bellman-Ford: unei
muchii ce leagă u şi v, având lungimea w(u, v), îi este ataşată
noua lungime w (u, v)+h(u)-h (v).
4. În final, pentru fiecare nod s, se face apel la algoritmul lui
Dijkstra cu scopul de a găsi cele mai scurte drumuri de la s la
toate celelalte noduri ale grafului re-ponderat.
În graful re-ponderat, toate drumurile între o pereche de noduri s
respectiv t au o aceeaşi cantitate adăugată h(s)-h(t), astfel că un drum cel mai
scurt în graful iniţial rămâne cel mai scurt în graful modificat şi vice versa.
Totuşi, datorită modului de calcul al valorilor h(v), toate lungimile muchiilor
modificate sunt nenegative, asigurând optimalitatea drumurilor găsite prin
intermediul algoritmului lui Dijkstra. Distanţele în graful iniţial pot fi
calculate cu ajutorul distanţelor calculate cu algoritmul lui Dijkstra, în graful
re-ponderat, inversând transformarea de re-valorare.
Analiza
Complexitatea în timp a algoritmului, folosind heap Fibonacci în
implementarea algoritmului lui Dijkstra, este de ordinul

60
O(| V |2 log | V | + | V || E |) : algoritmul foloseşte un timp de ordinul
O(| V || E |) pentru etapa Bellman-Ford a algoritmului, respectiv de ordinul
O (| V | log | V | + | E |) pentru fiecare din cele |V| apelări ale algoritmului lui
Dijkstra. Astfel, când graful este rar, timpul total poate fi mai rapid decât cel
corespunzător algoritmului Floyd-Warshall, care rezolvă aceeaşi problemă
într-un timp de ordinul O(| V |3 ) .

5.2. Probleme de conexiune. Teorema lui Menger şi aplicaţii

Definiţie. Fie G = (V,E) (di)graf şi X, Y ⊆ V . Numim XY – drum în
G orice drum D în G de la un vârf x ∈ X la un vârf y ∈ Y , astfel încât V (D)
∩ X = {x} şi V (D) ∩ Y = {y}.
Vom nota cu D(X,Y;G) mulţimea tuturor XY - drumurilor în G. Să
observăm că dacă x ∈ X ∩ Y atunci drumul de lungime 0, D = {x} este XY -
drum.
Vom spune că drumurile D1 şi D2 sunt disjuncte dacă
V (D1) ∩ V (D2) = 0/ .
Probleme practice din reţelele de comunicaţie, dar şi unele probleme
legate de conexiunea grafurilor şi digrafurilor, necesită determinarea unor
mulţimi de XY - drumuri disjuncte şi cu număr maxim de elemente.
Vom nota cu p(X,Y;G) numărul maxim de XY – drumuri disjuncte în
(di)graful G, număr ce a fost stabilit de Menger.
Definiţie. Fie G = (V,E) un digraf şi X, Y ⊆ V . Numim mulţime XY-
separatoare în G o mulţime Z ⊆ V astfel încât ∀D ∈ D(X, Y;G) ⇒
V (D) ∩ Z ≠ ∅.
Notăm cu
S(X,Y;G) = {Z | Z XY - separatoare în G},
k(X,Y;G) = min {|Z|;Z∈ S(X, Y ;G)}.
Din definiţie, rezultă următoarele proprietăţi imediate ale mulţimilor
XY - separatoare:
(a) Dacă Z ∈ S(X,Y;G) atunci ∀ D ∈ D(X,Y;G), D nu este drum în G − Z.
(b) X, Y ∈ S(X,Y;G).
(c) Dacă Z ∈ S(X,Y;G) atunci ∀ A astfel încât Z ⊆ A ⊆ V avem
A ∈ S(X,Y;G).
(d) Dacă Z ∈ S(X,Y;G) şi T ∈ S(X,Z;G) sau T ∈ S(Z,Y;G) atunci
T ∈ D(X,Y;G).
Dăm fără demonstraţie următorul rezultat.
Teoremă.
Fie G = (V,E) (di)graf şi X, Y ⊆ V . Atunci
p(X,Y;G) = k(X,Y;G).

61
 Remarcăm:
1) Egalitatea min-max din enunţul teoremei este interesantă şi conduce
la rezultate importante, în cazuri particulare.
2) Teorema se poate demonstra şi algoritmic ca o consecinţă a teoremei
fluxului maxim - secţiunii minime.
Forma echivalentă (a teoremei de mai sus) care a fost enunţată şi
demonstrată iniţial de Menger este:
Teoremă.
Fie G = (V,E) un (di)graf şi s, t ∈ V, astfel încât s ≠ t, st ∉ E. Există k
drumuri intern disjuncte de la s la t în graful G dacă şi numai dacă
îndepărtând mai puţin de k vârfuri diferite de s şi t, în graful rămas există un
drum de la s la t.
Notăm că două drumuri sunt intern disjuncte dacă nu au vârfuri
comune cu excepţia extremităţilor.
Am definit un graf G p-conex ( p ∈ N* ) dacă G = Kp sau dacă |G| > p
şi G nu poate fi deconectat prin îndepărtarea a mai puţin de p vârfuri.
Avem şi rezultatul.
Corolar.
Un graf G este p-conex dacă G = Kp sau ∀st ∈ E(G) există p
drumuri intern disjuncte de la s la t în G.
Determinarea numărului k(G) de conexiune a grafului G (cea mai
mare valoare a lui p pentru care G este p-conex) se reduce deci la
determinarea lui
max p({s},{t};G)
st∈E(G)
problemă care se poate rezolva în timp polinomial.
Un caz particular interesant al teoremei 1, se obţine atunci când G
este un graf bipartit iar X şi Y sunt cele două clase ale bipartiţiei:
Teoremă. (Konig)
Dacă G = (S,R;E) este un graf bipartit, atunci cardinalul maxim al
unui cuplaj (o mulţime independentă de muchii) este egal cu cardinalul
minim al unei mulţimi de vârfuri incidente cu toate muchiile grafului.

5.3. Structura grafurilor p-conexe

Lemă.
Fie G = (V,E) p-conex, |V|≥p+1,U ⊆ V, |U| = p şi x ∈ V-U. Există în G
p U – drumuri cu singurul vârf comun x.
Lemă.
Dacă G = (V,E) este un graf p - conex, p ≥ 2, atunci oricare ar fi două
muchii e1 şi e2 şi p - 2 vârfuri x1, x2, . . . , xp−2 există un circuit în G care le
conţine.

62
 Teoremă. (Dirac)
Dacă G = (V,E) este un graf p-conex, p≥2, atunci prin orice p vârfuri
ale sale trece un circuit.
Pe baza acestei teoreme, se poate demonstra o condiţie suficientă de
hamiltonietate.
Teoremă.
Fie G p-conex. Dacă α(G)≤p atunci G este hamiltonian.

5.4. Problema drumului Hamiltonian

În teoria grafurilor Problema drumului Hamiltonian, respectiv cea
a Ciclului Hamiltonian reprezintă probleme de determinare a existenţei
unui drum Hamiltonian, respectiv a unui ciclu Hamiltonian într-un graf dat
(orientat sau nu). Ambele probleme sunt NP- complete.
Există o relaţie simplă între cele două probleme. Problema Drumului
Hamiltonian pentru un graf G este echivalentă cu problema Ciclului
Hamiltonian într-un graf H obţinut din G prin adăugarea unui nou nod, ce va
fi conectat cu toate nodurile grafului iniţial G.
Problema Ciclului Hamiltonian este un caz special al problemei
Comis Voiajorului, obţinută prin setarea distanţei între două oraşe la o
anumită valoare finită, dacă acestea sunt adiacente, respectiv infinite dacă
cele două oraşe nu sunt adiacente.
Problemele Ciclului Hamiltonian orientat sau neorientat reprezintă
două din cele 21 de probleme NP – complete ale lui Karp. Garey şi Johnson
au arătat la scurt timp după aceasta, în anul 1974, că problema Ciclului
Hamiltonian orientat rămâne NP – completă pentru grafurile planare, iar
problema ciclului Hamiltonian neorientat rămâne NP – completă pentru
grafurile planare cubice.
Algoritmul aleatoriu
Un algoritm aleatoriu pentru un Ciclu Hamiltonian, care este destul
de rapid pentru ambele tipuri de grafuri, este următorul: Se începe într-un
nod oarecare, şi se continuă dacă există un vecin nevizitat. Dacă nu mai
există vecini nevizitaţi, iar drumul rezultat nu este Hamiltonian, se alege un
vecin la întâmplare, urmând o rotaţie folosindu-se pe post de pivot vecinul în
cauză.
Are loc următorul rezultat:
Teorema 1.
Fie G un graf cu cel puţin trei vârfuri. Dacă, pentru un s, G este s-
conex şi conţine o mulţime neindependentă cu mai mult de s vârfuri, atunci
G are un circuit Hamiltonian.
Această teoremă ne arată că graful complet bipartit K(s,s+1) este s-
conex, conţine mulţimi neindependente cu mai mult de s+1 vârfuri şi nu are

63
circuit Hamiltonian. Similar, graful Petersen este 3-conex, conţine mulţimi
neindependente cu mai mult de patru vârfuri şi nu are circuit Hamiltonian.
Demonstraţie.
Fie G ce satisface ipoteza Teoremei 1. Evident, G conţine un circuit;
fie C cel mai lung circuit. Dacă G nu are circuit Hamiltonian, atunci există
un vârf x, x ∉ C. Deoarece G este s-conex, există s drumuri începând din x şi
terminând în C, care sunt perechi disjunctive despărţite din x şi partajează cu
C chiar în vârfurile lor terminale x1,x2,…,xs. Pentru ∀ i=1,2,…,s , fie yi
succesorul lui xi într-un ciclu ordonat fix al lui C. Nici un yi nu este adiacent
cu x – altfel am putea înlocui muchiile xiyi în C prin drumul de la xi la yi în
afara lui C (către x) şi am obţine un circuit mai lung. Cu toate acestea, G nu
conţine mulţimi independente cu s+1 vârfuri şi deci există o muchie yiyj.
Şterge muchiile xiyi, xjyj din C şi adăugă muchia yiyj împreună cu drumul de
la xi la xj în afara lui C. În acest sens obţinem un circuit mai lung decât C,
ceea ce este o contradicţie.
Fie G un graf cu n vârfuri , n ≥ 3 . G nu conţine vârfuri cu grad mai
1
mic decât k unde k este un întreg astfel încât k ≥ ( n + 2 ) . Atunci G ori are
3
un circuit Hamiltonian, ori este separabil, ori are k+1 vârfuri independente.
Ca o consecinţă simplă a teoremei 1 obţinem:
Teorema 2.
Fie G un graf s-conex fără mulţimi independente de s+2 vârfuri.
Atunci G are un circuit Hamiltonian.
Demonstraţie.
Într-adevăr, dacă G satisface ipoteza Teoremei 2, atunci G+x (graful
obţinut din G prin adăugarea lui x şi reunindu-l cu toate vârfurile lui G)
satisface ipoteza Teoremei 1 cu s+1 în loc de s. Aşadar G+x are un circuit
Hamiltonian şi G are un drum Hamiltonian. Graful bipartite complet
K(s,s+2) arată că Teorema 2 este evidentă.
Tehnica utilizată în demonstrarea Teoremei 1 ne dă de asemenea
Teorema 3.
Fie G un graf s-conex ce nu conţine s vârfuri independente. Atunci G
este Hamiltonian – conex (i.e. fiecare pereche de vârfuri este unită printr-un
drum Hamiltonian).

5.5. Problema Ciclului Hamiltonian

Punerea problemei
Problema Ciclului Hamiltonian (PCH) diferă de Problema Comis-
Voiajorului (PCV) prin faptul că graful nu este neapărat complet şi în plus nu
se cere ca ciclul să aibă costul minim.

64
 Fie G = (V,U) un graf conex neorientat. Fiecărei muchii i se ataşează
un cost strict pozitiv. Ca urmare, graful va fi reprezentat prin matricea
costurilor C, având drept componente:
⎧ ≠ 0, dacă muchia (i, j) există;
ci, j = ⎨
⎩0, dacă nu există muchia (i, j);
Costul unui ciclu este definit ca sumă a costurilor ataşate muchiilor
componente.
Definiţie. Se numeşte ciclu hamiltonian un ciclu care trece exact o
singura dată prin fiecare vârf.
Pentru determinarea ciclurilor Hamiltoniene vom folosi metoda
backtracking. Astfel, dacă N = card(V), atunci o soluţie oarecare a problemei
se poate scrie sub forma unui vector X = (x1,x2,...,xN+1) .
Condiţiile de continuitate ce trebuie satisfăcute în construcţia soluţiei
sunt:
- x1 = xN+1;
- xi ≠ xj, ∀ (i,j) cu i ≠ j;
- (xi, xi+1)∈U, ∀ i∈ {1,...,N}.

Pentru a nu obţine de mai multe ori acelaşi ciclu, se poate fixa x1=1.
Fie alese x1,..., xk-1 cu k∈{2,...,N}. Atunci, condiţiile de continuitate, care
stabilesc dacă o valoare a lui xk poate conduce la o soluţie posibilă, sunt
următoarele:
- ∃ muchie între vârfurile xk-1 şi xk, cu xk ∉{x1,..., xk-1}
- xN trebuie să îndeplinească şi condiţia ca (xN, x1)∈U.

Procedura de calcul [1]

Procedura PCH (N, C, X)
/* i este varful din care incepe constructia ciclului */
x[1]=1
x[2]=1
k=2
while k>1
v=0
while x[k]<N
x[k]=x[k]+1
PROC1(c,X,N,k,v)
if v=1 then
exit
endif
repeat
if v=0 then
k=k-1
else
if k=N then

65
 if c[N,1]< µ then
x[N+1]=1
write x
endif
else
k=k+1
x[k]=1
endif
endif
repeat
return
end

Procedura PROC1(c,N,X,k,v)
v = 0
if c[x[k-1],x[k]] = µ then
return
endif
for i=2, k-1
if x[k] = x[i] then
return
endif
repeat
v = 1
return
end
Nu se cunosc condiţii necesare şi suficiente direct verificabile pentru
a stabili dacă într-un graf dat există un ciclu hamiltonian.
Are loc următorul rezultat
Teoremă.
Într-un graf cu cel puţin 3 vârfuri, cu proprietatea că gradul fiecărui
N
vârf este ≥ , unde N = |V|, există un ciclu hamiltonian.
2
Demonstraţie.
Fie G=(V,U) un graf cu proprietatea din enunţ. Să presupunem prin
absurd că el nu conţine nici un ciclu hamiltonian. Fie H=(V,D) graful obţinut
din G prin adăugarea de noi muchii între vârfurile neadiacente atâta timp cât
acest lucru este posibil, fără ca astfel să se obţină vreun ciclu hamiltonian.
N
Bineînţeles că şi în H fiecare vârf are gradul ≥ .
2
Graful H nu este complet, deoarece într-un graf complet există
evident un ciclu hamiltonian. Există deci două vârfuri i,j ∈ V, neadiacente în
H. Printr-o renumerotare a vârfurilor, putem considera că i = 1 şi j = N.
Din modul de construcţie al grafului H rezultă că adăugarea muchiei
(1, N) ar conduce la apariţia unui ciclu hamiltonian.
Rezultă deci că există în H un lanţ L = {1, i1, ..., iN - 2, N} cu
{i1, ..., iN-2} = {2,...,N-1}.

66
 Fie i j ,..., i j vârfurile adiacente vârfului 1.
1 k
N
Evident k ≥ .
2
Vârful N nu este adiacent cu nici unul dintre vârfurile i j ,..., i j
I −1 k −1
pentru că dacă N ar fi adiacent cu i j atunci s-ar obţine următorul ciclu
s −1
hamiltonian: sublanţul lui L ce uneşte pe 1 cu ij , muchia
s −1
(i j , N ) sublanţul din L ce uneşte pe N cu i j , muchia (i j , I ) , ceea ce nu
s −1 s s
este posibil. Rezultă că vârful N nu poate fi adiacent decât cu
N N
N −( k +1) ≤ N − −1 = −1
2 2
vârfuri, ceea ce duce la o contradicţie, deoarece fiecare vârf din graful H are
N
cel puţin gradul , prin ipoteză.
2

/* Program de construire a unui circuit hamiltonian de cost minim */

#include <stdio.h>
#include <conio.h>
#define max 21
#define inf 10000
int k,n,i,j,cont;
int c[max][max]; /* matricea costurilor deplasarilor intre 2
noduri*/
char nume[max][20]; /* numele nodurilor */
int cost_curent, cost_minim;
int x[max]; /* solutia curenta */
int y[max]; /* solutia de cost minim */
int PotContinua()
{
/* nodul curent (x[k]) trebuie sa fie vecin cu anteriorul nod */

if (c[x[k]][x[k-1]]==inf) return 0;
/* ultimul nod trebuie sa fie vecin cu primul */

if (k==n) if (c[x[n]][x[1]]==inf) return 0;

/* trebuie sa nu se mai fi trecut prin acest nod */
for (i=1; i<k; i++)
if (x[i]==x[k]) return 0;
return 1;
}
void main()
{
clrscr();
printf("Problema circuitului hamiltonian de cost minim\n\n");
printf("Scrieti numarul de noduri: ");
scanf("%d",&n);
for (i=1; i<=n; i++)

67
 {
printf("Scrieti numele nodului %d: ",i);
scanf("%s",&nume[i]);
}
for (i=1; i<=n-1; i++)
for (j=i+1; j<=n; j++)
{
printf("Care este costul legaturii de la %s la
%s (0=infinit) ? ",nume[i],nume[j]);
scanf("%d",&c[i][j]);
if (c[i][j]==0) c[i][j]=inf;
c[j][i]=c[i][j];
}
x[1]=1;
k=2;
x[k]=1;
cost_minim=inf;
while (k>1)
{
cont=0;
while ((x[k]<n) && (!cont))
{
x[k]++;
cont=PotContinua();
}
if (cont)
if (k==n)
{
cost_curent=0;
for (i=1; i<n; i++)
cost_curent+=c[x[i]][x[i+1]];
cost_curent+=c[x[n]][x[1]];
if
(cost_curent<cost_minim)
{
cost_minim=cost_curent;
for (i=1; i<=n; i++)
y[i]=x[i
];
}
}
else x[++k]=1;
else --k;
}
printf("\n\nCircuitul de cost minim este: \n");
for (i=1; i<=n; i++)
printf("%s -> ", nume[y[i]]);
printf("%s", nume[y[1]]);
printf("\nCostul sau este : %d\n",cost_minim);
getch();
}

68
5.6. Arborele parţial de cost minim

Arborele parţial de cost minim a unui graf planar. Fiecare muchie

este etichetată cu „costul” corespunzător, care, în exemplul de faţă, este egal
cu lungimea sa.
Fiind dat un graf conex, neorientat, un arbore parţial al acestui graf
este un subgraf, care este un arbore. Putem atribui, de asemenea, fiecărei
muchii, o valoare, care este reprezentată de un număr, ce indică cât de
„dezavantajoasă” este.
Un arbore parţial de cost minim sau arbore parţial minim
ponderat este un arbore parţial având „valoarea” mai mică sau cel mult
egală cu „valoarea” tuturor celorlalţi arbori parţiali. Mai general, orice graf
neorientat are o pădure parţială de cost minim.
Un astfel de exemplu l-ar putea constitui o companie de cablu TV,
care îşi „desfăşoară” cablurile într-un cartier nou. Dacă există o clauză
conform căreia compania ar trebui să îngroape cablurile doar într-o anumită
porţiune, atunci aceasta s-ar putea reprezenta cu ajutorul unui graf, în care,
prin intermediul drumurilor se vor conecta aceste regiuni. Unele dintre aceste
drumuri ar putea fi mai costisitoare, fiind mai lungi, sau fiind nevoie ca acele
cabluri să fie îngropate mai adânc; aceste drumuri se vor reprezenta cu
ajutorul muchiilor al căror costuri ataşate vor fi mai mari. Un arbore parţial
corespunzător acestui graf l-ar constitui o submulţime a acelor drumuri care
nu au cicluri dar conectează toate imobilele. Ar putea exista mai mulţi astfel
de arbori parţiali. Un arbore parţial de cost minim ar fi reprezentat de acela
al cărui cost total ar fi cel mai mic.
Proprietăţi
P1) Posibilă multiplicitate
Ar putea exista mai mulţi arbori parţiali de cost minim având acelaşi
cost; în particular, dacă toate aceste valori sunt egale, fiecare arbore parţial
este minim.

69
P2) Unicitatea
Dacă fiecare muchie are un cost distinct, atunci există un unic arbore
parţial de cost minim. Demonstraţia acestui lucru este trivială şi se poate face
folosind inducţia.
P3) Subgraful de cost minim
Dacă costurile sunt nenegative, atunci un arbore parţial de cost
minim reprezintă, de fapt, subgraful de cost minim ce „conectează” toate
nodurile, ţinând cont şi de faptul că subgrafurile ce conţin cicluri au,
implicit, o valoare totală mai mare
P4) Proprietatea ciclului
Pentru orice ciclu C al grafului, dacă costul unei muchii e ∈ C este
mai mare ca valoarea tuturor celorlalte muchii din C, atunci această muchie
nu poate aparţine unui MST (Minimal Spanning Tree (Arbore Parţial de
Cost Minim)).
P5) Proprietatea tăieturii
Pentru orice tăietură C din graf, dacă costul unei muchii e din C este
mai mic decât toate costurile celorlalte muchii din C, atunci această muchie
aparţine tuturor MST – urilor (Arborilor parţiali de cost minim)
corespunzători grafului. Într-adevăr, presupunând contrariul, i.e., e nu
aparţine unui MST T1, atunci adăugând e lui T1 va rezulta un ciclu, care
,implicit, trebuie să mai conţină o altă muchie e2 din T1 în tăietura C.
Înlocuirea muchiei e2 cu e ar da naştere unui arbore având un cost mai mic.
Algoritmi
Primul algoritm de găsire a unui arbore parţial de cost minim a fost
conceput de către omul de ştiinţă ceh Otakar Borüvka în anul 1926
(algoritmul lui Borüvka). Astăzi se folosesc, cu precădere doi algoritmi, şi
anume: Algoritmul lui Prim, respectiv Algoritmul lui Kruskal. Toţi aceşti trei
algoritmi sunt algoritmi „greedy” ,al căror timp de rulare este de ordin
polinomial, astfel că problema găsirii unor astfel da arbori se încadrează în
clasa P. Un alt algoritm „greedy”, ce-i drept nu prea folosit, este algoritmul
reverse - delete, opusul algoritmului lui Kruskal.
Cel mai rapid algoritm de găsire a arborelui parţial de cost minim a
fost elaborat de către Bernard Chazelle, şi se baza pe cel al lui Borüvka.
Timpul său de rulare este de ordinul O(eα(e, v)) , unde e reprezintă numărul
muchiilor, v reprezintă numărul vârfurilor, iar α este funcţionala clasică,
inversa funcţiei Ackermann. Funcţia α creşte foarte încet, astfel că în
scopuri practice poate fi considerată o constantă nu mai mare ca 4; aşadar
algoritmul lui Chazelle se apropie (d.p.d.v. al timpului de rulare) de O(e) .
Care este cel mai rapid algoritm ce poate rezolva această problemă?
Aceasta este una din cele mai vechi întrebări deschise a ştiinţei
calculatoarelor. Există, în mod cert, o limită inferioară liniară, având în

70
vedere faptul că trebuie să examinăm cel puţin toate costurile. Dacă aceste
costuri ale muchiilor sunt întregi, atunci algoritmii determinişti sunt
caracterizaţi de un timp de rulare de ordinul O(e) . Pentru valorile generale,
David Karger a propus un algoritm aleatoriu al cărui timp de rulare a fost
preconizat ca fiind liniar.
Problema existenţei unui algoritm determinist al cărui timp de rulare
să fie liniar, în cazul costurilor oarecare, este încă deschisă. Cu toate acestea,
Seth Pettie şi Vijaya Ramachandran au găsit un posibil algoritm determinist
optimal pentru arborele parţial de cost minim, complexitatea computaţională
a acestuia fiind necunoscută.
Mai recent, cercetătorii şi-au concentrat atenţia asupra rezolvării
problemei arborelui parţial de cost minim de o manieră „paralelă”. De
exemplu, lucrarea pragmatică, publicată în anul 2003 „Fast Shared-Memory
Algorithms for Computing the Minimum Spanning Forest of Sparse Graphs"
a lui David A. Bader şi a lui Guojing Cong, demonstrează un algoritm care
poate calcula MST de cinci ori mai rapid pe 8 procesoare decât un algoritm
secvenţial optimizat. Caracteristic, algoritmii paraleli se bazează pe
algoritmul lui Borüvka – algoritmul lui Prim, dar mai ales cel al lui Kruskal
nu au aceleaşi rezultate în cazul procesoarelor adiţionale.
Au fost elaboraţi mai mulţi astfel de algoritmi de calculare a arborilor
parţiali de cost minim corespunzători unui graf „mare”, care trebuie stocat pe
disc de fiecare dată. Aceşti algoritmi de stocare externă, aşa cum sunt
descrişi în "Engineering an External Memory Minimum Spanning Tree
Algorithm", a lui Roman Dementiev et al., pot ajunge să opereze cel puţin de
două până la cinci ori mai lent ca un algoritm tradiţional in-memory; ei
pretind că „problemele aferente unui arbore parţial de cost minim masiv, ce
ocupă mai multe hard disk-uri, pot fi rezolvate pe un PC.” Se bazează pe
algoritmi de sortare - stocare externă eficienţi şi pe tehnici de contracţie a
grafului, folosite în scopul reducerii eficiente a mărimii acelui graf .

5.7. Algoritmul lui Prim

Algoritmul lui Prim este un algoritm care găseşte un arbore parţial
de cost minim pentru un graf conex. Aceasta înseamnă că găseşte o
submulţime de muchii care formează un arbore, ce include toate nodurile, iar
valoarea tuturor muchiilor arborelui corespunzător este minimizată.
Algoritmul a fost descoperit în anul 1930 de către matematicianul Vojtêch
Jarník, iar mai apoi, în mod independent, de către cercetătorul în domeniul
calculatoarelor Robert C. Prim, în anul 1957, respectiv redescoperit de
Dijkstra în anul 1959. De aceea mai este numit, uneori, Algoritmul DJP sau
Algoritmul Jarnik.

71
 Descriere
Algoritmul măreşte în permanenţă dimensiunea arborelui iniţial, care
conţine un singur vârf, astfel încât la sfârşitul parcurgerii algoritmului acesta
(n.arborele) să se fi extins la toate nodurile.
• Date de intrare: Un graf conex ponderat G = (V,E)
• Iniţializare: V ′ = {x}, unde x este un nod arbitrar din V,
E′ = { }
• Repetă până când V ′ = V :
• Alegeţi o muchie (u,v) din E, având valoare minimă,
astfel încât u este din V ′ iar v nu aparţine mulţimii V ′
(dacă există mai multe muchii ce au aceeaşi valoare,
alegerea uneia dintre ele este arbitrară)
• Adăugaţi v la V ′ , adăugaţi (u,v) mulţimii E ′
• Date de ieşire: G = (V ′, E ′ ) este arborele parţial de cost
minim

Complexitate în timp
Complexitatea în timp (total) pentru:
-
căutarea cu ajutorul matricei de adiacenţă este |V|2;
- heap binar (ca în pseudocodul de mai jos) şi lista de adiacenţă este:
O((|V| + |E|) log(|V|)) = |E| log(|V|)
- heap Fibonaci şi lista de adiacenţă este:
|E| + |V| log(|V|)
O simplă implementare ce foloseşte o matrice de adiacenţă pentru
reprezentarea grafului, şi care cercetează un tablou de costuri pentru a găsi
muchia de cost minim ce urmează a fi adăugată, necesită un timp de rulare
de ordinul O(|V|2). Folosind o structură de date simplă de tip heap binar,
respectiv o reprezentare cu ajutorul listei de adiacenţă, se poate demonstra că
algoritmul lui Prim rulează într-un timp de ordinul
O(| E | log | V |) ,
unde |E| reprezintă numărul muchiilor, iar |V| reprezintă numărul vârfurilor.
Apelând la mai sofisticata heap Fibonacci, acest timp de rulare poate fi redus
până la
O(| E | + | V | log | V |) ,
semnificativ mai rapid pentru grafurile destul de dense (|E| este
Ω(| V | log | V |) ).

72
 Exemple.

Acesta este graful ponderat, iniţial. Nu este arbore

Nevizitaţi: C, G
Fringe: A, B, E, F
Mulţimea soluţiilor: D

Cel de-al doilea nod ales este nodul cel mai apropiat lui D: A, cu un cost de
5.
Nevizitaţi: C, G
Fringe: B, E, F
Mulţimea soluţiilor: A, D

Următorul nod ales este acela situat în imediata apropiere fie a nodului D fie
a lui A. B se află la „o depărtare” 9 de D, respectiv 7 faţă de A, E la 15, iar F
la 6. 6 este cea mai mică valoare, astfel că vom marca vârful F şi arcul DF.
Nevizitaţi: C
Fringe: B, E, G
Mulţimea soluţiilor: A, D, F

73
Se marchează nodul B, care se află la o „distanţă” 7 de A. De data aceasta
arcul DB va fi colorat cu roşu , deoarece atât nodul B cât şi nodul D au fost
marcate, deci nu mai pot fi folosite.
Nevizitaţi: null
Fringe: C, E, G
Mulţimea soluţiilor: A, D, F, B

În acest caz, putem alege între C, E şi G.C se află la o „distanţa” de 8 faţă de

B, E la 7 faţa de B, iar G la 11 faţă de F. E este cel mai apropiat, astfel că va
fi marcat vârful E şi arcul EB. Alte două arce au fost colorate cu roşu,
deoarece ambele legau noduri deja marcate
Nevizitaţi: null
Fringe: C, G
Mulţimea soluţiilor: A, D, F, B, E

În acest caz, singurele vârfuri „disponibile” sunt C şi G. C se află la o

„distanţă” 5 de E, iar G la 9 faţa de E. Se alege aşadar C, fiind marcat odată
cu arcul EC.
Nevizitaţi: null
Fringe: G
Mulţimea soluţiilor: A, D, F, B, E, C

74
Vârful G este singurul vârf rămas. Se află la o ”distanţa” 11 de F, respectiv 9
faţă de E. E este mai aproape, astfel că îl marcăm împreună cu arcul EG. La
acest moment toate vârfurile vor fi fost marcate, arborele parţial de cost
minim fiind marcat cu verde. În acest caz, are o valoare de 39.
Nevizitaţi: null
Fringe: null
Mulţimea soluţiilor: A, D, F, B, E, C, G

Pseudocodul
Iniţializare
Date de intrare: Un graf, o funcţie ce returnează „costurile”
muchiilor – funcţia costurilor, respectiv un nod iniţial.
Starea iniţială a tuturor vârfurilor: „nevizitaţi”, mulţimea iniţială de
vârfuri ce urmează a fi adăugaţi arborelui, plasându-le într-o Min-heap cu
scopul de extrage „distanţa minimă” din graful minim.
for each vertex in graph
set min_distance of vertex to ∞
set parent of vertex to null
set minimum_adjacency_list of vertex to empty list
set is_in_Q of vertex to true
set distance of initial vertex to zero
add to minimum-heap Q all vertices in graph.

Algoritm
În descrierea algoritmului de mai sus:
cel mai apropiat vârf este Q[0], acum ultima „adăugare”
fringe este v în Q unde distanţa lui v < ∞ după extragerea celui mai
apropiat vârf
nevizitat este v din Q pentru care distanţa corespunzătoare v = ∞ ,
după extragerea celui mai apropiat vârf

Bucla while „se termină” în momentul în care „gradul” minim

returnează null. Lista de adiacenţă este astfel construită încât permite
„întoarcerea” pe un graf direcţionat.

75
 Complexitatea în timp: |V| pentru buclă, log(|V|) pentru funcţia de
întoarcere
while latest_addition = remove minimum in Q
set is_in_Q of latest_addition to false
add latest_addition to (minimum_adjacency_list of (parent of
latest_addition))
add (parent of latest_addition) to (minimum_adjacency_list of
latest_addition)

Complexitate în timp: |E| / |V|, număr mediu de vârfuri

for each adjacent of latest_addition
if (is_in_Q of adjacent) and (weight-function(latest_addition,
adjacent) < min_distance of adjacent)
set parent of adjacent to latest_addition
set min_distance of adjacent to weight-
function(latest_addition, adjacent)

Complexitate în timp: log (|V|), înălţimea heap

update adjacent in Q, order by min_distance

Demonstraţia corectitudinii
Fie P un graf conex, ponderat.
La fiecare iteraţie a algoritmului lui Prim, trebuie să se găsească o
muchie ce leagă un vârf ce aparţine subgrafului de un altul din afara acestuia.
Având în vedere faptul că P este conex, va exista întotdeauna un drum către
orice vârf.
Ceea ce rezultă în urma parcurgerii algoritmului lui Prim este un
arbore Y, explicaţia fiind dată de faptul că muchia şi vârful adăugate lui Y
sunt conexe. Fie Y1 un arbore parţial de cost minim al lui Y.
Dacă Y1 = Y atunci Y este un arbore parţial de cost minim.
Altfel, fie e prima muchie adăugată la „construcţia” lui Y, muchie ce
nu este în Y1 , şi fie V mulţimea vârfurilor conectate prin intermediul
muchiilor adăugate înaintea muchiei e. Atunci unul dintre vârfurile ce
compun muchia e se va găsi în V iar celălalt nu. Ţinând cont de faptul că Y1
este un arbore parţial al lui P, există un drum în Y1 ce uneşte aceste două
vârfuri. Pe măsură ce se parcurge acest drum, trebuie să se găsească o
muchie f ce uneşte un vârf din V de un altul ce nu se găseşte în V. Acum, la
momentul iteraţiei în care e este adăugată lui Y, există posibilitatea ca şi f să
fi fost adăugată, acest lucru fiind posibil în eventualitatea deţinerii unui cost
mai mic decât cel al muchiei e.

76
 Dat fiind faptul că f nu a fost adăugată deducem că
w ( f ) ≥ w (e) .
Fie Y2 graful obţinut prin înlăturarea muchiei f, respectiv adăugarea
muchiei e din Y1 .
Se arată uşor faptul că Y2 este conex, are acelaşi număr de muchii ca
şi Y1 , iar costul total al muchiilor constituente nu-l depăşeşte pe cel al lui Y1 ,
astfel că este de asemenea un arbore parţial de cost minim al lui P, conţinând
muchia e şi toate celelalte muchii ce o precedau în construcţia V.
Repetând paşii anteriori vom putea obţine un arbore parţial de cost
minim al lui P, identic cu Y.
Aceasta demonstrează că Y este un arbore parţial de cost minim.

5.8. Algoritmul lui Kruskal

Algoritmul lui Kruskal este un algoritm în teoria grafurilor, care
determină arborele parţial de cost minim pentru un graf conex ponderat.
Aceasta înseamnă că determină o submulţime de muchii care formează un
arbore ce include fiecare vârf, iar valoarea totală a costurilor ataşate
muchiilor arborelui este minimizată. Dacă graful nu este conex, atunci
algoritmul determină o pădure parţială de cost minim (câte un arbore parţial
de cost minim pentru fiecare componentă conexă). Algoritmul lui Kruskal
reprezintă un exemplu de algoritm „greedy”.

Este un exemplu pentru algoritmul lui Kruskal

Principiul de funcţionare (al algoritmului):
■ „construieşte” o pădure F (o mulţime de arbori), în care fiecare nod
al grafului simbolizează un arbore individual
■ „construieşte” o mulţime S, ce conţine toate muchiile grafului
■ cât timp S este nevidă

77
 ■ se şterge o muchie având valoarea cea mai mică din
mulţimea S
■ dacă acea muchie leagă doi arbori diferiţi, atunci adaugă
aceşti arbori pădurii, combinându-i într-unul singur
■ altfel, elimină muchia respectivă
Acest algoritm a apărut pentru prima dată în Proceedings of the
American Mathematical Society, în anul 1956, şi a fost scris de către Joseph
Kruskal.
Funcţionare
Ţinând cont de faptul că |E| reprezintă numărul muchiilor grafului, iar
|V| reprezintă numărul vârfurilor grafului, se poate demonstra că timpul de
rulare al algoritmului lui Kruskal este de ordinul O(| E | log | E |) , sau,
echivalent, de ordinul O(| E | log | V |) , în cazul structurilor de date simple.
Aceşti timpi de rulare sunt echivalenţi deoarece:
■ |E| este cel mult | V |2 , iar
log | V |2 = 2 log | V |
este
O(log | V |) .
■ Dacă ignorăm vârfurile izolate, care vor constitui propriile
componente ale arborilor parţiali de cost minim, | V |≤ 2 | E | , astfel că
log | V | este O(log | E |) .
Putem obţine aceasta astfel: se sortează, pentru început, muchiile,
după costuri folosind o sortare de comparare, al cărui timp de rulare este de
ordinul O(| E | log | E |) ; acest lucru permite pasului „elimină o muchie de
cost minim din S ” să opereze într-un timp constant. În continuare, folosim o
mulţime de separaţie a structurilor de date, astfel ca să se poată contabiliza
vârfurile şi apartenenţa la anumite componente. Este nevoie de execuţia a
O(| E |) operaţii, pentru „găsirea” operaţiilor şi a unei posibile uniuni pentru
fiecare muchie în parte. Chiar şi o simplă structură de date de tip mulţime de
separaţie, cum ar fi pădurile pot executa O(| E |) operaţii într-un timp de
ordinul O(| E | log | V |) . Astfel, timpul total este
O(| E | log | E |) = O(| E | log | V |) .
Dacă muchiile sunt deja sortate sau pot fi sortate într-un timp liniar,
algoritmul poate folosi structuri de date de tip mulţime de separaţie mult mai
sofisticate pentru a rula într-un timp de ordinul O(| E || α(V) |) , unde α
reprezintă inversul unei funcţii ponderate-singular Ackermann, ce creşte
foarte încet.

78
 Exemplu

Acesta este graful iniţial. Numerele ataşate muchiilor indică valoarea

acestora. Nici unul dintre aceste arce nu este colorat.

AD şi CE sunt cele mai „scurte” arce, având lungimea 5, iar AD a fost ales
arbitrar, astfel că apare colorat

Oricum, CE este , la momentul actual, cel mai scurt arc care nu formează
buclă, de lungime 5, astfel că este colorat.

Arcul următor, DF de lungime 6, este colorat, pe baza aceluiaşi principiu.

79
Următoarele cele mai scurte arce sunt AB şi BE, ambele având lungimea 7.
Se alege în mod arbitrar AB, şi se colorează. Arcul BD se colorează cu roşu,
deoarece ar forma o buclă ABD dacă ar fi ales.

Procesul continuă colorând următorul cel mai scurt arc, BE de lungime 7.

Mult mai multe arce sunt colorate cu roşu în această etapă:BC deoarece ar
forma bucla BCE, DE deoarece ar forma bucla DEBA, respectiv FE
deoarece ar forma FEBAD.

În cele din urmă, procesul se încheie cu arcul EG de lungime 9, găsindu-se

arborele parţial de cost minim.
Demonstraţia corectitudinii
Fie P un graf conex, ponderat şi fie Y subgraful lui P, rezultat al
algoritmului. Y nu poate conţine cicluri, odată ce această din urmă muchie
adăugată ciclului respectiv ar fi aparţinut unui subarbore şi nu ar fi făcut
legătura între doi arbori diferiţi. Y nu poate fi neconex , având în vedere
faptul că prima muchie întâlnită ce uneşte două din componentele lui Y este
aleasă de către algoritm. Astfel, Y este arbore parţial al lui P.
Rămâne de demonstrat faptul că arborele parţial Y este de cost
minim:

80
 Fie Y1 un arbore parţial de cost minim. Dacă Y = Y1 atunci Y este un
arbore parţial de cost minim. Altfel, fie e prima muchie considerată de către
algoritm, muchie ce este în Y dar nu este în Y1 . Y1 ∪ e conţine un ciclu,
deoarece nu se poate adăuga o muchie unui arbore parţial astfel încât să
continuăm să avem un arbore. Acest ciclu conţine o altă muchie f ,care, în
etapa în care e a fost adăugată, nu a fost luată în considerare. Aceasta din
pricina faptului că în acest caz e nu ar fi conectat arbori diferiţi, ci două
ramuri ale aceluiaşi arbore. Astfel, Y2 = Y1 ∪ e \ f este, de asemenea, un
arbore parţial. Valoarea sa totală este mai mică sau cel mult egală cu
valoarea totală a lui Y1 . Aceasta se întâmplă deoarece algoritmul „vizitează”
muchia e înaintea muchiei f, şi drept urmare w ( e ) ≤ w ( f ) . Dacă se întâmplă
ca aceste valori să fie egale, considerăm următoarea muchie e, ce se găseşte
în Y dar nu în Y1 . Dacă nu mai sunt astfel de muchii, valoarea lui Y este egală
cu cea a lui Y1 , deşi sunt caracterizaţi de mulţimi diferite de muchii, iar Y este
de asemenea un arbore parţial de cost minim. În cazul în care valoarea lui Y2
este mai mică decât valoarea lui Y1 , putem concluziona că acesta din urmă
( Y1 ) nu este un arbore parţial de cost minim, iar presupunerea conform căreia
există muchii e, f cu w ( e ) < w ( f ) este falsă. De aceea, Y este un arbore
parţial de cost minim (egal cu Y1 sau cu o altă mulţime de muchii, dar având
aceeaşi valoare).
Pseudocodul
1 function Kruskal(G)
2 for each vertex v in G do
3 Define an elementary cluster C(v) ← {v}.
4 Initialize a priority queue Q to contain all edges in G,
using the weights as keys.
5 Define a tree T ← Ø //T will ultimately
contain the edges of the MST
6 // n is total number of vertices
7 while T has fewer than n-1 edges do
8 // edge u,v is the minimum weighted route from/to v
9 (u,v) ← Q.removeMin()
10 // prevent cycles in T. add u,v only if T does not already
contain an edge consisting of u and v.
// Note that the cluster contains more than one vertex only
if an edge containing a pair of
// the vertices has been added to the tree.
12 Let C(v) be the cluster containing v, and let C(u) be the
cluster containing u.
13 if C(v) ≠ C(u) then
14 Add edge (v,u) to T.
15 Merge C(v) and C(u) into one cluster, that is, union C(v) and
C(u).
16 return tree T

81
82
 Capitolul 6
PROBLEME DE FLUXURI ÎN REŢELE

6.1. Problema fluxului maxim

Numim reţea (de transport) cu intrarea s şi ieşirea t, 4 – uplul
R = (G,s,t,c) unde:
ƒ G = (V, E) este un digraf;
+ −
ƒ s, t ∈ V, s ≠ t, d G (s) > 0, d G (t) > 0 ;
ƒ c : E → R + , c(e) este capacitatea arcului e.
Vom presupune că
V = {1, 2, ..., n} ( n ∈ N∗ )
şi că
|E| = m.
Extindem funcţia c la
c : V × V → R+
prin:
⎧c(ij), ij ∈ E
c((i, j)) = ⎨
⎩0, ij ∉ E
şi vom nota c((i,j)) = cij .
Definiţie. Numim flux în reţeaua R = (G,s,t,c) o funcţie
x : V × V → R care satisface
(i) 0 ≤ x ij ≤ cij , ∀ij ∈ V × V ;
(ii) ∑ x ji − ∑ x ij = 0, ∀i ∈ V − {s, t} .
j∈V j∈V
Dacă ij ∈ E atunci x ij se numeşte fluxul (transportat) pe arcul ij.
Evident, condiţia (i) cere ca fluxul pe orice arc să fie nenegativ şi
subcapacitar, iar condiţia (ii) (legea de conservare a fluxului) cere ca suma
fluxurilor pe arcele care intră în vârful i să fie egală cu suma fluxurilor pe
arcele care ies din vârful i.
Cu convenţia făcută la extensia funcţiei de capacitate, se observă
că pentru perechile (i, j) care nu sunt arce în reţea condiţia (i) impune ca
fluxul să fie 0, şi evident cele doua definiţii sunt echivalente.
Dacă se sumează relaţiile (ii) (pentru i ∈ V − {s, t} ) se obţine:

83
 ⎛ ⎞
0 = ∑ ⎜ ∑ x ji − ∑ x ij ⎟ = ∑ ∑ x ji − ∑ ∑ x ij +
⎜
i ≠ s, t ⎝ j∈V j∈V
⎟ i ≠ s, t j ≠ s,t i ≠ s, t j ≠ s, t
⎠
⎛ ⎞ ⎛ ⎞
+ ∑ x si + ∑ x ti − ∑ x is − ∑ x it = − ⎜ ∑ x is − ∑ x si ⎟ − ⎜ ∑ x it − ∑ x ti ⎟ ,
i ≠ s, t i ≠ s, t i ≠ s,t i ≠ s, t ⎝i i ⎠ ⎝i i ⎠
Definiţie. Dacă x este un flux în reţeaua R = (G,s,t,c) se numeşte
valoarea fluxului x numărul
v(x) = ∑ x jt − ∑ x tj .
j∈V j∈V
v(x) se poate interpreta ca fiind fluxul net care ajunge în ieşirea reţelei sau
(conform egalităţii obţinute mai sus) fluxul net care iese din intrarea reţelei.
În orice reţea R = (G,s,t,c) există un flux, fluxul nul x ij = 0 ∀ij , de
valoare 0.
Problema fluxului maxim
Dată R = (G,s,t,c) o reţea, să se determine un flux de valoare maximă.
Problema se poate formula, ca o problemă de programare liniară:
⎧max v
⎪
⎪
⎪∑ x ji − ∑ x ij = 0, ∀i ≠ s, t
⎪j j
⎪
⎨∑ x js − ∑ x sj = − v
⎪j j
⎪
⎪∑ x jt − ∑ x tj = v
⎪j j
⎪0 ≤ x ij ≤ cij ∀ij
⎩
Definiţie. Dacă P este un drum în G , multigraful suport al digrafului
G, şi e = vi v j este o muchie a lui P atunci:
- dacă e corespunde arcului vi v j al lui G, e se numeşte arc direct al
drumului P;
- dacă e corespunde arcului v j vi al lui G, atunci e se numeşte arc
invers.
Definiţie. Fie R = (G,s,t,c) şi x flux în R. Se numeşte C-drum (în R
relativ la fluxul x) un drum D în G cu proprietatea că ∀ij ∈ E(D) :
x ij < cij dacă ij este arc direct;
x ji > 0 dacă ij este arc invers.

84
 Dacă D este un C – drum şi ij ∈ E(D) , se numeşte capacitate
reziduală a lui ij (relativ la C – drumul D) numărul
⎧⎪cij − x ij , ij arc direct în D
r(ij) = ⎨
⎪⎩ x ji , ij arc invers în D.
Capacitatea reziduală a drumului D este:
r(D) = min r(e) .
e∈E(D)
Definiţie. Se numeşte drum de creştere a fluxului x, în reţeaua R =
(G,s,t,c), un C-drum de la s la t.
Se arată că:
Lemă.
Dacă D este un drum de creştere a fluxului x în reţeaua R = (G,s,t,c),
atunci x1 = x ⊗ r(D) definit prin
⎧x , ij ∉ E(D)
⎪⎪ ij
1
x ij = ⎨ x ij + r(D), ij ∈ E(D), ij arc direct în D
⎪
⎪⎩ x ij − r(D), ji ∈ E(D), ji arc invers în D

este flux în R şi v(x1 ) = v(x) + r(D) .

Rezultă că dacă x admite un drum de creştere atunci x nu este flux de
valoare maximă.
Definiţie. Fie R = (G,s,t,c). Se numeşte secţiune în reţeaua R, o
partiţie (S,T) a lui V cu s ∈ S şi t ∈ T .
Capacitatea secţiunii (S,T) este
c(S, T) = ∑ ∑ cij
i∈S j∈T
(suma capacităţilor arcelor de la S la T).
Se arată că:
Lemă.
Dacă x este un flux în R = (G,s,t,c) şi (S,T) este o secţiune a reţelei,
atunci
v(x) = ∑ ∑ (x ij − x ji )
i∈S j∈T
(valoarea fluxului este egală cu fluxul net ce trece prin orice secţiune)
Lemă. Dacă x este un flux în R = (G,s,t,c) şi (S,T) este o secţiune,
atunci v(x) ≤ c(S,T).
Teoremă. (Teorema drumului de creştere)
Un flux x este de valoare maximă într-o reţea R, dacă şi numai dacă,
nu există drumuri de creştere a fluxului x în reţeaua R.

85
 Să observăm că ∀i ∈ S şi ∀j ∈ T avem:
- dacă ij ∈ E atunci x ij = cij şi
- dacă ji ∈ E atunci x ji = 0

(altfel, C-drumul de la s la i se poate extinde la un C-drum de la s la j).

Deci, conform lemei precedente:
v(x) = ∑ ∑ (x ij − x ji ) = ∑ ∑ (cij − 0) = c(S, T)
i∈S j∈T i∈S j∈T
şi prin urmare x este flux de valoare maximă.
Teoremă. (Teorema fluxului întreg)
Dacă toate capacităţile sunt întregi, atunci există un flux de valoare
maximă cu toate componentele întregi (flux întreg de valoare maximă).
Demonstraţie.
Fie algoritmul

1: x 0 ← 0; i ← 0;
2: while ( ∃P drum de creştere relativ la x i ) do
i
{
x i +1 ← x i ⊗ r(Pi ) ;
i + +
}

Se observă că ” x i are componente întregi” este un invariant al

algoritmului (din definiţia lui r(Pi ) , dacă toate capacităţile sunt întregi,
rezultă că r(Pi ) este întreg în ipoteza că x i este întreg) şi că la fiecare
iteraţie a pasului 2 valoarea fluxului curent creşte cu măcar o unitate, deci
pasul 2 se repetă de cel mult c({s}, V − {s}) ∈ Z + ori. Fluxul final obţinut
este de valoare maximă.
Observaţie. Algoritmul, descris mai sus, este finit şi în cazul
capacităţilor raţionale.
Teoremă. ( Ford-Fulkerson)
Valoarea maximă a unui flux în reţeaua R =(G,s,t,c) este egală cu
capacitatea minimă a unei secţiuni a reţelei.
Demonstraţie.
Dacă dispunem de un algoritm care, pornind de la un flux iniţial x 0
( x 0 există întotdeauna, de exemplu x 0 = 0), construieşte într-un număr finit
de paşi un flux x, care nu admite drumuri de creştere, atunci secţiunea

86
construită în demonstraţia teoremei antecedente satisface împreună cu x
enunţul teoremei.
Pentru cazul capacităţilor raţionale algoritmul descris satisface
această condiţie.
Pentru cazul capacităţilor reale există un algoritm, datorat lui
Edmonds şi Karp.
Algoritmul lui Ford şi Fulkerson pentru aflarea unui flux de
valoare maximă
Se va folosi un procedeu de etichetare a vârfurilor reţelei, în vederea
depistării drumurilor de creştere a fluxului curent x. Dacă nu există drumuri
de creştere, fluxul va fi de valoare maximă.
Eticheta atribuită unui vârf j ∈ V are trei componente (e1 , e2 , e3 )
unde e1 ∈ V ∪ {0} , e2 ∈{direct, invers}; e3 ∈ R + şi au următoarea
semnificaţie:
- dacă e2 = direct şi e1 = i atunci
∃ un C-drum P de la s la j cu ultimul arc ij, arc direct şi r(P) = e3 ;
- dacă e2 = invers şi e1 = i atunci
∃ un C-drum P de la s la j cu ultimul arc ij, arc invers şi r(P) = e3 .
Iniţial, se etichetează sursa s cu eticheta (0, . , ∞) . Celelalte vârfuri
primesc etichetă prin ”cercetarea” vârfurilor deja etichetate:
Dacă i este un vârf etichetat, atunci ∀j ∈ V :
- dacă j neetichetat,
ij ∈ E şi x ij < cij
atunci j se etichetează
e = (i, direct, min(e3 [i], cij − x ij )) ;
- dacă j neetichetat,
ji ∈ E şi x ji > 0
atunci j se etichetează
e = (i,invers, min(e3 [i], x ji )) .
Evident, în acest fel se respectă semnificaţia celor trei componente
ale etichetelor.
Numim această procedură etichetare(i).
Atunci când în procedura de etichetare s-a atribuit etichetă vârfului t,
s-a obţinut un drum de creştere P a fluxului curent, de capacitate reziduală
r(P) = e3 [t] şi ale cărui vârfuri se depistează în O(n) explorând prima
componentă a etichetelor. Modificarea fluxului x ⊗ r(P) se execută în acest
mers înapoi, tot în O(n).

87
 Pentru noul flux se reia procedura de etichetare.
Dacă toate vârfurile etichetate au fost cercetate şi nu s-a reuşit
etichetarea vârfului t, rezultă că fluxul curent nu admite drumuri de creştere,
este deci de valoare maximă, iar dacă S = mulţimea vârfurilor etichetate
atunci (S, V − S) este o secţiune de capacitate minimă.
Descrierea algoritmului

1. Se alege x = (x ) flux iniţial (de exemplu fluxul nul);

ij
Se etichetează s cu (0, . , ∞ ) .
2. while ( ∃ vârfuri etichetate necercetate) do
{
”alege” un vârf etichetat şi necercetat i;
etichetare(i);
if (t a primit etichetă) then
{
modifică fluxul pe drumul dat de etichete;
şterge toate etichetele;
etichetează s cu (0, . , ∞ )
}
}
3. S ← {i i are etichetă}
T ← V −S
x este flux de valoare maximă.
(S,T) este secţiune de capacitate minimă.

Complexitatea algoritmului
Pentru fiecare creştere a fluxului, sunt necesare cel mult 2m (m = |E|)
inspecţii de arce în vederea etichetării.
Dacă toate capacităţile sunt întregi atunci vor fi necesare cel mult v
(v = valoarea fluxului maxim) creşteri succesive. Rezultă că algoritmul are
complexitatea O(mv).
Dacă U este o margine superioară a capacităţilor arcelor atunci
v ≤ (n − 1)U
((n − 1)U este o margine superioară a capacităţii secţiunii
({s}, V −{s})),
deci algoritmul are complexitatea
O(nmU).
Dezavantajele algoritmului sunt legate de neconvergenţa în cazul
capacităţilor iraţionale (deşi practic, în implementări nu este cazul), şi de
faptul ca mărimile capacităţilor influenţează comportarea sa, acestea
neconstituind o măsură a volumului datelor de intrare.

88
6.2. Fluxuri de cost minim
Fie R = (G,s,t,c) o reţea şi x un flux de la s la t în R.
Considerăm a : E → R o funcţie de cost care asociază fiecărui arc
ij ∈ E , a(ij) = a ij costul (transportului unei unităţi de flux) pe arcul ij.
Costul fluxului x se defineşte ca fiind
a(x) = ∑ a ij x ij .
i, j
Problema fluxului de cost minim
Dată R o reţea, v ∈ R + şi a : E → R funcţie de cost, să se determine
x 0 flux în R astfel încât
a(x 0 ) = min {a(x) x flux în R, v(x) = v} .
Observăm că, dacă v nu depăşeşte valoarea fluxului maxim în reţeaua
R, atunci problema are întotdeauna soluţii, a(x) fiind liniară, iar mulţimea
fluxurilor de valoare dată v fiind mărginită şi închisă în R m .
Definiţie. Fie x un flux în R = (G,s,t,c) şi a : E → R o funcţie de
cost.
Dacă P este un C-drum în R relativ la fluxul x, atunci costul drumului
P se defineşte
a(P) = ∑ a ij − ∑ a ji .
ij∈P ij∈P
ij direct ij invers
Dacă C este un C-drum închis, a(C) se calculează după aceeaşi
formulă, după stabilirea unui sens de parcurgere a lui C (este posibil ca
ambele sensuri de parcurgere ale lui C să satisfacă definiţia unui C-drum).
1. Din definiţia dată, rezultă că dacă P este drum de creştere relativ la
fluxul x, atunci x1 = x ⊗ r(P) este un flux de valoare v(x1 ) = v(x) + r(P) şi
de cost a(x) + r(P) ⋅ a(P) .
2. Dacă C este un C-drum închis relativ la x, atunci x1 = x ⊗ r(C) este
un flux de valoare v(x1 ) = v(x) şi de cost a(x1 ) = a(x) + r(C) ⋅ a(C) .
Dacă a(C) < 0 atunci x1 este un flux de aceeaşi valoare ca şi x, dar de
cost strict mai mic.
Teoremă.
Un flux de valoare v este de cost minim dacă şi numai dacă nu admite
C - drumuri închise de cost negativ.
Demonstraţie.
Necesitatea este evidentă din observaţia anterioară.

89
 Suficienţa. Fie x un flux de valoare v, care nu admite C - drumuri
închise de cost negativ.
Fie x∗ un flux de valoare v, de cost minim astfel încât
Δ(x, x∗ ) = min{Δ (x, x ') x ' flux de valoare v şi cost minim}

{ }
unde Δ (x, x ') = | ij x ij ≠ x 'ij | .

Dacă Δ(x, x∗ ) = 0 rezultă că x = x∗ şi deci x este de cost minim.

Dacă Δ(x, x∗ ) > 0 , fie ij astfel încât x ij ≠ x∗ij . Presupunem

0 ≤ x ij < x ∗ij ≤ cij (astfel, raţionamentul este similar). Din legea de conservare
a fluxurilor rezultă că
∃jk ∈ E astfel încât 0 ≤ x jk < x∗jk ≤ c jk
sau
∃kj ∈ E astfel încât 0 ≤ x∗kj < x kj ≤ c jk .
Repetând acest raţionament, deoarece numărul vârfurilor este finit, se
va obţine C, un C-drum închis relativ la x în R.
Considerând sensul invers de parcurgere pe C se obţine un C-drum
C ' , închis relativ la x ∗ .
Deoarece a(C) ≥ 0 din ipoteză, iar a( C ' ) = – a(C), rezultă, din
necesitatea teoremei ( x∗ este de cost minim), că a(C) = 0.
Modificând fluxul x∗ cu δ( C ' ) pe C ' , unde
δ(C ') = min{ min x kj − x∗kj , min x∗jk − x jk }
kj direct în C ' kj invers în C '
se obţine un flux x ' cu
v(x ') = v(x∗ ) = v , a(x ') = a(x∗ ) + δ(C ') ⋅ a(C ') = a(x∗ ) ,
deci de cost minim, dar, cu Δ(x, x ') < Δ(x, x∗ ) , contradicţie.
Deci Δ(x, x∗ ) = 0 .
Teoremă.
Dacă x este un flux de valoare v şi de cost minim iar P0 este un drum
de creştere, astfel încât
a(P0 ) = min{a(P) P drum de creştere relativ la x}
atunci x1 = x ⊗ r(P0 ) este un flux de valoare v(x1 ) = v + r(P0 ) şi de cost
minim.

90
 Linia demonstraţiei este următoarea: presupunând prin reducere la
absurd că x1 nu este de cost minim, atunci x1 admite un C – drum închis C
de cost negativ. Cum x era flux de cost minim rezultă că E(C) ∩ E(P0 ) ≠ 0/ .
Dacă ij ∈ E(C) ∩ E(P0 ) , atunci va rezulta că P0 ∪ C − ij conţine un
drum de creştere relativ la x de cost mai mic decât P0 .
Un drum de creştere de cost minim poate fi depistat cu ajutorul
algoritmilor de drum minim.
Dacă x este un flux în R şi a : E → R este funcţia de cost atunci
considerând a ij = ∞ dacă ij ∉ E (caz în care x ij = 0 ), construim
⎧ a ij , x ij < cij şi x ji = 0
⎪
⎪⎪ min{a ij , − a ji }, x ij < cij şi x ji > 0
a ij = ⎨
⎪ − a ji , x ij = cij şi x ji > 0
⎪∞, x ij = cij şi x ji = 0
⎪⎩
Un drum de pondere minimă de la s la t în raport cu ponderile aij
corespunde unui drum minim de creştere în R relativ la fluxul x.
Un circuit de pondere negativă în raport cu ponderile aij corespunde
unui C – drum închis în R relativ la x, de cost negativ.
Rezultă, următorul algoritm pentru rezolvarea problemei fluxului de
cost minim.
Algoritm generic de rezolvare a problemei fluxului de cost minim
{
0: Se consideră x = ( x ) un flux cu valoarea v ' ≤ v ;
ij
{x poate fi fluxul nul sau un flux y determinat cu
ajutorul algoritmului de flux maxim şi apoi
considerând x = v
y}
v(y)
1: while ( ∃ circuite de pondere < 0 relativ la a ) do
ij
{ determină un astfel de circuit;
modifică fluxul pe acest circuit
}
2: while v(x) < v do
{ aplică un algoritm de drum minim în raport cu
ponderile a pentru depistarea unui C – drum
ij
P de cost minim;
x ← x ⊗ min(r(P), v − v(x))
}
}

91
 Complexitatea pentru pasul 2 este O( n 3 v ), dacă se pleacă de la
fluxul nul. Se poate dovedi că pasul 1 se poate implementa astfel ca numărul
iteraţiilor să fie O( nm 2 log n ).
În continuare se prezintă o nouă descriere a algoritmului lui Ford şi
Fulkerson şi se aplică acest algoritm pe un exemplu.

6.3. Algoritmul Ford-Fulkerson

Algoritmul Ford-Fulkerson (denumit astfel după L.R. Ford, Jr şi
D.R. Fulkerson) calculează fluxul maxim într-o reţea de fluxuri. A fost
publicat 1956.
Ideea algoritmului este foarte simplă: Atâta timp cât există un drum
de la sursă la ţintă, cu capacităţi disponibile pe toate muchiile drumului, vom
trimite flux pe unul din aceste drumuri. Se găseşte, ulterior, un astfel de drum
şi aşa mai departe. Un drum cu capacităţi disponibile se numeşte drum de
creştere.
Algoritmul
Se dă un graf G = (V,E), având capacitatea c(u,v) şi fluxul f(u,v)=0
pentru muchia de la u la v. Vrem să găsim fluxul maxim de la sursa s la ţinta
t. După fiecare pas al algoritmului se menţin următoarele:
■ f (u , v ) ≤ c(u , v ) . Fluxul de la u la v nu depăşeşte capacitatea.
■ f (u , v ) = − f (v, u ) . Se menţine fluxul net între u şi v. Dacă în
realitate a unităţi trec de la u la v, iar b unităţi trec de la v la u, menţinem
f (u , v ) = a − b şi f (v, u ) = b − a .
■ ∑ f (u, v ) = 0 ⇔ f (u ) =
v
in f out (u ) . Pentru toate nodurile u,

exceptând s şi t. Fluxul ce intră într-un nod trebuie să fie egal cu cel ce iese
din nodul respectiv.
Aceasta înseamnă că fluxul prin reţea este ceea ce numim „flux
legal” după fiecare etapă parcursă a algoritmului. Definim reţeaua
reziduală G f (V , E f ) ca fiind reţeaua cu capacitate
c f (u , v ) = c(u, v ) − f (u, v )
şi fără flux. A se ţine cont de faptul că nu se ştie cu certitudine că
E = Ef ,
deoarece se poate întâmpla ca, trimiţând flux pe (u, v) acesta să se blocheze
(satureze), însă dă naştere unei noi muchii (v, u) în reţeaua reziduală.
Algoritmul Ford-Fulkerson
Date de intrare: Graful G cu capacitatea c, nodul sursă s şi
nodul ţintă t.
Date de ieşire: Un flux maxim f de la s la t

92
 1. f ( u, v ) ← 0 pentru toate muchiile (u, v)
2. Cât timp există un drum P de la s la t, astfel încât
c f (u, v) > 0 pentru toate muchiile ( u, v ) ∈ P :

1. Găsirea c f { }
( p ) = min c f ( u, v ) ( u, v ) ∈ p
2. Pentru fiecare muchie ( u, v ) ∈ P
1. f ( u, v ) ← f ( u, v ) + c f ( p)
(Se trimite flux de-a lungul drumului)
2. f ( v, u ) ← f ( v, u ) − c f ( p)
(Fluxul ar putea fi „întors” ulterior)

Drumul poate fi găsit cu ajutorul, spre exemplu, metodei breadth-first

search sau al metodei depth-first search în graful G f (V , E f ) . Dacă se
foloseşte cel dintâi, algoritmul se numeşte Edmonds-Karp.
Complexitate
Fluxul maxim va fi atins în momentul în care nu vor mai fi găsite
drumuri ce permit creşterea fluxului corespunzător. Cu toate acestea, nu
există certitudinea unei astfel de situaţii, astfel că singurul lucru ce se poate
garanta este acela că, odată cu parcurgerea algoritmului, rezultatul este cel
corect. În cazul în care algoritmul rulează la infinit, s-ar putea întâmpla ca
fluxul să nici nu conveargă către fluxul maxim. Dar această se poate
întâmpla doar în cazul valorilor iraţionale atribuite fluxului. Când
capacităţile sunt întregi, timpul de rulare al algoritmului Ford-Fulkerson este
de ordinul O (| E | ∗f ) , unde |E| reprezintă numărul de muchii ale grafului, iar
f reprezintă fluxul maxim al grafului. Acesta deoarece fiecare drum de
creştere poate fi găsit într-un timp de ordinul O (| E |) , mărind fluxul cu o
cantitate întreagă, care este cel puţin 1.
O variantă a algoritmului Ford-Fulkerson , ce garantează finalitatea şi
un timp de rulare independent de valoarea fluxului maxim, este algoritmul
Edmonds Karp, a cărui timp de rulare este de ordinul O(| V || E |2 ) .
Exemplu
Următorul exemplu indică primii paşi ai algoritmului Ford-Fulkerson
într-o reţea cu 4 vârfuri, sursa fiind A, iar ţinta (nodul terminal) D.
Drumurile de creştere sunt găsite cu ajutorul metodei depth-first search
(căutării în adâncime), unde vecinii sunt vizitaţi în ordine alfabetică. Acest
exemplu imaginează cel mai sumbru comportament al algoritmului. La
fiecare pas, este trimis un flux având valoarea 1 de-a lungul reţelei. A se
vedea că dacă s-ar fi folosit o căutare de tipul breadth-first search, ar fi fost
nevoie de doar doi paşi.

93
 Drum Capacitate Fluxul în reţea rezultat

Fluxul iniţial în reţea

min(cf(A,B),cf(B,C),cf(C,D))
= min(c(A,B) f(A,B),
c(B,C) − f(B,C),
A,B,C,D
c(C,D) − f(C,D))
= min(1000 − 0,
1 − 0,1000− 0) = 1

min(cf(A,C),cf(C,B),cf(B,D))
= min(c(A,C) − f(A,C),
c(C,B) − f(C,B),
A,C,B,D
c(B,D) − f(B,D))
= min(1000 − 0,
0 − ( − 1),1000 − 0) = 1

După încă1998 paşi….

Reţeaua finală a fluxului

A se remarca modul în care fluxul este „împins înapoi” de la C la B,

în momentul în care se găseşte drumul A, B, C, D.

94
 Capitolul 7
NUMĂRUL DE STABILITATE ŞI
DENSITATEA UNUI GRAF

7.1. Mulţimi stabile şi clici

Definiţie. Numim mulţime stabilă în graful G o mulţime de
vârfuri S ⊆ X pentru care
[S]G = [S, 0]
/ ,
adică, x, y ∈ S ⇒ [x, y] ∉ U . Notăm cu P familia mulţimilor stabile în graful
G. O mulţime stabilă S care este maximală în raport cu relaţia de incluziune
între mulţimi se numeşte mulţime stabilă maximală, adică S ⊂ S' ⇒ S' ∉ P
( S' ⊆ X ).
Numărul
α(G) = max | S |
S∈P
se numeşte numărul de stabilitate al grafului G, iar o mulţime S ∈ P cu
| S | = α(G) va fi numită sistem de stabilitate al grafului G.
Definiţie. Se numeşte clică în graful G o mulţime de vârfuri
C ⊆ X care generează un subgraf complet în graful G, adică
x, y ∈ C ⇒ [x, y] ∈ U .
Se numeşte densitatea grafului G, numărul
ω(G) = max | C | ,
C∈C
unde C este familia clicilor grafului G.
Observaţii.
a) Pentru orice mulţime stabilă S ∈ P şi orice clică C ∈ C are loc
relaţia:
| S ∩ C | ≤ 1.
b) Orice mulţime stabilă în graful G este o clică în graful său
complementar G şi invers. Avem evident:
α(G) = ω(G) şi ω(G) = α(G) .
Un graf G cu n vârfuri şi m muchii va fi notat cu G(n,m). Una dintre
cele mai importante probleme privind densitatea unui graf este următoarea:
Fie n şi k < n două numere naturale. Care este cel mai mic număr
z k +1 (n) cu proprietatea:

95
 m ≥ z k +1 (n) ⇒ ω(G(n, m)) ≥ k + 1 ?
Pentru a răspunde la această întrebare să considerăm:
n = t⋅k + r,
⎡n ⎤
unde t = ⎢ ⎥ , 0 ≤ r ≤ k − 1 şi să construim graful Tnk în felul următor:
⎣k ⎦
Graful Tnk are n vârfuri repartizate în clasele S1 ,S2 ,...,Sk cu
⎧ t + 1, i = 1, 2,..., r
| Si | = ⎨
⎩ t, i = r + 1,..., k,
iar două vârfuri diferite vor fi unite printr-o muchie dacă şi numai dacă
aparţin la clase diferite.
Se constată uşor că numărul muchiilor grafului Tnk este:
k(k − 1)t 2 r(r − 1)
f k (n) = + r(k − 1)t +
2 2
k −1 2 2 ⎛ r ⎞
= (n − r ) + ⎜ ⎟ .
2k ⎝ 2⎠

7.2. Problema mulţimii independente

În matematică, problema mulţimii independente (independent set
problem (IS)) este recunoscută ca o problemă de teoria grafurilor sau/şi
combinatorică. Problema mulţimii independente este de tipul NP – completă.
Descriere
Fiind dat un graf G, o mulţime independentă reprezintă o submulţime
a nodurilor grafului considerat, noduri neadiacente. Cu alte cuvinte,
subgraful indus de aceste noduri nu are muchii, ci doar vârfuri izolate. În
aceste condiţii, problema mulţimii independente cere: Fiind dat un graf G şi
un întreg k, are G o mulţime independentă de mărime cel puţin k?
Problema de optimizare corespunzătoare este cunoscută sub numele
de problema mulţimii independente maxime, care încearcă să găsească cea
mai extinsă mulţime independentă dintr-un graf. Odată găsită soluţia
problemei decizionale, se poate face uz de căutarea binară pentru a rezolva
problema iniţială, apelarea soluţiei fiind de ordinul O(log V ) . Se cunoaşte
faptul că pentru această problemă nu avem un algoritm de aproximare al
factorului constant dacă P ≠ NP .
Algoritmi
Cel mai simplu algoritm pentru mulţimile independente examinează
fiecare submulţime de vârfuri de mărime cel puţin k, verificând dacă este
independentă sau nu. Acest lucru implică un timp de ordin polinomial dacă

96
acest k egalează numărul vârfurilor, sau dacă este mai mic cu o unitate ca
acesta, dar nu dacă reprezintă jumătate din numărul vârfurilor.
O problemă mult mai uşor de rezolvat este aceea a găsirii unei
mulţimi independente maximale, care să nu fie conţinută în nici o altă astfel
de mulţime independentă. Pornim de la un singur vârf. Găsim un vârf
neadiacent celui considerat iniţial şi-l adăugăm mulţimii respective, apoi
găsim un alt nod neadiacent niciunui vârf menţionat anterior ş.a.m.d. până
când nu mai găsim astfel de noduri. La acel moment mulţimea este maximal
independentă. Se cunosc algoritmi mult mai complecşi, de listare a tuturor
mulţimilor independente maximale, dar, în general, numărul unor astfel de
mulţimi poate fi foarte mare.
Demonstraţia NP – complet
Se poate observa uşor că problema este de tipul NP (aparţine clasei
NP), ţinând cont de faptul că, dacă avem o submulţime de vârfuri, putem
verifica dacă există muchii între oricare din două vârfuri într-un timp
polinomial. Pentru a arăta că problema este de tipul dificultate – NP
(NP – dificil), vom folosi o „reducere” a unei alte probleme de tipul
NP – complet.
Presupunem că se cunoaşte deja rezultatul lui Cook, conform căruia
problema satisfacerii booleene este NP – completă. Orice formulă booleană
poate fi redusă, în mod eficient, la forma sa normală conjunctivă
(conjunctive normal form CNF). În forma normală conjunctivă:
■ Formula este o conjuncţie (and ( şi)) de propoziţii.
■ Fiecare propoziţie reprezintă o disjuncţie (or(sau)) de literali.
■ Fiecare literal reprezintă fie o variabilă fie negaţia acesteia.
Spre exemplu, următoarea formulă constituie o formă CNF, unde ~
denotă negaţia:
( x1 sau ~ x2 sau ~ x3 ) şi ( x1 sau x2 sau x4 )
O astfel de formulă este satisfăcătoare dacă putem atribui valori
adevărat / fals fiecărei variabile în parte astfel încât cel puţin un literal din
fiecare propoziţie să aibă valoarea de adevăr adevărat. Spre exemplu, orice
atribuire a lui x2 cu valoarea de adevăr fals, respectiv a lui x4 cu valoarea de
adevăr adevărat satisface formula mai sus amintită.
În cele ce urmează, se va prezenta o reducere de tipul mai mulţi - la
unul (timp - polinomial), de la CNF- la problema mulţimii independente.
Mai întâi, se ataşează câte unu nod pentru fiecare literal din formulă; se
includ duplicate ale vârfurilor pentru apariţii multiple. Se trasează o muchie
între:
1. Oricare doi literali, fiecare reprezentând negaţia celuilalt.
2. Oricare doi literali, ce se află în aceeaşi propoziţie.

97
 Astfel, în exemplul de mai sus, x2 ar fi adiacent cu ~ x2 , primul x1 ar
fi adiacent cu ~ x2 , iar cel de-al doilea x1 ar fi adiacent cu x4 .

Graful rezultat în urma reducerii, pentru exemplul de mai sus

Rămâne de văzut dacă acest graf are o mulţime independentă de

mărime cel puţin k, unde k reprezintă numărul propoziţiilor, dacă şi numai
dacă formula rămâne satisfăcătoare.
Să presupunem că avem o atribuire ce satisface formula iniţială. În
aceste condiţii putem alege un literal din fiecare propoziţie, care devine
adevărată prin atribuirea acestei valori. Această mulţime este independentă,
deoarece include un literal din fiecare propoziţie (nu există muchii de tipul
2), şi deoarece nici o atribuire nu transformă atât literalul cât şi negaţia
acesteia propoziţii adevărate(nu există muchii de tipul 1). Pe de altă parte,
însă, presupunând că avem o mulţime independentă de mărime k, sau mai
mare; nu poate conţine oricare doi literali în aceeaşi propoziţie, odată ce
acestea constituie perechi adiacente. Dar, ţinând cont de faptul că există cel
puţin k noduri şi k propoziţii, trebuie să avem cel puţin unul în fiecare
propoziţie (de fapt exact 1). De asemenea nu se poate întâmpla să coexiste un
literal şi negaţia sa, deoarece există muchii între acestea. Această înseamnă
că este uşor să alegem o atribuire astfel încât toate cele k propoziţiile să
devină adevărate, această atribuire satisfăcând formula iniţială. Ceea ce face
ca reducerea la mulţimea independentă să fie atât de simplă este capacitatea
muchiilor de a exprima, în graf, constrângerile, dar şi necesitatea de a nu
alege simultan un literal şi negaţia sa. Problema colorării grafurilor
„beneficiază”, de asemenea, de această proprietate.

7.3. Problema clicii

În teoria complexităţii computaţionale, problema clicii este o
problemă teoretică în grafuri, de complexitate NP. Problema se numără
printre problemele iniţiale, de complexitate NP, prezentate de către Richard
Karp în cadrul seminarului din 1972 intitulat „Reductibility Among
Combinatorial Problems”. Această problemă a fost, de asemenea, menţionată
şi în articolul lui Cook, o introducere în teoria problemelor NP - complete.

98
 Graf conţinând clică de mărime 3
Clica într-un graf reprezintă o mulţime de vârfuri adiacente perechi,
adică subgraful indus, care este un graf complet.
În cele din urmă, problema clicii constă în determinarea existenţei
unei clici într-un graf, a cărei mărime să fie cel puţin k (ordin predefinit).
Odată identificate k sau mai multe vârfuri ce formează o clică, este trivial să
demonstrăm acest lucru, fapt ce-i justifică complexitatea NP. Problema
corespunzătoare de optimizare, problema clicii maxime, constă în găsirea
celei mai mari clici din graf.
Complexitatea NP a problemei clicii derivă din complexitatea NP a
problemei mulţimii independente, deoarece există o clică de mărime k (cel
puţin) dacă şi numai dacă există o mulţime independentă de mărime k (cel
puţin) în graful complementar. Acest lucru este uşor de observat, ţinând cont
de faptul că dacă un subgraf este complet, atunci subgraful complementar nu
are muchii.
Algoritmi
Un algoritm „primitiv” de găsire a clicilor într-un graf constă în
examinarea fiecărui subgraf ce conţine cel puţin k vârfuri, şi îndeplinirea
condiţiei de formare a unei clici. Algoritmul este polinomial (complexitate
polinomială) dacă acel k coincide cu numărul vârfurilor, sau cu o constantă
mai puţin, dar nu dacă k este, să spunem, jumătate din numărul total al
vârfurilor. Numărul total al clicilor de mărime k a unui graf de mărime |V|
este egal cu
⎛| V |⎞ | V |!
⎜ ⎟= .
⎝ k ⎠ k!(| V | −k)!
În mod euristic am începe prin considerarea fiecărui nod ca fiind o
clică, iar mai apoi să se unească aceste clici în altele mai mari până când
acest lucru nu mai este posibil.
Două clici A şi B pot fuziona dacă fiecare vârf din clica A este
adiacent fiecărui vârf din clica B. Aceasta presupune un cost, în ceea ce
priveşte timpul, liniar (liniar în numărul muchiilor), dar poate eşua în găsirea
unei clici mari, întrucât două sau mai multe părţi a clicii mari vor fi fost
fuzionat anterior, prin intermediul unor vârfuri care nu aparţin clicii.
Se găseşte, totuşi, cel puţin o clică maximală, care nu este conţinută
în nici o altă clică mai mare.

99
 Unele cazuri mai speciale, pot fi rezolvate într-un timp mai scurt
decât cel exponenţial. Pentru k = 3, algoritmul are o complexitate O(n1,41 ) ,
unde n reprezintă numărul muchiilor.

7.4. Determinarea mulţimilor stabile maximale

Fie G = [X,U] un graf simplu cu mulţimea de vârfuri
X = {x1 , x 2 ,..., x n } . Notăm cu S n ⊂ S familia mulţimilor stabile maximale
ale grafului G. Există mai mulţi algoritmi pentru determinarea familiei Sn. În
continuare vom prezenta algoritmul lui Bednarek şi Taulbee. Pentru acesta să
punem pentru 1 ≤ k ≤ n :
X k = {x1 , x 2 ,..., x k },
G k = [X k ]G ,
X k +1 = {y | y ∈ X k , [y, x k +1 ] ∉ U},
şi fie S k familia mulţimilor stabile maximale ale grafului G k .
Algoritmul B – T. (Bednarek şi Taulbee)
1. Se consideră X1 = {x1}, S1 = {x1} (k = 1).
2. Se determină familia Ik = {T | T = S ∩ Yk + 1, S ∈ Sk } şi
familia I 'k a mulţimilor maximale faţă de incluziune din Ik .

3. Se determină familia S∗k + 1 după cum urmează:

Pentru fiecare S ∈ Sk punem

S ∪ {x k + 1} ∈ S∗k + 1 , dacă S ⊆ Yk + 1
sau dacă S ⊆/ Yk + 1 punem S ∈ S∗k + 1 şi {x k + 1} ∪ (S ∩ Yk + 1) ∈ S∗k + 1
atunci şi numai atunci când S ∩ Yk + 1 ∈ I 'k .
∗
Familia Sk + 1 conţine numai mulţimile specificate mai sus.

4. Se determină familia Sk + 1 a mulţimilor maximale din S∗k + 1 .

5. Algoritmul se termină când k = n – 1.
În ultima fază obţinem familia Sn a mulţimilor stabile maximale în
graful Gn = G. Pentru justificarea acestui algoritm demonstrăm următoarea
afirmaţie:
Teoremă.
Pentru fiecare k = 1, 2, …, n – 1 familia Sk+1 furnizată de algoritmul
B – T., este familia tuturor mulţimilor stabile maximale ale grafului Gk+1.
Demonstraţie.
Presupunem că Sk este familia mulţimilor stabile maximale ale
grafului Gk. Este suficient să arătăm că orice element al familiei S∗k +1 este o

100
mulţime stabilă a grafului Gk+1 şi că orice mulţime stabilă maximală a acestui
graf aparţine familiei S∗k +1 .
Prima parte a afirmaţiei rezultă din modul de construcţie al familiei
S∗k +1 , deoarece S∗k +1 conţine mulţimi sau submulţimi din Sk (care fiind
stabile în Gk, sunt stabile şi în graful Gk+1) la care se adaugă elementul xk+1
dacă şi numai dacă xk+1 nu este adiacent în Gk+1 cu nici unul dintre
elementele mulţimii sau submulţimii considerate.
Fie acum S o mulţime stabilă maximală a grafului Gk+1. Dacă
x k +1 ∉ S atunci S ∈ S k şi S ⊆/ Yk +1 . Rezultă, conform pasului 3 al
algoritmului (alternativa a doua) că S ∈ S∗k +1 .
Dacă x k +1 ∈ S atunci T = S − {x k +1} este stabilă în graful Gk şi
T ⊆ Yk +1 .
Dacă T ∈ S k , atunci
S = T ∪ {x k +1} ∈ S∗k +1 .
În cazul când T ∉ S k există o mulţime T ' ∈ S k cu T ⊂ T ' . Avem
T ⊆ T '∩ Yk +1
şi din cauza maximalităţii lui S rezultă că
T = T '∩ Yk +1 , T ' ⊆/ Yk +1 , T '∩ Yk +1 ∈ I 'k .
Deci S = (T '∩ Yk +1 ) ∪ {x k +1} ∈ S∗k +1 , şi astfel, teorema este
demonstrată.
Exemplu.
Să se determine familia S7 pentru graful din figură:

1. X1 = {1}, S1 = {1} (k = 1)
Y2 = {1}
2. I1 = {{1}} = I '1
3. S∗2 = {{1, 2}}

101
 4. S2 = {{1,2}}
X2 = {1,2}, S2 = {{1,2}} (k = 2)
Y3 = {1}
2. I2 = {{1}} = I '2
3. Avem {1,2} ⊆/ Y3 şi {1,2} ∩ Y3 ∈ I '2 . Deci S∗3 = {{1, 2},{1,3}} .
4. S3 = S∗3
Y4 = {2}
2. I3 = {{2}, 0/ }
I '3 = {{2}}
3. S∗4 = {{1, 2},{2, 4},{1,3}}
4. S 4 = S∗4
Y5 = 0/
2. I4 = { 0/ , 0/ , 0/ , 0/ }, I '4 = {0}
/
3. S∗5 = {{1, 2},{5},{2, 4},{5},{1,3},{5}}
4. S5 = {{1, 2},{2, 4},{1,3},{5}}
Y6 = {1,2,3,4,5}
2. I5 = {{1,2},{2,4},{1,3},{5}} = I '5
3. S∗6 = {{1, 2, 6},{2, 4, 6},{1,3, 6},{5, 6}}
S6 = {{1, 2, 6},{2, 4, 6},{1,3, 6},{5, 6}}
Y7 = {1,2,3,4,5}
2. I6 = {{1,2},{2,4},{1,3},{5}} = I '6
3. S∗7 = {{1, 2, 6},{1, 2, 7},{2, 4, 6},{2, 4, 7},{1,3, 6},
{1,3, 7},{5, 6},{5, 7}} = S7 .
Deoarece k = n – 1 = 6, algoritmul se opreşte. Familia mulţimilor
stabile maximale în graful G considerat este S7, iar numărul de stabilitate
este α(G) = 3 .
Observaţii.
a) Determinare familiei Cn a clicilor maximale în graful G revine,
pe baza observaţiei b) anterioare, la determinarea familiei mulţimilor stabile
maximale în graful G (complementarul grafului G).
b) Determinarea familiei Sn şi a familiei Cn este necesară printre
altele în problema găsirii unei acoperiri minimale a mulţimii vârfurilor unui
graf cu mulţimi stabile (problema colorării vârfurilor) şi respectiv cu clici.

102
 Capitolul 8
PROBLEME DE DESCOMPUNERI ÎN GRAFURI

8.1. Tipuri de descompuneri în grafuri

În acest paragraf ne referim la evoluţia descompunerii în grafuri, din
care prezentăm câteva din rezultatele, deja obţinute, despre tipuri de
descompuneri în grafuri şi anume: descompunerea în care o anumită
caracteristică numerică a grafului are proprietatea de aditivitate,
descompunerea în care legea de adiacenţă între submulţimile partiţiei este
cunoscută, descompunerea în funcţie de operaţia de compoziţie,
G-descompunerea şi în final, descompunerea substituţie şi partiţionarea
vârfurilor.
Fie G un graf cu mulţimea vârfurilor V(G) = V şi mulţimea muchiilor
E(O}= E.
În teoria grafurilor, o clasă foarte largă de probleme se referă la
descompunerea (partiţia) mulţimii vârfurilor V în submulţimile Xi , i ∈ I ,
astfel încât proprietăţi de următoarele tipuri au loc (Olaru, Antohe):
1) Subgraful indus [Xi ] (i ∈ I) trebuie să aibă proprietăţi prescrise; de
exemplu, problema colorării grafurilor în care Xi trebuie să fie mulţimi
stabile şi problema acoperirii grafurilor cu clici;
2) Descompunerea în care o anumită caracteristică numerică φ a
grafului G trebuie să aibă proprietatea de aditivitate, adică relaţia
∑ φ([Xi ]G ) = φ(G) are loc;
i∈I
3) Legea de adiacenţă între submulţimile Xi , X j ,i ≠ j , trebuie să fie
cunoscută. Apare ca o problemă de descompunere referitoare la o operaţie de
un tip oarecare, care este, esenţial, legea de adiacenţă; o astfel de
descompunere este numită descompunere în funcţie de un tip de operaţie.
Apar de asemenea combinaţii ale tipului 1) şi 3); în astfel de
descompuneri, subgrafurile [Xi] trebuie să satisfacă nişte condiţii (de
indecompozabilitate, coindecompozabilitate). Există de asemenea probleme
care sunt combinaţii ale tipurilor 1) şi 2) şi acestea sunt în acelaşi timp
impuse fiecărui subgraf. Aici este inclusă problema grafurilor perfecte.

8.1.1. Descompunerea de tip 2

Rezultatele următoare au fost obţinute de Olaru.
Propoziţia 1.
Orice graf care admite o clică drept cutset este α - decompozabil.

103
 Propoziţia 2.
Grafurile α - critice nu au cutset care să fie clică.
Propoziţia 3.
Dacă G este un graf α - decompozabil atunci există o
α - descompunere în componente α - indecompozabile care sunt tare
stabile.
Teorema 1.
Pentru un graf G cu α (G) ≥ 2, următoarele afirmaţii sunt echivalente:
(i) G este minimal imperfect (adică este minimal critic);
(ii) G este minimal tare stabil;
(iii) G este minimal cu: χ(G − x) < χ(G), ∀x ∈ V(G) .
{(i) echivalent (ii): E. Olaru, (i) echivalent (iii): W. Wessel }.
Propoziţia 4.
Un graf G este perfect dacă şi numai dacă singurele subgrafuri
α - indecompozabile ale lui G sunt clici.
Propoziţia 5.
Un graf G este perfect α - decompozabil dacă şi numai dacă el
conţine un graf parţial α - critic şi perfect α - decompozabil.
Propoziţia 6.
Un graf G α - critic este perfect α - decompozabil dacă şi numai
dacă componentele sale conexe sunt clici.
Remarcăm că orice graf admite cel puţin un graf parţial α - critic. Un
criteriu de decompozabilitate este următorul.
Propoziţia 7.
Un graf G este α - decompozabil dacă şi numai dacă el are cel puţin
un graf parţial α - critic decompozabil.

8.1.2. Descompunerea de tip 3

Descompunerea de tip 3 înseamnă descompunerea mulţimii vârfurilor
V în submulţimile Xi , i ∈ I astfel încât ∀i, j ∈ I, i ≠ j , Xi şi X j sunt total
adiacente în G sau G (adică Xi ~ X j în G sau G ).
Acest tip de descompunere coincide cu descompunerea cu
respectarea operaţiei graf-adiacenţă (X-join), introdusă de Sabidussi. O astfel
de descompunere se numeşte S-descompunere, iar factorii Xi , i ∈ I ,
S-componente.
Orice graf admite o S-descompunere în care toate S-componentele au
numai un element, numită banală.
Definiţie. Un graf G se numeşte S-indecompozabil dacă el
admite numai S-descompunerea banală, altfel se numeşte S-decompozabil.

104
 Observăm că un graf decompozabil poate fi prezentat în diverse
forme ca S-descompunere de subgrafuri indecompozabile. Este, deci necesar
a considera altfel S-descompunerea, proprie (Olaru, Antohe).
Definiţie. O S-descompunere în subgrafuri indecompozabile este
proprie dacă ea conţine un număr minim de S-componente indecompozabile
banale.
Teorema 2. (Olaru, Antohe).
Orice graf finit decompozabil admite o S-descompunere proprie,
unică până la un izomorfism.
Definiţie. Un subgraf [A] a unui graf G este numit
coindecompozabil dacă A este omogenă şi este maximală cu această
proprietate.
Teorema 3. (Olaru, Antohe).
Orice graf (finit sau nu) admite o unică S-descompunere în care
S-componentele sunt coindecompozabile.

8.1.3. Descompunerea în funcţie de compoziţie

Această descompunere este în funcţie de operaţia booleană numită
compoziţie, care a fost introdusă de Harary şi investigată de Sabidussi, care
se mai numeşte şi produs lexicografic. Reamintim definiţia acestei operaţii.
Date fiind două grafuri G1 = (V1,E1) şi G2 = (V2,E2), compoziţia, notată
G = G1[G2] se defineşte astfel: V(G) = V1 × V2 şi pentru
∀u = (u1 , u 2 ) ∈ V1 × V2 , ∀v = (v1 , v 2 ) ∈ V1 × V2 , uv ∈ E(G) dacă şi numai
dacă u1v1 ∈ E1 sau ( u1 = v1 şi u 2 v 2 ∈ E 2 ).
Rezultatele următoare se găsesc în (Golumbic, Shamir).
Fie H0 un graf neorientat cu n vârfuri v1 ,..., v n şi fie H1 ,..., H n
n grafuri disjuncte. Graful compoziţie H = H 0 [H1 ,..., H n ] este format astfel.
Pentru i, j = 1, …, n, înlocuim vârful vi din H0 cu graful Hi şi luăm
fiecare vârf din Hi adiacent la fiecare vârf din Hj ori de câte ori vi este
adiacent lui vj în H0.
Formal, pentru Hi = (Vi,Ei) definim H = (V,E) astfel:
V = U Vi
i ≥1
şi
E = U Ei ∪ {xy | x ∈ Vi , y ∈ Vj şi vi v j ∈ E 0 } .
i ≥1
Mai notăm E = E 0 [E1 ,..., E n ] .
H0 se numeşte factor extern a lui H, Hi, i = 1, …, n se numesc factori
interni ai lui H.

105
 Un graf neorientat G = (V,E), care prin orientarea fiecărei muchii
obţinem graful orientat (V,F) care satisface următoarea condiţie: dacă ab ∈ F
şi bc ∈ F implică ac ∈ F ( ∀a, b, c ∈ V ), se numeşte graf de comparabilitate
(Golumbic, Shamir).
Teorema 4.
Fie G = G 0 [G1 ,..., G n ] , unde Gi sunt grafuri neorientate disjuncte.
Atunci G este graf de comparabilitate dacă şi numai dacă Gi i = 0, l, ..., n este
graf de comparabilitate.
Definiţie. Un graf se numeşte decompozabil dacă el poate fi
exprimat ca o compoziţie nebanală de subgrafuri induse; altfel, el se numeşte
indecompozabil.
Pentru orice graf există compoziţia banală: G = K1[G].
Formal, G = (V,E) este decompozabil dacă există o partiţie
V = V1 + ... + Vn a vârfurilor în submulţimi nevide disjuncte două câte două
cu 1 < r < |V| astfel încât G = G R [G V ,..., G V ] pentru orice mulţime de
1 v
reprezentanţi R = {x1 ,..., x n } , xi din Vi. O astfel de partiţie induce o
descompunere proprie a lui G.
G are o mulţime partitivă nebanală dacă şi numai dacă G este
decompozabil.

8.1.4. G-descompunerea
Un graf orientat este o pereche G = (V,E), unde V este o mulţime
nevidă, iar E este o mulţime de perechi ordonate de elemente distincte ale lui
V. Elementele lui E se numesc arce.
Pentru un graf orientat G = (V,E), notăm cu G −1 = (V, E −1 ) , graful
invers, unde E −1 = {(x, y) | (y, x) ∈ E} .
Fie G = (V,E) un graf. Un graf orientat H =(V,F) (având aceeaşi
mulţime de vârfuri ca şi G) cu proprietatea că F ∩ F−1 = 0/ şi F ∪ F−1 = E se
numeşte orientarea grafului G. (H se obţine asociind o orientare fiecărei
muchii a lui G).
În acest paragraf prezentăm un algoritm pentru G - descompunere.
Fie R o relaţie binară pe mulţimea muchiilor unui graf neorientat
G = (V,E), definită astfel:
abRxy dacă şi numai dacă ori a = x şi by∉E ori b = y şi ax∉E.
Închiderea reflexivă şi tranzitivă R' a lui R defineşte o relaţie de
echivalenţă pe E, ale cărei clase de echivalenţă se numesc clase de implicaţii.
Dacă A este o clasă de implicaţie atunci  = A ∪ A −1 este închiderea
simetrică a lui A.

106
 Pentru G = (V ,E), un graf, o partiţie a lui E în k mulţimi:
E=B ˆ + ... + B
ˆ se numeşte G-descompunere dacă B sunt clase de
1 k i
ˆ +B
implicaţii din graful G = (V, B ˆ ˆ ), ∀i = 1, k .
+ ... + B
i i +1 k
O secvenţă de muchii [x1 y1 ,..., x n y n ] se numeşte schemă de
descompunere pentru G dacă există o G-descompunere E = B ˆ + ... + B
ˆ
1 k
astfel încât x i yi ∈ Bi , i = 1, k .
Are loc următorul algoritm de descompunere:

Input: Un graf G = (V,E).

Output: O G-descompunere; Un număr k;
ˆ ,..., B
k mulţimi de muchii din G: B ˆ
1 k

begin
fie E1 := E
i := 1
loop:
Alege arbitrar o muchie ei = x i yi ∈ Ei .
Determină clasele de implicaţii Bi din Ei conţinând xiyi
ˆ
Fie Ei + 1 := Ei − B i
If Ei + 1 = 0/ then
Fie k := i
stop
else
Incrementează i cu 1
go to loop
end if

end

8.1.5. Descompunerea substituţie şi partiţionarea vârfurilor

Un graf conex, nenul, care nu conţine vârfuri separatoare se numeşte
bloc (Behzad, Chartrand, Foster). Un bloc al unui graf G este un subgraf
indus al lui G care este el însuşi un bloc şi care este maximal cu respectarea
acestei proprietăţi.
Operaţia numită partiţionarea vârfurilor este definită în cele ce
urmează.
Presupunem că sunt date un graf G = (V,E) şi o partiţie iniţială P a lui
V în blocurile disjuncte B1 ,..., Bk . Problema partiţionării grafului cere a găsi
partiţia având puţine blocuri a lui V, fie P' = (E1, ..., Ej), astfel încât:
1) Fiecare Ei este o submulţime a unui Bh;
2) x, y ∈ Ei implică N(x) − Ei = N(y) − Ei .

107
 Condiţia a doua poate fi reformulată astfel. Fiecare bloc Ei verifică:
pentru fiecare i ori x ~ Ei ori x ~/ Ei pentru ∀x ∈ V − Ei , adică Ei este
modul.
R. McConnell şi Spinrad au descoperit un algoritm O(m+n) pentru
partiţionarea vârfurilor.
Vârful v separă (splitează) un bloc B ori de cate ori v este utilizat
pentru a divide B în blocurile B ∩ N(v) şi B − N(v) .
Descompunerea modulară (Jamison, Olariu) sau descompunerea
substituţie (descoperită independent de mai mulţi autori printre care R. H.
Mohring şi F. J. Radamacher) înseamnă partiţionarea unui graf G în
subgrafuri, fiecare din ele este un modul într-un subgraf al lui G.
În particular, graful însuşi şi mulţimile cu un singur vârf sunt
considerate module.
Algoritmul următor partiţionează un graf în O(mlogn) timp.
Algoritmul alege un vârf v care ori
i) nu a fost folosit înainte ca element de splitare ori
| B' |
ii) v ∈ B, | B | ≤ , B' care a conţinut v ultima dată când v a fost ales
2
ca element de separare ori
iii) este într-un bloc care nu va fi separat în viitor.
Vârful v este folosit să separe fiecare bloc care nu conţine v.
Separarea cauzată de v poate fi executată în O(|N(v) |).
Pentru a separa pe B, prima dată verificăm dacă v nu este în B; apoi
loca1izăm vecinii lui v într-un nou bloc B' , care este păstrat "legat" de B
până la sfârşitul separării cauzată de v.
Dacă nici un vârf nu satisface criteriul i) sau ii) pentru alegerea
elementului de separare, orice vârf din cel mai mare bloc activ C rămas, va
satisface criteriul iii). Orice alt vârf v a încercat să separe C, deoarece v a
fost separat de C la un moment dat şi este acum într-un bloc care este cel
mult de lungimea lui C.
Algoritmul propriu-zis:
Fie partiţia iniţială ( B1,..., B j );
Pentru fiecare bloc Bi execută
lastused[Bi] = cea mai mare valoare;
{ folositultimadata[Bi] = cea mai mare valoare}
READY = (B1,..., B j);
Cât timp (G este nevid) execută
Cât timp (READY ≠ 0/ ) execută
C = orice bloc din READY;
lastused[C] = |C|;
pentru fiecare vârf x din C execută
separă toate blocurile exceptând C în funcţie de
adiacenţa la x;

108
 pentru fiecare bloc B separat în B, B2 prin x execută
lastused[B2] = lastused[B];
dacă |B| ≤ lastused[B]/2 atunci
adaugă B la READY;
dacă |B2| ≤ lastused[B2]/2 atunci
adaugă B2 la READY;
C = cel mai mare bloc rămas;
returnează C ca parte a partiţiei finale;
foloseşte fiecare vârf din C pentru a separa celelalte
blocuri;
G = G – C.

Prezentăm în continuare un algoritm de complexitate O(mlogn) dat

de McConnell pentru găsirea descompunerii substituţie a unui graf. Această
metoda de descompunere se bazează pe algoritmul de partiţionare de mai
sus. Algoritmul lucrează în două faze. Prima fază găseşte o submulţime de
module din arborele de descompunere utilizând partiţionarea şi produce o
ordine pe vârfuri astfel încât celelalte module vor fi găsite (specificate) prin
alegerea diferitelor vârfuri ca elemente de separare.
Descriem procedura de bază. Ori de câte ori procesul de partiţionare
returnează o mulţime S de lungime mai mare decât 1, S este modul al lui G.
Alegem orice vârf s din S, împărţim S în s şi S – s şi reîncepem procedura de
partiţionare. Păstram un arbore a mulţimii partiţiilor care se produc în timpul
acestei proceduri. Iniţial, arborele are o rădăcină, s ca descendentul direct
stâng şi V – s ca descendentul direct din dreapta. Ori de cate ori o mulţime
este separată în vecini şi nevecini, luăm un nou nod intern cu vecinii drept
descendentul direct stâng şi nevecinii drept descendentul direct drept. Dacă S
a fost specificat (menţionat, găsit) ca a fi un modul, marcăm nodul intern
corespunzător lui S.
Notăm că această procedură va găsi modulele care nu conţin un vârf
arbitrar ales s, dar nu va găsi modulele conţinând s. Acestea vor fi găsite de
faza a doua. Ideea este de a ordona vârfurile astfel încât întotdeauna alegem
vârfuri pentru separare pentru faza a doua care nu apar împreună cu s într-un
submodul. Numărăm vârfurile din timpul traversării standard postordine, în
care mulţimea descendenţilor copilului (descendentului direct) drept dintr-un
nod dat va fi mai mare decât a descendenţilor nodului stâng al aceluiaşi copil
(descendent direct).
Faza a doua a procedurii este aceeaşi cu prima, excepţie fiind atunci
când avem un modul S, întotdeauna alegem un vârf x cu cel mai mare număr
din S cu respectarea procedurii de ordonare din prima fază, separând S în x şi
S – x şi continuăm ca mai sus. Timpul total luat pentru găsirea celui mai
mare număr de vârfuri este O(nlogn), astfel se termină cele două faze în
O(mlogn) timp.

109
 Arborele de descompunere este produs prin combinarea modulelor
găsite în timpul celor două faze.
Fie un modul M. Daca există un descendent direct c al lui M care nu
formează muchii cu nici un alt descendent direct al lui M din G, ştergem c
din M şi adăugăm un nod etichetat P cu c drept un descendent direct şi M
drept celălalt descendent direct. Similar, dacă există un descendent direct c '
al lui M, extremitate a tuturor muchiilor cu toţi ceilalţi descendenţi direcţi ai
lui M, ştergem c' din M şi adăugăm un nod S cu c' drept un descendent direct
şi M drept celălalt descendent direct. Aceasta ia O(n+m) timp. Unim arborii
găsiţi în fiecare din cele două stagii astfel. Traversăm arborele în ordinea
primul în adâncime. Dacă întâlnim un nod serie (care corespunde unui modul
M astfel încât [M]G este neconex) sau paralel (care corespunde unui modul
astfel încât [M]G este neconex) x, care are un ascendent direct p de acelaşi
tip, luăm toţi descendenţii direcţi ai lui x descendenţi direcţi ai lui p.
În final, combinăm modulele găsite în timpul fiecăreia din cele două
faze într-un singur arbore de descompunere, T. Fie T1 şi T2 arborii găsiţi în
timpul celor două faze. Fie toate nodurile lui T1 şi T2 în ordine
nedescrescătoare a numărului de descendenţi direcţi vârfuri pendante. Când
un modul M este întâlnit, adăugăm M dacă M nu este deja parte a arborelui
combinat. Pentru a cunoaşte dacă un modul M cu k descendenţi vârfuri
pendante este deja în arbore este suficient a verifica dacă cel mai mic număr
de vârfuri din M este deja într-un modul de lungime k. Dacă memorăm cel
mai mic număr de vârfuri din fiecare modul şi modificăm variabila i pentru
un vârf v când v este vârful cu cel mai mic număr dintr-un modul de lungime
i, acest pas ia timp constant pe modul. Adăugarea unui modul M la T se face
astfel. Orice descendent direct c al lui M se află în T şi pentru orice rădăcină
r din arborele curent care conţine un descendent direct al lui M, r devine un
descendent direct al lui M în arbore. Orice metodă naturală de a marca un
arbore, pentru ca un drum să nu fie traversat de două ori, ne permite să
combinăm doi arbori în O(n) timp.
La sfârşitul acestui paragraf, prezentăm următorul rezultat (Olariu).
Pentru un graf G următoarele două afirmaţii sunt echivalente:
(i) G nu are nici un subgraf indus izomorf cu grafurile cu secvenţa de
grade (2,2,2,3,3), (1,1,2,3,3), (2,2,3,3,4,4);
(ii) pentru fiecare subgraf indus H a lui G, cel puţin una din
următoarele afirmaţii sunt adevărate:
(a) H conţine o mulţime omogenă;
(b) ω(H) ≤ 2 .

110
8.2. Descompunerea slabă a grafurilor
8.2.1. Introducere
Fie G = (V,E) un graf neorientat, fără bucle şi muchii multiple. În
diverse probleme de teoria grafurilor, cu precădere în construcţia unor
algoritmi de recunoaştere apare frecvent un anumit tip de partiţie a mulţimii
vârfurilor în trei clase A, B, C astfel încât A să inducă graf conex, iar C să fie
total adiacent cu B şi total neadiacent cu A. Aşa se întâmplă, de exemplu, cu
construcţia cografurilor pornind de la K1,2 şi substituind vârfurile cu
cografuri. Introducerea noţiunii de descompunere slabă (C. Croitoru) şi
studiul proprietăţilor ei ne permite să obţinem alte rezultate de acest tip, cum
ar fi: caracterizarea cografurilor cu coarbori ( rezultat cunoscut, obţinut de
Lerchs, dar pentru care obţinem demonstraţie mai uşoară). De asemenea,
caracterizăm grafurile K1,3 –free şi dăm un algoritm de recunoaştere şi un
altul pentru determinarea unui cuplaj de cardinal maxim în această clasă de
grafuri. De asemenea, alte proprietăţi se obţin pentru grafuri triangulate,
garfuri {P4, C4}- free, grafuri paw – free, grafuri confidenţial conexe.
O parte din acest capitol a fost prezentat la ROSYCS 2000 Iaşi.

8.2.2. Descompunerea slabă a unui graf

Înainte de a da definiţia centrală din acest capitol, reamintim că
pentru un graf G=(V,E) şi A ⊆ V , am notat:
N G ( A) = {v | v ∈ V − A, ∃w ∈ A si v ~ w}
N G [ A] = A ∪ N G ( A)
şi
N G ( A) = V − N G [ A] .
(Dacă nu sunt posibile confuzii, indicele G poate fi omis).
Fie G1 = (V1 , E1 ) şi G2 = (V2 , E2 ) , două grafuri oarecare. Notăm cu
G1+G2, K2 - adiacenţa (K2 – join) a grafurilor G1 şi G2, adică, graful obţinut
din K2 prin substituţia vârfurilor sale cu G1 şi G2 şi orice vârf din G1 este
adiacent cu orice vârf din G2. Graful G1+G2 va fi numit suma grafurilor G1
cu G2.
Definiţia 1. Fie G=(V,E) un graf. O mulţime de vârfuri , A, se
numeşte mulţime slabă dacă N G ( A) ≠ V − A şi subgraful indus de A este
conex. Dacă A este mulţime slabă, maximală în raport cu incluziunea,
subgraful indus de A se numeşte componentă slabă. Pentru simplificare,
componenta slabă G(A), se va nota cu A.
Denumirea de componentă slabă este justificată de următorul rezultat.
Propoziţia 2.
Orice graf conex şi incomplete G=(V,E) admite o componentă slabă
A astfel încât G (V − A) = G ( N ( A)) + G ( N ( A)) .

111
 Demonstraţie. Deoarece graful G este incomplet, α (G ) ≥ 2 , există
vârfurile x ≠ y , neadiacente. Fie
A0 = {x}; B0 = N ( x); C0 = N ( x) .
Avem y ∈ C0 . Dacă N ( x) ~ N ( x) atunci A = A0 . Dacă nu, fie
x1 ∈ N ( x), y1 ∈ N ( x) astfel încât x 1ℵ y 1 .
Pentru A1 = A0 ∪ {x1},[ A1 ] este conex, deoarece [ A0 ] este conex şi
x1 ∈ N ( x) .
N ( A1 ) = ( N ( A0 ) − {x1}) ∪ ( N ( x1 ) ∩ C0 ). y1 ∈ N ( A1 )
(deoarece x 1ℵ y 1 şi y1 ∈ N ( x) şi y 1ℵ A0 ).
Deci
N ( A1 ) ≠ ∅ .
Dacă
N ( A1 ) ~ N ( A1 )
atunci [V − A1 ] = [ N ( A1 )]G + [ N ( A1 )]G . Presupunem că s-a construit Ai ,
Bi=N(Ai) , Ci = N ( Ai ) .
Dacă Bi ~ Ci atunci A = Ai. Dacă nu, fie xi +1 ∈ Bi şi yi +1 ∈ Ci cu
x i + 1ℵ y i + 1 .
Notăm
Ai +1 = Ai ∪ {xi +1}; Bi +1 = N ( Ai +1 ); Ci +1 = N ( Ai +1 ) .
[Ai+1] este conex, deoarece [Ai] este conex şi xi +1 ∈ N ( Ai ) .
yi +1 ∈ N ( Ai +1 ) (deoarece x i + 1ℵ y i + 1 şi yi +1 ∈ N ( Ai ) şi y i + 1ℵ A i ).
Deci
N ( Ai +1 ) ≠ ∅ .
Dacă Bi +1 ~ Ci +1 atunci A=Ai+1 şi
[V − Ai +1 ]G = [ N ( Ai +1 )]G + [ N ( Ai +1 )]G .
Deoarece
A0 ⊂ A1 ⊂ ... ⊂ Ai ⊂ ... ⊂ V
şi V < ∞ rezultă ∃p ∈ N astfel încât N ( Ap ) ~ N ( Ap ) şi deci A = Ap este
componenta slabă cu proprietatea din enunţ.
Propoziţia 3.
Fie G = (V,E) un graf conex şi incomplet şi A ⊂ V . Atunci A este
componentă slabă a lui G dacă şi numai dacă G(A) este conex şi
N ( A) ~ N ( A) .

112
 Demonstraţie. Presupunem că există n ∈ N ( A) şi n ∈ N ( A) astfel
încât nn ∉ E (G ) .
Fie A′ = A ∪ {n} şi N ′ = ( N ( A) − {n}) ∪ ( N (n) ∩ N ( A)) .
[ A′]G este conex, N ( A′) = N ′ şi V (G ) − ( A′ ∪ N ( A′)) ⊇ {n } . Deci
N ( A′) ≠ V (G ) − A′ , contrazicând maximalitatea lui A.
Invers.
Fie G(A) conex şi N ( A) ~ N ( A) . Arătăm că G(A) este componentă
slabă. Fie A′ ⊃ A , componentă slabă.
∅ ≠ A′ − A ⊆ N ( A) (deoarece Aℵ N ( A ) şi G ( A′) conex).
Fie n ∈ A′ − A . Atunci N ( A) ⊆ N (n) . Deci N ( A′) ≠ ∅ , contrazicând
definiţia componentei slabe.
Definiţia 4. O partiţie de forma ( A, N ( A),V − N [ A]) , unde A este
mulţime slabă o numim descompunere slabă în raport cu A a grafului G.
Numim A componentă slabă, N(A) mulţime separatoare minimală, iar V-
N[A] mulţime îndepărtată (remote set).
Propoziţia 5.
Dacă G=(V,E) este un graf conex şi incomplet atunci mulţimea
vârfurilor V admite o descompunere slabă (A,B,C) astfel încât G(A) este
componentă slabă şi G(V-A)=G(B)+G(C).
{Demonstraţia este cea dată în propoziţia 2}.
Observaţia 6. Fie G=(V,E) un graf conex şi incomplet. Dacă A este
mulţime slabă atunci A ≠ V .
{ A mulţime slabă şi G conex rezultă A ≠ V , altfel N G ( A) = ∅,V − A = ∅ ,
adică N G ( A) = V − A }.
Fie G un graf conex şi WG={A: A mulţime slabă în G}.
Observaţia 7. Fie G=(V,E) un graf conex. WG are cel puţin un
element dacă şi numai dacă G nu-i complet.
{Dacă G nu este complet atunci ∃ v ∈ V (G ) astfel încât N G ( A) ≠ V − A .
Deci {v} este mulţime slabă, adică {v} ∈ WG . Arătăm implicaţia inversă.
Presupunem că există A mulţime slabă în G. Atunci N G ( A) ≠ V − A . Deci
N G ( A) ≠ ∅ . Deci ∃a ∈ A∃b ∈ N G ( A) astfel încât ab ∉ E (G ) . Deci G nu este
complet.}
Fie WG0 = { A | A ∈ WG , A maximală în raport cu incluziunea }.
Mai numim componentele slabe ale unui graf G şi frunze. Mulţimea
frunzelor o notăm cu LG. Deci LG = WG0 .

113
 Remarca 8. Fie G=(V,E) un graf conex şi incomplet. Dacă A ∈ WG0
atunci A este cutset (mulţime separatoare) în G .
{În G − A, R = N ( A) şi N sunt mulţimi nevide de vârfuri total
neadiacente}
Remarca 9. Fie G=(V,E) un graf conex şi incomplet. Dacă A ∈ WG0
atunci N G ( A) este cutset (mulţime separatoare) în G.
{În G − A, R = N ( A) şi A sunt mulţimi nevide de vârfuri total
neadiacente}
Demonstraţia dată în propoziţia 3. oferă un algoritm polinomial
pentru construirea unei descompuneri slabe pentru un graf conex şi
incomplet.

Algoritm de descompunere slabă a unui graf

Input: Un graf conex şi cu cel puţin două vârfuri neadiacente,
G=(V,E).
Output: O partiţie V=(A,N,R) astfel încât G(A) conex, N=N(A),
Aℵ R = N ( A ) .
begin
A := o mulţime arbitrară de vârfuri astfel încât
A ∪ N ( A) ≠ V
N:=N(A)
R := V − A ∪ N ( A)
while ( ∃n ∈ N , ∃r ∈ R astfel încât nr ∉ E ) do
A := A ∪ {n}
N := ( N − {n}) ∪ ( N (n) ∩ R )
R := R − ( N (n) ∩ R )
end.

Se observă că [A]G este conex, N=NG(A), R ≠ ∅ este un invariant al

algoritmului.
Consecinţa 10. Dacă G este conex şi cu cel puţin două vârfuri
neadiacente şi A ∈ WG0 atunci
α (G ) = max{α ([ A]G ) + α ( N G ( A)), α ( NG ( A) ∪ A)}.
{Într-adevăr, orice mulţime stabilă de cardinal maxim ori intersectează
N G ( A) şi atunci are cardinalul α ([ A]G ) + α ( N G ( A)) ori nu intersectează
N G ( A) şi atunci are cardinalul α ( N G [ A]) .}
Observaţia 11. Dacă G este un graf conex cu α (G ) = 2 atunci A este
clică şi R este clică, pentru orice descompunere slabă (A,N,R) a lui G cu
A ∈ WG0 .

114
{ 2 = α (G ) ≥ α ([ A]) + α ([ R]) ≥ 1 + 1 = 2 .}.
În continuare reamintim următorul rezultat.
Lema 12.
Dacă G este un graf conex, C este cutset, K1,K2,…,Kp (p≥ 2) sunt
componentele conexe ale lui G-C atunci:
(i) N ( K i ) ⊆ C , ∀i = 1,..., p;
(ii) C este cutset minimal dacă şi numai dacă N ( K i ) = C , ∀i = 1,..., p
În încheierea acestei secţiuni caracterizăm grafurile G cu proprietatea
A ~ N , unde (A,N,R) este descompunere slabă.
Fie G=(V,E) un graf, X ⊂ V şi k ∈ N* .
Numim vecinătatea de ordin k a lui X, mulţimea
N G ( X ) = { a | a ∉ X , ∃ un drum indus în G, P, de lungime k de la x ∈ X la
k

a astfel încât V ( P ) ∩ X = {x} }.

Evident,
N G′ ( A) = N G ( A) .
Lema 13.
Fie G conex şi (A,N,R) o descompunere slabă cu A ∈ WG0 . Atunci
N G3 ( R) = ∅ dacă şi numai dacă A ~ N .
Demonstraţie.
Fie N G3 ( R) = ∅ . Presupunem, totuşi, că ∃a ∈ A şi n ∈ N cu aℵ n .
Deoarece [ A ∪ {n}] este conex atunci ∃ un drum P de lungime ≥ 2 de la a la
n. Întrucât N ~ R şi Rℵ A atunci P′ , obţinut din P la care adăugăm muchia
nr (∀r ∈ R) , este un drum indus în G de lungime ≥ 3. Obţinem că
N G3 ( R) ≠ ∅ , o contradicţie.
Dacă A ~ N , având şi N ~ R rezultă că pentru ∀r ∈ R , nu există
drum indus de lungime ≥ 3 cu o extremitate în r şi restul vârfurilor în V-R.
Deci N G3 ( R) = ∅ .

8.3. Teorema celor patru culori

Teorema celor patru culori (cunoscută şi sub numele de teorema de
colorare a hărţii cu ajutorul a patru culori) afirmă următoarele: fiind dat un
plan separat în regiuni, regiunile pot fi colorate folosind nu mai mult de patru
culori, astfel încât două regiuni adiacente nu sunt colorate cu aceeaşi culoare.
Două regiuni se numesc adiacente doar dacă „împart” un segment de
„graniţă”.
Teorema celor patru culori a fost prima teoremă majoră ce a necesitat
computerul pentru a fi demonstrată, iar această demonstraţie nu este
acceptată de toţi matematicienii deoarece ar fi omeneşte imposibil de

115
demonstrat un astfel de lucru. În ultimă instanţă, pentru a da crezare
demonstraţiei, trebuie să se încreadă în corectitudinea compilării şi a
execuţiei hardware.
Istoric
Se ridică problema folosirii a cinci sau mai multe culori.
În anul 1890, Heawood a demonstrat că toate grafurile planare sunt
cinci-colorabile.
Între 1960 şi 1970 matematicianul german Heinrich Heesch a
dezvoltat metode de utilizare a calculatorului în scopul găsirii acelei
demonstraţii atât râvnite.
Nu mai devreme de anul 1976 s-a demonstrat ipoteza celor patru
culori a lui, de către Kenneth Appel şi Wolfgang Haken la Universitatea din
Illinois. Au fost asistaţi, în ceea ce priveşte algoritmica, de John Koch.
Dacă s-ar fi întâmplat ca ipoteza privind cele patru culori să fie falsă,
ar fi existat cel puţin o hartă cu cele mai puţine regiuni posibile care să
necesite cinci culori pentru colorare. Demonstraţia a arătat că un astfel de
contraexemplu minimal nu poate exista.
Odată cu demonstraţia teoremei, au fost elaboraţi algoritmi eficienţi
de 4-colorare a hărţilor, necesitând doar O (n 2 ) timp de rulare, unde n
reprezintă numărul de noduri. În anul 1996, Neil Robertson, Daniel P.
Sanders, Paul Seymour şi Robin Thomas au creat un algoritm cu timpul
pătratic.
În anul 2004 Benjamin Werner şi Georges Gonthier au formalizat o
demonstraţie a teoremei.
Determinarea suficienţei folosirii a trei culori în colorarea optimă a
unei hărţi, este de complexitate NP, ceea ce indică faptul că nu vom avea o
soluţie „rapidă”. Determinarea posibilităţii de 4-colorare a unui graf general
(posibil ne-planar) are de asemenea complexitatea NP.
Expunere formală în teoria grafurilor
Pentru a expune formal teorema, este mai simplu să o reformulăm în
teoria grafurilor. Teorema afirmă că vârfurile fiecărui graf planar pot fi
colorate cu ajutorul a cel mult patru culori, astfel ca două vârfuri adiacente
oarecare să nu aibă aceeaşi culoare. Sau, pe scurt: „orice graf planar este
patru-colorabil”. În cazul acesta, fiecare regiune a hărţii este înlocuită cu un
vârf, iar două vârfuri sunt conectate prin intermediul unei muchii dacă şi
numai dacă regiunile corespunzătoare „împart” un segment de graniţă.
Generalizări
S-ar putea pune problema colorării suprafeţelor ce nu sunt neapărat
plane. Problema corespunzătoare sferei este echivalentă cu cea din plan.
Pentru suprafeţele închise (orientate sau neorientate), de clasă pozitivă,

116
numărul maxim p de culori necesare depinde de caracteristica Euler χ a
suprafeţelor conform formulei:
⎡ 7 + 49 − 24 χ ⎤
p=⎢ ⎥,
⎣⎢ 2 ⎦⎥
unde parantezele indică partea întreagă a funcţiei. Singura excepţie în ceea ce
priveşte această formulă o reprezintă „sticla lui Klein”, a cărei caracteristică
a lui Euler are valoarea 0 şi necesită 6 culori. Aceasta a fost denumită iniţial
ipoteza Heawood, fiind demonstrată ca şi Teorema colorării hărţii de către
Gerhard Ringel şi J. T. W. Youngs în anul 1968.
Alternativ, pentru o suprafaţă orientată, formula poate depinde de
parametrul g (parametru ce caracterizează clasa (genul) suprafeţei):
⎡ 7 + 1 + 48 g ⎤
p=⎢ ⎥.
⎣⎢ 2 ⎦⎥

8.3.1. Colorarea grafurilor

În teoria grafurilor, colorarea grafurilor constă în atribuirea de
„culori” vârfurilor unui graf astfel ca oricare două vârfuri adiacente să nu
aibă aceeaşi culoare. În mod analog, colorarea muchiilor constă în
atribuirea unei culori fiecărei muchii în parte, astfel încât oricare două
muchii incidente să nu aibă aceeaşi culoare, iar colorarea feţelor unui graf
planar atribuie o culoare fiecărei feţe in parte, ţinându-se cont de faptul că
oricare două astfel de feţe, ce au o „frontieră” comună, nu pot avea aceeaşi
culoare.

O 3-colorare este suficientă acestui graf, însă, dacă s-ar folosi mai puţine
culori ar rezulta noduri (vârfuri) adiacente de aceeaşi culoare.
Găsirea numărului minim de culori necesare colorării unui graf
oarecare are dificultate NP

8.3.2. Colorarea vârfurilor

O colorare ce foloseşte cel mult k culori se numeşte k-colorare şi
este echivalentă cu problema partiţionării mulţimii vârfurilor în k sau mai
puţine mulţimi independente. Problema colorării grafurilor şi-a găsit
aplicaţii, cum ar fi în planificarea calendaristică, înregistrarea alocărilor în
compilatoare, distribuţia frecvenţelor radiourilor mobile, respectiv
compatibilitatea modelelor.

117
8.3.3. Numărul cromatic
Cel mai mic număr de culori necesare colorării unui graf se numeşte
numărul cromatic χ corespunzător. De exemplu, numărul cromatic al unui
graf complet K n cu n vârfuri (un graf cu o muchie între oricare două
vârfuri), este χ (K n ) = n .
Un graf căruia îi poate fi atribuită o k-colorare (corespunzătoare) este
k-colorabil, şi este k-cromatic dacă numărul său cromatic este chiar k.
Problema găsirii unei colorări minime a unui graf are o dificultate-
NP. Problema deciziei corespunzătoare (există o colorare care foloseşte cel
mult k culori?) are o complexitate de ordinul NP, reprezentând, la origine,
una din cele 21 de probleme ale lui Karp NP-complete. Rămâne
NP-completă chiar şi în cazul grafurilor planare de grad cel mult 4, aşa cum
a fost demonstrat de către Garey şi Johnson în 1974, chiar dacă în cazul
grafurilor planare este trivială (n. demonstraţia) pentru k>3 (acest lucru
datorându-se teoremei celor patru culori). Există, totuşi, unii algoritmi de
aproximare eficienţi, care folosesc programarea semidefinită.
Proprietăţi ale χ (G ) :
1. χ(G) = 1 dacă şi numai dacă G este total neconex.
2. χ(G) ≥ 3 dacă şi numai dacă G are un ciclu impar (echivalent, dacă
G nu este bipartit).
3. χ(G) ≥ ω(G).
4. χ(G) ≤ Δ(G)+1.
5. χ(G) ≤ Δ(G) pentru G conex, doar dacă nu cumva G este un graf
complet sau un ciclu impar (Teorema lui Brook).
6. χ(G) ≤ 4, pentru orice graf planar G. Acest faimos rezultat este numit
Teorema celor patru culori.
Aici, Δ(G ) reprezintă gradul maxim, iar ω (G ) , numărul clică.

8.3.4. Aspecte algoritmice

Colorarea optimală
Colorarea vârfurilor, în general, este o problemă NP-completă. În loc
să cerem cel mai mic număr culori necesare colorării unui graf, putem să
ridicăm probleme mult mai simple, cum ar fi „Putem colora graful cu cel
mult k culori?”.
Cazul corespunzător lui k = 2 este echivalent determinării bipartiţiei,
respectiv a non-bipartiţiei grafului. Aceasta se poate realiza într-un timp de
ordin polinomial. Pentru k ≥ 3 problema este NP-Completă. Există un
rezultat remarcabil, al lui László Lovász, care enunţă că este permis să se
afirme că numărul cromatic al unui graf perfect implică timpul polinomial.

118
 Algoritmi predefiniţi
Algoritmii de colorare pot fi divizaţi în două categorii:
9 Algoritmi optimali de colorare (de exemplu, Algoritmul lui Zykov,
metoda ramificării şi mărginirii, etc. )
9 Algoritmi care nu asigură un rezultat cu cele mai puţine culori
posibile. În această categorie se pot încadra algoritmii secvenţiali,
algoritmii euristici, algoritmi globali aleatori, algoritmi
metaeuristici, respectiv algoritmii genetici.

8.3.5. Algoritmul Welsh – Powell

Algoritmul Welsh-Powell de colorare a grafurilor foloseşte o
îmbunătăţire euristică a unui algoritm greedy. Se demonstrează uşor că o
astfel de abordare foloseşte cel mult Δ (G ) + 1 culori, unde Δ (G ) este gradul
maxim al grafului. Algoritmul este următorul:
1. Sortarea nodurilor în ordine descrescătoare a gradului,
iniţial considerându-se toate nodurile necolorate.
2. Traversarea (Parcurgerea) nodurilor în ordine, atribuindu-i
unui nod culoarea 1 dacă este necolorat şi nu are vecini
coloraţi cu aceeaşi culoare.
3. Se repetă acest proces şi în cazul culorilor 2, 3, etc. până
când toate vârfurile vor fi fost colorate.
Acest algoritm nu găseşte neapărat o colorare χ (G ) .

8.3.6. Polinomul cromatic

Polinomul cromatic contorizează numărul posibilităţilor de colorare
a unui graf , utilizând un număr prestabilit de culori.
Polinomul cromatic este o funcţie P(G, t ) ce contorizează numărul
t-colorărilor lui G. Aşa cum indică şi numele, pentru un graf G dat funcţia
este într-adevăr polinomială în t.
Polinomul cromatic conţine cel puţin la fel de multe informaţii legate
de colorabilitatea lui G ca şi numărul cromatic.
Într-adevăr, χ este cel mai mic întreg pozitiv care nu este rădăcină a
polinomului cromatic,
χ (G ) = min{k : P(G, k ) > 0}
A fost folosit pentru prima dată de către Birkhoff şi Lewis în
demersul lor împotriva teoremei celor patru culori.
A rămas o problemă nerezolvată, în ceea ce priveşte eficienţa
caracterizării grafurilor ce au acelaşi polinomul cromatic.

119
 Exemple

Graful Petersen are numărul cromatic 3

Polinomul cromatic pentru grafurile
K3 t(t-1)(t-2)
Graful complet Kn t(t-1)(t-2)...(t-n+1)
Arbore cu n noduri t(t-1)n-1
Ciclul Cn (t-1)n + (-1)n(t-1)
Graful Petersen t(t-1)(t-2)(t7-12t6 + 67t5-230t4 + 529t3-814t2 + 775t-352)
Proprietăţi
• P(G,0) = 0
• P(G,1) = 0 dacă G conţine o muchie
• P(G,t) = 0, dacă t < χ(G).
• P(G, − 1) este numărul orientărilor aciclice ale lui G
• Dacă G are n noduri, m muchii, şi k componente G1,G2,…,Gk, atunci
o P(G,t) are gradul n.
n
o Coeficientul lui t în P(G,t) este 1.
n−1
o Coeficientul lui t în P(G,t) este − m.
0 1 k−1
o Coeficienţii corespunzători : t ,t , … t sunt toţi zero.
k
o Coeficientul lui t este diferit de zero.
o P(G,t) = P(G1,t)P(G2,t)⋯P(Gk,t)
• Coeficienţii fiecărui polinomul cromatic în parte alternează în ceea ce
priveşte semnele.
• Un graf G cu n vârfuri este arbore dacă şi numai dacă
P(G,t) = t(t − 1)n − 1.
• Derivata evaluată în 1, P'(G,1), reprezintă invariantul cromatic θ(G).
Calcularea polinomului cromatic
De fiecare dată când G conţine o buclă, acesta nu poate fi colorat,
astfel că P(G, t ) = 0 .
Dacă e nu este o buclă, atunci polinomul cromatic satisface relaţia de
recurenţă P(G, t ) = P(G − e, t ) − P(G / e, t ) unde G – e reprezintă graful G
din care a fost înlăturată muchia e, iar G / e reprezintă graful pentru care
nodurile finale ale muchiilor sale sunt contractate într-un singur vârf.
Cele două expresii dau naştere unei proceduri recursive, numită
(n.procedura) algoritmul suprimare (ştergere) – contractare.

120
 BIBLIOGRAFIE

[1] Aho, Hopcroft and Ullman, The Design and Analysis of Computer’s
Algorithms, Addison Wesley, 1975.

[2] L. Babel, S. Olariu, On the Structure of Graphs with Few P4s, Work
supported by NSF grants CCR-9407180 and CCR-95-22093, as well as by
ONR grandt N00014-1-95-0779, Discrete Applied Mathematics, 1998.

[3] T. Bălănescu, Corectitudinea algoritmilor, Editura Tehnică,

Bucureşti, 1995.

[4] M. Behzad, G. Chartand, L. L. Foster, Graphs and Digraphs,

Prindle, Weber & Schmidt International Series, 1973.

[5] C. Berge, Graphs (Nort-Holland, Amsterdam, 1985).

[6] V. Chvatal, Perfectly orderable graphs in "Topics on Perfect

Graphs" (C. Berge and V. Chvatal), Ann. Discrete Math.21(1984), 63-65.

[7] V. Chvatal, Star – cutest and Perfect Graphs, Journal of Comb. Th.,
B, 39, 189-199 (1985).

[8] E. Ciurea, Algoritmi. Introducere în algoritmica grafurilor, Editura

Tehnică, Bucureşti, 2001.

[9] E. Ciurea, L. Ciupală, Algoritmi. Introducere în algoritmica

fluxurilor în reţele, Editura MATRIXROM, Bucureşti, 2006.

[10] T. H. Cormen, C. E. Leiserson, R. L. Rivest, Introducere în

algoritmi (traducere), Computer Libris Agora, 2000.

[11] D. G. Corneil, H. Lerchs, L. Stewart Burlingham, Complement

Reductible Graphs, Discrete Appl. Math. 3(1981), pp.163-174.

[12] D. G. Corneil, D. G. Kirkpatrick, Families of recursively defined

perfect graphs, Congr. Numer., 39(l983), 237-246.

121
[13] D. G. Corneil, Y. Perl, L. K. Stewart, A linear recognition
algorithmic for cographs, SIAM.J. Comput., 14(l985), 926-934.

[14] C. Croitoru, Tehnici de bază în optimizarea combinatorie, Editura

Universităţii "Al. I. Cuza", Iaşi, 1992.

[15] C. Croitoru, M. Talmaciu, A new graph search algorithm and some

applications, presented at ROSYCS 2000, Universitatea "Al.I.Cuza", Iaşi,
2000.

[16] E. Dahlhaus, Efficient parallel recognition algorithms of cographs

and distance hereditary graphs, Discrete Applied Mathematics 57(1995),
29-44.

[17] G. A. Dune, Generalisation du theoreme de Menger, C. R. Acad.

Sci. Paris 250 (26) (1960), 4252-4253.

[18] H. Georgescu, Tehnici de programare, Editura Universităţii din

Bucreşti, 2005.

[19] M. C. Golumbic, Algorithmic Graphs Theory and Perfect Graphs,

Academic Press 1980.

[20] F. Harary, On the number of bicolored graphs, Pacific J. Math.

8(1958), 743-755.

[21] X. He, Parallel Algorithm for Cograph Recognition With

Applications, in: O. Nurmi and E. Ukkonen eds. AIgorithm Theory-SWAT
'92, Lecture Notes in Computer Science 621 (Springer Berlin 1992), 94-105.

[22] B. Jamison and S. Olariu, On the clique-kernel structure of graphs,

Department of Computer Science, University of' Toronto, Toronto, Ontario,
Octobre,1972.

[23] B. Jamison, S. Olariu, A tree representation for P4 sparse graphs,

Discrete Appl. Math., 35(1992), 115-129, North-Holland.

[24] B. Jamison, S. Olariu, P-components and the homogeneous

decomposition of graphs, SIAM J. DISC. MATH. Vol. 8, No.3, 448-
463,1995.

[25] D. Knuth, Arta programării calculatoarelor, Editura Teora,

Bucureşti, 2002.

122
[26] H. Lerchs, On clique-kernel structure of graphs, Department of
Computer Science, University of Toronto, Toronto, Ontario, October 1972.

[27] R. Lin, S. Olariu, An Nc Recognition Algorithm for Cographs,

Journal of Parallel and Distributed Computing, 13, 76-90 (1991).

[28] L. Livovschi, H. Georgescu, Sinteza şi analiza algoritmilor, Editura

Ştiinţifică, Bucureşti, 1986.

[29] R. H. Mohring, F. J. Radamacher, Substitution decomposition and

connections with combinatorial optimization, Ann. Discrete Math. 19(1984),
257-266.

[30] J. A. Nash-Williams, Edge-disjoint Hamiltonian circuits in graphs

with vertices of large valency, L. Musky, ed ., Studies in pure mathematics
(papers presented to Richard Ratio), (Academic Press, New York. 1971).

[31] I. Odagescu, C. Copos, D. Luca, F. Furtuna, I. Smeureanu,

Metode şi tehnici de programare, Editura Intact, Bucureşti, 1994.

[32] E. Olaru, On strongly stable graphs and some consequences for

partitionable graphs, Analele Ştiintifice ale Universităţii "Al.I.Cuza" din
Iaşi, Tomul VII, 1998, 33-41.

[33] E. Olaru, On strongly perfect graphs and the structure of critically-

imperfect graphs, Ştiintifice ale Universităţii "Al.I.Cuza" din Iaşi, Tomul II,
Informatică, 1993.

[34] E. Olaru, Some results on a-partitionable graphs and perfect graphs,

Analele Univ. D. de Jos Galaţi, Fascicola II, Supliment la tomul XVI/(XXI)
1998, Vol. I, Matematica, 171-185.

[35] E. Olaru, Introducere în teoria grafurilor, Univ. "Al.I.Cuza"

Iaşi,1975.

[36] E. Olaru, St. Antohe, Decomposition with respect to the graph-join

operation, Analele Universităţii din Galaţi, fascicula II, I(VI)(1983), 15- 26.

[37] E. Olaru, S. Antohe, Some results concerning graphs

decomposition, Analele Universităţii din Galaţi, Matematică, Fascicula II,
Anul III(VIII)1985.

123
[38] E. Olaru, Gh. Suciu, Dauerstabile und Kritisch imperfekte Graphen,
An.Univ. Timişoara, vol. XVII, fasc.l, 1970, 59-64.

[39] E. Olaru, α - Zerlegbare Graphen, Bul. Univ. Galati, fasc.II, 1980,

39-45.

[40] St. Olariu, On the closure of triangle-free graphs under substitution,

Information Processing Letters 34(1990), 97-101.

[41] O. Pătraşcoiu, Gh. Marian, N. Mitroi, Elemente de grafuri şi

combinatorică. Metode, algoritmi şi programe, Editura All, Bucureşti, 1994.

[42] G. Sabidussi, Graph derivatives, Math, Z76(l 961), 385-401.

[43] G. Sabidussi, The composition of graph, Duke Math. J. 26 (1959),

693-696.

[44] G. Sabidussi, The lexicographic product of graphs, Duke Math. J. 28

(1961), 573-578.

[45] R. Shamir, Advanced Topics in Graph Algorithms, Tehnical Reports,

Tel – Aviv. University, Sprin 1994.

[46] D. Summer, Graphs indecomposable with respect to the X-join,

Discrete Math. 6(1973), 281-298.

[47] I. Tomescu, Probleme de combinatorică şi teoria grafurilor, Editura

Didactică şi Enciclopedică, Bucureşti, 1981.

[48] W. Wessel, Some color-critical equivalents of the strong perfect

graph conjecture, in Beitrage zur Graphentbeorie und deren Anwendungen,
Obezhof (DDR), 10-16 April 1977, 300-309.

[49] R. Yuster, Independent Transversals in r-partit graphs, Department

of Mathematics Raymond and Beverly Sackler Faculty of Exact Sciences Tel
Aviv University, Tel Aviv, Israel, (electronic), 2001.

[50] R. Yuster, Independent Transversals and Independent Coverings in

Sparse Partite Graphs, Department of Mathematics Raymond and Beverly
Sackler Faculty of Exact Sciences Tel Aviv University, Tel Aviv, Israel,
(electronic), 2001.

124