Documente Academic
Documente Profesional
Documente Cultură
1
5 Arbori oarecare 102
5.1 Moduri de reprezentare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.2 Metode de parcurgere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3 Arbori de acoperire de cost minim . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.1 Algoritmul lui Boruvka . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3.2 Algoritmul lui Prim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3.3 Structuri de date pentru mulţimi disjuncte . . . . . . . . . . . . . . . . 116
5.3.4 Algoritmul lui Kruskal . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.4 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7 Heap-uri 149
7.1 Heap-uri binare (Min-heapuri sau Max -heapuri) . . . . . . . . . . . . . . . . . 149
7.1.1 Inserarea unui element . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
7.1.2 Ştergerea elementului minim . . . . . . . . . . . . . . . . . . . . . . . . 152
7.1.3 Crearea unui heap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.2 Ordonare prin metoda HeapSort . . . . . . . . . . . . . . . . . . . . . . . . . . 155
7.3 Aplicatie - Coadă cu prioritate . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
7.4 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
2
Capitolul 1
Definiţia 1.1 Algoritmul constituie o reprezentare finită a unei metode de calcul ce per-
mite rezolvarea unei anumite probleme. Se poate spune că un algoritm reprezintă o secvenţă
finită de operaţii, ordonată şi complet definită, care, pornind de la datele de intrare, produce
rezultate.
Termenul de algoritm ı̂i este atribuit matematicianului persan Abu Ja‘far Mohammed
ibn Musa al-Khowarizmi (sec. VIII-IX), care a scris o carte de matematică cunoscută ı̂n tra-
ducere latină sub titlul de ”Algorithmi de numero indorum”, iar apoi ca ”Liber algorithmi ”,
unde termenul de ”algorithm” provine de la ”al-Khowarizmi ”, ceea ce literal ı̂nseamnă ”din
orasul Khowarizm”. Matematicienii din Evul Mediu ı̂nţelegeau prin algoritm o regulă (sau
o mulţime de reguli) pe baza căreia se efectuau calcule aritmetice: de exemplu ı̂n secolul al
XVI-lea, algoritmii se foloseau la ı̂nmulţiri sau ı̂njumătăţiri de numere.
Fiecare propoziţie ce face parte din descrierea unui algoritm este, de fapt, o comandă ce
trebuie executată de cineva, acesta putând fi o persoană sau o maşină de calcul. De altfel,
un algoritm poate fi descris cu ajutorul oricărui limbaj, de la limbajul natural şi până la
limbajul de asamblare al unui calculator. Denumim limbaj algoritmic un limbaj al cărui scop
este acela de a descrie algoritmi.
Algoritmul specifică succesiuni posibile de transformări ale datelor. Un tip de date poate
fi caracterizat printr-o mulţime de valori ce reprezintă domeniul tipului de date şi o mulţime
de operaţii definite peste acest domeniu. Tipurile de date pot fi organizate ı̂n următoarele
categorii:
1. tipuri de date elementare (de exemplu tipul ı̂ntreg, tipul real ) - valorile sunt unităţi
atomice de informaţie;
2. tipuri de date structurate (de exemplu tipul tablou, tipul ı̂nregistrare) - valorile sunt
structuri relativ simple rezultate ı̂n urma combinaţiei unor valori elementare;
3. tipuri de date structurate de nivel ı̂nalt (de exemplu stiva) - se pot descrie independent
de limbaj iar valorile au o structură mai complexă.
1. claritate - la fiecare pas trebuie să specifice operaţia pe care urmează să o efectueze
algoritmul asupra datelor de intrare;
3
3. generalitate - algoritmul trebuie să ofere soluţia nu numai pentru o singură problemă
ci pentru o ı̂ntreagă clasă de probleme;
4. finitudine - algoritmul trebuie să se termine ı̂ntr-un timp finit;
5. eficienţă - un algoritm poate fi utilizat numai ı̂n situaţia ı̂n care resursele de calcul
necesare acestuia sunt ı̂n cantităţi rezonabile, şi nu depăşesc cu mult posibilităţile cal-
culatoarelor la un moment dat.
Un program reprezintă implementarea unui algoritm ı̂ntr-un limbaj de programare.
Studiul algoritmilor cuprinde mai multe aspecte:
• elaborare - activitatea de concepere a unui algoritm are şi un caracter creativ, din
această cauză nefiind posibilă deprinderea numai pe cale mecanică. Pentru a facilita
obţinerea unei soluţii la o problemă concretă se recomandă folosirea tehnicilor generale
de elaborare a algoritmilor la care se adaugă ı̂n mod hotărâtor intuiţia programatorului;
• limbajul pseudocod.
În continuare vom prezenta pricipalele construcţii din cadrul limbajului pseudocod.
Intrări/ieşiri
Citirea datelor de intrare se poate realiza prin intermediul enunţului Input:
1: Input {lista variabile}
Afişarea rezultatelor este reprezentată cu ajutorul instrucţiunii Output:
1: Output {lista de valori}
4
Instrucţiunea de atribuire
Este instrucţiunea cel mai des utilizată ı̂ntr-un algoritm şi realizează ı̂ncărcarea unei variabile
(locaţii de memorie) cu o anumită valoare. Are următoarea sintaxă:
1: < variabila >←< expresie >
unde < expresie > este o expresie aritmetică sau logică.
Se evaluează expresia < expresie > iar rezultatul se atribuie variabilei < variabila >,
memorându-se ı̂n locaţia de memorie asociată. Această variabilă trebuie să fie de acelaşi tip
de dată cu expresia sau un tip de dată care să includă şi tipul expresiei.
O expresie este constituită din operanzi şi operatori. Operanzii pot fi variabile şi valori
constante, iar operatorii pot fi:
• operatori aritmetici - + (adunare), − (scădere), ∗ (ı̂nmulţire), / (ı̂mpărţire), ˆ (ridicare
la putere), div (câtul ı̂mpărţirii ı̂ntregi), mod (restul ı̂mpărţirii ı̂ntregi);
• operatori relaţionali - = (egal), 6= (diferit), < (strict mai mic), ≤ (mai mic sau egal),
> (strict mai mare), ≥ (mai mare sau egal);
• operatori logici - OR sau ∨ (disjuncţie), AND sau ∧ (conjuncţie), NOT sau ¬ (negaţie).
Cea mai simplă expresie este formată dintr-o variabilă sau o constantă (operand). Ex-
presiile mai complicate se obţin din operaţii efectuate ı̂ntre variabile şi constante. La scrierea
expresiilor trebuie să se ţină cont de faptul că, ı̂n momentul evaluării lor, ı̂n primul rând
se vor evalua expresiile din paranteze, iar operaţiile se execută ı̂n ordinea determinată de
priorităţile lor.
Enunţuri de ramificare
1: if <expresie-booleana> then
2: <instructiune1> 1: if (a mod 2 = 0) then
[ 2: Output {’Numarul este par’ }
3: else 3: else
4: <instructiune2> 4: Output {’Numarul este impar’ }
] 5: end if
5: end if
Enunţul if . . . then . . . else evaluează mai ı̂ntâi expresia booleană pentru a determina
unul din cele două drumuri pe care le poate lua execuţia algoritmului. Ea poate include
opţional o clauză else.
Dacă <expresie-booleana> se evaluează la valoarea de adevăr true, atunci se execută
<instructiune1> şi se continuă cu următoarea instrucţiune după if. Dacă <expresie-booleana>
are valoarea de adevăr false, atunci se execută <instructiune2>. <instructiune1> şi
<instructiune2> sunt instrucţiuni compuse ce pot să conţină, la rândul lor, o altă instrucţiune
if.
Exemplul 1.1 Un algoritm simplu este cel ce rezolvă ecuaţia de gradul I, ax+b = 0, a, b ∈ R
(algoritmul 1). Acesta se bazează pe rezolvarea matematică a ecuaţiei de gradul I:
1. dacă a = 0, atunci ecuaţia devine 0 · x + b = 0. Pentru cazul ı̂n care b 6= 0 avem
0 · x + b = 0, egalitate ce nu poate fi satisfăcută pentru nicio valoare a lui x ∈ R sau
C. Spunem, ı̂n acest caz, că ecuaţia este incompatibilă. Dacă b = 0, avem 0 · x + 0 =
0, relaţia fiind adevărată pentru orice valoare a lui x ∈ R. Spunem că ecuaţia este
compatibil nedeterminată.
5
2. dacă a 6= 0, ecuaţia are o singură soluţie, x1 = − ab ∈ R.
Având acest algoritm drept model să se realizeze un algoritm pentru rezolvarea ecuaţiei
generale de gradul al II-lea, ax2 + bx + c = 0, unde a, b, c ∈ R.
Enunţuri repetitive
Enunţurile repetitive permit descrierea unor prelucrări ce trebuie efectuate ı̂n mod repetat,
ı̂n funcţie de poziţia condiţiei de continuare existând două variante de structuri repetitive:
structura repetitivă condiţionată anterior şi structura repetitivă condiţionată posterior.
Structura repetitivă condiţionată anterior while (sau instrucţiune de ciclare cu test
iniţial) are următoarea sintaxă:
1: sum ← 0
2: i←1
1: while <expresie-booleana> do
3: while (i ≤ n) do
2: <instructiune>
4: sum ← sum + i
3: end while
5: i ← i+1
6: end while
Cât timp <expresie-booleana> este adevarată, se execută <instructiune>; dacă <expresie-
booleana> este falsă chiar la prima evaluare, atunci <instructiune> nu ajunge să fie re-
alizată niciodată. Acest comportament este opus celui corespunzător structurii repetitive
condiţionată posterior repeat, unde <instructiune> este executată cel puţin o dată. (Dacă
o expresie are valoarea de adevăr true spunem atunci că expresia este adevărată; dacă o
expresie are valoarea de adevăr false spunem atunci că expresia nu este adevărată - este
falsă).
Exemplul 1.2 Vom realiza un algoritm pentru calculul câtului şi restului ı̂mpărţirii a două
numere ı̂ntregi, prin scăderi succesive (a se vedea algoritmul 2).
Mai ı̂ntâi, se iniţializează câtul cu valoarea zero (linia 3) şi restul cu valoarea deı̂mpărţitului
(linia 4). Apoi, atâta timp cât restul este mai mare decât valoarea ı̂mpărţitorului (liniile 5 -
8), vom incrementa câtul cu o unitate, şi decrementa restul cu valoarea ı̂mpărţitorului. La
final, sunt afişate valorile câtului şi restului.
Un caz particular de structură repetitivă condiţionată anterior este for, utilizată ı̂n cazul
ı̂n care o instrucţiune sau un grup de instrucţiuni trebuie să se repete de 0 sau mai multe
ori - numărul de repetiţii fiind cunoscut ı̂nainte de ı̂nceperea sa. Enunţurile repetitive bazate
6
Algoritm 2 Algoritm pentru calculul ı̂mpărţirii ı̂ntregi
1: Input {a, b}
2: if ((a > 0) ∧ (b > 0)) then
3: cat ← 0
4: rest ← a
5: while (rest ≥ b) do
6: rest ← rest − b
7: cat ← cat + 1
8: end while
9: Output {cat, rest}
10: else
11: Output {’Numerele trebuie sa fie strict pozitive!’}
12: end if
pe instrucţiunile while şi repeat sunt mult mai potrivite ı̂n cazul ı̂n care condiţia de ter-
minare trebuie reevaluată ı̂n timpul ciclării (atunci când numărul de repetiţii nu este cunoscut
apriori).
Instrucţiunea for are următoarea sintaxă:
1: for <Var> ← <Expresie1>, <Expresie2>, 1: sum ← 0
Step < p > do 2: for i ← 1, n do
2: <instructiune> 3: sum ← sum + i
3: end for 4: end for
Comportamentul enunţului repetitiv for se descrie cel mai bine prin comparaţie cu
enunţul repetitiv while. Astfel secvenţa următoare de limbaj pseudocod
1: for v ← e1 , e2 ST EP p do
2: < instructiune >
3: end for
este echivalentă cu secvenţa ce conţine enunţul repetitiv while:
1: v ← e1
2: while (v ≤ e2 ) do
3: <instructiune>
4: v ←v+p
5: end while
e1 reprezintă valoarea iniţială, e2 limita finală, iar p pasul de lucru: la fiecare pas, valoarea
variabilei v este incrementată cu valoarea variabilei p, valoarea ce poate fi atât pozitivă cât
şi negativă. Dacă p ≥ 0 atunci v va lua valori ı̂n ordine crescătoare, iar dacă p < 0 atunci v
va primi valori ı̂n ordine descrescătoare.
În cazul ı̂n care pasul de incrementare este 1, atunci el se poate omite din enunţul repetitiv
for, variabila contor fiind incrementată automat la fiecare repetiţie cu valoarea 1. Dacă pasul
de incrementare p are valoarea 1 atunci avem următoarele situaţii posibile pentru construcţia
for:
Exemplul 1.3 Un caz destul de frecvent ı̂ntâlnit ı̂n practică este cel ı̂n care se cere deter-
minarea elementului de valoare maximă, respectiv minimă dintr-un şir de elemente. Acest
7
şir de elemente poate fi păstrat ı̂ntr-o structură de date elementară, cunoscută sub numele
de vector. Un vector este un caz particular de matrice având o singură linie şi n coloane.
Prezentăm ı̂n continuare algoritmul pentru determinarea elementului de valoare minimă
ce aparţine unui şir de numere naturale (a se vedea algoritmul 3).
În acest algoritm se observă utilizarea enunţului repetitiv for, ı̂ntâlnit, ı̂n general, ı̂n
situaţiile ı̂n care se cunoaşte apriori numărul de paşi pe care trebuie să-l realizeze instrucţiunea
repetitivă.
Mai ı̂ntâi se iniţializează variabila min cu valoarea elementului x1 , presupunând că ele-
mentul de valoare minimă este primul element din cadrul vectorului X (linia 2). În continuare
vom compara valoarea variabilei min cu valoarea fiecărui element din şir (liniile 3–7): dacă
vom găsi un element a cărui valoare este mai mică decât cea a minimului calculat până la
momentul curent (linia 4), vom reţine noua valoare ı̂n variabila min (linia 5).
Exemplul 1.4 Algoritmul 4, prezentat ı̂n continuare, calculează suma primelor n numere
naturale, S = 1 + 2 + 3 + . . . + n.
Notăm cu Sn suma primelor n numere naturale (Sn = 1 + 2 + 3 + . . . + n). Aceasta se
poate calcula ı̂ntr-o manieră incrementală astfel:
S1 = 1
S2 = 1 + 2 = S1 + 2
S3 = (1 + 2) + 3 = S2 + 3
S4 = (1 + 2 + 3) + 4 = S3 + 4
...
Sn = (1 + 2 + . . . + n − 1) + n = Sn−1 + n
8
Algoritm 4 Algoritm pentru calculul sumei primelor n numere naturale (prima variantă)
1: Input {N }
2: S←0
3: i←1
4: repeat
5: S ←S+i
6: i←i+1
7: until (i > N )
8: Output {S}
Suma primelor n numere naturale se constituie ı̂n suma termenilor unei progresii arit-
metice ce se poate calcula direct cu formula sumei, astfel 1 + 2 + . . . + n = n(n+1)
2
. Având
ı̂n vedere această identitate, algoritmul de calcul a sumei primelor n numere naturale se
simplifică foarte mult (a se vedea algoritmul 5).
Algoritm 5 Algoritm pentru calculul sumei primelor n numere naturale (a doua variantă)
1: Input {N }
2: S ← n · (n + 1)/2
3: Output {S}
9
Proceduri şi funcţii
Procedurile sunt subrutine ale căror instrucţiuni se execută ori de câte ori acestea sunt apelate
prin numele lor.
Apelarea procedurilor se face ı̂n unitatea de program apelantă prin numele procedurii,
primit ı̂n momentul definirii, urmat de lista parametrilor actuali. Această listă trebuie să
corespundă ca număr şi tip cu lista parametrilor formali, ı̂n situaţia ı̂n care există o listă de
parametri formali ı̂n antetul subrutinei. Definiţia unei proceduri are următoarea sintaxă:
1: procedure <nume>(<lista parametri formali>)
2: <instructiune>
3: end procedure
lista parametri formali (opţională) simbolizează o listă de identificatori (parametri)
ce permite transferul datelor ı̂ntre subrutina apelantă şi subrutina apelată. Aceşti parametri
se specifică prin nume (identificator) urmat, eventual, de tipul de dată al parametrului. Mai
mulţi parametri de acelaşi tip pot fi grupaţi, folosindu-se drept separator virgula.
De fapt, lista parametrilor formali poate fi descrisă mai detaliat astfel:
1: procedure <nume>(<PFI; PFO>)
2: end procedure
unde
PFI = lista parametrilor formali de intrare.
PFO = lista parametrilor formali de ieşire.
Enunţul de apel al unei proceduri are următoarea sintaxă:
1: CALL <nume>(PAI; PAO)
PAI - lista parametrilor actuali de intrare, ce corespund parametrilor formali de intrare.
Corespondenţa se face de la stânga la dreapta şi trebuie să fie de acelaşi tip cu parametrii
formali.
PAO - lista parametrilor actuali de ieşire.
Exemplul 1.6 Să se realizeze un algoritm care determină cel mai mare divizor comun a
două numere naturale.
Reamintim câteva rezultate teoretice ce vor fi folositoare pentru ı̂nţelegerea procesului de
calcul al algoritmului ce va fi prezentat.
Teorema 1.7 (Teorema ı̂mpărţirii cu rest) Pentru două numere ı̂ntregi a şi b, cu b 6=
0, ∃ două numere ı̂ntregi q şi r, unice, astfel ı̂ncât:
a = b · q + r, 0 ≤ r < |b|
Definiţia 1.2 Cel mai mare divizor comun (notat cmmdc) a două numere naturale a şi b
este un număr natural d cu proprietăţile:
2. ∀d′ ∈ N astfel ı̂ncât d′ |a, d′ |b avem d′ |d (oricare alt divizor comun al lui a şi b, ı̂l divide
şi pe d).
2. Dacă cmmdc(a, b) = 1 se spune că numerele a şi b sunt prime ı̂ntre ele.
10
3. Între cel mai mic multiplu comun şi cel mai mare divizor comun există următoarea
relaţie:
a·b
cmmmc(a, b) = . (1.1)
cmmdc(a, b)
Metoda de calcul pentru a obţine cel mai mare divizor comun a două numere a şi b prin
ı̂mpărţiri succesive, cunoscută sub numele de algoritmul lui Euclid, se poate descrie astfel:
Se ı̂mparte a la b şi se reţine restul r. Dacă r este nul atunci cel mai mare divizor comun
este b. În caz contrar, se ı̂mparte b la r şi se păstrează noul rest. Calculele se continuă,
folosindu-se ca deı̂mpărţit vechiul ı̂mpărţitor, iar, ca ı̂mpărţitor, ultimul rest obţinut, până
când restul obţinut devine nul.
Operaţiile anterioare pot fi transpuse prin intermediul următoarelor formule matematice:
a = bq1 + r1 0 ≤ r1 < b
b = r1 q2 + r2 0 ≤ r 2 < r1
r1 = r2 q3 + r3 0 ≤ r 3 < r2
...
rk = rk+1 qk+2 + rk+2 0 ≤ rk+2 < rk+1
...
rn−2 = rn−1 qn + rn 0 ≤ rn < rn−1
rn−1 = rn qn+1 + rn+1 0 ≤ rn+1 < rn
Aceste ı̂mpărţiri nu se constituie ı̂ntr-un proces infinit, deoarece secvenţa de numere natu-
rale r1 , r2 , . . . , rn+1 , . . . este strict descrescătoare (r1 > r2 > . . . > rn > . . .) şi mărginită
inferior de 0. Rezultă că ∃p ∈ N astfel ı̂ncât rp 6= 0, şi rp+1 = 0.
Dacă analizăm ı̂ntregul proces de calcul, se observă faptul că deı̂mpărţitul este ı̂mpărţitorul
de la etapa anterioară, iar ı̂mpărţitorul este restul de la etapa anterioară. De asemenea, tre-
buie menţionat că ı̂n acest proces de calcul, câtul nu participă ı̂n mod activ.
Algoritmul 6 este un foarte bun exemplu de utilizare a instrucţiunii de ciclare cu test
iniţial, while. Din analiza algoritmului reiese faptul că, mai ı̂ntâi, se efectuează o evaluare a
restului r (calculul său, liniile 7 şi 11), după care se testează condiţia egalităţii acestuia cu
valoarea 0 (linia 8).
11
Funcţiile au aceeaşi sintaxă ca şi procedurile:
1: function <nume>(<parametri>)
2: <instructiune>
3: end function
Funcţiile pot fi apelate prin numele lor, ca termen al unei expresii.
1.2 Exemple
Exemplul 1.9 Să se verifice printr-un algoritm dacă un număr natural este prim sau nu.
Definiţia 1.3 Un număr natural k ≥ 2 se numeşte prim dacă singurii săi divizori naturali
sunt 1 şi k.
Pe baza acestei definiţii se poate concluziona că un număr natural k este prim dacă nu are
niciun divizor propriu ı̂n intervalul [2, k − 1].
Dacă n este număr prim, corpul enunţului de ciclare while se va executa de n − 2 ori (a
se vedea algoritmul 7).
Condiţia i ≤ n − 1 poate fi ı̂mbunătăţită cu i ≤ n/2, deoarece ı̂ntre jumătatea numărului
şi n nu mai există niciun alt divizor, pentru orice valoare a lui n.
Dacă 2 este un divizor al numărului n atunci şi n/2 este un divizor al lui n. Dacă 2 nu
este divizor al lui n atunci nici n/2 nu este divizor al lui n. Un enunţ asemănător este valabil
12
şi pentru numerele 3, 4, 5, . . .. Astfel se formează două şiruri:
corespunde n
2 →
2
corespunde n
3 →
3
corespunde n
4 →
4
.. ..
. .
corespunde n
k →
|{z} k
|{z}
Sir1 Sir2
Se observă faptul că primul şir (Sir1 ) este compus din elemente cu valori consecutive,
iar al doilea şir (Sir2 ) nu respectă această proprietate. Numerele dintr-o pereche (p, np ) sunt
legate ı̂ntre ele astfel: ı̂n momentul ı̂n care am verificat faptul că numărul p nu este divizor
al lui n, implicit am dedus că nici n/p nu este un divizor al lui n. Prin urmare nu mai este
nevoie să verificăm şi valoarea n/p. Primul şir este strict crescător iar cel de-al doilea este
strict descrescător. Elementele din primul
√ şir devin mai mari decât cele din al doilea atunci
când k ≅ n/k√ ⇒ k 2 ≅ n ⇒ k ≅ n. Astfel rezultă condiţia pentru limita superioară a
ciclării: i ≤ ⌊ n⌋ (a se vedea algoritmul 8).
Algoritm 8 Algoritm pentru verificarea dacă un număr este prim (variantă optimizată)
1: Input {N }
2: if (n < 2) then
3: Output {’Numarul nu este prim.’}
4: else
5: i←2
6: prim ← true
√
7: while ((i ≤ ⌊ n⌋) ∧ (prim = true)) do
8: if (n mod i = 0) then
9: prim ← f alse
10: else
11: i ← i+1
12: end if
13: end while
14: if (prim = true) then
15: Output {’Numarul este prim.’}
16: else
17: Output {’Numarul nu este prim.’}
18: end if
19: end if
Exemplul 1.10 Se spune că un vector este simetric dacă primul element este egal cu ultimul,
al doilea cu penultimul etc. Algoritmul următor verifică dacă un vector de numere ı̂ntregi este
simetric.
Vom utiliza două variabile de indici, ce pornesc, una din stânga, şi cealaltă din dreapta.
Atâta timp cât variabila din stânga este mai mică decât variabila din dreapta iar elementele
din vector corespunzătoare variabilelor de indiciere sunt egale, se incrementează variabila din
stânga şi se decrementează variabila din dreapta. După părăsirea instrucţiunii de ciclare, se
13
face o verificare pentru determinarea condiţiei care nu a mai fost ı̂ndeplinită şi a condus la
ieşirea din buclă. Dacă i ≥ j atunci condiţia (i < j) nu a mai fost ı̂ndeplinită. Acest lucru
conduce la concluzia că cealaltă condiţie, (xi = xj ) a fost ı̂ndeplinită tot timpul (∀i < j, i, j =
1, n). Deci şirul este simetric ı̂n această situaţie.
Exemplul 1.11 Se dă un număr format din n cifre. Vom prezenta un algoritm ı̂n care se
determină cel mai mare număr obţinut prin eliminarea a k cifre (k < n) dintre cele n (vezi
algoritmul 10).
Compararea a două numere naturale ce prezintă acelaşi număr de cifre se face ı̂ncepând
de la stânga spre dreapta (de la cifrele mai semnificative către cele mai puţin semnificative).
Fie A = a1 a2 . . . an numărul nostru.Vom nota prin m numărul de cifre ce vor rămâne din
numărul iniţial după eliminarea celor k cifre (m = n−k). Problema se reduce la determinarea
celui mai mare număr format cu m cifre dintre cele n cifre iniţiale.
La ı̂nceput numărul conţine n cifre, păstrate ı̂n ordine, ı̂n vectorul A: a1 , a2 , . . . , an .
Soluţia se construieşte ı̂n mod iterativ, la pasul i alegându–se o valoare corespunzătoare: se
determină prima cifră de valoare maximă şi poziţia acesteia ı̂n cadrul subsecvenţei de limite
l şi n − m + i, al , . . . , an−m+i .
• În instrucţiunea for (linia 4) pentru fiecare poziţie liberă din numărul rezultat, se va
alege cifra maximă dintre cele disponibile;
• linia 5 - se trece la poziţia următoare: l reprezintă indexul din şirul A al cifrei aleasă
la pasul anterior (i − 1) şi conţine poziţia pe care a fost găsită cifra maximă. Cifra
maximă pentru pasul curent va fi căutată ı̂n intervalul l . . . n − m + i, unde n − m + i
reprezintă limita superioară a indexului până la care se poate alege un element la pasul
curent;
a1 . . . a ...a . . . an
| l {zn−m+i}
subsecvenţa pentru care se determină cifra maximă
• linia 8 - se caută cifra maximă până la limita din dreapta n − m + i (dacă se merge mai
la dreapta dincolo de această limită nu se mai pot alege restul de m − i cifre);
• linia 10 - se actualizează valoarea maximă;
14
Algoritm 10 Algoritm pentru determinarea numărului maxim obţinut după eliminarea a k
cifre
1: Input {n, a1 , . . . , an , k}
2: m← n−k
3: l←0
4: for i ← 1, m do
5: l ←l+1
6: j←l
7: max ← 0
8: while (j ≤ n − m + i) do
9: if (max < aj ) then
10: max ← aj
11: l←j
12: end if
13: j ←j+1
14: end while
15: Output {max}
16: end for
Exemplul 1.12 Vom prezenta doi algoritmi ce determină toate tripletele de numere naturale
(a, b, c) ce verifică relaţia a2 + b2 = c2 unde c ≤ 100.
Prima variantă de lucru prezintă generarea tuturor tripletelor (i, j, k) unde 2 ≤ i < j <
k ≤ n. Dintre acestea se vor alege doar acelea ce verifică relaţia k · k = i · i + j · j. Dacă vom
considera doar instrucţiunea de ciclare 4, atunci condiţia 5 se va verifica de n − (j + 1) + 1 =
n − j ori. Deoarece j = i + 1, n − 1, vom obţine faptul că instrucţiunea 5 se va executa de:
n−i−1
X (n − i) · (n − i − 1)
(n − i − 1) + (n − i − 2) + . . . + (n − n + 1) = j=
j=1
2
ori.
Din i = 2, n − 2 rezultă că
15
1: Input {n} 1: Input {n}
2: for i ← 2, n − 2 do 2: for i ← 2, n − 1 do
3: for j ← i + 1, n − 1 do 3: for j ← i + 1, n do
4: for k ← j + 1, n do 4: s ← i·i+j ·j
√
5: if (k · k = i · i + j · j) then 5: k ← ⌊ s⌋
6: Output {i, j, k} 6: if ((k · k = s) ∧ (k ≤ n)) then
7: end if 7: Output {i, j, k}
8: end for 8: end if
9: end for 9: end for
10: end for 10: end for
11: return 11: return
Pentru cea de-a doua variantă, cea din dreapta, se generează perechile de numere (i, j) cu
proprietatea că 2 ≤ i < j ≤ n, se calculează
√ 2 s ← i · i + j · j şi se verifică dacă numărul
obţinut este pătrat perfect (linia 6: (⌊ s⌋) = s). Condiţia de la linia 6 se va executa de
n − (i + 1) + 1 = n − i ori.
Deoarece linia 2 se va executa de n − 1 − 2 + 1 = n − 2 ori, valoarea totală reprezentând
numărul de verificări (linia 6) va fi:
n−1 n−1 n−1
X X X n(n − 1)
(n − i) = (n − i) − (n − 1) = i − (n − 1) = −n+1
i=2 i=1 i=1
2
Definiţia 1.4 Timpul de execuţie ı̂n cazul cel mai defavorabil al unui algoritm A este o
funcţie TA : N −→ N unde TA (n) reprezintă numărul maxim de instrucţiuni executate de
către A ı̂n cazul unor date de intrare de dimensiune n.
Definiţia 1.5 Timpul mediu de execuţie al unui algoritm A este o funcţie TAmed : N −→ N
unde TAmed (n) reprezintă numărul mediu de instrucţiuni executate de către A ı̂n cazul unor
date de intrare de dimensiune n.
Fiind dată o problemă P , o funcţie T (n) se spune că este o margine superioară dacă există
un algoritm A ce rezolvă problema P iar timpul de execuţie ı̂n cazul cel mai defavorabil al
algoritmului A este cel mult T (n).
Fiind dată o problemă P , o funcţie T (n) se spune că este o margine pentru cazul mediu
dacă există un algoritm A ce rezolvă problema P iar timpul mediu de execuţie al algoritmului
A este cel mult T (n).
Fiind dată o problemă P , o funcţie T (n) se spune că este o margine inferioară dacă orice
algoritm A ce rezolvă problema P va avea cel puţin un timp T (n) pentru unele date de intrare
de dimensiune n, atunci când n tinde la infinit (n → ∞).
Definiţia 1.6 Fiind dată o funcţie g : N −→ R vom nota cu O(g(n)) mulţimea: O(g(n)) =
{f (n)| ∃c > 0, n0 ≥ 0 a.ı̂. 0 ≤ f (n) ≤ c · g(n), ∀n ≥ n0 }.
16
Vom spune despre f că nu creşte ı̂n mod sigur mai repede decât funcţia g. Pentru a indica
faptul că o funcţie f (n) este un membru al mulţimii O(g(n)), vom scrie f (n) = O(g(n)), ı̂n
loc de f (n) ∈ O(g(n)).
Definiţia 1.7 Fiind dată o funcţie g : N −→ R vom nota cu Θ(g(n)) mulţimea: Θ(g(n)) =
{f (n)| ∃c1 , c2 > 0, ∃n0 ≥ 0 a.ı̂. 0 ≤ c1 · g(n) ≤ f (n) ≤ c2 · g(n), ∀n ≥ n0 }
Definiţia 1.8 Fiind dată o funcţie g : N −→ R vom nota cu Ω(g(n)) mulţimea: Ω(g(n)) =
{f (n)| ∃c > 0, n0 ≥ 0 a.ı̂. 0 ≤ c · g(n) ≤ f (n), ∀n ≥ n0 }
Teorema 1.14 Pentru orice două funcţii f (n) şi g(n), avem f (n) = Θ(g(n)) ⇐⇒ f (n) =
O(g(n)) şi f (n) = Ω(g(n)).
Definiţia 1.9 Fiind dată o funcţie g : N −→ R vom nota cu o(g(n)) mulţimea: o(g(n)) =
{f (n)| ∀c > 0, ∃n0 > 0 a.ı̂. 0 ≤ f (n) < c · g(n), ∀n ≥ n0 }
f (n)
Observaţia 1.15 f (n) = o(g(n)) ⇐⇒ limn→∞ g(n)
= 0.
Definiţia 1.11 O funcţie f are o creştere exponenţială dacă ∃c > 1 a.i. f (x) = Ω(cx ) şi
∃d a.ı̂. f (x) = O(dx ). O funcţie f este polinomială de gradul d dacă f (n) = Θ(nd ) şi
′
f (n) = O(nd ), ∀d′ ≥ d.
17
Teorema 1.17
c ⇒ g(n) ∈ Θ(f (n)), c > 0
g(n)
lim = 0 ⇒ g(n) ∈ o(f (n)) (1.2)
n→∞ f (n)
∞ ⇒ f (n) ∈ o(g(n))
rezultă că
xn
lim =0 (1.4)
n→∞ n!
• log n ∈ o(n).
1
log x (log x)′ x ln 2
lim = lim = lim =0
x→∞ x x→∞ (x)′ x→∞ 1
Prezentăm ı̂n continuare câteva reguli generale pentru evaluarea complexităţii unui algoritm:
• timpul de execuţie al unei instrucţiuni de atribuire, citire sau afişare a unei variabile
este O(1).
• timpul de execuţie al unei instrucţiuni de decizie (if) este timpul executării instrucţiu-
nilor de pe ramura aleasă plus timpul necesar evaluării condiţiei.
• timpul de execuţie pentru o instrucţiune de ciclare este suma, după numărul de paşi
pe care ı̂i realizează instrucţiunea de ciclare, dintre timpul necesar executării corpului
instrucţiunii plus timpul necesar evaluării condiţiei.
1: for i ← 1, n do
18
2: A(i)
3: end for
Timpul de execuţie pentru secvenţa de cod ce conţine două instrucţiuni de ciclare imbricate
este O(n · m).
Exemplul 1.20 Să considerăm un alt exemplu: se dă un şir PiA de n numere reale, şi se
1
doreşte calcularea elementelor unui şir B astfel ı̂ncât bi = i · j=1 aj , pentru i = 1, n.
1: for i ← 1, n do
2: s←0
3: for j ← 1, i do
4: s ← s + aj
5: end for
6: bi ← si
7: end for
8: return
19
Dacă notăm cu o constantă cx timpul necesar pentru efectuarea unei operaţii atomice,
vom obţine: costul efectuării liniei 1 este c1 · n, al liniei 2 este c2 · n, al liniei 3 este c3 · i, al
liniei 4 este c4 · i, al liniei 6 este c5 · n iar al liniei 8 este c6 .
n
X n
X n
X n
X
T (n) = c1 n + c2 n + c3 i + c4 i + c5 n + c6 = c1 n + c2 n + c3 i + c4 i + c5 n + c6
i=1 i=1 i=1 i=1
n(n + 1)
= (c3 + c4 ) + n(c1 + c2 + c5 ) + c6
2
1 1
= (c3 + c4 )n2 + (c3 + c4)n + n(c1 + c2 + c5 ) + c6
2 2
1 1
= (c3 + c4 )n2 + [ (c3 + c4 ) + c1 + c2 + c5 ]n + c6 = n2 · p + n · q + c6
2 2
De obicei nu se efectuează o analiză atât de detaliată a algoritmului, dar se ı̂ncearcă o eval-
uare a blocurilor principale, cum ar fi instrucţiunile de ciclare, atribuindu-le direct valori
corespunzătoare complexităţii timp, atunci când este posibil:
Vom modifica algoritmul anterior astfel ı̂ncât să reducem numărul de calcule efectuate:
1: s←0
2: for i ← 1, n do
3: s ← s + ai
4: bi ← si
5: end for
6: return
Pentru această variantă de lucru, complexitatea timp este următoarea:
În urma analizei de complexitate, putem concluziona faptul că cea de-a doua variantă a
algoritmului rulează ı̂ntr-un timp liniar.
Vom presupune că soluţia acestei relaţii de recurenţă este T (n) = O(n log n) (notăm
log2 n = log n). Folosind metoda inducţiei matematice, vom ı̂ncerca să demonstrăm inegali-
tatea:
T (n) ≤ cn log n. (1.9)
Presupunem, mai ı̂ntâi, că inecuaţia (1.9) are loc pentru ∀k < n, inclusiv pentru n2 , adică
T ( n2 ) ≤ c · n2 · log ( n2 ).
20
Vom demonstra că inecuaţia (1.9) este ı̂ndeplinită şi pentru n: T (n) = 2T ( n2 ) + n.
n n n
T (n) ≤ 2(c log ) + n = cn log + n
2 2 2
= cn log n − cn log 2 + n = cn log n − cn + n (1.10)
≤ cn log n
Metoda inducţiei matematice presupune să arătăm că soluţia respectă şi cazurile particulare
(T (1) = 1). Pentru n = 1 vom avea T (1) = c · 1 · log 1 = 0 ceea ce contrazice relaţia T (1) = 1.
Această situaţie poate fi rezolvată dacă considerăm că T (n) = cn log n, ∀n ≥ n0 (n0 este
o constantă).
Din T (2) = 4 şi T (3) = 5 vom alege valoarea parametrului c astfel ı̂ncât să fie ı̂ndeplinite
inegalităţile T (2) ≤ 2c log 2 şi T (3) ≤ 3c log 3. Se observă că orice valoare a lui c ≥ 2 satisface
inegalităţile anterioare.
Notăm cu S(m) = T (2m ) şi ı̂nlocuind ı̂n (1.11), obţinem o nouă relaţie de recurenţă:
m
S(m) = 2S( )+m (1.12)
2
Se observă că această relaţie are o formă similară cu cea din formula (1.8).
Soluţia relaţiei (1.12) este:
S(m) = O(m log m) ⇒ T (n) = T (2m ) = S(m) = O(m log m) = O(log n log log n) (1.13)
n
Înlocuind succesiv pe n cu 2
vom obţine următoarea serie de identităţi:
n
T (n) = 2T ( ) + n
2
n n n
= 2(2T ( ) + ) + n = 4T ( ) + 2n
2 2 4
n n n (1.17)
= 4(2T ( ) + ) + 2n = 8T ( ) + 3n
8 4 8
...
n
= 2k T ( k ) + kn
2
n
Deoarece substituţia se opreşte atunci când 2k
= 1, adică pentru k = log n, vom avea:
Teorema 1.21 (Teorema master) [30] Fie a ≥ 1 şi b > 1 două constante, f (n) o funcţie
asimptotic pozitivă, şi T (n) definită de relaţia de recurenţa T (n) = aT ( nb ) + f (n), unde nb va
fi ⌊ nb ⌋ sau ⌈ nb ⌉.
Atunci T (n) este mărginită asimptotic după cum urmează:
1. dacă f (n) = O(nlogb a−ǫ ) pentru o constantă ǫ > 0, atunci T (n) = Θ(nlogb a );
2. dacă f (n) = Θ(nlogb a logk n), atunci T (n) = Θ(nlogb a logk+1 n) (de obicei k = 0);
3. dacă f (n) = Ω(nlogb a+ǫ ) pentru o constantă ǫ > 0, şi dacă af ( nb ) ≤ cf (n) pentru o
constantă c < 1 şi oricare număr n suficient de mare, atunci T (n) = Θ(f (n)).
Corolarul 1.22 Pentru o funcţie f de tip polinomial unde f (n) = cnk avem:
22
3. dacă a < bk atunci T (n) = O(nk ).
p0 p1 p2 p3 p4 p5 p6
9 6 3 4 2 5 7
d0 d1 d2 d3 d4 d5 d6
1 1 1 2 1 4 6
23
Algoritmul 11 calculează deschiderea unei acţiuni pentru un interval mai lung de timp pe
baza evoluţiei preţurilor acesteia. Timpul de execuţie al acestui algoritm este O(n2 ).
Vom prezenta un alt mod de calcul al deschiderii unei acţiuni folosind o stivă (a se vedea
algoritmul 12).
Stiva este o structură de date de tip container deoarece ea depozitează elemente de un
anumit tip. Pentru a putea să operăm asupra unei colecţii de elemente păstrate ı̂ntr-o stivă,
se definesc următoarele operaţii, ı̂n afară de operaţiile fundamentale push şi pop:
• pop(): object - elimină şi ı̂ntoarce obiectul din vârful stivei; dacă stiva este goală
avem o situaţie ce generează o excepţie.
• peek(): object - ı̂ntoarce valoarea obiectului din vârful stivei fără a-l extrage.
24
1.4 Exerciţii
1. (a) Să se determine dacă un număr natural este simetric sau nu.
(b) Să se determine toate cifrele distincte dintr-un număr natural.
(c) Să se determine reprezentarea ı̂n baza 2 a unui număr natural.
(d) Să se determine forma corespunzătoare ı̂n baza 10 a unui număr reprezentat ı̂n
baza 2.
(e) Să se elimine dintr–un număr natural toate cifrele de forma 3k + 1 şi să se afişeze
numărul rezultat.
(f) Pentru un număr natural dat să se construiască din cifrele acestuia cel mai mare
număr prin amplasarea mai ı̂ntâi a cifrelor impare şi apoi a cifrelor pare.
3. Să se determine toate numerele naturale n (1 ≤ n ≤ 106 ) cu proprietatea că atât n cât
şi oglinditul său sunt numere prime.
4. Pentru o secvenţă de numere naturale de lungime n, să se realizeze un algoritm care să
determine cea mai lungă subsecvenţă de elemente consecutive având aceeaşi valoare.
5. Să se realizeze un algoritm care să determine primele n numere prime, pentru un număr
natural n dat.
25
Algoritm 13 Algoritm pentru descompunerea ı̂n factori primi a unui număr natural
1: Input {n}
2: j←2
3: while (j ≤ n) do
4: if (n mod j = 0) then
5: k←0
6: while (n mod j = 0) do
7: k ←k+1
8: n ← n div j
9: end while
10: Output {j k }
11: end if
12: j ← j +1
13: end while
(a) T (n) = 2T ( n2 ) + n
log n
;
(b) T (n) = 16T ( n4 ) + n!;
√
(c) T (n) = 3T ( n3 ) + n;
(d) T (n) = 3T ( n3 ) + n2 .
26
11. Să se rezolve următoarele ecuaţii recurente:
• T (n) = 2 · T ( n2 ) + n lg n, n = 2k ;
• T (n) = 3 · T ( n2 ) + c · n, n = 2k > 1.
14. Să se determine primele n elemente ale şirurilor ak şi bk date prin următoarele relaţii
de recurenţă:
5ak + 3 ak + 3
ak+1 = , bk = , k ≥ 0, a0 = 1. (1.22)
ak + 3 ak + 1
15. Să se verifice dacă următoarele afirmaţii sunt adevărate:
(a) n2 ∈ O(n3 );
(b) n3 ∈ O(n2 );
(c) 2n+1 ∈ O(2n );
(d) (n + 1)! ∈ O(n!);
(e) ∀f : N −→ R∗ , f ∈ O(n) ⇒ f 2 ∈ O(n2 );
(f) ∀f : N −→ R∗ , f ∈ O(n) ⇒ 2f ∈ O(2n ).
27
Capitolul 2
|V | se numeşte ordinul grafului G şi reprezintă numărul vârfurilor acestuia, iar |E| se
numeşte dimensiunea grafului G şi reprezintă numărul muchiilor/ arcelor grafului G.
Graful Φ = (∅, ∅) se numeşte graful vid.
Dacă ı̂ntr-o pereche [xk , xl ] nu ţinem cont de ordine atunci graful este neorientat iar
perechea reprezintă o muchie ([xk , xl ] = [xl , xk ]). Dacă se introduce un sens fiecărei muchii
atunci aceasta devine arc iar graful se numeşte orientat ([xk , xl ] 6= [xl , xk ]). Muchiile ce au
aceleaşi vârfuri se spune că sunt paralele. O muchie de forma [u, u] se numeşte buclă.
Un graf G se numeşte simplu dacă oricare două vârfuri ale sale sunt extremităţi pentru
cel mult o muchie. Un graf este finit dacă mulţimile V şi E sunt finite.
În continuare vom considera un graf neorientat, simplu şi finit. Dacă [x, y] ∈ E vom
spune că x şi y sunt adiacente, iar muchia [x, y] este incidentă cu vârfurile x şi y. x şi y se
28
mai numesc capetele muchiei. Două muchii sunt adiacente dacă au un vârf comun. Un graf
este trivial dacă are un singur vârf. Dacă E = ∅ atunci graful G = (V, E) se numeşte graf
nul.
Observaţia 2.1 Un graf neorientat, simplu, finit poate fi utilizat drept model de reprezentare
al unei relaţii simetrice peste o mulţime.
Definiţia 2.2 Se numeşte graf complet de ordinul n, şi se notează cu Kn , un graf cu pro-
prietatea că oricare două vârfuri distincte ale sale sunt adiacente (∀x ∈ V, y ∈ V, x 6= y ⇒
[x, y] ∈ E).
a) G = (V, E), V = {1, 2, 3, 4, 5, 6}, E = {[1, 2], [1, 5], [2, 3], [2, 6], [3, 4], [4, 5], [5, 6]} (vezi
figura 2.1 a));
b) K5 este graful complet cu 5 vârfuri. Vârfurile 3 şi 5 sunt adiacente (vezi figura 2.1 b)).
Fig. 2.2: a) Un exemplu de graf neorientat cu 5 vârfuri. b) Subgraf al grafului din figura 2.1 b). c) Graf
parţial al grafului din figura 2.1 b).
Definiţia 2.3 Un graf parţial al unui graf dat G = (V, E) este un graf G1 = (V, E1 ) unde
E1 ⊆ E.
Definiţia 2.4 Un subgraf al unui graf G = (V, E) este un graf H = (V1 , E1 ) unde V1 ⊂ V
iar muchiile din E1 sunt toate muchiile din E care au ambele extremităţi ı̂n mulţimea V1
(E1 = E|V1 ×V1 = {[x, y]|[x, y] ∈ E, x, y ∈ V1 }).
Se spune că graful H este indus sau generat de submulţimea de vârfuri V1 şi se notează
H = G|V1 sau H = [V1 ]G .
Iată alte câteva notaţii des ı̂ntâlnite:
- G − x = subgraful G − {x};
29
- G − E1 =< E \ E1 >G ;
Exemplul 2.3 Graful parţial din figura 2.2 c) se obţine din graful 2.1 b) prin ştergerea
muchiilor [2, 4], [2, 5], [3, 5], [4, 5]. Subgraful din figura 2.2 b) este indus de mulţimea V1 =
{1, 3, 4, 5} din graful complet K5 (H = K5 |V1 ).
Definiţia 2.5 Gradul unui vârf este egal cu numărul muchiilor incidente cu vârful x şi se
notează cu d(x) (d(x) = |{[x, u]|[x, u] ∈ E, u ∈ V }|). Un vârf cu gradul 0 (d(x) = 0) se
numeşte vârf izolat.
Exemplul 2.4 Graful lui Petersen din figura 2.3 este un exemplu de graf trivalent sau cubic
(toate vârfurile grafului au acelaşi grad, 3).
Propoziţia 2.5 Pentru un graf G = (V, E), V = {x1 , x2 , . . . , xn }, |E| = m, avem următoarea
relaţie:
Xn
d(xk ) = 2m. (2.1)
k=1
Astfel ı̂n orice graf G există un număr par de vârfuri al căror grad este un număr impar.
Corolarul 2.6 Pentru ca o secvenţă de numere naturale d1 , d2 , . . . , dn să fie secvenţă grafică,
este necesar ca:
1. ∀k = 1, n, dk ≤ n − 1;
Pn
2. k=1 dk este un număr par.
30
Dacă vârfurile v0 , v1 , . . . , vm sunt distincte două câte două, lanţul se numeşte elementar
(vi 6= vj , ∀i, j = 0, m).
Definiţia 2.9 Se numeşte ciclu hamiltonian un ciclu elementar ce trece prin toate vârfurile
grafului. Un graf ce admite un ciclu hamiltonian se numeşte graf Hamilton sau graf
hamiltonian.
Definiţia 2.10 Un lanţ L ce conţine fiecare muchie exact o singură dată se numeşte lanţ
eulerian. Dacă v0 = vm şi lanţul este eulerian atunci ciclul se numeşte ciclu eulerian.
Un graf ce conţine un ciclu eulerian se numeşte graf eulerian.
Exemplul 2.7 [1, 2, 3, 1, 4] este un exemplu de lanţ ı̂n graful din figura 2.2 c). Vârfurile 1
şi 4 sunt extremităţile lanţului. Lanţul nu este elementar deoarece vârful 1 se ı̂ntâlneşte de
două ori, ı̂n schimb [1, 2, 3, 4, 1] este un ciclu elementar.
[3, 4, 5, 1, 2, 3] este un ciclu hamiltonian ı̂n graful din figura 2.2 a). [4, 5, 1, 2, 4, 3] este un
lanţ eulerian, precum şi [2, 4, 3, 2, 1, 5, 4]. În acest graf nu există nici un ciclu eulerian.
Definiţia 2.11 Un graf se numeşte conex dacă pentru orice pereche de vârfuri x şi y există
un lanţ de la x la y (∀x, y ∈ V, ∃x y).
Se numeşte componentă conexă un subgraf conex maximal, adică un subgraf conex ı̂n
care nici un vârf din subgraf nu este adiacent cu unul din afara lui prin intermediul unei
muchii aparţinând grafului iniţial.
Definiţia 2.12 O muchie e ∈ E se numeşte muchie critică dacă prin eliminarea acesteia
o componentă conexă se ı̂mparte ı̂n două sau mai multe componente conexe.
Exemplul 2.8 Graful din figura 2.4 are două componente conexe: {1, 2, 3, 4, 5, 6} şi {7, 8, 9}.
Muchia [2, 5] este muchie critică.
Definiţia 2.13 Un graf planar este un graf ce poate fi reprezentat ı̂n plan astfel ı̂ncât
muchiile sale să nu se intersecteze două câte două.
Definiţia 2.14 Un graf G = (V, E) se numeşte graf bipartit dacă există o partiţie a
mulţimii nodurilor {V1 , V2 } (V = V1 ∪V2 , V1 ∩V2 = ∅, V1 , V2 6= ∅) astfel ı̂ncât orice muchie din
E va avea o extremitate ı̂n mulţimea V1 şi cealaltă extremitate ı̂n mulţimea V2 (∀[x, y] ∈ E
avem x ∈ V1 şi y ∈ V2 ).
31
Propoziţia 2.9 Un graf este bipartit dacă şi numai dacă nu conţine cicluri de lungime
impară.
Exemplul 2.10 În figura 2.5 a) este ilustrat un graf bipartit (V1 = {1, 2, 3}, V2 = {4, 5}),
iar ı̂n cazul b) avem un graf bipartit complet, K2,3 .
Definiţia 2.17 Un graf etichetat este un graf ı̂n care fiecare muchie şi vârf poate avea
asociată o etichetă.
Vom prezenta ı̂n continuare câteva operaţii dintre cele mai ı̂ntâlnite ce se pot efectua
asupra unui graf oarecare:
• fiind dat un nod se cere lista vecinilor săi. Această operaţie este cea mai utilizată pentru
o serie ı̂ntreagă de algoritmi pe grafuri;
• fiind dată o pereche de noduri {u, v} se cere să se determine dacă aceasta constituie o
muchie sau un arc al grafului;
• translatarea dintr–un mod de reprezentare ı̂n altul. De foarte multe ori modul de
reprezentare sub forma căruia au fost introduse datele, diferă de modul de reprezentare
optim recomandat pentru un anumit algoritm. În această situaţie este indicată trans-
formarea primului mod de reprezentare ı̂n modul de reprezentare optim;
• fiind dată o muchie sau un nod se cere o informaţie asociată acestui element: de exemplu
lungimea muchiei sau distanţa de la sursă la nodul specificat.
32
2.2 Operaţii pe grafuri
1. Complementarul grafului G = (V, E) se defineşte astfel: este graful Gc = (V c , E c ), unde
V c = V şi E c = {[x, y]|x, y ∈ V, [x, y] ∈
/ E}. Altfel spus E c = (V × V ) \ E.
În figura 2.6 b) este reprezentat graful complementar Gc al grafului G = (V, E), din
figura 2.6 a) (V = {1, 2, 3, 4, 5}, E = {[1, 2], [1, 5], [2, 3], [3, 4], [4, 5]}). Conform definiţiei
Gc = (V c , E c ) unde V c = V şi E c = {[1, 3], [1, 4], [2, 4], [2, 5], [3, 5]}.
2. Graful obţinut din G = (V, E) prin inserţia unui vârf v ∈ / V pe o muchie [x, y] ∈ E
este graful Gi = (V i , E i ) unde V i = V ∪ {v}, E i = (E \ {[x, y]}) ∪ {[x, v], [v, y]}.
Considerând graful din figura 2.6 a), prin inserţia vârfului 6 pe muchia [1, 5] se obţine
graful din figura 2.7 a).
3. Graful obţinut din G = (V, E) prin contracţia unei muchii u = [x, y] la un vârf t este
graful Gct = (V ct , E ct ), unde V ct = (V \ {x, y}) ∪ {t}.
Fig. 2.7: a) Graful obţinut prin inserarea vârfului 6 ı̂n graful din figura 2.6 a). b) Graful obţinut prin
contracţia muchiei [3, 4] ı̂n graful din figura 2.6 a).
În figura 2.7 b) este reprezentat graful obţinut prin contracţia muchiei [3, 4] din graful
G = (V, E) (vezi figura 2.6 a)).
4. Se numeşte graf reprezentativ al muchiilor unui graf G = (V, E), graful GR = (VR , ER )
ı̂n care |VR | = |E| şi ER = {[e, f ]|e, f ∈ E adiacente} (vezi figura 2.8).
5. Definim graful total al unui graf G = (V, E) ca fiind graful GT = (VT , ET ) unde VT =
V ∪ E şi ET = {[u, v]|u, v ∈ V ∪ E iar u şi v sunt adiacente sau incidente ı̂n G}.
33
Fig. 2.8: Figura b) prezintă graful reprezentativ al muchiilor grafului din figura a).
Fig. 2.9: a) Un exemplu de graf neorientat. b) Graful total al grafului din figura a).
Graful total GT = (VT , ET ), unde VT = {1, 2, 3, 4, v1, v2 , v3 , v4 }, şi E = {[1, 2], [1, 4],
[2, 3], [3, 4], [v1, v2 ], [v1 , v4 ], [v2 , v3 ], [v3 , v4 ], [v1 , 1], [v1 , 2], [v2 , 2], [v2 , 3], [v3 , 3], [v3 , 4], [v4 , 4], [v4 , 1]},
corespunde grafului G = (V, E), V = {1, 2, 3, 4}, E = {[1, 2], [1, 4], [2, 3], [3, 4]} (vezi
figura 2.9).
34
Fig. 2.10: a) Două grafuri neorientate, G1 şi G2 . b) Grafurile complementare Gc1 şi Gc2 . c) Reuniunea
grafurilor Gc1 şi Gc2 . d) Graful complementar al grafului reuniune (Gc1 ∪ Gc2 )c .
Fie G1 = (V1 , E1 ) unde V1 = {u1 , v1 } şi E1 = {[u1 , v1 ]}, şi G2 = (V2 , E2 ), unde V2 =
{u2, v2 , w2 } şi E2 = {[u2 , v2 ], [v2 , w2]}, două grafuri neorientate. Atunci graful produs
cartezian al grafurilor G1 şi G2 este G1 × G2 = (V × , E × ) unde:
V × = {(u1 , u2 ), (u1, v2 ), (u1, w2 ), (v1 , u2 ), (v1 , v2 ), (v1 , w2 )}, şi
E × = {[(u1 , u2), (v1 , u2)], [(u1 , u2 ), (u1, v2 )], [(u1 , v2 ), (v1 , v2 )], [(u1 , v2 ), (u1, w2 )],
[(u1 , w2), (v1 , w2 )], [(v1 , u2 ), (v1 , v2 )], [(v1 , v2 ), (v1 , w2 )]} (vezi figura 2.11).
35
Fig. 2.12: Graful rezultat ı̂n urma compunerii grafurilor G1 şi G2 din figura 2.11
Observaţia 2.11 Pentru un graf neorientat această matrice este simetrică (ai,j = aj,i).
Exemplul 2.12 Matricea de adiacenţă A corespunzătoare grafului din figura 2.13 este:
0 1 1 1 0 0 0 0
1 0 0 0 1 0 0 0
1 0 0 0 1 0 0 0
1 0 0 0 0 1 0 0
A=
0
1 1 0 0 0 1 0
0 0 0 1 0 0 1 1
0 0 0 0 1 1 0 0
0 0 0 0 0 1 0 0
36
Fig. 2.14: Un exemplu de graf neorientat ponderat
Exemplul 2.13 Matricea costurilor corespunzătoare grafului din figura 2.14 are următoarele
valori:
0 35 7 20 ∞ ∞ ∞ ∞
35
0 ∞ ∞ 50 ∞ ∞ ∞
7
∞ 0 ∞ 22 ∞ ∞ ∞
20 ∞ ∞ 0 ∞ 15 ∞ ∞
C=
∞
50 22 ∞ 0 ∞ 44 ∞
∞ ∞ ∞ 15 ∞ 0 10 27
∞ ∞ ∞ ∞ 44 10 0 ∞
∞ ∞ ∞ ∞ ∞ 27 ∞ 0
Observaţia 2.14 Notaţia (2.2) este folosită ı̂n aplicaţii ı̂n care se operează cu drumuri
de lungime minimă iar notaţia (2.3) este folosită ı̂n aplicaţii ı̂n care se operează cu
drumuri de lungime maximă ı̂ntre două noduri.
Matricea costurilor va ocupa un spaţiu de memorie mai mare decât cel ocupat de
matricea de adiacenţă: pentru reprezentarea unui element al matricii de adiacenţă este
suficient un bit, pe când pentru reprezentarea unui element al matricii costurilor se
foloseşte un byte, un ı̂ntreg (lung) sau un număr real, ı̂n funcţie de valoarea maximă pe
care o poate lua d.
37
Observaţia 2.15 Matricea costurilor pentru un graf neorientat este simetrică.
3. Liste de adiacenţă - pentru fiecare nod se reţine lista tuturor nodurilor sale adiacente.
Mai exact, unui nod xk se ataşează lista tuturor vecinilor săi.
Această reprezentare se pretează mai bine pentru grafuri cu un număr mare de noduri şi
un număr mic de muchii (graf rar ). În cazul unui graf neorientat, numărul elementelor
din listele de adiacenţă este 2 · |E|, deoarece o muchie [u, v] va fi prezentă de două ori,
atât ı̂n lista de adiacenţă a nodului u cât şi ı̂n lista de adiacenţă a nodului v.
Exemplul 2.16 Listele de adiacenţă pentru graful din figura 2.13 sunt:
1: (2, 3, 4) 5: (2, 3, 7)
2: (1, 5) 6: (4, 7, 8)
3: (1, 5) 7: (5, 6)
4: (1, 6) 8: (6)
Aceste liste de adiacenţă (sau liste de vecini) pot fi reprezentate, ca structuri de date,
prin intermediul tablourilor sau prin intermediul listelor simplu sau dublu ı̂nlănţuite.
Pentru reprezentarea ce utilizează tablouri, se vor defini două tablouri notate Cap şi
List (Cap ∈ M1×n (N), List ∈ M2×2m (N), n = |V |, m = |E|) unde:
0 , dacă nodul respectiv nu are vecini
Capk = j , unde j indică numărul coloanei din matricea List unde se află memorat
primul vecin al vârfului xk .
Exemplul 2.17 Pentru exemplul din figura 2.13 avem următoarea configuraţie pentru
cei doi vectori consideraţi, Cap şi List:
Nod 1 2 3 4 5 6 7 8
Cap 1 4 6 8 10 13 16 18
2 3 4 1 5 1 5 1 6 2 3 7 4 7 8 5 6 6
List =
2 3 0 5 0 7 0 9 0 11 12 0 14 15 0 17 0 0
De exemplu, ı̂n limbajul C putem defini următoarele structuri de date, având rolul de a
ne ajuta la menţinerea ı̂n memorie a listelor de adiacenţă ale unui graf oarecare folosind
liste liniare simplu ı̂nlănţuite (a se vedea figura 2.15):
38
1 2 3 4 NULL
2 1 5 NULL
3 1 5 NULL
4 1 6 NULL
5 2 3 7 NULL
6 4 7 8 NULL
7 5 6 NULL
8 6 NULL
• reprezentarea folosind matricile Cap şi List - putem presupune că n, m ≤ 65535
adică sunt suficienţi 2 octeţi pentru reprezentarea acestor numere ı̂n memorie
(216 − 1 = 65535). În această situaţie, cantitatea de memorie necesară pentru
matricea Cap este 2n octeţi, iar pentru matricea List este 8m octeţi. Astfel
complexitatea-spaţiu este O(n + m).
• reprezentarea folosind pointeri - presupunem că folosim 2 octeţi pentru informaţia
utilă şi 2 octeţi pentru informaţia de legătură. Numărul de octeţi folosiţi pentru
reprezentarea unui pointer ı̂n limbajul C poate depinde de modelul de memorie
ales (de exemplu small, huge etc.) sau de dimensiunea instrucţiunilor (pe 16, 32
sau 64 de biţi).
Să presupunem că se utilizează 2n octeţi pentru vectorul ce conţine adresele primu-
lui element (capul) al fiecărei liste de vecini, şi 8m octeţi pentru ı̂nregistrările
listelor de vecini.
Din această cantitate de memorie, 4m reprezintă informaţie utilă (indicii vecinilor),
iar 2n + 4m informaţie auxiliară (pointeri).
4. Lista de muchii - ı̂ntr-o structură de date se păstrează lista tuturor muchiilor grafului,
practic, pentru fiecare muchie fiind memorate valorile indicilor nodurilor-extremităţi
ale acesteia. Aceasta constituie cea mai simplă modalitate de reprezentare a unui graf.
39
Operaţia de adăugare a unui nod sau a unei muchii se realizează ı̂ntr-un timp constant,
alte operaţii fiind mai costisitoare: de exemplu, determinarea listei de vecini a unui nod
necesită un timp Ω(m).
Exemplul 2.18 Pentru păstrarea ı̂n memorie se poate folosi o matrice M cu două linii
şi |E| coloane (M ∈ M2×|E|(N)), unde:
M1,k - indicele vârfului ce reprezintă prima extremitate a muchiei k;
M2,k - indicele vârfului ce reprezintă cea de-a doua extremitate a muchiei k.
1 1 1 2 3 4 5 6 6
M=
2 3 4 5 5 6 7 7 8
Complexitatea timp pentru diverse operaţii efectuate asupra fiecăruia dintre structurile
de date utilizate de modurile de reprezentare amintite se poate sintetiza astfel:
Pentru graful considerat ı̂n figura 2.13 ordinea de parcurgere este următoarea: 1, 2, 3, 4,
5, 6, 7, 8. Dacă considerăm muchiile folosite ı̂n timpul parcurgerilor (muchiile prin intermediul
cărora s-a ı̂naintat ı̂n graf) se obţine un arbore/pădure de parcurgere/vizitare/acoperire. În
figura 2.16 este reprezentat arborele de acoperire ı̂n lăţime rezultat ı̂n urma parcurgerii gra-
fului din exemplu.
Algoritmul de parcurgere utilizează o structură de date de tip coadă ı̂n care vor fi memo-
rate nodurile vizitate, dar care nu au fost ı̂ncă prelucrate (nu au fost cercetaţi vecinii lor).
Reamintim că numărul de noduri din mulţimea V este n. Vectorul vizitat păstrează situaţia
vizitării nodurilor
( grafului G, astfel:
1 , dacă nodul k a fost vizitat
vizitatk =
0 , dacă nodul k nu a fost vizitat.
Implementarea ı̂n limbajul C a algoritmului 16 este următoarea:
40
Fig. 2.16: Arbore de acoperire ı̂n lăţime
i nt n ; // Numarul de n o d u r i d i n g r a f
char v e c i n [MAXN] [MAXN] ; // M a t r i c e a de a d i a c e n t a
i nt coada [MAXN] ; // S t r u c t u r a de da te c e p a s t r e a z a e l e m e n t e l e c o z i i
i nt f i r s t ; // I n d i c e l e p r i m u l u i element d i n coada
i nt l a s t ; // I n d i c e l e u l t i m u l u i element d i n coada
41
i nt v i d a ; // P a s t r e a z a s t a r e a c o z i i
/∗ ∗
∗ Initializarea cozii circulare .
∗/
void i n i t Q u e u e ( void ) {
v i d a = TRUE;
f i r s t = 0;
l a s t = MAXN;
}
/∗ ∗
∗ I n t o a r c e pentr u p o z i t i a k , ur ma to a r ea p o z i t i e d i n coada .
∗/
i nt next ( i nt k ) {
return ( k + 1 ) % MAXN;
}
/∗ ∗
∗ I n s e r e a z a e l e m e n t u l a c a r u i v a l o a r e e s t e p a s t r a t a i n v a r i a b i l a v i n coada .
∗/
void enQueue ( i nt v ) {
l a s t = next ( l a s t ) ;
coada [ l a s t ] = v ;
i f ( vida )
v i d a = FALSE ;
}
/∗ ∗
∗ E xtr a g e un element d i n coada .
∗/
i nt deQueue ( void ) {
i nt v = coada [ f i r s t ] ;
f i r s t = next ( f i r s t ) ;
i f ( f i r s t == next ( l a s t ) )
v i d a = TRUE;
return v ;
}
/∗ ∗
∗ P a r cur g e i n l a t i m e g r a f u l po r nind de l a no dul de s t a r t k .
∗/
void b f s ( i nt k ) {
i nt i ;
char v i z i t a t [MAXN] ;
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
vizitat [ k] = 1;
enQueue ( k ) ;
p r i n t f ( ”%d ” , k ) ;
while ( ! v i d a ) {
k = deQueue ( ) ;
for ( i = 0 ; i < n ; i ++)
i f ( ( v i z i t a t [ i ] == 0 ) && ( v e c i n [ k ] [ i ] == 1 ) ) {
vizitat [ i ] = 1;
enQueue ( i ) ;
p r i n t f ( ”%d ” , i ) ;
}
}
42
}
/∗ ∗
∗ Se c i t e s c numarul de n o d u r i precum s i m a t r i c e a de a d i a c e n t a .
∗/
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” ,&n ) ;
for ( i = 0 ; i < n − 1 ; i ++)
for ( j = i + 1 ; j < n ; j ++) {
p r i n t f ( ” a[%d,%d ] = ” , i , j ) ;
s c a n f ( ”%d” , &v e c i n [ i ] [ j ] ) ;
vecin [ j ] [ i ] = vecin [ i ] [ j ] ;
}
}
• În exemplul anterior, funcţia de citire readInput() este una foarte simplă: se citeşte
mai ı̂ntâi numărul de noduri al grafului, iar apoi, se citesc elementele matricei de
adiacenţă a grafului. Variabilele n şi vecin sunt declarate drept variabile globale.
Deoarece matricea vecin este simetrică, pentru a reduce numărul de citiri, se vor
solicita numai valorile aflate deasupra diagonalei principale:
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” ,&n ) ;
for ( i = 0 ; i < n − 1 ; i ++)
for ( j = i + 1 ; j < n ; j ++) {
p r i n t f ( ” a[%d,%d ] = ” , i , j ) ;
s c a n f ( ”%d” , &v e c i n [ i ] [ j ] ) ;
vecin [ j ] [ i ] = vecin [ i ] [ j ] ;
}
}
• Funcţia memset() este o funcţie de bibliotecă a cărei declaraţie poate fi găsită ı̂n header-
ele mem.h şi string.h la Borland C sau memory.h şi string.h la Visual C++ 2010 1.
Funcţia respectivă prezintă următoarea semnătură2
void *memset(void *dest, int c, size t count);
şi are rolul de a iniţializa cu valoarea c primii count octeţi din zona de memorie ce
ı̂ncepe de la adresa identificată de pointerul dest.
• vida este o variabilă globală ce ia valoarea true atunci când coada nu conţine nici un
element, sau valoarea false ı̂n caz contrar.
1
http://msdn.microsoft.com/en-us/library/1fdeehz6.aspx
2
http://en.wikibooks.org/wiki/C_Programming/Strings#The_memset_function
43
• Structura de date abstractă de tip coadă este implementată static sub forma unei cozi
circulare.
• Subrutina vizitare(), ı̂n principiu, afişează valoarea etichetei nodului trimis ca argu-
ment, ı̂nsă poate efectua şi alte prelucrări necesare asupra nodului curent, ı̂n funcţie de
cerinţele specifice ale algoritmului.
• la pasul următor se consideră ultimul nod vizitat v şi se ı̂ncearcă vizitarea vecinilor ı̂ncă
nevizitaţi ai acestuia. Dacă nodul v nu mai are vecini nevizitaţi, se continuă procesul
de parcurgere cu nodul ce a fost vizitat exact ı̂naintea nodului v, etc.
Metoda de parcurgere D este o combinaţie ı̂ntre metoda de parcurgere ı̂n lăţime (a se
vedea secţiunea 2.4.1) şi metoda de parcurgere ı̂n adâncime (a se vedea secţiunea 2.4.3).
Pentru un nod, se vizitează toţi vecinii ı̂ncă nevizitaţi ai acestuia, ı̂nsă spre deosebire de
metoda de parcurgere ı̂n lăţime unde ordinea ı̂n care au fost vizitate nodurile se păstrează şi
la parcurgere, la metoda de parcurgere D se prelucrează mereu ultimul nod vizitat.
Pentru aceasta, ı̂n algoritmul BFS se ı̂nlocuieşte structura de date de tip coadă, cu o
structură de date de tip stivă şi se obţine algoritmul D (a se vedea algoritmul 17).
În figura 2.17 poate fi urmărit arborele de acoperire pentru parcurgerea D a grafului G
prezentat ı̂n figura 2.13.
44
Algoritm 17 Algoritm de vizitare D
1: procedure D(k, n, V ecin)
2: for i ← 1, n do
3: vizitati ← 0
4: end for
5: vizitatk ← 1 ⊲ marcarea nodului curent ca fiind vizitat
6: S⇐k ⊲ inserarea nodului curent k ı̂n stivă
7: call V izitare(k) ⊲ vizitarea nodului curent
8: while (S 6= ∅) do
9: S⇒k ⊲ extragerea nodului curent din stivă
10: for j ← 1, n do
11: if ((vizitatj = 0) ∧ (vecink,j = 1)) then ⊲ se cauta un vecin nevizitat
12: vizitatj ← 1 ⊲ marcarea nodului j ca fiind vizitat
13: S⇐j ⊲ inserarea nodului j in stivă
14: call V izitare(j) ⊲ vizitarea nodului j
15: end if
16: end for
17: end while
18: end procedure
• se caută primul vecin, ı̂ncă nevizitat, al primului vecin nevizitat al nodului de start,
ş.a.m.d.;
• se merge ı̂n adâncime până când se ajunge la un vârf ce nu are vecini, sau pentru care
toţi vecinii săi au fost vizitaţi. În acest caz, se revine ı̂n nodul său părinte (nodul din
care a fost vizitat nodul curent), şi se continuă algoritmul, cu următorul vecin ı̂ncă
nevizitat al nodului curent.
Pentru graful considerat (vezi figura 2.13), ı̂n urma parcurgerii ı̂n adâncime, vom obţine
nodurile ı̂n ordinea următoare: 1, 2, 5, 3, 7, 6, 4, 8 (a se vedea figura 2.18). Dacă ne propunem
să vizităm exact o singură dată toate nodurile unui graf, aplicând algoritmul DFS de câte ori
este nevoie, şi selectăm numai muchiile utilizate ı̂n timpul explorării, rezultă o pădure de
arbori. Fiecare dintre aceşti arbori constituie un arbore de acoperire ı̂n adâncime.
În urma parcurgerii ı̂n adâncime, muchiile unui graf pot fi clasificate ı̂n următoarele ca-
tegorii:
2. muchie de ı̂ntoarcere - muchia [u, v] este o muchie de ı̂ntoarcere dacă dfs(u) apelează
indirect dfs(v) (∃x ∈ V a.ı̂. df s(u) df s(x) df s(v)) sau invers, dfs(v) apelează
indirect dfs(u).
45
Fig. 2.18: Arbore de acoperire ı̂n adâncime
• muchiile [1, 2], [2, 5], [3, 5], [4, 6], [5, 7], [6, 7], [6, 8] sunt muchii ale arborelui de acoperire;
Implementarea algoritmului se poate realiza fie ı̂n variantă recursivă (a se vedea algoritmul
18), fie ı̂n variantă nerecursivă (a se vedea algoritmul 19). În mod asemănător ca şi la
algoritmul de parcurgere ı̂n lăţime, vectorul vizitat gestionează situaţia vizitării nodurilor
grafului G:(
1 , dacă nodul k a fost vizitat
vizitatk =
0 , ı̂n caz contrar.
Subrutina DFS (algoritmul 18) ı̂ncepe cu marcarea nodului curent ca fiind vizitat (vizitatk ←
1) (linia 2) şi apelul procedurii Vizitare() (call Vizitare(k)) (linia 3). Se caută apoi
primul vecin nevizitat i al vârfului curent k (nod ce verifică condiţia (vizitati = 0)∧(vecink,i =
1)) şi se reia secvenţa de operaţii pentru nodul i cu această proprietate, printr-un apel recursiv
(call DFS(i)) (linia 6).
46
Enunţul repetitiv for i ← 1, n (linia 4) poate fi optimizat astfel ı̂ncât să nu se mai
verifice toate vârfurile grafului, ci numai nodurile adiacente cu nodul curent: ı̂n această
situaţie reprezentarea cu liste de adiacenţă este optimă din punct de vedere al numărului de
operaţii efectuate, fiind preferată reprezentării prin matricea de adiacenţă.
Algoritmul 19 utilizează o structură de date de tip stivă S pentru a păstra tot timpul nodul
grafului din care s-a ajuns la nodul curent (tatăl nodului curent din arborele de acoperire ı̂n
adâncime). Secvenţa de instrucţiuni 19.13-19.25 nu este optimă deoarece, de fiecare dată când
se revine la un nod părinte, se verifică ı̂ntreaga mulţime de noduri V pentru a identifica un
vecin nevizitat al nodului curent. În vederea reducerii numărului de verificări, se poate utiliza
reprezentarea prin liste de adiacenţă, şi se salvează pe stivă, pe lângă valoarea nodului curent
k, valoarea vecinului nevizitat găsit al acestuia (să ı̂l notăm cu u), astfel ı̂ncât, la revenire,
să se continue căutarea următorului vecin nevizitat al nodului curent k, pornind de la acest
nod u. Dacă nu mai există nici un vecin nevizitat al vârfului k (linia 10), atunci se revine la
părintele nodului curent, păstrat pe stivă. Algoritmul se opreşte ı̂n cazul ı̂n care stiva este
vidă (atunci când nodul curent este rădăcina arborelui de vizitare ı̂n adâncime).
Am ales ı̂n vederea implementării, varianta recursivă pentru uşurinţa de programare şi
eleganţa ei. Prezentăm ı̂n continuare această implementare a algoritmului 18 ı̂n limbajul C:
47
Listing 2.2: dfsrec.c
#include <s t d i o . h>
#include <mem. h>
/∗ ∗
∗ Se c i t e s c numarul de n o d u r i precum s i m a t r i c e a de a d i a c e n t a .
∗/
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” , &n ) ;
for ( i = 0 ; i < n − 1 ; i ++)
for ( j = i + 1 ; j < n ; j ++) {
p r i n t f ( ” a[%d,%d ] = ” , i , j ) ;
s c a n f ( ”%d” , &v e c i n [ i ] [ j ] ) ;
vecin [ j ] [ i ] = vecin [ i ] [ j ] ;
}
p r i n t f ( ” Nodul i n i t i a l = ” ) ; s c a n f ( ”%d” , &no di ) ;
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
}
/∗ ∗
∗ P a r c u r g e r e a i n adancime po r nind d i n no dul k .
∗/
void d f s ( i nt k ) {
i nt i ;
vizitat [ k] = 1;
p r i n t f ( ”%d ” , k ) ;
for ( i = 0 ; i < n ; i ++)
i f ( v i z i t a t [ i ] == 0 && v e c i n [ k ] [ i ] == 1 )
dfs ( i ) ;
}
48
2.5 Componente conexe
Definim pe mulţimea vârfurilor V a unui graf neorientat G o relaţie ρ ı̂n felul următor: xρy
dacă x = y sau există ı̂n G un lanţ de la x la y.
Se demonstrează foarte uşor că relaţia ρ este o relaţie de echivalenţă (exerciţiu). Se
cunoaşte faptul că o relaţie de echivalenţă determină pe mulţimea pe care este definită o
partiţie. Componentele conexe vor fi elementele acestei partiţii, formate din vârfurile ce sunt
echivalente ı̂ntre ele (conform relaţiei de echivalenţă).
Cu alte cuvinte, există o partiţie a mulţimii vârfurilor V
m
[
V = Vi , Vi ∩ Vj = ∅, ∀i, j = 1, m, i 6= j (2.4)
i=1
astfel ı̂ncât fiecare graf Gi = (Vi , Ei ), ∀i = 1, m, este conex (Ei = E|Vi ×Vi ).
( ComponenteConexe(n, V ecin)
1: procedure
n - numărul de noduri din graf
Input:
V ecin - matricea de adiacenţă a grafului
2: for i ← 1, n do
3: vizitati ← 0
4: end for
5: cmp conex nr ← 0
6: for i ← 1, n do
7: if (vizitati = 0) then
8: cmp conex nr ← cmp conex nr + 1
9: call DF S(i, n, V ecin) ⊲ determinarea componentei conexe ce conţine nodul i
10: end if
11: end for
12: end procedure
Pentru determinarea componentelor conexe vom utiliza metoda de vizitare ı̂n adâncime a
unui graf. Paşii algoritmului descrişi ı̂n limbaj natural sunt următorii (algoritmul 20 prezintă
descrierea formalizată ı̂n pseudo-cod):
Pas 3. Începând cu acesta se parcurg toate nodurile accesibile şi nevizitate, având grijă să
marcăm vizitarea acestora. Toate aceste noduri formează o componentă conexă.
Pas 4. Dacă mai există noduri nevizitate, se reia procesul de calcul de la pasul 2, altfel procesul
de calcul se ı̂ncheie.
49
2.6 Muchie critică
Reamintim faptul că ı̂ntr-un graf neorientat G = (V, E), o muchie critică este acea muchie
care prin eliminarea ei conduce la creşterea numărului de componente conexe ale grafului.
Se cere să se determine toate muchiile critice ale unui graf dat. În continuare sunt prezen-
tate două variante de rezolvare.
Soluţia I
Pentru simplitate, vom trata situaţia ı̂n care graful considerat este conex (dacă graful nu este
conex se determină componentele conexe şi numărul acestora şi se aplică algoritmul pentru
fiecare componentă conexă ı̂n parte). Se elimină, pe rând, fiecare muchie a grafului şi apoi
se verifică dacă graful rezultat mai este conex (a se vedea algoritmul 21).
Subrutina Conex() verifică dacă graful identificat prin matricea de adiacenţă Vecin este
conex (este compus dintr-o singură componentă conexă). Subrutina ı̂ntoarce valoarea true
ı̂n cazul ı̂n care graful considerat este conex şi false, ı̂n caz contrar. Pentru aceasta, la
ı̂nceput, se marchează toate nodurile ca fiind nevizitate, şi se ı̂ncearcă parcurgerea nodurilor
grafului, prin intermediul unui apel al subrutinei de vizitare, DFS(1, n, Vecin).
Implementarea algoritmului 21 ı̂n limbajul C este următoarea:
Listing 2.3: muchiecriticav1.c
#include <s t d i o . h>
#include <mem. h>
50
#define MAXN 100
#define TRUE 1
#define FALSE 0
/∗ ∗
∗ Se c i t e s c numarul de n o d u r i precum s i m a t r i c e a de a d i a c e n t a .
∗/
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” , &n ) ;
for ( i = 0 ; i < n − 1 ; i ++)
for ( j = i + 1 ; j < n ; j ++) {
p r i n t f ( ” a[%d,%d ] = ” , i , j ) ;
s c a n f ( ”%d” , &v e c i n [ i ] [ j ] ) ;
vecin [ j ] [ i ] = vecin [ i ] [ j ] ;
}
}
/∗ ∗
∗ P a r c u r g e r e a i n adancime a g r a f u l u i po r nind d i n no dul de s t a r t k .
∗/
void d f s ( i nt k ) {
i nt i ;
v i z i t a t [ k ] = TRUE;
p r i n t f ( ”%d ” , k ) ;
for ( i = 0 ; i < n ; i ++)
i f ( ( v i z i t a t [ i ] == FALSE) && ( v e c i n [ k ] [ i ] == 1 ) )
dfs ( i ) ;
}
/∗ ∗
∗ F u n c t i a v e r i f i c a daca g r a f u l e s t e conex .
∗/
i nt conex ( void ) {
i nt i ;
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
dfs (0 );
for ( i = 0 ; i < n ; i ++)
i f ( v i z i t a t [ i ] == FALSE) {
return FALSE ;
}
return TRUE;
}
readInput ( ) ;
for ( i = 1 ; i < n ; i ++)
for ( j = 0 ; j < i ; j ++)
i f ( v e c i n [ i ] [ j ] == 1 ) {
51
vecin [ i ] [ j ] = 0;
vecin [ j ] [ i ] = 0;
i f ( conex ( ) == FALSE) {
p r i n t f ( ” Muchia (%d,%d ) e s t e c r i t i c a ! \n” , i , j ) ;
}
vecin [ i ] [ j ] = 1;
vecin [ j ] [ i ] = 1;
}
}
Observaţia 2.20 Am presupus că numerotarea nodurilor se face de la 0 şi că există un nod
cu eticheta 0.
Soluţia a II-a
Cea de-a doua variantă de abordare pentru identificarea unei soluţii foloseşte următoarea
proprietate:
Observaţia 2.21 O muchie nu este critică dacă ea face parte din cel puţin un ciclu elemen-
tar al grafului respectiv.
În urma vizitării DFS, toate muchiile unui graf se ı̂mpart ı̂n muchii ale arborelui de
acoperire şi muchii de ı̂ntoarcere.
Vom numerota toate nodurile grafului ı̂n preordine (numerotarea se realizează efectiv ı̂n
momentul ı̂n care un nod este marcat ca fiind vizitat), toate valorile fiind păstrate ı̂ntr-un
vector prenum. Fie lowu valoarea unui nod u, calculată după formula următoare:
prenumu
lowu = min prenumx , dacă [u, x] este muchie de ı̂ntoarcere (2.6)
lowy , ∀y descendent direct al lui u.
Dacă prenumu ≥ lowv , ∀v descendent direct al lui u, atunci ı̂nseamnă că nodul v sau un
descendent al lui v prezintă o muchie de ı̂ntoarcere la u sau la un strămoş al acestuia. Astfel
muchia [u, v] aparţine unui ciclu elementar, şi, prin urmare, nu este muchie critică (a se vedea
algoritmul 22). Prin negaţie, dacă există cel puţin un vârf v, descendent direct al lui u, cu
proprietatea că prenumu < lowv atunci [u, v] este muchie critică. După fiecare apel recursiv
al subrutinei DFS (linia 16) se verifică gradul de adevăr al expresiei (prenumk < lowi ) (linia
18).
Variabila counter este globală pentru cele două subrutine, MuchieCriticaII() şi
DFS critic(). La numerotarea ı̂n preordine se folosesc atribuirile: counter ← counter + 1,
şi prenumk ← counter. Când un nod i este vecin cu nodul curent k, şi nu a fost ı̂ncă vizitat,
valoarea lui lowk se calculează astfel: lowk ← min {lowk , lowi}. În situaţia ı̂n care pentru un
nod i, vecin cu nodul curent k, deja vizitat, avem o muchie de ı̂ntoarcere (nodului k i s-a
atribuit deja un număr ı̂n preordine), atunci valoarea lowk se calculează după formula
52
Algoritm 22 Algoritm de determinare a muchiei critice (a doua variantă)
( MuchieCriticaII(n, V ecin)
1: procedure
n - numărul de noduri din graf
Input:
V ecin - matricea de adiacenţă
2: for i ← 1, n do
3: vizitati ← 0
4: end for
5: counter ← 0
6: call DF S critic(1, n, V ecin) ⊲ vizitarea ı̂n adâncime a grafului
7: end procedure
8: procedure DFS critic(k, n, V ecin)
9: vizitatk ← 1
10: counter ← counter + 1
11: prenumk ← counter, lowk ← counter
12: for i ← 1, n do
13: if (vecink,i = 1) then
14: if (vizitati = 0) then
15: tatai ← k
16: call DF S critic(i, n, V ecin)
17: lowk ← M in(lowk , lowi )
18: if (prenumk < lowi ) then
19: Output {’Muchia (k,i) este critica’}
20: end if
21: else
22: if (tatak 6= i) then
23: lowk ← M in(lowk , prenumi )
24: end if
25: end if
26: end if
27: end for
28: end procedure
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” , &n ) ;
for ( i = 0 ; i < n − 1 ; i ++)
53
for ( j = i + 1 ; j < n ; j ++) {
p r i n t f ( ” a[%d,%d ] = ” , i , j ) ;
s c a n f ( ”%d” , &v e c i n [ i ] [ j ] ) ;
vecin [ j ] [ i ] = vecin [ i ] [ j ] ;
}
}
i nt min ( i nt x , i nt y ) {
return ( x < y ) ? x : y ;
}
void d f s ( i nt k ) {
i nt i ;
vizitat [ k] = 1;
c o u n t e r++;
prenum [ k ] = c o u n t e r ; low [ k ] = c o u n t e r ;
for ( i = 0 ; i < n ; i ++)
i f ( v e c i n [ k ] [ i ] == 1 )
i f ( v i z i t a t [ i ] == 0 ) {
tata [ i ] = k ;
dfs ( i ) ;
low [ k ] = min ( low [ k ] , low [ i ] ) ;
i f ( prenum [ k ] < low [ i ] )
p r i n t f ( ”%d −> %d \n” , k , i ) ;
}
else
i f ( t a t a [ k ] != i )
low [ k ] = min ( low [ k ] , prenum [ i ] ) ;
/∗ p r i n t f ( ” prenum[%d ] = %d low[%d ] = %d\n ” , k , prenum [ k ] , k , low [ k ] ) ; ∗/
}
void c r i t i c ( void ) {
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
counter = 0;
dfs (0 );
}
Exemplul 2.22 Pentru graful din figura 2.13, valorile prenum şi low sunt cele din figura
2.19 (valoarea din partea dreaptă a unui vârf reprezintă valoarea sa la numerotarea ı̂n preor-
dine, prenum, iar numărul din stânga reprezintă valoarea calculată low). Condiţia prenumu <
lowv , unde [u, v] este o muchie a grafului, este ı̂ndeplinită doar pentru u = 6 şi v = 8. Prin
urmare [6, 8] este muchie critică ı̂n graful considerat.
Deoarece acest algoritm este constituit din algoritmul modificat de vizitare ı̂n adâncime
a unui graf, complexitatea-timp este O(n + m) atunci când graful este reprezentat prin liste
de adiacenţă şi O(n2 ) ı̂n situaţia ı̂n care graful este reprezentat prin matricea de adiacenţă.
54
Fig. 2.19: Algoritmul 22 aplicat pentru graful din figura 2.13
2.7 Exerciţii
1. Un graf neorientat cu n noduri, G = (V, E) se numeşte graf scorpion dacă posedă trei
noduri speciale:
(c) corpul - dG (u) = n − 2 fiind legat de toate nodurile din graf cu excepţia acului.
2. Se consideră n bazine dispuse circular şi lipite unul de altul ı̂n ordinea numerelor de
ordine. Se dă lista celor m perechi de bazine ce trebuie unite prin canale. Un număr
de bazine poate să apară ı̂n mai multe perechi. Canalele pot fi realizate ı̂n interiorul
sau ı̂n exteriorul cercului, cu condiţia ca ele să nu se intersecteze.
Dacă problema are soluţie, vor fi afişate două liste: cea a perechilor de bazine unite
prin canale interioare şi cea a perechilor de bazine unite prin canale exterioare. Dacă
problema nu are soluţie, atunci se va raporta acest lucru.
În cazul ı̂n care problema are soluţie să se determine toate posibilităţile de unire prin
canale exterioare sau interioare.
(ONI, 1993)
3. Să se parcurgă ı̂n lăţime şi ı̂n adâncime graful din figura 2.20, să se construiască arborii
de parcurgere şi să se pună ı̂n evidenţă muchiile de ı̂ntoarcere.
4. Compania TLC (Telephone Line Company) a stabilit o nouă reţea de cablu telefonic.
Ea leagă mai multe locaţii numerotate cu numere ı̂ntregi de la 1 la N. Nu există două
locaţii numerotate cu acelaşi număr. Liniile sunt bidirecţionale şi conectează două
locaţii; fiecare locaţie are un post telefonic. Din orice locaţie poate fi apelată oricare
55
Fig. 2.20: Un exemplu de graf neorientat cu 8 vârfuri
altă locaţie, prin legătura directă sau conexiuni intermediare. Uneori reţeaua cade ı̂n
unele locaţii şi conexiunea aferentă nu mai este posibilă. Tehnicienii de la TLC au
realizat că, ı̂n acest caz, nu numai că locaţia respectivă nu mai poate fi apelată, dar
ea ı̂ntrerupe legătura şi ı̂ntre alte locaţii pentru care asigură conexiunea. În această
situaţie spunem că locaţia (unde a apărut căderea) este critică.
Se cere să se elaboreze un algoritm care să determine numărul tuturor acestor puncte
critice.
(ACM Europa Centrală, 1996)
5. Fiind dat un graf G = (V, E), să se verifice dacă este aciclic.
6. Fiind dat un graf G = (V, E), să se verifice dacă este bipartit.
9. Pe o tarla agricolă sunt mai multe parcele ce trebuie cosite. Parcelele de diferite culturi
(lucernă, trifoi, iarbă, furaje) vor fi cosite de muncitori diferiţi ce lucrează numai la
56
un anumit fel de cultură (de exemplu un muncitor este specializat numai pe cositul
lucernei).
Terenul agricol se reprezintă printr-o matrice n × m (n linii şi m coloane). Fiecare
element al matricii corespunde unei mulţimi de un anumit tip. Două elemente ale
matricii sunt vecine dacă au o latură comună. O parcelă este o mulţime maximală de
elemente astfel ı̂ncât un muncitor se poate deplasa ı̂ntre oricare două elemente de-a
lungul a două elemente vecine.
Se cere să se determine numărul de muncitori care pot să cosească o cultură dată.
57
Capitolul 3
Definiţia 3.1 Un lanţ L ce conţine fiecare muchie a unui graf G o singură dată se numeşte
lanţ Euler sau lanţ eulerian. Dacă extremităţile lanţului sunt identice şi lanţul este
eulerian atunci ciclul se numeşte ciclu Euler sau ciclu eulerian. Un graf ce conţine un
ciclu eulerian se numeşte graf eulerian.
O problemă mai cunoscută legată de noţiunile de ciclu şi lanţ eulerian este aceea de a
desena cu o singură linie neı̂ntreruptă o anumită figură (a se vedea figura 3.2).
Teorema 3.1 (Euler) Un graf G conex (|V | ≥ 3) este eulerian dacă şi numai dacă gradul
fiecărui vârf este par.
1
http://en.wikipedia.org/wiki/Seven Bridges of Königsberg
58
Fig. 3.2: Două figuri geometrice ce pot fi desenate folosind o singură linie
Teorema 3.2 (Euler) Un graf G conex are un lanţ eulerian dacă şi numai dacă există exact
două vârfuri ı̂n G al căror grad să fie impar.
Corolarul 3.3 Un graf G conex (|V | ≥ 3) este eulerian dacă şi numai dacă mulţimea muchi-
ilor sale poate fi descompusă ı̂n cicluri disjuncte.
Teorema 3.4 Pentru un graf conex cu 2k vârfuri de grad impar, k ≥ 1, există k lanţuri ı̂n
G ale căror mulţimi de muchii formează o partiţie a mulţimii E, şi din care cel mult unul
are lungimea impară.
59
Fig. 3.3: Exemplu de graf eulerian
v, diferit de vârful din care s–a ajuns ı̂n u. Parcurgerea se continuă până ı̂n momentul ı̂n
care ajungem ı̂ntr–un vârf ce a fost deja vizitat şi se ı̂nchide ciclul C. Dacă ciclul C nu
este eulerian, atunci se elimină din graful G toate muchiile ciclului C, rezultând mai multe
componente conexe G11 , G12 , . . . , G1k .
Pentru fiecare astfel de componentă G1i , ce are cel puţin două vârfuri, aplicăm recursiv
algoritmul. Conform teoremei 3.1, fiecare componentă G1i este euleriană. Fie Ci1 ciclul
eulerian corespunzător componentei G1i .
Ciclul C are cel puţin câte un vârf comun cu fiecare ciclu Ci1 . Fie acest vârf ui . Definim
un ciclu C0 astfel: pentru fiecare i, i = 1, k, adăugăm la ciclul C, ı̂n vârful ui, ciclul Ci1 .
Ciclul C0 conţine toate muchiile grafului G, prin urmare este eulerian.
Funcţia IsEulerian() verifică dacă un graf este eulerian conform teoremei 3.1 (a se vedea
algoritmul 23).
După cum se poate vedea din funcţia IsEulerian() numai componentele conexe ce au
ordinul mai mare sau egal cu 3 vor fi luate ı̂n considerare.
60
În algoritmul 24 este prezentată funcţia EulerRec() pentru determinarea unui ciclu eu-
lerian.
Procedura FindCycle(G) (a se vedea algoritmul 24) construieşte un ciclu: se alege un
vârf u0 şi se caută prima muchie [u0 , u1 ]. În vârful u1 se caută o muchie [u1 , u2 ] astfel ı̂ncât
vârful u2 să fie distinct de vârful din care s-a ajuns ı̂n u1 (u2 6= u0 ) şi să nu mai fi fost vizitat.
Dacă u2 a fost vizitat atunci funcţia se termină. Se continuă procedeul de căutare până când
se ajunge la un vârf ce a fost vizitat anterior şi se returnează ciclul cuprins ı̂ntre cele două
apariţii ale aceluiaşi vârf.
Procedura F indComponents(G′ ; k, G11 , G12 , . . . , G1k ) determină componentele conexe ale
grafului G′ = G − E(C), obţinut prin eliminarea din graful G a muchiilor ciclului C, unde
G11 , G12 , . . . , G1k sunt cele k componente conexe returnate de aceasta.
Procedura MergeCycles(C, C11 , . . . , Ck1 ; C0 ) construieşte un ciclul C0 obţinut prin adăugarea
la ciclul C, succesiv, a ciclurilor C11 , . . . , Ck1 .
Fig. 3.4: Grafurile parţiale obţinute ı̂n urma primelor două etape ale algoritmului 24
Exemplul 3.5 Să aplicăm algoritmul 24 pentru graful din figura 3.3. Presupunem că primul
element (elementul de start) este vârful u0 = 1. Procedura F indCycle construieşte lanţul
61
Fig. 3.5: Grafurile parţiale obţinute ı̂n urma etapelor 3 şi 4 ale algoritmului 24
L = [1, 2, 3, 4, 5, 3]. Se observă prezenţa ciclului C1 = [3, 4, 5, 3]. În urma eliminării acestuia
rămâne graful din figura 3.4 a) care este un graf conex.
Continuăm procesul de construire a unui ciclu eulerian, prin apelul procedurii F indCycle
pentru noul graf. Aceasta returnează ciclul C2 = [1, 2, 3, 9, 1]. Prin eliminarea muchiilor
acestuia, E(C2 ), se obţine graful din figura 3.4 b). În continuare se construieşte lanţul
L = [2, 8, 7, 5, 6, 4, 10, 2], ce conţine ciclul C3 = [2, 8, 7, 5, 6, 4, 10, 2]. Graful obţinut prin
eliminarea muchiilor ciclului este cel din figura 3.5 a). Apelul procedurii F indCycle conduce
la determinarea lanţului L = [6, 7, 9, 8, 10, 6] şi a ciclului C4 = [6, 7, 9, 8, 10, 6].
Ciclul eulerian se formează prin reuniunea ciclurilor intermediare determinate: C =
(((C4 ∪ C3 ) ∪ C2 ) ∪ C1 ) adică C = [1, 2, 8, 7, 5, 6, 7, 9, 8, 10, 6, 4, 10, 2, 3, 4, 5, 3, 9, 1] (C4 ∪ C3 =
[2, 8, 7, 5, 6, 7, 9, 8, 10, 6, 4, 10, 2]).
Exemplul 3.6 Să aplicăm algoritmul 25 pentru graful din figura 3.3. Să presupunem că
vârful u de la care porneşte algoritmul este vârful 1. La sfârşitul primului pas al enunţului
repetitiv while (liniile 6 – 14) avem valorile:
La pasul următor, se extrage valoarea 9 de pe stivă şi astfel u devine 9. La sfârşitul acestuia
62
Algoritm 25 Algoritm lui Rosenstiehl de determinare a unui ciclu eulerian ı̂ntr–un graf
conex
1: function Rosenstiehl(u, G)
2: for e ∈ E do
3: vizite ← 0
4: end for
5: S⇐u ⊲ Se inserează pe stivă nodul u
6: while (S 6= ∅) do
7: S⇒u ⊲ Se extrage din stivă nodul curent
8: while (∃e = [u, v] ∈ E) ∧ (vizite = 0)) do
9: vizite ← 1 ⊲ Se marchează muchia e ca fiind utilizată
10: S⇐u ⊲ Se salvează pe stivă nodul curent u
11: u←v ⊲ Nodul curent devine nodul v
12: end while
13: L⇐u ⊲ Se adaugă la lista L nodul curent
14: end while
15: return L
16: end function
avem:
S = [1, 2, 3, 4, 5, 3, 9, 7, 5, 6, 4, 10, 2, 8, 7, 6, 10, 8], L = [1, 9], u = 9.
În continuare, deoarece nu mai există muchii nevizitate, se vor extrage elementele aflate pe
stiva S câte unul la fiecare pas, formând secvenţa (8, 10, 6, 7, 8, 2, 10, 4, 6, 5, 7, 9, 3, 5, 4, 3, 2, 1),
şi se vor introduce ı̂n lista L:
În continuare se prezintă implementarea ı̂n limbajul C++ a algoritmului lui Rosenstiehl :
Listing 3.1: rosenstiehl.cpp
#include <v e c t o r >
#include <s t a c k >
#include <l i s t >
#include <i o s t r e a m>
#include <f s t r e a m>
#include <iomanip>
#include <c o n i o . h>
u s i n g namespace s t d ;
typedef v e c t o r <int> L i n i e ;
typedef v e c t o r <L i n i e > M a t r i c e ;
i nt r e a d I n p u t ( M a t r i c e& ma) {
i nt n , i , j , v a l u e ;
i f s t r e a m f i n ( INPUT FILE ) ;
f i n >> n ;
ma = M a t r i c e ( n , L i n i e ( n , 0 ) ) ;
63
for ( i = 0 ; i < n ; i ++)
for ( j = 0 ; j < n ; j ++) {
f i n >> ma [ i ] [ j ] ;
}
void p r i n t ( l i s t <int>& l ) {
l i s t <int > : : i t e r a t o r i t ;
co ut << ” C i c l u e u l e r i a n : [ ” ;
for ( i t = l . b e g i n ( ) ; i t != l . end ( ) ; i t ++)
co ut << ∗ i t << ” , ” ;
co ut << ” ] \ n” ;
}
s . push ( u ) ;
while ( ! s . empty ( ) ) {
u = s . top ( ) ;
s . pop ( ) ;
v = 0;
while ( v < n ) {
i f (ma [ u ] [ v ] == 1 ) {
ma [ u ] [ v ] = 0 ;
ma [ v ] [ u ] = 0 ;
s . push ( u ) ;
u = v;
v = 0;
}
else
v++;
}
l . push ba ck ( u ) ;
}
}
r o s e n s t i e h l ( n , ma , 0 , l ) ;
print ( l ) ;
}
Datele de intrare vor fi preluate dintr-un fişier. Conţinutul fişierului de intrare graf1.txt
corespunzător grafului din figura 3.6 este următorul:
6
0 1 1 1 1 0
1 0 1 1 1 0
1 1 0 1 0 1
64
1 1 1 0 0 1
1 1 0 0 0 0
0 0 1 1 0 0
Pe prima linie avem numărul de vârfuri al grafului (cardinalul mulţimii V ), şi ı̂ncepând
cu cea de-a doua linie avem valorile matricei de adiacenţă, separate prin spaţii, câte un rând
al acesteia pe fiecare pe linie.
Pentru a reduce timpul de implementare, am utilizat câteva structuri de date deja exis-
tente ı̂n limbajul C++, mai exact structuri de date implementate cu ajutorul template-urilor
din cadrul librăriei Standard Template Library - STL2 3 :
• lista - list 5 . Pentru a păstra elementele ciclului eulerian am folosit o listă liniară,
informaţia utilă din cadrul nodurilor fiind constituită din valori ı̂ntregi: list<int> l
= list<int>();.
După cum se poate observa din programul anterior, pentru reprezentarea internă a
grafului s-a folosit matricea de adiacenţă.
65
void p r i n t ( l i s t <int>& l ) {
l i s t <int > : : i t e r a t o r i t ;
co ut << ” C i c l u e u l e r i a n : [ ” ;
for ( i t = l . b e g i n ( ) ; i t != l . end ( ) ; i t ++)
co ut << ∗ i t << ” , ” ;
co ut << ” ] \ n” ;
}
Deoarece muchiile sunt parcurse o singură dată ı̂n cadrul acestui algoritm, şi pentru a
nu mai păstra o structură auxiliară care să marcheze faptul că o muchie a fost vizitată, vom
marca parcurgerea unei muchii prin ştergerea acesteia din matricea de adiacenţă astfel:
ma [ u ] [ v ] = 0 ;
ma [ v ] [ u ] = 0 ;
Ciclul eulerian obţinut pentru graful din figura 3.6 este: L = [1, 5, 2, 4, 6, 3, 4,
1, 3, 2, 1].
Se porneşte cu un vârf oarecare al grafului G (G = (V, E), |V | = n, |E| = m). Ideea constă
ı̂n a construi un lanţ prin alegerea la fiecare pas a unei muchii nealeasă la paşii anteriori, şi
care, de preferat, să nu fie muchie critică ı̂n graful parţial obţinut prin eliminarea muchiilor
deja alese.
Să considerăm că, la un moment dat, avem construit un lanţ Lk = [v0 , [v0 , v1 ], v1 , . . . ,
[vk−1 , vk ], vk ]. Căutăm o muchie ek+1 = [vk , vk+1 ] astfel ı̂ncât ek+1 ∈ / Lk şi care nu este muchie
critică ı̂n graful parţial Gk = G − {e1 , e2 , . . . , ek } (graful obţinut prin eliminarea tuturor
muchiilor lanţului Lk ). Dacă nu există decât muchii critice ı̂n graful parţial Gk incidente cu
vk atunci alegem una dintre ele.
Dacă există o muchie ek+1 cu aceste proprietăţi atunci construim lanţul Lk+1 = [Lk , ek+1, vk+1 ]
(Lk+1 = [v0 , [v0 , v1 ], v1 , . . . , [vk−1 , vk ], vk , [vk , vk+1 ], vk+1 ]). În momentul ı̂n care E(Lk ) = E(G)
algoritmul lui Fleury se opreşte (vezi algoritmul 26).
66
Algoritm 26 Algoritm lui Fleury de determinare a unui ciclu eulerian ı̂ntr–un graf conex
1: function Fleury(u0 , G = (V, E))
2: k←0
3: L0 ← [u0 ]
4: while (k ≤ m) do
5: caut ek+1 = [vk , vk+1 ] a.i. ek+1 ∈
/ Lk şi ek+1 , de preferat, nu este muchie critică ı̂n graful
Gk = G − {e1 , e2 , . . . , ek }
6: Lk+1 ← [Lk , ek+1 , vk+1 ]
7: k ←k+1
8: end while
9: return Lk
10: end function
Exemplul 3.7 Să aplicăm algoritmul 26 pentru graful din figura 3.7. La ı̂nceput L0 = [u1 ].
Apoi se intră ı̂n ciclul while (liniile 4 – 8): tabelul următor indică muchia ce a fost aleasă
la fiecare pas k, precum şi configuraţia lanţului Lk .
67
3.2 Grafuri Hamiltoniene
Definiţia 3.2 Se numeşte lanţ Hamilton sau lanţ hamiltonian un lanţ L ce trece o
singură dată prin toate vârfurile unui graf.
Definiţia 3.3 Se numeşte ciclu hamiltonian un ciclu elementar ce trece prin toate vârfurile
grafului. Un graf ce admite un ciclu hamiltonian se numeşte graf hamiltonian.
Problema determinării dacă un graf oarecare G este hamiltonian este o problemă dificilă,
atenţia cercetătorilor ı̂ndreptându–se către enunţarea unor condiţii suficiente de existenţă a
unui ciclu hamiltonian.
Lema 3.8 Fie G = (V, E) un graf neorientat şi fie u şi v două vârfuri neadiacente ale grafului
(u, v ∈ V , u 6= v, [u, v] ∈
/ E), astfel ı̂ncât dG (u) + dG (v) ≥ n. Atunci G este hamiltonian ⇔
G + [u, v] este hamiltonian.
Demonstraţie: ” ⇒ ” Dacă G este hamiltonian, atunci cu atât mai mult, graful G+[u, v]
este hamiltonian.
” ⇐ ” Presupunem că G + [u, v] este un graf hamiltonian. Atunci există un ciclu hamil-
tonian ı̂n graful G + [u, v] pe care ı̂l notăm cu C.
1. dacă [u, v] ∈
/ C atunci C este un ciclu hamiltonian şi ı̂n graful G ⇒ G este un graf
hamiltonian.
2. dacă [u, v] ∈ C atunci C = [u, v, x3 , x4 , . . . , xn−1 , xn , u]. Pentru fiecare muchie [u, xk ] ∈
E putem avea următoarele situaţii:
(a) [v, xk+1] ∈ E. Atunci ciclul C1 = [u, xk , xk−1 , . . . , x3 , v, xk+1, . . . , xn , u] este hamil-
tonian ı̂n graful G ⇒ graful G este hamiltonian.
Teorema 3.9 (Dirac, 1952) Un graf G = (V, E) (|V | ≥ 3) este hamiltonian dacă ∀u ∈ V
avem dG (u) ≥ n2 (orice vârf al grafului are gradul mai mare decât jumătate din numărul de
vârfuri din graf ).
Teorema 3.10 (Ore, 1961) Un graf G = (V, E) (|V | ≥ 3) este hamiltonian dacă ∀u, v ∈ V
avem dG (u) + dG (v) ≥ n unde u 6= v, [u, v] ∈ / E (pentru oricare două vârfuri distincte,
neadiacente, ale grafului suma gradelor lor este mai mare decât numărul de vârfuri din graf ).
68
Definiţia 3.4 Pentru un graf G construim un şir de grafuri G = G1 , G2 , . . . astfel: graful
Gk+1 se obţine din graful Gk prin adăugarea muchiei [uk , vk ], unde vârfurile uk , vk ∈ V nu
sunt adiacente ı̂n Gk şi dG (uk ) + dG (vk ) ≥ n. Procesul se ı̂ncheie ı̂n momentul ı̂n care nu
mai există două vârfuri neadiacente distincte astfel ı̂ncât dG (up ) + dG (vp ) ≥ n. Graful Gp se
numeşte ı̂nchiderea lui G şi se notează cu cl(G).
Lema 3.12 Orice graf prezintă o singură ı̂nchidere.
Corolarul 3.13 Un graf G = (V, E) (|V | ≥ 3) este hamiltonian dacă cl(G) ≅ Kn (dacă
ı̂nchiderea lui G este izomorfă cu graful complet de ordinul n).
Definim δ(G) = min{dG (u)|u ∈ V } şi ∆(G) = max{dG (u)|u ∈ V }.
Corolarul 3.14 Un graf G = (V, E) (|V | ≥ 3) este hamiltonian dacă δ(G) ≥ n2 .
Definiţia 3.5 O mulţime de vârfuri A a unui graf G se spune că este independentă dacă
oricare două elemente distincte din A sunt independente. Numărul de independenţă al lui G,
notat cu β(G), reprezintă numărul maxim de vârfuri dintr–o mulţime independentă.
β(G) = 1 dacă şi numai dacă graful G este complet.
Definiţia 3.6 Pentru un graf G se numeşte conectivitatea lui G, şi notăm cu κ(G),
numărul minim de vârfuri ale unei tăieturi. O tăietură este o submulţime U a lui V astfel
ı̂ncât graful G − U să fie neconex.
Teorema 3.15 Un graf G = (V, E) având ordinul n ≥ 3, este hamiltonian dacă κ(G) ≥
β(G).
Observaţia 3.16 Pentru un graf bipartit G = (V1 , V2 , E) condiţia necesară pentru a fi hamil-
tonian este |V1 | = |V2 |.
Problema comis–voiajorului include problema determinării existenţei unui ciclu hamilto-
nian ı̂ntr–un graf.
Căutarea optimului printre toate variantele de cicluri nu este o soluţie fezabilă deoarece
pentru un graf G numărul de cicluri poate fi foarte mare. De exemplu pentru graful complet
Kn avem (n−1)!
2
cicluri hamiltoniene distincte.
Exemplul 3.17 Graful din figura 2.20 nu este hamiltonian (nu admite un ciclu hamilto-
nian).
• Graful din figura 3.6 are mai multe cicluri hamiltoniene: de exemplu ciclurile C1 = [1, 5,
2, 3, 6, 4, 1] şi C2 = [1, 3, 6, 4, 2, 5, 1].
Nod 1 2 3 4 5 6
dG 4 4 4 4 2 2
Teorema lui Dirac (1952) nu se poate aplica deoarece nu este ı̂ndeplinită condiţia ”orice vârf
al grafului are gradul mai mare decât jumătate din numărul de vârfuri din graf”:
n 6
dG (5) = 2 < = = 3.
2 2
De asemenea, pentru teorema lui Ore (1961) nu este ı̂ndeplinită condiţia ”pentru oricare două
vârfuri dinstincte, neadiacente, ale grafului suma gradelor lor este mai mare decât numărul
de vârfuri din graf”: fie vârfurile 5 şi 6, neadiacente, pentru care avem
dG (5) + dG (6) = 2 + 2 = 4 < 6.
69
• Pentru graful din figura 3.8 avem:
Nod 1 2 3 4 5 6 7 8
dG 3 4 3 4 4 5 3 4
70
Fig. 3.8: Exemplu de graf pentru problema comis-voiajorului
Exemplul 3.18 Matricea costurilor corespunzătoare grafului din figura 3.8 are următoarele
valori:
0 14 6 ∞ 5 ∞ ∞ ∞
14 0 ∞ 12 16 20 ∞ ∞
6 ∞ 0 ∞ ∞ 12 ∞ 12
∞ 12 ∞ 0 21 ∞ 24 10
A= 5 16 ∞ 21 0
16 ∞ ∞
∞ 20 12 ∞ 16 0 14 6
∞ ∞ ∞ 24 ∞ 14 0 10
∞ ∞ 12 10 ∞ 6 10 0
Graful respectiv are mai multe cicluri hamiltoniene:
• C1 = [1, 2, 4, 5, 6, 7, 8, 3, 1].
• C2 = [1, 2, 5, 4, 8, 7, 6, 3, 1].
• C3 = [1, 5, 6, 2, 4, 7, 8, 3, 1].
• C4 = [1, 3, 6, 7, 8, 4, 2, 5, 1].
Fig. 3.9: Rezultatul rulării programului pentru determinarea ciclului hamiltonian optim
71
Algoritm 27 Algoritm pentru problema comis-voiajorului
(
A - matricea de costuri ce conţine distanţele dintre oraşe
Input:
n - numărul de oraşe
1: function CanContinue(A, X, k, cost)
2: if (vizitatxk = 1) ∨ (cost + axk−1 ,xk > costoptim ) ∨ ((k 6= n + 1) ∧ (xk = x1 ))) then
3: return f alse
4: else
5: return true
6: end if
7: end function
72
#define LIMIT 100000 // lung imea maxima a u n e i muchii e c h i v a l e n t a cu i n f i n i t
long c o s t o p t i m ; // c o s t u l c i r c u i t u l u i h a m i l t o n i a n optim
Vecto r x o ptim ; // e l e m e n t e l e c i r c u i t u l u i h a m i l t o n i a n optim
/∗ ∗
∗ F u n c t i a c i t e s t e v a l o r i l e d a t e l o r de i n t r a r e .
∗/
i nt r e a d I n p u t ( M a t r i c e a ) {
i nt n ;
i nt i , j , max = 0 ;
s c a n f ( ”%d” , &n ) ;
c o s t o p t i m = n ∗ max ;
return n ;
}
/∗ ∗
∗ F u n c t i a v e r i f i c a daca a + b > c .
∗/
i nt mai mare ( long a , long b , long c ) {
if (a + b > c)
return 1 ;
else
return 0 ;
}
/∗ ∗
∗ Functia a f i s e a z a s o l u t i a c a l c u l a t a a problemei .
∗/
void A f i s a r e S o l u t i e ( i nt n ) {
i nt i ;
p r i n t f ( ” C o s t u l c i c l u l u i optim : %l d \n” , c o s t o p t i m ) ;
p r i n t f ( ” Ciclu hamiltonian : [ ” ) ;
for ( i = 1 ; i < n+1; i ++)
p r i n t f ( ”%d , ” , x o ptim [ i ] ) ;
p r i n t f ( ”%d ] \ n” , x o ptim [ n + 1 ] ) ;
}
/∗ ∗
∗ F u n c t i a de c o n t i n u a r e : a i c i s e v e r i f i c a daca e l e m e n t u l de pe p o z i t i a k
∗ nu s e mai a f l a i n s i r u l A.
∗/
i nt CanContinue ( i nt n , M a t r i c e a , i nt k , long c o s t , Vecto r v i z i t a t , Vecto r x ) {
i f ( ( v i z i t a t [ x [ k ] ] == 1 ) | | ( mai mare ( c o s t , a [ x [ k − 1 ] ] [ x [ k ] ] , c o s t o p t i m ) )
73
| | ( ( k != n+1) && ( x [ k ] == 1 ) ) )
return 0 ;
else
return 1 ;
}
/∗ ∗
∗ F u n c t i a s a l v e a z a s o l u t i a optima ( c i r c u i t u l h a m i l t o n i a n de c o s t minim )
∗ d e t e r m i n a t a / g a s i t a pana i n momentul c u r e n t .
∗/
void E v a l u a r e S o l u t i e ( i nt n , long c o s t , Vecto r x ) {
i nt i ;
/∗ ∗
∗ Metoda b a c k t r a c k i n g implementa ta .
∗/
void C o m i s V o i a j o r B a c k t r a c k i n g ( i nt n , M a t r i c e a ) {
Vecto r x ;
Vecto r v i z i t a t ;
i nt k , g a s i t ;
long c o s t ;
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
x [1] = 1;
cost = 0;
k = 2; x[ k] = 1;
while ( k > 1 ) {
gasit = 0;
while ( ( x [ k ] + 1 <= n ) && ( g a s i t == 0 ) ) {
x[k] = x [k] + 1;
g a s i t = CanContinue ( n , a , k , c o s t , v i z i t a t , x ) ;
}
i f ( g a s i t == 1 ) {
i f ( k == n+1)
EvaluareSolutie (n , cost + a [ x [ k −1]][ x [ k ] ] , x ) ;
else {
vizitat [ x[k ] ] = 1;
cost = cost + a [ x [ k −1]][ x [ k ] ] ;
k = k + 1;
x[ k] = 0;
}
}
else {
k = k − 1;
vizitat [x[ k ] ] = 0;
i f (k > 1)
cost = cost − a [ x [ k −1]][ x [ k ] ] ;
}
}
}
74
i nt n = r e a d I n p u t ( a ) ;
ComisVoiajorBacktracking (n , a ) ;
}
Corespunzător valorii ∞ am utilizat ı̂n fişierul de test valoarea negativă −1. În timpul
citirii datelor aceasta a fost ı̂nlocuită cu o constantă suficient de mare:
...
s c a n f ( ”%d” , &a [ i ] [ j ] ) ;
i f (max < a [ i ] [ j ] )
max = a [ i ] [ j ] ;
i f ( a [ i ] [ j ] < 0)
a [ i ] [ j ] = LIMIT ;
În timpul citirii se determină valoarea maximă, max{ai,j |∀i, j = 1, n, i 6= j, ai,j 6= ∞}, pentru
a se iniţializa mai apoi costul optim cu valoarea n · max.
Funcţia ı̂n care se verifică condiţiile de continuare este următoarea:
i nt CanContinue ( i nt n , M a t r i c e a , i nt k , long c o s t , Vecto r v i z i t a t , Vecto r x ) {
i f ( ( v i z i t a t [ x [ k ] ] == 1 ) | | ( mai mare ( c o s t , a [ x [ k − 1 ] ] [ x [ k ] ] , c o s t o p t i m ) )
| | ( ( k != n+1) && ( x [ k ] == 1 ) ) )
return 0 ;
else
return 1 ;
}
75
for ( i = 1 ; i <= n+1; i ++)
x o ptim [ i ] = x [ i ] ;
A f i s a r e S o l u t i e (n ) ;
}
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
x [1] = 1;
cost = 0;
k = 2; x[ k] = 1;
while ( k > 1 ) {
gasit = 0;
while ( ( x [ k ] + 1 <= n ) && ( g a s i t == 0 ) ) {
x[k] = x [k] + 1;
g a s i t = CanContinue ( n , a , k , c o s t , v i z i t a t , x ) ;
}
i f ( g a s i t == 1 ) {
i f ( k == n+1)
EvaluareSolutie (n , cost + a [ x [ k −1]][ x [ k ] ] , x ) ;
else {
vizitat [ x[k ] ] = 1;
cost = cost + a [ x [ k −1]][ x [ k ] ] ;
k = k + 1;
x[ k] = 0;
}
}
else {
k = k − 1;
vizitat [x[ k ] ] = 0;
i f (k > 1)
cost = cost − a [ x [ k −1]][ x [ k ] ] ;
}
}
}
76
Pentru k = 4, prima valoare ce verifică condiţiile de continuare este 5:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 0
În mod asemănător se aleg valorile pentru paşii k = 5, 6, 7, 8:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 3 8 7 0
La pasul k = 9, nici una dintre valorile 1, 2, . . . , 8 nu verifică condiţiile de continuare (fiind
la ultimul oraş, acesta ar trebui să fie 1, adică oraşul de unde s-a pornit). Astfel, se trece la
pasul anterior:
k = k - 1;
vizitat[x[k]] = 0;
if (k > 1)
cost = cost - a[x[k-1]][x[k]];
adică la pasul k = k − 1 = 9 − 1 = 8.
Valoarea 8, următoarea valoare din domeniul de valori neverificată şi singura ce mai
rămăsese de atribuit pentru x8 , nu verifică condiţiile de continuare, şi deoarece nu mai sunt
valori de testat la pasul k = 8, se trece la nivelul anterior: k = k − 1 = 8 − 1 = 7.
La pasul k = 7, deoarece nu au mai rămas valori netestate din mulţimea A7 = {1, 2, . . . , 8},
se trece la pasul k = 6:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 3
Aici continuăm cu verificarea valorilor 4, 5, 6 şi 7. Pentru x6 = 7 sunt verificate condiţiile
de continuare şi se poate trece la pasul următor, k = 7:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 7 0
Doar pentru valoarea 8 sunt ı̂ndeplinite condiţiile de continuare:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 7 8 0
La pasul k = 8, xk = 3 ı̂ndeplineşte conţiile de continuare şi se poate trece la nivelul
următor, k = 9:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 7 8 3 0
Aici soluţia optimă găsită este următoarea:
x1 x2 x3 x4 x5 x6 x7 x8 x9
1 2 4 5 6 7 8 3 1
având un cost al ciclului hamiltonian de 105.
Se păstrează soluţia optimă identificată până ı̂n acest moment, se afişează, şi se continuă
efectuarea calculelor metodei până la epuizarea spaţiului soluţiilor posibile.
77
Fig. 3.10: Pasii efectuati de algoritm pentru determinarea ciclului hamiltonian asociat grafului din figura 3.8
78
Fig. 3.11: Pasii efectuati de algoritm pentru determinarea ciclului hamiltonian asociat grafului din figura 3.8
(continuare)
79
Capitolul 4
Definiţia 4.1 Fiind dată o mulţime M de elemente denumite noduri, vom numi arbore o
submulţime finită de noduri astfel ı̂ncât:
Această definiţie este una recursivă, construcţia unui arbore depinzând de alţi arbori.
Descendenţii direcţi ai rădăcinii arborelui sunt rădăcinile subarborilor A1 , A2 , . . . , An , n ≥ 1.
Orice nod al unui arbore cu rădăcină constituie rădăcina unui subarbore compus din nodul
respectiv şi toţi descendenţii săi.
Se observă că un arbore impune o structură de organizare ierarhică asupra elementelor
unei mulţimi.
Definiţia 4.2 Se numeşte arbore liber (”free tree”) un graf G = (V, E) neorientat, conex
şi aciclic.
Teorema 4.1 (Proprietăţile arborilor liberi) Fie G = (V, E) un graf neorientat. Următoarele
afirmaţii sunt echivalente:
Dacă se alege un vârf sau nod drept rădăcina arborelui, atunci un arbore liber devine
arbore cu rădăcină. În general vom folosi termenul de arbore ı̂n loc de termenul corect arbore
cu rădăcină.
Un vârf terminal (frunză) este un vârf fără descendenţi. Vârfurile care nu sunt terminale
sunt neterminale (sau noduri interioare). De obicei, se consideră că există o ordonare a
descendenţilor aceluiaşi părinte.
80
1
2 3
4 5 6 7
8 9 10 11 12 13 14 15
Definiţia 4.3 Adâncimea unui vârf este dată de lungimea drumului de la rădăcină la acel
vârf. Înălţimea unui vârf se determină ca fiind lungimea celui mai lung drum dintre acel vârf
şi un vârf terminal. Înălţimea rădăcinii determină ı̂nălţimea arborelui. Nivelul unui vârf se
calculează ca diferenţa dintre ı̂nălţimea arborelui şi adâncimea acestui vârf.
Toate vârfurile unui arbore ce au aceeaşi adâncime se spune că sunt pe acelaşi nivel. Un
arbore oarecare cu rădăcină este n-ar dacă fiecare vârf are până la n descendenţi direcţi.
O mulţime de arbori disjuncţi formează o pădure.
Din punct de vedere grafic, un arbore se poate reprezenta descriind nodurile cu ajutorul
unor cercuri sau pătrate ı̂n care se află informaţia aferentă, iar relaţia de descendenţă prin
legăturile ce unesc nodurile cu fii lor.
Trebuie menţionat că un arbore binar nu este un caz particular de arbore oarecare,
deoarece ı̂n cazul unui arbore oarecare este suficient să spunem că că un vârf are un singur
decendent spre deosebire de cazul arborelui binar când trebuie precizat dacă descendentul
este drept sau stâng. Arborele binar ce nu conţine nici un nod se numeşte arbore vid sau
arbore nul.
Definiţia 4.5 Se numeşte arbore binar plin un arbore binar cu 2k − 1 vârfuri aşezate pe
k nivele astfel ı̂ncât pe fiecare nivel i avem 2i−1 vârfuri.
Se observă că fiecare vârf al arborelui are doi descendenţi, descendentul stâng şi descen-
dentul drept, cu excepţia nodurilor terminale.
În figura 4.1 este prezentat un arbore binar plin ı̂n care vârfurile sunt aşezate pe 4 niveluri
(k = 4). De regulă vârfurile unui arbore binar plin se numerotează ı̂n ordinea nivelurilor, iar
ı̂n cadrul unui nivel, de la stânga la dreapta.
Definiţia 4.6 Se numeşte arbore binar complet cu n vârfuri un arbore binar plin având
k nivele, unde 2k−1 ≤ n < 2k , din care se elimină vârfurile numerotate n+ 1, n+ 2, . . . , 2k −1.
81
1
2 3
4 5 6 7
8 9 10 11 12
1. expresii cu paranteze;
2. forma standard ;
2 8
3 5 9
4 6 7
1. expresii cu paranteze– expresia ı̂ncepe cu rădăcina şi după fiecare vârf k urmează expre-
siile subarborilor ce au ca rădăcini descendenţii vârfului respectiv, separate prin virgulă
şi incluse ı̂ntre paranteze. Dacă un descendent al unui vârf nu există atunci expresia
respectivă este ı̂nlocuită cu 0 sau NULL. Un arbore cu un singur vârf (rădăcina),
etichetat cu a1 , se reprezintă astfel: a1 (0, 0). Un arbore format din rădăcină a1 şi doi
descendenţi, a2 şi a3 , se reprezintă astfel: a1 (a2 (0, 0), a3(0, 0)).
Pentru arborele din figura 4.3 avem:
1(2(3(0, 4(0, 0)), 5(6(0, 0), 7(0, 0))), 8(0, 9(0, 0)))
82
2. forma standard – se indică rădăcina arborelui, iar pentru fiecare vârf k se precizează
descendentul său stâng şi/sau drept.
(
i , dacă nodul i este descendentul stâng al nodului k
Stangk =
0 , dacă nu există descendentul stâng
(
i , dacă nodul i este descendentul drept al nodului k
Dreptk =
0 , dacă nu există descendentul drept.
Pentru arborele din figura 4.3 avem următoarea reprezentare (Rad = 1):
Nod 1 2 3 4 5 6 7 8 9
Stang 2 3 0 0 6 0 0 0 0
Drept 8 5 4 0 7 0 0 9 0
După modelul listei liniare dublu ı̂nlăţuită, putem folosi o structură de date asemănătoare
pentru reprezentarea unui arbore binar. Un nod al arborelui are următoarea configuraţie:
Nod ∗ rad; – rad este o variabilă de tip pointer la Nod (variabila păstrează adresa
unei zone de memorie ce conţine date numerice de tip Nod). rad desemnează adresa
rădăcinii arborelui.
În figura 4.5 avem reprezentarea arborelui din figura 4.4.
3. reprezentarea tip tată – fiecărui vârf k i se indică tatăl nodului respectiv.
(
i , dacă nodul i este părintele nodului k
tatak =
0 , nu există
Nod 1 2 3 4 5 6 7 8 9
Tata 0 1 2 3 2 5 5 1 8
Observaţia 4.2 Următoarea numerotare este utilizată pentru anumite tipuri de arbori
binari, şi are drept caracteristică faptul că structura arborelui se poate deduce printr-o
numerotare adecvată a vârfurilor:
83
Fig. 4.5: Exemplu de arbore binar cu 8 noduri
(
⌊ 2i ⌋ , i≥2
T atai =
nu există , i=1
( (
2·i , 2·i≤n 2·i+1 , 2·i+1≤ n
Stangi = Drepti =
nu există , 2·i>n nu există , 2 · i + 1 > n
84
Fig. 4.6: Parcurgerea ı̂n preordine a unui arbore binar a) arborele iniţial; b) arborele vizitat ı̂n preordine,
primul nivel; c) arborele vizitat ı̂n preordine, al doilea nivel; d) arborele vizitat ı̂n preordine, al treilea nivel.
#include <stdio.h>
void readInput(void) {
int k;
85
Algoritm 28 Algoritm de parcurgere ı̂n preordine
1: procedure Preordine(Rad, Stang, Drept, T ata)
2: k ← rad
3: q←0
4: while (q = 0) do
5: while (stangk 6= 0) do
6: call V izit(k) ⊲ prelucrarea informaţiei din nodul vizitat
7: k ← stangk
8: end while
9: call V izit(k)
10: while (q = 0) ∧ (dreptk = 0) do
11: f ound ← 0
12: while (q = 0) ∧ (f ound = 0) do
13: j←k
14: k ← tatak
15: if (k = 0) then
16: q←1
17: else
18: if (j = stangk ) then
19: f ound ← 1
20: end if
21: end if
22: end while
23: end while
24: if (q = 0) then
25: k ← dreptk
26: end if
27: end while
28: return
29: end procedure
i = rad; q = 0;
while (q == 0) {
while (stang[i] != 0) {
vizit(i);
i = stang[i];
86
}
vizit(i);
while ((q == 0) && (drept[i] == 0)) {
found = 0;
while ((q == 0) && (found == 0)) {
j = i;
i = tata[i];
if (i == 0)
q = 1;
else
if (j == stang[i])
found = 1;
}
}
if (q == 0)
i = drept[i];
}
}
void main(void){
readInput();
preord(rad);
}
#include <stdio.h>
void readInput(void) {
87
Algoritm 29 Algoritm de parcurgere ı̂n inordine
1: procedure Inordine(Rad, Stang, Drept)
2: k ← rad
3: q←0
4: S←∅ ⊲ iniţializare stivă vidă
5: while (q = 0) do
6: while (stangk 6= 0) do
7: S⇐k ⊲ S.push(k)
8: k ← stangk
9: end while
10: call V izit(k)
11: while (q = 0) ∧ (dreptk = 0) do
12: if (S = ∅) then ⊲ verificare dacă stiva este vidă
13: q←1
14: else
15: S⇒k ⊲ S.pop(k)
16: call V izit(k)
17: end if
18: end while
19: if (q = 0) then
20: k ← dreptk
21: end if
22: end while
23: return
24: end procedure
int k;
i = rad; q = 0;
cap = -1;
while (q == 0) {
while (stang[i] > 0) {
88
cap++;
stack[cap] = i;
i = stang[i];
}
vizit(i);
while ((q == 0) && (drept[i] == 0)) {
if (cap < 0)
q = 1;
else {
i = stack[cap];
cap--;
vizit(i);
}
}
if (q == 0)
i = drept[i];
}
}
void main(void) {
readInput();
inord(rad);
}
89
1
2 8
3 5 9
6 7
• fiecărui operator ı̂i corespunde un nod neterminal având drept subarbori stâng şi drept
cei doi operanzi corespunzători.
Arborele din figura 4.8 corespunde expresiei matematice: 2 · ((a + b) − (c + b)). În urma
vizitării ı̂n postordine a acestui arbore se obţine forma poloneză postfixată asociată expresiei
anterioare: 2ab + cb + −∗. Pentru a obţine valoarea expresiei respective, arborele poate fi
parcurs ı̂n postordine.
90
pentru orice vârf i aparţinând arborelui, avem
(
Infi ≥ Infj , pentru toate vârfurile j ce aparţin descendentului stâng al vârfului i
Infi ≤ Infj , pentru toate vârfurile j ce aparţin descendentului drept al vârfului i
unde Infi este informaţia asociată vârfului i. Această informaţie este de un tip de date peste
care avem o relaţie de ordine (de obicei un tip numeric sau tipul şir de caractere).
Un arbore binar de căutare mai este cunoscut şi sub numele de arbore binar de sortare
deoarece parcurgerea ı̂n inordine a unui arbore binar de căutare ne conduce la obţinerea
elementelor vectorului Inf ı̂n ordine crescătoare. În principal această structură de date este
utilizată pentru regăsirea eficientă a unor informaţii.
Operaţiile de creare a arborelui, ştergere a unui nod, modificare a informaţiei asociate
unui nod sau inserare a unui nod se pot realiza ı̂ntr-un mod optim astfel ı̂ncât să nu se
distrugă proprietatea de arbore de căutare.
Dacă dorim ca arborele să nu conţină chei duplicate, vom modifica definiţia de mai sus
astfel:
pentru orice vârf i aparţinând arborelui, avem
(
Infi < Infj , pentru toate vârfurile j ce aparţin descendentului stâng al vârfului i
Infi > Infj , pentru toate vârfurile j ce aparţin descendentului drept al vârfului i.
În continuare vom utiliza această definiţie pentru descrierea algoritmilor ce urmează.
91
Algoritm 31 Algoritm de căutare a unei valori ı̂ntr-un arbore binar de căutare
1: function SearchNode(p, Key)
2: if (p 6= N U LL) then
3: if (p.inf o > key) then
4: return SearchN ode(p.lef t, key)
5: else
6: if (p.inf o < key) then
7: return SearchN ode(p.right, key)
8: else
9: return p
10: end if
11: end if
12: else
13: return N U LL
14: end if
15: end function
1. nodul ce urmează să fie şters este un nod terminal - se face ştergerea normal având
grijă să se ı̂nlocuiască legătura din nodul părinte către el cu null;
2. nodul ce urmează să fie şters are un singur descendent - nodul respectiv se şterge iar
părintele va conţine acum noua legătură către descendentul fostului fiu;
• se determină cel mai din stânga nod (notat B) din subarborele drept al nodului
ce trebuie şters (vezi algoritmul 33); acesta va fi şters ı̂n mod fizic, dar la un pas
ulterior;
92
Fig. 4.9: Arbore binar de căutare. Inserarea unui nod.
• toate informaţiile legate de datele conţinute ı̂n nodul B vor fi copiate ı̂n nodul A;
Exemplul 4.3 Fie un arbore binar, eticheta fiecărui nod fiind un şir de caractere (un cuvânt).
Se cere să se realizeze un program care să creeze un arbore binar de sortare, să-l parcurgă ı̂n
inordine şi să permită inserarea şi ştergerea unui nod specificat.
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <conio.h>
93
Fig. 4.10: Arbore binar de căutare. Ştergerea unui nod. a) Nod fără descendenţi b) Nod cu un singur
descendent c) Nod cu doi descendenţi.
94
Algoritm 33 Algoritm pentru determinarea celui mai din stânga nod
1: function LeftmostNode(P arent, Curent)
2: while (curent.lef t 6= N U LL) do
3: parent ← curent
4: curent ← curent.lef t
5: end while
6: if (parent.right = curent) then
7: parent.right ← curent.right
8: else
9: parent.lef t ← curent.right
10: end if
11: return curent
12: end function
char *cuvint;
struct nod *left,*right;
} NOD;
NOD *rad;
if (p != NULL) {
ind = strcmp(p->cuvint, sir);
if (ind < 0)
return Search(p->right, sir);
else
if (ind > 0)
return Search(p->left, sir);
else
return p;
}
else
return NULL;
}
p = (NOD*)malloc(sizeof(NOD));
p->left = p->right = NULL;
p->cuvint = (char*)malloc(sizeof(char) * (strlen(sir) + 1));
strcpy(p->cuvint, sir);
return p;
}
95
Algoritm 34 Algoritm de ştergere a unui nod ı̂ntr-un arbore binar de căutare
1: function DeleteNode(p, Key)
2: if (p 6= N U LL) then
3: if (p.inf o > key) then
4: p.lef t ← DeleteN ode(p.lef t, key)
5: else
6: if (p.inf o < key) then
7: p.right ← DeleteN ode(p.right, key)
8: else
9: if (p.lef t = N U LL) ∨ (p.right = N U LL) then
10: if (p.lef t 6= N U LL) then
11: tmp ← p.lef t
12: else
13: tmp ← p.right
14: end if
15: call DisposeN ode(p)
16: p ← tmp
17: else
18: tmp ← p.right
19: tmp ← Lef tmostN ode(p, tmp)
20: tmp.lef t ← p.lef t
21: tmp.right ← p.right
22: call DisposeN ode(p)
23: p ← tmp
24: end if
25: end if
26: end if
27: end if
28: return p
29: end function
if (p == NULL)
p = CreareNod(sir);
else {
ind = strcmp(p->cuvint, sir);
if (ind < 0)
p->right = Insert(p->right, sir);
else
if (ind > 0)
p->left = Insert(p->left, sir);
}
return p;
}
96
VisitInord(p->right);
}
}
if (parent->right == curent)
parent->right = curent->right;
else
parent ->left = curent->right;
return curent;
}
if (p != NULL){
ind = strcmp(p->cuvint, sir);
if (ind < 0)
p->right = DeleteNod(p->right, sir);
else
if (ind > 0)
p->left = DeleteNod(p->left, sir);
else
if (p->left == NULL || p->right == NULL) {
if (p->left != NULL)
tmp = p->left;
else
tmp = p->right;
ElibNod(p);
p = tmp;
}
else{
tmp = p->right;
tmp = LeftmostNod(p, tmp);
tmp->left = p->left;
tmp->right = p->right;
ElibNod(p);
p = tmp;
}
97
}
return p;
}
void main(void) {
char cuvint[100];
char ch;
NOD *p;
rad = NULL;
while (1) {
printf("***********************************\n");
printf("1. Inserare \n");
printf("2. Cautare\n");
printf("3. Stergere\n");
printf("4. Afisare arbore\n");
printf("0. Exit \n");
ch = getch();
if (ch != ’0’ && ch != ’4’) {
printf("Cuvint: "); scanf("%s", cuvint);
}
switch (ch) {
case ’1’: rad = Insert(rad, cuvint); break;
case ’2’: p = Search(rad, cuvint);
if (!p)
printf("Cuvintul %s nu a fost gasit! \n", cuvint);
else
printf("Cuvintul %s exista in arbore! \n", cuvint);
break;
case ’3’: rad = DeleteNod(rad, cuvint); break;
case ’4’: VisitInord(rad); break;
case ’0’: exit(1);
}
}
}
4.3 Exerciţii
1. (a) Să se realizeze o subrutină ce determină cea mai mare valoare păstrată ı̂ntr–un
arbore binar de căutare;
(b) Aceeaşi cerinţă pentru cea mai mică valoare.
2. Să se realizeze o subrutină ce determină toate nodurile unui arbore binar de căutare cu
proprietatea că informaţia k asociată unui nod verifică relaţia a ≤ k ≤ b, unde a şi b
sunt date.
3. (a) Să se realizeze un algoritm care determină numărul arborilor binari distincţi cu
n noduri, unde n este un număr natural dat.
98
Fig. 4.11: Exemplu de arbore binar complet cu 7 vârfuri
4. Să considerăm o secvenţă de intrare compusă din termeni definiţi recursiv astfel:
Intrare Ieşire
(((XX)X)X) ((XX)(XX))
(((XX)(XX)X) ((XX)((XX)X))
(XX) (XX)
(ACM, Bucureşti, 1996)
5. Prin arbore binar complet ı̂nţelegem un arbore binar ı̂n care un nod are fie doi descendenţi,
fie nu are nici unul.
Un arbore binar complet poate fi reprezentat prin codificarea drumurilor de la rădăcină
la fiecare frunză utilizând numai valorile 0 şi 1: atunci când coborâm ı̂n arbore spre
stânga se adaugă valoarea 0 iar atunci când coborâm spre dreapta se adaugă valoarea
1.
99
Pentru arborele din figura 4.11 drumurile de la rădăcină la fiecare frunză se codifică
astfel:
ABC : 00
ABDE : 010
ABDF : 011
AG : 1
Concatenând toate drumurile de la rădăcină către frunze, arborele anterior poate fi
reprezentat prin secvenţa ce poate fi interpretată ca reprezentarea ı̂n baza 2 a unui
număr (000100111).
Fiind date m şi n două numere naturale, se cere să se determine dacă există un arbore
binar complet a cărui reprezentare va conţine exact m cifre 0 şi n cifre 1 (0 < m, n ≤
100).
(Timişoara-pregătire, 1996)
6. Scrieţi o subrutină nerecursivă care numără nodurile frunză ale unui arbore binar.
7. Realizaţi o subrutină care să determine nivelul cu cele mai multe noduri frunze dintr–un
arbore binar.
8. Determinaţi ı̂năţimea unui arbore binar printr–o funcţie nerecursivă.
9. Se consideră un dicţionar ce este implementat sub forma unei structuri de arbore.
Pentru fiecare cuvânt se cunoaşte traducerea acestuia precum şi probabilitatea lui de
apariţie ı̂n texte.
Se cere să se realizeze un algoritm care să conducă la o căutare optimă a cuvintelor
ı̂n dicţionar. Se menţionează faptul că probabilitatea de a căuta un cuvânt care nu se
găseşte ı̂n dicţionar este zero.
Datele de ieşire constau din afişarea arborelui optimal de căutare compus din cuvintele
introduse.
Spre exemplu, un set de date de intrare poate fi:
5
1 abroad in_strainatate
4 baker brutar
2 calf gamba
1 dice zaruri
2 ear ureche
10. O casă de comenzi este interesată de crearea unui program pe calculator care să ţină
evidenţa comenzilor ı̂n ordinea datelor la care au fost onorate, iar ı̂n cadrul fiecărei date
de livrare, ı̂n ordine lexicografică după numele produsului. Să se scrie un program care
foloseşte structuri de date de tip arbore.
Intrarea este formată din mai multe linii. Pe fiecare linie avem câte o comandă dată
sub forma: [numep rodus] [zi] [luna] [an]. Intrarea se termină cu o linie pe care avem
doar ’&’.
Ieşirea este formată prin afişarea comenzilor ı̂n ordinea datei la care au fost onorate,
iar ı̂n cadrul unei date, ı̂n ordine lexicografică ı̂n funcţie de numele comenzii.
Indicaţie: Se va crea un arbore de căutare după data de livrare şi ı̂n fiecare nod va fi
un arbore de căutare după numele comenzii.
100
11. Se consideră o expresie logică formata din n variabile logice reprezentate printr–o sin-
gură literă şi operatorii & (AND), | (OR), ! (NOT) (nu avem paranteze). Expresia este
reprezentată sub forma unui arbore binar.
Se cere să se realizeze un algoritm care pentru o expresie logică dată cercetează existenţa
unei combinaţii de valori logice (true/false), pentru care expresia dată ia valoarea logică
true.
De exemplu pentru expresia a|!b|c&d soluţia este a = f alse, b = f alse, c = f alse,
d = f alse, iar pentru expresia !a&a nu avem soluţie.
101
Capitolul 5
Arbori oarecare
Definiţia 5.1 Fiind dată o mulţime M de elemente denumite noduri, vom numi arbore o
submulţime finită de noduri astfel ı̂ncât:
• legături fiu-frate: f iuk - este primul descendent al vârfului k, f ratek - următorul descen-
dent al tatălui nodului k, ce urmează după k. Între descendenţii unui vârf se presupune
că definim o relaţie de ordine.
Rădăcina arborelui din figura 5.1 este Rad = 1.
2 3 4
5 6 7 8 9 10
Nod 1 2 3 4 5 6 7 8 9 10
Fiu 2 0 5 7 0 0 0 0 0 0
Frate 0 3 4 0 6 0 8 9 10 0
102
Dacă identificăm F iu cu Stang şi F rate cu Drept, unui arbore oarecare i se poate
asocia un arbore binar.
Pentru reprezentarea unui arbore oarecare, modelul de reprezentare fiu-frate ı̂n varianta
de alocare statică poate fi uşor extins la o variantă de alocare dinamică, folosind pointeri
pentru legăturile către primul descendent respectiv pentru următorul frate. Astfel un
nod al arborelui poate avea următoarea configuraţie:
Asemănător cu modelul construit la arbori binari, rad (Nod ∗ rad;) este o variabilă de
tip pointer la Nod (variabila păstrează adresa unei zone de memorie). rad desemnează
adresa rădăcinii arborelui.
rad
1 NULL
2 3 4 NULL
NULL
5 6 NULL 7 8 9 10 NULL
Fig. 5.2: Exemplu de arbore oarecare cu 10 noduri reprezentat prin legături fiu-frate
În figura 5.2 este reprezentat arborele din figura 5.1 prin legături fiu-frate.
• lista descendenţilor. În cadrul acestui mod de reprezentare fiecare vârf este descris prin
lista descendenţilor săi. Pentru memorare se va utiliza un vector cu n componente:
(
0 , vârful respectiv nu are descendenţi
Ck =
j , j indică adresa (coloana) unde ı̂ncepe lista descendenţilor vârfului k.
Exploatând mai departe această idee, ı̂ntr-un nod al arborelui oarecare se poate păstra o
listă cu adresele descendenţilor săi, lista fiind reprezentată sub forma unui tablou alocat
103
Table 5.2: Reprezentarea arborelui din figura 5.1 folosind liste cu descendenţi.
Nod 1 2 3 4 5 6 7 8 9 10
C 1 0 4 6 0 0 0 0 0 0
2 3 4 5 6 7 8 9 10
L=
2 3 0 5 0 7 8 9 0
static sau dinamic. Oricum modelul se recomandă atunci când numărul descendenţilor
unui nod este limitat superior, sau când acesta este cunoscut/stabilit ı̂n momentul ı̂n
care se construieşte arborele. Modificările efectuate asupra arborelui, cum ar fi inserări
de descendenţi noi, atunci când intrările alocate pentru aceşti descendenţi sunt deja
alocate nu poate conduce decât la realocarea spaţiului de memorie cu un cost reflectat
ı̂n complexitatea algoritmului. Astfel dacă numărul de descendenţi este limitat superior
putem defini
sau
atunci când numărul maxim de descendenţi nu poate fi cunoscut decât ı̂n momentul
construirii arborelui. Astfel, ı̂n acel moment, se alocă spaţiu pentru un tablou de
pointeri către structura de tip Nod definită (children = malloc(sizeof(Nod*) *
no of children)).
rad
1 3
2 0 3 2 4 4
5 0 6 0 7 0 8 0 9 0 10 0
Fig. 5.3: Exemplu de arbore oarecare cu 10 noduri reprezentat prin liste cu descendenţi
În figura 5.3 este reprezentat arborele din figura 5.1 folosind liste cu descendenţi.
104
• Tata - fiecărui nod k se indică nodul părinte.
Table 5.3: Reprezentarea arborelui din figura 5.1 folosind vectorul tata.
Nod 1 2 3 4 5 6 7 8 9 10
Tata 0 1 1 1 3 3 4 4 4 4
Acest mod de reprezentare are dezavantajul că nu păstrează ı̂n mod explicit ordinea
descendenţilor unui nod. Această ordine poate fi dedusă printr–o numerotare adecvată a
nodurilor. De obicei reprezentarea cu vectorul tata nu este folosită singură ci ı̂mpreună
cu alte moduri de reprezentare, ca o completare.
De exemplu, reprezentarea unui nod propusă la primul punct, poate fi modifcată astfel
ı̂ncât să incorporeze şi informaţii despre nodul părinte:
rad
NULL
1 NULL
NULL
2 3 4 NULL
NULL
5 6 NULL 7 8 9 10 NULL
Fig. 5.4: Exemplu de arbore oarecare cu 10 noduri reprezentat prin legături fiu-frate-tata
În figura 5.4, reprezentarea din figura 5.2 este ı̂mbunătăţită prin legătura tata.
105
• A–preordine: se vizitează mai ı̂ntâi rădăcina, şi apoi, ı̂n ordine, subarborii săi [93],
[123]. Metoda este identică cu metoda de parcurgere ı̂n preordine a arborelui binar
ataşat: 1, 2, 3, 5, 6, 4, 7, 8, 9, 10 (vezi algoritmul 35). Parcurgerea ı̂n A–preordine este
exemplificată pe arborele oarecare din figura 5.1.
Exemplul 5.1 [31] În continuare se prezintă implementarea ı̂n limbajul de programare C
a variantelor recursive pentru fiecare dintre cele două metode de vizitare ale unui arbore
oarecare.
#include <stdio.h>
#include <conio.h>
#include <stdlib.h>
/**
* Definitii de tipuri necesare cozii
*/
typedef struct nod {
int id;
float info;
struct nod *down, *next;
}NOD;
106
/**
* Definitii de tipuri pentru reprezentarea arborelui
*/
typedef struct cnod {
TINFO info; //informatia memorata in nod
struct cnod *next; //adresa urmatorului element
}CNOD;
/**
* Functie ce testeaza daca coada e vida
* @return 1 daca coada e vida
* 0 altfel
*/
int isEmpty(void) {
if (prim == NULL)
return 1;
else
return 0;
}
/**
* Functia adauga un element la sfarsitul unei cozi
* unde n reprezinta elementul ce se adauga.
*/
void add(TINFO n) {
CNOD *curent;
/**
* Functia extrage un element din coada. Returneaza elementul scos.
*/
TINFO get(void) {
CNOD *curent;
TINFO n;
if (prim == ultim) {
n = prim->info;
free(ultim);
107
prim = ultim = NULL;
} else {
curent = prim;
n = prim->info;
prim = prim->next;
free(curent);
}
return n;
}
/**
* Functia realizeaza crearea unui arbore oarecare. Se introduce initial radacina,
* apoi descendentii ei, dupa care se introduc descendentii nodurilor de pe
* nivelul 1, dupa care se introduc descendentii nodurilor de pe nivelul 2 s.a.m.d.
*/
NOD* creare(void) {
NOD *p, *c;
p = (NOD *)malloc(sizeof(NOD));
p->next = NULL;
printf("Dati id:"); scanf("%d", &p->id);
add(p);
while (!isEmpty()) {
c = get();
c->down = citListaDescendenti(c);
}
return p;
}
/**
* Functia citeste informatia asociata unui nod.
* @return 1 daca citirea s-a facut corect
* 0 altfel
*/
int citInfo(NOD *pn) {
printf("Id:");
pn->next = NULL;
pn->down = NULL;
return scanf("%d",&pn->id) == 1;
}
/**
* Functia realizeaza citirea listei de descendenti ai nodului up si
* returneaza adresa primului descendent din lista.
*/
NOD* citListaDescendenti(NOD *up) {
NOD *prim, *ultim, *p;
NOD n;
108
p = (NOD *)malloc(sizeof(NOD));
*p = n;
if (prim == NULL)
prim = ultim = p;
else {
ultim->next = p;
ultim = p;
}
add(p);
}
return prim;
}
/**
* Parcurgerea in A-preordine a arborelui cu radacina p.
*/
void aPreordine(NOD *p) {
NOD *desc;
/**
* Parcurgerea in A-postordine a arborelui cu radacina p.
*/
void aPostordine(NOD *p) {
NOD *desc;
desc = p->down;
while (desc != NULL) {
aPostordine(desc);
desc = desc->next;
}
printf("%d ",p->id);
}
void main(void) {
NOD *rad;
rad = creare();
printf("\n Parcurgerea in A-Preordine este:\n");
aPreordine(rad);
printf("\n Parcurgerea in A-Postordine este:\n");
aPostordine(rad);
}
109
5.3 Arbori de acoperire de cost minim
Fie G = (V, E) un graf neorientat şi fie c : E −→ R o funcţie de cost ce asociează o valoare
reală fiecărei muchii. Notăm cu TG mulţimea arborilor parţiali ai grafului G (un arbore
parţial este un graf parţial conex şi fără cicluri al grafului iniţial).
Cerinţa problemei este aceea de a determina un arbore T ′ ∈ TG având costul cel mai mic
dintre toţi arborii ce aparţin mulţimii TG :
Lema 5.2 (Proprietatea tăieturii) Fie S o submulţime de noduri a lui V şi e muchia ce are
costul minim dintre toate muchiile ce au o singură extremitate ı̂n S. Atunci arborele parţial
de cost minim va conţine muchia e.
Lema 5.3 (Proprietatea ciclului) Fie C un ciclu şi f muchia ce are costul maxim dintre
toate muchiile ce aparţin lui C. Atunci arborele parţial de cost minim T ′ nu conţine muchia
f.
110
Majoritatea algoritmilor ce calculează arborele de acoperire de cost minim prezintă aceeaşi
tehnică generală de calcul. La ı̂nceput se porneşte cu o pădure de arbori, T 0 = {T10 , T20, . . . , Tn0 }
unde Ti0 = {xi }, i = 1, n este un arbore format dintr–un singur nod. La pasul k vom avea
mulţimea T k compusă din n − k arbori: T k = {T1k , T2k , . . . , Tn−k
k
}.
k ′ ′
La fiecare pas, se alege un arbore Ti şi o muchie (u , v ) având costul minim dintre toate
muchiile (u, v) cu proprietatea că o extremitate aparţine mulţimii de noduri a arborelui Tik
(u′ ∈ Tik ) şi cealaltă extremitate aparţine mulţimii V \ VTik (v ′ ∈ V \ VTik ).
Prin urmare, mulţimea T k+1 se obţine din mulţimea T k prin reuniunea arborilor Tik şi
Tj (i 6= j), unde u′ ∈ Tik şi v ′ ∈ Tjk (T k+1 = T k \ {Tik , Tjk } ∪ {Tik ∪ Tjk }).
k
În final, la pasul n − 1, mulţimea T n−1 = {T1n−1 } va fi compusă dintr–un singur element,
acesta fiind arborele de acoperire de cost minim.
Algoritmii cei mai cunoscuţi pentru determinarea arborilor de acoperire de cost minim
sunt:
1. Algoritmul lui Boruvka (vezi algoritmul 36)
111
3. Algoritmul lui Kruskal (vezi algoritmul 38)
Algoritmul lui Prim implementat simplu are o complexitate O(n2 )[30] şi atinge o com-
plexitate de O(m log n) dacă se folosesc heap–uri Fibonacci [54], sau pairing heaps [115].
În tabelul 5.4 sunt prezentaţi mai mulţi algoritmi dezvoltaţi de–a lungul timpului pentru
determinarea arborelui de acoperire minimal şi complexităţile lor. Karger, Klein şi Tarjan [79]
pornind de la algoritmul lui Boruvka au realizat un algoritm randomizat pentru determinarea
arborelui de acoperire minimal, având o complexitate liniară, iar Chazelle [26] a dezvoltat
un algoritm având complexitatea O(nα(m, n)) (α(m, n) este inversa funcţiei lui Ackerman).
Pe de altă parte, Pettie şi Ramachandran [105] au propus un algoritm demonstrat ca fiind
optimal, având complexitatea cuprinsă ı̂ntre O(n + m) şi O(nα(m, n)).
Fie G(V, E) un graf neorientat unde V = {1, 2, ..., n} este mulţimea nodurilor şi E este
mulţimea muchiilor (E ⊆ V × V ). Pentru reprezentarea grafului se utilizează matricea
costurilor C:
0
, dacă i = j
ci,j = ∞ , dacă (i, j) ∈/E
d > 0 , dacă (i, j) ∈ E
112
5.3.1 Algoritmul lui Boruvka
Algoritmul lui Boruvka [77] a fost descoperit de către matematicianul ceh Otakar Boruvka
ı̂n 1926 [21], şi redescoperit apoi de către alţi cercetători. Dintre aceştia, Sollin (1961) este
cel care a mai dat numele algoritmului, acesta fiind cunoscut ı̂n literatura de specialitate şi
sub numele de algoritmul lui Sollin. Pentru ca acest algoritm să poată fi aplicat, trebuie ca
muchiile grafului să aibă costuri distincte (vezi algoritmul 39).
Aplicând algoritmul lui Boruvka, la pasul ı̂ntâi vor fi selectate muchiile (1, 2), (3, 6), (4, 5),
(4, 7) şi (7, 8). În urma operaţiilor de reuniune a componentelor conexe pe baza muchiilor
selectate, vor mai rămâne trei componente conexe ı̂n mulţimea M.
La pasul al doilea sunt alese muchiile (2, 5) şi (1, 3) ce conduc, ı̂n urma operaţiilor de
reuniune, la o singură componentă conexă.
113
Fig. 5.5: Exemplu de graf ponderat - aplicaţie algoritmul lui Boruvka
În momentul ı̂n care se modifică dj , se va modifica şi valoarea lui tataj = k.
114
Algoritm 40 Algoritmul Prim (varianta detaliata)
1: function DistantaMinima(n, vizitat, d)
2: min ← ∞
3: for j ← 1, n do
4: if (vizitatj 6= 1) ∧ (dj < min) then
5: min ← dj
6: j0 ← j
7: end if
8: end for
9: if (min = ∞) then
10: return −1
11: else
12: return j0
13: end if
14: end function
115
După primul pas al ciclului, selectăm muchia (1, 5).
1 2 3 4 5 6 7 8
d 14 6 21 5 16 ∞ ∞
tata 0 1 1 5 1 5 1 1
vizitat 1 0 0 0 1 0 0 0
La pasul al doilea se alege nodul 3 şi muchia (1, 3):
1 2 3 4 5 6 7 8
d 14 6 21 5 12 ∞ 12
tata 0 1 1 5 1 3 1 3
vizitat 1 0 1 0 1 0 0 0
La pasul al treilea avem două noduri ale căror distanţe la noduri din mulţimea S sunt
egale: 6 şi 8. Alegem primul nod - 6 şi muchia (3, 6):
1 2 3 4 5 6 7 8
d 14 6 21 5 12 14 6
tata 0 1 1 5 1 3 6 6
vizitat 1 0 1 0 1 1 0 0
Al patrulea nod ales este 8:
1 2 3 4 5 6 7 8
d 14 6 10 5 12 10 6
tata 0 1 1 8 1 3 8 6
vizitat 1 0 1 0 1 1 0 1
La pasul cinci, nodul aflat la distanţă minimă este 7:
1 2 3 4 5 6 7 8
d 14 6 10 5 12 10 6
tata 0 1 1 8 1 3 8 6
vizitat 1 0 1 0 1 1 1 1
La pasul şase este ales nodul 4:
1 2 3 4 5 6 7 8
d 12 6 10 5 12 10 6
tata 0 4 1 8 1 3 8 6
vizitat 1 0 1 1 1 1 1 1
La final, ultimul nod ales este 2 ı̂mpreună cu muchia (4, 2).
Trebuie să remarcăm faptul că algoritmul lui Prim (vezi algoritmul 40) este aproape
identic cu algoritmul lui Dijkstra (vezi algoritmul 62).
După cum am subliniat, implementarea optimă se realizează folosind nişte structuri de
date avansate - heap–uri Fibonacci sau pairing heaps (vezi algoritmul 41).
116
Algoritm 41 Algoritmul lui Prim folosind structuri de date avansate
1: procedure Prim3(n, C, u)
2: for fiecare v ∈ V do
3: dv ← ∞
4: end for
5: Q←∅ ⊲ iniţializează coada cu prioritate Q cu mulţimea vidă
6: for fiecare v ∈ V do
7: Q⇐v
8: end for
9: S←∅ ⊲ iniţializează mulţimea S cu mulţimea vidă
10: while Q 6= ∅ do
11: u ← deleteM in(Q) ⊲ extrage nodul de prioritate minimă din Q
12: S ← S ∪ {u}
13: for fiecare muchie e = (u, v) ∈ E do
14: if (v ∈
/ S) ∧ (c(e) < dv ) then
15: actualizeaza prioritatea lui v: dv ← c(e)
16: end if
17: end for
18: end while
19: end procedure
O astfel de structură de date pentru mulţimi disjuncte se mai numeşte şi structură de date
union–find (eng. union–find data structure).
Exemplul 5.6 Pentru o putea opera cu modul de reprezentare ales, cel cu vectori, trebuie
ca elementele mulţimii să ia valori naturale ı̂n intervalul [1,. . . ,n]. Dacă acest lucru nu
este posibil atunci folosim un vector auxiliar A ce păstrează valorile elementelor, ı̂n cadrul
reprezentării utilizându–se indicele acestora. Să presupunem că avem mulţimea de elemente
A = {a, b, e, x, y, z, u, v} şi partiţia {a, x, y}, {b, z, v}, {e, u}. Atunci conform modului de
reprezentare descris avem:
117
Algoritm 42 Algoritmi pentru operaţiile init, find, merge (varianta ı̂ntâi)
1: procedure Init(x, u)
2: cx ← u
3: end procedure
4: function Find(x)
5: return cx
6: end function
7: function Merge(x, y)
8: setx ← cx
9: sety ← cy
10: for k ← 1, n do
11: if (ck = sety) then
12: ck ← setx
13: end if
14: end for
15: return setx
16: end function
1 2 3 4 5 6 7 8
A ’a’ ’b’ ’e’ ’x’ ’y’ ’z’ ’u’ ’v’
C 1 2 3 1 1 2 2 3
a2 =′ b′ are semnificaţia următoare: elementul de pe poziţia 2 are valoarea ′ b′ . c2 = 2 -
elementul de pe poziţia 2 face parte din mulţimea de identificator 2. Sau a4 =′ x′ - elementul
de pe poziţia 4 are valoarea ′ x′ , şi c4 = 1 - elementul de pe poziţia 4 face parte din mulţimea
de identificator 1.
118
Algoritm 43 Algoritmi pentru operaţiile init, find, merge (varianta a II-a)
1: procedure Init(x, k)
2: Listk ← new node ⊲ alocă spaţiu pentru un nod al listei
3: Listk .data ← x
4: Listk .next ← N U LL
5: end procedure
6: function Find(x)
7: for i ← 1, m do
8: p ← Listi , reprezentant ← p
9: while (p 6= N U LL) ∧ (p.data 6= x) do
10: p ← p.next
11: end while
12: if (p 6= N U LL) then
13: return reprezentant
14: end if
15: end for
16: return N U LL
17: end function
18: function Merge(x, y)
19: capx ← F ind(x)
20: capy ← F ind(y)
21: curent ← capx
22: while (curent.next 6= N U LL) do
23: curent ← curent.next
24: end while
25: curent.next ← capy
26: return capx
27: end function
1. numărul de elemente din fiecare arbore - rădăcina arborelui ce are mai puţine elemente
(notăm arborele cu TB ) va deveni descendentul direct al rădăcinii arborelui ce posedă
mai multe elemente (notat cu TA ). Astfel toate nodurile din arborele TA vor rămâne cu
aceeaşi adâncime, pe când nodurile din arborele TB vor avea adâncimea incrementată
cu 1. De asemenea, arborele rezultat ı̂n urma reuniunii va avea cel puţin de două ori
mai multe noduri decât arborele TB .
119
Algoritm 44 Algoritmi pentru operaţiile init, find, merge (varianta a III-a)
1: procedure Init(x)
2: tatax ← x
3: end procedure
4: function Find(x)
5: while (x 6= tatax ) do
6: x ← tatax
7: end while
8: return x
9: end function
10: function Merge(x, y)
11: radx ← F ind(x)
12: rady ← F ind(y)
13: tatarady ← radx
14: return radx
15: end function
1: function Merge(x, y)
2: radx ← F ind(x)
3: rady ← F ind(y)
1: procedure Init(x)
4: size ← |tataradx | + |tatarady |
2: tatax ← −1
5: if (|tataradx | > |tatarady |) then
3: end procedure
6: tatarady ← radx
4: function Find(x)
7: tataradx ← −size
5: while (tatax > 0) do
8: return radx
6: x ← tatax
9: else
7: end while
10: tataradx ← rady
8: return x
11: tatarady ← −size
9: end function
12: return rady
13: end if
14: end function
Prin această euristică simplă se urmăreşte o echilibrare a arborelui rezultat pentru a se
evita cazurile degenerate. Complexitatea timp a procedurii F ind este O(log n).
2. ı̂nălţimea fiecărui arbore - rădăcina arborelui ce are ı̂nălţimea mai mică (notăm arborele
cu TB ) va deveni descendentul direct al rădăcinii arborelui cu ı̂nălţimea mai mare (notat
cu TA ). Dacă ı̂nălţimile lui TA şi TB sunt egale şi TA devine subarbore al lui TB atunci
ı̂nălţimea lui TB creşte cu o unitate.
Înălţimea fiecărui subarbore de rădăcină u se păstrează ı̂ntr–o variabilă nouă hu . Pentru
a economisi cantitatea de memorie utilizată, se poate păstra ı̂nălţimea unui arbore ı̂n
vectorul tata: tatax = −valoarea ı̂nălţimii arborelui, atunci când x reprezintă nodul
rădăcină al unui arbore.
120
1: function Merge(x, y)
2: radx ← F ind(x)
1: procedure Init(x) 3: rady ← F ind(y)
2: tatax ← x 4: if (hradx > hrady ) then
3: hx ← 0 5: tatarady ← radx
4: end procedure 6: return radx
5: function Find(x) 7: else
6: while (tatax 6= x) do 8: tataradx ← rady
7: x ← tatax 9: if (hradx = hrady ) then
8: end while 10: hrady ← hrady + 1
9: return x 11: end if
10: end function 12: return rady
13: end if
14: end function
Cea de–a doua tehnică utilizată pentru a reduce complexitatea timp a operaţiilor F ind şi
Merge este reprezentată de comprimarea drumului. Aceasta constă ı̂n a apropia fiecare nod
de rădăcina arborelui căruia ı̂i aparţine. Astfel ı̂n timpul operaţiei F ind(x) se determină mai
ı̂ntâi rădăcina arborelui căruia ı̂i aparţine (rad) şi apoi se mai parcurge o dată drumul de la
nodul x la rădăcină, astfel tatay ← rad, ∀y ∈ lanţul de la x la rad.
1: function Find(x)
2: y←x
3: while (tatay 6= y) do
4: y ← tatay
5: end while
6: rad ← y
7: y←x
8: while (tatay =6 y) do
9: y ← tatay
10: tatax ← rad
11: x←y
12: end while
13: return rad
14: end function
121
O verificare eficientă cu privire la apartenenţa la acelaşi arbore a celor două extremităţi
ale unei muchii se poate face dacă vom utiliza o structură de date pentru mulţimi disjuncte.
Ca implementare, am ales reprezentarea cu pădure de arbori. Vom folosi un vector tata
care, pentru fiecare nod, va păstra tatăl acestuia ı̂n arborele parţial căruia ı̂i aparţine.
Când sunt preluate ca date de intrare, muchiile vor fi prezentate ı̂n ordinea crescătoare a
extremităţilor lor, de forma i j cost, cu i < j.
Exemplul 5.7 Să considerăm graful din figura 5.6. Muchiile grafului şi costurile lor sunt
(am ales să reprezentăm matricea A sub forma unei matrice cu m coloane şi 3 linii din motive
de spaţiu):
A 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
linia 1 1 1 1 2 2 2 3 3 4 4 4 5 6 6 7
linia 2 2 3 5 4 5 6 6 8 5 7 8 6 7 8 8
linia 3 14 6 5 12 16 20 12 12 21 24 10 16 14 6 10
După aşezarea ı̂n ordine crescătoare a muchiilor după cost avem:
A 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
linia 1 1 1 6 4 7 2 3 3 1 6 2 5 2 4 4
linia 2 5 3 8 8 8 4 6 8 2 7 5 6 6 5 7
linia 3 5 6 6 10 10 12 12 12 14 14 16 16 20 21 24
În figura 5.7, sunt ilustraţi paşii algoritmului lui Kruskal aplicat pe graful considerat.
La ı̂nceput se iniţializează pădurea de arbori, fiecare arbore fiind alcătuit dintr–un singur
nod, acesta fiind şi rădăcina arborelui. Apoi la fiecare pas se alege o muchie şi se verifică
dacă extremităţile acesteia fac parte din arbori diferiţi. Dacă răspunsul este afirmativ atunci
muchia respectivă este selectată, altfel se trece la muchia următoare.
122
Fig. 5.7: Algoritmului lui Kruskal exemplificat pe graful din figura 5.6
La pasul ı̂ntâi evaluăm muchia (1, 5), şi deoarece cele două extremităţi fac parte din arbori
distincţi, vom selecta această muchie (L = {(1, 5)}). Reunim arborii din care fac parte cele
două extremităţi, (vezi figura 5.7 (1)).
La pasul al doilea, se ia ı̂n considerare muchia (1, 3) şi mulţimea muchilor selectate devine
L = {(1, 5), (1, 3)} (vezi figura 5.7 (2)).
La pasul al patrulea, ajungem la muchia (4, 8) ce are costul 10. Nodul 4 face parte din
arborele de rădăcină 4 iar nodul 8 face parte din arborele de rădăcină 6. Deoarece extremităţile
muchiei sunt amplasate ı̂n arbori distincţi selectăm muchia curentă pentru arborele parţial
de cost minim, L = {(1, 5), (1, 3), (6, 8), (4, 8)}. În urma reuniunii arborilor corespunzători
celor două noduri se obţine configuraţia din figura 5.7 (4).
123
Subliniem faptul că arborii reprezentaţi ı̂n figura 5.7 sunt diferiţi de arborii ce con-
duc la obţinerea soluţiei problemei: arborii din figură constituie suportul necesar pentru
reprezentarea structurii de date pentru mulţimi disjuncte, ce este utilizată pentru efectuarea
eficientă a operaţiilor F ind şi Merge. Acest lucru justifică faptul că deşi la pasul al patrulea
selectăm muchia (4, 8) pentru arborele parţial de cost minim, ea nu se regăseşte ı̂n configuraţia
(4) (nodul 4 este unit direct cu nodul 6, vezi figura 5.7). Singura legătură dintre un arbore
suport pentru reprezentarea unei mulţimi şi un arbore folosit pentru obţinerea arborelui parţial
de cost minim, este mulţimea de noduri ce este comună.
La paşii următori, cinci şi şase, sunt alese muchiile (7, 8) şi respectiv (2, 4): L = {(1, 5), (1, 3),
(6, 8), (4, 8), (7, 8), (2, 4)}.
La pasul al şaptelea se evaluează muchia (3, 6). Nodurile 3 şi 6 fac parte din arbori diferiţi,
astfel ı̂ncât muchia curentă poate fi selectată pentru soluţia problemei, L = {(1, 5), (1, 3), (6, 8),
(4, 8), (7, 8), (2, 4), (3, 6)}.
5.4 Exerciţii
1. Să se realizeze o subrutină ce ı̂ntoarce numărul de noduri dintr–un arbore oarecare.
3. Fie un graf G cu n vârfuri şi m muchii de cost pozitiv. Alegând un nod, numit nod
central, să se determine un subarbore al lui G astfel ı̂ncât drumurile de la nodul central
la toate celelalte noduri să aibă lungimea minimă.
4. Fiind date n puncte ı̂n spaţiul R3 determinate prin coordonatele (x, y, z), să se elaboreze
un algoritm ce determină sfera de rază minimă cu centrul ı̂ntr–unul din punctele date
şi care conţine ı̂n interiorul ei toate cele n puncte.
124
Datele de intrare sunt alcătuite din descrierile mai multor plăci electronice. Descrierea
fiecărei plăci conţine numărul N de componente şi numărul M de interconexiuni. O
conexiune se caracterizează prin trei valori: două vârfuri, u şi v, precum şi lungimea
acesteia l.
Datele de ieşire constau dintr-un răspuns pentru fiecare mulţime de date de test, compus
din numărul testului (se ı̂ncepe numerotarea cu 1), precum şi costul interconectării de
lungime minimă.
5 7
1 2 40 2 3 35 1 5 27 1 4 37 4 5 30 2 4 58 3 4 60
0 0
Cazul 1: [1 5] [4 5] [2 3] [1 2]
Interconectarea de cost minim are valoarea 132.
Fig. 5.8: Descrierea conexiunilor posibile dintre componentele unei plăci electronice
6. Realizaţi o subrutină nerecursivă care să determine cheia minimă dintr–un arbore oare-
care.
8. Pentru asigurarea securităţii activităţilor dintr–un combinat chimic s–a apelat la o com-
panie de pompieri. Desfăşurarea activităţilor companiei presupune stabilirea locurilor
de instalare a comandamentului precum şi a posturilor de supraveghere. Pentru aceasta
sunt disponibile ı̂n cadrul combinatului n puncte de control. Pentru fiecare pereche de
puncte de control se cunoaşte dacă există o legătură directă ı̂ntre ele şi, ı̂n caz afirmativ,
distanţa dintre ele. Se cunoaşte, de asemenea, faptul că ı̂ntre oricare două puncte de
control există un drum direct sau indirect.
Odată stabilite amplasamentele comandamentului şi ale punctelor de supraveghere ı̂n
câte unul dintre cele n puncte de control este posibil să se ajungă de la comandament
125
la fiecare punct de supraveghere parcurgând un anumit drum. Evident este de dorit ca
lungimea acestui drum să fie minimă şi valoarea maximă dintre lungimile drumurilor
minime pentru fiecare punct de supraveghere ı̂n parte să fie cât mai mică posibilă.
Se cere să se determine punctul de control ı̂n care trebuie instalat comandamentul cât
şi drumurile ce vor fi parcurse de la comandament la fiecare punct de supraveghere,
astfel ı̂ncât aceste drumuri să aibă valoarea lungimii minimă şi cel mai lung dintre ele
să fie cât mai scurt posibil.
126
Capitolul 6
Grafuri orientate
Definiţia 6.1 Un graf orientat este o pereche ordonată G = (V, E), unde V este o
mulţime de vârfuri sau noduri, iar E este o mulţime de arce.
Definiţia 6.2 Un graf parţial al unui graf orientat G = (V, E) este un graf orientat
G1 = (V, E1 ) unde E1 ⊂ E.
Exemplul 6.2 Pentru graful G din exemplul anterior (G = (V, E)), considerăm graful
parţial G1 = (V, E1 ), cu E1 = {(1, 3), (2, 1), (3, 5), (4, 6), (5, 2), (5, 7), (6, 4), (6, 8)}, şi V =
{1, 2, 3, 4, 5, 6, 7, 8}.
Definiţia 6.3 Un subgraf al unui graf orientat G = (V, E) este un graf orientat H =
(V1 , E1 ) unde V1 ⊂ V iar arcele din E1 sunt toate arcele din E ce au ambele extremităţi ı̂n
mulţimea V1 (E1 = E|V1 ×V1 ).
Exemplul 6.3 Fie subgrafurile H1 şi H2 ale grafului G din exemplul anterior: H1 = (V1 , E1 ),
unde V1 = {1, 2, 3, 5}, iar E1 = {(1, 2), (1, 3), (2, 1), (3, 5), (5, 2)}, şi H2 = (V2 , E2 ), unde
V = {4, 6, 7, 8} şi E2 = {(4, 6), (6, 4), (6, 8), (7, 6)}.
Definiţia 6.4 Gradul exterior al unui vârf d+ (x) este egal cu numărul arcelor ce au ca ex-
tremitate iniţială pe x (d+ (x) = |{(x, u)|(x, u) ∈ E, u ∈ V }|). Gradul interior al unui vârf
d− (x) este egal cu numărul arcelor ce au ca extremitate finală pe x (d− (x) = |{(u, x)|(u, x) ∈
E, u ∈ V }|).
127
Fig. 6.1: Un exemplu de graf orientat
Definiţia 6.5 Se numeşte lanţ o secvenţă de arce L = {l1 , . . . , lp } cu proprietatea că oricare
două arce consecutive ale secvenţei au o extremitate comună. (L = [v0 , v1 , . . . , vp ] unde
(vi , vi+1 ) ∈ E sau (vi+1 , vi ) ∈ E, ∀i = 0, p − 1).
Dacă vârfurile v0 , v1 , . . . , vp sunt distincte două câte două, drumul se numeşte elementar.
Exemplul 6.4 L1 = {(6, 8), (7, 6), (7, 5), (3, 5), (1, 3)} şi L2 = {(6, 8), (6, 4), (1, 4)} sunt lanţuri
de la vârful 8 la vârful 1, iar D1 = {(1, 3), (3, 5), (5, 7), (7, 6), (6, 8)} şi
D2 = {(1, 4), (4, 6), (6, 8)} sunt drumuri elementare de la vârful 1 la vârful 8.
Definiţia 6.8 Se numeşte circuit hamiltonian un circuit elementar ce trece prin toate
vârfurile grafului. Un graf ce admite un circuit hamiltonian se numeşte graf hamiltonian
orientat.
Definiţia 6.9 Un drum D ce conţine fiecare arc exact o singură dată se numeşte drum eu-
lerian. Dacă v0 = vp şi drumul este eulerian atunci circuitul se numeşte circuit eulerian.
Un graf ce conţine un circuit eulerian se numeşte graf eulerian orientat.
Definiţia 6.10 Un graf se numeşte conex dacă pentru orice pereche de vârfuri x şi y există
un lanţ Lxy de la x la y.
Definiţia 6.11 Un graf orientat este complet dacă oricare două vârfuri sunt adiacente.
Metodele utilizate pentru reprezentarea unui graf neorientat se pot adapta ı̂n mod natural
pentru reprezentarea unui graf orientat, ı̂nlocuind noţiunea de muchie cu cea de arc.
128
Fig. 6.2: Arbore de acoperire ı̂n lăţime pentru graful orientat din figura 6.1
• arc al arborelui de acoperire - arcul (u, v) este un arc al arborelui de acoperire ı̂n lăţime.
• arc de ı̂ntoarcere - arcul (u, v) se numeşte arc de ı̂ntoarcere dacă are sensul contrar unui
drum de la v la u ı̂n arborele de acoperire (v u) (se spune că u este un descendent
al lui v şi v este un strămoş al lui u).
• arc de traversare - arcul (u, v) este un arc de traversare dacă v nu este nici descendent
direct, nici strămoş al lui u.
În figura 6.2 este prezentat arborele de acoperire ı̂n lăţime corespunzător grafului din
figura 6.1 având rădăcina 1: arcele (2, 1), (7, 5), (6, 4) sunt arce de ı̂ntoarcere, (5, 2), (7, 6)
sunt arce de traversare, iar celelalte sunt arce ale arborelui de acoperire (de exemplu (1, 3),
(6, 8)).
Vom prezenta schiţa unui algoritm mai general pentru parcurgerea unui graf (a se vedea
algoritmul 46). Pentru aceasta se utilizează două mulţimi de noduri, V izitat şi Neexplorat,
unde V izitat reprezintă mulţimea nodurilor vizitate iar Neexplorat (Neexplorat ⊂ V izitat)
reprezintă mulţimea nodurilor vizitate dar neexplorate (noduri ce prezintă vecini ı̂ncă nevizitaţi).
În urma unei parcurgeri ı̂n adâncime a unui graf orientat, fiecare arc din mulţimea arcelor
poate fi ı̂ncadrat ı̂ntr-unul dintre tipurile următoare:
• arc al arborelui de acoperire - arcul (u, v) este un arc al arborelui de acoperire dacă
call
df s(u) apelează df s(v) (df s(u) df s(v)).
• arc de ı̂naintare - arcul (u, v) este un arc de ı̂naintare dacă este paralel cu un drum de
la u la v din arborele de acoperire (u v) (nu face parte din arborele de acoperire).
129
Algoritm 46 Algoritm de vizitare a unui graf (model general)
( ParcurgereGraf(u, G)
1: procedure
u - vârful de unde se porneşte vizitarea
Input:
G - graful
2: V izitat ← {u}
3: N eexplorat ← V izitat
4: while (N eexplorat 6= ∅) do
5: extrage un nod x din N eexplorat
6: determină y, următorul vecin al lui x ce nu a fost vizitat
7: if (y = N U LL) then
8: elimină x din N eexplorat
9: else
10: if (y ∈
/ V izitat) then
11: V izitat ← V izitat ∪ {y}
12: N eexplorat ← N eexplorat ∪ {y}
13: end if
14: end if
15: end while
16: end procedure
• arc de ı̂ntoarcere - arcul (u, v) se numeşte arc de ı̂ntoarcere dacă are sensul contrar unui
drum de la v la u din arborele de acoperire (v u).
• arc de traversare - arcul (u, v) este un arc de traversare dacă df s(v) a fost apelat şi s-a
terminat ı̂nainte de apelul lui df s(u).
Fig. 6.3: Arbore de acoperire ı̂n adâncime pentru graful orientat din figura 6.1
Pentru fiecare nod v al unui graf vom introduce două numere, prenumv şi postnumv ,
numere ce depind de ordinea ı̂n care sunt ı̂ntâlnite nodurile acestuia ı̂n timpul vizitării ı̂n
adâncime: prenumv marchează momentul când este ı̂ntâlnit nodul v pentru prima oară
130
iar postnumv momentul ı̂n care prelucrarea nodului v s-a ı̂ncheiat. Variabila counter este
iniţializată cu valoarea 1:
1: procedure Prenum(v)
2: prenumv ← counter
3: counter ← counter + 1
4: end procedure
şi
1: procedure Postnum(v)
2: postnumv ← counter
3: counter ← counter + 1
4: end procedure
Un arc (u, v) va avea următoarele proprietăţi, ı̂n funcţie de una din cele patru categorii
de arce introduse anterior ı̂n care se ı̂ncadrează:
1. arc al arborelui de acoperire: prenumu < prenumv şi postnumu > postnumv ;
Arborele de acoperire ı̂n adâncime corespunzător grafului din figura 6.1 ilustrează aceste
tipuri de arce: arc de ı̂naintare – (1, 4), arce de ı̂ntoarcere - (2, 1), (7, 5), (4, 6) arc de traver-
sare - (5, 2), arce ale arborelui de acoperire - (1, 2), (1, 3), (3, 5), (5, 7), (7, 6), (6, 8), (6, 4) (a
se vedea figura 6.3).
Lema 6.5 Fiind dat un graf orientat G şi două noduri oarecare u, v ∈ G ce aparţin aceluiaşi
arbore de acoperire ı̂n adâncime rezultat ı̂n urma parcurgerii cu metoda DF S a grafului G
avem:
1. dacă (u, v) este un arc al arborelui de acoperire sau un arc de ı̂naintare sau un arc de traver-
sare ⇒ postnumu > postnumv ;
131
2. dacă (u, v) este un arc de ı̂ntoarcere ⇒ postnumu < postnumv .
Lema 6.6 Fiind dat un graf orientat G pentru oricare două noduri u, v ∈ G avem:
1. v este un descendent al lui u ı̂n pădurea de arbori de acoperire rezultaţi ı̂n urma vizitării ı̂n
adâncime a grafului G ⇔ intervalul [prenumv , postnumv ] este inclus ı̂n intervalul [prenumu ,
postnumu ];
2. nu există nici o legătură ı̂ntre u şi v ı̂n pădurea de arbori de acoperire rezultaţi ı̂n urma
vizitării ı̂n adâncime a grafului G ⇔ intervalele [prenumu , postnumu ] şi [prenumv , postnumv ]
sunt disjuncte;
3. situaţii prenumu < prenumv < postnumu < postnumv sau prenumv < prenumu < postnumv
< postnumu nu sunt posibile.
Lema 6.7 Fiind dat un graf neorientat G, dacă pentru două noduri oarecare u, v ∈ G avem
relaţia prenumu < prenumv < postnumu atunci:
Exemplul 6.8 În urma apelării procedurii DFSNum(1, 8, Vecin) (a se vedea algoritmul
47), secvenţa de apeluri recursive ale procedurii DFSNum este ilustrată prin arborele de acoperire
ı̂n adâncime din figura 6.3.
Numerotarea nodurilor ı̂n preordine şi postordine, rezultată ı̂n urma vizitării este următoarea:
1 2 3 4 5 6 7 8
prenum 1 2 4 8 5 6 7 10
postnum 16 3 15 9 14 13 12 11
Pentru arcul (1, 4) avem prenum1 = 1, postnum1 = 16, prenum4 = 8 şi postnum4 = 9.
Deoarece relaţia prenumu < prenumv < postnumu este adevărată conform lemei 6.7 ar
trebui să avem prenumu < prenumv < postnumv < postnumu şi să existe un drum de la u
la v, lucruri care sunt adevărate (prenum1 < prenum4 < postnum4 < postnum1 şi există un
drum de la 1 la 4 ı̂n arborele de acoperire ı̂n adâncime).
132
Definiţia 6.12 Un graf orientat şi care nu posedă circuite se numeşte graf orientat aciclic
(directed acyclic graph - DAG).
Lema 6.9 Într-un graf orientat aciclic, dacă prenumu < prenumv şi există un drum de la
u la v ı̂n G, atunci prenumu < prenumv < postnumv < postnumu .
În practică, există mai multe situaţii ı̂n care o mulţime de activităţi sau sarcini, trebuie
organizate ı̂ntr-o anumită ordine, ı̂ntre acestea existând, de obicei, o mulţime de restricţii sau
dependenţe. În activitatea de construire a unei clădiri, anumite activităţi nu pot fi ı̂ncepute
decât după finalizarea altor activităţi: spre exemplu, nu se poate ı̂ncepe ridicarea pereţilor
unei construcţii decât după turnarea fundaţiei şi finalizarea structurii de rezistenţă, nu se
poate realiza instalaţia electrică dacă nu au fost ridicate zidurile, ş.a.m.d.
Sau dacă un student doreşte să ı̂şi alcătuiască un plan de studiu individual ce va conţine
pe lângă cursurile obligatorii, şi o serie de cursuri opţionale, va trebui să ţină cont de anul de
studiu ı̂n care se predă fiecare materie, precum şi de cerinţele obligatorii ale acestora: un curs
nu poate fi inclus ı̂n planul de studiu individual al unui student decât dacă acesta a parcurs
şi a obţinut creditele la toate materiile anterioare cerute explicit ı̂n programa cursului.
( SortTop1(n, V ecin)
1: procedure
n - numărul de noduri din graf
Input:
V ecin - vector ce conţine listele cu vecini ai fiecărui nod
2: for k ← 1, n do
3: dminusk ← 0
4: end for
5: for ∀(u, v) ∈ E do
6: dminusv = dminusv + 1
7: end for
8: Q←∅ ⊲ se iniţializează coada
9: for k ← 1, n do
10: if (dminusk = 0) then
11: Q⇐k ⊲ se inserează ı̂ntr–o coadă nodurile cu gradul interior 0
12: end if
13: end for
14: while (Q 6= ∅) do
15: Q⇒k ⊲ se extrage din coadă un nod
16: L⇐k ⊲ se inserează nodul ı̂ntr-o listă
17: w ← V ecink ⊲ v ia valoarea capului listei de vecini a nodului k
18: while (w 6= N U LL) do
19: dminusw.nodeIndex ← dminusw.nodeIndex − 1
20: if (dminusw.nodeIndex = 0) then
21: Q ⇐ w.nodeIndex ⊲ se inserează ı̂n coadă nodul w.nodeIndex
22: end if
23: w ← w.next ⊲ se trece la următorul vecin
24: end while
25: end while
26: end procedure
Dependenţa dintre două activităţi A şi B o putem modela prin introducerea a două noduri
ı̂n graf xi şi xj , asociate celor două activităţi. Dacă activitatea A trebuie realizată ı̂naintea
activităţii B, atunci se adaugă arcul (xi , xj ).
133
Definiţia 6.13 Se numeşte sortare topologică pentru un graf orientat G = (V, E) o or-
donare {x1 , x2 , . . . , xn } a nodurilor grafului astfel ı̂ncât pentru orice arc (xi , xj ) să avem
i < j.
Prin urmare o sortare topologică presupune aranjarea liniară a vârfurilor unui graf astfel
ı̂ncât toate arcele sale să fie orientate de la stânga la dreapta.
Lema 6.10 Dacă un graf orientat G admite o sortare topologică atunci G este aciclic.
Lema 6.11 Dacă un graf orientat G este aciclic atunci el admite o sortare topologică.
Observaţia 6.12 Într-un graf orientat aciclic există cel puţin un nod al cărui grad interior
este 0 (graful nu posedă arce care să aibă nodul v drept extremitate finală).
Pornind de la această observaţie se schiţează următorul algoritm [78]: ı̂ntr-un graf G se
determină un nod v astfel ı̂ncât gradul său interior să fie zero (d− (v) = 0); se adaugă acest
nod la o listă ce va conţine ordonarea topologică, se şterge nodul din graf ı̂mpreună cu toate
arcele ce ı̂l au ca extremitate iniţială, şi se reia algoritmul pentru graful G′ = (V ′ , E ′ ), unde
V ′ = V \ {v}, E ′ = E|V ′ ×V ′ .
Algoritmul 48 se termină ı̂n cel mult n paşi (|V | = n). Dacă se termină mai devreme,
atunci graful G nu este aciclic (la un moment dat nu mai există nici un nod v astfel ı̂ncât
d− (v) = 0).
Fig. 6.5: Sortare topologică cu algoritmul 48 pentru graful orientat din figura 6.4
Exemplul 6.13 Fie graful orientat din figura 6.5. Vârful 3 are d− (v) = 0. Se adaugă acest
nod la lista finală ce va conţine nodurile ordonate, se şterge nodul ı̂mpreună cu arcele care ı̂l
au drept extremitate iniţială. În graful rezultat, vârful 1 are proprietatea că d− (v) = 0. Se
adaugă la lista de rezultate, şi se elimină din graf ı̂mpreună cu arcele ce pleacă din el. Se
continuă procedeul până când graful devine vid (ı̂ntregul proces poate fi urmărit ı̂n figura 6.5).
134
Algoritm 49 Algoritm de sortare topologică a unui graf orientat (a doua variantă)
( SortTop2(n, V ecin)
1: procedure
n - numărul de noduri din graf
Input:
V ecin - matricea de adiacenţă a grafului
2: for k ← 1, n do
3: prenumk ← 0, postnumk ← 0
4: vizitatk ← 0
5: end for
6: for k ← 1, n do
7: if (vizitatk = 0) then
8: call DF SN um(k, n, V ecin)
9: end if
10: end for
11: se ordonează descrescător nodurile după postnumk
12: end procedure
Lema 6.14 Un graf orientat G este aciclic dacă şi numai dacă ı̂n urma unei vizitări ı̂n
adâncime a acestuia nu este ı̂ntâlnit nici un arc de ı̂ntoarcere.
Exemplul 6.15 Să considerăm ca date de intrare pentru algoritmul 49 graful orientat din
figura 6.4. După etapa de iniţializare (liniile 2 - 5) avem:
1 2 3 4 5 6 7
prenum 0 0 0 0 0 0 0
postnum 0 0 0 0 0 0 0
vizitat 0 0 0 0 0 0 0
Se apelează mai ı̂ntâi DFSNum(1, 7, Vecin). Secvenţa rezultată de apeluri recursive este
următoarea: DFSNum(1, 7, Vecin) → DFSNum(2, 7, Vecin) → DFSNum(4, 7, Vecin)
→ DFSNum(5, 7, Vecin) → DFSNum(7, 7, Vecin) → DFSNum(6, 7, Vecin).
În urma acestei secvenţe valorile vectorilor prenum şi postnum sunt următoarele:
1 2 3 4 5 6 7
prenum 1 2 0 3 4 6 5
postnum 12 11 0 10 9 7 8
vizitat 1 1 0 1 1 1 1
Mai rămâne nevizitat un singur nod, 3, drept pentru care vom mai avea un apel
DFSNum(3, 7, Vecin) din procedura principală SortTop2():
1 2 3 4 5 6 7
prenum 1 2 13 3 4 6 5
postnum 12 11 14 10 9 7 8
vizitat 1 1 1 1 1 1 1
Ordonarea descrescătoare a nodurilor mulţimii V după valorile vectorului postnum, con-
duce la următoarea configuraţie:
135
postnum 14 12 11 10 9 8 7
3 1 2 4 5 7 6
Astfel, sortarea topologică a nodurilor grafului obţinută ı̂n urma aplicării algoritmului 49
este: 3, 1, 2, 4, 5, 7, 6.
Fie G = (V, E) un graf orientat unde V = {1, 2, . . . , n} este mulţimea nodurilor şi E este
mulţimea arcelor (E ⊆ V × V ).
Definiţia 6.14 O componentă tare conexă a unui graf orientat G este o mulţime maxi-
mală de vârfuri U ⊆ V , astfel ı̂ncât, pentru fiecare pereche de vârfuri {u, v} (u, v ∈ U) există
atât un drum de la u la v cât şi un drum de la v la u. Prin urmare se spune că vârfurile u
şi v sunt accesibile unul din celălalt.
Un graf orientat ce are o singură componentă tare conexă astfel ı̂ncât U = V este un graf
tare conex. În cazul ı̂n care un graf orientat nu este tare conex atunci el se poate descompune
ı̂n mai multe componente tare conexe. O astfel de componentă este determinată de un subgraf
al grafului iniţial.
Definiţia 6.15 Graful orientat G se numeşte tare conex dacă pentru orice pereche de
vârfuri u 6= v, există un drum de la nodul u la nodul v şi un drum de la nodul v la nodul u.
Se poate arăta că relaţia de tare conexitate este o relaţie de echivalenţă. O relaţie (notată
cu ∼) este o relaţie de echivalenţă dacă prezintă proprietăţile de reflexivitate, simetrie şi
tranzitivitate:
136
• reflexivitate: a ∼ a;
• simetrie: a ∼ b ⇒ b ∼ a;
• tranzitivitate: a ∼ b, b ∼ c ⇒ a ∼ c.
O clasă de echivalenţă este mulţimea tuturor elementelor care se află ı̂n relaţia ∼ ([x]∼ =
{y|x ∼ y}). Relaţia de echivalenţă determină o partiţie ı̂n clase de echivalenţă a mulţimii
peste care a fost definită. Prin urmare relaţia de tare conexitate determină o partiţie a
mulţimii V . Clasele de echivalenţă determinate de relaţia de tare conexitate sunt componen-
tele tare conexe.
Pentru determinarea componentelor tare conexe există mai mulţi algoritmi, dintre care
amintim algoritmul lui Tarjan, algoritmul lui Kosaraju şi algoritmul lui Gabow.
Pas 2. Se obţine un nou graf GT = (V, E T ) prin inversarea sensului arcelor grafului G (E T =
{(u, v)|(v, u) ∈ E, u, v ∈ V }).
Pas 3. Se caută nodul nevizitat din graful GT ce are cel mai mare număr atribuit ı̂n urma
parcurgerii de la Pasul 1. Din acest nod se iniţiază parcugerea grafului cu algoritmul
de vizitare ı̂n adâncime.
Pas 4. Dacă mai rămân noduri nevizitate atunci se reia Pasul 3, altfel algoritmul se termină.
Fiecare arbore rezultat ı̂n urma parcurgerii de la Pasul 3 constituie o componentă tare conexă
a grafului G.
În continuare se prezintă implementarea ı̂n limbajul C a algoritmului anterior:
Listing 6.1: kosaraju.c
#include <s t d i o . h>
#include <mem. h>
i nt nump ;
i nt postnum [MAX] ; // Numarul a s o c i a t f i e c a r u i v a r f l a v i z i t a r e a i n p o s t o r d i n e .
137
void d f s ( i nt k ) {
i nt i ;
v i z i t a t [ k ] = TRUE;
for ( i = 0 ; i < n ; i ++)
i f ( ( v i z i t a t [ i ] == FALSE) && ( v e c i n [ k ] [ i ] > 0 ) )
dfs ( i ) ;
nump++;
postnum [ k ] = nump ;
}
void d f s 1 ( i nt k ) {
i nt i ;
v i z i t a t [ k ] = TRUE;
for ( i = 0 ; i < n ; i ++)
i f ( ( v i z i t a t [ i ] == FALSE) && ( v e c i n [ k ] [ i ] > 0 ) )
dfs1 ( i ) ;
p r i n t f ( ”%d ” , k ) ;
}
void r e a d I n p u t ( void ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” , &n ) ;
do{
p r i n t f ( ” nod1 nod2 : ” ) ; s c a n f ( ”%d %d” , &i , &j ) ;
i f ( i >= 0 )
vecin [ i ] [ j ] = 1;
} while ( i >= 0 ) ;
}
readInput ( ) ;
// prima eta pa
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
nump = 0 ;
for ( i = 0 ; i < n ; i ++)
i f ( v i z i t a t [ i ] == FALSE)
dfs ( i ) ;
// eta pa a doua
memset ( v i z i t a t , 0 , s i z e o f ( v i z i t a t ) ) ;
for ( i = 0 ; i < n ; i ++)
for ( j = i ; j < n ; j ++) {
tmp = v e c i n [ i ] [ j ] ;
vecin [ i ] [ j ] = vecin [ j ] [ i ] ;
v e c i n [ j ] [ i ] = tmp ;
}
k = 0;
while (TRUE) {
maxim = 0 ;
for ( i = 0 ; i < n ; i ++)
i f ( ( v i z i t a t [ i ] == FALSE) && ( maxim < postnum [ i ] ) ) {
maxim = postnum [ i ] ;
nod = i ;
138
}
i f ( maxim == 0 )
break ;
k++;
p r i n t f ( ”Componenta %d : ” , k ) ;
d f s 1 ( nod ) ;
p r i n t f ( ” \n” ) ;
}
}
Exemplul 6.17 După parcurgerea ı̂n adâncime a grafului 6.6, valorile vectorilor vizitat şi
postnum sunt următoarele:
1 2 3 4 5 6 7 8
postnum 8 7 5 6 1 2 3 4
vizitat 1 1 1 1 1 1 1 1
Se construieşte graful transpus, GT (a se vedea figura 6.7). Se caută primul nod u ı̂ncă
nevizitat (vizitatu = 0), căruia ı̂i corespunde cea mai mare valoare postnumu . În acest mod,
se identifică componenta tare conexă compusă numai din nodul 1: {1}.
Următorul nod, ca valoarea a vectorului postnum ordonat descrescător, este 2. Din nodul
2 se parcurg nodurile 3 şi 4, rezultând o altă componentă tare conexă: {2, 3, 4}.
Următorul nod nevizitat u ce are valoarea prenumu maximă este nodul 8. Se identifică
mai ı̂ntâi componenta tare conexă {7, 8} şi apoi {5, 6}.
Analiza algoritmului
Algoritmul lui Kosaraju realizează două parcurgeri ale tuturor elementelor grafului G: prima
dată parcurge graful G şi a doua oară parcurge graful GT . Prin urmare, complexitatea
timp a algoritmului este Ω(|V | + |E|) ı̂n cazul ı̂n care graful este reprezentat prin liste de
adiacenţă şi este pătratică ı̂n |V |2 (O(|V |2 )) atunci când graful este reprezentat prin matricea
de adiacenţă.
139
Algoritmul iniţiază o parcurgere ı̂n adâncime a nodurilor grafului G pornind de la un nod
oarecare. O componentă tare conexă a grafului G, dacă există, constituie un subarbore al
arborelui de acoperire ı̂n adâncime, iar rădăcina acestui subarbore este reprezentantul clasei
de echivalenţă.
Prin urmare componentele tare conexe se obţin prin descompunerea arborelui/arborilor
de acoperire ı̂n adâncime dacă eliminăm anumite arce ale acestora. Un nod este capul unei
componente tare conexe (sau rădăcina), dacă acesta constituie rădăcina subarborelui core-
spunzător componentei. Arcul ce are nodul-cap drept extremitate finală este cel ce trebuie
eliminat. După ce determinăm toate nodurile-cap, subarborii arborelui/arborilor de acoperire
ı̂n adâncime ce ı̂i au drept rădăcini, sunt componentele tare conexe.
Algoritmul lui Tarjan are drept scop determinarea nodurilor-cap. Pentru a păstra o ordine
a vizitării acestora pe parcursul algoritmului, nodurile vor fi adăugate pe o stivă. Ele vor fi
extrase din stivă ı̂n momentul ı̂n care procedura de vizitare DFS a unui nod este ı̂ncheiată: se
determină dacă nodul curent este rădăcina unei componente tare conexe, şi, ı̂n caz afirmativ,
toate nodurile care au fost vizitate din nodul curent ı̂n cadrul parcurgerii ı̂n adâncime sunt
marcate ca fiind elemente ale componentei tare conexe.
Vom numerota toate nodurile grafului ı̂n preordine (altfel spus, acest număr indică pen-
tru nodul curent numărul de noduri vizitate ı̂naintea sa), valorile fiind păstrate ı̂n vectorul
prenum (cititorul este invitat să revadă şi secţiunea despre Muchie critică, cea de-a doua
soluţie). Pentru un nod u ∈ G definim lowu astfel:
prenumu
lowu = min prenumx , dacă [u, x] este arc de ı̂ntoarcere sau de traversare şi x ∈ S
lowy , ∀y descendent direct al lui u
Dacă dintr-un vârf u ∈ G există un arc de ı̂ntoarcere sau de traversare către un nod v ∈ G
ı̂n afara subarborelui de vizitare ı̂n adâncime determinat de u, atunci acest nod v trebuie să
fi fost vizitat ı̂naintea lui u (prenumu > prenumv ). Dacă un astfel de nod nu există atunci
lowu = prenumu . Stiva S păstrează nodurile grafului, pe măsură ce sunt vizitate, ele fiind
adăugate la S. Dacă u este un nod-cap (lowu = prenumu ) se extrag din stivă toate nodurile
dintre vârful stivei şi u inclusiv: acestea formează o componentă tare conexă.
Se observă că algoritmul lui Tarjan (algoritmul 50) seamănă foarte mult cu algoritmul 22
de determinare a muchiei critice (varianta a II-a).
Exemplul 6.18 La ı̂nceput valorile vectorilor vizitat şi prenum sunt următoarele:
1 2 3 4 5 6 7 8
prenum 0 0 0 0 0 0 0 0
vizitat 0 0 0 0 0 0 0 0
Primul element nevizitat este nodul 1 (linia 9), prin urmare se apelează DFSTarjan(1,
8, Vecin). Rezultă o secvenţă de apeluri recursive:
DFSNum(1, 8, Vecin) → DFSNum(2, 8, Vecin) → DFSNum(3, 8, Vecin)
→ DFSNum(6, 8, Vecin) → DFSNum(5, 8, Vecin).
1 2 3 4 5 6 7 8
prenum 1 2 3 0 5 4 0 0
vizitat 1 1 1 0 1 1 0 0
low 1 2 0 0 4 4 0 0
Stiva conţine următoarele elemente (vârful stivei fiind ı̂n dreapta): {1, 2, 3, 6, 5}.
140
Algoritm 50 Algoritmul lui Tarjan pentru determinarea componentelor tare conexe
( Tarjan(n, V ecin)
1: procedure
n - numărul de noduri din graf
Input:
V ecin - matricea de adiacenţă
2: for i ← 1, n do
3: vizitati ← 0
4: end for
5: counter ← 0
6: S←∅
7: for i ← 1, n do
8: if (vizitati = 0) then
9: call DF ST arjan(i, n, V ecin) ⊲ vizitarea ı̂n adâncime a grafului
10: end if
11: end for
12: end procedure
13: procedure DFSTarjan(k, n, V ecin)
14: S⇐k
15: vizitatk ← 1
16: counter ← counter + 1
17: prenumk ← counter, lowk ← counter
18: for i ← 1, n do
19: if (vecink,i = 1) then
20: if (vizitati = 0) then
21: call DF ST arjan(i, n, V ecin)
22: lowk ← M in(lowk , lowi )
23: else
24: if (i ∈ S) then
25: lowk ← M in(lowk , prenumi )
26: end if
27: end if
28: end if
29: end for
30: if (lowk = prenumk ) then
31: repeat
32: S⇒u
33: Output ”u”
34: until (u = k)
35: end if
36: end procedure
141
DFSNum(3, 8, Vecin) → DFSNum(8, 8, Vecin) → DFSNum(7, 8, Vecin).
Conţinutul stivei este {1, 2, 3, 8, 7}.
La nivelul apelului DFSNum(7, 8, Vecin) nu se ia ı̂n considerare la calculului valorii lui
low7 nodul 6: deşi există arcul (7, 6), nodul 6 a fost vizitat (vizitati 6= 0) şi nu se mai află
pe stivă (i ∈
/ S). Astfel low7 = min{low7 , prenum8 } = min{7, 6} = 6.
La nivelul lui DFSNum(8, 8, Vecin), low8 = min{low8 , low7 } = min{6, 6} = 6 (linia
22). Avem că (low8 = prenum8 ) (linia 30) şi prin urmare 8 este un nod-cap. Se extrag de pe
stivă toate elementele dintre vârful stivei şi elementul 8 inclusiv, rezultând a doua componentă
tare conexă: {7, 8}.
Stiva rămâne cu elementele (vârful stivei fiind ı̂n dreapta) {1, 2, 3}.
1 2 3 4 5 6 7 8
prenum 1 2 3 0 5 4 7 6
vizitat 1 1 1 0 1 1 1 1
low 1 2 0 0 4 4 6 6
În momentul terminării apelului DFSTarjan(3, 8, Vecin), low3 = 2.
Revenind la nivelul apelului DFSTarjan(2, 8, Vecin), se calculează low2 = min{low2 , low3 } =
min{2, 2} = 2, şi se continuă cu următorul nod ı̂ncă nevizitat, 4: DFSNum(2, 8, Vecin) →
DFSNum(4, 8, Vecin).
Se adaugă nodul 4 pe stivă (stiva devine {1, 2, 3, 4}), low4 = prenum4 = 8.
low4 se calculează din low4 = min{low4 , prenum3 } = min{8, 3} = 3 (există arcul (4, 3),
nodul 3 a fost vizitat - vizitat3 = 1 şi 3 ∈ S - nodul 3 se află pe stivă).
1 2 3 4 5 6 7 8
prenum 1 2 3 8 5 4 7 6
vizitat 1 1 1 1 1 1 1 1
low 1 2 2 3 4 4 6 6
Ne ı̂ntoarcem la nivelul apelului DFSTarjan(2, 8, Vecin), low2 = min{low2 , low4 } =
min{2, 3} = 2. Arcul (2, 5) nu este luat ı̂n considerare la calculul lui low2 deoarece nodul 5 a
fost vizitat (vizitat5 = 1) şi 5 nu se regăseşte pe stivă. Astfel low2 rămâne cu valoarea 2.
Deoarece low2 = prenum2 , extragem de pe stivă elementele ce determină cea de-a treia
componentă tare conexă: {4, 3, 2}. Pe stivă mai rămâne un singur element, {1}, ce va
determina ultima componentă tare conexă.
În final, valorile low şi prenum sunt următoarele:
1 2 3 4 5 6 7 8
prenum 1 2 3 8 5 4 7 6
vizitat 1 1 1 1 1 1 1 1
low 1 2 2 3 4 4 6 6
142
Fig. 6.8: Drumul P ı̂n algoritmul lui Gabow pentru graful din figura 6.6
- dacă w ∈
/ P , atunci se adaugă nodul w la drumul P (P = [v1 , . . . , vk , w]);
- dacă nu avem nici un arc neverificat care să aibă nodul vk ca extremitate iniţială, se
marchează nodul vk ca aparţinând unei componente conexe. Se şterge nodul vk din
graful H şi din drumul P , ı̂mpreună cu toate arcele ce ı̂l au ca extremitate. Dacă
P 6= ∅ atunci se continuă algoritmul ı̂ncercându-se augmentarea drumului P . În caz
contrar, se ı̂ncearcă iniţializarea unui drum nou P ı̂n H.
Şi acest algoritm are la bază metoda de parcurgere ı̂n adâncime a unui graf (DFS). În
timpul vizitării, algoritmul utilizează două stive S şi P : S conţine toate nodurile ce nu au
fost atribuite ı̂ncă unei componente tare conexe, ı̂n ordinea ı̂n care au fost ı̂ntâlnite, iar P
conţine toate nodurile despre care ı̂ncă nu se poate spune nimic cu privire la apartenenţa lor
la componente conexe diferite (conţine nodurile drumului P din graful H). Altfel spus, se
observă faptul că stiva P păstrează nodurile rădăcină ce formează o subsecvenţă a secvenţei
nodurilor ce se află la un moment dat ı̂n cealaltă stivă S.
În cadrul secvenţei următoare, pentru un nod i adiacent cu nodul curent k, se verifică
dacă nu a mai fost vizitat. Dacă vizitati = 0 atunci se continuă vizitarea ı̂n adâncime
(call DFSGabow(i, n, Vecin)). Altfel, se verifică dacă nodul i nu a fost deja asignat unei
componente tare conexe, ı̂n caz afirmativ eliminându-se din drumul P circuitul {vi , . . . , vk , vi }:
1: if (vizitati = 0) then
2: call DF SGabow(i, n, V ecin)
3: else
4: if (i ∈ S) then ⊲i
5: while (prenumi < prenumpeek(P )) do
6: P ⇒u
7: end while
8: end if
9: end if
La finalul procedurii DFSGabow, se verifică dacă nodul curent este identic cu cel aflat ı̂n
vârful stivei P . În caz afirmativ, se extrag de pe stivă toate nodurile dintre vârful curent
143
al stivei S şi nodul k, şi se marchează ca fiind elemente ale componentei tare conexe a cărei
rădăcină este nodul k:
if (k = peek(P )) then
P ⇒u
repeat
S⇒u
Output ”u”
until (u = k)
end if
144
6.5 Exerciţii
1. (Compilator ) În trecut compilatoarele erau foarte simple. În acele vremuri oamenii
preferau să includă tot programul ı̂ntr-un singur fişier. Dacă cineva făcea o modificare ı̂n
program, trebuia recompilat tot codul sursă. Creşterea lungimii programelor conducea
la timpi de compilare tot mai mari, ceea ce constituia o piedică ı̂n ceea ce priveşte
creşterea complexităţii algoritmilor implementaţi.
De aceea programatorii au dezvoltat o tehnică pentru eliminarea compilărilor redun-
dante. Ei au ı̂nceput prin a sparge programele ı̂n mai multe module mici pe care le
compilau separat. Astfel, pentru orice modificare care se opera ı̂ntr-un anumit modul,
se compila numai acesta, şi nu ı̂ntreaga aplicaţie. Fiecare modul conţine la ı̂nceput lista
celorlaltor module pe care le foloseşte.
Modulul A trebuie recompilat numai dacă a fost modificat sau are ı̂n lista sa un modul
B care a fost recompilat la rândul său. În celelalte cazuri nu este necesară recompilarea
modulului A.
Problema cere să se realizeze un algoritm şi pe baza acestuia un program, care să decidă
ce module trebuie recompilate şi care nu. Pentru a avea un timp de recompilare minim,
va trebui să căutam compilarea unui număr cât mai mic de linii.
Prima linie a datelor de intrare conţine numărul de module N (1 ≤ N ≤ 100). Urmează
descrierea modulelor. Prima linie a descrierii conţine numele modulului. A doua linie
conţine numărul liniilor din codul sursă. A treia linie conţine numărul M (0 ≤ M < N)
de module de care depinde modulul actual. Linia următoare conţine numele acestor
module, separate printr–un spaţiu. Numele unui modul nu depăşeşte 20 de caractere.
Descrierea modulelor este urmată de mai multe blocuri, câte unul pentru fiecare versiune
a programului. Prima linie a fiecărui bloc conţine numărul k (1 ≤ k ≤ N) de module
ce au suferit modificări de la recompilarea versiunii precedente.
Linia următoare conţine numele modulelor, separate prin spaţiu, ı̂n care au survenit
modificări. După ultimul bloc există o singură linie ce conţine doar numărul 0.
Pentru fiecare versiune a programului se scrie o linie ce conţine numărul liniilor codului
sursă care au trebuit să fie recompilate.
Intrare Ieşire
3 127
MATH
20
0
MAIN
100
2
MATH IO
IO
7
0
3
MATH IO MAIN
0
(Propusa la CEOI 1997)
145
Să considerăm pentru k = 5 următoarele reguli:
(1) 1 → 2 (2) 1 → 3 (3) 3 → 4 (4) 4 → 5 (5) 1 → 5
Profesorul cere să se demonstreze regula 1 → 5. Demonstraţia optimă constă ı̂n apli-
carea directă a regulii (5).
(2) (1) (3) (4)
Un elev demonstrează regula (5) astfel: 2 1 3 4 (1 → 3, 1 → 2, 3 → 4, 4 → 5). Aceasta
(1)
este o demonstraţie corectă, ce conţine ı̂n plus regula 1 → 2. Profesorul ar fi fost
(2) (3) (4)
mulţumit cu demonstraţia 2 3 4 (1 → 3, 3 → 4, 4 → 5).
Să se realizeze un algoritm ce utilizează drept date de intrare k, x (propoziţia care se
consideră adevărată), y (propoziţia ce trebuie demonstrată), şirul celor k reguli cât şi
şirul numerelor de ordine ale regulilor ce constituie demonstraţia elevului.
Algoritmul verifică dacă şirul numerelor de ordine ale regulilor constituie o demonstraţie.
În caz negativ va afişa ′ NU ′ , iar ı̂n caz afirmativ va afişa ′ DA′ , urmat pe linia următoare
de demonstraţia elevului din care au fost eliminate afirmaţiile inutile. Se consideră că
un şir de reguli fără reguli ı̂n plus constituie o demonstraţie corectă a propoziţiei y
pornind de la propozitia x, dacă renunţarea la orice regulă ar conduce la o secvenţă
prin care y nu se mai poate deduce din x.
(Marele premiu PACO, 1997)
3. După cum se poate observa prin reclamele de la televizor, multe companii cheltuiesc
foarte mulţi bani pentru a convinge oamenii că oferă cele mai bune servicii la cel mai
scăzut preţ. O companie de telefoane oferă cercuri de apel (calling circles).
Un abonat poate să facă o listă cu persoanele pe care le sună cel mai frecvent (şi care
constituie cercul său de prieteni). Dacă acesta sună pe cineva inclus ı̂n această listă,
şi persoana respectivă este, de asemenea, abonată la aceeaşi companie, va beneficia de
un discount mai mare decât pentru o convorbire telefonică cu cineva din afara listei.
O altă companie a aflat de această iniţiativă şi se oferă să determine ea lista de
cunoştinţe cu care un abonat vorbeşte cel mai frecvent la telefon.
LibertyBellPhone este o companie nouă de telefoane ce se gândeşte să ofere un plan
de apeluri mult mai avantajos decât alte companii. Ea oferă nu numai reduceri pentru
”cercul de apel”, cât şi determină pentru un abonat acest cerc. Iată cum procedează:
compania păstrează numerele tuturor persoanelor participante la fiecare apel telefonic.
În afara unui abonat, cercul său de apel constă din toate persoanele pe care le sună şi
care ı̂l sună, direct sau indirect.
De exemplu, dacă Ben ı̂l sună pe Alexander, Alexander o sună pe Dolly şi Dolly ı̂l
suna pe Ben, atunci ei toţi fac parte din acelaşi cerc. Dacă Dolly ı̂l mai sună şi pe
Benedict iar Benedict o sună pe Dolly, atunci Benedict este ı̂n acelaşi cerc cu Dolly,
Ben şi Alexander. În fine, dacă Alexander ı̂l sună pe Aron dar Aaron nu ı̂l sună pe
Alexander, Ben, Dolly sau Benedict, atunci Aaron nu este ı̂n cerc.
Să se realizeze un algoritm ce determină cercurile de apel, cunoscându–se lista apelurilor
telefonice dintre abonaţi.
(Finala ACM 1995, Calling Circles)
4. La facultatea X există două alternative pentru ca studenţii să aibă timp să asimileze
cunoştinţele:
146
(a) Mărirea zilei la 30 de ore, şi
Optând pentru a doua variantă, Liga Studenţilor introduce o platformă program care:
(a) Stabileşte care sunt materiile necesare pentru a putea studia o nouă materie.
De exemplu, pentru a studia cursul ”Management” este nevoie de cursul ”Teorie
Economică” şi de cursul ”Marketing”.
(b) Stabileşte care sunt materiile cu adevărat utile dintre toate cele studiate ı̂n fac-
ultate. De exemplu, cursul de ”Măsurări electrice” nu este util la absolut nimic.
(c) Cere să se elimine din programă materiile care nu sunt nici folositoare, nici nu
servesc (direct sau indirect) la ı̂nvăţarea unor materii folositoare.
(d) Cere să se indice care dintre materii nu pot fi predate ı̂n nici o ordine. De ex-
emplu, cursul ”Mecanică” se bazează pe cursul ”Ecuaţii Diferenţiale”, dar cursul
de ”Ecuaţii Diferenţiale” ı̂şi preia exemplele din ”Mecanică”. Prin urmare nu ex-
istă nici o ordine ı̂n care aceste materii să fie predate fără a introduce cunoştinţe
nedemonstrate.
5. Distribuirea cărţilor cerute de către cititorii de la sala de lectură a unei biblioteci este
făcută de către un robot ce are posibilitatea să ajungă la orice carte ce poate fi solicitată.
Din păcate, rafturile unde sunt depozitate cărţile sunt dispuse astfel ı̂ncât robotul nu
poate lua cărţile ı̂ntr–un singur drum. După recepţionarea comenzilor de la mai mulţi
cititori, robotul cunoaşte poziţia cărţilor ı̂n rafturi şi drumurile către acestea. Din
păcate, de la poziţia unei cărţi, robotul nu se poate deplasa decât spre anumite cărţi.
Acesta porneşte şi culege cărţile ce sunt accesibile ı̂ntr–un drum, apoi porneşte de la
o altă pozitie de carte şi culege acele cărţi ce sunt accesibile din acel punct şi aşa mai
departe.
Datele de intrare constau din numărul de cărţi n precum şi numărul m de legături
dintre poziţiile acestora (1 ≤ n ≤ 100, 11 ≤ m ≤ 10000), urmate de m perechi de
numere naturale, ce semnifică legăturile directe ı̂ntre poziţiile cărţilor.
Datele de ieşire constau din drumurile pe care le face robotul pentru a culege cărţile
cerute.
6. Se consideră o mulţime de n elevi dintr-o clasă. Fiecare elev are cunoştinţe mai avansate
ı̂ntr-un anumit domeniu. Pentru ridicarea nivelului clasei, dirigintele vrea să-i aranjeze
ı̂n grupuri astfel ı̂ncât toţi elevii dintr-un grup să ajungă să cunoască, ı̂ntr-o anumită
perioadă de timp, toate cunoştinţele tuturor celorlalţi colegi din acelaşi grup.
Grupurile de elevi nu ı̂şi vor schimba cunoştinţele ı̂ntre ele. Se ştie că un elev nu se
poate face ı̂nţeles de către oricine. El are o listă de preferinţe faţă de care el le va
ı̂mpărtăşi cunoştintele sale. Relaţia de preferinţă nu este simetrică.
Să se determine numărul minim de grupuri ı̂n care va fi ı̂mpărţită clasa precum şi
componenţa acestora.
147
Fig. 6.9: Poziţiile cărţilor ı̂ntr-o bibliotecă precum şi posibilităţile de deplasare ale robotului
148
Capitolul 7
Heap-uri
Un heap (eng. heap = movilă) reprezintă o structură de date abstractă organizată sub forma
unei structuri ierarhice (de arbore) şi care respectă următoarea proprietate: pentru oricare
două noduri ale arborelui, A şi B, astfel ı̂ncât tataB = A, avem cheieA ≥ cheieB (sau
cheieA ≤ cheieB ). Fiecare nod va avea o valoare asociată numită cheie. Se observă faptul că,
dacă este ı̂ndeplinită proprietatea că ∀A, B, tataB = A, cheieA ≥ cheieB , atunci ı̂ntotdeauna
cheia de valoare maximă se va afla ı̂n rădăcina arborelui.
Structura de date heap poate fi implementată sub mai multe forme: 2 − 3 heap [116], heap
binar [9], heap binomial [125], heap Fibonacci [54], heap ternar, treap 1 [7], [109].
Principalele operaţii definite pentru un heap H sunt:
1. FindMin(H; p) - determină cheia având cea mai mică valoare şi ı̂ntoarce o referintă
către nodul ce o conţine;
2. DeleteMin(H) - şterge nodul ce conţine cheia de valoare minimă şi reorganizează struc-
tura prin refacerea proprietăţii de heap;
3. Insert(H,p) - inserează nodul p ı̂n heap-ul H;
149
Table 7.1: Complexitatea-timp a principalelor operaţii ale unui heap
Într-un mod similar se poate defini un max-heap, drept un arbore binar complet ı̂n care
valoarea memorată ı̂n orice nod este mai mare sau egală decât valorile memorate ı̂n nodurile
fii ai acestuia.
Această structură poate fi interpretată drept un arbore parţial ordonat ce este un arbore
binar complet cu n vârfuri.
Reprezentarea cea mai adecvată pentru un heap binar (min-heap) este reprezentarea
secvenţială. Pentru n noduri vom utiliza un tablou A cu dimensiunea egală cu numărul
de noduri. a1(reprezintă cheia nodului rădăcină al arborelui.
(
2·i dacă 2 · i ≤ n 2·i+1 dacă 2 · i + 1 ≤ n
Lef ti = , Righti =
nu există dacă 2 · i > n nu există dacă 2 · i + 1 > n
(
⌊ 2i ⌋ dacă i > 1
T atai =
nu există dacă i = 1
Exemplul 7.1 Fie heap-ul binar din figura 7.1. Acesta poate fi descris de următoarea struc-
tură de date secvenţială:
Nod 1 2 3 4 5 6 7 8 9 10
cheie 3 5 8 7 8 8 11 10 18 9
Conform definiţiei avem:
150
Nod 1 2 3 4 5 6 7 8 9 10
Left 2 4 6 8 10 - - - - -
Right 3 5 7 9 - - - - - -
Tata - 1 1 2 2 3 3 4 4 5
151
Exemplul 7.2 În figura 7.2 pot fi urmărite operaţiile necesare pentru inserarea unui nod
având cheia asociată de valoare 3. Se adaugă elementul având valoarea cheii 3, pe ultima
poziţie a heap-ului. Deoarece valoarea cheii ultimului element 3 este mai mică decât valoarea
cheii părintelui său 8, se interschimbă valorile cheilor. Se compară din nou, valoarea cheii
nodului curent (cheia cu valoarea 3) cu valoarea cheii asociată părintelui său (nodul 1). Se
interschimbă din nou valorile cheilor. La final, heap-ul arată ca ı̂n ultima configuraţie din
figura 7.2.
În figura 7.3 pot fi urmăriţi paşii necesari pentru ştergerea nodului de valoare minimă din
heap-ul considerat drept exemplu.
152
Fig. 7.3: Ştergerea valorii minime dintr-un heap
Prima metodă de construire a unui heap binar se bazează pe următoarea tehnică: se pleacă
iniţial cu heap-ul format dintr-un singur element şi se inserează pe rând, toate elementele ı̂n
heap-ul nou creat (a se vedea algoritmul 54).
Exemplul 7.3 Să construim o structură de heap din şirul de elemente 10, 7, 9, 5, 7 . . .. Se
pleacă cu heap-ul format dintr-un singur nod, 10. Apoi, se inserează elementul cu valoarea 7
ı̂n heap. Deoarece 7 > 10, se interschimbă valorile ı̂ntre ele (a se vedea figura 7.4). Urmează
să se insereze nodul a cărui valoare asociată este 9 (acest nod va fi descendentul drept al
rădăcinii, după cum se poate observa din figura 7.4). La final, se adaugă nodul a cărui cheie
are valoarea 5, şi se restabileşte proprietatea de heap prin interschimbări succesive.
Analizând numărul de operaţii efectuate de procedura Insert, se observă că o valoare
nou introdusă poate să ajungă până ı̂n rădăcina arborelui. Astfel, numărul de operaţii
(interschimbări) ı̂n cazul cel mai defavorabil va fi egal cu ı̂nălţimea arborelui, h. Deoarece
avem un arbore binar complet cu cel mult n noduri, ı̂nălţimea acestuia este cel mult [log n]
(h ≤ [log n]).
Complexitatea timp ı̂n cazul cel mai defavorabil al procedurii NewHeap este egală cu suma
timpilor necesari inserării tuturor celor n valori, ı̂n cazul cel mai defavorabil. Vom ţine cont
de faptul că, ı̂n cazul unui arbore binar complet, numărul nodurilor de pe nivelul i este 2i ,
cu excepţia ultimului nivel unde numărul de noduri este mai mic.
n [log n] [log n]
X X X
i
T (n) = TInsert (i) ≤ i · 2 ≤ log n 2i = O(n log n) (7.1)
k=1 i=1 i=1
153
Fig. 7.4: Crearea unui heap prin inserări succesive
Cea de-a doua metodă se bazează pe ideea de a construi un heap prin combinări (uni-
uni) repetate de heap-uri, strategie cu o eficienţă superioară metodei anterioare. Iniţial, se
porneşte cu o pădure de arbori, compuşi fiecare numai dintr-un singur nod, rădăcina. La
fiecare pas i, se construieşte un heap nou din ai şi două heap-uri de dimensiunile apropiate:
heap-ul având rădăcina a2·i şi cel cu rădăcina a2·i+1 (a se vedea algoritmul 55).
Se observa faptul că subrutina Push (a se vedea algoritmul 56) este asemănătoare cu
subrutina DeleteMin, scopul lui Push fiind acela de a reorganiza un heap ı̂ntre limitele f irst
şi last ale tabloului A.
Exemplul 7.4 Să construim o structură de heap având drept date de intrare elementele
secvenţei:
1 2 3 4 5 6 7
10 7 9 5 7 8 6
După cum se poate observa din figura 7.5, pentru i = 3 se va construi heap-ul compus din
elementele de valori 9, 8 şi 6, pentru i = 2 se va construi heap-ul compus din elementele de
valori 7, 5 şi 7, iar pentru i = 1 se va construi heap-ul ce are drept rădăcină elementul de
valoare 10, descendentul stâng fiind heap-ul construit la pasul i = 2 iar descendentul drept
fiind heap-ul construit la pasul i = 3.
Fie x un nod aflat pe nivelul i (i = 0, h − 1, h = log n). Acest nod va suferi cel mult
h − i deplasări ı̂n cadrul structurii de heap, migrând către frunzele arborelui. Numărul de
154
Algoritm 56 Algoritm de reorganizare a unui heap
1: procedure Push(A, f irst, last)
2: i ← f irst
3: while (i ≤ ⌊ last
2 ⌋) do
4: if ((last = 2 · i) ∨ (a2·i < a2·i+1 )) then
5: j ←2·i
6: else
7: j ←2·i+1
8: end if
9: if (ai > aj ) then
10: ai ↔ aj
11: i←j
12: else
13: i ← last
14: end if
15: end while
16: end procedure
155
Algoritm 57 Algoritm de ordonare folosind heap-uri (prima variantă)
1: procedure SortX(A, n)
2: for f iecare x ∈ L do
3: call Insert(x, S; S)
4: end for
5: while (S 6= ∅) do
6: call M in(S; y)
7: ouput {y}
8: call Delete(y, S; S)
9: end while
10: end procedure
Min(S; y) ı̂ntoarce valoarea minimă a lui S ı̂n y, iar Delete(y, S; S) şterge elementul y
din S.
După câteva modificări ale algoritmului iniţial de ordonare se obţine algoritmul HeapSort
(a se vedea algoritmul 58): instrucţiunile din liniile 2-4 formează heap-ul ı̂ntr-o manieră
incrementală; pentru toate elementele, ı̂n linia 6 se elimină cel mai mic element din faţa
heap-ului şi se reface proprietatea de arbore parţial ordonat (linia 7) ı̂ntre limitele 1 şi i − 1.
/∗ ∗
∗ F u n c t i e pentr u c i t i r e a v a l o r i l o r d a t e l o r de i n t r a r e .
∗/
i nt r e a d I n p u t ( i nt ∗a ) {
i nt i , n ;
156
/∗ ∗
∗ F u n c t i e pentr u a f i s a r e a r e z u l t a t e l o r .
∗/
void l i s t ( i nt ∗a , i nt n ) {
i nt i ;
/∗ ∗
∗ Reorganizarea unei movile .
∗ @param s t a r t − i n d i c e l e p r i m u l u i element a l s e c v e n t e i
∗ @param f i n i s h − i n d i c e l e l u l t i m u l u i element a l s e c v e n t e i
∗ @param a − v e c t o r u l c e p a s t r e a z a v a l o r i l e m o v i l e i
∗/
void push ( i nt s t a r t , i nt f i n i s h , i nt ∗ a ) {
i nt i , j , aux ;
i = start ;
while ( i <= f i n i s h / 2 ) {
i f ( 2 ∗ i == f i n i s h | | a [ 2 ∗ i ] < a [ 2 ∗ i + 1 ] )
j = 2 ∗ i;
else
j = 2 ∗ i + 1;
if (a [ j ] < a [ i ]) {
aux = a [ i ] ; a [ i ] = a [ j ] ; a [ j ] = aux ;
i = j;
}
else
return ;
}
}
i nt a [MAXN] ;
// o r g a n i z a r e a unui heap
for ( i = n / 2 ; i > 0 ; i −−)
push ( i , n , a ) ;
// d e t e r m i n a r e a minimului s i r e o r g a n i z a r e a heap−u l u i
j = n;
while ( j > 1 ) {
aux = a [ 1 ] ; a [ 1 ] = a [ j ] ; a [ j ] = aux ;
j −−;
push ( 1 , j , a ) ;
}
l i s t (a , n ) ;
}
157
7.3 Aplicatie - Coadă cu prioritate
Definiţia 7.2 O coadă cu prioritate este o structură de date abstractă formată din ele-
mente ce au asociată o valoare numită cheie sau prioritate şi care suportă următoarele opera-
ţii:
• Insert(Q, X) - inserează elementul x ı̂n coada cu prioritate denumită Q;
• ExtractMax(Q) - extrage din coada cu prioritate Q, elementul de valoare maximă.
Multitasking-ul este o metodă prin intermediul căreia mai multe procese utilizează ı̂n co-
mun resursele calculatorului (inclusiv procesorul). În situaţia unui calculator cu un singur
procesor, se spune că ı̂n orice moment rulează cel mult un proces, ceea ce ı̂nseamnă că proce-
sorul execută instrucţiunile unui singur proces la un moment dat. Sarcina alegerii procesului
care să se afle ı̂n execuţie la un moment dat este o problemă de planificare. Operaţia de a
opri un proces aflat ı̂n execuţie, pentru a-i aloca altui proces, aflat ı̂n aşteptare, un timp pro-
cesor se numeşte schimbare de context (eng. context switch). Realizarea frecventă a acestor
schimbări de context crează iluzia execuţiei ı̂n paralel a mai multor programe. În cazul unui
calculator cu mai multe procesoare, multitasking-ul permite execuţia unui număr de procese
mai mare decât numărul de procesoare.
Sistemul de operare este cel care se ocupă de planificarea proceselor, planificare ce se
ı̂ncadrează ı̂ntr-una din următoarele strategii:
• ı̂n cazul sistemelor cu multiprogramare, procesul curent se află ı̂n execuţie până ı̂n
momentul ı̂n care realizează o operaţie ce presupune aşteptarea după un eveniment
extern (o operaţie de I/O), sau până când planificatorul de procese forţează eliberarea
procesorului.
• ı̂ntr-un sistem de tip time-sharing, fiecare proces va elibera procesorul ı̂n mod voluntar,
după expirarea cuantei de timp alocate acestuia, sau ı̂n urma apariţiei unui eveniment
hardware cum ar fi o ı̂ntrerupere.
• ı̂n cadrul sistemelor real-time, unui proces aflat ı̂n stare de aşteptare i se garantează
accesul la procesor ı̂n cazul apariţiei unui eveniment extern. Astfel de sisteme sunt
proiectate pentru controlul unor dispozitive mecanice cum ar fi roboţii industriali.
Comutarea ı̂ntre procese consumă timp procesor pentru ca planificatorul de procese să
ı̂ngheţe starea unui proces şi să dezgheţe starea altui proces (schimbare de context). Dacă
mai multe procese concurente sunt executate pe acelaşi procesor şi toate efectuează diverse
calcule, atunci timpul total de execuţie va fi mai mare decât timpul de execuţie al unui
program secvenţial echivalent. Creşterea vitezei sistemului se poate realiza prin ı̂ntreţeserea
(intercalarea) diferitelor faze ale mai multor procese.
În cadrul unui proces se pot identifica două tipuri de faze din punct de vedere logic:
faza de calcul şi faza de I/O. Faza de calcul se realizează exclusiv la nivelul procesorului
utilizându-se la maxim funcţiunile acestuia. Faza de I/O (intrare/ieşire) presupune un aport
mai mare din partea perifericelor (imprimante, hard discuri, plăci de reţea etc), procesul
aşteptând ca un periferic să-şi termine sarcina. În timp ce un proces se află ı̂ntr-o fază de
I/O aşteptând după finalizarea unei operaţii de către un dispozitiv periferic, un proces aflat
ı̂n faza de calcul poate ocupa procesorul şi efectua calculele programate.
În cazul multitasking-ului preemtiv, planificatorul de procese alocă cuante de timp procesor
egale fiecărui proces, asigurându-le astfel un tratament echitabil. De asemenea, sistemul poate
răspunde rapid unui eveniment extern (cum ar fi sosirea unor date) ce presupune procesarea
158
de către procesul curent sau de către un altul. În cazul multitasking-ului non-preemtiv,
planificatorul ı̂i dă controlul unui proces până când acesta se termină, sau eliberează singur
procesorul.
Sistemele de operare bazate pe kernelul Windows NT 4.0 folosesc un planificator de
procese preemtiv cu priorităţi. În momentul ı̂n care trebuie să aleagă un proces pentru a-i da
controlul procesorului, planificatorul de procese va alege procesul ce are prioritatea cea mai
mare şi este gata de execuţie, utilizând o strategie de tip round rubin: dacă avem trei procese
având aceeaşi prioritate A, B şi C, şi un proces D de prioritate mai mică, planificatorul va
alege mai ı̂ntâi procesul A, apoi procesul B, urmat de procesul C, procesului D alocându-i
procesorul numai ı̂n situaţia ı̂n care celelalte trei procese nu sunt ı̂n starea gata de execuţie (de
exemplu sunt blocate ı̂n aşteptarea efectuării unei operaţii I/O). Pentru procesele de prioritate
mică, şi care nu au fost executate deloc ı̂n ultimele, să zicem, 3 secunde, planificatorul de
procese aplică următorul algoritm pentru a evita fenomenul de ı̂nfometare: le atribuie o
prioritate temporară foarte mare, ridicându-le la ı̂nceputul cozii de procese, şi le alocă o
cuantă de timp mai lungă decât ı̂n mod normal.
Sistemele de operare bazate pe un kernel de tip Unix folosesc un planificator bazat pe
mai multe cozi de priorităţi ce foloseşte aceaşi strategie de tip round rubin ı̂n cadrul fiecărei
cozi. Procesele noi sunt inserate ı̂ntr-o coadă corespunzătoare unor priorităţi mai mari, şi pe
măsură ce petrec un timp procesor mai ı̂ndelungat, sunt inserate ı̂ntr-o coadă corespunzătoare
unor priorităţi mai mici. Sistemele de operare de generaţie mai nouă, bazate pe un kernel
Unix, incrementează prioritatea unui proces aflat ı̂n stare de ı̂nfometare (starvation) până
când acesta este executat, după care prioritatea acestuia este resetată la valoarea pe care
procesul o avea ı̂nainte de a ı̂ncepe ı̂nfometarea.
Vom simula un planificator de procese bazat pe o coadă de priorităţi: la un moment
dat, planificatorul alege procesul de prioritate minimă, ı̂i dă controlul procesorului pentru o
perioadă de timp variabilă ı̂nsă limitată. După trecerea acelei perioade de timp, prioritatea
procesului este incrementată cu o valoare ce depinde direct proporţional de timpul procesor
petrecut de acesta, şi este inserat ı̂n coada de priorităţi pe poziţia corespunzătoare.
În cadrul fişierului task.h definim structura de date Process precum şi două funcţii ce
au legătură cu prelucrarea informaţiilor asociate unui proces:
• long p(Process a); - ı̂ntoarce prioritatea unui proces;
• void execute(int id); - simulează execuţia unui proces pentru o anumită perioadă
de timp.
typedef str u ct p r o c e s s {
i nt i d ;
long p r i o r i t y ;
} Process ;
long p ( P r o c e s s a ) ;
void e x e c u t e ( i nt i d ) ;
159
#endif
/∗ ∗
∗ D e f i n i t i a s t r u c t u r i i PriorityQueue
∗/
typedef str u ct p r i o r i t y q u e u e {
P r o c e s s e l e m e n t s [ MAX SIZE+ 1 ] ;
i nt l a s t ;
} PriorityQueue ;
#endif
Implementarea funcţiilor declarate ı̂n fişierul header heap.h, se realizează ı̂n cadrul fişierului
heap.c:
• void insertTask(PriorityQueue*, Process); - adaugă un nou proces ı̂n heap la sfârşit, şi
caută poziţia corespunzătoare acestui proces nou astfel ı̂ncât proprietatea de heap să
fie păstrată.
160
void init(int p) - crează un proces cu identificatorul p şi prioritatea egală cu momentul
de timp ı̂n care a fost creat, pe care ı̂l inserează ı̂n coada de priorităţi.
void select(void) - la un moment dat, selectează procesul aflat ı̂n vârful cozii, ı̂i dă con-
trolul procesorului pentru o perioadă de timp, actualizează prioritatea acestuia şi-l inserează
ı̂n coada de priorităţi.
Dacă dorim ca managementul cozii de priorităţi să fie realizat prin intermediul unei liste
ı̂n locul structurii de tip heap, este suficient să ı̂nlocuim linia #include "heap.h" cu linia
#include "list.h".
7.4 Exerciţii
1. Să se implementeze structura de date abstractă coadă cu prioritate cu ajutorul:
şi să se elaboreze algoritmii pentru operaţiile Insert şi Extract. Analizaţi ı̂n aceste
cazuri complexitatea operaţiilor.
3. Implementare următoare a algoritmului Heapsort este foarte scurtă şi rapidă, având
avantajul că nu utilizează un vector suplimentar pentru ordonare2 :
Listing 7.4: heapsortv2.c
void h e a p s o r t ( i nt a r r [ ] , unsigned i nt N) {
i nt t ;
unsigned i nt n = N, p a r e n t = N/ 2 , index , c h i l d ;
for ( ; ; ) {
i f ( parent > 0) {
t = a r r [−− p a r e n t ] ;
} else {
n−−;
i f ( n == 0 )
return ;
t = arr [ n ] ;
arr [ n] = arr [ 0 ] ;
}
index = parent ;
2
http://en.wikibooks.org/wiki/Algorithm_Implementation/Sorting/Heapsort
161
c h i l d = index ∗ 2 + 1 ;
while ( c h i l d < n ) {
i f ( ( c h i l d + 1 < n ) && ( arr [ child + 1] > arr [ child ] ) ) {
c h i l d ++;
}
162
Pentru a numerota toate cele n pagini ale clasorului, Adriana are nevoie de timbre cu
numerele de la 1 la n.
Exemplu
timbre.in timbre.out
4 3 2
5 3
3
2 1
6 2
Luăm subsecvenţa {1, 2} din al doilea interval şi subsecvenţa {3, 4} din al treilea inter-
val. Obţinem astfel costul minim 3.
(InfoArena, Timbre)
6. Paftenie barbarul a fost capturat de către duşmanii săi cei mai temuţi şi aruncat ı̂ntr-o
temniţă. Temniţa este, de fapt, un grid de dimensiune R × C. În anumite celule există
dragoni, unele sunt ocupate de pereţi, iar altele sunt libere. Paftenie trebuie să iasă din
temniţă mergând numai prin celule libere (o celulă are maxim 4 vecini), şi asta stând
cât mai departe de fioroşii dragoni ale căror flăcări ı̂i pot deteriora vestimentaţia (astfel
ı̂ncât valoarea minimă dintre distanţele până la cel mai apropiat dragon din fiecare din
celulele traseului său să fie maxim).
Să se determine un traseu al lui Paftenie pentru a ieşi din temniţă astfel ı̂ncât distanţa
minimă până la cel mai apropiat dragon din fiecare dintre celulele traseului său să fie
maximă.
Date de intrare
Pe prima linie a fişierului de intrare barbar.in sunt date două numere ı̂ntregi R şi
C, reprezentând numărul liniilor, respectiv al coloanelor temniţei. Pe următoarele R
linii se află câte C caractere, neseparate prin spaţii, cu următoarele semnificaţii: ’.’
celulă liberă, ’∗’ perete, ’D’ dragon, ’I’ punctul de plecare al lui Paftenie, ’O’ ieşirea din
temniţă.
Date de ieşire
Fişierul de ieşire barbar.out va conţine pe prima linie un singur număr, reprezentând
valoarea maximă pentru minima dintre distanţele până la cel mai apropiat dragon din
fiecare din celulele traseului. În caz că nu există soluţie se va afişa valoarea −1.
Restricţii: 1 ≤ R, C ≤ 1.000.
Se garantează că ı̂n temniţă există cel puţin un dragon.
Exemplu Pentru datele de intrare
10 10
..........
.I....D...
..........
..D...D...
.*........
D*........
*...D.....
..****....
...O......
..........
163
o soluţie posibilă este următoarea, unde valoarea maximă dintre distanţele minime este
2:
..........
.Iooo.D...
....o.....
..D.o.D...
.*..oo....
D*...ooooo
*...D....o
..****...o
...Ooooooo
..........
7. Se dă un şir de numere ı̂ntregi şi două numere x şi y (x, y ∈ N). Să se determine
subsecvenţa de sumă maximă a cărei lungime se află ı̂n intervalul [x, y].
164
Capitolul 8
Reţeaua de drumuri europene, naţionale şi judeţene dintr-o ţară, reţeaua feroviară reprezentând
infrastructura căilor ferate absolut necesară pentru realizarea transportului de mărfuri şi
călători cu trenul, reţeaua de fibră optică folosită pentru traficul de date ı̂n Internet, reţeaua
de transport a energiei electrice folosită pentru alimentarea cu energie electrică a consumato-
rilor casnici şi a celor industriali, reţeaua de canalizare dintr-un oraş folosită pentru evacuarea
deşeurilor, reţeaua CAT V a unui operator de televiziune prin cablu, reţeaua de linii de auto-
buz ce face parte din sistemul public de transport al unui oraş sunt exemple tipice de grafuri
cu care interacţionăm ı̂n viaţa de zi cu zi.
Putem spune că reţelele de transport şi cele de comunicaţii de date ne influenţează ı̂n
mod direct modul de viaţă, devenind elemente indispensabile ale omului modern, şi astfel,
problemele referitoare la studiul căilor de comunicaţie, drumurilor, conexiunilor, capătă un
interes special.
De obicei suntem interesaţi de aspecte precum drumul cel mai scurt sau cel mai lung,
drumul cel mai ieftin sau drumul care se poate parcurge cel mai repede, drumul cel mai
sigur. Teoria grafurilor ne pune la dispoziţie mijloacele pentru aflarea răspunsului la multe
astfel de ı̂ntrebări.
Definiţiile pentru drum, lanţ, ciclu, circuit au fost prezentate ı̂n capitolele anterioare,
ı̂mpreună cu multe alte concepte teoretice. Lungimea unui lanţ este determinată de numărul
muchiilor sale. În mod analog, lungimea unui drum este egală cu numărul arcelor sale.
Într-un graf G se introduce o funcţie de cost ce asociează o valoare reală fiecărei muchii
sau arc, după caz:
c : E −→ R sau c : V × V −→ R
Notăm costul unui drum ca fiind suma costurilor arcelor componente. Astfel pentru un
drum D = [v0 , v1 , . . . , vm ], vi ∈ V , de lungime m, costul acestuia va fi dat de către următoarea
formulă:
m−1
X
c(D) = c([vi , vi+1 ]). (8.1)
i=0
Notăm cu Ms,t mulţimea drumurilor dintre nodul sursă xs şi nodul destinaţie xt , xs , xt ∈
V . Pentru două noduri oarecare xs şi xt , se doreşte să se determine un drum δs,t de la xs la
xt a cărui valoare să fie optimă (minimă sau maximă):
opt
c(δs,t )= min c(δs,t ). (8.2)
δs,t ∈Ms,t
165
8.1 Drumul minim de la un vârf la celelalte vârfuri
8.1.1 Algoritmul lui Moore
Fie G = (V, E) un graf orientat unde V = {x1 , x2 , . . . , xn } este mulţimea nodurilor şi E este
mulţimea arcelor (E ⊆ V × V ). Pentru reprezentarea grafului vom utiliza, ca metodă de
reprezentare, listele de adiacenţă (liste de vecini).
Fie u un vârf al grafului numit sursă. Dorim să determinăm pentru fiecare vârf w ∈
V, w 6= u, dacă există, un drum de lungime minimă de la u la w. Lungimea unui drum se
defineşte ca fiind numărul arcelor ce ı̂l compun.
Algoritmul lui Moore (a se vedea algoritmul 59) se bazează pe structura algoritmului de
parcurgere ı̂n lăţime al unui graf (Breadth First Search - a se vedea algoritmul 16). În lucrarea
[98], Moore ı̂şi prezintă algoritmul astfel:
Write 0 on the source. Then look at all the neighbors of the source and write
1 on them. Then look at all the neighbors of nodes with 1 on them and write 2
on them. And so on.
Vom utiliza un vector de distanţe D, unde dk reprezintă costul drumului minim de la vârful u
la vârful xk , iar tatak păstrează vârful anterior lui xk , pe drumul de cost minim de la nodul
u la nodul xk .
166
Exemplul 8.1 Fie un graf orientat reprezentat prin intermediul următoarelor liste cu vecini:
1: (2, 4) 7: (8)
2: (3, 6) 8: (6, 7)
3: (2) 9: ()
4: (1, 5) 10: (11)
5: (4, 6, 9) 11: (10)
6: (7, 8)
În urma aplicării algoritmului lui Moore pentru acest graf şi pentru nodul 1 drept sursă,
se obţin următoarele valori pentru vectorii D şi Tata:
În urma aplicării algoritmului lui Moore pentru acest graf şi având nodul 1 drept sursă,
se obţin următoarele valori pentru vectorii d şi tata:
1 2 3 4 5 6 7 8 9 10 11
D 0 1 2 1 2 2 3 3 3 ∞ ∞
Tata 1 2 1 4 2 6 6 5
Urmărind valorile calculate, putem trage concluzia că drumul de lungime minimă de la
nodul 1 la nodul 9, are costul 3 şi este compus din nodurile [1, 4, 5, 9].
167
costurilor C:
0
, dacă i = j
ci,j = ∞ , dacă (i, j) ∈
/ E, i 6= j
d > 0 , dacă (i, j) ∈ E
Fie u un vârf al grafului numit sursă. Dorim să determinăm pentru fiecare vârf w ∈
V, w 6= u, dacă există, un drum de lungime minimă de la u la w. Lungimea unui drum se
defineşte ca fiind suma costurilor asociate arcelor ce ı̂l compun.
Fie p = [x1 , x2 , . . . , xk ] un drum elementar. Se numeşte vârf intermediar orice vârf u ∈
{x2 , . . . , xk−1 } unde u 6= x1 , u 6= xk (vârful intermediar este diferit de extremităţile drumului
p).
Algoritmul lui Dijkstra [38] utilizează metoda generală de elaborare a algoritmilor Greedy,
drumurile de lungime minimă fiind generate ı̂n ordinea crescătoare a lungimii lor. Vom nota
cu S mulţimea nodurilor grafului G pentru care se cunoaşte (s-a calculat) drumul de lungime
minimă de la sursă la un astfel de nod. La ı̂nceput, mulţimea S este compusă doar din
nodul sursă. La fiecare pas, se adaugă la mulţimea S un nod xk ∈ V \ S cu proprietatea că,
drumul de la sursă la acest nod xk , este cel mai mic dintre toate drumurile posibile de la
sursă la noduri din mulţimea V \ S, cu proprietatea că, un astfel de drum are drept noduri
intermediare numai elemente din mulţimea S. Vom utiliza un tablou D, ce va păstra pentru
fiecare nod xk , lungimea drumului cel mai scurt de la sursă ce trece numai prin noduri din
mulţimea S (a se vedea algoritmul 61).
168
Algoritm 62 Algoritmul lui Dijkstra
1: function DistantaMinima(n, V izitat, D)
2: min ← ∞
3: for j ← 1, n do
4: if ((vizitatj = 0) ∧ (dj < min)) then
5: min ← dj
6: j0 ← j
7: end if
8: end for
9: if (min = ∞) then
10: return −1
11: else
12: return j0
13: end if
14: end function
169
minim de la u la xj . La ı̂nceput,
(
0 , dacă nodul j = u sau cu,j = ∞
tataj =
u , ı̂n rest (j 6= u şi cu,j 6= ∞).
Un element al acestui vector se poate modifica atunci când se modifică valoarea ele-
mentului dj astfel ı̂ncât dj = dk + ck,j , caz ı̂n care tataj = k.
Observaţia 8.2 Algoritmul lui Dijkstra prezintă asemănări cu algoritmul de căutare ı̂n
lăţime, vectorul T ata păstrând la sfârşitul procesului de calcul al distanţelor un arbore al
drumurilor minime ce are drept rădăcină nodul sursă.
În momentul ı̂n care alegem nodul xk ∈ V \ S având proprietatea că drumul de la sursă la
acel nod xk este cel mai mic dintre toate drumurile posibile de la sursă la noduri din mulţimea
V \ S, ce trec numai prin noduri din mulţimea S, acel drum este cel mai mic drum de la
sursă la xk dintre toate drumurile posibile. Denumim drum special un drum de la sursă la
un nod xk ce are drept noduri intermediare numai elemente din mulţimea S.
Să presupunem prin reducere la absurd, că există un drum de lungime mai mică de la
nodul sursă la nodul xk , ce nu are toate nodurile intermediare din mulţimea S. Fie xj ∈ V \S,
primul nod ce nu aparţine mulţimii S pe drumul de la nodul sursă la nodul xk . Atunci, drumul
de la nodul sursă u la nodul xk se compune dintr-un drum de la u la xj , şi un drum de la xj la
xk . Datorită modului de alegere al lui xj , drumul de la u la xj are drept noduri intermediare
numai elemente din mulţimea S (xj este primul nod pe drumul de la nodul sursă la nodul
xk , care nu aparţine mulţimii S), deci este un drum special şi are o lungime mai mică decât
drumul special de la sursă la nodul xk . Prin urmare, am identificat un alt drum special de
lungime mai mică, ceea ce contrazice modul de alegere al nodului xk .
Trebuie să demonstrăm că, ı̂n orice moment, dk păstrează lungimea celui mai scurt drum
special de la nodul sursă u la nodul xk ∈ V \ S. În momentul ı̂n care nodul xk este adăugat
mulţimii S, avem grijă să verificăm dacă nu există un drum special de la nodul u la un nod
xj ∈ V \ S care să aibă o lungime mai mică. Să presupunem că, pentru un nod xj fixat, există
un nod w ∈ S astfel ı̂ncât drumul special u xk ∪ xk w ∪ (w, xj ) să aibă o lungime mai
mică (a se vedea figura 8.1). Deoarece nodul w a fost adăugat mulţimii S ı̂naintea nodului
xk , avem dw ≤ dk .
170
Prin urmare
dw + cw,j ≤ dk + cw,j < dk + costxk w + cw,j , (8.3)
adică drumul special de la sursă la nodul xj ce trece prin nodul w are lungimea mai mică
decât drumul special compus din drumul de la nodul sursă la nodul xk , drumul de la nodul
xk la nodul w şi arcul (w, xj ).
Exemplul 8.3 Să presupunem că nodul sursă este nodul 1 pentru graful din figura 8.2. După
etapa de iniţializare, vom avea următoarele valori:
1 2 3 4 5
D 1 ∞ 21 ∞
Tata 0 1 1 1 1
Vizitat 1 0 0 0 0
În cadrul primei iteraţii, după selectarea nodului 2, se evaluează următoarele distanţe:
d2 + c2,3 < d3 ⇔ 1 + 8 < +∞
d2 + c2,4 < d4 ⇔ 1 + ∞ < 21
d2 + c2,5 < d5 ⇔ 1 + 4 < +∞
1 2 3 4 5
D 1 9 21 5
Tata 0 1 2 1 2
Vizitat 1 1 0 0 0
În timpul celei de-a doua iteraţii se evaluează următoarele condiţii:
d5 + c5,3 < d3 ⇔ 5 + 3 < 9
d5 + c5,4 < d4 ⇔ 5 + ∞ < 21
1 2 3 4 5
D 1 8 21 5
Tata 0 1 5 1 2
Vizitat 1 1 0 0 1
După pasul al treilea, vom actualiza lungimea unui singur drum:
d3 + c3,4 < d4 ⇔ 8 + 12 < 21
171
1 2 3 4 5
D 1 8 20 5
Tata 0 1 5 3 2
Vizitat 1 1 1 0 1
La sfâşitul ultimei iteraţii valorile vectorilor D, Tata, Vizitat sunt următoarele:
1 2 3 4 5
D 1 8 20 5
Tata 0 1 5 3 2
Vizitat 1 1 1 1 1
/∗ ∗
∗ C i t i r e a d a t e l o r de i n t r a r e − + i n f i n i t = −1
∗/
void r e a d I n p u t ( i nt ∗ n , i nt c [ ] [MAXN] , i nt ∗ u ) {
i nt i , j ;
p r i n t f ( ”n = ” ) ; s c a n f ( ”%d” , n ) ;
for ( i = 0 ; i < ∗n ; i ++)
for ( j = 0 ; j < ∗n ; j ++) {
s c a n f ( ”%d” , &c [ i ] [ j ] ) ;
i f ( c [ i ] [ j ] < 0)
c [ i ] [ j ] = MAXINT;
}
p r i n t f ( ” Nodul i n i t i a l : ” ) ; s c a n f ( ”%d” , u ) ;
}
i nt minim ( i nt n , i nt d [ ] , char v i z i t a t [ ] ) {
i nt j , j 0 ;
i nt min ;
min = MAXINT;
for ( j = 0 ; j < n ; j ++)
i f ( ! v i z i t a t [ j ] && d [ j ] < min ) {
min = d [ j ] ;
j0 = j ;
}
i f ( min == MAXINT)
return −1;
else
return j 0 ;
}
/∗ ∗
∗ F u n c t i a v e r i f i c a daca a > b + c .
∗/
172
i nt mai mare ( long a , long b , long c ) {
return ( a > b+c ) ? 1 : 0 ;
}
void d i j k s t r a ( i nt u , i nt n , i nt c [ ] [MAXN] , i nt d [ ] , i nt t a t a [ ] ) {
/∗ v e c t o r c e p a s t r e a z a s t a r e a unui nod : v i z i t a t sau n e v i z i t a t ∗/
char v i z i t a t [MAXN] ;
i nt i , j , k ;
// i n i t i a l i z a r i
v i z i t a t [ u ] = TRUE;
t a t a [ u ] = −1;
for ( i = 0 ; i < n ; i ++)
i f ( i != u ) {
v i z i t a t [ i ] = FALSE ;
d[ i ] = c [u ][ i ];
tata [ i ] = u ;
}
// p a r t e a p r i n c i p a l a
for ( i = 1 ; i < n ; i ++) {
k = minim ( n , d , v i z i t a t ) ;
i f (k < 0)
break ;
v i z i t a t [ k ] = TRUE;
// a c t u a l i z a r e
for ( j = 0 ; j < n ; j ++)
i f ( ! v i z i t a t [ j ] && mai mare ( d [ j ] , d [ k ] , c [ k ] [ j ] ) ) {
tata [ j ] = k ;
d[ j ] = d[k] + c [k ][ j ];
}
}
}
void printDrum ( i nt k , i nt t a t a [ ] ) {
i f ( t a t a [ k ] >= 0 )
printDrum ( t a t a [ k ] , t a t a ) ;
else
printf (” [ ” );
p r i n t f ( ”%d ” , k ) ;
}
void p r i n t S o l u t i o n ( i nt u , i nt n , i nt d [ ] , i nt t a t a [ ] ) {
i nt i ;
173
i nt c [MAXN] [MAXN] ;
/∗ no dul f a t a de c a r e s e c a l c u l e a z a d r u m u r i l e de lung ime minima ∗/
i nt u ;
/∗ t a t a [ k ] − p a r i n t e l e v a r f u l u i k i n a r b o r e l e r e z u l t a t ∗/
i nt t a t a [MAXN] ;
/∗ d i s t a n t a de l a u l a f i e c a r e nod ∗/
i nt d [MAXN] ;
r e a d I n p u t (&n , c , &u ) ;
d i j k s t r a (u , n , c , d , tata ) ;
printSolution (u , n , d , tata ) ;
}
Analizând algoritmul 63, obţinem că timpul de lucru al acestuia depinde de formula:
unde n reprezintă numărul de noduri ale grafului G iar m reprezintă numărul de muchii ale
aceluiaşi graf. Cele trei operaţii ı̂ntâlnite ı̂n cadrul algoritmlui sunt (a se vedea şi capitolul
7):
1. DeleteMin(Q) - şterge nodul ce conţine cheia de valoare minimă şi reorganizează struc-
tura prin refacerea proprietăţii de coadă cu prioritate.
174
2. Insert(Q,p,x) - inserează nodul p ı̂n coada cu prioritate Q, unde x reprezintă priori-
tatea nodului p.
2. Arbore 2 − 3:
T (n, m) = O(n · 1 + n · n + m · 1) = O(n2 ) (8.6)
3. Heap-uri Fibonacci:
175
Algoritm 64 Algoritmul lui Dijkstra pentru toate perechile de vârfuri
1: procedure DijkstraAll(n, C; D)
2: for i ← 1, n do
3: for j ← 1, n do
4: if ((i, j) ∈ E) then ⊲ sau (ci,j > 0) ∧ (ci,j < ∞)
5: di,j ← ci,j
6: else
7: di,j ← ∞
8: end if
9: C ⇐ (i, j) cu prioritatea di,j
10: end for
11: end for
12: while (C = 6 ∅) do
13: C ⇒ (i, j)
14: for k ← 1, n do
15: if (di,j + cj,k < di,k ) then
16: di,k ← di,j + cj,k
17: actualizează prioritatea perechii (i, k) din C la di,k
18: end if
19: end for
20: for k ← 1, n do
21: if (ck,i + di,j < dk,j ) then
22: dk,j ← ck,i + di,j
23: actualizează prioritatea perechii (k, j) din C la dk,j
24: end if
25: end for
26: end while
27: end procedure
Prin urmare
(k) (k−1) (k−1)
c(p) = c(p1 ) + c(p2 ) ⇒ di,j = di,k + dk,j (8.9)
176
Algoritmul Roy-Floyd-Warshall va construi un şir de matrici D (0) , D (1) , . . . , D (k) , . . . , D (n) .
(k)
Pentru fiecare k, 1 ≤ k ≤ n, di,j va conţine lungimea drumului minim de la nodul xi la nodul
xj ce are drept noduri intermediare numai noduri din mulţimea {x1 , x2 , . . . , xk }.
Matricea D (0) se va iniţializa astfel:
0
, dacă i = j
(0)
di,j = +∞ , dacă (xi , xj ) ∈
/ E, i 6= j (8.10)
d > 0 , dacă (xi , xj ) ∈ E
(un drum ce nu are nici un vârf intermediar este determinat de costul legăturii directe dintre
xi şi xj ).
Drumul de lungime minimă de la xi la xj ce trece numai prin nodurile {x1 , x2 , . . . , xk }
(k) (k−1)
fie nu conţine nodul xk , caz ı̂n care di,j = di,j , fie ı̂l conţine, şi atunci are loc relaţia
(k) (k−1) (k−1) (k)
di,j = di,k + dk,j . Prin urmare, valoarea elementului di,j se va calcula astfel:
(k) (k−1) (k−1) (k−1)
di,j = min{di,j , di,k + dk,j } (8.11)
Deşi această ultimă relaţie sugerează un algoritm recursiv, o abordare iterativă este mai
eficientă atât ı̂n ceea ce priveşte complexitatea timp, cât şi din punctul de vedere al nece-
sarului de memorie. Se observă că, matricea D (k) nu mai este necesară de ı̂ndată ce matricea
D (k+1) a fost calculată.
(n) (n)
D (n) = (di,j ), di,j = δi,j , ∀xi , xj ∈ V. (8.12)
177
Algoritm 66 Algoritmul Floyd-Warshall (varianta optimizată)
1: procedure FloydWarshall2(n, C; D)
2: for i ← 1, n do
3: for j ← 1, n do
4: di,j ← ci,j
5: end for
6: end for
7: for k ← 1, n do
8: for i ← 1, n do
9: for j ← 1, n do
10: di,j ← min {di,j , di,k + dk,j }
11: end for
12: end for
13: end for
14: end procedure
(k) (k)
di,j conform formulei 8.11. Daca pi,j = 0 atunci cel mai scurt drum dintre nodurile xi şi xj
este cel direct.
(0)
Valoarea elementelor matricii iniţiale P (0) este pi,j = 0.
(k)
Valoarea unui element pi,j se va calcula conform formulei următoare, ţinând cont de
relaţia 8.11: (
(k−1) (k−1) (k−1) (k−1)
(k) pi,j , dacă di,j ≤ di,k + dk,j
pi,j = (k−1) (k−1) (k−1) (8.13)
k , dacă di,j > di,k + dk,j
Se va calcula secvenţa de matrici P (0) , P (1) , . . ., P (n) ı̂mpreună cu secvenţa D (0) , D (1) ,
. . ., D (n) . La final vom avea: P = P (n) , D = D (n) .
Printr-un raţionament analog, se poate demonstra că nu este nevoie să construim efectiv
şirul de matrici P (0) , P (1) , . . ., P (n) . Algoritmul 67 prezintă varianta extinsă a algoritmului
66, ı̂n cadrul acestuia fiind adăugat şi suportul pentru determinarea drumului de cost minim
dintre oricare pereche de noduri a grafului.
Exemplul 8.4 Fie graful din figura 8.2. Matricea costurilor asociată acestui graf este următorul:
0 1 +∞ 21 +∞
+∞ 0 8 +∞ 4
C = 3 +∞ 0
12 +∞
+∞ +∞ 9 0 +∞
+∞ +∞ 3 +∞ 0
Şirul de matrice D k , rezultat al aplicării algoritmului Roy-Floyd-Warshall pentru acest
graf, este:
178
Algoritm 67 Algoritmul Floyd-Warshall (reconstruirea drumului optim)
1: procedure FloydWarshall3(n, C; D, P )
2: for i ← 1, n do
3: for j ← 1, n do
4: di,j ← ci,j
5: pi,j ← 0
6: end for
7: end for
8: for k ← 1, n do
9: for i ← 1, n do
10: for j ← 1, n do
11: if (di,j > di,k + dk,j ) then
12: di,j ← di,k + dk,j }
13: pi,j ← k
14: end if
15: end for
16: end for
17: end for
18: end procedure
19: procedure PrintDrum(i, j, P )
20: if (pi,j = 0) then
21: Output {(i,j)}
22: else
23: call P rintDrum(i, pi,j , P )
24: call P rintDrum(pi,j , j, P )
25: end if
26: end procedure
0 1 ∞ 21 ∞ 0 1 ∞ 21 ∞
∞ 0 8 ∞ 4
∞ 0 8 ∞ 4
D0 =
3 ∞ 0 12 ∞
D1 =
3 4 0 12 ∞
∞ ∞ 9 0 ∞ ∞ ∞ 9 0 ∞
∞ ∞ 3 ∞ 0 ∞ ∞ 3 ∞ 0
0 1 9 21 5 0 1 9 21 5
∞ 0 8 ∞ 4
11 0 8 20 4
D2 =
3 4 0 12 8
D3 =
3 4 0 12 8
∞ ∞ 9 0 ∞ 12 13 9 0 17
∞ ∞ 3 ∞ 0 6 7 3 15 0
0 1 9 21 5 0 1 8 20 5
11 0 8 20 4
10 0 7 19 4
D4 =
3 4 0 12 8
D5 =
3 4 0 12 8
12 13 9 0 17 12 13 9 0 17
6 7 3 15 0 6 7 3 15 0
Închiderea tranzitivă
Definiţia 8.1 Fie G = (V, E) un graf orientat, simplu şi finit, V = {x1 , x2 , . . . , xn }.
Închiderea tranzitivă a grafului G este un graf G+ = (V, E + ), unde E + = {(xi , xj )|
179
∃ un drum de la xi la xj ı̂n G}.
Definiţia 8.3 Închiderea tranzitivă a relaţiei binare ρ este o relaţie binară ρ∗ cu proprietatea
că ∀i, j ∈ {1, . . . , n}, (i, j) ∈ ρ∗ ⇔ ∃i1 , . . . , im ∈ {1, 2, . . . , n} astfel ı̂ncât (i1 , i2 ) ∈ ρ, (i2 , i3 ) ∈
ρ, . . ., (im−1 , im ) ∈ ρ şi i = i1 , j = im .
Închiderea tranzitivă a unei relaţii binare prezintă multiple aplicaţii, ca subproblemă ı̂n
cazul unor probleme computaţionale, cum ar fi: construirea unui automat de parsare utilizat
la realizarea unui compilator, evaluarea interogărilor recursive efectuate asupra unei baze de
date sau analiza elementelor accesibile ı̂ntr-o reţea de tranziţie asociată unui sistem paralel
sau distribuit.
Prima variantă de a determina ı̂nchiderea tranzitivă presupune atribuirea unui cost unitar
(= 1) arcelor mulţimii E, urmată de aplicarea algoritmului Roy-Floyd-Warshall. Vom obţine
o matrice, ı̂n care, di,j = +∞ dacă nu există un drum de la xi la xj sau di,j = c < n dacă
există.
În cadrul celei de-a doua variante de calcul (a se vedea algoritmul 68), se ı̂nlocuiesc ı̂n
algoritmul 65 operaţiile min cu ∨ (sau logic) şi respectiv + cu ∧ (şi logic).
Semnificaţia valorii unui element al matricii D (k) este următoarea: dki,j = 1 dacă există un
drum de la xi la xj ı̂n graful G având vârfurile intermediare numai din mulţimea {x1 , . . . , xk }.
(
1 , dacă i = j sau (xi , xj ) ∈ E
d0i,j = (8.17)
0 , dacă i 6= j şi (xi , xj ) ∈
/E
Există astfel un drum de la xi la xj ı̂n graful G având vârfurile intermediare numai
din mulţimea {x1 , . . . , xk } (dki,j = 1) dacă există un drum de la xi la xj având vârfurile
180
Algoritm 68 Algoritm de calcul a ı̂nchiderii tranzitive
1: procedure InchidereTranzitiva(n, C; D)
2: for i ← 1, n do
3: for j ← 1, n do
4: if ((i = j) ∨ (ci,j 6= +∞)) then
5: d0i,j ← 1
6: else
7: d0i,j ← 0
8: end if
9: end for
10: end for
11: for k ← 1, n do
12: for i ← 1, n do
13: for j ← 1, n do
14: dki,j ← dk−1 k−1 k−1
i,j ∨ (di,k ∧ dk,j )
15: end for
16: end for
17: end for
18: end procedure
intermediare numai din mulţimea {x1 , . . . , xk−1 } sau dacă există un drum de la xi la xk
având vârfurile intermediare numai din mulţimea {x1 , . . . , xk−1 } şi dacă există un drum de
la xk la xj având vârfurile intermediare numai din mulţimea {x1 , . . . , xk−1 }:
181
Exemplul 8.5 Fie graful din figura 8.2, din care am eliminat arcul (1, 2). Matricea cos-
turilor asociată acestui graf modificat este:
0 ∞ ∞ 21 ∞
∞ 0 8 ∞ 4
C= 3 ∞ 0 12 ∞
∞ ∞ 9 0 ∞
∞ ∞ 3 ∞ 0
1 0 0 1 0 1 0 0 1 0
0 1 1 0 1
0 1 1 0 1
D0 =
1 0 1 1 0
D1 =
1 0 1 1 0
0 0 1 1 0 0 0 1 1 0
0 0 1 0 1 0 0 1 0 1
1 0 0 1 0 1 0 0 1 0
0 1 1 0 1 1 1 1 1 1
D2 =
1 0 1 1 0
D3 =
1 0 1 1 0
0 0 1 1 0 1 0 1 1 0
0 0 1 0 1 1 0 1 1 1
1 0 1 1 0 1 0 1 1 0
1 1 1 1 1 1 1 1 1 1
D4 =
1 0 1 1 0 D5 = 1
0 1 1 0
1 0 1 1 0 1 0 1 1 0
1 0 1 1 1 1 0 1 1 1
8.3 Exerciţii
1. (Cutii n-dimensionale) Să considerăm o cutie n-dimensională, dată prin lungimea
fiecărei laturi (o cutie bidimensională este un dreptunghi, o cutie tridimensională este
un paralelipiped etc.).
Problema cere analizarea unui grup de k cutii n-dimensionale: să se elaboreze un algo-
ritm ce determină o secvenţă de cutii de lungime maximă (b1 , b2 , . . .) din grupul de k
cutii, astfel ı̂ncât fiecare cutie bi să poată fi introdusă ı̂n cutia bi+1 .
O cutie D = (d1 , d2 , . . . , dn ) poate fi inclusă ı̂ntr-o cutie E = (e1 , e2 , . . . , en ) numai dacă
există o permutare a mulţimii valorilor laturilor cutiei D astfel ı̂ncât lungimea fiecărei
laturi a cutiei D, după reorganizare, să nu depăşească lungimea laturii corespunzătoare
din cutia E.
De exemplu cutia (2, 6) poate fi introdusă ı̂n cutia (7, 3) ((6, 2) ⊂ (7, 3)), iar cutia
(1, 6, 13) poate fi introdusă ı̂n cutia (11, 15, 3) ((6, 13, 1) ⊂ (11, 15, 3)).
Cutiile egale pot fi introduse una ı̂ntr-alta. Măsurile laturilor sunt numere reale mai
mici sau egale cu 1000. Numărul de cutii nu depăşeste 100, iar numărul de dimensiuni
nu depăşeşte 20.
(Tuymaada, 1997)
182
Pentru o aprovizionare optimă, compania vrea să investească ı̂n construirea unui depozit
central din care să se aprovizioneze toate zonele; va fi, deci, necesar ca acest depozit să
fie plasat ı̂ntr-unul din oraşe, ı̂n aşa fel ı̂ncât timpul total de livrare din acest depozit
către toate oraşele să fie minim. Camioanele companiei transportă marfa la depozitele
locale şi se ı̂ntorc la depozitul central. Timpul de livrare este format din timpul necesar
parcurgerii drumului de la depozitul central la oraş şi ı̂napoi (se presupune că şoferul
va urma de fiecare dată calea cea mai rapidă, iar ı̂n fiecare oraş depozitul local se află
amplasat la intrare) iar timpul de descărcare al camionului la destinaţie este de exact 30
de minute. Drumurile ce leagă oraşele sunt de aceeaşi calitate, dar pot exista drumuri
ce iau mai mult timp ı̂ntr-un sens decât ı̂n sens invers. Pot fi, de asemenea, drumuri
cu sens unic.
Pentru a simplifica modelul, s-a stabilit pentru fiecare oraş o listă cu toate drumurile
ce pleacă din oraş spre celelalte oraşe şi cât timp ia parcurgerea fiecărui drum.
(Concurs ACM Zona Pacificul de Sud)
3. Se dă reţeaua hidrografică a unei ţări constituită din mulţimea râurilor şi afluenţii lor.
Cele N râuri (2 ≤ n ≤ 1000) sunt numerotate de la 1 la N. Legătura dintre un râu v
şi un afluent al său u este specificată prin perechea (u, v).
Pentru a se putea face estimări cu privire la potenţialul risc de inundaţie pe cursul unui
râu trebuie să se calculeze debitul fiecărui râu ı̂n parte.
Debitul unui izvor se defineşte ca fiind cantitatea de apă ce trece prin secţiunea izvorului
ı̂n unitatea de timp. Debitul râului u la vărsare va fi egal cu debitul izvorului râului u
plus suma debitelor afluenţilor la vărsare ı̂n râul u.
Se cere să se realizeze un algoritm care să calculeze debitul la vărsare al fiecărui râu.
4. Să se determine drumul de lungime minimă necesar deplasării unui cal pe o tablă de şah
(având dimensiunile 8×8), de la un punct de plecare la unui de sosire, ştiind că pe tablă
există şi căsuţe-capcană. Calul ı̂n drumul său nu poate trece printr-o căsuţă-capcană.
(ACM, Eastern Europe, 1994)
5. Un traducător găseşte o carte scrisă cu litere latine, ı̂n care ı̂nsă ordinea literelor din
alfabet este schimbată. La sfârşitul cărţii, se află un index de cuvinte complet şi necon-
tradictoriu.
Se cere să se elaboreze un algoritm ce determină ordinea literelor din noul alfabet.
(ONI, 1991)
6. Profesorul Heif realizează nişte experimente cu o specie de albine din America de Sud
pe care le-a descoperit ı̂n timpul unei expediţii ı̂n jungla Amazonului. Mierea produsă
de aceste albine este superioară din punct de vedere calitativ mierii produse de albinele
din Europa sau din America de Nord. Din păcate, aceste albine nu se ı̂nmulţesc ı̂n
captivitate. Profesorul Heiff crede că poziţiile larvelor (albine lucrătoare, regina) din
fagure depind de condiţiile de mediu, care sunt diferite ı̂n laborator faţă de pădurea
tropicală.
Ca un prim pas pentru a-şi verifica teoria, profesorul Heiff doreşte să calculeze distanţa
dintre poziţiile larvelor. Pentru aceasta el măsoară distanţa dintre celulele fagurelui ı̂n
care sunt plasate larvele. El a numerotat celulele alegând ı̂n mod arbitrat una, căreia
i-a atribuit valoarea 1, celelalte celule rămase fiind apoi numerotate circular, ı̂n sensul
acelor de ceas, ca ı̂n figură.
183
__ __ __ __
__/ \__/ \__/ \__/ \__
__/ \__/ \__/53\__/ \__/ \__
/ \__/ \__/52\__/54\__/ \__/ \
\__/ \__/51\__/31\__/55\__/ \__/
/ \__/50\__/30\__/32\__/56\__/ \
\__/49\__/29\__/15\__/33\__/57\__/
/ \__/28\__/14\__/16\__/34\__/ \
\__/48\__/13\__/ 5\__/17\__/58\__/
/..\__/27\__/ 4\__/ 6\__/35\__/ \
\__/47\__/12\__/ 1\__/18\__/59\__/
/..\__/26\__/ 3\__/ 7\__/36\__/ \
\__/46\__/11\__/ 2\__/19\__/60\__/
/..\__/25\__/10\__/ 8\__/37\__/ \
\__/45\__/24\__/ 9\__/20\__/61\__/
/..\__/44\__/23\__/21\__/38\__/ \
\__/70\__/43\__/22\__/39\__/62\__/
/ \__/69\__/42\__/40\__/63\__/ \
\__/ \__/68\__/41\__/64\__/ \__/
/ \__/ \__/67\__/65\__/ \__/ \
\__/ \__/ \__/66\__/ \__/ \__/
\__/ \__/ \__/ \__/ \__/
\__/ \__/ \__/ \__/
De exemplu, două larve poziţionate ı̂n celulele 19 şi 30 se află la distanţa de 5 celule.
Unul din drumurile minime ce unesc cele două celule trece prin celulele 19-7-6-5-15-30.
Să se scrie un algoritm ce calculează distanţa minimă dintre oricare două celule.
Datele de intrare constau din două numere naturale u şi v (u, v ≤ 10.000) reprezentând
numărul celulelor ı̂ntre care se doreşte să se determine distanţa minimă.
(ACM Final, 1999)
7. Într-o ţară există N orase, unele dintre ele legate prin autostrăzi cu dublu sens. Se
presupune că din orice oraş se poate ajunge ı̂n oricare altul. Taxa este aceeaşi pentru
orice autostradă (1 Ron), dar trebuie plătită din nou la intrarea pe o nouă autostradă.
Distanţa dintre două oraşe este considerată egală cu taxa minimă pentru a ajunge
dintr-unul ı̂n altul.
Se doreşte introducerea unui abonament a cărui plată permite circulaţia pe autostrăzi
fără nici o taxă suplimentară. Costul abonamentului este de 100 de ori mai mare decât
distanţa maximă ı̂ntre două perechi de oraşe.
Să se scrie un algoritm ce calculează costul abonamentului.
(CEOI, 1996)
8. În fiecare noapte, un prinţ intră ı̂n subsolurile unui castel unde locuieşte o prinţesă.
Drumul către prinţesă este ca un labirint. Sarcina prinţului este să se grăbească şi să
găsească drumul prin labirint către prinţesă, deoarece trebuie să se ı̂ntoarcă ı̂n zori.
Acesta are unelte potrivite cu ajutorul cărora poate să spargă numai un singur perete
pentru a-şi scurta drumul către destinaţie.
Să se elaboreze un algoritm care:
184
(a) determină lungimea celui mai scurt drum din labirint din locul ı̂n care prinţul
intră ı̂n labirint până ı̂n locul ı̂n care trăieşte prinţesa;
(b) determină lungimea celui mai scurt drum ı̂n condiţiile de mai sus, dacă se sparge
un perete şi numai unul.
5 8
14 10 10 10 10 10 10 9
12 10 10 10 10 10 10 3
5 14 9 14 8 11 14 9
4 10 2 8 3 12 10 1
6 11 14 2 10 2 10 3
1 1 5 8
185
Appendix A
Metoda Backtracking
Metoda Backtracking este una dintre cele mai cunoscute metode de elaborare a algoritmilor.
Metoda se aplică numai ı̂n situaţia ı̂n care nu există nici o altă modalitate de rezolvare a
problemei propuse deoarece timpul de execuţie depinde exponenţial de dimensiunea datelor
de intrare. Se utilizează o structură de tip stivă iar metoda poate fi implementată atât
iterativ cât şi recursiv. Metoda se aplică acelor probleme ı̂n care soluţia se poate reprezenta
sub forma unui vector x = (x1 , x2 , . . . , xn ) ∈ A1 × A2 × . . . × An , unde mulţimile Ai , (i = 1, n)
sunt finite şi nevide (|Ai| = ni > 0). În plus, pentru fiecare problemă ı̂n parte este necesar ca
soluţia x1 , x2 , . . . , xn să satisfacă anumite condiţii interne ρ(x1 , x2 , . . . , xn ) (vezi algoritmul
70).
De exemplu, să considerăm două mulţimi, S1 = {a, b, c} şi S2 = {m, n}. Se doreşte să se
determine perechile (x1 , x2 ), cu x1 ∈ A1 şi x2 ∈ A2 , cu proprietatea că dacă x1 este a sau b
186
atunci x2 nu poate fi n. Rezolvarea conduce la următoarele variantele: (a, m), (b, m), (c, m), (c, n).
Din cele şase soluţii posibile (a, m), (a, n), (b, m), (b, n), (c, m), (c, n), numai acestea patru
ı̂ndeplinesc condiţiile interne.
Mulţimea A = A1 × A2 × ... × An se numeşte spaţiul soluţiilor posibile, iar elementele
x ∈ A ce satisfac condiţiile interne se numesc soluţii rezultat. Ne propunem determinarea
tuturor soluţiilor rezultat, eventual pentru a alege dintre ele pe aceea ce minimizează sau
maximizează o funcţie obiectiv.
Metoda Backtracking evită generarea tuturor soluţiilor posibile (toate elementele pro-
dusului cartezian A1 × A2 × ... × An ). Construirea unei soluţii se face ı̂n mai mulţi paşi,
elementele vectorului X primind valori pe rând: elementului xk ∈ Ak , k = 1, n, i se atribuie
o valoare numai după ce au fost atribuite valori pentru componentele x1 ∈ A1 , x2 ∈ A2 ,
. . ., xk−1 ∈ Ak−1 . Metoda trece la atribuirea unei valori pentru xk+1 ∈ Ak+1 doar dacă
xk ı̂mpreună cu x1 , x2 , . . . , xk−1 verifică condiţiile de continuare, notate cu ρk (x1 , x2 , . . . , xk ).
Dacă aceste condiţii ρk (x1 , x2 , . . . , xk ) sunt ı̂ndeplinite se trece la căutarea unei valori pentru
elementul xk+1 ∈ Ak+1 al soluţiei.
Neı̂ndeplinirea condiţiilor are următoarea semnificaţie: pentru orice alegere xk+1 ∈ Ak+1 ,
. . . , xn ∈ An , nu vom putea ajunge la o soluţie rezultat ı̂n care condiţiile interne să fie
ı̂ndeplinite. În această situaţie va trebui să ı̂ncercăm o altă alegere pentru xk , acest lucru fiind
posibil doar dacă nu am epuizat toate valorile disponibile din mulţimea Ak . Dacă mulţimea
Ak a fost epuizată va trebui să micşorăm valoarea variabilei k cu o unitate (k ← k − 1), şi să
trecem la alegerea unei alte valori pentru elementul xk−1 ∈ Ak−1 . Micşorarea valorii curente
a variabilei k cu o unitate dă numele metodei şi semnifică faptul că atunci când nu putem
avansa, vom urmări ı̂napoi secvenţa curentă din soluţie. Faptul că valorile v1 , v2 , . . . , vk−1 ,
ale componentelor x1 , x2 , . . . , xk−1 , satisfac condiţiile de continuare, nu este suficient pentru
a garanta obţinerea unei soluţii ale cărei prime k − 1 componente coincid cu aceste valori.
O alegere bună a condiţiilor de continuare conduce la reducerea numărului de calcule,
fiind de dorit ca aceste condiţii de continuare să fie nu numai necesare, dar şi suficiente
pentru obţinerea unei soluţii. Condiţiile interne devin chiar condiţii de continuare pentru
k = n. Orice vector soluţie se obţine progresiv ı̂ncepând cu prima componentă şi deplasându-
ne către ultima, cu eventuale reveniri asupra valorilor atribuite anterior. Anumite valori sunt
consumate ı̂n urma unor atribuiri sau ı̂ncercări de atribuire eşuate din cauza neı̂ndeplinirii
condiţiilor de continuare.
Există două variante faţă de metoda standard:
• dintre soluţii se alege cea care minimizează sau maximizează o funcţie cost sau o funcţie
obiectiv dată.
187
Pentru k = 2, se verifică x2 = 1, ı̂nsă nu se respectă condiţiile de continuare (linia 16).
Astfel se trece la următoarea valoare, x2 = x1 + 1 = 2 (linia 15). Pentru această configuraţie
condiţiile de continuare sunt ı̂ndeplinite, şi se trece la pasul următor, k = k + 1 = 3 (linia
24): 1 2
Se verifică valorile 1, 2 şi 3 pentru x3 (linia 16), dintre care, numai ultima satisface
condiţiile de continuare: 1 2 3
Ajunşi la ultimul pas, k = 4, se verifică valorile 1, 2, 3 şi 4 pentru x4 . În urma verificării
condiţiilor de continuare pentru x4 = 4, se urmăreşte trecerea la pasul k = k+1 = 5. Deoarece
suntem la ultimul element al vectorului x (linia 21), se obţine prima soluţie, ce se şi afişează:
1 2 3 4
Mai departe, nu mai există valori netestate pentru x4 (linia 14), şi revenim la nivelul
anterior k = k −1 = 3 (linia 28). Aici următoarea valoare din domeniul de valori neverificată
este x3 = 4 (linia 15). Soluţia parţială respectă condiţiile de continuare (linia 16), astfel ı̂ncât
se trece la nivelul următor (linia 24), k = k + 1 = 4: 1 2 4
Pentru x4 sunt verificate valorile, 1, 2, 3, 4 (liniile 15–16), dintre acestea numai valoarea
3, conducând la o soluţie finală (linia 21): 1 2 4 3 Algoritmul se continuă ı̂n acelaşi
mod până se obţin toate soluţiile:
(1, 2, 3, 4)
(1, 2, 4, 3)
(1, 3, 2, 4)
(1, 3, 4, 2)
(1, 4, 2, 3)
(1, 4, 3, 2)
(2, 1, 3, 4)
(2, 1, 4, 3)
(2, 3, 1, 4)
(2, 3, 4, 1)
...
#define TRUE 1
#define FALSE 0
#define NN 100
int n;
int a[NN];
/**
* Functia citeste valorile datelor de intrare.
*/
void readInput(void) {
//se citeste numarul de elemente n
printf("n="); scanf("%d", &n);
}
188
Algoritm 71 Algoritm pentru generare permutări (varianta backtracking)
Input: n - numărul de elemente din mulţimea iniţială
1: function CanContinue(A, k)
2: for i ← 1, k − 1 do
3: if (ai = ak ) then
4: return f alse
5: end if
6: end for
7: return true
8: end function
9: procedure Permutari(n)
10: k←1
11: xk ← 0
12: while (k > 0) do
13: gasit ← f alse
14: while (xk + 1 ≤ n) ∧ (gasit 6= true) do
15: xk ← xk + 1
16: if ((CanContinue(X, k)) = true) then
17: gasit ← true
18: end if
19: end while
20: if (gasit = true) then
21: if (k = n) then
22: Output {x1 , . . . , xn }
23: else
24: k ←k+1
25: xk ← 0
26: end if
27: else
28: k ←k−1
29: end if
30: end while
31: end procedure
/**
* Functia afiseaza solutia calculata a problemei.
*/
void list(void) {
int i;
/**
* Functia de continuare: aici se verifica daca elementul de pe pozitia k
* nu se mai afla in sirul A.
*/
189
int canContinue(int k) {
int i;
void run(void) {
int i;
int gata;
//initializare
i = 1; a[i] = 0;
while (i > 0) {
gata = FALSE;
while ((a[i] + 1 <= n) && !gata) {
/**
* cat timp exista elementul urmator si nu sunt verificate
* conditiile de continuare
*/
if (gata)
//daca s-au verificat conditiile de continuare
if (i == n)
//daca suntem la ultimul element afisam solutia
list();
else { //altfel trecem la elementul urmator
i++;
a[i] = 0;
}
else
//altfel revenim la un element anterior si alegem o alta valoare
i--;
}
}
void main(void) {
read_data();
run();
}
190
m ≤ n).
Rezolvare: Spaţiul soluţiilor este A = ×m i=1 Ai , Ai = {1, 2, . . . , n}, |Ai | = n. Soluţia va
fi obţinută ı̂n vectorul x = (x1 , x2 , . . . , xm ) ∈ A1 × A2 × . . . Am (vezi algoritmul 72).
La pasul k se ı̂ncearcă atribuirea unui alt element din mulţimea Ak lui xk . Condiţia de
continuare se referă la proprietatea că elementele vectorului soluţie trebuie să respecte relaţia
x1 < x2 < . . . < xk . Acest lucru se obţine foarte uşor prin următorul procedeu: la trecerea la
pasul k + 1, variabila xk+1 va primi, ca valoare iniţială, valoarea curentă a variabilei xk (vezi
linia 15 din algorimul 72).
Pentru n = 5 şi m = 3 avem: A = ×3i=1 Ai = A1 × A2 × A3 , unde A1 = A2 = A3 =
{1, 2, 3, 4, 5}. Soluţiile obţinute sunt:
(1, 2, 3)
(1, 2, 4)
(1, 2, 5)
(1, 3, 4)
(1, 3, 5)
(1, 4, 5)
(2, 3, 4)
(2, 3, 5)
(2, 4, 5)
(3, 4, 5)
191
#include <stdio.h>
#define TRUE 1
#define FALSE 0
#define NN 100
int n, m;
int a[NN];
/**
* Functia citeste valorile datelor de intrare.
*/
void readInput(void) {
printf("n="); scanf("%d", &n);
printf("m="); scanf("%d", &m);
}
/**
* Functia afiseaza solutia calculata de functia run().
*/
void list(void) {
int i;
void run(void) {
int i;
int gata;
//initializare
i = 1; a[i] = 0;
while (i > 0) {
gata = FALSE;
while ((a[i] + 1 <= n) && !gata) {
/**
* cat timp exista elementul urmator si nu sunt verificate
* conditiile de continuare, treci la elementul urmator
*/
a[i]++;
gata = TRUE;
}
if (gata)
//daca s-au verificat conditiile de continuare
if (i == m)
//daca suntem la ultimul element afisam solutia
list();
else { //altfel trecem la elementul urmator
i++;
192
a[i] = a[i - 1];
}
else
//altfel revenim la un element anterior si alegem o alta valoare
i--;
}
}
void main(void) {
readInput();
run();
}
i = k sau j = l sau |i − k| = |j − l|
Prima observaţie care se poate deduce se referă la faptul că două dame nu trebuie să se
afle pe aceeaşi linie sau pe aceeaşi coloană.
Notăm cu V = {1, 2, . . . , n} mulţimea celor n coloane ale tablei de şah. Vectorul soluţiei
rezultat X = (x1 , x2 , . . . , xn ) ∈ V × ... × V are următoarea semnificaţie: componenta i a
vectorului (i = 1, n) reprezintă linia i de pe tabla de şah. Valoarea xi a acestei componente
reprezintă coloana pe care se aşează dama de pe linia i (vezi algoritmul 73).
La ı̂nceput, toate damele sunt ı̂n afara tablei de şah, prin urmare xi = 0, i = 1, n.
La pasul k vom ı̂ncerca aşezarea damei k (de pe linia k) pe coloana următoare (xk + 1).
Iniţial dama a k-a este poziţionată ı̂n afara tablei (xk = 0 ∈/ V ). O damă poate fi aşezată pe
o altă coloană dacă vechea poziţie satisface condiţia xk < n. Noua poziţie (xk + 1) trebuie să
satisfacă condiţiile interne ρk :
• ∀i, 1 ≤ i < k, xi 6= xk + 1 (nu sunt pe aceeaşi coloană);
• |i − k| =
6 |xi − (xk + 1)| (nu sunt pe aceeaşi diagonală).
Matricea A ∈ Mn×n este simetrică şi elementele de pe diagonala principală sunt nule:
aij = aji şi aii = 0.
193
Algoritm 73 Algoritm Problema damelor
Input: n - numărul de linii/coloane de pe tabla de şah
1: function CanContinue(A, k)
2: for j ← 1, k − 1 do
3: if (aj = ak ) ∨ ((k − j) = |ak − aj |) then
4: return f alse
5: end if
6: end for
7: return true
8: end function
9: procedure DameBacktracking(n)
10: i←1
11: xi ← 0
12: while (i > 1) do
13: gasit ← f alse
14: while (xi + 1 ≤ n) ∧ (gasit 6= true) do
15: xi ← xi + 1
16: if (CanContinue(X, i) = true) then
17: gasit ← true
18: end if
19: end while
20: if (gasit = true) then
21: if (i = n) then
22: call Af is Solutie(x1 , . . . , xn )
23: else
24: i←i+1
25: xi ← 0
26: end if
27: else
28: i ← i−1
29: end if
30: end while
31: end procedure
1. xk < m (dacă mai există alte culori neatribuite pentru ţara k);
2. pentru ∀i, 1 ≤ i < k cu ai,k = 1 avem xi 6= xk + 1.
Dacă cele două condiţii anterioare sunt ı̂ndeplinite, atunci noua culoare pentru ţara k va
fi xk + 1, şi se va trece la pasul k + 1 (stabilirea unei culori pentru ţara k + 1). În caz contrar,
ţării k nu i se mai poate atribui o altă culoare şi ne ı̂ntoarcem la pasul k − 1, corespunzător
alegerii unei noi culori pentru ţara k − 1. Algoritmul se termină atunci când nu mai există
nici o culoare neverificată pentru ţara 1 (vezi algoritmul 74).
194
Algoritm 74 Algoritm Problema colorării hărţilor
A - matricea de adiacenţă/de vecinătate a ţărilor
Input: n - numărul de ţări
m - numărul de culori disponibile
1: function CanContinue(A, X, k)
2: for j ← 1, k − 1 do
3: if (xj = xk ) ∧ (aj,k = 1) then
4: return f alse
5: end if
6: end for
7: return true
8: end function
9: procedure ColorBacktracking(A, n, m)
10: k←1
11: xk ← 0
12: while (k > 0) do
13: gasit ← f alse
14: while (xk + 1 ≤ m) ∧ (gasit 6= true) do
15: xk ← xk + 1
16: gasit ← CanContinue(A, X, k)
17: end while
18: if (gasit = true) then
19: if (k = n) then
20: call Af is Solutie(x1 , . . . , xn )
21: else
22: k ←k+1
23: xk ← 0
24: end if
25: else
26: k ←k−1
27: end if
28: end while
29: end procedure
Exemplul A.6 Enunţul problemei: Se dă o sumă s şi n tipuri de monede având valorile
a1 , a2 , . . . , an lei. Realizaţi un algoritm care să determine o modalitate de plată a sumei s
utilizând un număr minim de monede.
Rezolvare:
#include <stdio.h>
#define FALSE 0
#define TRUE 1
#define NN 100
#define MAX 10000
195
int limit[NN]; //limit[i] numarul maxim de monede de tipul val[i]
int val[NN]; //val[i] valoarea unei monede
int taken[NN]; //cate monede de valoare val[i] au fost luate
int minim; //numarul minim de monede cu care se poate face plata
int keep[NN]; //solutia optima pina la momentul curent
/**
* Se citesc datele de intrare: suma de plata, numarul de
* tipuri de monezi si valoarea fiecarui tip.
*/
void readInput(void) {
int i;
/**
* Se verifica daca sunt satisfacute conditiile de continuare:
* suma partiala sa nu depaseasca valoarea totala de platit.
* @param k - pasul curent
*/
int canContinue(int k) {
int i, suma_tmp;
suma_tmp = 0;
for (i = 0; i <= k; i++)
suma_tmp += val[i] * taken[i];
if ((k == n - 1 && suma_tmp == suma_plata)
|| (k != n - 1 && suma_tmp <= suma_plata))
return TRUE;
else
return FALSE;
}
/**
* Se pastreaza solutia actuala (taken) numai daca este
* mai buna decat cea anterioara (keep).
*/
void final(void) {
int i;
int monezi = 0;
196
for (i = 0; i < n; i++)
keep[i] = taken[i];
}
}
/**
* Se afiseaza solutia optima sau mesajul ’Nu avem solutie.’
*/
void print(void) {
int i, first = 0;
/**
* Implementarea metodei backtracking.
*/
void run(void) {
int i;
int gata; /* are valoarea TRUE cand sunt verificate conditiile
de continuare */
minim = MAX;
i = 0; taken[i] = -1;
while (i >= 0) {
gata = FALSE;
while ((taken[i] + 1 <= limit[i]) && !gata) {
/* cat timp exista elementul urmator si nu sunt verificate conditiile
de continuare */
taken[i]++; //treci la elementul urmator
//verifica conditiile de continuare
if (canContinue(i))
gata = TRUE;
//sau: gata = canContinue(i);
}
if (gata) //daca s-au verificat conditiile de continuare
if (i == n-1)
//daca suntem la ultimul element pastram solutia
final();
else { //altfel trecem la elementul urmator
i++; taken[i] = -1;
197
}
else
//altfel revenim la un element anterior si alegem o alta valoare
i--;
}
}
void main(void) {
readInput();
run();
print();
}
198
Bibliografie
[1] A. Aho, J. Hopcroft, J. Ullman, On finding lowest common ancestors in trees, Proc. 5th
ACM Symp. Theory of Computing (STOC), pp. 253-265, 1973.
[2] A. V. Aho, J. E. Hopcroft, J. D. Ulmann, Data Structures and algorithms, Addison-
Wesley, 1983.
[3] A. V. Aho, J. D. Ulmann, Foundation of Computer Science, Computer Science Press,
1992.
[4] R. K. Ahuja, J. B. Orlin, A Fast and Simple Algorithm for the Maximum Flow Problem,
Operations Research, vol. 37(5), pp. 748–759, 1989.
[5] R. Ahuja, T. Magnanti, J. Orlin, Network Flows, Prentice Hall, 1993.
[6] R. Andonie, I. Gârbacea, Algoritmi fundamentali, o perspectivă C++, Editura Libris,
1995.
[7] C. Aragon, R. Seidel, Randomized Search Trees, in Proc. of 30th IEEE Symposium on
Foundations of Computer Science, pp. 540–546, 1989.
[8] A. Atanasiu, Concursuri de informatică. Probleme propuse (1994), Editura Petrion,
Bucureşti, 1995.
[9] M.D. Atkinson, J.-R. Sack, N. Santoro, T. Strothotte, Min-max heaps and generalized
priority queues, Programming techniques and Data structures. Comm. ACM, vol. 29(10),
pp. 996-1000, 1986.
[10] M. Augenstein, A. Tenenbaum, Program efficiency and data structures, Proceedings of
the eighth SIGCSE technical symposium on Computer science education, pp. 21–27,
1977.
[11] S. Baase, Computer algorithms. Introduction to Design and Analysis, Addison-Wesley,
1992.
[12] P. Băzăvan, Elemente de Teoria Algoritmilor, Editura Sitech, Craiova, 2007.
[13] R. Bellman, On a routing problem, Quarterly Applied Mathematics, XVI(1), pp. 87-90,
1958.
[14] M. A. Bender, M. Farach-Colton, The LCA problem revisited, Proceedings of the 4th
Latin American Symposium on Theoretical Informatics, LNCS, vol. 1776, Springer-
Verlag, pp. 88-94, 2000.
[15] J. Bentley, R. Sedgewick, Fast Algorithms for Sorting and Searching Strings, Proceedings
of the 8th Annual ACM-SIAM Symposium on Discrete Algorithms, 1997.
199
[16] J. Bentley, R. Sedgewick, Ternary Search Trees, Dr. Dobb’s Journal, 1998.
[20] O. Berkman, U. Vishkin, Recursive Star-Tree Parallel Data Structure, SIAM Journal on
Computing, vol.22(2), pp.221-242, 1993.
[21] O. Boruvka, O jistém problému minimálnı́m (About a certain minimal problem), Acta
Societ. Scient. Natur. Moravicae, 3, pp. 37-58, 1926.
[22] R. P. Brent, An improved Monte Carlo factorization algorithm, BIT Numerical Mathe-
matics, Springer, vol. 20(2), pp. 176–184, 1980.
[26] B. Chazelle, A minimum spanning tree algorithm with inverse-Ackerman type complexity,
J. ACM, 47, pp. 1028-1047, 2000.
[27] D. Cherition, R. E. Tarjan, Finding minimum spanning trees, SIAM Journal on Com-
puting, vol. 5, pp. 724-741, 1976.
[28] J. Cheriyan, K. Mehlhorn, Algorithms for dense graphs and networks on the random
access computer, Algorithmica, vol. 15, pp. 521-549, 1996.
[29] B. V. Cherkassky,
√ Algorithm for construction of maximal flows in networks with com-
plexity of O(V 2 E), Mathematical Methods of Solution of Economical Problems, vol.
7, pp. 112–125, 1977.
[32] C. Croitoru, Tehnici de bază ı̂n optimizarea combinatorie, Editura Univ. Al. I. Cuza Iaşi,
Iaşi, 1992.
[33] G. B. Dantzig, Linear programming and extensions, University Press, Princeton, 1962.
200
[36] R. B. Dial, Algorithm 360: shortest-path forest with topological ordering [H], Communi-
cations of the ACM, vol. 12:11, pp. 632–633, 1969.
[38] E. W. Dijkstra, A note on two problems in connections with graphs, Numerische Math-
ematik, 1, pp. 269-271, 1959.
[39] Y. Dinitz, Algorithm for solution of a problem of maximum flow in a network with power
estimation, Doklady Akademii nauk SSSR, vol. 11, pp. 1277-1280, 1970.
[40] Y. Dinitz, Dinitz’ Algorithm: The Original Version and Even’s Version, in Oded Goldre-
ich, Arnold L. Rosenberg, and Alan L. Selman, Theoretical Computer Science: Essays
in Memory of Shimon Even, Springer, pp. 218-240, 2006.
[41] J. Edmonds, Paths, Trees and Flowers, Canadian J. Math, vol. 17, pp. 449-467, 1965.
[44] J. Farey, On a Curious Property of Vulgar Fractions, London, Edinburgh and Dublin
Phil. Mag. 47, 385, 1816.
[45] J. Feng, G. Li, J. Wang, L. Zhou, Finding and ranking compact connected trees for
effective keyword proximity search in XML documents, Information Systems, vol. 35(2),
pp. 186–203, 2010.
[46] L. R. Ford, Network flow theory, Technical Report P-923, RAND, Santa Monica, CA,
1956.
[47] L. R. Ford, Jr., D. R. Fulkerson, Maximal Flow Through a Network, Canadian Journal
of Mathematics, 8, pp. 399–404, 1956.
[48] L. R. Ford, Jr., D. R. Fulkerson, A Simple Algorithm for Finding Maximal Network
Flows and an Application to the Hitchcock Problem, Canadian Journal of Mathematics,
9, pp. 210–218, 1957.
[49] L. R. Ford, Jr., D. R. Fulkerson, Flows in Networks, Princeton University Press, Prince-
ton, 1962.
[50] C. L. Foster, The Design and Analysis of Algorithms, Springer Verlag, 1992.
[52] E. Fredkin, Trie Memory, Communications of the ACM, 3:(9), pp. 490, 1960.
[53] M. Fredman, R. Sedgewick, R. Sleator, R. Tarjan, The pairing heap: A new form of
self-adjusting heap, Algorithmica, 1, pp. 111–129, 1986.
[54] M.L. Fredman, R.E. Tarjan, Fibonacci heaps and their use in improved network opti-
mization algorithms, Journal of the ACM, vol. 34, pp. 596-615, 1987.
201
[55] H. N. Gabow, R. E. Tarjan, A linear-time algorithm for a special case of disjoint set
union, Proceedings of the 15th ACM Symposium on Theory of Computing (STOC), pp.
246-251, 1983.
[56] H. N. Gabow, Path-based depth-first search for strong and biconnected components, In-
formation Processing Letters, pp. 107-114, 2000.
[57] D. Gale, L. S. Shapley, College Admissions and the Stability of Marriage, American
Mathematical Monthly, vol. 69, pp. 9–14, 1962.
5
[58] Z. Galil, An O(V 3 E f rac23 ) algorithm for the maximal flow problem, Acta Informatica,
vol. 14, pp. 221–242, 1980.
[59] Z. Galil, A. Naamad, An O(EV (log V )2 ) algorithm for the maximal flow problem, Jour-
nal of Computer and System Sciences, vol. 21(2), pp. 203–217, 1980.
[60] C. Giumale, Introducere ı̂n analiza algoritmilor, Editura Polirom, Iaşi, 2004.
[62] A. V. Goldberg, R. E. Tarjan, A new approach to the maximum flow problem, in Pro-
ceedings of the 18th ACM Symposium on Theory of Computing, ACM, pp. 136–146,
1986.
[63] A. V. Goldberg, É. Tardos, R. E. Tarjan, Network flow algorithms, Algorithms and
Combinatorics, vol. 9. in B. Korte, L. Lovsz, H. J. Prmel, A. Schrijver, Editors, Paths,
Flows, and VLSI-Layout, Springer-Verlag, Berlin, pp.101-164, 1990.
[65] D. Gries, The Science of Programming, Springer Verlag, Heidelberg, New–York, 1981.
[66] L. Guo, F. Shao, C. Botev, J. Shanmugasundaram, XRANK: ranked keyword search over
XML documents, in Proceedings of the 2003 ACM SIGMOD International Conference
on Management of Data, pp. 16–27, 2003.
[67] D. Gusfield, Algorithms on Strings, Trees, and Sequences, Cambridge University Press,
1997.
[69] D. Harel, R. E. Tarjan, Fast algorithms for finding nearest common ancestors, SIAM
Journal on Computing, vol. 13(2), pp. 338-355, 1984.
[70] T. E. Harris, F. S. Ross, Fundamentals of a Method for Evaluating Rail Net Capacities,
Research Memorandum RM-1573, The RAND Corporation, Santa Monica, California,
1955.
202
5
[72] J. E. Hopcroft, R. Karp, An n 2 algorithm for maximum matchings in bipartite graphs,
SIAM Journal on Computing, vol. 2(4), pp.225-231, 1973.
[76] V. Jarnı́k, O jistém problému minimálnı́m (About a certain minimal problem), Práce
Moravské Prı́rodovedecké Spolecnosti, 6, pp. 57–63, 1930.
[77] D. Jungnickel, Graphs, Networks and Algorithms, Algorithms and Computation in Math-
ematics, vol. 5, 3rd Edition, Springer, 2008.
[78] A. B. Kahn, Topological sorting of large networks, Communications of the ACM, vol.
5(11), pp. 558-562, 1962.
[80] A. V. Karzanov, Determining the maximum flow in the network by the method of pre-
flows, Doklady Akademii nauk SSSR 15, pp. 434-437, 1974.
[82] D. C. Kozen, The Design and Analysis of Algorithms. Texts and Monographs in Com-
puter Science, Springer, 1993.
[83] D. Kőnig, Theorie der endlichen und unendlichen Graphen, Leipzig: Akademische Ver-
lagsgesellschaft, 1936. Translated from German by Richard McCoart, Theory of finite
and infinite graphs, Birkhäuser, 1990.
[87] D. E. Knuth, Arta programării calculatoarelor, vol. 3 Sortare şi Căutare, Teora, Bu-
cureşti, 2001.
[88] J. B. Kruskal, On the shortest spanning subtree of a graph and the traveling salesman
problem, Proc. of the American Mathematical Society, 7, pp. 48-50, 1956.
203
[90] H. W. Kuhn, The Hungarian Method for the assignment problem, Naval Research Lo-
gistics Quarterly, vol. 2, pp. 83-97, 1955.
[91] H. W. Kuhn, Variants of the Hungarian method for assignment problems, Naval Research
Logistics Quarterly, vol. 3, pp. 253-258, 1956.
[93] L. Livovschi, H. Georgescu, Analiza şi sinteza algoritmilor, Ed. Ştiinţifică şi Enciclope-
dică, Bucureşti, 1986.
[95] K. Mehlhorn, Data Structures and Algorithms: Graph Algorithms and NP-Completeness,
Springer Verlag, 1984.
p
[96] S. Micali, V. V. Vazirani, An O( |V | · |E|) algorithm for finding maximum matching
in general graphs, Proc. 21st IEEE Symp. Foundations of Computer Science, pp. 17-27,
1980.
[98] E. F. Moore, The shortest path through a maze, in Proceedings of International Sympo-
sium on the Theory of Switching, Part II, pp. 285-292, 1959. (prezentat la simpozion la
Universitatea Harvard in aprilie 1957)
[99] R. Motwani, Average-case analysis of algorithms for matchings and related problems,
Journal of the ACM, vol. 41(6), pp. 1329-1356, 1994.
[100] J. Munkres, Algorithms for the Assignment and Transportation Problems, Journal of
the Society for Industrial and Applied Mathematics, vol. 5(1), pp. 32-38, 1957.
[101] G. Nivasch, Cycle detection using a stack, Information Processing Letters, vol. 90(3),
pp. 135–140, 2004.
[102] I. Odăgescu, F. Furtună, Metode şi tehnici de programare, Computer Libris Agora,
Cluj–Napoca, 1998.
[103] S. Pettie, A faster all-pairs shortest path algorithm for real-weighted sparse graphs, in
Proceedings of 29th International Colloquium on Automata, Languages, and Program-
ming (ICALP02), LNCS Vol. 2380, pp. 85-97, 2002.
[104] S. Pettie, V. Ramachandran, Computing shortest paths with comparisons and additions,
in Proceedings of the 13th Annual ACM-SIAM Symposium on Discrete Algorithms
(SODA02), SIAM, pp. 267-276, 2002.
[106] R. C. Prim, Shortest connection networks and some generalizations, Bell System Tech-
nical Journal, 36, pp. 1389-1401, 1957.
204
[107] B. Schieber, U. Vishkin, On finding lowest common ancestors: Simplification and par-
allelization, SIAM J. Comput., vol. 17, pp. 1253-1262, 1988.
[108] A. Schrijver, On the history of the transportation and maximum flowproblems, Mathe-
matical Programming, vol. 91, issue 3, pp. 437-445, 2002.
[109] R. Seidel, C. Aragon, Randomized Search Trees, Algorithmica, vol. 16, pp. 464–497,
1996.
[110] M. Sharir, A strong-connectivity algorithm and its applications in data fow analysis,
Computers and Mathematics with Applications, vol. 7(1), pp. 67–72, 1981.
[111] Y. Shiloach, U. Vishkin, An O(n2 log n) parallel max-flow algorithm, Journal of Algo-
rithms, vol. 3(2), pp. 128-146, 1982.
[112] S. Skiena, The Algorithm Design Manual, 2nd Edition, Springer, 2008.
[113] D. D. Sleator, An O(EV log V ) algorithm for maximum network flow, Technical Report,
STAN-CS-80-831, 1980.
[114] D. D. Sleator, R. E. Tarjan, A data structure for dynamic trees, Journal of Computer
Sciences, vol. 26, pp. 362–391, 1983.
[115] J. Stasko, J. Vitter, Pairing heaps: Experiments and analysis, Communications of the
ACM, vol. 30(3), pp. 234-249, 1987.
[116] T. Takaoka, Theory of 2-3 heaps, Discrete Applied Mathematics, Vol. 126(1), 5th An-
nual International Computing and Combinatories Conference (COCOON’99), pp. 115–
128, 2003.
[117] R. Tarjan, Depth–first search and linear graph algorithms, SIAM Journal on Computing,
vol. 1(2), pp. 146–160, 1972.
[118] R. E. Tarjan, Edge-disjoint spanning trees and depth-first search, Algorithmica, vol.
6(2), pp. 171-185, 1976.
[119] R. E. Tarjan, Applications of path compression on balanced trees, Journal of the ACM,
vol. 26(4), pp. 690-715, 1979.
[120] R. E. Tarjan, A simple version of Karzanov’s blocking flow algorithm, Operation Re-
search Letters, vol. 2, pp.265–268, 1984.
[121] I. Tomescu, Grafuri şi programare liniară, Ed. Didactică şi Pedagogică, Bucureşti, 1975.
[122] I. Tomescu, Probleme de combinatorică şi teoria grafurilor, Ed. Didactică şi Pedagogică,
Bucureşti, 1981.
[123] I. Tutunea, Algoritmi, logică şi programare, Reprografia Universităţii din Craiova, 1993.
[124] I. Tutunea, S. Pescăruş, Algoritmi şi programe Pascal. (Culegere de probleme), Repro-
grafia Universităţii din Craiova, 1994.
205
[126] J. Vuillemin, A unifying look at data structures, Communications of the ACM, vol.
23:4, pp. 229-239, 1980.
[127] G. A. Waissi, A new Karzanov-type O(n3 ) max-flow algorithm, Mathematical and Com-
puter Modelling, vol. 16(2), pp.65–72, 1992.
[129] J. W. J. Williams, Algorithm 232 - Heapsort, Communications of the ACM, vol. 7(6),
pp. 347-348, 1964.
[130] Y. Xu, Y. Papakonstantinou, Efficient keyword search for smallest LCAs in XML
databases, in Proceedings of the 2005 ACM SIGMOD International Conference on Man-
agement of Data, pp. 527–538, 2005.
[131] D. Zaharie, Introducere ı̂n proiectarea şi analiza algoritmilor, Eubeea, Timişoara, 2008.
206