Árboles y Heurísticas en Localización

UNIVERSIDAD DE LA LAGUNA
DEPARTAMENTO DE ESTADSTICA,INVESTIGACIN OPERATIVA Y

COMPUTACIN
RBOLES Y HEURSTICAS EN
LOCALIZACION.
EL MODELO CENTDIAN MLTIPLE.
Dionisio Prez Brito

Memoria para optar al grado de Doctor
en Ciencias Matemticas realizada bajo
la direccin del Dr. D. Jos A. Moreno
Prez
Contenido
PRO LOGO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
1 LOCALIZACIO N EN ARBOLES.
1
1.1 Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Los arboles en localizacion. . . . . . . . . . . . . . . . . . . 2
1.1.2 Conceptos basicos. . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Convexidad en arboles. . . . . . . . . . . . . . . . . . . . . 4
1.2 Los problemas clasicos en Localizacion. . . . . . . . . . . . . . . . 5
1.2.1 Localizacion en la Recta Real. . . . . . . . . . . . . . . . . 7
1.2.2 CASO HOMOGE NEO. . . . . . . . . . . . . . . . . . . . . 7
1.2.3 CASO NO HOMOGE NEO. . . . . . . . . . . . . . . . . . 10
1.2.4 Localizacion en un A rbol. . . . . . . . . . . . . . . . . . . 13
1.2.5 CASO HOMOGE NEO. . . . . . . . . . . . . . . . . . . . . 13
1.2.6 CASO NO HOMOGE NEO. . . . . . . . . . . . . . . . . . 15
1.3 Modelos Multiobjetivo (Centdian). . . . . . . . . . . . . . . . . . 18
1.3.1 El Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.2 Modelos Multiobjetivo en arboles. . . . . . . . . . . . . . . 19
1.4 Modelos de Programacion Matematica. . . . . . . . . . . . . . . . 20
1.5 Modelos con distancias restringidas. . . . . . . . . . . . . . . . . . 22
1.6 Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
i
ii CONTENIDO
2 HEURISTICAS Y A RBOLES. 25
2.1 Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Formulacion y Notacion. . . . . . . . . . . . . . . . . . . . 26
2.1.2 Metodos de solucion. . . . . . . . . . . . . . . . . . . . . . 27
2.2 Heursticas basadas en arboles . . . . . . . . . . . . . . . . . . . . 32
2.3 Estrategias de Busqueda. . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 Busquedas al azar. . . . . . . . . . . . . . . . . . . . . . . 38
2.3.2 Busquedas Monotonas. . . . . . . . . . . . . . . . . . . . . 38
2.3.3 Busquedas No Monotonas. . . . . . . . . . . . . . . . . . . 41
2.3.4 El arbol inicial. . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.5 Heursticas del p-bosque. . . . . . . . . . . . . . . . . . . . 45
2.3.6 Experiencia computacional. . . . . . . . . . . . . . . . . . 47
2.4 La heurstica VNDS. . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.1 Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.2 La operacion del Intercambio. . . . . . . . . . . . . . . . . 53
2.4.3 La Heurstica VNS para la p-Mediana. . . . . . . . . . . . 58
2.4.4 El Algoritmo VNDS . . . . . . . . . . . . . . . . . . . . . 60
2.4.5 Experiencia computacional. . . . . . . . . . . . . . . . . . 63
2.4.6 Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . 67
3 EL PROBLEMA DEL CENTDIAN EN GRAFOS. 69

3.1 Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Formulacion del problema. . . . . . . . . . . . . . . . . . . . . . . 70
3.2.1 Puntos especiales. . . . . . . . . . . . . . . . . . . . . . . . 72
3.3 El 1--Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3.1 Propiedades del 1--Centdian. . . . . . . . . . . . . . . . . 74
CONTENIDO iii
3.4 El 2--Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.1 Analisis de la funcion objetivo. . . . . . . . . . . . . . . . 78
3.4.2 Un algoritmo para el 2--Centdian. . . . . . . . . . . . . . 81
3.5 El p--Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.1 El conjunto nito dominante. . . . . . . . . . . . . . . . . 84
3.5.2 Un Algoritmo para el p--Centdian. . . . . . . . . . . . . . 90
3.6 Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4 EL PROBLEMA DEL CENTDIAN EN EL A RBOL. 93

4.1 Introduccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2 Formulacion del problema. . . . . . . . . . . . . . . . . . . . . . . 93
4.3 El 1--Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Propiedades del 1--Centdian. . . . . . . . . . . . . . . . . 96
4.3.2 Un algoritmo O(n) para el 1--Centdian en un arbol. . . . 100
4.4 El p--Centdian. . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.4.1 Un Conjunto Finito Dominante . . . . . . . . . . . . . . . 102
4.5 La p-Mediana r-restringida. . . . . . . . . . . . . . . . . . . . . . 105
4.5.1 Un algoritmo de complejidad O(pn3 ) para el problema de
la p-Mediana r-Restringida. . . . . . . . . . . . . . . . . . 106
4.6 Un algoritmo alternativo para el problema del p--Centdian. . . . 118
4.7 Un algoritmo eciente para el 2--Centdian. . . . . . . . . . . . . 121
4.7.1 El algoritmo para el 2--Centdian en un 2-bosque (T1; T2). 121
4.7.2 Algoritmo 2CDB para el caso no ponderado. . . . . . . . . 124
4.7.3 Algoritmo 2CDT. . . . . . . . . . . . . . . . . . . . . . . . 127
4.8 El p--Centdian en la recta real. . . . . . . . . . . . . . . . . . . . 129
4.9 Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
iv CONTENIDO
A CO DIGO DEL 2-CENTDIAN EN UN GRAFO. 133
B CO DIGO DE LA HEURISTICA VNDS. 161
C LISTA DE SIMBOLOS. 173
BIBLIOGRAFIA. 177
CONTENIDO v
PRO LOGO.
Los problemas de localizacion han sido objeto de estudio durante siglos, pero
no fue hasta la emergencia de la Investigacion Operativa cuando estos problemas
tomaron mayor interes, siendo actualmente muchas las disciplinas en las que
se estudian estos tipos de problemas. Arquitectos, informaticos, economistas,
ingenieros, matematicos y geografos han descubierto que tienen un interes comun,
en lo que concierne a la teora de la localizacion.
En un problema de localizacion, dado un conjunto de puntos de demanda y un
conjunto de posibles localizaciones, se desea hallar la ubicacion de varios servicios
de forma que, al asignar los puntos de demanda a los servicios, se optimice alguna
funcion de distancia, costo o tiempo del trayecto. Esta funcion suele denominarse
funcion objetivo, y entre las mas estudiadas cabe destacar las funciones Centro
y Mediana.
El problema de la Mediana consiste en minimizar la distancia media entre
el usuario y el servicio a localizar. Este tipo de funcion objetivo mini-sum es
apropiado para localizar servicios que deben satisfacer una demanda continua y
estable, como, por ejemplo, escuelas, centros comerciales, terminales de trans-
porte, etc. Por otro lado, el problema del Centro estriba en localizar un punto
de tal manera que la distancia del usuario mas alejado a el sea mnima. Esta
funcion objetivo mini-max es utilizada con frecuencia en servicios de emergencias
tales como estaciones de ambulancias, de bomberos o de policia.
En muchos problemas reales el objetivo es una mezcla de estos dos mode-
los, muchas veces antagonicos. Por ejemplo, a la hora de ubicar un puesto de
bomberos se puede pretender minimizar el tiempo de viaje al posible punto de
demanda mas alejado, siempre y cuando el puesto este sucientemente cerca de
las areas mas pobladas. El problema consiste en minimizar la funcion Centro con
la restriccion de que la funcion Mediana no supere un determinado nivel. Otro
ejemplo es el de minimizar la distancia media que deben recorrer los ni~nos para
llegar a la escuela sin que a ninguno le quede demasiado lejos. El objetivo aqu es
minimizar la funcion Mediana imponiendo una cota superior a la funcion Centro.
Normalmente, cada usuario lleva asignado un valor positivo, llamado peso
o ponderacion, que a menudo representa el numero de veces que dicho usuario
visita el servicio.
El modelo que sugirio Halpern (1976) consiste en minimizar una combinacion
vi CONTENIDO
convexa de la distancia media ponderada y la distancia maxima no ponderada;
la solucion a este problema recibe el nombre de Centdian. Con ello se consigue
un equilibrio entre la distancia media y la distancia mayor.
El presente trabajo se ha realizado en el marco de la localizacion en grafos,
haciendo hincapie en una clase especial de grafo llamada arbol, y en el modelo
Centdian. Este grafo debe su nombre a la posibilidad de poder ser dibujado
imitando a un arbol genealogico, donde los vertices representan a los miembros
de la familia y las aristas la relacion entre padres e hijos. Los arboles genealogicos
al igual que los grafos arboles no tienen ciclos, pues un ciclo signicara ser padre
e hijo de s mismo. Como ejemplos de arboles tenemos, entre otros, algunas
carreteras y autopistas, la mayora de las vas ferroviarias y casi todos los ros.
Con el objetivo de re ejar el estado actual de los problemas de localizacion en
arboles, el captulo 1 se dedica al repaso de los modelos clasicos tanto en el arbol
como en su representacion mas simple, la recta real, o lo que es lo mismo, un
arbol en el que cada padre solo puede tener un hijo. Ademas, se recuerdan otros
problemas que tambien tienen gran relevancia en el ambito de la localizacion en
arboles y a los que se hace referencia a lo largo del presente trabajo.
Muchos problemas de localizacion, como los problemas mencionados en su
version multiple del Centro y la Mediana, son NP-Hard, y no se espera que sean
resueltos de forma exacta por ningun algoritmo que tenga complejidad polinomial.
Estos problemas pueden ser analizados desde el punto de vista de la optimizacion
combinatoria llegando a resolverse con tecnicas de enumeracion, sin embargo, es-
tas tecnicas no son practicas en problemas de dimensiones reales, pues no generan
una solucion optima en un tiempo razonable. Es en estos casos en los que deben
utilizarse los metodos heursticos, con el n de encontrar soluciones satisfactorias
que puedan estar en el camino de la solucion optima del problema en cuestion.
Cuando el grafo no es arbol, se puede considerar aproximaciones a este. Una
de tales aproximaciones es el llamado arbol generador o de expansion, el cual es un
subgrafo que contiene todos los vertices del grafo original, pero con solo algunas de
sus aristas. Estas aproximaciones nos permiten utilizar algoritmos para resolver
problemas de localizacion en arboles, cuyas soluciones lo son aproximadamente
del mismo problema en el grafo original.
En esta lnea, se proponen en el captulo 2 varias estrategias heursticas para
resolver problemas de localizacion en grafos, haciendo uso de los algoritmos cons-
truidos para arboles, obteniendose en muy poco tiempo soluciones proximas a la
optima. El codigo de las mismas se halla en el apendice A. Tambien hay que re-
saltar en este captulo, los resultados de la heurstica VNDS, que ha sido dise~nada
para resolver problemas de optimizacion combinatoria en grafos de dimensiones
considerables. Esta ha sido probada con grafos del orden de 6000 vertices, mejo-
CONTENIDO vii
rando apreciablemente los resultados obtenidos con otras heursticas. El codigo
de VNDS se muestra en el apendice B.
En el captulo 3 se estudia la funcion Centdian en un grafo considerando
la funcion Centro ponderada, generalizando as el modelo de Halpern. Se en-
tiende que las ponderaciones de la funcion Centro no tienen que ser iguales a
las ponderaciones de la funcion Mediana. Por simplicidad este nuevo problema
se sigue denotando Centdian. Este captulo comienza analizando el caso de lo-
calizar un solo servicio, extendiendo todas las propiedades del modelo propuesto
por Halpern, para el nuevo modelo que aqu se presenta. A continuacion, se estu-
dia el problema del 2--Centdian, mediante un analisis de la funcion objetivo, y se
propone un algoritmo de complejidad O(m2n4); donde m y n son respectivamente
el numero de aristas y vertices del grafo considerado.
Exceptuando un apartado del artculo de Hooker y otros (1991), en el cual
se propone un conjunto nito dominante para el p--Centdian, no se conoce
literatura que haga mencion al -Centdian multiple. Este conjunto nito domi-
nante propuesto por Hooker, es erroneo, como se muestra en el contraejemplo que
aparece en este captulo 3. Tambien, se presenta un nuevo conjunto nito domi-
nante para el problema p--Centdian en un grafo con una demostracion detallada
del mismo. Finalmente, como consecuencia de este, se propone un algoritmo e-
xacto.
En el cuarto y ultimo captulo, se estudia el problema p--Centdian en un
arbol, y se propone el primer algoritmo polinomial para el problema p--Centdian
(generalizado o no) en arboles. En el caso generalizado, es decir, cuando la funcion
Centro se considera con pesos, la complejidad de este algoritmo es de O(pn6 ), para
p 6, y O(np), si p < 6. En el caso no generalizado, es decir, cuando la funcion
Centro es sin pesos, la complejidad disminuye a O(pn5 ); para p 5, y O(np ), si
p < 5:
Tambien se considera la version discreta del modelo, donde los p puntos deben
seleccionarse entre los vertices. En este caso, la complejidad se reduce a O(pn4),
para p 4, y O(np ), si p < 4. El captulo termina con el estudio de la funcion
Centdian en la recta real.
Con el objetivo de que el lector pueda seguir cualquier captulo sin necesidad
de leer los previos, se han redactado de forma independiente conservando a su
vez la coherencia del trabajo en su conjunto. Esto implica que en algunos casos
se repitan conceptos ya expuestos anteriormente.
Captulo 1
LOCALIZACIO N EN
A RBOLES.
1.1 Introduccion.
Si en la literatura de investigacion operativa se realizara una busqueda con los
localizadores arboles y localizacion, obtendramos una vision de la relevancia
que han tenido y tienen los problemas de localizacion en el ambito de los arboles.
Entre los modelos de localizacion mas tratados aparecen:
Los clasicos problemas del p-Centro y de la p-Mediana, as como los re-
lativamente recientes problemas del p-Anticentro y de la p-Antimediana,
tratados tanto en el arbol como en su representacion mas sencilla, la recta
real.
Los modelos multiobjetivos, apropiados para optimizar simultaneamente
mas de una funcion objetivo.
Los modelos de Programacion Matematica, donde formulaciones alternati-
vas permiten estudiar los tpicos problemas de localizacion como problemas
de Programacion Matematica.
Los modelos con distancias restringidas, aplicables a problemas en los que
existe algun tipo de acotamiento entre la distancia desde el usuario al ser-
vicio.
Con el objetivo de re ejar el estado actual de la localizacion en arboles, en
este captulo se analizan cada uno de estos modelos, resaltando las aportaciones
mas signicativas de cada uno de ellos acaecidas en la literatura.
1
2 EN ARBOLES.
Captulo 1. LOCALIZACION
1.1.1 Los arboles en localizacion.

Un caso especial, e interesante, de localizacion en grafos tiene lugar cuando
la estructura del grafo no contiene ciclos, esto es, cuando el grafo es un arbol.
Las propiedades y resultados de los arboles, ademas de ser elegantes y utiles, de
proporcionar reglas y dar soporte a la teora, constituyen el primer paso natural
para el estudio de estos problemas en grafos generales, por ello arboles o grafos
acclicos son estructuras familiares en analisis de grafos.
Los arboles generadores de un grafo corresponden a soluciones basicas de
importantes problemas de programacion matematica en grafos; los arboles ge-
neradores mnimos y los arboles de caminos mnimos son clasicas construcciones
en Teora de Grafos. En la teora de la localizacion en grafos, los arboles son
metodologicamente importantes debido a la propiedad de convexidad que ellos
poseen lo cual a menudo permite procedimientos muy ecientes para localizar
servicios en ellos. Un ejemplo de ello son los algoritmos de Goldman [58] y
Handler [69] para la Mediana, y el Centro respectivamente.
Por otra parte, un caso particular de problemas de localizacion son los pro-
blemas con distancias restringidas, en los que se desea localizar nuevos servicios
en un grafo dentro de una distancia especicada tanto en los servicios existentes
como entre ellos. Goldman and Dearing [59] mostraron los motivos y la necesi-
dad que inducen a usar tales problemas. La distancia restringida en un grafo
fue formalmente denida por Dearing, Francis, y Lowe [33]. En dicho trabajo
establecieron que la distancia restringida dene siempre un conjunto convexo si,
y solo si, el grafo es un arbol. Hay que tener en cuenta, no obstante, que no todos
los resultados de convexidad asociados a espacios Eucldeos, ni siquiera los fami-
liares resultados de la programacion no lineal, se pueden aplicar en el contexto
de la localizacion en grafos. Por ejemplo, la multiplicacion de un punto en un
arbol por un numero real no tiene sentido, como tampoco lo tiene la nocion de
hiperplano.
1.1.2 Conceptos basicos.

Recordemos ahora algunos conceptos basicos de teora de grafos, que se re-
queriran a lo largo de este trabajo.
Denicion 1.1.1 Un grafo G = (V; E ) es una coleccion de puntos o vertices

V = fv1; ::; vng, y una coleccion de lneas o aristas E = fe1; ::; emg, que unen
todos o algunos de estos puntos. Cada arista tiene asignada una longitud positiva.
1.1. Introduccion. 3
Denicion 1.1.2 Un punto interiora una arista se referencia por su distancia
a los extremos de dicha arista. P (G) denota el conjunto continuo de puntos en
las aristas de G.
Denicion 1.1.3 Un grafo G es conexo si el conjunto de vertices V no se puede

separar en dos subconjuntos no vacos V1 y V2 de forma que cualquier arista e 2 E
una dos vertices de V1 o dos vertices de V2 .
Denicion 1.1.4 Un subgrafo de G es un grafo G0 = (V 0; E 0) tal que V 0 V

y E0 E.
Denicion 1.1.5 Un camino C entre dos vertices i y j de un grafo G es un

subgrafo minimal conexo conteniendo a los vertices i y j . (Es decir, que cualquier
grafo parcial de C distinto de C conteniendo a i y a j es no conexo).
Denicion 1.1.6 Una subarista es el segmento de arista desde un punto inte-

rior de la misma a uno de sus vertices.
Denicion 1.1.7 La longitud de un camino entre dos puntos, es la suma

de las longitudes de las aristas y subaristas que lo componen.
Denicion 1.1.8 La longitud del camino mas corto entre cualesquiera x; y 2

P (G) se denota por d(x; y).
Denicion 1.1.9 Un ciclo es un camino de longitud no nula entre un vertice i

y si mismo.
Denicion 1.1.10 Un grafo parcial de G es un subgrafo con su mismo conjunto

de vertices; V 0 = V .
Denicion 1.1.11 Un arbol T es un grafo minimal conexo, es decir, tal que T

es conexo, pero cualquier grafo parcial de T , distinto del propio T , no es conexo.
Un arbol se puede denir tambien como un grafo conexo sin ciclos no vacos.
Denicion 1.1.12 Un arbol generador T de G es un grafo parcial de G que

es arbol.
4 EN ARBOLES.
Denicion 1.1.13 La distancia entre dos arboles T1 = (VG ; E1) y T2 =

(VG ; E2) del grafo G se denota por d(T1; T2) y es igual al numero de aristas de T1
que no estan en T2, que coincide con el numero de aristas que estan en T2; pero
no en T1.
Si la distancia d(T1; T2) = 1 entonces T1 podra obtenerse de T2 reemplazando
una arista por otra, ya que existen e1 2 E1 y e2 2 E2 tales que:
(E1 [ E2)n(E1 \ E2) = fe1; e2g:
Denicion 1.1.14 Cuando la distancia entre dos arboles generadores es uno, se
dice que se ha realizado una transformacion elemental entre arboles gene-
radores.
Por lo tanto d(T1; T2) es el mnimo numero de transformaciones elementales
para pasar del arbol T1 al arbol T2:
Denicion 1.1.15 El gradode un vertice de un grafo G, es el numero de aristas
que tiene asociado dicho vertice.
1.1.3 Convexidad en arboles.
En este apartado se considera la nocion de combinacion convexa en grafos.

Sean cualesquiera dos vectores, digamos V y W, en el espacio Eucldeo E r : Para
0 1, la ecuacion U = V +(1 , )W es equivalente a jvj , uj j + juj , wj j =
jvj , wj j y juj , wj j = jvj , wj j ; con j = 1; ::; r . Para obtener la nocion de
combinacion convexa en un grafo G, consideramos cualquier par de vectores de
r puntos Y , Z 2 Gr ; y cualquier , 0 1. Denotamos por L(Y; Z ) a:
L(Y; Z ) = fX 2 Gr : d(yj ; xj ) + d(xj ; zj ) = d(yj ; zj );
d(xj ; zj ) = d(yj ; zj ); j = 1; ::; rg:
Se puede interpretar que la combinacion convexa de Y y Z son los puntos de
L(Y; Z ) para algun ; 0 1: Es mas:
L(Y; Z ) =0[1 L(Y; Z )
es el segmento de lnea que une Y con Z: En particular, para r = 1, si G es
un arbol T , entonces L(y; z) es el camino en T que une y con z. Ademas 8 2
[0; 1] ; L(y; z) es unico y se puede denotar x como x = y + (1 , ) z.
1.2. Los problemas clasicos en Localizacion. 5
Denicion 1.1.16 El conjunto S 2 Gm es un conjunto convexo si L(Y; Z )
S para cualesquiera Y; Z 2 S .
Denicion 1.1.17 Una funcion f denida en el conjunto S es convexa en Gm ,

si para Y; Z 2 S , f (X ) f (Y ) + (1 , ) f (Z ) con X 2 L(Y; Z ) y 0 1.
Para problemas de localizacion en grafos seran de interes las funciones con-

vexas en arboles, a la vista de dos resultados basicos que se exponen a conti-
nuacion.
1) la funcion f1(x) = d(x; a) es convexa en G; 8a:
2) la funcion f2(x1; x2) = d(x1; x2) es convexa en G2 () G es un arbol T .
Estos resultados dan pie a las siguientes conclusiones:
Sea S T r un conjunto convexo. Si f es cualquier funcion convexa de S ,
entonces cualquier mnino local de f en S es un mnimo global en S: Dadas las
funciones convexas f1; :::; fp de S; la suma de las funciones, y el maximo de las
mismas, es convexa en S: Tambien si h es una funcion convexa en S y g es una
funcion convexa no decreciente, entonces la funcion f (X ) = g(h(X )) es convexa
en S: Por lo tanto, para cualquier par de numeros w; w0, la funcion w d(x; a) es
convexa en T , y la funcion w0 d(x1; x2) es convexa en T 2:
Estos resultados nos permiten asegurar que los problemas de la Mediana y
Centro en arboles son de minimizacion convexa.
Hay que hacer hincapie en que los problemas convexos de localizacion cono-
cidos son tratables en grafos, puesto que existen algoritmos de orden bajo para
resolverlos, as como teoras elegantes. En cualquier caso, encontramos problemas
de localizacion que no son convexos, como el problema del p-Centro (p 2); que
pueden ser tratados en grafos.
1.2 Los problemas clasicos en Localizacion.

Como se ha comentado anteriormente, para cualesquiera x; y 2 P (G); d(x; y)
denota la longitud del camino mas corto entre ambos. Tambien para cualquier
subconjunto Y P (G); d(x; Y ) = minfd(x; y) : y 2 Y g:
Sea U V el conjunto de vertices clientes, cuya cardinalidad es O(n), dado
que jV j = n.
6 EN ARBOLES.
Denicion 1.2.1 Una funcion g denida en Rk es monotona si para cualquier

w, z 2 Rk , w z ) g(w) g(z).
Dado el conjunto nito de puntos X = fx1; ::; xpg de P (G), se denen las
siguientes matrices:
d(X ) = fd(xi; xj ) : xi; xj 2 X g
d1(X ) = fd(vi; xj ) : vi 2 U; xj 2 X g:
Sea f (U; X ) = f (d1 (X ); d(X )) una funcion real monotona en las componentes
de ambas matrices. Una amplia variedad de modelos de localizacion en la lite-
ratura son denidos optimizando varias formas de f sobre clases de subconjuntos
X P (G); jX j = p:
El conjunto X hace el papel de los nuevos servicios, es decir, servidores o
fuentes, mientras que el conjunto U es identicado como el conjunto de servicios
existentes o clientes.
Convencionalmente los modelos de localizacion ordinarios suelen ser denidos
minimizando o maximizando alguna funcion de las distancias entre servicios y
servicios-clientes. Los elementos de U pueden tener o no asignado un parametro
llamado peso, el cual puede tener varios signicados, densidad poblacional, numero
de veces que se visita el servicio, tiempo de trayecto, etc.
Los problemas mas populares entre los investigadores interesados en loca-
lizacion son: el p-Centro, el p-Anticentro, la p-Mediana y la p-Antimediana.
Por caso discreto se entiende el caso en que los nuevos puntos deben ser
seleccionados entre los elementos del conjunto U:
Dependiendo si los servicios son distinguibles o no, se estudian dos casos: el
homogeneo y el no homogeneo.
En el caso homogeneo, los servicios, es decir, los elementos de X; son indis-
tinguibles desde el punto de vista del servicio que prestan. En este caso, cada
cliente, elegira para ser atendido el servicio mas cercano. Ejemplos en los que el
modelo homogeneo se re eja en la realidad son la ubicacion de colegios, buzones,
hospitales, basureros, etc.
En la version no homogenea de estos modelos, los nuevos centros de servicios,
es decir, los elementos de X; son distinguibles en funcion del servicio que prestan.
Por tanto, cada cliente es atendido por todos los servicios. Un ejemplo practico
del modelo lo encontramos, al resolver el problema de localizar dos estaciones
de bomberos especializadas. La estacion qumica debe estar en las zonas mas
densamente pobladas, mientras que la estacion forestal debe estar proxima a los
bosques, y ademas no deben estar muy separadas. Sin embargo en cualquier
punto puede haber ambos tipos de incendio.
A continuacion, se presentan los modelos anteriormente mencionados tanto en
la recta real como en un arbol, clasicados segun su homogenidad y su peso. Al
mismo tiempo de cada uno de ellos se comentan brevemente las ultimas aporta-
ciones que se han presentado en la literatura.
1.2.1 Localizacion en la Recta Real.

Siguiendo con la notacion anterior, se denota por G = (V; E ); un grafo no
dirigido donde el conjunto V de vertices son n puntos de la recta real, y donde
E es el conjunto de n , 1 aristas que une cada par de puntos consecutivos. La
peculariedad de este grafo reside en que todos los vertices menos dos tienen grado
dos, y estos dos son precisamente los vertices extremos los cuales tienen grado
uno. En denitiva G se puede representar gracamente como un segmento de la
recta real.
El objetivo de un problema de localizacion en G es seleccionar un conjunto
X 2 P (G)p , jX j p de puntos de la recta real de manera que una determinada
funcion objetivo sea optimizada. Se asume que los vertices estan ordenados de
menor a mayor, dado que estos representan numeros reales, es decir, vi vi+1; 8i:
Hay una peque~na diferencia entre resolver un problema en la recta real con
los vertices ordenados y resolver el mismo problema en un camino de un grafo.
Asumiendo que este camino viene dado como una lista de (n , 1) aristas, esta
requerira un tiempo O(n) para ordenar los n vertices. En muchos algoritmos
a~nadir este factor O(n) no afecta a la complejidad total. Pero este no es el caso,
por ejemplo, del problema del p-Centro no pesado homogeneo.
Exponemos a continuacion los resultados mas relevantes para los problemas
clasicos de localizacion en este caso especial de arbol, considerando primero el
caso homogeneo y a continuacion el no homogeneo.
1.2.2 CASO HOMOGE NEO.

cliente, elegira para ser atendido el servicio mas cercano.
8 EN ARBOLES.
El problema del p-Centro pesado.

En el problema del p-Centro pesado, tambien conocido como problema mi-
nimax, la funcion objetivo trata de evaluar la situacion del punto de demanda
mas perjudicado, y es aplicable a la localizacion de servicios de emergencias. A
las correspondientes soluciones optimas se les denominan Centros. La funcion
objetivo a minimizar sera:
fc (U; X ) =max
vi 2U
fwi d(vi; X )g:
donde wi; es el peso no negativo asociado a vi 2 U:
El tiempo que se requiere para resolver el problema cuando p = 1 es O(n)
incluso cuando los puntos de U no estan ordenados, Megiddo (1983) [118]. Para
p = 2; la complejidad dada por Ko y Ching (1992) [96] es O(n). Sharir y Welzl
(1996) [156] probaron que para p = 3 tambien el tiempo requerido es O(n):
La generalizacion de este problema para un p jo arbitrario, se encuentra en
el desarrollo de Sharir y Welzl (1996) [156].
En el caso de que p fuese variable, la complejidad que tendramos para la
version discreta sera O(n log n), Megiddo, Tamir, Zemel y Chandransekaran
(1981) [115]. Algoritmos alternativos han sido dados por Megiddo y Tamir (1983)
[117], y Cole (1987) [17] con complejidades O(n log2 n) y O(n log n) respectiva-
mente.
El problema del p-Centro no pesado.

El problema del p-Centro no pesado consiste en minimizar la siguiente funcion
objetivo:
fc (U; X ) =max
vi 2U
f d(vi; X )g:
Megiddo y Tamir (1983) [118] propusieron un algoritmo con una complejidad del
orden O(p2 log2n). Otra alternativa la dio Frederickson en 1990 [51] con un algo-
ritmo de complejidad O(n): Si p = 1; 2; la complejidad alcanzada sera O(log n)
Frederickson (1990) [51]: La solucion del problema del 2-Centro se obtiene por la
descomposicion de este en dos problemas de 1-Centro, Handler (1978) [70]. Esta
descomposicion no es valida para el caso discreto. Los resultados de Handler
no son extensibles a valores mayores de p: Existe un algoritmo de complejidad
O(p n) basado en los metodos de busqueda en vectores monotonos, Olstad y
Manne (1993) [133].
El problema del p-Anticentro.
Este problema es tambien conocido como el problema p-Dispersion o p-Maximn,
y tiene como objetivo maximizar la siguiente funcion objetivo:
fac(U; X ) =min fw d(vi; X )g;
vi 2U i

Es decir, se trata de hallar p servicios lo mas lejos posible de los puntos de
demanda vi 2 U .
El problema del 1-Anticentro no pesado puede ser resuelto en tiempo lineal,
buscando los dos puntos consecutivos mas alejados de U , y hallando el punto
medio del segmento que los une. Aplicando un procedimiento divide y venceras
estandar, se obtiene una cota del tiempo de ejecucion de O(n log n):
El problema de dispersion, cuando queremos seleccionar p puntos de P (G),
maximizando la distancia entre los pares de puntos mas cercanos, es el dual del
problema del (p,1)-Centro, Chandrasekaran y Tamir (1980,1982) [25],[26], Kolen
y Tamir (1990) [98], y por lo tanto puede ser resuelto usando los algoritmos del
p-Centro con un esfuerzo total de O(p n + p2 log p).
El problema de la p-Mediana pesada.

En el problema de la p-Mediana pesada, tambien conocido como problema
minisum o problema de Weber, la funcion objetivo trata de evaluar la situacion
media de los puntos de demanda. A las correspondientes soluciones optimas se
le denominan Medianas. El criterio minisum re eja la poltica de optimizar los
gastos totales y es aplicable a localizaciones del sector privado. Luego la funcion
objetivo a minimizar sera:
fm(U; X ) = wi d(vi; X );
X
vi 2U

Para p = 1, un algoritmo de tiempo O(n); incluso cuando los puntos de U
no estan ordenados, se consigue aplicando el algoritmo de la Mediana de Blum
y otros (1972) [9]. Para p > 1; un algoritmo de complejidad O(p n) es dado por
Hassin y Tamir (1991) [80].
10 EN ARBOLES.
El problema de la p-Mediana no pesada.

Ahora la funcion objetivo a minimizar es:
fm(U; X ) = d(vi; X );
X
vi 2U
pues los pesos wi = 1; para todo vi 2 U:
Contrariamente a lo que ocurre en los problemas de tipo minimizar fc, donde
el modelo sin pesos tiene menor complejidad que el mismo modelo con pesos,
en los problemas minimizar fm el hecho de tener o no peso asignado a cada
vertice, no hace variar la complejidad de sus respectivos algoritmos. Por ello, los
algoritmos empleados son los que se citaron para el problema de la p-Mediana
pesada. El de Blum y otros (1972) [9] para p = 1, y el de Hassin y Tamir (1991)
[80] para un p cualquiera.
El problema de la p-Antimediana.
En este problema tambien conocido como problema p-Maxisum, se pretende
maximizar la siguiente funcion objetivo:
fam(U; X ) = wi d(vi; X ):
X
vi 2U
donde wi; es el peso positivo asociados a vi 2 U . Dado que la funcion objetivo es
convexa [159] la 1-Antimediana es v1 o vn:
Si los elementos de X pueden ser iguales, la solucion de la p-Antimediana es
la misma que la del problema de la 1-Antimediana. Si los elementos de X son
distintos, la solucion optima no tiene por que estar necesariamente ubicada en los
vertices terminales. Por ejemplo, si n = 4; vi = i , 1; i = 1; 2; 3; 4; w1 = w3 = 1;
w2 = 5; w4 = 3; y p = 2; el conjunto optimo es S = fv1;v3g:
El mejor algoritmo que se conoce es el dado por Tamir (1991) [159], que
por medio de un desarrollo en programacion dinamica alcanza una complejidad
O(n p):
1.2.3 CASO NO HOMOGE NEO.

En la version no homogenea de estos modelos, los nuevos centros de servicio, es
decir, los elementos de X; son distinguibles en funcion del servicio que prestan.
Por tanto, cada cliente es atendido por todos los servicios. Esto hace que los
modelos no homogeneos tengan asociado dos pesos, uno entre el cliente vi y el
servicio xj y al que denotaremos wij , y otro entre los servicio xi y xj al que
denotaremos bij . Siguiendo con el ejemplo de los bomberos supongamos que la
estacion qumica es la x1 y la forestal la x2 de esta manera el cliente vi es atendido
por los dos servicios, cuando es atendido por x1, el peso asociado es wi1, y cuando
es atendido por x2 el peso sera wi2. La distancia entre x1 y x2 va ponderada por
b12 y la distacia entre x2 y x1 va ponderada por b21.
El problema del p-Centro pesado

.
El problema es minimizar la funcion objetivo:
maxfwij d(vi; xj ) : vi 2 U; xj 2 X g; :
( )
fc(U; X ) = max maxfbij d(xi ; xj ) : xi; xj 2 X; 8 i 6= j g

donde wij es el peso asociado a vi con respecto el servicio xj y bij es el peso
entre los servicios xi y xj respectivamente. Erkut, Francis y Tamir (1992) [44]
suministraron un algoritmo de busqueda binaria de complejidad O(p n (p + n)):
Francis, Lowe y Ratli (1978) [49] haban obtenido ya el mismo resultado por
medio de la implementacion del teorema de dualidad, con el inconveniente de
que no es extensible al caso discreto. Sin embargo, el desarrollo parametrico
que realiza Megiddo (1979) [114], de orden O(p (n + p)) [49], puede ser utilizado
en el desarrollo de Francis, Lowe y Ratli (1978) [49] y es aplicable tanto al
caso discreto como al caso continuo. La complejidad total de este desarrollo
parametrico es O(p2 (n + p)2).

No se han encontrado referencias bibliogracas donde este modelo este especi-
cado.
maxf d(vi ; xj ) : vi 2 U; xj 2 X g; :
( )
fc (U; X ) = max maxf d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

Dado que el problema de minimizar la funcion objetivo fc(U; X ) en la recta real
es equivalente al problema del 1-Centro homogeneo, este se puede resolver en
tiempo O(n); Tamir, (1997) [164].
12 EN ARBOLES.

El problema del p-Anticentro consiste en maximizar la siguiente funcion ob-
jetivo:
minfwij d(vi; xj ) : vi 2 U; xj 2 X g; :
( )
fac(U; X ) = min min fbij d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

Este problema es NP-Hard, incluso cuando el segmento de recta real, se reduce
a una sola arista, Tamir (1991) [159].

Guseld y Tardos (1990) [60], Guseld y Martel (1992) [61] suministraron un
algoritmo de complejidad O(p3 + p2 log m + p n) para el problema de minimizar
la siguiente funcion objetivo:
fm(U; X ) = wij d(vi; xj )+ bij d(xi; xj ):
X X X X
vi 2U xj 2X xi 2X xj 2X
donde wij es el peso asociado a vi con respecto el servicio xj y bij es el peso entre
los servicios xi y xj .
Tamir (1993) [161], propone un algoritmo alternativo con la misma compleji-
dad que el algoritmo de Guseld y Martel (1992).

En el problema de minimizar la funcion objetivo:
X X X X
fm(U; X ) = d(vi; xj )+ d(xi; xj );
el hecho de tener o no peso asignado a cada vertice, no in uye en la complejidad
de sus respectivos algoritmos. As pues, el modelo sin pesos tiene la misma
complejidad que el mismo modelo con pesos. Ello nos lleva a citar los mismos
algoritmos que en el problema de la p-Mediana pesada. Es decir el de Guseld y
Tardos (1990) [60], el de Guseld y Martel (1992) [61] y el de Tamir (1993) [161].
En el problema de la p-Antimediana el objetivo es maximizar:
fam(U; X ) = wij d(vi; xj )+ bij d(xi; xj );
X X X X
los servicios xi y xj . O lo que es lo mismo, maximizar la suma de las distancia
pesada entre todos lo pares de puntos. El problema de la p-Antimediana es
NP-Hard, incluso, cuando n = 2, Tamir (1991) [159].
1.2.4 Localizacion en un A rbol.

Exponemos en esta subseccion los resultados mas relevantes para los proble-
mas clasicos en arboles generales, considerando primero el caso homogeneo y a
continuacion el no homogeneo analogamente a lo expuesto para la recta real.
1.2.5 CASO HOMOGE NEO.

cliente, elegira para ser atendido el servicio mas cercano.

El problema del p-Centro consiste en encontrar p puntos X = fx1; :::; xpg
del arbol que minimicen la maxima distancia pesada. Si wi es el peso positivo
asignado al vertice vi 2 U , el modelo considerado trata de minimizar la siguiente
funcion objetivo:
fc(U; X ) =max
vi 2U
fwi d(vi; X )g:
El mejor algoritmo para el problema del p-Centro pesado lo ofrecen Megiddo y
Tamir [118]. E ste es de complejidad O(n log3 n), pero si se le aplica el proce-
dimiento de Cole (1987) [17], la complejidad conseguida para este problema es
O(n log2 n).
Para el caso discreto, no se ha podido mejorar la complejidad del algoritmo
de Megiddo y Tamir (1983) [118] la cual es O(n log2 n):

El problema del p-Centro no pesado consiste en minimizar la funcion objetivo:
fc (U; X ) =max
vi 2U
f d(vi; X )g:
14 EN ARBOLES.
El algoritmo de Frederickson (1990) [51] para el p-Centro no pesado en la recta

real es extrapolable a arboles, por lo tanto, su complejidad es de O(n): Tambien
los resultado de Handler (1978) [70] son extrapolables a arboles para el problema
del 1-Centro y del 2-Centro.

Tamir (1991) [159], reformulo el problema de maximizar la funcion objetivo:
fac(U; X ) =min fw d(vi; X )g;
vi 2U i
donde wi es el peso positivo asignado al vertice vi 2 U; como un problema de

programacion matematica para poder hacer uso de la concavidad de la funcion
objetivo. Como resultado de su desarrollo propuso un algoritmo recursivo de
orden O(n p): Esta complejidad se puede mejorar en casos especiales como los
arboles estrellas, arboles cuyo unico vertice no hoja es la raz. Ademas, este
problema puede reducirse al problema de asignacion discreto estandar con un ob-
jetivo cuadratico concavo separable, este ultimo resuelto en tiempo O(n) Ibaraki
(1988) [86].

Kariv y Hakimi (1979) [90] probaron que el problema de minimizar la funcion
objetivo:
X
fm (U; X ) = wi d(vi; X );
vi 2U
donde wi es el peso positivo asignado al vertice vi 2 U; es NP-Hard en un grafo

general, y Lin (1980) [104], presenta algunos esquemas de aproximacion.
Para un arbol, Kariv y Hakimi (1979) [90] describieron un algoritmo O(p2 n2).
Un algoritmo diferente de orden O(p n3 ) puede encontrarse en Hsu (1982) [84].
Tamir (1996) [163], mostro como por medio de un algoritmo de programacion
dinamica, el tiempo necesario para resolver el problema de la p-Mediana en un
arbol es solo O(p n2 ), este algoritmo de Tamir es el de mejor complejidad conocida:
Si se compara, la complejidad dada por Hassin y Tamir (1991) [80], para el pro-
blema de la p-Mediana pesada en un camino, se encuentra que el tiempo requerido
es de O(p n):
En el problema de minimizar la funcion objetivo:
X
fm(U; X ) = d(vi; X );
vi 2U
el hecho de tener o no peso asignado a cada vertice, no repercute en la complejidad
de su algoritmo, de manera que, el modelo sin pesos tiene la misma complejidad
que el mismo modelo con pesos. Ello nos lleva a citar los mismos algoritmos que
en el problema de la p-Mediana pesada.
Este problema tambien es conocido en la literatura como el problema p-
Maxisum, y consiste en maximizar la funcion objetivo:
fam(U; X ) = wi d(vi; X ):
X
vi 2U
donde wi es el peso positivo asignado al vertice vi 2 U: En un grafo general es
NP-Hard, pero en un arbol Tamir [159], soluciono el problema en tiempo O(n p)
valiendose de la programacion dinamica. Su procedimiento trata de identicar
las utiles propiedades de concavidad, y reformular el modelo como un problema
de ujo, cuadratico separable y de maxima concavidad.
1.2.6 CASO NO HOMOGE NEO.

En la version no homogenea de estos modelos, los nuevos centros de servicios,
es decir, los elementos de X; son distinguibles en funcion del servicio que prestan.
Por tanto, cada cliente es atendido por todos los servicios. Esto hace que los
modelos no homogeneos tengan asociado dos pesos, uno entre el cliente vi y el
servicio xj y al que denotaremos wij , y otro entre los servicio xi y xj al que
denotaremos bij .

El desarrollo hecho en la recta real puede aplicarse para la resolucion de
problemas continuos en arboles. Haciendo uso de la descomposicion del centroide1
En la literatura se denomina centroide, al vertice que al separarlo del arbol, no deja ninguna
1
componente conexa con mas de n=2 vertices. Coincide con el vertice mediana.
16 EN ARBOLES.
[161] se obtiene, para el problema de minimizar la funcion objetivo:

maxfwij d(vi; xj ) : vi 2 U; xj 2 X g; ;
( )
fc(U; X ) = max max fbij d(xi ; xj ) : xi; xj 2 X; 8 i 6= j g

donde wij es el peso asociado a vi con respecto el servicio xj y bij es el peso entre los
servicios xi y xj respectivamente, un algoritmo de complejidad O(np2 + pn log2 n),
Tamir (1993) [161].

No existen referencias donde este modelo este especicado. El objetivo del
modelo es, minimizar la funcion objetivo:
maxfd(vi; xj ) : vi 2 U; xj 2 X g; :
( )
fc (U; X ) = max max f d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

El problema puede resolverse en tiempo O(n), pues este sera equivalente al pro-
blema del 1-Centro homogeneo, Tamir (1997) [164].

El problema del p-Anticentro trata de maximizar la funcion objetivo:
minfwij d(vi; xj ) : vi 2 U; xj 2 X g; :
( )
fac(U; X ) = min min fbij d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

los servicios xi y xj respectivamente. Este poblema es NP-Hard, incluso cuando
el arbol considerado consiste en una sola arista, Tamir (1991) [159].

El algoritmo de Tamir (1993) [161], que resuelve el problema de minimizar la
funcion objetivo:
fm(U; X ) = wij d(vi; xj )+ bij d(xi; xj );
X X X X
los servicios xi y xj respectivamente, mejora la complejidad O(n p3 ) de Kolen
(1982) [97] y de Picar y otros (1978) [135]. Para ello, considera una arista [vi; vj ]
y la elimina de E; particionando el conjunto de vertices en dos subconjuntos,
V (i; j ) y V (j; i), donde vi 2 V (i; j ) y vj 2 V (j; i): Siguiendo a Picard (1978)
[135] dene el problema local-[i; j ] como:
x f
min wtm d(vi; xm)+ wtm d(vj ; xm)+ bkm d(xk ; xm)g;
P P P
vt 2V (i;j ) vt 2V (j;i) k;m=1;:::;p

m=1;::::;p m=1;::::;p
donde x1; :::; xp estan en fvi; vj g: Este problema es la reduccion del problema
original obtenido identicando todos los vertices de V (i; j ) con el vertice vi; y
todos los vertices de V (j; i) con el vertice vj .
Dado que la solucion del problema local-[i; j ] es independiente de la longitud
de la arista [vi; vj ] se concluye, como se muestra en [135], que el problema de la
p-Mediana pesada no homogenea en un arbol es independiente de la longitud de
las aristas, y que solo depende de la topologa del arbol. Este resultado justica el
que Tamir (1993) [161], haya utilizado el metodo de descomposicion del centroide
para resolver el mencionado problema en tiempo O((p3 + n) log n + np):

El problema de la p-Mediana no pesada, consiste en minimizar la funcion
objetivo:
X X X X
fm (U; X ) = d(vi; xj )+ d(xi ; xj ):
El hecho de tener peso o no, no afecta a la complejidad de los algoritmos que re-
suelven el problema de la p-Mediana. Ello nos lleva a citar los mismos algoritmos
que en el problema de la p-Mediana pesada.
El problema de la p-Antimediana consiste en maximizar la funcion objetivo:
fam(V; X ) = wij d(vi; xj )+ bij d(xi; xj );
X X X X
donde wij es el peso asociado a vi con respecto el servicio xj y bij es el peso

entre los servicios xi y xj respectivamente, es NP-Hard, incluso cuando el grafo
considerado consiste en una sola arista, Tamir (1991), [159].
18 EN ARBOLES.
1.3 Modelos Multiobjetivo (Centdian).

En muchos problemas de localizacion, especialmente en el sector publico, las
decisiones se toman atendiendo a un numero considerable de objetivos. Un ejem-
plo cotidiano lo tenemos cuando un grupo de peque~nas comunidades quieren
construir un servicio comun a todas ellas. Como es logico, cada comunidad tiene
su propio objetivo con respecto a la localizacion del servicio, pero diferentes co-
munidades conllevan diferentes objetivos. En un supuesto como este, el analista
tiene que encontrar la localizacion del servicio de tal forma que lo que benecie
a una comunidad no perjudique a ninguna otra.
En terminos generales un problema multiobjetivo es aquel cuyo objetivo es
optimizar un numero k de funciones f1; f2; :::; fk sobre un conjunto no vaco X .
Generalmente no existe ninguna solucion de X que simultaneamente optimice
todas las funciones. En estos casos, el primer paso habra de ser encontrar el
conjunto de soluciones ecientes de la coleccion de funciones.
Sea f (x) = ( f1(x); :::; fk(x)) para x 2 X . Una solucion x 2 X , es eciente
si x 2 X y f (x) f (x) implica f (x) = f (x): Una solucion x es dominada si
para algun x0 2 X; f (x0) f (x) y f (x0) 6= f (x):
1.3.1 El Centdian.
El Centdian, es el nombre que Halpern [65] utiliza para el problema de lo-
calizar un servicio bajo dos objetivos: el minimax fc(U; X ) =max
vi 2U
f d(vi ; X )g y el
minisum fm (U; X ) = P
wi d(vi; X ). Los primeros en considerar este problema
vi 2U
en un arbol fueron Halpern [65] y Handler[69].
Halpern desarrollo el problema minimizando:
f(U; x) = fc (U; x) + (1 , )fm (U; x)

sobre x para un dado, y parametrizando para 0 1: Probo que para
cualquier dado, si xc es el centro de un arbol T y xm es un vertice mediana de
T , entonces un mnimo de f(:) se alcanza en un punto del camino que conecta xc
con xm: Ademas demostro que un mnimo de f(:) puede ser hallado resolviendo
el problema de la mediana en un arbol T 0 que contenga un vertice adicional, el
vertice vn+1 = xc, con peso asociado wn+1 = ,1 , 1.
Handler [69] considero el problema sin pesos wi = 1 y uso la funcion mediana
como una restriccion, es decir minimizo fc (U; x) sujeto a que: fm(U; x) ; x 2
1.3. Modelos Multiobjetivo (Centdian). 19
T , para cada valor de ; y parametrizo sobre :
Ambos autores explotaron intrnsicamente la propiedad de convexidad de los
arboles en la obtencion de sus resultados.
Halpern [66] tambien estudio el problema en una red general, considerando
que f(U; x) es una funcion continua y lineal a trozos en cada arista que alcanza
su mnimo en uno de sus puntos de rupturas o en uno de sus vertices. Esto le
llevo a un algoritmo que computa todas los puntos de rupturas del problema.
Empleando un desarrollo similar al de Handler, Halpern [67] obtuvo la relacion
de dualidad para los problemas de la Mediana y el Centro restringidos. Para ;
reales se dene:
fm () = x2min f (U; x)
P (T ) m
s:a : fc(U; x)
fc() = x2min f (U; x)
P (T ) c
s:a : fm(U; x)
Sea m+ el mnimo valor de fm(:) sobre cualquier x 2 P (T ); y m++ el mnimo
valor de fm(:) sobre cualquier mnimo de fc (:): Denimos c+ y c++ de forma
similar.
Teorema 1.3.1 Teorema de dualidad

a) Dado 2 [m+; m++ ], con = fc (); tenemos que fc(fm ()) = :
b) Dado 2 [c+; c++ ], con = fm (); tenemos que fm (fc()) = :
En un arbol, fm y fc son funciones biyectivas (uno a uno) en los interva-
los [m+; m++]; [c+; c++ ] respectivamente, y son inversas una de la otra. En un
grafo general, la propiedad de la inversa se verica solo para algunos miembros
de [m+; m++ ]; [c+; c++ ] pues en este caso las funciones no son necesariamente
biyectivas.
1.3.2 Modelos Multiobjetivo en arboles.

Lowe [108] considero un problema multiobjetivo muy general en un arbol T
dando un metodo para construir el conjunto de todos los puntos ecientes. Dadas
f1; :::fk, k funciones continuas y acotadas del tipo de la Mediana o del tipo del
Centro, todas ellas denidas en T , y dado Qi un subconjunto factible no vaco
20 EN ARBOLES.
de T (se asume que Qi es convexo y compacto), entonces se dene:

Q = \fQi : 1 i kg 6= ;:
El problema consiste en minimizar:
f (x) : x 2 Q T; donde f (x) = (f1(x); :::; fk(x)):

Bajo la suposicion de convexidad, Lowe demostro que un subconjunto com-
pacto convexo T de T puede ser identicado como el conjunto de todos los
puntos ecientes. Para obtener T , se dene Ri como el conjunto de todos los
mnimos del problema min ffi(x) : x 2 T g. Si Ri intersecta el conjunto factible
Q, Si representa dicha interseccion; en otro caso, Si es la solucion mas cercana
en Q a Ri , y ademas es unica. Una vez denido cada Si, 1 i k; si sus
intersecciones son no vacas, entonces el conjunto de todos los puntos ecientes
viene dado por T = \fSi : 1 i kg: Si, por el contrario, esta interseccion
es vaca, entonces T es el subarbol convexo y compacto mas peque~no de T que
intersecta cada Si: Tengase en cuenta que las funciones fc(U; x) y fm (U; x) y la
del Centdian f(U; x) son convexos en T . El teorema de Lowe es otro metodo
para obtener los mismos resultados de Halpern y Handler.
1.4 Modelos de Programacion Matematica.

En los problemas continuos se permite que los servicios puedan ser estableci-
dos en cualquier punto de la red, deseandose encontrar p localizaciones optimas,
que minimicen la funcion objetivo y que al mismo tiempo sastifagan ciertas res-
tricciones. Estas restricciones son normalmente cotas superiores de las distancias
entre servicios.
En el caso de que la red sea un arbol, el proposito de este apartado es for-
mular los tpicos problemas de localizacion como problemas de programacion
matematica, los cuales, en algunos casos, son lineales y conllevan un numero
polinomial de variables y restricciones.
Sea T un arbol con n vertices v1; :::; vn; y sea X = (x1; :::; xp) el vector de los
servicios a localizar en dicho arbol T , D(X ) = d(vi; X ) representa el vector de
todas las distancias de interes.
Denotaremos por PM (problema monotonico) el problema siguiente:
min f (D(X ))
s:a : fi(D(X )) bi; i = 1; :::; k:
1.4. Modelos de Programacion Matematica. 21
Se asume que cada funcion real fi es monotona en cada componente de D(X ):
Erkut y otros (1989) [43] prueban que cuando en las funciones monotonas fi in-
terviene las operaciones sumar y/o maximizar, PM es equivalente a un problema
de programacion lineal, que puede resolverse mediante el algoritmo del simplex.
Si PM se plantea sobre una red no arbol, problemas como el p-Centro y la
p-Mediana son NP-Hard, Hsu (1979), Kariv (1979a), Kariv (1979b) ([83][89][90]).
Tambien determinar si hay o no soluciones factibles para estos problemas es NP-
Hard, Kole (1982) [97].
La literatura en teora de localizacion discreta re eja un vasto numero de
trabajos que usan algun tipo de relajacion, Francis (1989) [50]. Pero el objetivo
de este apartado no es estudiar tales problemas sino aquellos que son esencial-
mente continuos por naturaleza, y expresarlos como modelos de programacion
matematica, sin relajaciones.
Lema 1.4.1 Lema de monoticidad.- Sea f una funcion monotona denida

en un espacio euclideo E r ! E s: Para cualquier b 2 E s y D 2 E r , los siguientes
resultados son equivalentes.
(a) f (D) b:
(b) Existe Z > 0; Z 2 E r tal que D Z; f (Z ) b:
Con este resultado y asumiendo que cada funcion fi es monotona, i = 0; 1; :::; k;

el problema PM se puede expresar como sigue:
min b0
s:a : fi(D(X )) bi; i = 0; :::; k:
El lema de monotocidad nos permite expresar la restriccion como sigue:

fi(Z ) bi; i = 0; :::; k:
D(X ) Z:
La ventaja de estos modelos de programacion matematica reside en que para

ellos se dispone de una herramienta teorica que facilita su resolucion, ejemplo de
ello lo tenemos en la teora de dualidad, y en el metodo de simplex revisado. Otra
ventaja es el analisis de sensibilidad y el estudio parametrico de los mismos.
22 EN ARBOLES.
1.5 Modelos con distancias restringidas.

Los problemas de localizacion multiservicios con distancias restringidas con-
sisten en localizar p nuevos servicios, satisfaciendo que la distancias entre los
clientes y servicios, as como las distancias entre servicios no superen una cota
dada. Especcamente, dado el grafo no dirigido G = (V; E ) con conjunto de
vertices V = fv1; ::::; vng y conjunto de aristas E , y dado frij g y frik0 g numeros
no negativos, el problema radica en localizar p servicios x1; :::; xp 2 P (G) tales
que:
d(vi; xj ) rij ; vi 2 U; xj 2 X;
d(xi; xk ) rik0 ; xi; xk 2 X; i 6 k:
La primera de las cotas viene motivada por servicios que tienen un tiempo
maximo de tolerabilidad. Por ejemplo, cuando se quiere establecer una estacion
de bomberos, es deseable que la respuesta de los bomberos se produzca antes de
que el fuego este fuera de control. La segunda de ellas, resulta apropiada cuando
hay interacciones entre los servicios, como en el caso de establecer servicios con
nes militares. Kolen (1982) [97] demostro que el problema es NP-Hard, pues
lo redujo al problema del CLIQUE, es decir, al problema del subgrafo completo
maximal (Garey y Johnson, 1979 [54]).
Francis, Lowe y Ratli (1978) [49] consideraron el problema en el que G es
un arbol. El algoritmo que propusieron para el caso continuo es de complejidad
O(np + p2). Este algoritmo es facilmente adaptable al caso discreto.
Si el objetivo es minimizar:
maxfwij d(vi; xj ) : vi 2 U; xj 2 X g; ;
( )
fc(U; X ) = max max fbij d(xi ; xj ) : xi; xj 2 X; 8 i 6= j g

los servicios xi y xj respectivamente, el problema se conoce como el problema
del p-Centro restringido. Erkut y otros (1992) [44], presentaron dos algoritmos
polinomiales para resolverlo en un arbol. El primer algoritmo esta basado en
una busqueda binaria, con un esfuerzo de O(n(m + n)[m + n log M ]) (M como
en [44]), cuya complejidad es polinomial, pero dependiente de los datos. El
segundo algoritmo esta basado en desarrollos parametricos, y su complejidad es
de O(mn(m + n log m) + n3 log n):
Si el objetivo es minimizar:
fm(U; X ) = wij d(vi; xj )+ bij d(xi; xj ):

X X X X
1.6. Conclusiones. 23
los servicios xi y xj respectivamente, el problema es comunmente llamado el
problema de la p-Mediana restringida. Por las propiedades de la funcion objetivo
de la p-Mediana, una p-Mediana optima se encuentra en algun conjunto de:
Y = vi[2U Yi(rij ):
j=1::p
donde:
Yi(rij ) = V [ fy : y 2 P (G); wid(vi; y) = rij ; vi 2 U; j = 1; ::; pg;

donde wi es el peso positivo asociados a vi 2 U .
Este conjunto es de cardinalidad O(n2 ): En Kim y otros (1996), [94], se mues-
tra como computar y a~nadir el conjunto Yi (rij ); al conjunto de vertices del arbol
T en tiempo O(n2): Por lo tanto si se aplica el reciente algoritmo de Tamir (1996)
[163], el problema se resuelve en tiempo O(pn4 ): Este procedimiento y una mejora
del mismo estan detallados en el captulo 3 de esta memoria.
1.6 Conclusiones.
En este captulo se han considerados los problemas clasicos de localizacion en
sus diferentes versiones. Las siguientes tablas recogen las referencias y compleji-
dades de cada uno de ellos, clasicados por su homogeneidad, peso y repulsividad.
El modelo repulsivo es equivalente al modelo Anticentro o Antimediana.
El problema del p-Centro en la Recta Real

Homogeneo No-Homogeneo
Pesado O(nlogn) Megiddo (1991) [115] O(pn(p + n)) Francis (1978) [49]
No Pesado O(n) Frederickson (1990)[51] O(n) Tamir (1997) [164]
Repulsivo NP-Hard Tamir (1991) [159] NP-Hard Tamir (1991) [159]
El problema de la p-Mediana en la Recta Real

Pesado O(pn) Hassin (1991) [80] O(p3 + p2 logm + pn) Guseld (1992) [61]
No Pesado O(pn) Hassin (1991) [80] O(p3 + p2 logm + pn) Guseld (1992) [61]
Repulsivo O(n3 ) Tamir (1997) [164] O(pn) Hulme (1981) [85]
24 EN ARBOLES.
El problema del p-Centro en el arbol

Pesado O(nlog 2n) (1983)[113]+ [17] O(pn(p + log2 n) Tamir (1993) [161]
No Pesado O(n) Frede. (1990) [51] O(n) Tamir (1997) [164]
Repulsivo O(np) Tamir (1991) [159] NP-Hard Tamir (1991) [159]
El problema de la p-Mediana en el a rbol

Pesado O(pn2 ) Tamir (1996) [163] O((p3 + n)logn + np) Tamir (1993) [161]
No Pesado O(pn2 ) Tamir (1996) [163] O(np) Tamir (1991) [159]
Repulsivo O(np) Tamir (1991) [159] NP-Hard Tamir (1991) [159]
Basandonos en los resultados de Lowe [108] se han construido el conjunto de

los puntos ecientes de un problema multiobjetivo en un arbol. Se han reformu-
lado los modelos clasicos de localizacion en arboles como problemas de Progra-
macion Matematica. Y nalmente se han tratados los algoritmos mas ecientes
tanto para el problemas del p-Centro restringido como para el problema de la
p-Mediana restrigida.
Captulo 2
HEURISTICAS Y A RBOLES.
2.1 Introduccion.
Muchos problemas de localizacion, como es el caso de los clasicos problemas
del p-Centro y de la p-Mediana son NP-Hard y no se espera que sean resueltos
de forma exacta por ningun algoritmo que tenga complejidad polinomial. Estos
problemas pueden ser analizados desde el punto de vista de la optimizacion com-
binatoria llegando a resolverse con tecnicas de enumeracion, sin embargo estas
tecnicas no son practicas en problemas de dimensiones reales, pues no generan
una solucion optima en un tiempo razonable.
Es en estos casos en los que deben utilizarse los metodos heursticos, con el n
de encontrar soluciones satisfactorias que puedan estar en el camino de la solucion
optima del problema en cuestion. Un algoritmo heurstico puede denirse como
sigue:
Una heurstica es una tecnica para buscar buenas soluciones (es

decir, proximas a la solucion optima) en un tiempo computacional
razonable renunciando a la garanta de su factibilidad y/o de su op-
timalidad e incluso, en algunos casos, de lo cerca que estan de la
solucion optima.
Un campo donde se han aplicado con exito los metodos heursticos son los
problemas en redes. Se consideran redes de interes las de carreteras, la de trans-
porte aereo, las de ros o las de ordenadores. En un problema de localizacion en
red, la red esta representada por un grafo no dirigido, y tanto los nuevos servicios
como los existentes estan usualmente idealizados como puntos. As mismo, los
25
26 Captulo 2. HEURISTICAS Y ARBOLES.

vertices del grafo son generalmente considerados potenciales puntos de demanda

(clientes o usuarios).
Un caso especial tiene lugar cuando el grafo en el que se trabaja tiene estruc-
tura de arbol (un grafo conexo sin ciclos). Este caso tiene interes, no solo por su
sencillez, sino tambien por su creciente importancia en el mundo cientco, he-
cho que queda corroborado por la extensa bibliografa existente y la de reciente
aparicion. La gran eciencia de los algoritmos para arboles reside primordial-
mente en la propiedad de convexidad que estos poseen. Por otra parte, los al-
goritmos para arboles pueden aplicarse en grafos generales, cuando el problema
puede descomponerse en subproblemas sobre arboles, o si el grafo tiene pocos
ciclos y el algoritmo puede adaptarse a el. Muchas redes rurales y de regiones
perifericas son grafos casi acclicos.
En este captulo se realiza un repaso de la historia de los metodos de solucion,
tanto del problema del p-Centro como de la p-Mediana, obteniendo as, una vision
general de los mismos. Ademas se aborda una nueva va a la hora de dise~nar
heursticas para resolver los problemas de localizacion en grafos, haciendo uso
de los algoritmos construidos para arboles. En esta lnea se abarcan las difer-
entes estrategias heursticas propuestas, aportando los correspondientes resulta-
dos computacionales.
Entre las heursticas que no utilizan esta alternativa de aprovechar los algorit-
mos ecientes para arboles hay que resaltar los resultados de la heurstica VNDS
mostrados en este captulo. La heurstica VNDS ha sido dise~nada para resolver
problemas de optimizacion combinatoria en grafos de dimensiones considerable.
Esta ha sido probada para el problema de la p-Mediana con grafos del orden de
6000 vertices, mejorando considerablemente los resultados obtenidos con otras
heursticas.
2.1.1 Formulacion y Notacion.

En este apartado se da un repaso a la notacion utilizada en este captulo ya
introducida anteriormente. Por G(V; E ) se denota un grafo no dirigido con un
conjunto de vertices V = f v1; :::; vng y conjunto de aristas E = fe1; :::; emg. El
conjunto X = fx1; :::; xpg P (G) representa las p nuevas localizaciones en el
grafo G:
El problema de localizacion en consideracion, que podemos denominar pro-
blema del p-servicio, consiste en determinar la mejor ubicacion X para p ser-
vicios que atenderan a un conjunto de usuarios U . Formalmente se trata de
encontrar el conjunto X de p puntos del grafo G que mas se aproxima a un con-
junto nito de puntos U dado; generalmente vertices. La aproximacion sera mejor
cuanto menor sean las distancias entre el conjunto X y cada uno de los puntos
u 2 U , determinada por d(X; u) = minx2X
d(x; u). Por tanto se trata de minimizar
una cierta funcion f (X ) obtenida a traves de una funcion globalizadora g de las
distancias d(X; u); u 2 U . El problema se formula de la forma siguiente:
minff (X ) = g(d(X )) : X P (G); jX j = pg (2.1)
donde d(X ) = (d(X; u) : u 2 U ) es el conjunto de distancias de interes.
En estos problemas de localizacion donde la funcion f de las ubicaciones de
los servicios X a minimizar representa un costo que aumenta con las distancias
a los puntos de demanda U , la funcion globalizadora g es no decreciente en las
distancias, es decir, 8X1; X2 G:
d(X1; u) d(X2 ; u); 8u 2 U; ) g(d(X1 )) g(d(X2 )):
Estos problemas vienen caracterizados por el hecho de que, al ser la funcion
objetivo monotona no decrecientes en la distancia, cada vertice usuario u 2 U es
asignado al punto de servicio x 2 X mas cercano.
Casos especiales de este problema son, entre otros, los problemas de la p-
Mediana, del p-Centro y del p-Centdian dados, respectivamente por la funciones
a minimizar:
fm(X ) =u2U wu d(X; u)

P
fc(X ) =max w0 d(X; u)

u2U u
f(X ) =u2U wu d(X; u)+ max
P
w0 d(X; u)
u2U u
donde los pesos wu y wu0 vienen dados y van asociados a cada vertice usuario
u 2 U . Estos pesos pueden representar la cantidad de demanda que se produce
en cada vertice.
2.1.2 Metodos de solucion.

En este apartado se describen los aspectos mas importantes de los metodos de
solucion para los problemas aqu considerados atendiendo a su vertiente historica
y metodologica.

El problema de la p-Mediana.
Los orgenes de este problema se remontan a principios del siglo XVII cuando
Fermat lo propuso de la siguiente forma: dados tres puntos en el plano, encontrar
un cuarto punto tal que minimice la suma de las distancias a los tres puntos dados.
Antes de 1610, Torricelli propuso una solucion geometrica. En el a~no 1750 aparece
el problema de la p-Mediana con pesos. Weber utilizo estos modelos en 1909 para
determinar la localizacion optima de una fabrica que atenda a un solo servicio
y tena dos fuentes de suministro. El problema de la 1-Mediana en el plano es el
denominado el problema de Weber.
Hakimi en 1964 [62] probo que las soluciones al problema de la p-Mediana para
un conjunto de vertices usuario cualquiera puede encontrarse entre los vertices
del grafo. Este resultado permite transformar el problema continuo de la p-
Mediana en un problema discreto donde solo se contempla la localizacion en los
vertices. Por tanto, los principales metodos para resolver el problema de la p-
Mediana operan con la matriz de distancia entre vertices y son los mismos para
los problemas discretos formulados en grafos que en cualquier otro espacio, como
es el caso del problema de la p-Mediana en el plano. El problema de la p-Mediana
es NP-Hard, Kariv y Hakimi (1979) [90]. Los metodos exactos para resolver el
problema de la p-Mediana utilizan principalmente tres tipos de herramientas:
arboles de busqueda, tecnicas de programacion lineal y dualidad.
Algoritmos exactos que usan arboles de busqueda pueden encontrarse en
los trabajos de Jarvinen, Rajala y Sinervo (1972) [87], El-Shaieb (1973) [40] y
Khumawala (1972) [92]. Las herramientas fundamentales utilizadas fueron: pe-
nalizaciones, acotamiento, generacion de soluciones factibles bajo ciertas condi-
ciones, y reglas de ramicacion en una enumeracion implcita. Otras aportaciones
fueron debidas a Christodes y Beasley (1982) [30], y Hanjoul y Peeters (1985)
[73]. Los ejemplos que muestran estos trabajos alcanzan grafos de hasta 400
vertices, excepto Beasley (1985) [7] que utilizando un ordenador vectorial, pudo
trabajar con grafos de hasta 900 vertices. Referencias de trabajos como estos y de
areas relacionadas estan contenidos en Brandeau y Chiu (1989) [12], Mirchandani
y Francis (1990) [124] y Cornuejols, Fisher y Nemhauser (1977) [19].
Entre las primeras contribuciones sobre el uso de tecnicas de programacion
lineal estan las de ReVelle y Swain (1970) [151]. La mas conocida es la relajacion
lineal sobre las variables enteras, con la que generalmente se obtienen soluciones
optimas enteras, o una cota ajustada de las mismas. Debido al gran numero de
variables y restricciones de los problemas reales, el uso del Simplex estandar es
prohibitivo. Para paliar este problema, ReVelle y otros (1976) [152] reducen el
numero de las y columnas del problema original usando un metodo de descom-
posicion que aprovecha la peculiar estructura del problema (Garnkel, Neebe y
Rao (1974) [53], Swain (1974) [157], Magnanti y Wong (1981) [109], etc.).
En el uso de la dualidad destaca el trabajo de Galvao (1980) [52] quien
aporta una heurstica para el dual del correspondiente problema de Programacion
Lineal; su metodo esta relacionado con el hallazgo de Erlenkotter (1978) [45]
para un problema muy cercano al de la p-Mediana, el problema de localizacion
simple de plantas o problema de Weber. Cornuejols y otros (1977) [19] y Narula,
Ogbu y Samuelson (1977) [132] sugirieron el desarrollo de la dualidad lagrangiana
obtenida al aplicar multiplicadores de Lagrange al conjunto de restricciones. Otra
alternativa de relajar las restricciones se puede ver en Krarup y Pruzan (1983)
[99].
El problema del p-Centro.

El origen de este problema se puede adjudicar a la publicacion del artculo
de Silvester (1857) [158] en la Quartely Journal of Pure and Applied Mathema-
tics, en el que planteaba un procedimiento para encontrar el menor crculo que
contuviera un conjunto de puntos del plano. En 1869 Jordan [88] presenta el
problema del vertice Centro. En este problema, el mayor esfuerzo computacional
viene por el calculo de la matriz de distancias (Christodes (1975) [29], Minieka
(1977) [121], Handler y Mirchandani (1979) [71], entre otros). El problema del
centro absoluto (cuando se pueden seleccionar puntos interiores a las aristas) fue
planteado y resuelto por Hakimi en 1964 [62]. El concepto de centro local es
fundamental para la solucion eciente del problema del centro absoluto y del p-
Centro absoluto. Minieka (1970) [120] introdujo el concepto de centro local en el
interior de una arista como un punto equidistante de dos puntos de demanda y tal
que, en ninguna de las dos direcciones en que puede ser desplazado dicho punto,
decrezcan a la vez las distancias a dichos puntos. Con esta nocion de centro local
se demuestra que el centro absoluto de un grafo se encuentra en un vertice o en
un centro local con respecto a dos vertices usuario. Para Hakimi (1965) [63],
y Kariv y otros (1979) [89], centro local en una arista es la mejor localizacion
posible dentro de esa arista. En 1980 Minieka [122] presenta un algoritmo de
centro absoluto, usando su concepto de centro local, que se puede implementar
con la misma complejidad que el de Kariv y Hakimi (1979) [89].
Para el problema del p-Centro absoluto tambien se puede encontrar una
solucion optima en el conjunto de vertices y centros locales. Sin embargo, este
conjunto tiene un tama~no mucho mayor que el de los vertices por lo que se ha
desarrollado un tipo de procedimiento distinto a los de la p-Mediana. Kariv y
Hakimi (1979) [89] han mostrado, el problema del p-Centro tambien es NP-Hard.
Una caracterstica comun a los procedimientos ecientes para el problema

del p-Centro es que resuelven una secuencia de problemas de cubrimiento (Teitz

y Bartz (1968) [168], Drezner (1984) [35], y Eiselt y Charlesworth (1986) [38]).
Christodes y Viola (1971) [28], proponen un procedimiento por medio del cual se
resuelve una secuencia de problemas de r-Cubrimiento con incrementos sucesivos
del valor de r. La solucion de cada problema de r-Cubrimiento tiene dos fases.
En la primera, se obtienen todas las soluciones factibles, encontrando todas las
regiones que pueden ser alcanzadas por un vertice con un radio r. En la segunda,
se calculan todas las soluciones factibles con mnima cardinalidad, resolviendo
una serie de problemas de cubrimiento. Handler (1979) [71] trata de aprovechar
el hecho de que, para valores moderados de p, estos problemas de cubrimiento
solo afectan a vertices de demanda muy alejados entre s. Para ello extiende el
concepto de centro local a los vertices para solo considerar como localizaciones
posibles aquellos puntos (vertices o puntos interiores) que esten en equilibrio
con respecto a los puntos de demanda mas alejados. Sin embargo la denicion
proporcionada en dicho trabajo y que se continua proponiendo (Handler (1990)
[124] tiene que ser corregida segun se muestra en Moreno (1985) [128] para que
el algoritmo de relajacion propuesto, y que es el mas eciente de los aparecidos
en la literatura, sea correcto. Sin embargo la eciencia del algoritmo no se ve
afectada por esta correccion.
Una muestra del desarrollo existente para ambos problemas, puede verse en
Francis, McGinnis y White (1974) [48], en Handler y Mirchandani (1979) [71],
en Tansel, Francis y Lowe (1983) [166], en el texto Facilities Location, Models
and Methods de Love, Morris y Wesolowsky (1988) [105]. En 1990 se edita una
coleccion de trabajos con ttulo: Discrete Location Theory de Mirchandani y Fran-
cis [124] que realiza un estado del arte de la teora de localizacion. Pero el mas
reciente (1995) es el libro de Drezner [37] titulado Facility Location el cual aparte
de dar un amplio repaso a la teora de localizacion, aporta una vasta bibliografa
con mas de 1200 referencias.
Metodos Heursticos.
Dado que ambos problemas son NP-Hard las heursticas son la mejor alter-
nativa a problemas de dimensiones considerables. Muchas de las heursticas
dise~nadas para cualquiera de estos problemas tienen caractersticas fundamen-
tales que los hacen esencialmente aplicables a cualquier otro problema de lo-
calizacion de p servicios con funcion objetivo monotona en las distancias. Por
ejemplo, aquellas que parten de una particion inicial del conjunto de usuarios
que se va iterativamente transformando. Las heursticas se van a diferenciar en
la forma de manipular la particion para conseguir una secuencia de particiones,
de tal forma que el valor de la funcion objetivo se vaya minimizando.
El metodo de Adicion o heurstica de Babel (Kuehn y Hamburger (1963)
[100]), empieza localizando un servicio de modo que minimice la funcion objetivo.
A continuacion se van a~nadiendo, uno a uno, los servicios hasta alcanzar los p
deseados. El nuevo servicio se elige de forma que la funcion objetivo en cada paso
disminuya lo mas posible.
La heurstica alternante que combina iterativamente fases de localizacion y
asignacion fue inicialmente propuesta por Maranzana (1964) [110]. En la primera
iteracion, se eligen p puntos de servicio, se le asignan los usuarios mas cercanos
a ellos, y se resuelve el problema de localizacion simple en cada uno de los p
conjuntos que se forman. Entonces el procedimiento es iterado con las nuevas
localizaciones de los servicios, hasta que no ocurran mas cambios en las asigna-
ciones. En la version de arranque multiple de esta heurstica, el procedimiento
se repite un numero determinado de veces partiendo de diferentes conjuntos de p
servicios, manteniendo la que mejor solucion produzca.
La heurstica de eliminacion o sustraccion, tambien denominada metodo
Attila o Stingy, propuesto inicialmente por Feldman, Lehrer y Ray (1966) [46],
supone que inicialmente en todos los puntos de demanda se establece un servicio.
En cada iteracion el servicio que produzca el menor incremento en la funcion
objetivo es eliminado. El proceso se repite hasta que el numero de servicios se
reduce a p.
Teist y Bart (1968) [168], propusieron la llamada heurstica de intercam-
bio, en la que inicialmente se parte de p localizaciones posibles para los servicios.
A continuacion se mueven iterativamente los servicios, uno por uno, reduciendo
lo mas posible el valor de la funcion objetivo. Esta operacion se conoce como
el 1-intercambio, ya que se intercambia un elemento que esta en la solucion por
otro que no lo esta. La heurstica de Montecarlo consiste en generar en
cada iteracion un 1-intercambio y aceptarlo si se produce una mejora. Estas
dos heursticas son comunmente utilizadas como un estandar de referencia en la
comparacion de heursticas y son las utilizadas en la experiencia computacional
descrita al nal de este captulo.
Este tipo de movimiento estandar se ha utilizado en otras heursticas que se
enmarcan dentro de las distintas estrategias metaheursticas, como las busquedas
Tabu, recocido simulado, algoritmos geneticos, metodos de arranque multiple y
la reciente heurstica de entorno variable.
Los metodos heursticos de busqueda Tabu han sido recientemente con-
siderados por Mladenovic, Moreno y Moreno-Vega (1996) [126] para el problema
de la p-Mediana, en los que el movimiento de intercambio ha sido extendido al
llamado movimiento de sustitucion en cadena. Esto permite escapar con mas
facilidad de los mnimos locales. Otro procedimiento Tabu para la p-Mediana es

sugerido por VoB (1996) [172], en el cual se discuten tambien algunas variantes
del metodo de eliminacion inversa.
La busqueda heurstica de arranque multiple ha sido analizada en M.
Moreno (1996) [127]. Estos metodos constan generalmente de dos fases. En la
fase global del procedimiento, se genera una solucion de la region factible. En la
fase local, se aplica una busqueda local desde la solucion encontrada en la fase
global, que acabara en un mnimo local con respecto a la estructura de entorno
considerada. Estos dos pasos se reiteran hasta que se satisfaga algun criterio de
parada. El mnimo local obtenido con menor valor de la funcion objetivo es la
solucion propuesta por el algoritmo. La busqueda con arranque multiple combina
apropiadamente la exploracion del espacio de soluciones con la explotacion en el
entorno de la solucion actual; ah radica en parte su exito. Una de las principales
cuestiones en este tipo de busqueda es cuando parar. Siguiendo los trabajos de
Boender y otros (1987) [10] y Bruno y otros (1987) [13] pueden obtenerse diversas
reglas de parada para la busqueda de arranque multiple.
Las estrategias heursticas del recocido simulado o simulated annealing han
sido aplicadas con exito relativo por Aarts y Laarhoven [3] y Chams, Herts y
Werra [16], y los algoritmos geneticos se han mostrado efectivos al combinarlos
con tecnicas de paralelizacion ver Moreno, Roda y Moreno [131]
La utilizacion de algunas de estas heursticas en problemas de localizacion
puede encontrarse en Perez-Brito (1998) [6]
El procedimiento heurstico mas efectivo ha sido el de la busqueda de en-
torno variable denominado VNS de Mladenovic (1995) [125][77]. Esta heurstica
consiste brevemente en la idea siguiente. Dada la solucion actual, se generan
aleatoriamente un numero especicado de soluciones en el primer entorno denido.
Si se encuentra una solucion mejor en este entorno, se toma esta como la solucion
actual. En otro caso se cambia de entorno aumentando el radio del mismo. El
algoritmo termina si no se ha encontrado ninguna mejora al llegar al ultimo
entorno denido. En la siguiente seccion se ofrecen mas detalles de la misma
incorporando una tecnica de descomposicion que la hace signicativamente mas
eciente para obtener la heurstica denominada VNDS que es la que mejores
resultados computacionales ofrece.
2.2 Heursticas basadas en arboles

Cualquier problema de optimizacion se puede entender como la minimizacion
de una funcion objetivo sobre un espacio de busqueda dotado de cierta estructura
de entornos ligada a un conjunto de movimientos posibles. La mayora de los pro-
2.2. Heursticas basadas en arboles 33
cedimientos heursticos se pueden entender como la aplicacion de algun tipo de
movimiento o transformacion sobre el correspondiente espacio de busqueda. Los
espacios de busqueda mas utilizados para los problemas de localizacion han sido el
espacio de las selecciones de puntos de servicio y las particiones. Los metodos de
busqueda generales, metaestrategias o estrategias meta-heursticas consisten
en reglas para partir de una solucion inicial y realizar una sucesion de movimien-
tos y pueden formularse para distintos conjuntos de movimientos o estructuras de
entornos con diversas variantes, y pueden combinarse o integrarse en un sistema
experto muy generico. En esta seccion se analiza la consideracion del espacio de
busqueda constituido por los subarboles para la optimizacion de problemas de
localizacion en grafos. Esto permite aprovechar los algoritmos extremadamente
ecientes para los problemas sobre arboles y aplicar heursticas de busqueda me-
diante el movimiento basado en intercambio de aristas. Ver Perez-Brito y otros
(1994) [138], Perez-Brito y otros (1994) [139] y Perez-Brito (1995) [141]
En los grafos planares sobre los que se establecen los modelos de localizacion,
el numero de aristas es del mismo orden que el numero de vertices. Todo grafo
planar con n vertices y m aristas verica m 3n , 6 (Biggs et al. (1976) [8],
Tucker (1980) [169]). Especialmente frecuentes son los grafos que son casi arboles
porque siendo conexos tienen muy pocas aristas mas que un arbol.
Los problema de localizacion en un grafo en los que se trata de determinar
las localizaciones X para p puntos de servicio que minimicen una funcion f (X )
obtenida a traves de una funcion globalizadora g no decreciente en las distancias a
los puntos de demanda se pueden formalizar de la forma siguiente. Se denota por
P (G)p a todos los conjuntos de p puntos del grafo G; P (G)p = fX P (G) : jX j =
pg. Sea, para cualquier X 2 P (G)p, fG (X ) el valor de la funcion globalizadora
g cuando las distancias estan calculadas como la longitud del camino del grafo
G mas corto; fG (X ) = g(dG (X; u) : u 2 U ). El problema de localizacion de p
servicios en G consiste en obtener el conjunto X 2 P (G)p tal que:
fG(X ) = X 2min
P (G)p
f (X ):
Para estos problemas se verica que, para cualquier grafo existe un subarbol, cuya
solucion es tambien solucion del problema en el propio grafo. Ver Perez-Brito y
otros (1995) [141] y Perez-Brito y otros (1997) [145].
Teorema 2.2.1 Sea el problema de localizacion en el grafo G dado por:

min g(dG (X; u) : u 2 U )
X 2P (G)p
donde la funcion globalizadora g es no decreciente en las distancias. Entonces
existe un subarbol T del grafo G, tal que la solucion optima de este problema

en T es solucion optima del mismo problema en G; es decir,

min g(dT (X; u) : u 2 U ) = X 2min
X 2P (T )p P (G)p
g(dG (X; u) : u 2 U ):
Si X es una solucion optima del problema en G y este arbol T es el que contiene
a todos los caminos mnimos desde X a todos los puntos de U .
Demostracion:
Sea T (G) el conjunto de todos los subarboles de G. Al considerar el problema
en cada subarbol T 2 T (G) entonces X 2 P (T )p y las distancias estan calculadas
por las longitudes de los caminos mnimos en T denotadas por dT (X; u). Se tiene
que, para cada T 2 T (G) y para cualquier conjunto de localizaciones X 2 P (T )p
es
dG (X; u) dT (X; u); 8u 2 U:
Si por fT (:) se denota la funcion objetivo del problema en T ; es decir:
fT (X ) = g(dT (X; u) : u 2 U ), se sigue que:
fG (X ) fT (X ):
En particular, para la solucion optima X del problema en G se verica:
fG (X ) fT (X ), si X 2 P (T ).
Para cualquier X 2 P (G)p, sea T (X ) el conjunto de todos los subarboles T
que contienen caminos mnimos desde X a todos los puntos de demanda; es decir,
tales que: dG (X; u) = dT (X; u), 8u 2 U . Si se producen empates en las distancias
el conjunto de todos los caminos mnimos desde X no es un arbol, sin embargo se
obtiene un arbol que contiene desde X a todos los vertices usuario si los empates
se resuelve de forma unica aunque arbitraria. Si no hay empates, el unico arbol
de T (X ) es el formado por los caminos mnimos desde X a todos los puntos de
U.
Se tiene que, para cualquier X 2 P (G)p y para cualquier T 2 T (X ) es
fT (X ) = fG(X ). En particular, para la solucion optima X , si T 2 T (X ), se
verica:
fG(X ) = fT (X ):
Luego 8T 2 T (G) y 8X 2 P (T )p se tiene que 8T 2 T (X ):
fT (X ) fT (X ):
Por fG se denota el valor optimo de la funcion objetivo del problema en G;

fG = X 2min
P (G)p
g(dG (X; u) : u 2 U ):
2.2. Heursticas basadas en arboles 35
Entonces se tiene, 8T 2 T (G) :
fT fT (X ) fT
de donde
fT = T min f = fG :
2T (G) T
Luego el valor optimo para el problema en T es el mismo que para el problema
en G.
Finalmente X es tambien solucion optima del problema en T , pues, para
cualquier X 2 T se tiene:
fT (X ) fG (X ) fG (X ) fT (X ):
Recuerdese que T es un arbol con los caminos mnimos desde X a los puntos
de U pero tambien es el arbol para el que fT es mnimo;
fT = T min f:
2T (G) T
2
De este resultado se deduce que, en tales problemas de localizacion sobre un
grafo, existe un subarbol en el que la solucion optima del problema coincide con
la del problema en el grafo completo. Este arbol es precisamente en el que el
problema da el mejor valor de la funcion objetivo; es decir el arbol optimo. Se
propone como procedimiento para resolver el problema del grafo general encontrar
el subarbol optimo y resolver el problema en el.
Una heurstica general para este procedimiento consiste en partir de un arbol
inicial, que se va modicando sucesivamente en busca del arbol optimo. La
modicacion del arbol Ti para obtener Ti+1 se puede realizar por cualquier pro-
cedimiento que ejecute una transformacion elemental.
Este tipo de busqueda consistente en partir de un arbol generador inicial
T0, y modicarlo mediante una sucesion de transformaciones elementales ha sido
propuesta por Mayeda (1972) [111] y Chen (1971) [27]. Este metodo de busqueda
se adopta en muchas estrategias heursticas, como las ya mencionadas: busqueda
de Montecarlo, Algoritmos Geneticos, metodos Multiarranque, busquedas Tabu,
Recocido Simulado, y Busquedas Voraces (o Greedy).
El arbol inicial T0, puede obtenerse por procedimientos del tipo del algoritmo
de Prim (1957) [148] o del algoritmo de Dijkstra (1959) [34]; es decir, mecanismos
que parten de un subgrafo sin aristas y se van a~nadiendo aristas evitando formar
ciclos hasta alcanzar todo el conjunto U .

Para explorar arboles del entorno pueden usarse cualquier tipo de transfor-
macion que garantice un recorrido eciente del espacio de arboles, en particular
alguna de las dos transformaciones elementales siguientes:
Primera transformacion: Add-Drop
1. Se a~nade una arista del grafo G que no este en el arbol.
2. Se determina el ciclo formado al incorporar esta arista al arbol.
3. Se elimina del arbol una arista de dicho ciclo.
Segunda transformacion: Drop-Add

1. Se elimina una arista del arbol Ti.
2. Se determinan las dos componentes conexas en que se divide el arbol.
3. Se a~nade una arista que conecte dichas componentes.
El procedimiento heurstico se describe especicando la estrategia, es decir,

la forma en que se implementan los cuatro elementos del proceso de busqueda
general: 1) la forma de obtener el arbol inicial, 2) el conjunto de transformaciones
posibles, 3) el metodo de eleccion de la transformacion, y 4) el criterio de parada.
Este esquema tiene un gran abanico de posibilidades que permiten incorporar
conocimientos heursticos, puesto que nos podemos plantear distintos dise~nos al
decidir sobre:
Como generar el arbol inicial.

Como ejecutar la transformacion elemental.
Como seleccionar la transformacion.
Como dise~nar el criterio de parada.
De los resultados anteriores se derivan dos condiciones que debe cumplir el

arbol optimo. Por un lado, que el arbol con los caminos mnimos en el grafo
desde la solucion optima del problema a todos los usuarios vuelva a ser el mismo
arbol y, por otro lado, que el valor de la funcion objetivo del problema, tanto en
el grafo, como en el propio arbol, sea mnimo entre todos los posibles arboles.
Una primera aproximacion a las heursticas denominadas heursticas arbol
se encuentra en la Heurstica AG (ver gura 1. Heurstica AG).
2.3. Estrategias de Busqueda. 37
Heurstica AG
Paso 0. (Inicializacion):
Sea T0 un arbol inicial de G: Tomar i 0.
Paso 1. (Localizacion):
Sea Xi = fx1i ; :::; xpig la localizacion optima de los p servicios
en Ti.
Paso 2. (Asignacion):
Sea Ti+1 un arbol con los caminos mnimos desde Xi a los puntos
de U .
Paso 3. (Terminacion):
Si Ti+1 = Ti parar. En otro caso, hacer i i + 1 y volver al
paso 1.
Figura 1. Heurstica AG
En el Paso 0, el arbol inicial se puede obtener al aplicar el algoritmo de

Prim, el de Kruskal, el de Dijkstra u otro cualquiera que de como resultado un
arbol. Una seleccion inteligente de este primer arbol puede contribuir a mejorar la
eciencia del procedimiento; por ejemplo, utilizando un arbol de caminos mnimos
de cualquier solucion dada por una heurstica muy rapida.
En el Paso 1 se aplica el algoritmo eciente de la p-Mediana [163], el p-Centro
[118] o el p-Centdian en arboles [165] si se quiere resolver el problema de la p-
Mediana, el p-Centro o el p-Centdian en el grafo, respectivamente. Ademas, en el
paso 2, el algoritmo de Dijkstra proporciona el arbol de caminos mnimos desde
la solucion dada por uno de los anteriores algoritmos.
2.3 Estrategias de Busqueda.

A continuacion se describen las estrategias de busqueda mas importantes para
determinar el arbol optimo en el que poder determinar la solucion optima del
problema de localizacion en el grafo. Ver Perez-Brito y otros (1992) [137] y
Perez-Brito (1996) [140]

2.3.1 Busquedas al azar.

Existe un grupo importante de estrategias que tienen fundamentalmente una
componente aleatoria y que se engloban dentro de las denominadas busquedas al
azar.
a) Busqueda por muestreo al azar.
Una estrategia de busqueda primitiva, denominada de prueba y error, de Mon-
tecarlo o simplemente busqueda aleatoria es la consistente en generar arboles
al azar y seleccionar el mejor (Andersen (1972) [4]. La busqueda es aleatoria
pura o uniforme si la distribucion de probabilidad en el espacio de los arboles es
la uniforme o equiprobable. En caso de que la distribucion de probabilidad sea
cualquier otra, es una busqueda por muestreo aleatorio.
b) Busqueda por recorrido al azar.
Frecuentemente el termino busqueda se aplica exclusivamente a los proce-
dimientos que recorren el espacio de busqueda usando movimientos o transfor-
maciones para pasar de un arbol al siguiente. La busqueda (por recorrido) al
azar consiste en, partiendo de un arbol inicial, seleccionar iterativamente al azar
una transformacion elemental para transformar el arbol actual e ir guardando la
mejor solucion encontrada.
2.3.2 Busquedas Monotonas.

Las estrategias de busquedas al azar no utilizan la informacion proporcionada
por los arboles encontrados. Esta informacion se puede incorporar al metodo de
busqueda para guiar las transformaciones elementales aplicadas. Las estrategias
pueden ser principalmente de dos tipos: monotonas o no monotonas. Una es-
trategia monotona, tambien llamada escaladora de colinas (hill-climbing), miope
o greedy, es la que no admite transformaciones que den lugar a una solucion
peor. Con busquedas monotonas solo realizaran transformaciones elementales
del arbol actual si con ello se mejora la solucion. Una estrategia no monotona
admite, aunque con restricciones o en determinadas circunstancias, transforma-
ciones desfavorables.
a) Busqueda aleatoria monotona.
Una busqueda aleatoria monotona se obtiene a partir de un recorrido aleatorio
introduciendo una condicion para que solo acepte mejoras. En la Heurstica
AG-Azar (ver Figura 2.) se utiliza una estrategia aleatoria monotona. La
transformacion aplicada consiste en introducir aleatoriamente una arista entre las
posibles candidatas y del ciclo que se forma, se elimina otra, tambien seleccionada
aleatoriamente. Si la modicacion no mejora el arbol actual, se rechaza. Entre las
posibles reglas de parada para realizar los estudios computacionales para realizar
comparaciones se ha optado por jar el numero maximo de iteraciones.
Heurstica AG-Azar.
Sea T0 un arbol inicial de G. Sea k el maximo numero de
iteraciones. Tomar i 0.
Sea Xi la localizacion optima de los p servicios en el arbol Ti .
Paso 2. (Transformacion):
Determinar al azar una transformacion elemental Ti+1 del arbol
Ti :
Si i k; parar. En otro caso, hacer i i + 1 y volver al paso
1.
Figura 2. Heurstica AG-Azar
b) Busqueda Greedy parcial.

La busqueda se puede intensicar en torno a cada arbol actual seleccionando
la mejor entre una serie de transformaciones elementales. (Charon and Hudry
(1993) [24]). Una busqueda de tipo Greedy es la que realiza siempre la mejor
transformacion de entre todas las posibles, realizando una seleccion exhaustiva
en el entorno del arbol actual. Si la busqueda en el entorno del arbol actual se
hace de forma que las transformaciones elementales entre las que se selecciona
la mejor sean distintas se tiene una busqueda monotona localmente intensa o
greedy parcial. Esta busqueda se puede implementar de cualquier forma que
garantice que las transformaciones sean distintas. En la heurstica AG-GP (ver
gura 3. Heurstica AG-GP) se introduce aleatoriamente la arista que entra y
se elige la que se elimina por un procedimiento de tipo Greedy. Al igual que
la heurstica AG-Azar, la regla de parada aplicada viene dada por el numero
maximo de iteraciones.

Heurstica AG-GP.
Sea T0 un arbol inicial de G, y k el maximo numero de itera-
ciones. Tomar i 0.
Sea Xi la localizacion optima de los p servicio en el arbol Ti .
Paso 2. (Transformacion):
Determinar al azar una arista ei que no este en Ti .
Hallar la transformacion optima en Ti; para obtener el arbol
Ti+1 que contenga a ei .
Si i k, parar. En otro caso, i i + 1 y volver al paso 1.
Figura 3. Heurstica AG-GP
c) Busqueda Greedy.
La clasica busqueda localmente exhaustiva o heurstica greedy pura se obtiene
seleccionando de manera exhaustiva la mejor transformacion del arbol actual.
Para ello en el paso 2 de la heurstica AG-G (ver gura 4. Heurstica AG-G)
se analizan todas las posibilidades de cambiar una arista del arbol por otra que
no lo sea. La heurstica termina cuando se ha alcanzado el numero maximo de
iteraciones.
Heurstica AG-G.
Sea T0 un arbol inicial de G, y k el maximo numero de itera-
ciones. Tomar j 0.
Paso 1. (Localizacion en un arbol):
Sea Xj la localizacion optima de los p servicio en el arbol Tj .
Paso 2. (Movimiento en el entorno de soluciones):
Determinar la mejor modicacion Tj +1 del arbol Tj .
Si j k parar. En en otro caso, j j + 1 y volver al paso 1.
Figura 4. Heurstica AG-G
2.3.3 Busquedas No Monotonas.
El inconveniente de las busquedas monotonas es que si se aproximan a un
arbol localmente optimo (es decir, un arbol para el que ninguna transformacion
de las contempladas produce una mejora) el procedimiento queda atrapado en
el. Las tres formas principales de escapar de esta situacion consisten en volver
a comenzar la busqueda desde otro arbol inicial, permitir de forma controlada
movimientos que den lugar al empeoramiento del arbol actual, o modicar el
conjunto de transformaciones contempladas.
a) Busquedas de Arranque Multiple.
Los procedimientos de arranque multiple (MultiStart) realizan varias busquedas
monotonas partiendo de diferentes arboles iniciales. Una forma simple de realizar
esto consiste en generar una muestra de arboles de arranque (Rinnooy Kan and
Timmer (1987) [153]), o equivalentemente generar al azar un nuevo arbol de par-
tida cada vez que la busqueda quede estancada. El criterio de parada se convierte
entonces en un criterio para reiniciar la busqueda por lo que hay que incorporar
un nuevo criterio de nalizacion de todo el proceso de busqueda.
Las herramientas para mejorar la generacion totalmente al azar de los arboles
iniciales persiguen que los recorridos de las sucesivas busquedas se distribuyan
lo mas posible en todo el espacio de posibles arboles. Una posibilidad consiste
en seleccionar una muestra representativa de un conjunto mas grande de arboles
iniciales procurando que estos sean lo mas diferentes posible. Tambien se puede
tener en cuenta por que parte del espacio de busqueda han transcurrido los reco-
rridos ya realizados para no insistir en zonas exploradas.
b) Busquedas por Recorrido no monotonos.
Otra de las tecnicas para evitar quedarse atrapados en un arbol optimo lo-
cal, es la de admitir la posibilidad de dar pasos hacia atras. Sin embargo, hay
que controlar de alguna forma estas transformaciones para que, al menos a la
larga, se vayan mejorando los arboles. Esto se realiza principalmente por medio
de dos herramientas: la primera, asignando distintas probabilidades a las trans-
formaciones elementales en funcion de la mejora que produzcan, y la segunda,
utilizando la memoria historica del recorrido para evitar la reincidencia en los
mismos arboles.
La Busqueda Probabilstica se obtiene utilizando una probabilidad no nula
de aceptar el nuevo arbol aun cuando este no mejore al actual. Esta probabil-
idad suele determinarse teniendo en cuenta el valor de la funcion objetivo en
ambos arboles. Los parametros de esta funcion de aceptacion se pueden estable-
cer estaticamente o modicarse dinamicamente para regular la diversicacion e

intensicacion en la busqueda.

La heurstica AG-GP-P que aplica esta estrategia se diferencia solo en el paso
2 de la heurstica AG-GP, descrita anteriormente. En este caso, la arista se
introduce cuando mejora la funcion objetivo, y si esto no ocurre cuando supera
una determinada probabilidad jada de antemano.
Una de las funciones de aceptacion mas famosa es la emanada del Recocido
Simulado o Simulated Annealing (Laarhoven and Aarts (1987) [102], Vidal
(1993) [170]). Basicamente, se trata de usar una probabilidad de aceptacion
de empeoramientos que es funcion exponencial de la modicacion de la funcion
objetivo. Se utiliza un parametro de control c o temperatura para modular la
intensidad de la busqueda que se va modicando de acuerdo con cierto plan de
enfriamiento que trata de garantizar con probabilidad 1 la convergencia hacia el
arbol optimo.
Una estrategia de busqueda con memoria, como la busqueda Tabu, trata
de utilizar la memoria del proceso de busqueda para evitar la reiteracion en una
misma zona de busqueda (Glover (1989) [56], Glover et al. (1993) [57]). La
forma mas elemental de introducir la memoria en el procedimiento de busqueda
no monotona es considerar una funcion de aceptacion binaria (tomando solo los
valores 0 y 1) que tenga en cuenta la historia de la busqueda. La heurstica AG-
GP-T que emplea esta estrategia se deriva de la heurstica AG-GP al a~nadir en
el paso 2 una lista tabu para la arista que es candidata a entrar.
c) Busquedas de Entorno Variable.
La tecnica heurstica de proposito general que se ha llegado a aplicar con exito
mas reciente es la denominada VNS, (Variable Neighbourhood Search) Mladenovic
(1995) [125]. La idea principal consiste en modicar la estructura de entorno al
atascarse la busqueda en el entorno de un optimo local. La forma mas elemental
de aplicar esta estrategia se obtiene al considerar una serie de entornos denidos
de forma anidada, fundamentalmente usando explcitamente o implcitamente un
concepto de distancia que asocie un radio diferente a las diferentes estructuras
de entorno. Este tipo de estrategia se ha utilizado con exito en combinacion con
un proceso de descomposicion para el problema de la p-Mediana sobre el espacio
de soluciones explcitas.
Para aplicar esta estrategia a las busquedas basadas en arboles se consideran
las transformaciones del arbol consistentes en reemplazar varias aristas a la vez.
Si se denota por k el numero de aristas a sustituir la transformacion se denomina
k-intercambio. La estrategia consiste en incrementar el valor de k cuando las
transformaciones del k-intercambio no estan sucientemente lejanas para escapar
del arbol optimo local (fase de diversicacion), mientras que cuando se consiga
eludir esta situacion se vuelva a tomar k = 1 (fase de intensicacion).
2.3.4 El arbol inicial.
En el paso 0 de inicializacion de los anteriores procedimientos es importante

aplicar algoritmos apropiados para proporcionar un arbol inicial. Las carac-
tersticas importantes de estos algoritmos son su eciencia, el grado de aleato-
riedad y la calidad de la solucion asociada al arbol. Se pueden contemplar diversas
alternativas entre las que se han seleccionado las siguientes: a) el arbol de longi-
tud mnima, obtenido por el clasico algoritmo de Prim, b) un arbol obtenido al
azar por una adaptacion del algoritmo de Prim, y c) un arbol parametrico que
constituye una combinacion regulable de los anteriores. Se describen con mas
detalle estos algoritmos.
a) A rbol mnimo.
El arbol de longitud total mnima se obtiene aplicando al algoritmo de Prim.

Partiendo de un vertice usuario cualquiera como subgrafo arbol de longitud
nula, en cada iteracion del algoritmo se conecta al arbol un nuevo vertice
usuario por medio del camino de menor longitud; si todos los vertices son
usuarios, se trata de elegir la arista mas corta incidente en un solo vertice del
arbol. Se van incorporando los vertices usuario en funcion de unos niveles
que se actualizan en cada iteracion hasta que esten conectados todos los
vertices usuario. El nivel de cada vertice usuario representa la longitud
mnima del camino que lo enlaza al arbol y el enlace en el arbol es el vertice
al que lo une dicho camino (ver gura 5. Algoritmo de Prim).

Algoritmo de Prim
Paso 1. Elegir v1 2 V cualquiera.
Poner Nivel[v ] := 1, 8v 2 V .
VT = fv1 g, ET := ;.
Nivel[v1] := 0, i := 1.
Paso 2. Para cada v 2= VT :
Si [vi; v ] 2 E entonces:
Si Long [vi; v ] < Nivel[v ] entonces:
Enlace[v ] := vi, Nivel[v ] := Long [vi; v].
Paso 3. Hacer i := i + 1.
Sea NivelMin := 1.
Para cada v 2= VT .
Si Nivel[v ] < NivelMin entonces:
vi := v.
NivelMin := Nivel[v].
Paso 4. Hacer VT := VT [ fvig y ET = ET [ f[Enlace[vi]; vi]g.
Si VT 6= V entonces volver al paso 2.
Figura 5. Algoritmo de Prim
b) arbol aleatorio.
Una generacion al azar del arbol de partida se realiza con una adaptacion
del algoritmo de Prim. La modicacion consiste en que el vertice usuario
que se conecta al arbol en cada iteracion se selecciona al azar (ver gura 6.
Algoritmo de Prim-Rand). Sin embargo, se sigue utilizando la forma mas
corta de conectar cada vertice incorporado.
Algoritmo de Prim-Rand
VT = fv1 g, ET := ;.
Nivel[v1] := 0, i := 1.
Enlace[v ] := vi , Nivel[v ] := Long [vi; v]
Sea v 2= VT con Nivel[v ] < 1 elegido al azar
vi := v
Si VT 6= V volver al paso 2.
Figura 6. Algoritmo de Prim-Rand
c) arbol parametrico.
Con objeto de conseguir un arbol generador al azar que no sea precisamente
el de longitud mnima, pero cuya diferencia de este pueda ser controlada, se
introducen dos parametros y en el algoritmo de Prim. Los parametros
y nos permiten controlar respectivamente, las probabilidades de que se
incorpore al arbol el vertice usuario de menor nivel y de que se enlace al
arbol con el camino de menor longitud (ver gura 7. Algoritmo de Prim;).
El parametro ja la probabilidad con la que se modica el enlace de
un vertice si el enlace al vertice que se conecta mejora el existente. El
parametro establece la probabilidad de que se seleccione el vertice con
mejor enlace. Ver Perez-Brito y otros (1994) [140]
Algoritmo de Prim;
VT = fv1 g, ET := ;.
Nivel[v1] := 0, i := 1.
Si (Random < ) o (Nivel[v ] = 1) entonces:
Enlace[v ] := vi , Nivel[v] := Long[vi; v]
Sea NivelMin := 1
Para cada v 2= VT
Si Nivel[v ] < NivelMin entonces:
Si (Random < ) o (NivelMin = 1) entonces:
vi := v , NivelMin := Nivel[v ]
Si VT 6= V volver al paso 2.
Figura 7. Algoritmo de Prim;
2.3.5 Heursticas del p-bosque.

Un procedimiento heurstico diferente propuesto consiste en reemplazar el
subarbol Ti por p subarboles Tij ; j = 1::p para plantear el problema simple en
cada uno de ellos. A este conjunto de p subarboles se le denomina p-bosque y se
puede construir eliminando p , 1 aristas del arbol Ti consiguiendo as el bosque
Fi, ver Perez-Brito y otros (1996) [142]. Se asigna cada usuario al servicio mas
cercano con respecto a G; obteniendose el bosque Fi+1. Si a Fi+1 se le a~naden
p , 1 aristas sin formar ciclo, se obtiene el correspondiente arbol Ti+1.

Las dos operaciones elementales para obtener el bosque Fi+1 a partir del
bosque Fi son las siguientes:
Primera transformacion: Add-Drop
1. Se a~nade una arista que no este en el bosque Fi.
2. Pueden ocurrir dos cosas; que los extremos de la arista esten en un mismo
arbol Tij o que conecte dos subarboles Tij y Tik .
(a) Si la arista forma un ciclo en el subarbol Tij entonces se elimina una
arista de dicho ciclo.
(b) Si la arista conecta dos subarboles Tij y Tik entonces se elimina una
arista cualquiera.
Segunda transformacion: Drop-Add
1. Se elimina una arista del bosque Fi.
2. Se determinan las p + 1 componentes conexas que se forman.
3. Se a~nade una arista que conecte dos de dichas componentes.
Heurstica AG-bosque
Sea F0 un bosque inicial de G: Tomar i 0.
Sea Xi = fx1i ; :::; xpig la localizacion optima de los p servicios
en Fi , obtenida de resolver el problema de un servicio en cada
arbol Tij , j = 1; :::; p:
Paso 2. (Asignacion):
Sea, para cada j = 1; :::; p, el conjunto Uij con los pun-
tos de demanda asignados a la localizacion xji 2 Xi . Sea
Tij+1 2 T (fxji g; Uij ) y
Fi+1 = Ti1+1 [ [ Tip+1 :
Si Fi+1 = Fi parar. En otro caso, hacer i i + 1 y volver al
paso 1.
Figura 8. Heurstica AG-bosque
2.3.6 Experiencia computacional.
Con la experiencia computacional se pretende conseguir dos objetivos, el

primero es comprobar la eciencia de las heursticas de busqueda, y el segundo
es corroborar la utilidad del arbol y del bosque como herramientas algoritmicas
para la resolucion de problemas de localizacion en grafos.
Para la experimentacion se consideran modelos estandares sobre grafos planares
conexos, generados aleatoriamente. Denotamos por G(n; m) a los grafo de n
vertices y m aristas. Cada grafo de este modelo se obtiene seleccionando al azar
n puntos de un cuadrado unidad, usando el generador del Turbo Pascal. Los seg-
mentos rectilneos que unen los n puntos son las aristas con su longitud real. Se
obtiene un arbol generador mnimo y del resto se van tomando las mas cortas sin
cruzar las anteriores hasta complementar el numero m de aristas. Los pesos de
los vertices se generaron tambien independientemente con distribucion uniforme
en el intervalo unidad [0; 1].
Las heursticas AG, AG-G y AG-GP presentan el grave inconveniente de que,
al no incorporar ninguna componente aleatoria, pueden quedarse rapidamente
estancadas en un mnimo local. En la tabla que se muestra a continuacion se
re ejan los resultados experimentales obtenidos con las heursticas AG-Azar, AG-
GP, AG-GP-T y AG-GP-P partiendo de los tres arboles iniciales anteriormente
descritos para el problema del 1--Centdian. En dicha tabla se exponen los
porcentajes de aciertos y los tiempos medios en segundos, obtenidos al aplicar
estas heursticas a 100 grafos por modelo. Las heursticas han sido implementadas
en Turbo Pascal 7.0.
AG-Azar AG-GP AG-GP-T AG-GP-P

Prim % CPU % CPU % CPU % CPU
G(25; 30) 87% 2:06 87% 2:84 87% 2:36 88% 1:54
G(25; 35) 72% 1:66 72% 2:74 72% 2:30 74% 1:50
G(25; 40) 55% 1:77 53% 2:61 55% 2:77 59% 1:82
G(25; 45) 28% 1:84 28% 2:78 28% 3:28 35% 2:22
G(25; 50) 34% 1:76 30% 2:74 33% 2:41 35% 1:34
Resultados de las heursticas.


Prim-Rand % CPU % CPU % CPU % CPU
G(25; 30) 85% 1:36 84% 2:89 85% 3:05 89% 1:84
G(25; 35) 68% 2:24 69% 2:72 71% 3:04 75% 2:37
G(25; 40) 39% 2:05 44% 2:97 49% 3:60 41% 1:61
G(25; 45) 51% 1:81 46% 3:37 42% 3:26 46% 1:14
G(25; 50) 25% 1:83 30% 2:69 24% 2:58 33% 1:49
Prim; % CPU % CPU % CPU % CPU
G(25; 30) 90% 1:53 86% 2:70 86% 2:85 88% 1:70
G(25; 35) 67% 1:71 70% 2:65 65% 2:86 70% 1:61
G(25; 40) 62% 2:06 55% 2:93 52% 2:50 51% 1:86
G(25; 45) 42% 1:38 40% 2:71 44% 2:87 44% 1:44
G(25; 50) 26% 1:73 20% 3:27 23% 3:05 31% 1:84
De la tabla se deduce que no hay diferencias signicativas ni entre las difer-
entes heursticas, ni entre los diferentes arboles iniciales. Los resultados no son
del todos satisfactorios debido a que es un modelo sencillo, en el que la utilidad
de la heurstica no esta muy justicada y presenta dicultades estructurales.
La siguiente experiencia computacional se ha realizado aplicando la heurstica
H2CDHG (ver apendice A) a el problema del 2--Centdian en un grafo. La
heurstica parte de un arbol inicial obtenido por el algoritmo de Prim-p, que
consiste en crear un lista vaca y en cada iteracion se van introduciendo las
aristas candidatas a formar parte del arbol generador, de forma que elegir una
de ellas, sea siempre equiprobable. Para explorar los arboles vecinos se utiliza la
transformacion Add-Drop en el que hay que seleccionar la arista que entra y la
que la sale del arbol. Para seleccionar la que entra se emplea un procedimiento
ansioso, es decir, se introduce la primera arista que produzca una mejora en la
funcion objetivo. Y para elegir la arista que sale se utiliza un procedimiento
Greedy, es decir, se saca la arista del ciclo que se produce, que mayor valor
ocaciona a la funcion objetivo. La peculiaridad del procedimiento consiste en no
explorar mas de una vez el mismo entorno del arbol, es decir, si el procedimiento
ansioso a encontrado la primera mejora en la arista que esta en la posicion quinta,
en la siguiente iteracion continua la busqueda en la posicion sesta y no en la
primera, como suele hacerse normalemente en esto procedimientos. Esto permite
un ahorro considerable de tiempo de ejecucion. En cada arbol se resuelve el
problema del 2--Centdian por medio del algoritmo 2CDT expuesto en la seccion
4.8 del captulo 4. La heurstica naliza cuando ha complementado un ciclo, es
decir, se ha realizado un cambio de arbol sin obtener ninguna mejora o cuando
sobrepasa el tiempo maximo permitido.
En las siguientes tablas se re eja los resultados obtenidos al ejecutar la heurstica
H2CDHG a el problema del 2--Centdian en un grafo. Los grafos son obtenidos de
la misma manera que en la experiencia computacional anterior. Cada columna de
las tablas muestra el valor de la funcion objetivo y el tiempo de CPU empleado
en un grafo. Las las representan el numero de veces que se ha ejecutado la
heurstica en dicho grafo.
V.Obje. CPU V.Obje. CPU V.Obje. CPU V.Obje. CPU V.Obje CPU
1221.20 2.75 1560.80 1.76 1354.00 1.43 1664.80 2.64 1418.00 1.48
1221.20 1.59 1560.80 1.98 1354.00 1.65 1664.80 2.58 1418.00 2.25
1221.20 1.98 1560.80 1.42 1354.00 1.59 1664.80 2.30 1418.00 1.65
1221.20 1.42 1560.80 3.41 1354.00 1.15 1664.80 2.09 1418.00 1.37
1221.20 2.75 1560.80 1.48 1354.00 0.66 1664.80 2.69 1418.00 1.32
1221.20 4.06 1560.80 2.04 1354.00 2.20 1664.80 1.59 1418.00 1.27
1221.20 2.42 1560.80 1.48 1354.00 1.37 1664.80 2.03 1418.00 1.48
1221.20 2.42 1560.80 1.87 1354.00 1.43 1664.80 2.25 1418.00 1.59
1221.20 2.19 1560.80 1.15 1354.00 0.93 1664.80 1.27 1418.00 1.70
1221.20 2.53 1560.80 0.93 1354.00 1.48 1664.80 2.58 1418.00 1.93
5 grafos de 25 vertices y 30 aristas.
1634.40 2.58 1256.00 1.21 1345.60 1.87 1323.40 1.32 1255.40 1.92
1634.40 2.63 1256.00 1.54 1345.60 1.76 1323.40 1.15 1255.40 1.70
1634.40 2.04 1256.00 1.65 1345.60 4.61 1323.40 0.77 1255.40 1.65
1634.40 1.86 1256.00 1.59 1345.60 2.09 1323.40 1.38 1255.40 1.87
1634.40 2.04 1256.00 1.21 1345.60 1.76 1323.40 1.75 1255.40 1.15
1634.40 1.42 1256.00 1.75 1345.60 1.20 1323.40 1.43 1255.40 2.09
1634.40 1.54 1256.00 1.21 1345.60 3.90 1323.40 1.05 1255.40 1.97
1634.40 1.49 1256.00 1.71 1345.60 1.82 1323.40 1.15 1255.40 2.04
1634.40 1.86 1256.00 0.87 1345.60 1.75 1323.40 1.26 1255.40 1.97
1634.40 0.99 1256.00 1.38 1345.60 1.32 1323.40 1.16 1255.40 1.98

1333.00 18.95 1239.60 49.05 1360.80 5.55 1466.80 8.24 1384.00 3.84
1333.00 4.01 1227.20 18.73 1380.80 14.39 1466.80 21.14 1384.00 20.10
1333.00 13.29 1227.20 35.98 1360.80 15.44 1466.80 5.55 1384.00 4.01
1426.40 24.22 1239.60 4.89 1380.80 5.44 1455.20 25.54 1384.00 6.53
1333.00 6.48 1227.20 4.06 1380.80 4.40 1466.80 5.98 1384.00 4.94
1426.40 5.11 1239.60 14.77 1360.80 5.82 1466.80 4.94 1384.00 24.00
1333.00 19.23 1208.80 33.84 1360.80 6.92 1407.20 17.96 1419.20 5.16
1360.80 4.45 1239.60 11.97 1360.80 4.72 1407.20 5.39 1384.00 10.06
1333.00 11.92 1239.60 6.37 1380.80 5.16 1466.80 23.07 1384.00 4.73
1333.00 7.45 1215.60 42.35 1360.80 4.72 1466.80 5.60 1349.60 9.17
1042.40 5.11 1042.40 22.58 1014.40 9.45 1590.00 14.17 1060.40 12.85
1042.40 32.68 989.60 13.35 1014.40 7.85 1614.20 5.44 1060.40 14.45
1042.40 16.80 989.60 37.08 1014.40 6.32 1628.00 6.70 1072.40 4.94
989.60 45.47 989.60 6.20 1014.40 7.63 1590.00 5.82 1072.40 33.01
989.60 10.76 989.60 6.32 1014.40 7.63 1614.20 7.25 1072.40 11.98
1042.40 12.41 1042.40 32.24 1014.40 7.86 1628.00 23.13 1072.40 22.19
989.60 32.63 1042.40 3.79 1014.40 7.80 1628.00 5.71 1072.40 6.75
1042.40 5.82 989.60 11.92 1014.40 8.29 1590.00 6.15 1072.40 16.48
989.60 6.97 1042.40 11.48 1014.40 7.80 1628.00 6.26 1072.40 9.94
989.60 8.85 989.60 5.49 1014.40 8.62 1590.00 6.15 1060.40 57.90
1513.20 34.99 1141.20 17.30 1235.20 65.97 997.60 10.60 1050.80 22.74
1492.80 38.78 1118.40 26.91 1187.60 22.41 1048.40 33.67 1050.80 36.69
1472.40 52.34 1118.40 13.02 1296.40 24.49 1048.40 19.94 1054.00 74.48
1498.80 13.45 1141.20 15.21 1264.00 23.89 1048.40 22.03 1054.00 52.62
1452.00 34.83 1118.40 26.37 1213.20 10.10 1048.40 12.19 1050.80 9.17
1452.00 15.21 1118.40 15.88 1218.00 76.79 1048.40 23.51 1050.80 36.64
1452.00 70.96 1112.40 9.06 1264.00 31.31 1048.40 68.83 1050.80 15.33
1472.40 65.30 1112.40 53.88 1218.00 35.98 1048.40 9.95 1099.20 23.62
1452.00 81.07 1118.40 74.37 1170.40 55.86 1002.40 9.83 1064.40 63.55
1513.20 13.46 1124.80 44.43 1170.40 89.03 1002.40 8.01 1170.00 29.11
1255.60 30.10 1093.20 71.18 1221.20 29.00 1047.40 17.30 1264.00 81.18
1196.40 14.55 1106.00 15.77 1218.80 87.33 1047.40 7.19 1213.20 32.69
1196.40 97.93 1093.20 35.70 1218.80 87.33 1047.40 8.34 1170.40 7.63
1304.80 21.31 1093.20 25.43 1209.20 99.74 1047.40 11.21 1213.20 20.65
1293.20 51.25 1093.20 26.80 1232.40 14.94 1096.40 18.01 1213.20 35.26
1231.20 36.31 1089.20 98.32 1230.80 56.69 1099.80 7.75 1213.20 12.68
1300.80 33.67 1106.00 15.93 1209.20 43.94 1110.40 16.64 1264.00 22.47
1300.80 80.35 1093.20 63.00 1218.80 25.15 1078.00 13.51 1164.80 91.56
1255.60 12.47 1089.20 91.83 1239.60 54.65 1047.40 5.99 1170.40 70.75
1255.60 38.83 1093.20 62.34 1218.80 83.27 1087.80 7.75 1213.20 82.50
2179.20 18.35 2305.60 36.03 2294.40 27.90 2237.60 14.28 2338.80 14.66
2179.20 14.66 2305.60 34.82 2294.40 31.74 2237.60 11.53 2328.00 42.02
2179.20 15.92 2305.60 29.72 2294.40 38.62 2237.60 14.11 2338.80 37.46
2179.20 17.41 2305.60 30.86 2294.40 29.28 2237.60 13.13 2328.00 21.20
2179.20 17.30 2305.60 29.06 2294.40 98.64 2237.60 16.15 2338.80 19.94
2179.20 17.14 2305.60 32.08 2294.40 27.63 2237.60 15.66 2338.80 17.69
2179.20 18.78 2305.60 30.81 2280.80 102.60 2237.60 15.76 2328.00 37.74
2179.20 16.48 2305.60 31.96 2280.80 100.79 2237.60 12.30 2328.00 58.88
2179.20 18.45 2305.60 31.47 2294.40 43.01 2237.60 16.48 2328.00 21.69
2179.20 19.78 2305.60 21.42 2294.40 26.04 2237.60 18.90 2328.00 42.19
2511.20 24.22 2224.80 18.29 2994.80 28.18 2230.00 84.04 2608.60 43.23
2511.20 17.35 2224.80 101.34 2994.80 24.39 2288.40 38.39 2608.60 54.92
2511.20 11.43 2224.80 82.83 2994.80 35.15 2230.00 28.83 2608.60 51.58
2511.20 7.96 2224.80 25.54 2994.80 97.39 2230.00 39.77 2608.60 50.47
2511.20 22.96 2224.80 14.11 2994.80 117.21 2230.00 52.67 2608.60 45.37
2511.20 14.28 2224.80 23.45 2994.80 45.26 2230.00 54.87 2608.60 48.34
2511.20 20.66 2224.80 14.17 2994.80 61.46 2230.00 92.00 2608.60 48.50
2511.20 20.81 2224.80 20.87 2994.80 37.45 2230.00 85.46 2608.60 62.34
2511.20 15.38 2224.80 18.79 2994.80 78.65 2230.00 52.24 2608.60 48.12
2511.20 17.03 2224.80 14.94 2994.80 71.35 2230.00 72.61 2608.60 64.26

2396.80 39.33 2195.20 55.64 2413.20 208.44 2159.20 98.70 2099.20 57.51
2396.80 42.41 2195.20 84.53 2462.80 87.39 2436.40 109.08 2208.80 72.34
2219.20 82.56 2195.20 165.38 2304.00 191.75 2180.80 117.81 2099.20 63.11
2216.00 46.96 2195.20 76.78 2375.20 125.83 2269.20 81.95 2099.20 61.13
2396.80 64.16 2195.20 100.24 2413.20 123.04 2180.80 117.48 2208.80 66.02
2216.00 104.53 2206.00 91.06 2465.20 176.86 2368.40 62.23 2099.20 73.60
2216.80 51.13 2195.20 105.90 2465.20 82.82 2135.60 88.05 2099.20 76.62
2216.00 126.66 2195.20 148.08 2413.20 173.02 2180.80 68.71 2099.20 83.11
2470.00 56.51 2195.20 69.10 2413.20 167.30 2175.60 151.70 2099.20 49.71
2216.00 56.19 2195.20 58.99 2304.00 100.30 2175.60 140.83 2208.80 49.05
2.4 La heurstica VNDS.

En esta seccion se realiza una descripcion en detalle de la implementacion
de un procedimiento heurstico derivado de la tecnica de busqueda de entorno
variable (Variable Neighbourhood Search). Este procedimiento esta basado en el
clasico movimiento del k-intercambio para las busquedas en espacios de soluciones
constituidos por selecciones de un numero jo de elementos de un universo. A
esta tecnica general se le incorpora un proceso de descomposicion, por lo que se
denomina VNDS (Variable Neighbourhood Decomposition Search), y se aplica al
problema de la p-Mediana mostrandose superior a las otras heursticas propuestas
para este problema. Ver Hansen, Mladenovic y Perez-Brito (1997) [78].
2.4.1 Introduccion.
Las funciones objetivo de importantes problemas de optimizacion, como son
los modelos clasicos de localizacion en un grafo, no son ni concavas ni convexas
(en el conjunto de sus variables), y en general el numero de optimos locales es e-
levado. Algunas tecnicas de optimizacion global han jugado un papel importante
en la resolucion de estos modelos, Sin embargo, en problemas de tama~no mode-
rado, el tiempo computacional se ve incrementado exponencialmente. Algoritmos
recientes (ver Chen y otros (1992) [20] y Hansen y Mladenovic (1995) [75]) han
obtenidos soluciones exactas para problemas de tama~no mediano. Sin embargo
en problemas reales donde el numero de posibles clientes pueden ser miles, sigue
siendo necesario el uso de procedimentos heursticos.
Mladenovic (1995) [125] sugirio una nueva heurstica para resolver proble-
mas continuos de localizacion-asignacion por medio de estructuras variables de
2.4. La heurstica VNDS. 53
entornos. La idea, brevemente, es la siguiente: un numero especicado de pun-
tos alrededor de la solucion actual es generado aleatoriamente obteniendose as
el primer entorno. Si es posible un movimiento descendente hacia una mejor
solucion desde uno de estos puntos, esta se realiza; en otro caso, se cambia de
entorno ampliando el radio del mismo. El algoritmo termina si no se consige una
mejora en el ultimo entorno denido. Alternativamente, se permiten movimien-
tos ascendente como en una busqueda tabu. La motivacion de la estructura de
entorno variable, es aportar un mecanismo que metodologicamente extienda el es-
pacio de busqueda de las soluciones, para evitar quedar atrapado en un mnimo
local. La heurstica es denotada VNS (Variable Neighbourhood Search), y se
describe en las proximas secciones.
En este apartado se muestra que una idea similar a la de VNS, puede ser
aplicada con exito en la resolucion de problemas de grandes dimensiones, me-
diante la descomposicion de los mismos. Para ello se ha desarrollado una nueva
heurstica denominada VNDS (Variable Neighbourhood Decomposition Search)
y se ha implementado para el problema de la p-Mediana (ver apendice B). El
correspondiente algoritmo heurstico VNDS ha sido probado en la resolucion de
problemas de la p-Mediana para grafos de 1400, 3038 y 5934 vertices. Estos grafos
han sido elegidos de la librera del problema del viajante de comercio TSPLIB
[150].
2.4.2 La operacion del Intercambio.

El problema estandar de la p-Mediana en un grafo consiste en, dado el con-
junto de vertices usuario, seleccionar p puntos del grafo que hacen mnima la
suma de la distancia a los usuarios. Cada solucion viene dada por estos p puntos
llamados medianas y es conocido que basta considerar los vertices como posibles
medianas. A partir del trabajo de Teist y Bart (1968) [168], se han propuesto
diversas heursticas de busqueda en las que la solucion actual se mueve itera-
tivamente cambiando las medianas una a una. En esta seccion se discute la
implementacion eciente de este movimiento (intercambio de servicios), que se
ha convertido en un movimiento basico en muchas heursticas para el problema
de la p-Mediana. En particular, usando solo este movimiento, reduciendo el valor
de la funcion objetivo desde una solucion inicial aleatoria dada, la heurstica es
bastante buena. A ello se debe el esfuerzo en mejorar la eciencia de la imple-
mentacion de este movimiento, denominado 1-Intercambio (ver Moreno, Mlade-
novic y Moreno (1997) [126]. El movimiento se ha extendido al considerar la
sustitucion simultanea de un numero k jo de puntos de servicio, denominandose
k-intercambio.
En la implementacion del 1-intercambio realizada se incorporan tres ingre-

dientes para mejorar la eciencia en su aplicacion:

Evaluacion del movimiento: Una vez conocido la mediana que entra a formar
parte de la solucion, se determina la mediana que debe salir de la misma
para que el intercambio sea optimo.
Actualizacion: Se actualiza la lista de las medianas mas cercanas a cada usuario,
as como la lista de las segundas mas cercanas.
Mejor mejora: Se examinan todas las mejoras posibles y se selecciona la mejor
de ellas.
Los dos primeros ingredientes ya fueron sugeridos por Whitaker (1983) [176],
mientras que para la tercera se propona pasar a la primera solucion que produzca
mejora.
Cada instancia del problema de la p-Mediana viene especicado por un numero
n de usuarios, la matriz de distancias entre ellos d y el numero p de medianas a
localizar. En la descripcion de la heurstica se usa la siguiente notacion paralela
a los identicadores de las variables usadas en la implementacion que se ofrece
en el apendice B. Una permutacion x = (x1; x2; :::; xn) de los numeros del 1 al
n representa a la vez el problema y una solucion; sus componentes indican las
ubicaciones de los usuarios y las p primeras son las seleccionadas como medianas.
Generalmente, el ndice i = 1; :::; n recorre los usuarios mientras que j = 1; :::; p
recorre las medianas. La distancia entre dos ubicaciones viene dada por la matriz
d de forma que d(xi; xj ) es la distancia entre xi y xj .
La distancia de un usuario xi a la solucion viene dada por
minfd(xi; xj ) : j = 1; :::; pg:
La mediana donde se alcanza este mnimo es la mediana que corresponde al
usuario xi y se denota por m(xi); es decir,
m(xi) = argminfd(xi; xj ) : j = 1; :::; pg:
La segunda mediana mas cercana a cada usuario xi viene dada por el vector s(:)
denido por
s(xi) = argminfd(xi; xj ) : xj 6= m(xi); j = 1; :::; pg:
La funcion objetivo se evalua en tiempo O(pn). Con el mismo esfuerzo se
determina la mediana m(xi) que corresponde a cada punto xi. La misma com-
plejidad lleva encontrar el vector s que da la segunda mediana mas cercana. Una
vez conocidas las medianas, la funcion objetivo se evalua en O(n). Aunque se
pueden descomponer en varias partes, la subrutina que realizara esta tarea sera
la descrita en la siguiente gura.
Algoritmo Evaluate (f; x; m; s; d; n; p)
f 0
do i = 1; n
dmin 1
do j = 1; p
if d(xi; xj ) < dmin then
dmin d(xi; xj )
m(xi) xj
endif
enddo
enddo
do i = 1; n
dmin 1
do j = 1; p
if xj =6 m(xi) then
if d(xi; xj ) < dmin then
dmin d(xi; xj )
s(xi) xj
endif
endif
enddo
enddo
f 0
do i = 1; n
f f + d(xi; m(xi))
enddo
Figura 9. Pseudocodigo para la evaluacion de una solucion.
La seleccion del Movimiento.

En el procedimiento que ejecuta el movimiento del 1-intercambio (denominado
MedianOut), se calcula la modicacion w que experimenta la funcion objetivo al
incluir un nuevo punto de servicio a la solucion actual (xin), mientras se encuentra
el mejor servicio candidato a salir (xout).
En este procedimiento se usan las siguientes variables. El vector v(xj ); j =
1; :::; p, que da el cambio del valor de la funcion objetivo si la mediana sustituida
es xj y w que da el valor de la modicacion de la funcion objetivo obtenido por
el mejor intercambio. La subrutina correspondiente viene descrita en la siguiente
gura.

Algoritmo MedianOut (w; x; m; s; d; n; p; xin; xout)

do j = 1; p
v(xj ) 0
enddo
do i = 1; n
if d(xi ; xin) < d(xi; m(xi))
then w w + d(xi; xin ) , d(xi; m(xi))
else
if d(xi; xin ) < d(xi ; s(xi)) then
v(m(xi)) v(m(xi)) + d(xi; xin ) , d(xi; m(xi))
else
v(m(xi)) v(m(xi)) + d(xi; s(xi)) , d(xi; m(xi))
endif
endif
enddo
w 1
do j = 1; p
if v (xj ) < w then
w v(xj )
xout xj
endif
enddo
Figura 10. Pseudocodigo para el procedimiento MedianOut
Con el algoritmo aplicado en MedianOut se examinan pn diferentes soluciones

del entorno de la solucion actual. La complejidad de este procedimiento es O(n).
Notese que en VoB (1996) [172], se emplea la misma complejidad para determinar
w cuando xin y xout son conocidos.
La Actualizacion
En la subrutina MedianOut tanto la primera como la segunda mediana mas
cercana a cada usuario xi debe conocerse a priori. La subrutina Update realiza
la actualizacion correspondiente al movimiento ejecutado en tiempo O(pn). Esta
subrutina viene descrita en la gura siguiente.
Algoritmo Update (x; m; s; d; n; p; xin; xout)
do i = 1; n do
if m(xi ) = xout then
usuarios que pierden su mediana
if d(xi; xin ) d(xi ; s(xi)) then
m(xi ) xin
else
m(xi ) s(xi)
s(xi ) argminfd(xi ; xj ) : xj 6= m(xi )g
endif
else
usuarios que NO han perdido su mediana
if d(xi; xin ) d(xi ; m(xi)) then
s(xi) m(xi )
m(xi) xin
else
if d(xi; xin ) d(xi; s(xi )) then
s(xi ) xin
else
if s(xi ) = xout then
s(xi) argminfd(xi; xj ) : xj 6= m(xi)g
endif
endif
endif
endif
enddo
Figura 11. Pseudocodigo para el procedimiento Update
La complejidad del procedimiento Update es O(np), ya que para cada usuario,

a lo sumo hay que calcular un mnimo entre p distancias. Si se utiliza una
estructura de datos ordenada, como un heap o un arbol binario ver [1], para
la actualizacion de la segunda mediana mas cercano s(xi) la complejidad del
procedimiento Update es O(n log p).
La Heurstica del intercambio simple.
El algoritmo heurstico del Intercambio simple que se ha implementado
utiliza los procedimientos MedianOut y Update para ejecutar una busqueda local
descendente de tipo Greedy. El procedimiento se ejecuta a partir de una solucion
de arranque arbitraria y ejecuta el mejor 1-intercambio posible. A continuacion
se muestra la descripcion de esta heurstica por su pseudocodigo.

Heurstica Interchange (f; x; m; s; d; n; p)

w ,1
do while w < 0
w 1
do i = p + 1; n
xin xi
MedianOut(w; x; m; s; d; n; p; xin; xout)
if w w then
w w, xin xin, xout xout
endif
enddo
if w < 0 then
Si no mejora en el entorno, parar
f f + w
Update(x; m; s; d; n; p; xin; xout)
Intercambiar en x las posiciones de xin y xout
endif
enddo
Figura 12. Pseudocodigo para el procedimiento Interchange

La complejidad de cada iteracion del algoritmo es O(n2 ) ya que se llama a la
subrutina MedianOut en n , p ocasiones, cuya complejidad es de O(n):
2.4.3 La Heurstica VNS para la p-Mediana.

La idea basica de la heurstica VNS es cambiar sistematicamente el radio del
entorno en un algoritmo de busqueda local. La exploracion de estos entornos
puede ser realizada de dos maneras. Una exploracion sistematica si se esta cerca
de la solucion actual, o una exploracion parcial si se esta lejos de la misma. La
exploracion parcial se realiza generando una solucion aleatoria en el entorno y
comenzando una busqueda local a partir de ella. El algoritmo mantiene la misma
solucion hasta que se alcance otra mejor, cuando esto ocurre esta se toma como
solucion actual continuando la busqueda desde ella. Los entornos son usualmente
ordenados de forma que cada vez se exploran soluciones mas alejadas de la actual.
De este modo la intensicacion de la busqueda alrededor de la solucion actual
precede a la diversicacion. El nivel de intensicacion o diversicacion puede ser
controlado a traves de unos parametros.
Sea el espacio de soluciones del problema de la p-Mediana X formado por los
conjuntos de p localizaciones para los servicios. La distancia entre dos soluciones
x; x0 2 X es igual a k si y solo si dieren en k localizaciones. Formalmente
(x; x0) = jx n x0j = jx0 n xj ; 8x; x0 2 X . Las estructuras de entorno que utiliza
VNS estan inducidas por la metrica , es decir, k p localizaciones de servicios
de la solucion actual son reemplazadas por otros k. Se denota por Nk , k =
1; :::; kmax, (kmax p) el conjunto de tales estructuras y con Nk (x) el conjunto
de soluciones que forman un entorno Nk de la solucion actual x. Formalmente
x 2 Nk (x) , (x; x) = k: La cardinalidad de Nk (x) es: jNk (x)j = kp n,k p :
Observese que estos conjuntos son disjuntos (Nk (x) \ Nl(x) = ;; 8l 6= k), y su
union junto con N0(x) da X , donde N0(x) = fxg; es decir:
p p p n , p = m = jX j:
! ! !
Nk (x) = X;
[ X
k=0 k=0 k k p
El pseudocodigo de VNS para la p-Mediana se muestra en la gura siguiente.
Heurstica VNS para la p-Mediana

(1) Inicializacion
(1a) Generar al azar una solucion x = (x1 ; :::; xp; xp+1; :::; xn)
(1b) Evaluar f (x) determinando m(xi ) y s(xi ), i = 1; :::; n.
(1c) Almacenar la solucion inicial x como solucion actual.
(2) Paso principal
Tomar k 1 y repetir los pasos siguientes:
(2a) Agitar.
Generar una solucion aleatoria del entorno Nk .
(2b) Busqueda local.
Aplicar la busqueda greedy del intercambio a esta solucion.
(2c) Moverse o no moverse.
Si la busqueda mejora la solucion x entonces
tomarla como solucion actual y volver a tomar k 1,
en otro caso, hacer k k + 1.
Figura 13. Heurstica VNS para la p-Mediana

En el paso (2a) de agitacion de la heurstica VNS se ejecuta con la subrutina
Shake. La solucion x implicada es perturbada de forma que la nueva solucion
x verica (x; x) = k: Entonces x es utilizada como solucion inicial para el
procedimiento de 1-intercambio con estrategia greedy del paso 2b. Si se obtiene
una solucion mejor que la actual x nos movemos a ella, y comenzamos otra
vez con peque~nas perturbaciones, es decir, k 1: En otro caso incrementamos la
distancia entre x y la nueva solucion generada aleatoriamente, es decir, k k +1.

El algoritmo de agitacion implementado con la subrutina Shake consiste en

repetir k veces la operacion de elegir cual sera la nueva mediana al azar y selec-
cionar la mediana a sustituir que de lugar a la mejor solucion posible. Para ello
se ejecutan sucesivamente los procedimientos MedianOut y Update junto con
las reasignaciones correspondientes. La subrutina correspondiente viene descrita
en la siguiente gura donde representa un numero al azar en [0,1] elegido con
distribucion uniforme.
Algoritmo de agitacion Shake
Subrutina Shake(f; x; m; s; d; n; p; k)
do r = 1; k
i p + 1 + (n , p) ,
xin xi
MedianOut(w; x; m; s; d; n; p; xin; xout )
Update(w; x; m; s; d; n; p; xin; xout)
Intercambiar en x las posiciones de xin y xout
enddo
Figura 14. Pseudocodigo de Shake
Para detener la busqueda en el V NS se puede limitar el valor que alcance k.
Tambien existe la posibilidad de aplicar otras reglas de parada como el limitar el
numero de iteraciones, limitar el tiempo maximo de CPU, o limitar el maximo
numero de iteraciones entre dos mejoras. Adviertase que en el paso (2a) se genera
la solucion aleatoriamente con el objetivo de evitar ciclos, los cuales suelen ocurrir
con cualquier regla determinstica.
2.4.4 El Algoritmo VNDS

Para problemas de tama~no peque~no y mediano, las busquedas descendentes
empleadas en VNS son muy rapidas, pero no suele ocurrir lo mismo en problemas
de tama~no considerable. En estos casos, es cuando se recomienda utilizar metodos
de descomposicion.
La heurstica VNDS (Variable Neighbourhood Decomposition Search) tiene
una estructura muy similar al VNS. La diferencia entre VNS y VNDS estriba en
el paso (2b). Si en VNS se aplica una busqueda local en el espacio de soluciones,
comenzando con x 2 Nk (x); en VNDS se resuelve el problema descompuesto en
el subespacio de Nk (x) determinado por x. El problema descompuesto consiste
en determinar la mejor solucion donde las p , k componentes de x \ x estan
jas y solo pueden variar las k que se han intercambiado para obtener x. Para
construir este subproblema se considera el conjunto de usuarios que tienen la
mediana en x \ x siendo esta la solucion de arranque.
Si en el paso 2b de VNDS se utiliza una heurstica de busqueda local, como
la del 1-intercambio, para el problema descompuesto entonces solo hay que in-
corporar al metodo el criterio de parada global, como el de usar el parametro
kmax. Sin embargo si se utiliza una heurstica de busqueda como VNS, hay que
considerar un criterio o parametro especco que mantenga un equilibrio entre
el numero de descomposiciones y la calidad de la solucion en cada subproblema.
Esta limitacion jara el tiempo maximo de CPU permitido en resolver cada sub-
problema, o el tama~no maximo en que puede descomponerse el problema. En
este ultimo caso, si el tama~no del subproblema excede su maximo, simplemente
se comienza de nuevo la descomposicion con k = 1; es decir, se comienza de nuevo
con subproblemas peque~nos.
El algoritmo VNDS completo se describe en la siguiente gura.
Heurstica VNDS para la p-Mediana

(1) Inicializacion
(1a) Generar al azar una solucion x = (x1 ; :::; xp; xp+1; :::; xn)
(1b) Evaluar f (x) determinando m(xi ) y s(xi ), i = 1; :::; n.
(1c) Almacenar la solucion inicial x como solucion actual.
(2) Paso principal
Tomar el primer entorno (k 1) y repetir los pasos:
(2a) Descomponer.
Generar un subproblema descompuesto de dimension k
(2b) Busqueda heurstica.
Aplicar la heurstica al subproblema.
(2c) Moverse o no moverse.
Si la busqueda mejora la solucion entonces
tomarla como solucion actual y volver a tomar k 1,
en otro caso, hacer k k + 1.
Figura 15. Algoritmo VNDS para la p-Mediana

El procedimiento heurstico comienza con una solucion aleatoria x 2 N1(x);
pero en lugar de realizar una busqueda en todo el espacio de soluciones, resuelve
el problema 1-dimensional, en el subespacio de x. La nueva solucion obtenida es
evaluada en la funcion objetivo. El resto de los pasos son los mismos que VNS: si
la nueva solucion no es mejor que la solucion actual, se hace k = k + 1; es decir,
se busca una mejora en un subespacio donde todas, menos dos componentes de

la solucion son jadas, y as sucesivamente. En otro caso, se cambia de entorno

y k = 1 una vez mas.
Como se mencionaba previamente VNDS resuelve el problema descomponiendo
el espacio de busqueda en subespacios de Nk (x) donde de cada solucion solo hay
que buscar k componentes. El procedimiento Decompose es el que obtiene el
subproblema descompuesto. Dado el numero k, se seleccionan al azar las k me-
dianas que van a variar en el subproblema y se unen los k conjuntos de usuarios
asociados a estas medianas. Las k medianas seleccionadas constituyen la solucion
de arranque para el subproblema. El vector x se reordena de forma que las k
primeras componentes sean estas medianas y a continuacion esten los puntos
asignados a ellas. El valor de p para el nuevo subproblema es k y el valor de n es
el tama~no del conjunto de puntos que se le asignan.
El procedimiento Decompose.
Decompose(f; x; m; s; d; n; p; f 0; x0; m0; s0; d0; n0; p0; k)
Colocar a true k indices del vector Merged(:) entre 1 y p
p0 k
f0 0
j 0
do i = 1; n
If Merged(m(xi)) then
j j+1
x0j xi
m0 (xi) m(xi )
f 0 f 0 + d(xi; m(xi))
endif
enddo
n0 j
FindSecond(x0; m0; s0; d; p0; n0)
Figura 16. Pseudocodigo para el procedimiento Decompose
Para realizar la experiencia computacional se probaron diversos valores para

los parametros que determinan los criterios de parada. Las limitaciones en el
numero de iteraciones, tanto desde la ultima mejora como en la cantidad total,
resultaron menos efectivas que las dependientes del tiempo. Para realizar las
comparaciones se conceda a la heurstica VNDS el mismo tiempo que el em-
pleado por la aplicacion una sola vez de la heurstica del 1-intercambio desde
una solucion obtenida al azar. Con este control del tiempo empleado, las otras
limitaciones no tuvieron efecto alguno y los resultados obtenidos, como se mues-
tran en la siguiente seccion, indican que este esfuerzo es suciente para alcanzar,
y en algunas ocasiones superar, a la mejor solucion conocida en la gran mayora
de los casos.
2.4.5 Experiencia computacional.

Para realizar la experiencia computacional se ha elegido el problema de la
p-Mediana en grafos de 1400, 3038 y 5934 vertices. Estos grafos han sido elegidos
de la librera del problema del viajante de comercio ORLIB [150]. La heurstica
VNDS ha sido codicada en FORTRAN. En el apendice B se muestra el codigo
que se ha ejecutado sobre una estacion Sun Ultra I System (143-Mhz) del Groupe
de E tudes et de Recherche en Analyse des Decisions (GERAD) en Montreal,
Canada. La compilacion de los programas se ha realizado con la opcion opti-
mizadora f77 -cg92 -O4 la cual hace disminuir el tiempo de ejecucion.
Las siguientes tablas aportan los resultados obtenidos de ejecutar este pro-
grama del VNDS en los tres grafos elegidos. En la primera columna de la tabla se
da el mejor valor conocido de la funcion objetivo. Estos valores objetivos para los
grafos de 1400 y 3038 fueron obtenidos, cuando p 500; del analisis emprico de
[77]. Las siguiente tres columnas muestran el tiempo de CPU (en segundos) de
las heursticas, de intercambio (Int) (Teitz and Bart [168]), de Montecarlo (MC)
y la de VNDS respectivamente. La heurstica del intercambio selecciona, desde
una solucion elegida al azar, el mejor 1-intercambio entre todos los posibles hasta
llegar a un mnimo local. La heurstica de Montecarlo toma un 1-intercambio
elegido al azar siempre que mejore la solucion.
Para obtener los datos de estas tablas la regla de parada es el tiempo de
CPU empleado. El lmite de tiempo utilizado para detener al VNDS ha sido
el requerido por la heurstica del Intercambio siguiendo el metodo de Teitz y
Bart en realizar una busqueda local descendente para cada uno de los proble-
mas. La heurstica del intercambio se ha detenido cuando ha alcanzado esta
misma cantidad de tiempo. Las tres ultimas columnas muestran el porcentaje de
desviacion de cada metodo respecto al mejor valor de la funcion objetivo cono-
cido. Por ultimo se lista, el tiempo medio de CPU y la desviacion media de los
tres metodos. Notese que el tiempo incluido en esta columna es inferior al de la
columna del intercambio dado que, para que la comparacion sea valida, se utiliza
el tiempo hasta que se realizo la ultima mejora del objetivo.

Valor Obj. Tiempo de CPU % de error

p mejor con. Int MC VNDS Int MC VNDS
10 101248.13 14.78 6.34 9.25 0.69 0.03 0.00
20 57856.32 25.60 13.55 13.55 1.36 0.00 0.00
30 44086.53 35.61 15.93 18.65 0.69 0.03 0.00
40 35005.82 45.62 17.59 25.73 0.07 0.09 0.02
50 29130.10 62.02 13.64 22.06 -0.16 0.19 -0.04
60 25166.15 90.05 15.90 31.41 0.63 1.29 -0.04
70 22125.53 101.05 23.87 96.96 0.89 0.09 -0.27
80 19877.88 110.07 17.46 50.09 0.58 0.45 -0.11
90 17987.94 137.52 18.63 46.78 0.86 0.40 -0.38
100 16551.20 165.53 20.17 39.41 1.01 0.55 0.21
150 12032.65 215.90 35.04 150.26 0.72 0.71 -0.02
200 9360.01 283.13 42.93 148.83 1.11 0.62 -0.03
250 7742.70 362.21 31.75 122.69 0.62 0.33 -0.06
300 6624.52 389.38 43.47 366.37 0.79 0.70 -0.07
350 5727.02 407.88 38.97 360.74 1.63 1.07 -0.21
400 5020.50 479.77 49.42 136.51 0.77 0.66 -0.50
450 4487.73 467.14 33.58 77.58 0.55 0.70 -0.05
500 4049.03 423.53 27.94 285.66 0.78 0.44 -0.34
Media Total 228.70 27.10 241.47 0.76 0.96 -0.11
Tabla 2.1: Grafo de 1400 vertices.
Valor obj. Tiempo de CPU % de error

p mejor con. Int MC VNDS Int MC VNDS
50 507655.19 612.87 60.71 311.15 0.50 0.47 -0.03
100 353255.22 1248.77 158.95 1062.94 0.43 0.61 -0.35
150 281772.09 1896.87 167.12 1862.07 0.80 0.39 -0.05
200 238622.98 2526.70 139.85 2335.87 0.65 0.95 -0.19
250 209343.34 3114.28 195.36 2846.61 0.43 0.48 -0.18
300 187807.06 3358.40 169.75 1913.19 0.70 0.30 -0.18
350 171009.30 3645.59 199.01 2951.38 0.55 0.39 -0.42
400 157079.67 5308.28 206.29 4772.22 0.40 0.57 -0.53
450 145448.98 5491.01 233.34 2148.47 0.44 0.67 -0.44
500 135467.97 6044.12 272.65 3379.78 0.44 0.43 -0.45
550 126867.38 6407.13 318.19 2883.01 0.74 0.88 0.00
600 119107.99 4845.88 196.81 3392.02 1.03 1.09 0.00
650 112090.28 5275.87 243.98 5160.90 1.16 0.98 0.00
700 105893.39 5346.42 188.82 3421.69 1.11 1.01 0.00
750 100362.55 5108.20 202.88 5095.70 1.22 1.15 0.00
800 95445.06 5024.91 164.18 4143.99 1.21 1.30 0.00
850 91023.87 5023.56 157.50 4733.62 1.10 1.42 0.00
900 87041.84 5656.95 193.38 5549.94 1.16 1.27 0.00
950 83310.19 5079.25 238.98 4328.75 1.07 1.09 0.00
1000 79900.52 4883.87 205.55 4879.89 0.99 0.95 0.00
Media Total 4584.96 201.27 3624.84 0.86 0.61 -0.12

Valor obj. Tiempo de CPU % de error

p mejor con. Int MC V D Int MC V D
50 4053917.75 4257.26 418.05 550.18 0.72 0.06 0.00
100 2733817.25 6637.48 510.20 6087.75 0.36 0.15 0.00
150 2151018.50 9971.28 373.54 2657.35 0.90 0.86 0.00
200 1809064.38 14966.05 663.69 14948.37 0.79 0.36 0.00
250 1571813.50 17118.27 620.14 11042.62 0.73 0.40 0.00
300 1394715.12 20127.91 541.76 17477.51 0.65 0.51 0.00
350 1257900.00 22003.88 868.85 21769.56 0.82 0.55 0.00
400 1145669.38 23630.95 618.62 22283.04 0.82 0.59 0.00
450 1053450.88 66890.41 1898.83 21683.38 0.90 0.79 0.00
500 974275.31 29441.97 954.10 10979.77 0.98 0.51 0.00
600 848459.38 32957.36 768.95 18996.37 0.78 0.47 0.00
700 752068.38 36159.45 768.84 32249.00 0.64 0.50 0.00
800 676846.12 38887.40 813.38 20371.81 0.61 0.53 0.00
900 613367.44 41607.78 731.71 27060.09 0.55 0.53 0.00
1000 558802.38 44176.27 742.70 26616.96 0.73 0.66 0.00
1100 511813.19 45763.18 740.33 28740.89 0.90 0.63 0.00
1200 470295.38 46387.06 674.87 15886.20 0.99 0.91 0.00
1300 433597.44 46803.63 740.48 26150.85 1.00 0.82 0.00
1400 401853.00 47184.10 708.90 44944.41 0.87 1.18 0.00
1500 374061.41 47835.35 823.95 44727.36 0.98 0.93 0.00
Total average 39940.03 742.69 25650.25 0.85 0.71 0.00
2.4.6 Conclusiones.
Hay que destacar que la heurstica VNDS resuelve en tiempos muy razonables
problemas de localizacion en Grafos del orden de 6000 vertices. La calidad de la
soluciones dadas por este metodo de entorno varible es muy buena. El motivo
del exito de las heurstica de entorno variable parece estar, entre otras cosas,
en la proximidad que existe entre las soluciones buenas de la p-Mediana. Una
propiedad similar tienen otros problemas de optimizacion combinatoria como el
problema del viajante de comercio o el problema de la biparticion de un grafo
[11]. En otras palabras existen localizaciones cuyas componentes pertenecen en
su mayora a los mnimos locales obtenidos por los procedimiento descendentes.
Explotar esta propiedad de proximidad de los mnimos locales produce varias
ventajas a la heurstica VNDS,
La busqueda de la nueva solucion se realiza en un area atractiva del espacio

de busqueda formada por buenas soluciones.
Las soluciones desde las que se inician los descensos son buenas soluciones
y por tanto son cortos.
La descomposicion se centra especcamente en las componentes que varan
entre las buenas soluciones.
El estudio del entorno se realiza ecientemente por medio de la heurstica
VNS.
En consecuencia el metodo visita muchos optimos locales proximos al optimo

global, en el mismo tiempo de CPU en el cual el procedimiento descendente visita
un mnimo local comenzando desde una solucion inicial aleatoria. Esta operacion
es denominada un descenso, por su analoga con la representacion graca de la
funcion objetivo en estos mnimos locales.
Si realizamos un analisis especco de cada una de las tablas presentadas, se
sigue lo siguiente:
tabla 1.
Para valores de p menores de 50, la heurstica VNDS alcanza, en menos
tiempo, los valores obtenidos por Hansen y Mladenovic (1996) [77], pero,
para p mayor que 50, VNDS mejora el mejor valor de la funcion objetivo
conocido, y por ello para p 50 se han actualizado los valores objetivos
de [77] con los valores objetivos obtenidos de VNDS. Se concluye que la
heurstica VNDS es un 11% mejor que la heurstica de Hansen y Mladenovic

(1996) [77], en el tiempo que esta ultima gasta en realizar una sola busqueda
local descendente.
tabla 2.
En la tabla 2, se puede observar que para cada valor de p 500, la heurstica
VNDS mejora siempre el mejor valor objetivo conocido citados en Hansen
y Mladenovic (1996) [77]. Por ello los mejores valores objetivos conocidos
para el problema, son precisamente, los obtenidos por medio de VNDS.
Cuando p > 500, no se conoce referencia alguna, para el problema de la
p-Mediana en un grafo de 3038 vertices. Por ello se compara VNDS con
las heursticas de intercambio y Montecarlo. Es claro que los resultados
que se obtienen de VNDS son los mejores. Esta heurstica en media para
p 500 es un 28% mejor que la heurstica de Hansen y Mladenovic (1996)
[77], en el tiempo que esta ultima gasta en realizar una sola busqueda local
descendente.
tabla 3.
Al igual que en la tabla 2, los mejores valores objetivos conocidos para el
problema de la p-Mediana en un grafo de 5934 vertices, son los obtenidos
por medio de VNDS. Una vez mas, la comparacion se ha realizado con
respecto a las heursticas de intercambio y Montecarlo, dado que no se
conoce referencia alguna.
Captulo 3
EL PROBLEMA DEL
CENTDIAN EN GRAFOS.
3.1 Introduccion.
Los problemas de localizacion del Centro y de la Mediana de un grafo han
sido objeto de profundos estudios desde que fueron formulados por Hakimi (1964)
[62], lo cual ha dado lugar a diversos algoritmos para su resolucion as como a
numerosas aplicaciones de estos conceptos. Antes de acometer el estudio del
problema del Centdian, conviene recordar brevemente el concepto de cada uno
de ellos.
El problema de la Mediana consiste en minimizar la distancia media entre
el usuario y el servicio a localizar. Este tipo de funcion objetivo mini-sum es
apropiado para localizar servicios que deben satisfacer una demanda continua y
estable, como, por ejemplo, escuelas, centros comerciales, terminales de trans-
porte, etc. En la literatura es comunmente conocido tambien como el problema
de Fermat-Weber (Wendell and Hurter (1973) [173]). Por otro lado, el problema
del Centro estriba en localizar un punto en el grafo de tal manera que la distan-
cia del vertice mas alejado a el sea mnima. Esta funcion objetivo mini-max es
frecuentemente usada en servicios de emergencias tales como estaciones de am-
bulancias, de bomberos o de policia. Este problema tambien es conocido como el
problema de Rawl [15]. En este contexto, el modelo incorpora una medida de la
aversion por la desigualdad. Sin embargo, este modelo fracasa si hay variaciones
de las distancias dentro de la poblacion de los usuarios.
En muchos problemas reales el objetivo es una mezcla de estos dos mode-
los, muchas veces antagonicos. Por ejemplo, a la hora de ubicar un puesto de
69
70 Captulo 3. EL PROBLEMA DEL CENTDIAN EN GRAFOS.
bomberos se puede pretender minimizar el tiempo de viaje al posible punto de
demanda mas alejado, siempre y cuando el puesto este sucientemente cerca de
las areas mas pobladas. El problema consiste en minimizar la funcion Centro
con la restriccion de que la funcion Mediana no supere un determinado nivel.
Otro ejemplo es minimizar la distancia media que deben recorrer los ni~nos para
llegar a la escuela sin que a ninguno le quede demasiado lejos. El objetivo aqu es
minimizar la funcion Mediana imponiendo una cota superior a la funcion Centro.
El modelo que sugirio Halpern (1976) [65] consiste en minimizar una com-
binacion convexa de la distancia media ponderada y la distancia maxima no
ponderada; la solucion a este problema recibe el nombre de Centdian. Con ello
se consigue un equilibrio entre las distancias media y la distancia mas alejada.
En Carrizosa y otros, [15] se encuentra un desarrollo axiomatico en el que se
justica el uso del criterio Centdian.
En este captulo se considera la funcion Centro ponderada generalizando as
el modelo de Halpern. Se entiende que las ponderaciones de la funcion Centro
son distintas que las ponderaciones de la funcion Mediana. Por simplicidad este
nuevo problema se sigue denotando Centdian.
Se comienza analizando el caso de localizar un solo servicio, extendiendo todas
las propiedades del modelo de Halpern, para el nuevo modelo aqu presentado.
A continuacion, se estudia el problema del 2--Centdian. Realizando un
analisis de la funcion objetivo, y proponiendo un algoritmo cuya complejidad
es de O(m2n4):
Exceptuando un apartado del artculo de Hooker y otros (1991) [82], en el
cual se propone un conjunto nito dominante para el p--Centdian, no se conoce
literatura que haga mencion al -Centdian multiple. Este conjunto nito do-
minante propuesto por Hooker, es erroneo, como se muestra en el contraejemplo
presentado en este captulo.
Finalmente se propone un nuevo conjunto nito dominante para el problema p-
-Centdian en un grafo. Y como consecuencia del mismo se propone un algoritmo
exacto.
3.2 Formulacion del problema.

Sea P (G) el conjunto continuo de puntos de las aristas de G: Para cualquier
numero p 1; sea X = (x1; x2; :::; xp) una coleccion de p puntos de P (G): La
distancia de X a un vertice vi perteneciente al conjunto de vertices clientes U V
3.2. Formulacion del problema. 71
viene dada por:
d(X; vi) =min
vi 2U
fd(xj ; vi) : j = 1; 2; :::; p; g:
El problema de la p-Mediana reside en encontrar p puntos servicios X en G

que minimicen la funcion:
fm(U ; X ) = wi d(X; vi):

X
vi 2U
El problema del p-Centro consiste en encontrar p puntos servicios X en G que

minimicen la funcion:
fc(U ; X ) =max w0 d(X; vi) :

vi 2U i
Esto implica que hay que abrir p servicios y asignar cada usuario a uno de
ellos, optimizando las correspondientes funciones objetivos.
Dado un numero p de servicios a ser localizados y un valor ; 0 1;
el problema p--Centdian consiste en encontrar p puntos servicios X en G que
minimizen la funcion objetivo:
f(U ; X ) = fc (U ; X ) + (1 , ) fm (U ; X ):
Denotamos con p--CD el conjunto de todos los p--Centdian del grafo para
un dado.
El valor de representa el peso atribudo a la funcion Centro con respecto
al peso de la funcion Mediana. Generalmente es difcil para el decisor determi-
nar exactamente el peso que debe ser asociado a cada uno de los dos criterios.
Por tanto, es importante encontrar una expresion sencilla de la ubicacion del -
Centdian para todos los pesos relativos. En particular, si = 0 los -Centdian
son las Medianas, y si = 1 el -Centdian es un Centro. Cuando el 0 < < 1;
el -Centdian es la solucion optima para un problema de localizacion en el que
los dos criterios de eciencia y equidad son importantes.
Una solucion X 2 P (G) es eciente, respecto al problema bicriterio min ffc; fm g
si no existe ninguna solucion Y 2 P (G) tal que fc (Y ) fc (X ) y fm (Y ) fm (X )
siempre que, al menos, una de las dos desigualdades sea estricta. En Perez-Brito
y Moreno Perez (1997) [146] se encuentra un procedimiento geometrico que car-
acteriza los puntos ecientes de este problema bicriterio. Sea EF el conjunto de
todos las soluciones ecientes del grafo. El conjunto de los puntos -Centdian
del grafo para todo 2 [0; 1] es un subconjunto del conjunto de puntos ecientes
del min ffc; fm g, es decir,
[ fp--CD : 0 1g EF:
3.2.1 Puntos especiales.

A continuacion se denen algunos conjuntos de puntos de P (G) que seran
utilizados para caracterizar el conjunto nito dominante del problema del p--
Centdian.
Un punto x 2 P (G) es un centro local con rango r asociado a los vertices

vk ; vl 2 U; (el cual es representado por x 2 Bc(r; vk ; vl) ) si x es un punto
interior de una arista [i; j ] tal que :
1. r = wk0 d(x; vk) = wk0 (l(x; i) + d(i; vk )) < wk0 (l(x; j ) + d(j; vk )) y
2. r = wl0 d(x; vl) = wl0 (l(x; j ) + d(j; vl)) < wl0 (l(x; i) + d(i; vl)):
Para cada valor r 0, sea:
LC (r) =v ;v[2U Bc(r; vk ; vl)

k l
Un punto x 2 P (G) es un punto pendiente con rango r asociado a los

vertices vk ; vl 2 U; (el cual es representado por x 2 Bp(r; vk ; vl) ) si x es un
punto interior de una arista [i; j ] tal que :
1. wk0 (l(x; i) + d(i; vk)) = wl0 (l(x; i) + d(i; vl)) con wk0 6= wl0 y / o
2. wk0 (l(x; j ) + d(j; vk )) = wl0 (l(x; j ) + d(j; vl)) con wk0 6= wl0.
PP (r) =vk ;v[l2U Bp(r; vk ; vl)

Un punto x 2 P (G) es un cuello de botella con rango r asociado a un
vertice vi 2 U; (el cual es representado por x 2 Ba(r; vi) ) si x es un punto
1. r = wi0 d(x; vi) = wi0 (l(x; i) + d(i; vi)) y
2. r = wi0 d(x; vi) = wi0 (l(x; j ) + d(j; vi)):
Un punto x 2 P (G) es un punto extremo con rango r asociado a un

vertice vi 2 U; (el cual es representado por x 2 Ep(r; vi) ) si x es un punto
1. r = wi0 d(x; vi) = wi0 (l(x; i) + d(i; vi)) o

2. r = wi0 d(x; vi) = wi0 (l(x; j ) + d(j; vi)):
EP (r) =vi[2U Ep(r; vi):
Existe a lo sumo un centro local y dos puntos pendientes con respecto a cada
pareja de vertices en cada arista, por tanto, el numero de los diferentes radios de
los centros locales y de los puntos pendientes es nito. El conjunto de distancias
ponderadas entre vertices y vertices usuarios junto con el de rangos de centro
locales y rangos de los puntos pendientes viene determinado por:
R = fr : LC (r) 6= ;g [ fr : PP (r) 6= ;g [ fr : r = wi0 d(vi; vj ); vi 2 U; vj 2 V g:
Este conjunto sera denominado conjunto canonico de distancias. Los pun-

tos extremos con rango en este conjunto son los puntos extremos canonicos.
Entonces, el conjunto de centros locales y el conjunto de puntos extremos canonicos
asociados a los vertices usuarios son:
LC =r[2R LC (r)
PP =r[2R PP (r)
EP =r[2R EP (r):
3.3 El 1--Centdian.
El objetivo del 1--Centdian es encontrar un punto x 2 P (G) tal que:
f(U ; (x)) =x2min ff (U ; (x))g:

P (G)
Si bien, sobre el problema 1--Centdian la bibliografa es escasa, en este

apartado se considera los resultados mas relevantes del modelo de Halpern, adaptandolos
para el nuevo modelo con la funcion Centro pesada.
3.3.1 Propiedades del 1--Centdian.

Sea e = [vi; vj ] una arista de E , y Qe el conjunto de puntos de ruptura, o de
no linealidad de fc(U; x) sobre e ademas de vi y vj .
El siguiente resultado se deduce de las propiedades de fc(U; x) y fm(U; x).
Propiedad 3.3.1 Dado , 0 1, la funcion:

f(U; x) = fc (U; x) + (1 , )fm(U; x), x 2 e = [vi; vj ], es una funcion de
x continua y lineal a trozos, con un numero nito de puntos de ruptura sobre e,
todos alcanzados en puntos de Qe.
Demostracion: Dado que la funcion fc(x) es continua y lineal a trozos, y

con un numero nito de puntos de ruptura en e \ (LC [ PP [ V ) y, dado que la
funcion fm(x) es continua y lineal a trozos, y con un numero nito de puntos de
ruptura en e \ V , la suma es continua y lineal a trozos, y con un numero nito de
puntos de ruptura en Qe e \ (LC [ PP [ V ), por lo que se sigue la propiedad
3.3.1. 2
De la propiedad anterior se deduce que para un dado, 0 1, y para
dos puntos consecutivos x e y de Qe si tenemos que f(U; x) = f(U; y), entonces
la funcion f es constante en [x; y]. Esto implica que todos los puntos de [x; y]
son puntos de ruptura de f ( Hansen y otros (1991)[74]).
Propiedad 3.3.2 El conjunto LC [ PP [ V es un conjunto nito dominante

para el problema 1--Centdian.
Demostracion: Es consecuencia de la propiedad 3.3.1 2

3.3. El 1--Centdian. 75
Sea f = minff(U; x) : x 2 Gg. Para un dado, f denota el valor de la
funcion 1--Centdian en el punto -Centdian.
Usando la propiedad 3.3.1, podemos escribir f como:
f = minf fc (q) + (1 , ) fm (q) : q 2e2[E Qeg:
Al ser Qe un conjunto nito, se sigue que:

Propiedad 3.3.3 La funcion f (como funcion de ) es continua, lineal a trozos
y concava con 0 1.
Demostracion: Para cada q 2e2[E Qe la expresion fc (q) + (1 , ) fm (q)
representa un segmento de recta, por lo tanto es continua y lineal. El mnimo de
todos estos segmentos de recta es continuo, lineal a trozos y concavo. 2
Denicion 3.3.1 Una solucion x domina a otra solucion y sobre el intervalo
[0; 00] [0; 1]; si f(x) f(y) para todo tal que 0 00.
Denicion 3.3.2 Una solucion x es dominante sobre el intervalo [0; 00]; si
domina a todos las soluciones del grafo sobre ese intervalo.
Denicion 3.3.3 Una solucion y esta uniformemente dominada por un sub-
conjunto de soluciones J G; si para todo 2 [0; 1] existe un x 2 J tal que
f(y) f(x); este caso lo representaremos por y a J .
Propiedad 3.3.4 Existen conjuntos nitos:
a) fi : i = 0; :::; rg de valores comprendidos en el intervalo [0; 1] y
b) fxi : i = 1; :::; rg de puntos de G, que tienen las siguientes propiedades:
(i) i < i+1 para todo i; 0 = 0, r = 1.
(ii) x1 = xm (Mediana), xr = xc (Centro).
(iii) f = f(xi) para todo tal que i,1 i , i = 1; :::; r.
Demostracion: Sean fi : i = 0; :::; rg los puntos de ruptura de f, de
la propiedad 3.3.2, se deduce que si i,1 y i son dos puntos adyacentes de
discontinuidad en la derivada de f, entonces existe algun xi 2 P (G) tal que xi
es dominante en [i,1; i ] y f = f(xi) para todo i,1 i. 2
La siguiente propiedad facilita encontrar el 1--Centdian en un grafo.
Propiedad 3.3.5 El 1--Centdian de un grafo, para cualquier 2 [0; 1], esta
localizado en un camino que une un Centro y una Mediana del grafo.
Demostracion: El camino que une el Centro y una Mediana del grafo es el

camino de los puntos xi de la propiedad 3.3.4, donde para cada i los puntos de
[xi; xi+1] son i , CD. 2
Propiedad 3.3.6 Si denotamos por x() el 1--Centdian para un dado, en-

tonces fc(U; x()) es una funcion no creciente de , mientras que fm(U; x())
es una funcion no decreciente de .
Demostracion: Para todo 2 [0; 1] los puntos fxi : i = 1; :::; rg que apare-
cen en la propiedad 3.3.4 son algunos puntos -Centdian y ademas verican
que fc(U; xi) fc(U; xi+1) y fm(U; xi) fm(U; xi+1), i = 1; :::; r , 1. Como
x(0) = xm = x1 y x(1) = xc = xr , es facil comprobar lo que se establece en esta
propiedad 3.3.6. 2
Para resolver el problema del 1--Centdian en grafos generales se han prop-
uesto dos metodos con identica complejidad O(mn log mn): el de Halpern (1976)
[65] y el de Hansen y otros (1991) [74]. En ambos casos los algoritmos propuestos
dan como solucion un conjunto de puntos -Centdian, para todos los 2 [0; 1] :
El metodo de Halpern se basa en la construccion de cotas superiores para el
valor mnimo de f; mientras que Hansen y otros, abordan el problema desde el
punto de vista geometrico, resultando este ultimo conceptualmente mas sencillo.
3.4 El 2--Centdian.
El objetivo del 2--Centdian es encontrar dos puntos x1; x2 2 P (G) de tal
forma que:
f(U ; (x1; x2)) =(x ;xmin ff (U ; (x1; x2))g:

)2P (G)
1 2
Exceptuando el artculo de Hooker, Garnkel y Chen (1991) [82], no se conoce

literatura que haga mencion al -Centdian multiple. Hooker y otros, utilizan
un resultado teorico (lema 10) que extiende el conjunto nito dominante del
problema -Centdian al problema del p--Centdian con p 2: Como se se~nala en
el apartado anterior, el conjunto de vertices, centros locales y puntos pendientes
es un conjunto nito dominante para el -Centdian, en el caso del centro no
ponderado el conjunto PP = ; pero V [ LC no es un conjunto nito dominante
para el problema del p--Centdian (con la funcion centro sin peso), como se arma
en [82]. El siguiente contraejemplo demuestra tal error.
r

v1
4
x1 2
v2 v4

r
v5 5
x2 5

v6
6 2 100 10

2
v3
v1 r
5 x1 1
v2 v4

v5r 5 x2 5

v6

6 2 100 10
2
v3
Consideremos el problema del 2--Centdian con = 0:8 en un arbol con

seis vertices usuarios (ver gura.- El contraejemplo), donde las longitudes de las
aristas se indican debajo de las mismas y todos los pesos son iguales a 1. Sin
dicultad encontramos dos grupos de vertices, el primero de ellos lo forman los
vertices v1; v2; v3 y v4; y el segundo lo forman los vertices v5 y v6: Para este
segundo grupo, la mejor localizacion se halla en el punto x2 = p([v5; v6] ; 5); es
decir, en el punto que dista 5 del vertice v5 en la arista [v5; v6] : Este es el unico
centro local asociado a v5 y v6; fx2g = Bc(5; v5; v6): Los centros locales asociados
al primer grupo de vertices son:
p([v1; v2] ; 3) 2 Bc(3; v1; v2);

p([v1; v2] ; 4) 2 Bc(4; v1; v3) = Bc(4; v1; v4);
p([v2; v3] ; 1) 2 Bc(1; v2; v3)
p([v2; v4] ; 1) 2 Bc(1; v2; v4):
El mejor de estos candidatos es x1 = p([v1; v2] ; 4). Existen otros centros
locales sobre la arista de mayor longitud, pero resulta evidente que estos no
pueden estar en la solucion optima. El valor de la funcion objetivo para X =
fx1; x2g es f(U; X ) = 8:8
"
4 6 #
f(U; X ) = 0:8 d(x2; v6) + 0:2 d(x1; vi)+ d(x2; vi) =

X X
i=1 i=5
= 0:8 5 + 0:2 (4 + 2 + 4 + 4 + 5 + 5) = 8:8

Sin embargo, la solucion optima es X = fx1; x2g; donde x1 = p([v1; v2] ; 5) y
x2 = x2; con un valor de la funcion objetivo para X de f(U; X ) = 8:4
"
4 6 #
(U; X ) = 0:8 d(x; v

1 1) + 0:2 d(x1; vi)+ d(x2; vi)
X X
f =
i=1 i=5
= 0:8 5 + 0:2 (5 + 1 + 3 + 3 + 5 + 5) = 8:4

Notese que x1 no es un centro local.
3.4.1 Analisis de la funcion objetivo.

Adelantamos en este apartado que el conjunto nito dominante D que se propone
para el 2--Centdian es D = V [ LC [ PP [ EP: En este apartado lo que se
pretende es mostrar mediante ejemplos el comportamiento de la funcion objetivo
del 2--Centdian con objeto de justicar este conjunto nito dominante. La
demostracion formal del mismo aparece en la subseccion 3.5.1.
Sea X = fx1; x2g P (G) un conjunto formado por dos puntos del grafo.
Para analizar la forma en que vara la funcion f al desplazar uno o ambos de los
elementos del conjunto X; es conveniente tener en cuenta que vertices se pueden
considerar asignados a cada uno de los elementos de este conjunto.
Sean:
U1 = fv 2 U : d(x1; v) < d(x2; v)g

U2 = fv 2 U : d(x1; v) > d(x2; v)g
U0 = fv 2 U : d(x1; v) = d(x2; v)g
Los vertices de U0 pueden ser asignados tanto a x1 como a x2. Si suponemos
que son asignados a x2; las funciones objetivos del 2-Centro y la 2-Mediana
quedaran como sigue:
fc (U ; (x1; x2)) = maxffc(U1; x1); fc (U2 [ U0; x2)g =

= maxfvmax fw0 d(x1; vi)g; vi2max
i 2U1 i
fw0 d(x2; vi)gg = maxfr1; r2g = r
U2 [U0 i
| {z } | {z }
r1 r2
y
fm(U ; (x1; x2)) = fm(U1; x1)+fm(U2[U0; x2) = wi d(x1; vi)+ wi d(x2; vi)
X X
vi 2U1 vi 2U2 [U0
Sea X = fx1; x2g una solucion de f: Si X no pertenece al conjunto D; se

desplaza X de forma que la nueva solucion X D verique:
f(U ; X ) f(U ; X ):
Supongamos que x1 2= D y consideremos los siguientes casos:. r1 < r2; r1 > r2
y r1 = r2:
Caso 1. Sea r1 < r2 = r.

v1r

4 x1 2 v2 v4

r
v5 5 x2 5

v6

6
2
v3
2 100 10

v1 r

5 x1 1
v2 v4

r
v5 5 x2 5

v6

6 2 100 10
2
v3
Vamos a mostrar con un ejemplo (ver gura.-Caso1) como desplazando el
punto x1 sobre la arista podemos conseguir que la funcion f(U ; X ) disminuye
hasta que x1 alcance un vertice o un r2-extremo. (ver gura.- Caso 1) Como se
observa fx1g 2 Bc(4; v1; v3) y fx2g 2 Bc(5; v5; v6): Puesto que los radios r1 =
4 < r2 = 5, x1 se puede mover hacia v2 hasta que r1 = r2 = 5, lo cual hace que
la funcion Centro no se vea afectada, y siga valiendo maxfr1; r2g = 5; pero, al
mismo tiempo, este movimiento favorece a la funcion Mediana en dos unidades
pues incrementa una unidad respecto a v1 y disminuye una unidad respecto a
cada uno de los vertices v2; v3 y v4. El resultado global de este movimiento hace
disminuir la funcion objetivo en 0:4 unidades, pasando de 8:8 a 8:4. La solucion
optima para = 0:8 consiste en fx1; x2g. El punto x2 es un centro local con
rango 5 y el punto x1 es un r2 -extremo.
Caso 2. Sea r2 < r1 = r.

v1 r

5.5

x1 2.5
v2 v4

r
v5 4
x2 4

v6

8
2
v3
2 100 8

v1 r

5 x1 3 v2 v4

r
v5 4 x2 4

v6

8 2 100 8
2
v3
Vamos a mostrar con otro ejemplo (ver gura.-Caso 2) como desplazando el

punto x1 sobre la arista podemos conseguir que la funcion f(U; X ) no aumente
hasta que x1 alcance un vertice o un centro local. (ver gura-Caso 2-) Se tiene que
fx1g no es un centro local respecto a ningun par de vertices, y fx2g 2 Bc (4; v5; v6).
Dado que los radios r1 = 5:5 > r2 = 4; si se mueve x1 hacia v1 hasta que
x1 2 Bc (5; v1; v3); es decir, hasta que r1 = 5, se consigue que la funcion Centdian
pase de valer 9:4 a valer 9:2. La solucion optima para = 0:8 consiste en fx1; x2g.
El punto x2 es un centro local con rango 4 y el punto x1 es un centro local con
rango 5.
Caso 3. Sea r1 = r2 = r.

v1 r

6
x1 1
v2 v4

r
v5 6 x2 4

v6

7
2
v3
2 100 10

v1r

5 x1 2 v2 v4

r
v5 5 x2 5

v6

7 2 100 10
2
v3
Vamos a mostrar con un tercer ejemplo (ver gura.- Caso3), como partiendo
de dos puntos fx1; x2g donde ninguno es vertice, o centro local, al desplazarlo
simultaneamente sobre sus respectivas aristas podemos conseguir que la funcion
f(U; X ) no aumente hasta que uno de los dos puntos, fx1; x2g sea un centro
local o un vertice, en este ejemplo, es el punto x2 el que alcanza un centro local
respecto a v5 y v6: Como se observa, los respectivos radios pasan de 6 a valer
r1 = r2 = 5; y por tanto la funcion objetivo del 0:8-Centdian pasa de valer 9:4, a
valer 9:0. La unica solucion optima para = 0:8 consiste en fx1; x2g. El punto
x2 es un centro local con rango 5 y el punto x1 es un punto r2-extremo.
3.4.2 Un algoritmo para el 2--Centdian.

La primera consecuencia directa de obtener el conjunto nito dominante para
un problema de optimizacion es que este se puede resolver de forma exacta con una
simple busqueda exahustiva en dicho conjunto. Y, como es logico, la complejidad
de tal busqueda dependera del tama~no del conjunto nito dominante. Sea jV j =
O(n) y jE j = m:
Proposicion 3.4.1 El tama~no del conjunto nito dominante para el problema

del 2--Centdian en un grafo es: jDj = O(m2n3):
Demostracion: Los valores de R son rangos de centros locales, rangos de puntos

pendientes y distancias entre vertices. Para cada arista, hay a lo sumo un centro
local con respecto a cada pareja de vertices, entonces jLC j = O(mn2). Para
cada arista, hay a lo sumo dos puntos pendientes con respecto a cada pareja de
vertices, entonces jPP j = O(mn2). Por tanto el tama~no de R es O(mn2). Para
cada r 2 R, hay a lo sumo dos puntos extremos con rango r en cada arista con
respecto a cada vertice, esto es jEP (r)j = O(mn). Luego de la union de O(mn2)
conjuntos de tama~no O(mn) se obtiene que jDj = O(m2n3). 2
La busqueda exhaustiva de pares de punto de D para encontrar la solucion
optima del 2--Centdian requiere un tiempo O(m4n7); porque se necesita un
tiempo de O(n) para evaluar la funcion objetivo en cada par. Sin embargo la
complejidad de la busqueda puede ser reducida, porque no todos los pares de
punto de D son candidatos para el del analisis de la funcion objetivo, se inere
el siguiente resultado.
Proposicion 3.4.2 Sea (x1; x2) una solucion optima del 2--Centdian en G y
r = fc(U ; X ). Entonces:
1. x1 2 LC (r ) [ PP (r ) [ (V \ EP (r )) y x2 2 V [ EP (r ), o
2. x2 2 LC (r ) [ PP (r ) [ (V \ EP (r )) y x1 2 V [ EP (r ).
Demostracion: Se sigue del analisis de la funcion objetivo del 2--Centdian. 2

Como lectura de este resultado se tiene que uno de los puntos de servicios
de la solucion optima (el que tiene mayor radio), tiene que ser un vertice, un
centro local, o un punto pendiente. Este punto ja la distancia maxima a un
vertice usuario, es decir, ja el r: El otro punto servicio es un vertice o un punto
extremo con rango r.
En este resultado se sustenta el algoritmo 2-CD-G que resuelve el problema
del 2--Centdian en un grafo. (ver gura.- Algoritmo 2-CD-G)
Proposicion 3.4.3 El algoritmo 2-CD-G tiene complejidad O(m2n4).

3.5. El p--Centdian. 83
Algoritmo.- 2-CD-G.
Paso 0. Sea f = 1.
Paso 1. Calcular el conjunto P1 de pares (x; r); donde x 2 LC (r)[PP (r). Calcular
el conjunto P2 de pares (vi ; r); donde vi 2 V y r = wj0 d(vi ; vj ) para algun
vj 2 U . Sea L1 la lista de los pares de P1 [ P2 .
Paso 2. Tomar un par (x1; r1) de la lista L1; y calcular el conjunto EP (r1). Sea
L2 la lista de los puntos de EP (r1) [ V .
Paso 3. Tomar un punto x2 de la lista L2; y calcular f = f(U ; x1; x2). Si f < f
hacer f = f , x1 = x1 y x2 = x2 , y eliminar el punto x2 de la lista L2.
Paso 4. Si L2 no esta vaco, ir al paso 3.
Paso 5. Eliminar (x1; r1) de la lista L1. Si la lista L1 no esta vaca, ir al paso 2.
En otro caso, parar.
Figura 3.1: Algoritmo 2-CD-G
Demostracion: En primer lugar se necesitan las distancias entre vertices. Cal-

cular esto requiere un tiempo del orden O(mn log n), usando, por ejemplo el
algoritmo de Dijkstra. Los conjuntos P1 y P2 son de tama~no O(mn2) y O(n2)
respectivamente y pueden ser calculados con la misma complejidad. Para cada r,
el conjunto EP (r) es calculado en un tiempo de orden O(mn) comprobando cada
vertice usuario y cada arista. Por lo tanto, el numero de pares de puntos testea-
dos en el paso 3 es del orden O(m2n3). Como la funcion objetivo es evaluada en
un tiempo O(n), la complejidad total es del orden O(m2n4). 2
3.5 El p--Centdian.
El objetivo del p--Centdian es encontrar p puntos X = (x1; x2; :::; xp) 2
P (G)p tal que:
f(U ; (x1; x2; :::; xp)) =X 2min ff (U ; X )g:

P (G)p
De forma natural en este apartado se establecen los resultados apuntados para

el 2--Centdian.
3.5.1 El conjunto nito dominante.
Utilizando las deniciones de los conjuntos LC , PP y EP dados en el apartado
puntos especiales, y teniendo en cuenta los resultados del apartado el 2--Centdian,
se enuncia el siguiente teorema.
Teorema 3.5.1 Teorema p-CD-G

El conjunto D = V [ LC [ PP [ EP consistente en los vertices, los cen-
tros locales, los puntos pendientes y los puntos extremos canonicos asociados a
los vertices usuarios es un conjunto nito dominante para el problema del p--
Centdian en un grafo.
Demostracion: Sea X 2 P (G)p; una solucion candidata al problema del p--

Centdian, es decir, una seleccion de p puntos servicios X = (x1; x2; :::; xp) con
xk 2 P (G), k = 1; :::; p. Cualquier vertice usuario vi 2 U es asignado a la
componente mas cercana de X 2 P (G)p : El resultado de esta asignacion es una
serie de conjuntos U (X ) = (U1(X ); U2(X ); :::; Up(X )) denidos como sigue:
Uk (X ) = fvi 2 U : wi0 d(xk ; vi) = min w0 d(x; vi)g:
x2X i
Estos conjuntos constituyen una particion del conjunto de vertices usuarios U
si y solo si no existen empates; en cualquier otro caso, una particion optima se
establecera deshaciendo arbitrariamente dichos empates, obviamente la particion
no sera unica. La asignacion dada por: U (X ) = (U1(X ); U2(X ) ; :::; Up(X )) es
una particion optima para X 2 P (G)p si esta es una particion del conjunto de
vertices usuarios que verica:
vi 2 Uk(X ) ) wi0 d(xk ; vi) = min w0 d(x; vi):
x2X i
Dada una particion optima del conjunto de vertices usuarios U , las funciones
objetivos del p-Centro y de la p-Mediana pueden ser calculadas como se muestra
a continuacion:
fc (U ; X ) = k=1
max f (U (X ); xk ):
;:::;p c k
p
fm(Uk(X ); xk ):
X
fm(U ; X ) =
k=1
Dada una solucion candidata X y su correspondiente particion optima U (X ),

se tiene que asociado con cada xk existe un radio rk (X ) que representa la mayor
distancia en la que se puede encontrar un vertice de Uk(X ) al punto xk .
rk (X ) = v 2max w0 d(xk ; vi):
U (X ) i
i k
Entonces:
fc (U ; X ) = k=1
max r (X ) = r(X );
;:::;p k
y
f(U ; X ) = k=1
max r (X ) + (1 , ) fm(U ; X ) = r(X ) + (1 , ) fm(U ; X ):
;:::;p k
Supongamos que xk 2= D para algun k 2 f1; :::; pg. Se probara que el conjunto
X puede ser modicado sin incrementar la funcion f(U ; X ) hasta que xk 2 D
para todo k. En la demostracion se consideraran dos casos: caso 1.) rk (X ) <
r(X ) y caso 2.) rk (X ) = r(X ):
Pasamos a ver detalladamente cada uno de estos casos.
Caso 1.) Sea rk (X ) < r(X ).
Como xk 2= D, este debe ser un punto interior en la arista [i; j ]. Se pro-
bara como se puede mover este punto xk en su arista sin incrementar la funcion
f(U ; X ) hasta que un vertice sea alcanzado o rk (X ) sea igual a r(X ). Para ello
se necesita analizar la pendiente de f(U ; X ) en terminos de la distancia desde
xk al extremo i:
Para cualquier punto x 2 [i; j ], el conjunto de vertices usuarios que son
optimamente cubiertos por x a traves de i se representa por U i (x); es decir,
U i(x) = fvi 2 U : wi0 d(x; vi) = wi0 (l(x; i) + d(i; vi)) wi0 (l(x; j ) + d(j; vi ))g:
Analogamente, a traves de j ,
U j (x) = fvi 2 U : wi0 d(x; vi) = wi0 (l(x; j ) + d(j; vi)) wi0 (l(x; i) + d(i; vi))g:
Sea Uk= (X ) el conjunto de vertices usuarios que pueden ser asignados a xk y

tambien a otro xm, para algun m 6= k; es decir,
Uk= (X ) = fvi 2 U : wi0 d(xk ; vi) = min w0 d(x; vi) =
x2X i
= wi0 d(xm; vi); para algun m 6= kg:
El siguiente conjunto esta formado por los vertices asignados a xk y que no son
asignables a otro servicio:
Uk< (X ) = Uk (X ) , Uk= (X ) =
= fvi 2 U : wi0 d(xk ; vi) =min w0 d(x; vi) < wi0 d(xm; vi); 8m 6= kg:
x2X i
Los vertices de Uk= (X ) son asignables a xk y a otro servicio de X , pero si xk se
mueve una peque~na cantidad hacia j o hacia i; encontramos que algunos de estos
vertices pueden permanecer asignados a xk y mientras que otros pueden cambiar
de asignacion, e incluso vertices que estaban en equilibrio con respecto a mas de
un servicio pueden dejar de estarlo. El nuevo punto xk () denota a xk cuando
este se ha movido una peque~na cantidad hacia j ; es decir, si xk = p([i; j ]; t)
entonces xk () = p([i; j ]; t + ). Luego, aquellos vertices usuarios de
Uk= (X ) \ U j (xk )
son asignados solo a xk () y aquellos de
Uk= (X ) , U j (xk )
no son asignados a xk ().
Si X () denota la nueva solucion (x1; x2; :::; xk(); :::; xp); entonces una nueva
particion optima para X () es dada por:
Um (X ()) = Um (X ) , [Uk=(X ) \ U j (xk )]; 8m 6= k;

y
Uk(X ()) = Uk(X ) , [Uk=(X ) , U j (xk )]:
La pendiente de fm (U ; X ()), como una funcion de , depende de los vertices
usuarios asignados a xk (aquellos de Uk (X ()) = Uk< (X ) [ Uk=(X )) optimamente
cubiertos a traves de j . El valor de esta pendiente es:
Dmj () = w(Uk< (X ) , U j (xk )) , w([Uk<(X ) [ Uk= (X )] \ U j (xk )):
Donde w(W ) = P
wi; 8W U .
vi 2W
Si el movimiento es hacia el vertice i; el nuevo punto de servicio es xk (,) =
p(e; t , ) y, analogamente, X (,) indicara la solucion (x1; x2; :::; xk(,); :::; xp).
La pendiente de fm(U ; X (,)), se puede expresar como una funcion de , como
se muestra a continuacion:
Dmi () = w(Uk< (X ) , U i (xk )) , w([Uk<(X ) [ Uk= (X )] \ U i(xk )):
Dado que la suma de las pendientes es:
Dmi () + Dmj () = ,2w([Uk< (X ) [ Uk=(X )] \ U i(xk ) \ U j (xk )) 0:
se deduce que una de los dos pendientes es no positiva. Se asume (el otro caso es
similar) que Dmj () 0.
La pendiente Dmj () podra cambiar de no positiva a positiva si y solo si ocurre
uno de los siguientes casos:
a) el conjunto Uk< (X ) , U j (xk ) gana un vertice, o
b) el conjunto [Uk< (X ) [ Uk= (X )] \ U j (xk ) pierde un vertice.
A continuacion se analiza cada uno de ellos.
a) Uk< (X ) , U j (xk ) gana un vertice. Las unicas posibilidades para que esto
ocurra son:
a1) Un vertice deja U j (xk ()), pero esto no es posible porque el movimiento
de xk se esta produciendo hacia j .
a2) Un vertice que no pertenece a U j (xk ()) se le asigna a Uk< (X ), pero
esto tampoco es posible, pues para este vertice, la distancia a xk ()
aumenta mientras que la distancia a xm, para m 6= k, permanece
inalterable.
b) [Uk<(X ) [ Uk= (X )] \ U j (xk ) pierde un vertice. Esto es imposible porque la
distancia desde xk () a los vertices de U j (xk ) decrece, dado que xk () se
esta acercando a j , por lo tanto, ningun vertice de U j (xk ) puede salir de
Uk< (X ) [ Uk= (X ).
Mientras rk (X ()) r(X ()) = r(X ) la pendiente de fc es cero. Como

consecuencia de ello, la pendiente de f es:
Dj () = (1 , ) Dmj (), si el movimiento es hacia j , y
Di () = (1 , ) Dmi (), si el movimiento es hacia i.
La suma de estas dos pendientes es:
Dj () + Di () =(1 , )(Dmi () + Dmj ()) 0:
| {z } | {z }
0 0
Por ello, en cualquier caso, una de las pendientes es no positiva. Esto signica que
siempre se puede mover xk en la direccion en la que la pendiente es no positiva
y, por consiguiente, en la direccion donde f no aumenta. Este movimiento se
puede realizar hasta que xk alcance un vertice o hasta que su correspondiente
radio rk sea igual a r. Si esto ultimo ocurre, estaramos en el caso 2.
Caso 2. Sea rk (X ) = r(X ):
Se distinguen dos subcasos:
2a) rm (X ) < rk (X ), para todo m 6= k; es decir, r(X ) =i2fmax r (X ) es igual
1;::;pg i
solo a rk (X ); y
2b) rm(X ) = rk (X ), para algunos m 6= k; es decir, r(X ) =i2fmax r (X ) es
1;::;pg i
igual a varios ri(X ), i 2 f1; ::; pg.
Caso 2a) rm(X ) < rk (X ) = r(X ), para todo m 6= k.
Como en el caso 1, se analiza la pendiente de la funcion f cuando se mueve
xk 2 [i; j ] una cantidad hacia j; o hacia i. Sea xk () que denota xk cuando este
ha sido movido una cantidad hacia j; y xk (,) que representa a xk cuando este
ha sido movido una cantidad hacia i.
Sea U = fvi 2 Uk(X ) : wi0 d(xk ; vi) = r(X )g. Como xk 2= D, no es un centro
local, entonces solo los dos casos siguientes son posibles:
a) U U j (xk ) y U \ U i (xk ) = ; , entonces:
r(X ()) = rk (X ()) = rk (X ) , wi0 :
b) U U i(xk ) y U \ U j (xk ) = ;, entonces:

r(X ()) = rk (X ()) = rk (X ) + wi0 :
Por lo tanto la pendiente de fc (U; X ()) puede ser wi0 o ,wi0, (y la de fc(U; X (,))
es ,wi0 o wi0 respectivamente) y la pendiente de f se puede expresar de una de
las formas siguientes:
a) D() = Dj () = , wi0 + (1 , ) Dmj () y
D(,) = Di () = + wi0 + (1 , ) Dmi ().
b) D () = Dj () = + wi0 + (1 , ) Dmj () y
D(,) = Di () = , wi0 + (1 , ) Dmi ().
En ambos casos, como se puede deducir del analisis del caso 1, la suma de las
pendientes tanto cuando xk se mueve hacia j; como cuando se mueve hacia i es:
Di () + Dj () =(1 , )(Dmi () + Dmj ()) 0:
| {z } | {z }
0 0
Moviendo xk en una de estas direcciones (hacia i o hacia j ) la funcion f no

aumenta hasta que se presenta una de las dos situaciones siguientes:
i) que xk () alcance un extremo de la arista (i o j ), un centro local, o un
punto pendiente con respecto a dos vertices usuarios de U , donde la pendiente
de fc(Uk (X ()); xk ()) pueda ser wi0 en ambas direcciones, o
ii) que rk (X ()) tome el mismo valor que algun rm, con m 6= k. Si esto ultimo
ocurre, estaramos en el caso 2b).
Caso 2b) rm(X ) = rk (X ) = r (X ), para algunos m 6= k.
Sea K el conjunto de ndices donde r(X ) es alcanzado, es decir, k 2 K si
y solo si, rk (X ) = r(X ). Si para algun k 2 K , xk 2 LC (r) [ PP (r ) [ V .
Entonces r 2 R y xk 2 EP (r) 8k 2 K; es decir, todos son extremos canonicos.
Por tanto xk 2= LC (r) [ PP (r ) [ V; 8k 2 K .
Para cada k 2 K , xk es un punto interior de una arista, y xk 2= LC (r) [
PP (r). Debido al analisis del caso 2a), si se denota la arista que contiene a xk
por [ik ; jk ], y por wk0 el peso del vertice de Uk (x) mas alejado de xk , y en el caso
de que este no sea unico, se elige el de mayor peso, se tiene que la pendiente de
fc(Uk (X ); xk ) es wk0 cuando el movimiento de xk es hacia jk ; y es ,wk0 , cuando el
movimiento de xk es hacia ik (puede ser necesario el intercambio de los nombres
ik y jk para algun vi 2 U ). En este ultimo caso wk0 es el peso del vertice de Uk (x)
mas alejado de xk , y en el caso de que este no sea unico, se elige el de menor
peso. Se moveran al mismo tiempo todos los puntos xk , k 2 K , una cantidad
=wk0 en su arista en la direccion en la que simultaneamente cada rk aumente o
disminuya. Adviertase que el peso wm0 de xm con m 6= k ha de coincidir con el
de wk , pues en caso contrario xm sera un punto pendiente.
La pendiente de la funcion objetivo f puede ser tal y como se muestra en los
dos casos siguientes:
a) Si todos los xk , para k 2 K , son movidos una cantidad =wk hacia jk :
D() = + + (1 , ) 1=wk0 Dkjk ()

X
k 2K
b) Si todos los xk , para k 2 K , son movidos una cantidad =wk0 hacia ik :
D(,) = , + (1 , ) 1=wk0 Dkik ():

X
k2K
Se concluye que una de estas dos pendiente debe ser no positiva, porque la
suma de ellas es:
(1 , ) 1=wk0 [Dkik () + Dkjk ()] 0:
X
k2K | {z
0
}
Por lo tanto, moviendo al mismo tiempo todos los xk , k 2 K , en sus corre-

spondientes direcciones (hacia ik o hacia jk ) la funcion f no aumenta hasta:
i) que algun xk alcance un extremo de su arista (ik o jk ) o
ii) que algun xk alcance un punto pendiente o un centro local con respecto
a dos vertices de U con rango rk (X ()) = r(X ()) donde la pendiente de
fc(Uk (X ()); xk ()) es 1 en ambas direcciones, o
iii) que rk (X ()) disminuya hasta alcanzar el mismo valor que algun nuevo
rm, con m 2= K .
En este ultimo caso un nuevo ndice se a~nade a K y el procedimiento es
iterado. Esto completa la demostracion. 2
3.5.2 Un Algoritmo para el p--Centdian.

El conjunto nito dominante D proporciona un procedimiento rudimentario
para resolver el problema: una busqueda exhaustiva en el conjunto de todas las
combinaciones de p puntos de D. La complejidad de este algoritmo depende del
tama~no de D. Tal como se demostro anteriormente el conjunto nito dominante
D para el problema del p--Centdian en un grafo G tiene tama~no O(n3 m2), donde
n es el cardinal de V y m el numero de aristas.
Un algoritmo exacto para resolver el problema del p--Centdian, basado en la
busqueda exhaustiva en el conjunto Dp ; tiene complejidad O(n3p+1m2p) porque
jDp j = O(n3pm2p) y la funcion objetivo es evaluada en tiempo O(n).
El siguiente resultado permite reducir la complejidad de la busqueda en el
conjunto de candidatos.
Proposicion 3.5.1 Existe una solucion optima X para el problema del p--
Centdian tal que, si r = fc (U ; X ) es el maximo radio de la solucion, entonces
cada x 2 X es un centro local, un punto pendiente, un vertice, o un punto
extremo con rango r . Esto es, X V [ LC [ PP [ EP (r ).
Demostracion: Se sigue de la demostracion del teorema p-CD-G. 2

Para cada r 2 R, jD(r)j = jV [ LC [ PP [ EP (r)j = O(n2m), por la
proposicion 3.3.1, se puede reducir la busqueda de la solucion optima al conjunto
de combinaciones de p puntos de D(r), para cada r 2 R. Estas jRj busquedas
de combinaciones de p puntos implica comprobar O(n2p+2 mp+1) soluciones candi-
datas. Ademas la funcion objetivo es evaluada en un tiempo O(n), esto conlleva
que la complejidad total del procedimiento sea O(n2p+3mp+1).
La complejidad de la busqueda puede reducirse aun mas, si se observa que
uno de los puntos de X tiene que ser un centro local, un punto pendiente o un
vertice que determine el valor de r , y los otros p , 1 puntos de X tienen que
ser vertices o puntos extremos con rango r.
Proposicion 3.5.2 Sea X una solucion optima para el problema del p--Centdian
y r = fc (U ; X ) el maximo radio de la solucion. Entonces, existe un punto
x 2 X tal que x 2 LC (r), x 2 PP (r) o x 2 V con wi0 d(x; vi) = r para
algun vertice vi 2 U ; ademas los otros p , 1 puntos de servicios de X son vertices
o puntos extremos con rango r .
Demostracion: Se sigue de la demostracion del teorema p-CD-G. 2
Proposicion 3.5.3 La complejidad del algoritmo p-CD-G es de O(np+2 mp)
Demostracion:
Considerese DR como el conjunto de pares (punto, rango) dado por:
DR = f(x; r) : x 2 LC (r)[PP (r)g[f(vi; r) : vi 2 V; r = wj0 d(vi; vj ); para vj 2 U g:
Para cada (x; r) 2 DR solo se necesita buscar aquellas soluciones que con-
tengan a x y p , 1 puntos de V [ EP (r) [ PP (r). Luego jDRj = O(n2m) pues
jLC j = O(n2m), jPP j = O(n2m) y jV j = O(n). Ademas jEP (r)j = O(nm) para
cada r 0. Por lo tanto, hay que realizar O(n2m) busquedas en (V [ EP (r))p,1:
Ademas evaluar cada candidato requiere un tiempo O(n). Por lo tanto, la com-
plejidad del algoritmo exacto es: O(n2m (nm)p,1 n) = O(np+2 mp). 2
El siquiente resultado nos permite mejorar un algoritmo para el problema del
p--Centdian
Proposicion 3.5.4 Sea r = r(U ; X ), rc = r(Xc ) y rm = r(Xm ) los radios
respectivos de una solucion optima para los problemas p--Centdian, del p-Centro,
y de la p-Mediana respectivamente. Entonces rc r rm .
Demostracion: Se sigue de la demostracion del teorema p-CD-G 2
(ver gura.- Algoritmo p-CD-G).
Algoritmo.- p-CD-G
Paso 1. Obtener la lista L de pares (x; r); consistente en centros locales y puntos
pendientes x y sus respectivos radios r. A~nadir a L todos los pares (vi ; r);
donde vi es un vertice y r = wj0 d(vi; vj ) para algun vj 2 U .
Paso 2. Calcular el p-Centro Xc y la p-Mediana Xm. Sea rc = r(Xc) y rm =
r(Xm) sus correspondientes radios maximos.
Paso 3. Para cada (x; r) 2 L; con rc r rm hacer lo siquiente:
i) obtener el conjunto EP (r) de puntos extremos con rango r, y
ii) para cada seleccion Y de p , 1 puntos de U \ EP (r);calcular f (U ; fxg\ Y ).
Paso 4. Mantener el mejor conjunto de p puntos de los evaluados en el Paso 3.
Figura 3.2: Algoritmo p-CD-G
3.6 Conclusiones.
El hecho de introducir pesos a la funcion Centro en el modelo propuesto por
Halpern, pesos que no necesariamente tienen que ser iguales a los existentes para
la funcion Mediana, hace que se pierda simplicidad y se gane generalidad.
Ademas de generalizar el modelo, se ha estudiado por primera vez el caso
multiple, en el que el objetivo es encontrar p nuevos servicios que minimicen la
funcion -Centdian.
Un contraejemplo sobre el conjunto nito dominante existente en la literatura,
demuestra por un lado que el estudio del modelo multiple no es facil, y por el
otro, el interes que este modelo suscita.
El estudio de la funcion objetivo Centdian multiple, nos lleva a presentar,
un conjunto nito verdaderamente dominante para el p--Centdian en un
grafo, y como consecuencia del mismo un algoritmo exacto.
Captulo 4
EL PROBLEMA DEL
CENTDIAN EN EL A RBOL.
4.1 Introduccion.
En este captulo se resuelve el problema Centdian en un grafo, pero a diferencia
del captulo 3, en este se estudia el problema en un grafo especial conocido en
la literatura como arbol, y del cual ya se ha hablado anteriormente. Dada la
importancia que tienen estos tipos de grafos especiales, se ha dedicado un capitulo
al estudio del problema Centdian en el mismo. Proponiendo el primer algoritmo
polinomial para el problema p-Centdian (generalizado o no) en arboles. Este es
fruto del trabajo en colaboracion con A.Tamir. Para el caso generalizado, es decir,
cuando la funcion Centro se considera con pesos, la complejidad de este algoritmo
es de O(pn6 ), para p 6, y O(np ), para p < 6. Para el caso no generalizado, es
decir, para el modelo con la funcion Centro sin pesos, la complejidad disminuye
a O(pn5 ); para p 5, y O(np), para p < 5:
Tambien se considera la version discreta del modelo, donde los p puntos deben
seleccionarse entre los vertices, en este caso la complejidad se reduce a O(pn4),
para p 4, y O(np ), para p < 4.
4.2 Formulacion del problema.

Sea T = (V; E ) un arbol, donde U V = fv1; :::; vng representa el conjunto
de vertices clientes y E el conjunto de aristas. Cada arista tiene asignada una
longitud positiva. Un punto interior de una arista se representa por su distancia
93
94
Captulo 4. EL PROBLEMA DEL CENTDIAN EN EL ARBOL.
a los extremos de dicha arista. Por P (T ) se denota el conjunto continuo de
puntos de T . Las longitudes de las aristas inducen una funcion de distancia
en P (T ): para cada par de puntos x; y en P (T ), tenemos que d(x; y) designa
la longitud de P (x; y), el unico camino que conecta x con y. Tambien, para
cualquier subconjunto Y P (T ), y x 2 P (T ) se dene:
d(x; Y ) = d(Y; x) = minfd(x; y)jy 2 Y g:

Entonces P (T ) es un espacio metrico con respecto a la funcion de distancia
mencionada.
Una vez mas se van a considerar los principales problemas estudiados en teora
de localizacion, el p-Centro y la p-Mediana, restringiendolos a un arbol y usando
la notacion anterior.
El problema del p-Centro (w0-pesado) consiste en seleccionar un subconjunto
de p puntos X P (T ), que minimicen la funcion objetivo fc(U; X ), donde:
fc(U; X ) =max
vi 2U
f wi0 d(X; vi )g:
Recordemos que dado e = [vi; vj ] 2 E; Qe representa el conjunto de puntos
mnimos locales de fc (U; x) sobre e ademas de vi y vj :
Recuerdese tambien los siguientes conjuntos de puntos especiales:
i) El conjunto de todos los centros locales de rango r 0 viene determinado
por:
LC (r) =vk ;v[l2U Bc(r; vk ; vl)
donde un punto x 2 Bc(r; vk ; vl), si x es un punto interior de un arista [i; j ]

tal que :
1. r = wk0 d(x; vk ) = wk0 (l(x; i) + d(i; vk )) < wk0 (l(x; j ) + d(j; vk )) y

2. r = wl0 d(x; vl) = wl0 (l(x; j ) + d(j; vl)) < wl0 (l(x; i) + d(i; vl)):
ii) El conjunto de todos los puntos pendiente con rango r 0 viene determi-
nado por:
PP (r) =v ;v[2U Bp(r; vk ; vl)
k l
donde un punto x 2 Bp(r; vk ; vl), si x es un punto interior de una arista [i; j ]
tal que :
1. wk0 (l(x; i) + d(i; vk )) = wl0 (l(x; i) + d(i; vl)) con wk0 6= wl0 y / o
2. wk0 (l(x; j ) + d(j; vk )) = wl0 (l(x; j ) + d(j; vl)) con wk0 6= wl0.
Ademas,
LC =r[2R LC (r)
PP =r[2R PP (r)
siendo R como sigue:
R = fr : LC (r) 6= ;g [ fr : PP (r) 6= ;g [ fr : r = wi0 d(vi; vj ); vi 2 U; vj 2 V g:
El problema de la p-Mediana (w-pesada) consiste en seleccionar un subcon-

junto de p puntos X P (T ), que minimicen la funcion objetivo fm(U; X ), donde:
X
fm(U; X ) = wi d(X; vi ):
vi 2U
Teniendo en cuenta las ventajas y los inconvenientes de cada uno de estos

modelos, Halpern [65, 66, 67] sugirio considerar una combinacion convexa de la
funcion Centro y la funcion Mediana, a la que denomino funcion Centdian. Esta
funcion usada por Halpern tiene una peculiaridad, y es que la funcion Centro se
considera sin pesos (wi0 = 1; i = 1; :::; n) y la funcion Mediana se considera con
pesos.
En este captulo se considera la funcion Centdian como una combinacion
convexa de las funciones Centro y Medianas ambas ponderadas generalizando as
el modelo de Halpern. Por simplicidad este nuevo problema se seguira llamando
Centdian.
Dado un numero p de servicios a ser localizados y un valor ; 0 1;
el problema p--Centdian consiste en encontrar p puntos servicios X en G que
minimize la funcion objetivo:
f(U ; X ) = fc (U; X ) + (1 , ) fm (U; X ):

Siguiendo la lnea del captulo anterior, a lo largo de este captulo a no ser
que se especique lo contrario se tratara siempre la funcion Centro con pesos
96
(generalizado), estos pesos de la funcion Centro no tiene porque coincidir con los
de la funcion Mediana.
Existen algoritmos ecientes para resolver los problemas del p-Centro y de la
p-Mediana en arboles. El algoritmo mas eciente conocido para el problema del
p-Centro pesado es de complejidad O(n log2 n log log n) y es debido a Megiddo
y Tamir [118]. Este algoritmo puede ser mejorado a O(n log2n) si se aplica la
modicacion de Cole [17]. Para el caso no pesado, es decir, cuando wi0 = 1; i =
1; :::; n; Frederickson [47] desarrollo un algoritmo optimo de complejidad O(n).
El algoritmo mas eciente conocido para la p-Mediana pesada es el algoritmo
de Tamir [163] el cual tiene complejidad O(pn2 ): No existe en la literatura un
algoritmo de tiempo polinomial para el problema del p-Centdian (generalizado o
no) en un arbol, para un p general. Algoritmos ecientes para el caso p = 1 (no
generalizado) se encuentran en Halpern [65] y Handler [72].
4.3 El 1--Centdian.
Es bien conocido que la 1-Mediana de un grafo tiene la propiedad de ser
localizada en al menos un vertice del grafo. El 1-Centro sin embargo, tiene
que estar localizado en un vertice o en un centro local, y por tanto puede estar
localizado a lo largo de la arista de un grafo. El Centdian posee una propiedad
similar a la del Centro, esta queda recogida en el teorema 4.3.2.
Recordemos que el objetivo del 1--Centdian reside en encontrar un punto
x 2 P (T ) tal que:

f(x) =x2min
P (T )
f fc (U; x) + (1 , ) fm (U; x)g:
4.3.1 Propiedades del 1--Centdian.

Tomando como base los resultados de mayor relevancia para el problema del
1--Centdian (con wi0 = 1; 8v1 2 U ), a continuacion se presentan su reformulacion
para la extension aqu propuesta.
Proposicion 4.3.1 Para cualesquiera dos puntos x; y 2 T , y para 2 [0; 1]

dado, la funcion f es, a lo largo del camino P (x; y ), continua, convexa y lineal
a trozos, cuyos puntos de ruptura pertenecen a V [ LC [ PP .
Demostracion: La funcion Centro es continua, convexa y lineal a trozos, y con
puntos de ruptura en V [ LC [ PP y la funcion Mediana es continua, convexa y
lineal a trozos, y con puntos de ruptura en V; esto implica que la suma de ambas
funciones verique el enunciado de la proposicion 4.3.1. 2
De la proposicion anterior se tiene que, un mnimo local es un mnimo global.
Halpern [65] ano aun mas este resultado, y lo aplico de forma concreta al camino
que une el centro absoluto del arbol, xc, y la mediana mas cercana a el, xm.
Proposicion 4.3.2 Dado un 2 [0; 1] la funcion

f(U; x) = fc (U; x) + (1 , )fm (U; x), con x 2 P (xm; xc), es continua, convexa
y lineal a trozos, con puntos de ruptura en los vertices, centros locales y puntos
pendientes de P (xm; xc ).
Demostracion: Es consecuencia de la proposicion 4.3.1. 2

Sea EFT el conjunto de todos los puntos ecientes del problema de minimizar
ffc; fmg en el arbol T .
Teorema 4.3.1 Sea xc el centro del arbol T , xm la mediana mas cercana a xc,
y -CD el conjunto de todos los -Centdian para un 2 [0; 1]. Entonces:
EFT = P (xm; xc) = [f , CD : 2 [0; 1]
Demostracion: Dado un 2 [0; 1] la funcion

f(U; x) = fc (U; x) + (1 , )fm (U; x), con x 2 P (xm; xc), es continua, convexa
y lineal a trozos. Ademas, por la proposicion 4.3.2, se sabe que los puntos de
ruptura son los vertices, los centros locales y los puntos pendientes de P (xm ; xc).
2
Teorema 4.3.2 Dado 2 [0; 1] un 1--Centdian esta localizado en uno de los
vertices, en un LC o en un PP del camino P (xm; xc ).
Demostracion: Es consecuencia de las proposiciones 4.3.1 y 4.3.2. 2

Vamos a ver a continuacion una proposicion que generaliza el resultado de
Halpern (1976) [65], proporcionandonos una regla sencilla para localizar el 1--
Centdian, pero antes necesitamos alguna notacion:
Sea fv0; v1; :::; vkg el conjunto de vertices del camino P (xm ; xc), con xm = v0
y xc 2 [vk; vk+1] y quizas xc = vk+1. Con Uj nos referimos al conjunto de vertices
98
usuarios que permanecen conectados a vj si eliminamos del arbol las aristas [vj,1;
vj ] y [vj ; vj+1]. As mismo, U0 (Uk+1) representa el subconjunto de vertices que
permanecen conectados a v0 (vk+1) si eliminamos la arista [v0; v1] ([vk ; vk+1]).
Denimos: w(Uj ) = P
wj .
vj 2Uj
Proposicion 4.3.3 La pendiente de fm (U; x) en [vt; vt+1] para cada t = 0; :::; k

es Dm (t) donde:
t kX
+1
Dm (t) = w(Uj ) , w(Uj ) = w(Tt) , w(Tt0+1); t = 0; :::; k;
X
j =0 j =t+1
t kS
+1
siendo Tt el subarbol generado por S
Uj y Tt0+1 el generado por Uj .
j =0 j =t+1
Demostracion: Se tiene que la funcion Mediana:

wi[d(vi; vt)+ s] , wi[d(vi; vt+1)+ l(vt; vt+1) , s]:
X X
fm(U; x([vt; vt+1]; s)) =
vi 2Tt vi 2Tt0+1
2
Por otra parte, existen qi 2 Qe \ P (xm ; xc); i = 1; :::; s puntos de ruptura
de la funcion fc en el camino P (xm ; xc):
Proposicion 4.3.4 La pendiente Dc (qi) de fc(U; X ) en [qi; qi+1] es el mayor de

los pesos de los vertice vj 2 U donde se alcanza el maximo:
maxfwj0 d(qi+1; vj ) : vj 2 U g:
Demostracion: Se tiene que la funcion Centro:

fc (U; x([qi; qi+1]; s)) = wj [d(qi+1; vj ) + l(qi; qi+1) , s]
donde
j = argmaxfwj0 : wj0 d(qi+1 ; vj ) = fc(qi+1)g:
2
Proposicion 4.3.5 La pendiente de la funcion f en cada [qi; qi+1] es:

D(qi) = Dc (qi) + (1 , )Dm (qi)); i = 1; :::; r
Demostracion: Se tiene de las dos proposiciones anteriores. 2
La siguiente proposicion se basa en el hecho de que, al ser f una funcion
convexa, un mnimo local es tambien un mnimo global. Por lo tanto, podemos
hallar una solucion optima buscando una direccion en la que f sea decreciente.
Antes de pasar al siguiente resultado, se requiere aclarar la notacion.
Si algun qi; con i = 1; :::; s; no es un vertice, entonces qi 2 [vt; vt+1]; para
algun t = 0; :::; k; y Dm (qi) = Dm (t):
Proposicion 4.3.6 Sea 2 [0; 1].

(i) Si D(vt) 0 < D(vt+1). Entonces los -Centdianes estan en la arista
[vt; vt+1].
(ii) Si D(qi) < 0 < D(qi+1). Entonces el unico -Centdian es el punto qi.
(iii) Si D(qi) = 0. Entonces todos los puntos de la subarista [qi; qi+1] son
-Centdianes.
Demostracion: La proposicion se sigue del desarrollo de la funcion f(x) con

x 2 P (xm; xc ); como se arma en la proposicion 4.3.2, y del hecho de que la
pendiente de la funcion f(x) a lo largo del camino P (xm ; xc ) sea:
D(qi) = Dc (qi) + (1 , )Dm (qi); 8x 2 [qi; qi+1] [vt; vt+1]:
2
Con este resultado es sencillo determinar la localizacion de los 1--Centdian
como una funcion de y de wj:
Esta proposicion nos permite dar un algoritmo para localizar los 1--Centdian
de un arbol para un dado que denominamos Algoritmo de Halpern generalizado,
(ver gura.-Algoritmo de Halpern generalizado) y esta basado en el algoritmo de
Halpern (1976) [65].
100
Algoritmo de Halpern generalizado.
Paso 1. Usar el algoritmo el algoritmo de Megiddo [112], para hallar el Centro
pesado xc de T .
Paso 2. Usar el algoritmo de Goldman [58] para hallar las Medianas de T .
Sea xm la mediana mas cercana a xc .
Paso 3. Calcular los puntos de ruptura qi ; i = 1::r de la funcion fc en el
camino P (xm ; xc ).
Paso 4. Realizar una busqueda dicotomica en dichos puntos de ruptura a lo
largo del camino P (xm ; xc ); hasta encontrar el punto donde la pendiente
de la funcion f cambie de signo. Dicho punto representa el 1--Centdian
del arbol T:
Figura 17. Algoritmo de Halpern generalizado
El Algoritmo de Halpern consista en hallar el Centro no pesado xc de T ,

usando el algoritmo de Handler [68]. Si xc es un vertice hacer w(xc ) = w(xc) +
=(1 , ). En otro caso, a~nadir xc al conjunto de vertices de T (reemplazando
la arista [vk; vk+1] que contiene a xc por dos nuevas aristas [vk; xc] y [xc; vk+1])
y asignarle el peso w(xc) = =(1 , ); obtenemos as un nuevo arbol T 0). Final-
mente, aplicar el algoritmo de Goldman [58] para hallar las Medianas de T 0. El
conjunto de puntos -Centdian de T coincide con el conjunto de Medianas de T 0:
Proposicion 4.3.7 La complejidad del algoritmo de Halpern generalizado es de

O(n log n).
Demostracion: Por ser los puntos de ruptura de la funcion centro, centros

locales y puntos pendientes se tiene que r = O(n2 ). Por tanto la busqueda
dicotomica realiza O(log n) calculos de las pendientes Dm y Dc . Dado que estas
se calculan en tiempo O(n), la complejidad del algoritmo de Halpern generalizado
es O(n log n). 2
Recuerdese que el algoritmo de Halpern es de complejidad O(n): En la si-
guiente seccion, se va a extender un algoritmo O(n) para el -CD en un arbol
T.
4.3.2 Un algoritmo O(n) para el 1--Centdian en un arbol.

Denotemos por x, y y z al Centro, a la Mediana y al -Centdian del
arbol T . Como ya se ha expuesto, el Centdian z siempre esta en el camino
del Centro a la Mediana. Sea C dicho camino. Para cada valor r del intervalo
[fc(T; x); fc(T; y)] existe un unico punto, que denotaremos z(r) del camino C
tal que fc(T; z(r)) = r.
El Centro x de T se determina por el algoritmo de Megiddo [112] y la Mediana

y de T por el algoritmo de Goldman [58]. Para hallar el 1--Centdian, se precisa
de la pendiente de la funcion objetivo de la Mediana en las aristas del camino
C (x; y). Para ello el algoritmo de Goldman no se detiene al encontrar la(s)
mediana(s) sino que continua hasta que se hayan eliminado todas las aristas del
arbol.
Recordemos que cuando en el algoritmo de Goldman se elimina la arista [v; u]
incidente en la hoja v, el valor del peso w(v) acumulado en v es la suma de los
pesos de todos los vertices que se han contraido en v. Entonces, para los puntos
interiores a la arista [v; u], el valor w(v) representa la suma de las pendientes
de las distancias ponderadas a todos los vertices usuarios a los que se accede a
traves de v. Al resto de los vertices usuarios se accede a traves de u y la suma
de las pendientes correspondientes es la diferencia entre el peso total de todos
los usuarios w(U ) y el valor actual de w(v). Por tanto, la pendiente de fm (x) en
dicha arista recorrida de v a u es el valor de 2w(v) , w(U ).
La pendiente de la funcion Centdian es
D(x) = (1 , )Dm (x) , Dc (x)
siendo Dm la pendiente de la funcion Mediana y Dc la pendiente de la funcion
Centro. Sean q1; q2; :::; qr los puntos de no derivabilidad de la funcion Centro fc
del camino C de x a y (es decir, tal que x = q1 y y = qr ) proporcionados por
el algoritmo de Megiddo. En cada arista [vi; vi+1] del camino de C , la pendiente
de la funcion Mediana fm(x) viene dada por el algoritmo de Goldman. Si el
algoritmo de Goldman se implementa de forma que el vertice en el que se contrae
el arbol sea la Mediana entonces la Mediana queda como raz del arbol y la
pendiente en [vi; vi+1] es Di = 2w(vi) , w(U ).
El -Centdian se determina calculando el punto del camino C del Centro
x a la Mediana y en el que la pendiente de f(x) cambia de signo. Por tanto

basta recorrer los puntos qi del camino C desde x hacia y hasta que D =
(1 , )Dm (x) , Dc (x) 0.
El algoritmo de Megiddo y el de Goldman extendido hasta comprimir todo el
arbol en la Mediana son de complejidad O(n). El camino de x a y se obtiene
en tiempo O(n). El numero de puntos qi de ruptura de la funcion Centro fc en
dicho camino es O(n) ya que se trata del maximo de n funciones lineales. Por
tanto el esfuerzo para determinar el -centdian es O(n).
102
4.4 El p--Centdian.
Cada vertice vi 2 U tiene asociado dos pesos no negativos, (wi0 ; wi): El primero
respecto la funcion Centro y el segundo respecto a la funcion Mediana. Con el
objetivo de simplicar el desarrollo se considera que:
wi0 = wi0
wi = (1 , )wi :
Nuestra consideracion especca del problema p-Centdian en un arbol T es-
triba en encontrar un conjunto de p puntos X P (T ), que minimicen la funcion
objetivo:
f(U; X ) = fc (U; X ) + fm(U; X ):

Existe una estrecha relacion entre el problema del p-Centdian y el problema
de la p-Mediana restringida, hecho que permite encontrar algoritmos polinomiales
para el problema tratado. Para cada real r no negativo, se dene el problema
de la p-Mediana r-restringida como el problema de minimizar la suma de las
distancias de los vertices w-pesados al conjunto de las p medianas, dado que las
distancias wi0 -pesadas de cada vertice al conjunto de las p Medianas es a lo sumo r:
El conjunto de las p Medianas restringidas no es necesariamente un subconjunto
de vertices, como ocurra en las p Medianas no restringidas. Por m(r) se denota
el valor optimo del problema de la p-Mediana r-restringida. Entonces,
m(r) =fX :X Pmin ff (U; X ) : wi0 d(X; vi) r; 8vi 2 U g
(T );jX j=pg m
Para cada r no negativo sea g(r) = r + m(r): Lo cual nos permite reformular
el problema del p-Centdian como:
f =jmin r fg (r)g:

f (U; X ) =min
X j=p
El valor en el que se alcanza el mnimo de la funcion g(r), se representara por

r :
4.4.1 Un Conjunto Finito Dominante

En esta seccion identicamos un conjunto R de cardinalidad O(n3 ) que con-
tiene a r, como la solucion optima del problema p-Centdian.
Teorema.-(p-CD-arbol) Sea r el valor que minimiza la funcion g(r) =
r + m(r). Entonces, r es un elemento del conjunto
R = R1 [ R2 [ R3;
donde
R1 = fwi0 d(vi; vj ) : vi 2 U; vj 2 V g
R2 = fd(vi; vj )=(1=wi0 + 1=wj0 ) : vi; vj 2 U g
R3 = f(d(vj ; vk ) , d(vi; vk ))=(1=wj0 , 1=wi0 ) : vi; vj 2 U; vk 2 V; vk 2 P (vi; vj )g
Demostracion: Sea X 0 una solucion optima del problema del p-Centdian. En-
tonces, existe una particion de G en p subarboles, T1; :::; Tp, donde todos los
vertices usuarios de cada subarbol Tj son servidos por el mismo punto, digamos
x0j , de X 0, es decir, d(vi; X 0) = d(vi; x0j ), para cada vertice vi en Uj = U \ Tj . En
particular, el subproblema correspondiente a Uj ; j = 1; :::; p, es un problema de la
1-Mediana r-restringida. Para un real no negativo r, consideremos mj (r) como
el valor objetivo del subproblema de la 1-Mediana r-restringida, denida en Uj .
Veamos que mj (r) es una funcion convexa, decreciente, y lineal a trozos de r,
con puntos de rupturas en el conjunto R denido en el enunciado del teorema. Sea
xj la unica solucion del problema 1-Centro w0-pesado en Uj , y sea yj, el vertice de
Uj solucion del problema de la 1-Mediana w-pesadas (no restringido) de Tj , mas
cercana a xj . Considerese el camino P (xj ; yj), que conecta xj e yj desde yj hacia
xj como un segmento de longitud d(xj ; yj), y analicemos la funcion 1-Centro w0-
pesado, fcj (xj ), y la funcion 1-Mediana w-pesada (no restringida) fmj (xj ), denida
en este camino (segmento). La funcion Mediana, fmj (xj ), es convexa, decreciente
desde yj hacia xj , y lineal a trozos en xj . Sus puntos de rupturas se corresponden
a los vertices de Tj en el camino P (xj ; yj). Similarmente, la funcion Centro,
fcj (xj ), es convexa, creciente desde yj hacia xj , y lineal a trozos en xj . Cada
punto de ruptura de esta funcion es un punto x en P (xj ; yj) cuyas distancias w0-
pesadas desde dos vertices de Uj , digamos vi y vt son iguales, es decir, wi0 d(vi; x) =
wt0 d(vt; x).
Sean rj0 y rj00 que representan, respectivamente, los valores de fcj (xj ) en xj e
yj . Para cada valor de r, en el intervalo [rj0 ; rj00], xj (r) denota la unica solucion

de la ecuacion fcj (xj ) = r en P (xj ; yj). En particular, xj (r) es una funcion de
r concava, monotona creciente, y lineal a trozos. La concavidad se deriva de la
convexidad de fcj (xj ). Luego, si r es un punto de ruptura de xj (r), entonces:
wt0 d(vt; xj (r)) = r.
Para cada valor de r, en [rj0 ; rj00], la solucion del problema de la 1-Mediana
r-restringida se alcanza en el punto mas cercano a yj en el conjunto fz : z 2
P (Tj ) : wi0 d(vi; z) r; 8vi 2 Uj g. Como este conjunto contiene a xj , la solucion
104
optima del problema de la 1-Mediana r-restringida en Uj se alcanza en un punto
xj de P (xj ; yj) para el cual fcj (xj ) = r, es decir, en xj (r). En denitiva,
8
>
< 1 r < rj0
mj (r) = fmj (xj (r)) rj0 r < rj00
>
:
mj (rj00) r rj00
De lo expuesto anteriormente se sigue que mj (r) es una funcion convexa,
decreciente y lineal a trozos. Ademas, si r es un punto de ruptura de mj (r),
entonces pueden ocurrir dos casos:
a) xj (r) es un vertice de Tj en P (xj ; yj), o
b) xj (r) es un punto de ruptura de la funcion Centro fcj (xj ).
Veamos mas detalladamente cada uno de estos dos casos:
a) Si xj (r) es un vertice de Tj , digamos vk , entonces de la denicion de fcj (xj ),
existen algunos vertices, digamos vi de Uj , tales que r = wi0 d(vi; vk ). As que, en
este caso r 2 R1.
b) Si xj (r) es un punto de ruptura de fcj (xj ), entonces existen un par de
vertices en Uj , digamos vi y vt, tales que wi0 d(vi; xj (r)) = wt0 d(vt; xj (r)) = r.
b1) Si xj (r) esta en P (vi; vt), el camino que une vi con vt, entonces: d(vi; vt) =
d(vi; xj (r)) + d(xj (r); vt) ) r = d(vi; vt)=(1=wi0 + 1=wt0 ) y, por lo tanto, r 2 R2.
b2) Si xj (r) no esta en P (vi; vt), cosideremos vk el vertice mas cercano a xj (r)
en P (vi; vt). Por lo tanto, tenemos r = (d(vt; vk ) , d(vi; vk))=(1=wt0 , 1=wi0 ), y
r 2 R3.
Se ha mostrado que para cada j = 1; :::; p, los puntos de ruptura de la funcion
mj (r) pertenecen al conjunto R denido en el enunciado del teorema. Para
concluir la demostracion, observese que r, la solucion optima del problema p-
Centdian, es el valor que minimiza la funcion:
p
g0(r) = r+
X
mj (r):
j =1
g0(r) es una funcion lineal, y sus puntos de ruptura coinciden con los puntos de
ruptura de las funciones mj (r); j = 1; :::; p. Por lo tanto, el punto que minimiza
a g0(r) es uno de estos puntos de ruptura. Esto concluye la demostracion del
teorema. 2
Notese que la casustica de este teorema para el caso no pesado, es decir,
4.5. La p-Mediana r-restringida. 105
cuando wi0 = wi = 1, para todo i = 1; :::; n, puede ser obtenida de los resultados
de Perez-Brito y otros. [143, 144]. Adviertase que en el modelo no generalizado,
es decir, cuando wi0 = 1, para todo i = 1; :::; n, el valor optimo r se encuentra en
el conjunto R = R1 [ R2:
4.5 La p-Mediana r-restringida.

Para resolver el problema del p-Centdian en un arbol T , sera suciente com-
putar la solucion de la p-Mediana r-restringida para todos los valores de r 2 R,
especicados en el Teorema p-CD-arbol. En este apartado se muestra como re-
solver el problema r-restringido en tiempo polinomial, adaptando y modicando
el algoritmo de la p-Mediana de Tamir [163]. El algoritmo de Tamir [163] resuelve
el problema de la p-Mediana en arboles en un tiempo O(pn2 ).
Recuerdese que el conjunto de todos lo puntos extremos de rango r viene
determinado para cada valor de r 0 por:
EP (r) =vi[2U Ep(r; vi):

donde x 2 Ep(r; vi), si x es un punto interior de un arista [i; j ] tal que :
1. r = wi0 d(x; vi) = wi0 (l(x; i) + d(i; vi)) o

2. r = wi0 d(x; vi) = wi0 (l(x; j ) + d(j; v)):
Proposicion 4.5.1 El conjunto: Y (r) = V [ EP (r); es nito dominante para el

problema de la p-Mediana r-restringida.
Demostracion: Dado que EP (r) contiene todos los puntos extremos a distancia
wi0 -pesado de r de un vertice de U , y dado que una solucion se encuentra en el
conjunto de vertices usuarios, Hakimi (1964) [62] se sigue que Y (r) es un conjunto
nito dominante para el problema de la p-Mediana r-restringida. 2
Proposicion 4.5.2 El conjunto Y (r) es de cardinalidad O(n2).
Demostracion: Por cada arista, hay a lo sumo un punto extremo de radio r con
respecto a cada vertices, por lo tanto la cardinalidad de Y (r) es de O(n2 ). 2
106
En Kim y otros, [94], se muestra como calcular el conjunto Y (r), y aumentar
con sus puntos el conjunto de vertices de T , todo ello en un tiempo O(n2 ).
Representamos por T (r) el arbol al que se le ha insertado como nuevos vertices
el conjunto de puntos EP (r).
Como T (r) tiene O(n2 ) vertices, el algoritmo de Tamir (1996) [163], resuelve
el problema de la p-Mediana sin restringir, en un tiempo O(pn4 ).
Sabiendo que para resolver el problema del p-Centdian en T se requiere la
solucion de la p-Mediana r-restringida, para los O(n3) valores de r, la complejidad
total es O(pn7 ). En la siguiente seccion se muestra de que manera se puede
reducir esta complejidad a O(pn6 ), mejorando la complejidad de la p-Mediana
r-restringida a O(pn3 ).
Para el modelo no generalizado la complejidad sera de O(pn5 ): Ya que los
posibles valores de r (r 2 R1 [ R2) pasan a ser del orden O(n2):
4.5.1 Un algoritmo de complejidad O(pn3) para el pro-

blema de la p-Mediana r-Restringida.
En este apartado se propone un algoritmo dinamico, para el problema de la
p-Mediana r-restringida.
El algoritmo consta de tres fases previas: en la primera se transforma el arbol
inicial en un arbol binario, en la segunda se prepara el arbol binario para resolver
el problema de la p-Mediana r-restringida, y en la tercera se calculan y ordenan
las distancias entre los vertices del arbol. Sea v1 la raz del arbol.
Denicion 4.5.1 Para cada par de vertices vi, vj , el vertice vi es descendiente

de vj ; si vj esta en el unico camino que conecta vi con la raz v1.
Denicion 4.5.2 El vertice vi es un hijo de vj , si vi es descendiente de vj y vi

esta conectado a vj con una arista.
Denicion 4.5.3 El vertice vj es padre de vi, si vi es descendiente de vj y vi

esta conectado a vj con una arista.
Denicion 4.5.4 Una hoja del arbol, es un vertice que no tiene hijos.
Fase 1. Transformacion en un arbol binario
Como muestra Tamir [163], es conveniente transformar el arbol dirigido T
en un arbol binario equivalente Tbin , en el que cada vertice no hoja vj tenga
exactamente dos hijos, vj(1); vj(2). Al primero se le denominara hijo izquierdo,
y al segundo hijo derecho.
Denicion 4.5.5 El conjunto Vj es el que contiene todos los vertices descendi-

entes del vertice vj .
Denicion 4.5.6 El subarbol Tj es el inducido por el conjunto Vj . El vertice vj

sera considerado la raz de Tj .
La transformacion se realiza como sigue:
1. Se considera cada vertice no hoja vj del arbol original con un solo hijo,
digamos vj(1); se introduce un nuevo vertice uj(1) con peso cero; y se conecta
a vj con una nueva arista de longitud cero. Por lo que, uj(1) ademas de ser
el segundo hijo de vj ; sera una hoja del nuevo arbol.
2. Se considera cada vertice vj del arbol original con al menos tres hijos,
digamos vj(1); :::; vj(t); t 3; se a~naden t-2 nuevos vertices, uj(2); :::; uj(t,1)
todos ellos con peso cero, para cada z = 2; :::; t-1; se reemplaza la arista
[vj ; vj(z)] por la arista [uj(z); vj(z)]; tambien, se reemplaza la arista [vj ; vj(t)]
por esta otra arista [uj(t,1); vj(t)]. La longitud de cada una de estas nuevas
aristas es la longitud de la arista que sustituye.
3. Finalmente, se a~naden las siguientes aristas de longitud cero:

[vj ; uj(2)]; [uj(2); uj(3)]; :::; [uj(t,2); uj(t,1)]:
La gura 24 (A rbol binario) muestra un ejemplo donde un vertice con cinco
hijos t = 5 que al a~nadirle t , 2 = 3 nuevos vertices con peso cero, uj(2); uj(3); uj(4),
del modo descrito anteriormente, se transforma en un arbol binario.
108
lvj lvj
%Le T
% Le T
% L e
% L e 3 T
T
0
3 l7 l 2 l6 l5
%% L ee
l
L
l
TT
l u2
v1 v2 v3 v4 v5 v1 J
J
7 0
J
l l u3
J
J
v2
J

J
2
J 0

J
l

J
l u4
v3 % J
% J
6 % J 5
v4 l
%
% JJ
v5 l

Figura 18. Arbol binario
Despues de realizar este proceso para cada vertice vj del arbol original T , el
nuevo arbol tendra a lo mas 2n , 3 vertices.
Proposicion 4.5.3 Resolver el problema de la p-Mediana (restringida o no) en

el arbol original equivale a resolverlo en el nuevo arbol binario Tbin.
Demostracion: Dado que se verica

dT (vi; vj ) = dTbin (vi; vj ); 8vi; vj 2 T
la funcion objetivo en ambos arboles es la misma. 2
Fase 2. Insercion del conjunto dominante
En la segunda fase aumentamos el conjunto de vertices de Tbin, con el conjunto
de puntos Y = Y (r), denidos en la seccion previa. (No debe olvidarse que hay
una solucion optima al problema r-restringido, donde los p puntos seleccionados
estan en Y ).
Denicion 4.5.7 Un semi-vertice es un punto del conjunto Y = V + EP (r).

Denicion 4.5.8 Para cada vertice vj , Yj representara el subconjunto de semi-
vertices y tales que vj esta en el unico camino de y a la raz v1.
Como se ha mencionado anteriormente la cardinalidad de Y es m = O(n2).

Incrementar los vertices de Tbin con el conjunto EP (r) puede realizarse en
tiempo O(n2), como se describe en Kim y otros [94].
Fase 3. Lista ordenada de distancias
En la tercera fase, para cada vertice vj se calculan y ordenan las distancias
desde vj a todos los semi-vertices de Y . Esta secuencia es representada por
Lj = frj1; :::; rjmg, donde rji rji+1 , i = 1; :::; m , 1, y rj1 = 0. Por conveniencia,
y para poder controlar el caso de empates entre los elementos de Lj , se establece
una correspondencia uno a uno (biyectiva) entre los elementos de Lj y los semi-
vertices de Y , de tal forma que:
1. Si yk 2 Y corresponde a rji ; entonces rji = d(vj ; yk ).

2. Si yk e yt son dos semi-vertices distintos de Yj , e yk esta en el unico camino
que conecta yt con vj , entonces el elemento de Lj que representa yk pre-
cedera al que representa a yt. En particular, a vj le corresponde el primer
elemento de la lista, es decir, a rj1.
3. Si vj no es una hoja, y ademas tanto yk como yt estan en Vj(1) (Vj(2)), donde
el elemento que representa a yk en Lj(1) (Lj(2)) precede al que representa a yt,
entonces el elemento de Lj que representa a yk precedera al que representa
a yt .
4. Si yk esta en Yj , e yt esta en Y , Yj , y d(vj ; yk ) = d(vj ; yt), entonces el
elemento de Lj que representa a yk precedera al que representa a yt.
Para i = 1; :::; m, los correspondientes semi-vertices de rji se denotan por yji .
Proposicion 4.5.4 Las listas ordenadas Lj de los vertices vj a los semivertices

se obtiene en tiempo O(n3 ).
110
Demostracion: Para cada vertice vj ;
L+j representa la secuencia de distancias ordenadas desde vj a todos los semivertices
de Yj , y
L,j representa la secuencia de distancias ordenadas desde vj a todos los semivertices
de Y , Yj :
Se comienza con las hojas de T , y se procede recursivamente hacia la raz,
calculando primero la lista L+j ; como se muestra a continuacion:
Calculo de la lista L+j :
Si vj es una hoja, L+j = [0] : En otro caso, hay que considerar las listas L+j(1)
y L+j(2); asociadas respectivamente a los dos hijos de vj; vj(1) y vj(2):
1. Sumar la distancia d(vj(1); vj ) a cada elemento de L+j(1): Con ello se obtiene
la lista L++ +
j (1) : Y sumar la distancia d(vj (2) ; vj ) a cada elemento de Lj (2) para
obtener la lista L++ j (2) :
h i
2. Construir las listas ordenadas L+1 j (1) = fd(yi ; vj ) : yi 2 Ep(r) \ vj (1); vj g; y
h i
Lj(2) = fd(yi; vj ) : yi 2 Ep(r) \ vj(2); vj g:
+1
3. Concatenar las listas L++ +1 +2

j (1) con Lj (1) llamando a la nueva lista Lj (1) ; y con-
catenar L++ +1 +2
j (2) con Lj (2) para obtener Lj (2):
4. Usando el algoritmo de ordenacion por mezcla construir la lista ordenada
j (1) [ Lj (2):
L+j = L+2 +2
La complejidad del procedimiento depende del punto 4. Este ultimo punto es

del orden de la suma del tama~no de las respectivas listas L+2

+2
j (1) y Lj (2). Al ser las
listas de tama~no jY j = O(n2); se tiene: L+2

+2
j (1) + Lj (2) = O(n ):

2
Calculo de la lista L,j :

Para generar las listas L,j ; comenzamos por la raz v1; y de forma recursiva
se procede hacia las hojas.
Si vj = v1; L,j es vaco. En otro caso vj es un hijo de vk ; supongase que es el
hijo izquierdo, vj = vk(1): Se consideraran las listas L,k y L+k(2):
1. Sumar las distancias d(vk(1); vk ) a cada elemento de L,k : Con ello se obtiene
la lista L, +
k : Y sumar las distancias d(vk(1); vk(2)) a cada elemento de Lk(2);
:
para obtener la lista L+k(2)
h i
2. Construir las listas ordenadas L,k 1 = fd(yi; vj ) : yi 2 Ep(r) \ vk(1); vk g; y
h i
1 = fd(y ; v ) : y 2 E (r) \ v ; v g:
L,k(2) i j i p k(2) k
3. Concatenar las listas L, ,1 ,2

k con Lk llamando a la nueva lista Lk ; y concate-
+ , 1 , 2
nar Lk(2) con Lk(2) para obtener Lk(2):
4. Usando el algoritmo ordenacion por mezcla construir L,j = L,k 2 [ L,k(2)
2 :
Esta union tiene por complejidad el tama~no de las respectivas listas L,k 2 y

L,k(2) no jY j = O(n2 ); se tiene L,k 2 = L,k(2)
2 : Al ser las listas de tama~ 2 = O(n2 ):

Luego en cada vertice vj 2 V; el esfuerzo total, mientras se generan las listas

Lj y L,j ; es de O(n2): En denitiva la complejidad total es de O(n3 ):
+ 2
Ejemplo
En el siguiente ejemplo (ver gura.- Ejemplo para ilustrar la generacion de
listas), donde Y = fv1; :::; v7g se muestra como generar dichas listas.
lv1
%\
2%
% \
\
3
% \
lv2
%% \\
lv3
A A
A A
1 A 4 5 A 2
A A
l

AA
l l AA
l
v4 v5 v6 v7
Figura 19. Ejemplo para ilustrar la generacion de listas
Comenzamos generando L+j ;

L+4 = L+5 = L+6 = L+7 = f0g;
4 = f1g; L5 = f4g;
L++ ++
6 = f5g; L7 = f2g;
L++ ++
112
L+2 = f0; 1; 4g; L+3 = f0; 2; 5g;
2 = f2; 3; 6g; L3 = f3; 5; 8g;
L++ ++
L+1 = f0; 2; 3; 3; 5; 6; 8g:

Pasamos a generar L,j ;
L,1 = ;;
L,2 = fL,1 + d(v2; v1)g [ fL+3 + d(v2; v3)g [ d(v2; v1) = f2; 5; 7; 10g;
L,3 = fL,1 + d(v3; v1)g [ fL+2 + d(v3; v2)g [ d(v3; v1) = f3; 5; 6; 9g;
L,4 = fL,2 + d(v4; v2)g [ fL+5 + d(v4; v5)g [ d(v4; v2) = f1; 3; 5; 6; 8; 11g;
L,7 = fL,3 + d(v7; v3)g [ fL+6 + d(v7; v6)g [ d(v7; v3) = f2; 5; 7; 7; 8; 11g:
Con lo anterior se esta en disposicion de describir el algoritmo de programacion
dinamica denominado De las hojas a la raz que resuelve el problema de la
p-Mediana r-restringida. Este algoritmo esta inspirado en el algoritmo de Tamir
[163], para el problema de la p-Mediana. Para el desarrollo del mismo se requieren
unas deniciones previas.
Denicion 4.5.9 Para cada vertice vj , un entero q = 1; :::; p, y un radio rji 2 Lj .

G(vj ; q; rji ) es el valor optimo del subproblema denido en el subarbol Tj , dado
que el total de semi-vertices que pueden ser seleccionados en Tj , es al menos 1 y
a lo mas q (centros de servicios), y que al menos uno de ellos tiene que estar en
fyj1; yj2; :::; yji g \ Yj .
Es decir:
G(vj ; q; rji ) = f wi0 d(X; vi)g:
X
min
j j
1 Tj q vi 2Ui
j j
X \fyj1 ;:::;yji g\Yj 1
En el subproblema mencionado implcitamente se asume que no hay interrelac-
ciones entre los semi-vertices de Tj , y el resto de los semi-vertices de T . La
funcion G(vj ; q; r) es calculada solo para q jVj j. Tambien, para cada vertice vj
denimos:
G(vj ; 0; r) = 1:
Denicion 4.5.10 F (vj ; q; r) es el valor optimo del subproblema denido en el
subarbol Tj , bajo las condiciones siguientes:
1. Un total de a lo mas q semi-vertices pueden ser seleccionados en Yj .
2. Existen ya algunos semi-vertices (centros de servicios) seleccionados en Y ,

Yj , y el mas cercano de ellos a vj esta a una distancia de exactamente r
desde vj .
Es decir:
f wi0 d(X; vi )g:

X
F (vj ; q; r) = min
j j
Tj q vi 2Ui
min fwi0 d(X;vi )g=r
X \fY ,Yj g
La funcion recursiva F (vj ; q; r) sera calculada solo para q jVj j, y r = rji , donde
rji se corresponde con un semi-vertice yji 2 Y , Yj .
El motivo de esta ultima denicion, viene dado porque si todos los elemen-
tos de Lj son distintos, entonces G(vj ; q; rji ) es el valor optimo del subproblema
denido en Tj , dado que al menos 1 y a los mas q semi-vertices son seleccionados
en Tj , y el mas cercano de ellos a vj esta a una distancia de al menos rji desde vj .
La condicion de Lj , requirida anteriormente, asegura que la misma interpretacion
de G(vj ; q; rji ) puede ser hecha para distintos elementos de Lj , es decir, elementos
rji , satisfaciendo rji < rji+1 .
El algoritmo dene las funciones G y F en todas las hojas de T , y recursiva-
mente procede desde las hojas a la raz calculando los valores relevantes de estas
dos funciones recursivas en todos los vertices de T . El valor optimo del problema
vendra dado por G(v1; p; r1m ), donde v1 es la raz del arbol. (Ver gura.-Algoritmo
de las hojas a la raz)
114
Algoritmo De las hojas a la raz.
Paso 0. Inicializaci
on Si vj es una hoja de Tbin . Entonces: 8i = 1; :::; m tal que
yji 2 Y , Yj
G(vj ; 1; rji ) = 0; i = 1; :::; m :
F(vj ; 0; rji ) = wj0 d(vj ; yji ) = wj0 rji ; y
F(vj ; 1; rji ) = minfF(vj ; 0; rji ); G(vj ; 1; rji )g:
Paso 1. Paso arriba Si vj es un vertice no hoja de Tbin
(1.a) calcular el valor de G en vj para cada rji de interes correspondiente a Yji.
Caso 1.- Si yji = vj , entonces calcular:
G(vj ; q; rj1) = min fF(vj (1); q1; rjk(1)) + F (vj (2); q2; rjt (2))g :
q1+q2 =q,1
q1 jVj(1) j
q2 jVj(2) j
Caso 2.- Si yji 2 Y , Yj , entonces calcular:

G(vj ; q; rji ) = G(vj ; q; rji,1):
Caso 3.- Si yji 2 Yj (1), entonces calcular: G(vj ; q; rji ) =
= minfG(vj ; q; rji,1); wj rji + min

q1 +q2 =q
fG(vj (1); q1; rjk(1)) + F (vj (2); q2; rjt (2))gg:
1q1 jVj (1) j
q2 jVj(2) j
Caso 4.- Si yji 2 [vj ; vj (1)] , v, entonces calcular: G(vj ; q; rji ) =

q1 +q2 =q,1
fF(vj (1); q1; rjk(1)) + F(vj (2); q2; rjt (2))gg:
q1 jVj(1) j
q2 jVj(2) j
Caso 5.- Si yji 2 Yj (2), entonces calcular: G(vj ; q; rji ) =

q1 +q2 =q
fF(vj (1); q1; rjk(1)) + G(vj (2); q2; rjt (2))gg:
q1 jVj(1) j
1q2 jVj (2) j
Caso 6.- Si yji 2 [vj ; vj (2)] , v, entonce calcular: G(vj ; q; rji ) =

q1 +q2 =q,1
fF(vj (1); q1; rjk(1)) + F(vj (2); q2; rjt (2))gg:
q1 jVj(1) j
q2 jVj(2) j
(1.b) calcular el valor de F en vj para cada rji de interes correspondiente a yji .
F(vj ; q; rji ) = minf G(vj ; q; rji );

wj rji + min fF (vj (1); q1; rjk(1)) + F(vj (2); q2; rjt (2))gg:
q1 +q2 =q
q1jVj(1) j
q2jVj(2) j
A continuacion se detalla cada uno de los casos del paso 1 del algoritmo de
las hojas a la raz.
En los seis casos que se muestran a continuacion asociado a cada semi-vertice
yj hay dos radios, a los que denotamos rjk(1), rjt(2) perteneciente a las listas Lj(1)
i
y Lj(2) respectivamente. El radio rjk(1) se obtiene de la ecuacion:
wj0 rji = wj0 (1) (rjk(1) + d(vj(1); vj )

y el radio rjt(2) viene dado por la ecuacion:
wj0 rji = wj0 (2) (rjk(2) + d(vj(2); vj )

Caso 1.- Si rj1 es el radio correspondiente al semi-vertice yj1 = vj , entonces,
este radio tambien le corresponde a un par de elementos, digamos rjk(1), rjt(2) de
Lj(1) y Lj(2) respectivamente. De esta manera,
q2 =q,1 fF (vj (1); q1; rj (1)) + F (vj (2); q2 ; rj (2))g :
G(vj ; q; rj1) = q1+min k t
q1 jVj(1) j
q2 jVj(2) j
Esto signica que un servicio puede establecerse en vj (la raz del subarbol Tj )
y para evaluar la funcion objetivo en el, hay que evaluar todas las posibilidades
en sus respectivos hijos. Con tal n se utilizan las funciones F (vj(1); q1; rjk(1)) y
F (vj(2); q2; rjt(2)), ya que vj esta fuera de los subarboles Tj(1) y Tj(2):
En los casos venideros, consideramos rji ; para i = 2; :::; m:
Caso 2.- Si rji es el radio correspondiente al semi-vertice yji 2 Y ,Yj , entonces:
G(vj ; q; rji ) = G(vj ; q; rji,1) :
En este caso no es necesario realizar nuevos calculos, pues la funcion vale lo mismo
que cuando esta fue evaluada con el radio que le precede.
Caso 3.- Si rji es el radio correspondiente al semi-vertice yji 2 Yj(1), entonces,
yji tambien le corresponde a un elemento, digamos rjk(1) de Lj(1), y a un elemento,
digamos rjt(2) de Lj(2); entonces:
G(vj ; q; rji ) = min fG(vj ; q; rji,1);
wj rji + q
min
+q q=
fG(vj (1); q1; rjk(1)) + F (vj (2); q2; rjt (2))gg:
q11 j2Vj(1) j
1
q2jVj(2) j
116
Es decir, hay dos posibilidades, la primera de ellas, es no establecer un servicio
en yji ; esta posibilidad es evaluada con la funcion G(vj ; q; rji,1). La segunda de las
posibilidades, es establecer un servicio en yji ; con un coste de wj rji ; y establecer los
q-1 restantes entre las dos ramas de vj : La rama correspondiente a vj(1) se evalua
con G(vj(1); q1; rjk(1)); 1 q1 jVj(1)j, pues ya se ha establecido un servicio en
el subarbol Tj(1). La rama correspondiente a vj(2) se evalua con F (vj(2); q2; rjt(2));
q2 jVj(2)j ya que no se ha establecido un servicio en el subarbol Tj(2).
Caso 4.- Si rji es el radio correspondiente al semi-vertice yji 2 (vj ; vj(1)), e
yji 6= vj(1), entonces:
G(vj ; q; rji ) = minf G(vj ; q; rji,1);
wj rji + min
q1 +q2 =q,1
fF (vj (1); q1; rjk(1)) + F(vj (2); q2; rjt (2))gg:
q1jVj(1) j
q2jVj(2) j
De forma similar al caso 3, se tienen dos posibilidades, pero en este caso, el

servicio se establece fuera de Tj(1) [ Tj(2), por ello ambos subarboles se evaluan
con la funcion F .
Caso 5.- Este caso es simetrico al caso 3, es decir, lo que aconteca para el
subarbol Tj(1) ahora acontece para el subarbol Tj(2): Es decir:
Si rji es el radio correspondiente a un semi-vertice yji 2 Yj(2), entonces:
wj rji + min
q1 +q2 =q
fF(vj (1); q1; rjk(1)) + G(vj (2); q2; rjt (2))gg:
q1jVj(1) j
1q2 jVj (2) j
Caso 6.- Este caso es simetrico a lo ocurrido en el caso 4.

Si rji es el radio correspondiente a un semi-vertice yji 2 (vj ; vj(2)), e yji 6= vj(2),
entonces:
wj rji + min
q1 +q2 =q,1
fF (vj (1); q1; rjk(1)) + F(vj (2); q2; rjt (2))gg:
q1jVj(1) j
q2jVj(2) j
(1.b) Calcular el valor de la funcion F en vj . Teniendo denida la funcion G en

vj , se puede calcular la funcion F en vj para todos los argumentos relevantes. Sea
yji un semi-vertice de Y , Yj . Entonces yji le corresponde a un par de elementos,
digamos rjk(1); rjt(2) de Lj(1) y Lj(2), respectivamente. Luego,
F(vj ; q; rji ) = minf G(vj ; q; rji );

wj rji + min fF(vj (1); q1; rjk(1)) + F (vj (2); q2; rjt (2))gg:
q1 +q2 =q
q1jVj(1) j
q2jVj(2) j
Para la funcion F no es necesario hacer el desgloce anterior, pues el unico caso

relevante es cuando yji 2 Y , Yj : Y como en el caso 2, no es necesario realizar
nuevos calculos, pues el valor de la funcion objetivo coincide con el valor de la
funcion evaluada en el radio que le precede.
Proposicion 4.5.5 La complejidad del Algoritmo de las hojas a la raz es O(p2 n3).
Demostracion: Se sigue directamente de la ecuacion recursiva, que el esfuerzo

total de computar las funciones G y F en un vertice dado vj , para todo valor
relevante de q y r es O(n2 minf(jVj(1)j; p)g minf(jVj(2)j; p)g). De esta manera, el
esfuerzo total del algoritmo es O(p2n3). 2
Si al algoritmo de las hojas a la raiz se le aplica el siguiente analisis de Tamir
(1996) [163], la complejidad de este mejora a O(pn3 ).
El analisis esta basado en la particion del conjunto de vertices en dos subcon-
juntos, y fundamentado en la siguiente denicion.
Denicion 4.5.11 Un vertice vj se le denomina rico, si no es una hoja, y

sus dos hijos vj (1) y vj(2) satisfacen las desigualdades siguientes: Vj (1) p=2; y

Vj(2) p=2:

Si un vertice no es rico se le denomina pobre.
Proposicion 4.5.6 El numero de vertices ricos es del orden O( np2 ):
Demostracion: Ver Tamir (1996). [163] 2

Por esta proposicion el esfuerzo total necesario para calcular G y F en todos
los vertices ricos es de O(pn3 ). Veamos ahora que la complejidad a la hora de
calcular estas funciones en todos los vertices pobres es tambien O(pn3 ).
Para cada vertice vj 2 Y; Hj denotara el esfuerzo total resultante al calcular
las funciones G y F en todos los vertices pobres de Y: Entonces, si vj es rico,
118
Hj Hj(1) + Hj(2);
y si vj es pobre,

Hj Hj(1) + Hj(2) + c n2 minf Vj(1) ; p=2g minf Vj(2) ; p=2g;

para alguna constante c:
Proposicion 4.5.7 Para cada vertice vj 2 Y; Hj cpn2 jVj j :

Demostracion: Ver Tamir (1996). [163] 2
De estas dos proposiciones se concluye que la complejidad del algoritmo de
programacion dinamica es O(pn3 ).
4.6 Un algoritmo alternativo para el problema

del p--Centdian.
Para un p general se ha desarrollado un algoritmo de O(pn6 ) para el p-
Centdian en un arbol. Pero cuando p es peque~no hay un desarrollo alternativo,
basado en la demostracion del Teorema (p-CD-arbol) cuya complejidad es O(np )
para cada valor jo de p.
Consideremos todas las O(np,1 ) particiones del arbol T en p subarboles, los
cuales son obtenidos borrando un subconjunto de p,1 aristas de T . Para alcanzar
la complejidad O(np ), se presenta una algoritmo lineal para el problema del p-
Centdian en una particion de T en p subarboles, T1; :::; Tp, esta particion es
conocida como bosque.
Para cada subarbol Tj , sea xj la solucion (unica) del problema 1-Centro w0-
pesado en Tj , y sea yj, un vertice de Tj , la solucion de la 1-Mediana w-pesada (no
restringida), como esta no tiene por que ser unica, asumimos que es la mas cercana
a xj . Se considera el camino P (xj ; yj), que conecta xj con yj como un segmento
lineal de longitud d(xj ; yj), luego fcj (xj ) denota la funcion 1-Centro w0-pesado, y
fmj (xj ) denota la funcion 1-Mediana w-pesada (no restringida), denidas en este
camino (segmento).
La funcion fmj (xj ), es convexa, decreciente y lineal a trozos. Sus puntos de
rupturas se corresponden con los vertices de Tj en el camino P (xj ; yj).
4.6. Un algoritmo alternativo para el problema del p--Centdian. 119
Similarmente, la funcion Centro, fcj (xj ), es convexa, monotona creciente y
lineal a trozos. Cada punto de ruptura de esta funcion es un punto x de P (xj ; yj)
cuyas distancias w0-pesada desde dos vertices de Tj , digamos vi y vt son iguales,
es decir, wi0 d(vi; x) = wt0 d(vt; x) con wi0 6= wt0 .
Proposicion 4.6.1 El problema del p-Centdian en un bosque de p subarboles

T1; :::; Tp se puede formular como un programa lineal expresado en funcion de las
variables x1; :::; xp, y algunas variables auxiliares, de la siguiente manera:
n
minfr+ f i g;
X
i=1
sujeto a las restricciones:
r wk0 ((xj , ai(k)) + bk );

r wk0 (,(xj , ai(k)) + bk );
fk wk ((xj , ai(k)) + bk );
fk wk (,(xj , ai(k)) + bk );
para todo vk 2 U j ; j = 1; :::; p:
Demostracion: Por conveniencia, y sin perder generalidad, asumimos que cada

variable real xj , j = 1; :::; p, esta restringida al intervalo (segmento) [0; d(xj ; yj)],
en el que xj = 0 se corresponde al 1-Centro de Tj , xj , y xj = d(xj ; yj) se
corresponde a la 1-Mediana de Tj , yj. Si el 1-Centro, xj , no es un vertice de
Tj , aumentamos con este punto el conjunto de vertices de Tj , con pesos w0 y w
iguales a 0. V j denotara el conjunto de vertices de Tj . Notese que el 1-Centro w0-
pesado, xj puede ser encontrado en tiempo O(jU j j) por el algoritmo de Megiddo
[112]. Similarmente, la 1-Mediana w-pesada, yj, puede ser encontrada en tiempo
O(jU j j) por el algoritmo de Goldman [58]. En denitiva, el tiempo total para
encontrar fx1; :::; xpg, e fy1; :::; ypg es O(n).
Para cada vertice vi 2 U j , en el camino P (xj ; yj), sea ai, el valor correspon-
diente a la variable real xj , es decir, ai = d(vi; xj ). Para cada vertice vk 2 U j ,
sea vi(k) el vertice mas cercano al vertice vk en P (xj ; yj), y sea bk = d(vk ; vi(k)).
Para cada subarbol Tj , j = 1; :::; p, la funcion 1-Centro en el camino P (xj ; yj)
esta denida por
fcj (xj ) = fvmax
k
fw0 (jx , ai(k)j + bk )g:
2U j g k j
120
Similarmente, la funcion 1-Mediana esta denida por
fmj (xj ) = fwk (jxj , ai(k)j + bk )g:
X
fvk 2U j g
El problema del p-Centdian en un bosque reside en encontrar p reales, x1; :::; xp,
que minimicen la funcion:
n
max f j (x )+ fmj (xj ):
X
fj =1;:::;pg c j
(4.1)
j =1
Una reformulacion del problema puede ser obtenida asociando una variable
real fk a cada vertice vk de T . El problema estriba n
en encontrar las variables
reales, x1; :::; xp, f1; :::; fn y r, minimizando fr+ fig; cuando este este sujeto
P
i=1
a las restricciones,
r wk0 (jxj , ai(k)j + bk );
fk wk (jxj , ai(k)j + bk );
para todo vk 2 U , j = 1; :::; p,
j
El problema expresado como un programa lineal sera como sigue:

n
minfr+ fig;
X
i=1
sujeto a las restricciones:
r wk0 ((xj , ai(k)) + bk );

r wk0 (,(xj , ai(k)) + bk );
fk wk ((xj , ai(k)) + bk );
fk wk (,(xj , ai(k)) + bk );
para todo vk 2 U j ; j = 1; :::; p: 2
Este programa lineal es un ejemplo del modelo presentado en Zemel (1984)
[177]. Especcamente es un caso especial del dual del problema de Programacion
Lineal de Eleccion Multiple p-dimensional, discutido en la seccion 3 del trabajo
de Zemel (1984) [177]. Luego, para cada valor jo de p, el anterior problema
lineal puede ser resuelto en tiempo O(n). Se concluye que para cada valor jo de
p; el problema del p-Centdian en el arbol T puede resolverse en un tiempo O(np):
Esta ultima complejidad domina a la obtenida anteriormente de O(pn6 ) cuando
p < 6:
4.7. Un algoritmo eciente para el 2--Centdian. 121
4.7 Un algoritmo eciente para el 2--Centdian.
El algoritmo alternativo para el problema del p-Centdian presentado en la
seccion anterior puede mejorarse en su eciencia practica con algunas sencillas
reglas heursticas. En esta seccion se describe una version para el caso p = 2 en el
que ademas, algunas de las operaciones implicadas se pueden ejecutar de manera
alternativa, sin que por ello se altere la complejidad.
Para el caso p = 2 este metodo alternativo consiste en resolver problemas del
2-Centdian en bosques obtenidos al eliminar una arista del arbol T y eligiendo el
que de lugar a una mejor solucion. Si el orden en que se seleccionan las aristas
a ser eliminadas se elige de forma inteligente empezando por las aristas mas
prometedoras, es de esperar que la solucion optima se encuentre pronto y ademas
es posible establecer una cota, que determina cuando no se puede mejorar la
solucion al eliminar otras aristas.
4.7.1 El algoritmo para el 2--Centdian en un 2-bosque

(T1 ; T2 ).
En este apartado se generaliza el algoritmo O(n) de la seccion 4.3.2 para el

1--Centdian en un arbol T al caso del 2--Centdian.
Concretamos una vez mas el problema al que nos referimos. El problema del
2--Centdian en un 2-bosque B = (T1; T2) consiste en hallar z1 2 T1, z2 2 T2 que
minimizen
f (z1; z2) = fc (z1; z2) + (1 , )fm (z1; z2)
donde fc (z1; z2) = maxffc(T1; z1); fc (T2; z2)g y fm (z1; z2) = fm(T1; z1)+fm(T2; z2),
siendo
fc (Ti; zi) = max d(zi ; v) y fm(Ti; zi) = d(zi; v):
X
v2Ti v2Ti
Sea (z1; z2) el 2--Centdian del 2-bosque B = (T1; T2).
Proposicion 4.7.1 Para i = 1; 2, el punto zi esta en el camino del centro xi a

la mediana yi del arbol Ti .
Demostracion: Si el punto z1 no esta en el camino C1 de x1 a y1, sea z10 el

punto mas cercano a z1 en el camino C1. La solucion (z10 ; z2) verica: fc (T1; z10 ) <
fc(T1; z1) y fm(T1; z10 ) < fm(T1; z1). Por tanto es mejor que (z1; z2).
Analogamente se prueba que z2 tiene que estar en el camino C2 de x2 a y2. 2
122
Para i = 1; 2, sea ri = fc (Ti; zi) donde (z1; z2) es el 2--Centdian del 2-bosque
B = (T1; T2). Denotemos por xi , yi y zi al centro, a la mediana y al -centdian
del arbol Ti.
Proposicion 4.7.2 Si r1 > r2 entonces z1 = z1 y z2 = y2; es decir, z1 es el
1--Centdian de T1 y z2 es la mediana de T2.
Demostracion: El punto z1 esta en el camino C1 de x1 a y1. Si z1 no es el 1--

Centdian z1 de T1 sea z10 = z1(r2) el punto de C1 con fc (T1; z1) = r2. Entonces,
tanto para el par (z1; z2) como para (z10 ; z2) se puede expresar:
f(z1; z2) = fc(z1; z2) + (1 , )fm (z1; z2) =
= fc(T1; z1) + (1 , )[fm(T1; z1) + fm(T2; z2)] = f(T1; z1) + (1 , )fm (T2; z2):
Dado que la funcion f es convexa, se tiene que: f(T1; z10) < f(T1; z1) por lo
que el par (z1; z2) sera peor solucion que (z10 ; z2).
Supongamos que r1 > r2 y z1 = z1 es el 1--Centdian de T1 pero z2 no es
la Mediana y2 de T2. Sea z20 el punto del camino C2 tal que fc (T2; z20 ) = r1.
Entonces, tanto para el par (z1; z2) como para (z1; z20 ) se puede expresar:
f(z1; z2) = fc(z1; z2) + (1 , )fm (z1; z2) =
= fc (T1; z1) + (1 , )(fm(T1; z1) + fm(T2; z2)) = f(T1; z1) + (1 , )fm (T2; z2):
Pero z20 es la solucion optima del problema de la Mediana r1-restringida en T2,
que es unica; es decir no hay otro punto z2 2 T2 con fc(T2; z2) r1 tal que
fm(T2; z2) fm(T2; z20 ), por tanto fm(T2; z20 ) < fm(T2; z2), por lo que el par
(z1; z2) sera peor solucion que (z1; z20 ). 2
Proposicion 4.7.3 Si fc (T1; x1) fc(T2; y2) entonces (z1; y2) es el 2--Centdian
de B = (T1; T2).
Demostracion: Sea (z1; z2) el 2--Centdian del 2-bosque B = (T1; T2). Entonces
f(B; (z1; z2)) = fc (B; (z1; z2)) + (1 , )fm (B; (z1; z2)) =
= maxffc(T1; z1); fc (T2; z2)g + (1 , )fm (B; (z1; z2)) =
= fc (T1; z1) + (1 , )fm (B; (z1; z2)) =
= fc (T1; z1) + (1 , )[fm(T1; z1) + fm(T2; z2))] =
= f(T1; z1) + (1 , )fm (T2; z2)
f(T1; z1) + (1 , )fm (T2; y2):
Por tanto, (z1; y2) es el 2--Centdian del 2-bosque B = (T1; T2). 2
Proposicion 4.7.4 Si fc(T1; z1) fc (T2; y2) entonces (z1; y2) es el 2--Centdian
de B = (T1; T2).
Demostracion: Sea (z1; z2) el 2--Centdian del 2-bosque B = (T1; T2) y sean
r = fc(B; (z1; z2)) r1 = fc(T1; z1) y r2 = fc(T2; z2).
Si r1 < r2 tomando z10 2 C1 tal que fc(T1; z10 ) = r2, se tiene:
f(B; (z1; z2)) = fc (B; (z1; z2)) + (1 , )fm (B; (z1; z2)) =
= maxffc(T1; z1); fc (T2; z2)g + (1 , )fm (B; (z1; z2)) =
= fc (T2; z2) + (1 , )fm (B; (z1; z2)) =
= fc (T2; z2) + (1 , )[fm(T1; z1) + fm(T2; z2))] >
> fc (T2; z2) + (1 , )[fm(T1; z10 ) + fm (T2; z2))] = f(B; (z10 ; z2))
pues fm(T1; z10 ) < fm (T1; z1). Ademas, dado que fc(T1; z10 ) = fc(T2; z2) = r2, se
tiene:
f(B; (z10 ; z2)) = f(T1; z10 ) + (1 , )fm (T2; z2)
f(T1; z1) + (1 , )fm (T2; z2) = f(B; (z1; z2))
pues f(T1; z1) f(T1; z10 ). Finalmente, dado que fc(T1; z1) fc(T2; y2), se
tiene:
f(B; (z1; z2)) = f(T1; z1) + (1 , )fm (T2; z2)
f(T1; z1) + (1 , )fm (T2; y2) = f(B; (z1; y2))
pues fm (T2; y2) fm (T2; z2).
En otro caso, si r1 r2 se tiene analogamente f(B; (z1; z2)) f(B; (z1; z2))
pues f(T1; z1) f(T1; z1). Finalmente tambien f(B; (z1; y2)) f(B; (z1; z2))
pues fm (T2; y2) fm (T2; z2).
Por tanto en ambos casos f(B; (z1; y2)) f(B; (z1; z2)). 2
Sea rz = maxffc(T1; z1); fc(T2; z2)g y rm = minffc(T1; y1); fc(T2; y2)g.
Proposicion 4.7.5 Sea (z1; z2) el 2--Centdian de B y r = fc (B; (z1; z2)). Si

rz rm entonces rz r rm . Si r1 = fc(T1; z1) y r2 = fc (T2; z2) entonces
r1 = r2 = r.
Demostracion: Por el mismo tipo de razonamiento que en las proposiciones

anteriores, analizando la situacion relativa entre r1 y r2 con respecto al intervalo
[rz ; rm ], se tiene:
124
1. Si fc(B; (z1; z2)) > rm entonces tomando z10 = z1(rm) y z20 = z2(rm) se tiene
f(B; (z10 ; z20 )) < f(B; (z1; z2)):
2. Si fc(B; (z1; z2)) < rz entonces tomando z10 = z1(rz ) y z20 = z2(rz ) se tiene
f(B; (z10 ; z20 )) < f(B; (z1; z2)):
3. Si rz r1 < r2 = r rm entonces tomando z10 = z1(r2) se tiene

f(B; (z10 ; z2)) < f(B; (z1; z2)):
4. Si rz r2 < r1 = r rm entonces tomando z20 = z2(r1) se tiene

f(B; (z1; z20 )) < f(B; (z1; z2)):
Por tanto, rz r1 = r = r2 rm . 2
Ademas, siguiendo los resultados obtenidos al determinar el conjunto nito
dominante para el p-Centdian, z1 o z2 es un punto de ruptura de la funcion
fc en su arbol respectivo. Si Qi denota al conjunto de puntos de ruptura de
la funcion fc en el camino Ci entonces, los pares de puntos candidatos (z1; z2)
estan formados por un elemento de z1 2 Q1 y z2 = z2(r1(z1)) o por z2 2 Q2 y
z1 = z1(r2(z2)) donde ri(zi) = fc(Ti; zi) y zi(r) es el unico punto zi del camino Ci
tal que fc(Ti; zi) = r.
Luego, el procedimiento para resolver el 2-Centdian en el bosque B = (T1; T2)
propuesto consiste en determinar las Medianas y Centdianes de ambos arboles
y calcular rz y rm. Si rm < rz la solucion es la formada por el Centdian de un
arbol y la Mediana del otro. En otro caso basta recorrer los pares de puntos
(z1; z2(r1(z1))), para z1 2 Q1 y (z1(r2(z2)); z2), para z2 2 Q2 desde z1 = z1 o
z2 = z2 hasta que la pendiente de f(z1(r); z2(r)) cambie de signo.
Dado que las Medianas y Centdianes se obtienen en tiempo O(n) y los tama~nos
de los conjuntos Q1 y Q2 son O(n), la complejidad de todo el procedimiento es
O(n).
4.7.2 Algoritmo 2CDB para el caso no ponderado.

Para implementar el algoritmo 2CDB se ha elegido la version para el pro-
blema del 2--Centdian sin pesos que tiene una complejidad equivalente y la
implementacion resulta mas clara.
El algoritmo para determinar el 2--Centdian de un 2-bosque B = (T1; T2)
empieza por obtener los Centros, Medianas y -Centdianes de T1 y T2. Para i =
1; 2, sean xi , yi y zi el Centro, Mediana y -Centdian de Ti. Sea ri, = fc(Ti; zi) y
ri+ = fc(Ti; yi) Sea r, = maxfr1, ; r2, g y r+ = minfr1+ ; r2+ g. Si r, > r+ entonces
el 2--Centdian esta formado por el -Centdian de un arbol y la Mediana del
otro. Concretamente si r, = r1, es z1 = z1 y z2 = y2, pero si r, = r2, es z1 = y1
y z2 = z2. En otro caso, se tiene r, r r+ .
Sea ui el vertice de Ti mas alejado de la Mediana yi. Se recorren a la vez los
caminos C1 y C2 desde los Centdianes z1 y z2 hacia las Medianas y1 y y2 por
medio de dos puntos z1 y z2 de forma que siempre t = d(z1; u1) = d(z2; u2). Sean
z1(t) y z2(t) dichos puntos. La pendiente de f(z1(t); z2(t)) es
, (1 , )(s1 (z1(t)) + s2(z2(t)), siendo Di(zi(t)) la pendiente de fm (Ti; zi(t)). El
recorrido se detiene cuando cambie de signo; es decir cuando D1 + D2 =(1 , ),
o cuando alguno de estos dos puntos llegue a la mediana respectiva.
Dado que en el caso sin pesos, la funcion fc es lineal en el camino entre el
Centro y la Mediana, esta pendiente cambia solo cuando z1(t) o z2(t) llegue a un
vertice del camino correspondiente.
Algoritmo CDT para el caso no ponderado.

En el caso no ponderado (wu0 = wu = 1; 8u 2 V ). El centro x de T se
determina por el siguiente algoritmo de Handler [68].
Algoritmo de Handler
Paso 1. Sea v un vertice cualquiera.
Paso 2. Sea u el vertice mas alejado a v .
Paso 3. Sea w el vertice mas alejado a u.
Paso 4. El centro x de T es el punto medio del camino de u a w.
Figura 20. Algoritmo de Handler
El algoritmo de Goldman [58] extendido hasta comprimir todo el arbol para

obtener la pendiente de la funcion mediana en todas sus aristas es el siguiente:
126
Algoritmo de Goldman
Paso 1. Sea W = u2U wu = jV j = n.
P
Paso 2. Para cada vertice v de T se inicializa w(v) wv = 1.

Paso 3. Mientras queden aristas por contraer en el arbol T repetir
la operacion siguiente:
Tomar una hoja cualquiera v de T .
Si w(v ) W=2 entonces v es la mediana de T ; y = v .
En otro caso, sea la arista [v; u] de T , hacer:
w(u) w(u) + w(v )
y eliminar [v; u] de T .
Figura 21. Algoritmo de Goldman
El -Centdian de T se determina calculando el punto del camino C de x a y

en el que la pendiente de f(x) se anula. Esta pendiente cuando se recorre desde
x hacia y es:
D(x) = , (1 , )Dm (x)
siendo Dm la pendiente de la funcion Mediana. En cada arista [vj ; vj+1] del
camino de C , la pendiente de la funcion Mediana fm(x) es Dj = 2w(vi) , n
donde w(:) es la funcion peso resultante del algoritmo de Goldman.
Se recorren los vertices de C hasta que D = , (1 , )Dm (x) 0, es decir
hasta el primer vertice vi de C tal que , (1 , )Di 0 , Di =(1 , )
Algoritmo CDT
Paso 1. Calcular el Centro x del arbol T por medio del algoritmo de Handler.
Paso 2. Calcular la Mediana y del arbol T por medio del algoritmo de Gold-
man.
Paso 3. Calcular la pendiente de la funcion Mediana Dm.
Paso 4. Recorrer los vertices del camino de x a y hasta que:
D = , (1 , )Dm(x) 0;
Figura 22. Algoritmo CDT
Algoritmo 2CDB (caso no ponderado).
Paso 1. (i) Aplicar el algoritmo CDT al arbol T1, para obtener el Centro x1,
la Mediana y1 y el -Centdian z1 de dicho arbol.
(ii) Aplicar el algoritmo CDT al arbol T2, para obtener el Centro x2 , la
Mediana y2 y el -Centdian z2 de dicho arbol.
Paso 2. (i) Si fc(U1; z1) fc (U2; y2) entonces z1 = z1 y z2 = y2.
(ii) Si fc (U2; z2) fc (U1 ; y1) entonces z2 = z2 y z1 = y1.
En otro caso ir al paso 3.
Paso 3. Para cada arbol Ti sea Ci el camino desde zi a yi dado por Ci =
[vi ; vi ; vi ; :::; vi ] donde zi 2 (vi0; vi1] y vini = yi . El algoritmo CDT
0 1 2 n i
proporciona, junto con este camino, las pendientes Dij de fm (Ti ; zi(t))
en la arista [vij ; vij +1], las distancias d(vij ; ui ) donde ui es el vertice de Ti
mas lejano a yi; j = 1; 2; :::; ni y
(i) Inicializacion.
Sea j1 0 y j2 0. Tomar s sj11 + sj22
(ii) Iteraciones.
Mientras s =(1 , ) ejecutar los pasos:
(a) Si d(v1j1 ; u1) d(v2j2 ; u2) entonces: j1 j1 + 1, en otro caso
j2 j2 + 1.
(b) Hacer s sj11 + sj22
(iii) Finalizacion.
Si d(v1j1 ; u1) d(v2j2 ; u2) entonces:
(a) Si j1 = 0 entonces z1 = z1 , en otro caso (j1 > 0) z1 v1j1 .
(b) Sea z2 2 [v2j2 ; v2j2 +1 ] tal que d(z1 ; u1) = d(z2; u2).
En otro caso, (d(v1j1 ; u1) > d(v2j2 ; u2)),
(a) Si j2 = 0 entonces z2 = z2 ; en otro caso (j2 > 0) z2 v2j2 .
(b) Sea z1 2 [v1j1 ; v1j1 +1 ] tal que d(z1 ; u1) = d(z2; u2).
Figura 23. Algortimo 2CDB (caso no ponderado)
4.7.3 Algoritmo 2CDT.

El algoritmo 2CDT que resuelve el problema en el arbol consiste en recorrer
el conjunto de aristas del arbol para resolver el problema en el bosque que resulta
de eliminar del arbol dicha arista aplicando el algoritmo 2CDB.
128
Algoritmo 2CDT
Paso 1. Inicializacion.
Sea f = 1.
Paso 2. Iteraciones.
Para cada arista [i; j ] 2 T , hacer lo siguiente:
Obtener el 2-bosque B = T , f[i; j ]g.
Aplicar el algoritmo 2CDB para obtener el 2-CD (z1 ; z2) de B .
Si f (B; (z1; z2)) < f tomar z = (z1 ; z2) y hacer
f = f (B; (z1; z2)).
Paso 3. Finalizacion.
El par z es el 2-Centdian de T .
Figura 24. Algoritmo 2CDT
Proposicion 4.7.6 El algoritmo 2CDT tiene complejidad O(n2 ).
Demostracion: Dado que el arbol T tiene n , 1 aristas, el algoritmo 2CDB
se ejecuta O(n) veces. Puesto que la complejidad de 2CDB es O(n) se tiene la
complejidad anunciada para 2CDT. 2
Una mejora heurstica al algoritmo 2CDT se consigue seleccionando las aris-
tas a eliminar de una forma mas inteligente. Es intuitivamente claro que los dos
arboles que conforman el bosque que da lugar a la solucion optima deben estar
equilibrados. Si una arista une dos arboles muy dispares en tama~no y peso segu-
ramente no produciran buenos candidatos. Por tanto, sera conveniente empezar
por las aristas que esten por la mitad del arbol.
Para ello se seleccionan las aristas [i; j ] a eliminar en un orden BFS a partir
de una raz del arbol. Como raz del arbol se puede usar el Centro, la Mediana o
el propio Centdian del arbol. En las experiencias realizadas se han obtenido los
mejores resultados utilizando la Mediana del arbol como raz.
Ademas si el recorrido BFS del arbol esta sucientemente alejado de la Me-
diana no se podra mejorar al candidato a Centdian. En particular, si para una
arista [i; j ], el Centdian del arbol (Ti o Tj ) que contiene a la mediana da lugar a
un valor de la funcion objetivo peor que el mejor candidato actual, el candidato
obtenido del bosque correspondiente no mejorara al candidato. Ademas, tam-
poco lo mejorara ninguno de los candidatos surgidos al eliminar las aristas de las
ramas que emanan de dicha arista en el recorrido BFS por lo que dicho recorrido
puede ser truncado en tales aristas. El siguiente algoritmo 2CDTH aplica estas
mejoras heursticas.
4.8. El p--Centdian en la recta real. 129
Algoritmo 2CDTH
Paso 1. Inicializacion.
Sea f = 1. Obtener la Mediana y de T .
Paso 2. Iteraciones.
Desde i = m como raz del arbol T aplicar el siguiente procedimiento
recursivo.
Para cada hijo j de i. Sea Ti el arbol que contiene a i al
eliminar la arista [i; j ] del arbol T . Sea zi el -Centdian de
Ti. Si f (Ti; zi ) > f realizar la operacion siguiente:
Obtener el 2-bosque B = T , f[i; j ]g.
Aplicar el algoritmo 2CDB para obtener el 2-Centdian
(z1; z2 ) de B .
Si f (B; (z1; z2)) < f tomar z = (z1; z2) y hacer
f = f (B; (z1 ; z2)).
Tomar i j
Paso 3. Finalizacion.
El par z es el 2-Centdian de T .
Figura 25. Algoritmo 2CDTH
4.8 El p--Centdian en la recta real.

En el caso de que cada vertice del arbol tenga a lo sumo un hijo, es decir, que
el arbol sea un camino o un trozo de la recta real, la complejidad del problema
p-Centdian (continuo y discreto) se reducira a O(pn3 ). Para obtener esta com-
plejidad, hay que tener en cuenta que el vertice vk , de la denicion del conjunto
R3 del teorema p-CD-arbol, debe coincidir con vi o vj . Por lo tanto, en este caso
jR3j = O(n2 ).
Proposicion 4.8.1 El problema de la p-Mediana r-restringido puede solucionarse
en un tiempo O(pn).
Demostracion: Cada vertice contribuye con a lo sumo 2 puntos en el camino
cuya distancia desde el vertice es igual a r. Por lo cual, es suciente considerar un
problema discreto con al menos 3n puntos. Este problema discreto se soluciona
en un tiempo O(pn); si se utiliza el siguiente procedimiento de Hassin y Tamir
[80]. Este procedimiento es similar al que se ha mostrado para el problema del
Centdian en el arbol.
130
Sea
X
fm(U; X ) = wi d(X; vi ):
vi 2U
con wi 0: Entonces para vj ; vk 2 U; j < k se tiene que el coste de atender los

puntos de j a k desde vj o desde vk es:
k k ,1
jP k
w+ (j; k) = wi(vi , vj ) = wivi,
P P
wivi , ( wi)vj ;
P
i=j i=1 i=1 i=j

k k ,1
jP k
w, (j; k) = wi(vk , vi) = ,
P P
wivi+ wivi + ( wi)vk ;
P
i=j i=1 i=1 i=j

Para simplicar la notacion se dene para j = 1; :::; n; lo siguiente:
j j
A(j ) = wi;
P
AV (j ) = wivi:
P
i=1 i=1
Por lo tanto, se puede reformular w(j; k) y w0(j; k) como se muestra a conti-
nuacion:
w+ (j; k) = AV (k) , AV (j , 1) , (A(k) , A(j , 1))vj ; (1:1a)
w, (j; k) = ,AV (k) + AV (j , 1) + (A(k) , A(j , 1))vk : (1:1b)
Se sigue de (1.1) que despues de unos pasos previos para calcular A y AV
que consumen un tiempo O(n), tanto w+ (j; k) como w, (j; k) pueden obtenerse
en tiempo constante para un par jado j k: Para resolver el problema del
p-Centdian se utilizan dos funciones recursivas denominadas F (j ) y G(j ) con
j = 1; ::; n: Donde F (j ) es el valor objetivo optimo del subproblema reducido al
conjunto de vertices N j = fvj ; :::; vng y G(j ) es el valor respectivo del mismo
subproblema, siempre que un servicio este en vj :
G(j ) =j<kmin
n+1
f,AV (j , 1) + A(j , 1)vj , A(k , 1)vj + AV (k , 1) + F (k)g:
F (j ) =j<k
minn
fAV (j , 1) , A(j , 1)vk + A(k)vk , AV (k) + G(k)g:
Se dene para j = 1; :::; n;
F 0(j ) = F (j ) + AV (j , 1);
G0(j ) = G(j ) , AV (j ) + A(j )vj :
Entonces las funciones se pueden reescribir como se muestra a continuacion:
G(j ) =j<kmin
n+1
f,A(k , 1)vj + F 0(k)g: (2:2a)
4.9. Conclusiones. 131
F (j ) =j<k
minn
f,A(j , 1)vk + G0(k)g: (2:2b)
Para resolver este sistema de ecuaciones recursivas, considerese la ecuacion
G(j ); donde cada k > j representa un punto en el plano con coordenadas
(A(k , 1); F 0(k)): Un punto k = k(j ) que minimiza la ecuacion G(j ) se corre-
sponde con un punto extremo de la envoltura convexa del conjunto planar de
puntos (A(k , 1); F 0(k)); j < k n + 1: Por esta razon solo es necesario man-
tener estos puntos extremos. Este mnimo de todos ellos es determinado por
el coeciente ,vj : Este coeciente es monotono en j y, por lo tanto, se asume
que la secuencia de puntos mnimos es monotona. Es decir, k(j ) k(j + 1): El
razonamiento es similar para la ecuacion F (j ); pero con los puntos del plano,
(vk ; G0(k)); j k n: La monotona de estos puntos mnimos permite usar pro-
cedimientos estandares de geometra computacional, para construir y mantener
ecientemente la envoltura convexa, cuando j vara de n a 1:
Todos los valores de G(j ) y F (j ), para j = 1; :::; n, son generados en tiempo
lineal. La union entre las dos envolturas convexas es gobernada por las ecuaciones
(2.2a) y (2.2b). Especcamente se comienza con G(n) = F (n), y recursivamente
para j = n , 1; :::; 1 se calcula primero G(j ) y despues F (j ): De esta manera se
concluye que el tiempo total empleado es de O(pn). 2
4.9 Conclusiones.
En este captulo se introduce el problema del Centdian generalizado, adaptando
las propiedades del 1--Centdian al problema del 1--Centdian generalizado, as
como el algoritmo de Halpern.
Respecto al p-Centdian, primero hay que hacer notar que el modelo discreto
en el que el conjunto p-Centdian esta restringido al conjunto de vertices U , puede
solucionarse en un tiempo O(pn4 ). Esto se deduce directamente del hecho de que
en este caso, el conjunto R1, del teorema p-CD-arbol debe incluir el valor optimo
r, y el problema de la p-Mediana r-restringido discreto se puede solucionar en
un tiempo O(pn2); si se utiliza el algoritmo de Tamir (1996) [163]. Tambien se
ha a~nadido un algoritmo alternativo que resuelve el modelo discreto en tiempo
O(np ) para p < 4.
El modelo (continuo) con wi0 = 1; i = 1; :::; n, es solucionable en un tiempo
O(pn5 ). Lo cual se inere del hecho de que el conjunto R1 [ R2 del teorema
p-CD-arbol, incluye el valor optimo r, para este caso R = R1 [ R2.
En el caso especial de la recta real, la complejidad del problema p-Centdian
(continuo y discreto) se reducira a O(pn3 ). Para obtener esta complejidad notese
132
que el vertice vk , de la denicion del conjunto R3 del teorema p-CD-arbol, debe
coincidir con vi o vj . Por lo tanto, en este caso jR3j = O(n2 ). Ademas, el
problema de la p-Mediana r-restringido puede solucionarse en un tiempo O(pn):
En vista de la relativa alta complejidad O(pn6 ), se plantea la relevante cuestion
de si podra evitarse el explcito calculo de la funcion g(r), para todos lo valores
de r 2 R, denida en el teorema p-CD-arbol. Esto podra ser posible si la funcion
g(r) fuera convexa. Desafortunadamente, no es el caso, como se ilustra con el
siguiente ejemplo.
M+2 e

M+3/2 e
e
5 e
1/2 1 2
Figura 26. Funcion g(r)
(Ver la graca.-Funcion g(r))Como se puede observar g(r) es lineal (creciente)

para 1=2 r 1, g(r) es lineal (decreciente) para 1 r 2, y g(r) es constante
(=5) para r 2.
Apendice A
CO DIGO DEL 2-CENTDIAN
EN UN GRAFO.
PROGRAM Dos_Cent_Dian_Grafo (input, output, Datos);
{
{ HEURISTICA BASADA EN ARBOLES PARA EL 2CD EN UN GRAFO
{
{ Dado un grafo con los pesos de los vertices y el valor de lambda
{ Se genera un arbol generador de partida aleatorio usando PRIM-P.
{ Se utilizan los movimientos ADD-DROP, determinando la arista que
{ entra con criterio ansioso (el primero mejor) y la que sale con
{ sale con criterio greedy (el mejor primero). Para cada arbol se
{ resuelve el 2-CentDian correspondiente por el algoritmo 2CDT.
{
{ El algoritmo 2CDT rompe el arbol en dos formando un 2-bosque
{ al quitar una arista. La arista eliminada se selecciona en
{ orden BFS (Bread First Search) partiendo de la mediana como raiz.
{ Para cada 2-bosque se halla el 2CD por el algoritmo 2CDB.
{
{ El algoritmo 2CDB calcula, para cada uno de los dos arboles,
{ el centro, mediana y cent-dian (c1,m1,z1) y (c2,m2,z2)
{ y sus radios (rc1,rm1,rz1) y (rc2,rm2,rz2).
{ Si rm1 < rz2 el 2cd es (m1,z2).
{ Si rm2 < rz1 el 2cd es (z1,m2).
{ En otro caso, se recorren a la vez los dos caminos que van
{ desde los centdianes z1 y z2 hacia las medianas m1 y m2
{ hasta que cambia de signo la pendiente de la funcion objetivo.
}
133
134
Apendice A. CODIGO DEL 2-CENTDIAN EN UN GRAFO.
USES Dos ;
CONST Infin = 1000000;

nMax = 101;
TYPE Vertices = 1..nMax ;

IVector = array[Vertices] of Integer;
RVector = array[Vertices] of Real;
BVector = array[Vertices] of Boolean;
VertPter = ^Vert;
Vert = Record
Vertice : Vertices;
Next : VertPter;
End;
NodoPter = ^Nodo;
Nodo = Record
Vertice : Vertices;
Long : Real;
Next : NodoPter;
End;
ListaAdy = array[Vertices] of NodoPter;
Punto = Record
vi, vj : Integer;
ti, tj : real;
End;
Solucion = Record
punto1,punto2 : punto;
Radio, suma : real;
Funcion : real
End;
Arista = Record
e1,e2: Vertices ;
Long12 : Real ;
End ;
AristVector = array[Vertices] of Arista ;
VAR NomFich : String[8] ;

135
Datos,Salida : Text ;
nNodos, nAristas : Integer;

Grafo,Arbol,Bosque : ListaAdy;
Pesos : IVector ;
Lambda : Real ;
Sol,MejorSol : Solucion ;
MejorObj : Real ;
Tiempo,MejorTiempo : Real;
Fuera : AristVector ;
k,Entra : Integer ;
Mejora : Boolean ;
FUNCTION CPUTime : Real ;
VAR h,m,s,c: Word ;
BEGIN
GetTime(h,m,s,c);
cputime := h*3600.0 + m*60. + s + 0.01*c ;
END ;
PROCEDURE EscribeSolucion( File : Text, Sol : Solucion ) ;
BEGIN
With Sol
do Begin
writeln (' SOLUCION :');
writeln (' Radio: ', Radio:6:2);
writeln (' Suma : ', Suma:6:2);
writeln (' Funcion lambda-cent-dian: ',funcion:6:2);
With Punto1
do writeln (' Punto 1: p([',vi,',',vj,'],',ti:4:2,').');
With Punto2
do writeln (' Punto 2: p([',vi,',',vj,'],',ti:4:2,').');
end;
Readln;
END ;
136
PROCEDURE LeerDatos(Var Adyac : ListaAdy ;

Var Pesos : IVector );
{ Este procedimiento lee el fichero de datos }

{ donde este el grafo y lo almacena en forma }
{ de lista de adyacendia. Las longitudes de }
{ las aristas las guarda en un campo de los }
{ registros que forman las listas. Los pesos }
{ de los nodos los guarda en un array aparte }
VAR Long : Integer ;

i, j, k : Vertices ;
nuevo, ultimo : NodoPter;
BEGIN
Readln (Datos, nNodos, naristas);
For i := 1 to nNodos
do Adyac[i] := nil; { Inicializa las listas }
For k := 1 to naristas
do Begin
Readln(Datos, i, j, long);
New(Nuevo); {Listas de adyacencia}
Nuevo^.Vertice := j;
Nuevo^.Long := long;
Nuevo^.Next := Adyac[i];
Adyac[i] := Nuevo ;
New(Nuevo); { Listas de adyacencia }
Nuevo^.Vertice := i;
Nuevo^.Long := long;
Nuevo^.Next := Adyac[j];
Adyac[j] := Nuevo ;
End;
END;
PROCEDURE PuntoVertice( Var p : Punto; v : Vertices) ;
BEGIN { Crea un punto p como el vertice v }

With p
do Begin
vi := v ; vj := v ;
137
ti := 0 ; tj := 0 ;
End ;
END ;
PROCEDURE DistArbol( s : Vertices;

Arbol : ListaAdy ;
var Dist : RVector;
var Padre : IVector;
var Visitado : BVector ;
var Grado : IVector);
{ Recorrido en profundidad desde s para }

{ hallar en el arbol lo siguiente: }
{ - las distancias desde s a cada nodo, }
{ - el vector Padre del camino minimo }
{ - los nodos Visitados del arbol y }
{ - el Grado de cada nodo. }
PROCEDURE DFS( s : Vertices;

Arbol : ListaAdy ;
var Dist : RVector;
var Padre : IVector;
var Grado : IVector);
{ Procedimiento recursivo para }
{ el recorrido en profundidad DFS }
{ Depth First Search }
VAR v : NodoPter;
BEGIN { DFS }
Visitado[s] := True;
v := Arbol[s];
While v <> nil
do Begin
Grado[s] := Grado[s] + 1;
If Visitado[v^.Vertice] = False Then
Begin
Padre[v^.Vertice] := s;
Dist[v^.Vertice] := Dist[s] + v^.Long;
DFS(v^.Vertice, Arbol, Dist, Padre, Visitado, Grado);
End;
v := v^.Next;
End;
138
END; { DFS }
VAR i : Vertices;
BEGIN { DistArbol }
Do Begin { Inicializacion de visitado y grado }
Visitado[i] := False;
Grado[i] := 0 ;
End ;
Padre[s] := s;
Dist[s] := 0 ; { DFS desde el nodo raiz }
DFS(s,Arbol,Dist,Padre,Visitado,Grado) ;
END ; { DistArbol }
PROCEDURE MasLejos( s : Vertices ;

Arbol : ListaAdy ;
var Vertmax : Vertices;
var Dist : RVector;
var Padre : IVector ;
var Grado : IVector ;
var Distmax : real);
{ este procedure halla, dado un nodo s, }

{ el mas alejado a s, las distancias y }
{ la distancia maxima. }
Var i : Vertices;
BEGIN
DistArbol(s, Arbol, Dist, Padre, Visitado, Grado);
Distmax := 0;
Vertmax := s;
do If visitado[i] then
If (dist[i] > dist[vertmax]) then
Vertmax := i;
Distmax := dist[vertmax];
END;
PROCEDURE CentroArbol( s : Vertices;

Arbol : ListaAdy;
139
var Centro : Punto ;
var Radio : Real);
{ Halla el centro del arbol de raiz s }
{ por el metodo de Handler, 1973. }
VAR i, t : Vertices;
dist : RVector ;
distmax : real;
Grado,Padre : IVector ;
Visitado : BVector ;
BEGIN
MasLejos(s, Arbol, t, Dist, Padre, Visitado, Grado, Distmax);
{ Halla el vertice t mas alejado de s.}
MasLejos(t, Arbol, s, Dist, Padre, Visitado, Grado, Distmax);
{ Halla el vertice s mas alejado de t }
{ y la distancia ente s y t. }
Radio := Distmax / 2;
i := s; { Busca el punto medio del camino que une s y t.}
While Dist[Padre[i]] > Radio
do i := Padre[i] ;
With Centro
do Begin
ti := Dist[i] - Radio;
vi := i;
vj := Padre[i];
tj := Radio - Dist[Padre[i]] ;
End ;
END;
PROCEDURE MedianaArbol( Raiz : Vertices;

Arbol : ListaAdy;
var Pendiente : IVector ;
var Padre : IVector ;
var Mediana : Vertices);
{ Halla las medianas de un arbol por}
{ el algoritmo de Goldman. Pero no }
{ se detiene al encontrar la mediana}
{ obteniendo asi las pendientes de }
{ la funcion objetivo en la arista }
{ que une cada vertice con su padre }
VAR Hojas,HojaPter : VertPter ;
i, hoja : Vertices ;
j1,j2,j3 : Vertices ;
140
Encontrado : boolean;
Activo : BVector;
Dist : RVector ;
nNodosArbol : Integer ;
Pesos,Grado : IVector ;
BEGIN { MedianaArbol }
DistArbol(Raiz,Arbol,Dist,Padre,Activo,grado) ;
{ Calcula los grados y activos }
nNodosArbol := 0 ;
{ nNodosArbol es el numero de nodos del rbol }
do If Activo[i] Then
nNodosArbol:= nNodosArbol + 1 ;
do If Activo[i] Then { Para la version con pesos no se inicializa }
Pesos[i] := 1 ;
If nNodosArbol = 1 { Hay que tener en cuenta aparte este caso }
Then Begin
Mediana := Raiz ;
Padre[Mediana] := Mediana ;
Pendiente[Mediana] := 0 ;
Exit ;
End ;
Hojas := Nil ; { Crea la lista de hojas }

do If (Grado[i] = 1) and Activo[i] Then
Begin
New(HojaPter) ;
HojaPter^.Vertice := i ;
HojaPter^.Next := Hojas ;
Hojas := HojaPter ;
End ;
Encontrado := False ;
Repeat { Toma una hoja del arbol }
Hoja := Hojas^.Vertice ;
If (Encontrado = False) Then
If ((Pesos[hoja] + Pesos[hoja]) >= nNodosArbol) Then
Begin { La hoja es mediana }
Encontrado := True ;
Mediana := Hoja ;
141
End ;
If Hoja = Raiz Then
Begin { en este caso solo elimina la hoja }
HojaPter := Hojas ;
Hojas := Hojas^.Next ;
Dispose(HojaPter) ;
End
Else
Begin
Pesos[Padre[hoja]] := pesos[padre[hoja]] + pesos[hoja];
Grado[Padre[hoja]] := grado[padre[hoja]] - 1;
If Grado[Padre[hoja]] = 1 Then
Hojas^.vertice := Padre[hoja]{ el padre de la hoja pasa }
Else { a ser una nueva hoja }
Begin
HojaPter := Hojas ; { desaparece la hoja y no }
Hojas := Hojas^.Next ; { aparece ninguna nueva }
Dispose(HojaPter) ;
End ;
End ;
Until Hojas = Nil ;
{ Se le da la vuelta al camino de la mediana a la raiz }
{ determinando el nuevo vector Padre[.] para que quede }
{ la mediana como raiz del arbol }
j1 := Mediana ;
j2 := Padre[j1] ;
j3 := Padre[j2] ;
While j1 <> Raiz { Reasignacion de enlaces }
do Begin { <--- j3 <--- j2 <--- j1 }
Padre[j2] := j1 ; { <--- j3 j2 ---> j1 }
j1 := j2 ;
j2 := j3 ; { j3 j2 j1 }
j3 := Padre[j2] ; { j3 j2 j1 }
End ;
Padre[Mediana] := Mediana ;
j1 := Raiz ; { Se invierten los pesos de este camino }

While j1 <> Mediana
do Begin
Pesos[j1] := nNodosArbol-Pesos[Padre[j1]] ;
j1 := Padre[j1] ;
End ;
142
For i := 1 to nNodos { Calculo de la pendiente de la funcion mediana }

do If Activo[i] Then
Pendiente[i] := nNodosArbol- (Pesos[i] + Pesos[i]) ;
Pendiente[Mediana] := 0 ;
END; { Mediana Arbol }
PROCEDURE CentDianArbol( s : Vertices ;

Arbol : ListaAdy ;
var Centdian : punto;
var RadioCD : real ;
var Centro : punto ;
var RadioCentro : Real ;
var Mediana : Vertices ;
var RadioMediana : Real ;
var Pendiente : IVector;
var DistMediana : RVector ;
var PadreMed : IVector ;
var LejosMed : Vertices );
{ Halla el Cent-dian de un arbol }
{ por el algoritmo CDT, metodo de}
{ de Perez, Moreno & Rguez (1998)}
{ Aportando ademas el centro, }
{ la mediana (con sus radios) y }
{ las pendientes en el camino }
{ hacia la mediana. }
VAR x : real;
v : Vertices;
Padre,Grado : IVector ;
BEGIN { CentDianArbol }
{ 1. Calcula el centro del arbol }
CentroArbol (s, Arbol, Centro, RadioCentro);
{ 2. Calcula la mediana del arbol }
MedianaArbol(s, Arbol, Pendiente, PadreMed, Mediana) ;
{ 3. Calcula el vertice mas alejado a la mediana }

143
MasLejos (Mediana, Arbol, LejosMed, DistMediana,
Padre, Visitado, Grado, RadioMediana);
{ 4. Mueve desde el centro hacia la mediana hasta que

cambia de signo la pendiente de f_lambda;
cuando la de la f_mediana llega a lambda/(1-lambda) }
x := lambda/(1-lambda) ;
With Centro
do If DistMediana[vi] < DistMediana[vj]
{ v es un extremo de la arista }
Then v := vj { que contiene al centro, el }
Else v := vi ; { mas alejado a la mediana }
If Pendiente[v] <= x Then { En este caso, no se mueve; }

Begin { el centro es el centdian }
CentDian := Centro ;
RadioCD := RadioCentro ;
End
Else
Begin { Recorrido del camino desde }
While pendiente[v] > x { el centro hacia la mediana }
do v := Padre[v] ; { hasta que la pendiente sea }
PuntoVertice(CentDian,v) ; { mayor o igual a "x" }
RadioCD := RadioMediana - DistMediana[v] ;
End ;
END; { CentDianArbol }
FUNCTION SumaMediana(p : Punto ;

Arbol : ListaAdy ) : Real ;
Var Suma : Real ;

i : Vertices ;
Dist1,Dist2 : RVector ;
Grado,Padre : IVector ;
BEGIN
Suma := 0.0 ; { Calcula las distancias desde p }
With p { a los vertices del arbol de p }
do Begin
DistArbol(vi,Arbol,Dist1,Padre,Visitado,Grado) ;
144
DistArbol(vj,Arbol,Dist2,Padre,Visitado,Grado) ;
do If visitado[i] Then
If ti+ Dist1[i] < tj + Dist2[i] Then
Suma := Suma + ti + Dist1[i]
Else
Suma := Suma + tj + Dist2[i] ;
End ;
SumaMediana := Suma ;
END ;
PROCEDURE DisCDBosque ( s1,s2 : Vertices ;

Bosque : ListaAdy;
Lambda : Real;
Var Sol : Solucion );
{Dado un 2-bosque halla los cent-dianes y medianas de ambos arboles. }

{Si RadioMediana1 < RadioCentdian2 la solucion es (Mediana1,CentDian2)}
{Si RadioMediana2 < RadioCentdian1 la solucion es (Mediana1,CentDian2)}
{En otro caso se mueven a la vez los centdianes hacia las medianas. }
VAR
Lejos1,Lejos2 : Vertices ;
CentDian1,CentDian2,
Centro1,Centro2,p : punto ;
Mediana1,Mediana2 : Vertices ;
Pendiente1,Pendiente2 : IVector ;
RadioCentro1,RadioCentro2 : real ;
RadioMediana1,RadioMediana2 : real ;
RadioCentDian1 : Real ;
RadioCentDian2 : real ;
v10,v20,v1,v2,i : Vertices;
Dist1,Dist2 : RVector ;
Visitado1,Visitado2 : BVector ;
Padre1,Padre2 : IVector ;
x : Real ;
BEGIN { DosCDBosque }
CentDianArbol(s1, Bosque,
CentDian1, RadioCentDian1,
Centro1, RadioCentro1,
145
Mediana1, RadioMediana1,
Pendiente1, Dist1, Padre1, Lejos1) ;
CentDianArbol(s2, Bosque,
CentDian2, RadioCentDian2,
If RadioMediana2 <= RadioCentDian1 Then

Begin { La solucion es la formada por }
With Sol { - El centdian del arbol 1 }
Do Begin { - La mediana del arbol 2 }
Punto1 := Centdian1 ;
PuntoVertice(p,Mediana2) ;
Punto2 := p ;
Radio := RadioCentDian1 ;
Suma := SumaMediana(Punto1,Arbol) + SumaMediana(Punto2,Arbol) ;
Funcion := lambda * Radio + (1 - lambda) * Suma ;
End ;
Exit ;
End ;
If RadioMediana1 <= RadioCentDian2 Then

Begin { La solucion es la formada por }
With Sol { - El centdian del arbol 2 }
Do Begin { - La mediana del arbol 1 }
PuntoVertice(p,Mediana1) ;
Punto1 := p ;
Suma := SumaMediana(Punto1,Arbol) + SumaMediana(Punto2,Arbol) ;
End ;
Exit ;
End ;
{ v1 es el extremo mas alejado a Mediana1 }
{ de la arista que contiene al CentDian1. }
With CentDian1
do If Dist1[vi] > Dist1[vj]
Then v10 := vi
Else v10 := vj ;
{ v2 es el extremo mas alejado a Mediana2 }
146
{ de la arista que contiene al CentDian2. }
With CentDian2
do If Dist2[vi] > Dist2[vj]
Then v20 := vi
Else v20 := vj ;
{ v1 y v2 recorren los vertices de los caminos respectivos }
v1 := v10 ;
v2 := v20 ;
x := lambda/(1-lambda) ;
{ Se van moviendo los dos vertices v1 y v2 }
{ hacia sus medianas m1 y m2 hasta que }
{ la pendiente cambia de signo }
{ En cada caso se mueve el de menor radio }
While Pendiente1[v1] + Pendiente2[v2] > x
do If RadioMediana1-Dist1[Padre1[v1]] <
RadioMediana2-Dist2[Padre2[v2]]
Then v1 := Padre1[v1]
Else v2 := Padre2[v2] ;
If (v1 = v10) and (RadioCentdian1 > RadioCentdian2)

{ No se ha movido v1. Entonces }
Then Begin{ La solucion es la formada por }
{ CentDian1 y z2(RadioCentDian1) }
While RadioMediana2 - Dist2[Padre2[v20]] < RadioCentDian1
do v20 := Padre2[v20] ;
With Sol
do Begin
With Punto2
do Begin
vi := v20 ;
vj := Padre2[v20] ;
ti := RadioCentDian1 - (RadioMediana2 - Dist2[v20]) ;
tj := (RadioMediana2- Dist2[Padre2[v20]])
- RadioCentDian1 ;
End ;
Suma := SumaMediana(Punto1,Arbol)
+ SumaMediana(Punto2,Arbol) ;
End ;
147
Exit
End
Else
If (v2 = v20) and (RadioCentdian2 > RadioCentdian1)
{ No se ha movido z2 }
Then Begin{ La solucion es la formada por CD2 }
{ y el punto z1(RadioCentDian2) }
While RadioMediana1 - Dist1[Padre1[v10]] < RadioCentDian2
do v10 := Padre1[v10] ;
With Sol
do Begin
With Punto1
do Begin
vi := v10 ;
vj := Padre1[v10] ;
ti := RadioCentDian2 - (RadioMediana1 - Dist1[v10]) ;
tj := (RadioMediana1 - Dist1[Padre1[v10]])
- RadioCentDian2 ;
End ;
End ;
Exit ;
End
Else
{ La solucion esta formada por uno de los vertices }
{ (el que tenga mayor radio) !! Por eso el "If" }
{ Y el punto del otro camino que iguala su radio }
If RadioMediana1-Dist1[v1] > RadioMediana2-Dist2[v2] Then

With Sol
do Begin
PuntoVertice(p,v1) ;
Punto1 := p ;
Punto2.vi := v2 ;
Punto2.vj := Padre2[v2] ;
Punto2.ti := (RadioMediana1-Dist1[v1])
- (RadioMediana2-Dist2[v2]) ;
148
Punto2.tj := (RadioMediana2-Dist2[Padre2[v2]])
- (RadioMediana1-Dist1[v1]);
Radio := RadioMediana1-Dist1[v1] ;

End
Else
With Sol
do Begin
PuntoVertice(p,v2) ;
Punto2 := p ;
Punto1.vi := v1 ;
Punto1.vj := Padre1[v1] ;
Punto1.ti := (RadioMediana2-Dist2[v2])
Punto1.tj := (RadioMediana1-Dist1[Padre1[v1]])
Radio := RadioMediana2-Dist2[v2] ;
End ;
END; { DosCDBosque }
PROCEDURE QuitaArista(e1,e2 : Vertices ;

var Arbol : ListaAdy ;
var long : Real ); { Variable de salida }
VAR p,q : NodoPter ;
BEGIN
p := Arbol[e1];
If p^.vertice = e2 Then{ es el primero en la lista de adyacencia }
Begin
Arbol[e1]:= p^.next ;
149
Dispose(p);
End
Else Begin { NO es el primero en la lista de adyacencia }
while p^.vertice <> e2
do Begin
q := p ;
p := p^.next ;
End ;
long := p^.long ;
q^.next := p^.next;
dispose(p);
End ;
p := Arbol[e2];
If p^.vertice = e1 Then{ es el primero en la lista de adyacencia }
Begin
Arbol[e2]:= p^.next ;
Dispose(p);
End
Else Begin { NO es el primero en la lista de adyacencia }
while p^.vertice <> e1
do Begin
q := p ;
p := p^.next ;
End ;
long := p^.long ;
q^.next := p^.next;
dispose(p);
End ;
END ; { QuitaArista }
PROCEDURE PoneArista( e1,e2 : Vertices;

Var Arbol : ListaAdy ;
long : Real ) ;
VAR Nuevo : NodoPter ;
BEGIN
new(nuevo);
nuevo^.vertice := e2;
nuevo^.long := long;
nuevo^.next := Arbol[e1] ;
Arbol[e1] := Nuevo ;
150
new(nuevo);
nuevo^.vertice := e1;
nuevo^.long := long;
nuevo^.next := Arbol[e2] ;
Arbol[e2] := Nuevo ;
END ;
PROCEDURE DosCDArbol (
Pesos : IVector;
Var MejorSol : Solucion );
{ Calcula el 2-CD en el arbol eliminando }

{ una arista que recorre el grafo en orden }
{ BFS partiendo de la mediana como raiz y }
{ calculando el 2-CD en cada bosque }
VAR v,Mediana : Vertices ;

Sol : Solucion;
BFSVisitado : BVector ;
Radio1,Suma1,Funcion1 : Real ;
PadreMed,Padre,Grado : IVector ;
DistMediana : RVector ;
v1,v2 : Vertices ;
vList,v2Item,v2Lista,
item,item1 : VertPter ;
e : NodoPter;
Long : Real ;
Centro1,CentDian1 : Punto ;
RadioCentDian1, RadioCentro1, RadioMediana1 : Real ;
Pendiente1 : IVector ;
Padre1 : IVector ;
Mediana1,Lejos1: Vertices ;
Dist1 : RVector ;
BEGIN { DosCDArbol }
MejorSol.funcion := Infin ;
151
MedianaArbol(1, Arbol, pesos, PadreMed, Mediana) ;
New (vList) ; { Lista de vertices a visitar por el BFS }

With vList^
do Begin
Next := Nil ;
Vertice := Mediana ;
end ;
For v := 1 to nNodos
do BFSvisitado[v] := False ;
While vList <> Nil

do Begin
v1 := vList^.vertice ; { recorriendo por el vertice v1 }
e := Arbol[v1] ;
BFSvisitado[v1] := True ;
v2Lista := Nil ; { Lista a anadir a los vertices a visitar }
Repeat { formada por: los adyacentes a v1 }
New(v2Item);
With v2Item^
do Begin
vertice := e^.vertice ;
next := v2lista ;
end ;
v2lista := v2Item ;
e := e^.next ;
Until e = Nil ;
v2Item := v2Lista ;
Repeat
v2 := v2Item^.vertice ;
QuitaArista(v1,v2,Arbol,long) ;
{ Se resuelve el Centdian en el arbol que contiene a la mediana }
CentDianArbol( v1, Arbol,CentDian1, RadioCentDian1,

Radio1 := RadioCentDian1 ;
suma1 := SumaMediana(CentDian1 , Arbol) ;
152
Funcion1 := lambda * radio1 + (1 - lambda) * suma1;
{ Solo si el CentDian en este arbol no es peor }

{ que la mejor solucion encontrada hasta ahora }
{ se continua por la rama BFS del arbol. }
If Funcion1 < MejorSol.funcion Then

Begin
If Not BFSvisitado[v2] Then
{ Si v2 aun no ha sido visitado }
Begin { se anade v2 al final de la lista }
New(item1) ;
item := vList ;
While item^.Next <> Nil
do item := item^.next ;
item^.next := item1 ;
with item1^
do Begin
vertice := v2 ;
next := Nil ;
End ;
End ;
{ Se resuelve el DOSCDBOSQUE }
DosCDBosque (v1,v2,Arbol, lambda, Sol);
If (Sol.funcion < MejorSol.funcion) Then

MejorSol := Sol ;
End ;
PoneArista(v1,v2, Arbol,long) ;
v2Item := v2Item^.next ; {Se toma otra arista [v1,.] a quitar}

Until v2Item = Nil ;
v2Item := v2lista ; { Vaciado de la lista v2Lista }

While v2Item <> nil
do Begin
v2lista := v2lista^.next ;
Dispose (v2Item) ;
v2Item := v2Lista ;
End ;
item := vList ;
153
vList := vList^.next ;
Dispose(item) ; { Se elimina elemento de la lista vList }
End; {Fin del WHILE que recorre los vertices en BFS }
END ; { DosCDArbol }
PROCEDURE Mueve(
Var Arbol : ListaAdy;
Var Fuera : AristVector ;
Var MejorSol : Solucion );
{ HEURISTICA ANSIOSA-GREEDY }
{ Usa el Movimiento ADD-DROP }
{ Selecciona la arista entrante }
{ con la regla el primero mejor }
{ y despues la arista saliente }
{ con la regla el mejor primero }
Var v1,v2,w1,w2,w1opt,w2opt : Vertices ;

Dist1 : RVector ;
Padre, Grado : IVector ;
InicObj,MejorObj, Lv12,Lw12,Lw12opt : Real ;
InicEntra,BestEntra : Integer ;
Sol,InicSol : Solucion ;
BEGIN
MejorObj := MejorSol.Funcion ;
DosCDArbol( Arbol, Pesos , InicSol ) ;
InicObj := InicSol.Funcion ;
If (Entra < 1) or (Entra > nAristas-nNodos+1) Then
Entra := 1 ;
InicEntra := Entra ;
Repeat
v1 := Fuera[Entra].e1 ;
v2 := Fuera[Entra].e2 ;
Lv12 := Fuera[Entra].Long12 ;
{ Se determina el vector Padre }

DistArbol(v1,Arbol,Dist1,Padre,Visitado,Grado) ;
154
{ Se aade la arista [v1,v2] de longitud Lv12 }
PoneArista(v1,v2, Arbol,Lv12 ) ;
w1 := v2 ;
Repeat
w2 := Padre[w1] ;
{ Se quita la arista [w1,w2] de longitud Lw12 }
QuitaArista(w1,w2, Arbol,Lw12 ) ;
DosCDArbol( Arbol, Pesos , Sol ) ;

If Sol.Funcion < MejorObj
Then Begin
MejorObj := Sol.Funcion ;
MejorSol := Sol ;
w1opt := w1 ;
w2opt := w2 ;
Lw12opt := Lw12 ;
BestEntra := Entra ;
Fuera[BestEntra].e1 := w1opt;
Fuera[BestEntra].e2 := w2opt ;
Fuera[BestEntra].Long12 := Lw12opt ;
Exit ;
End ;
{ Se re-pone la arista [w1,w2] de longitud Lw12 }
PoneArista(w1,w2, Arbol,Lw12) ;
w1 := w2 ;
Until w1 = v1 ;
QuitaArista(v1,v2, Arbol,Lv12 ) ;
Entra := Entra + 1 ;
If (entra > nAristas-nNodos+1) Then
entra := 1 ;
Until Entra = InicEntra ;
If MejorObj < InicObj Then

Begin
v1 := Fuera[BestEntra].e1 ;
v2 := Fuera[BestEntra].e2 ;
Lv12 := Fuera[BestEntra].Long12 ;
PoneArista(v1,v2, Arbol,Lv12 ) ;
{ Se quita la mejor arista [w1,w2] de longitud Lw12 }

QuitaArista(w1opt,w2opt, Arbol,Lw12opt ) ;
{ La arista quitada ocupa el lugar de la que entra }
155
Fuera[BestEntra].e1 := w1opt;
Fuera[BestEntra].e2 := w2opt ;
Fuera[BestEntra].Long12 := Lw12opt ;
End
Else MejorSol := InicSol ;
END ;
PROCEDURE SemiPrim ( Grafo : ListaAdy ;

Var Fuera : AristVector ) ;
{ Algoritmo de Prim modificado con }
{ componente aleatoria }
VAR i,j,k,s : Vertices ;
Edge,Nuevo : NodoPter ;
Vert : VertPter ;
Level : RVector ;
Dentro : BVector ;
Padre : IVector ;
NumEnlaces : IVector ;
ListaEntra,ItemEntra,UltimoEntra : VertPter ;
Count : Integer ;
BEGIN (* SEMI-PRIM *)
For i := 1 to nNodos { Inicializaciones }
do Begin
Level[i] := MaxInt;
Dentro[i] := False ;
NumEnlaces[i] := 0 ;
End ;
s := 1 ; { La raiz es 1 }
Level[s] := 0;
Padre[s] := s ;
New(ListaEntra) ; { Lista de vertices a entrar }
With ListaEntra^
do Begin
Vertice := s ;
Next := Nil ;
End ;
UltimoEntra := ListaEntra ;
For k := 1 to nNodos
do Begin (* ITERATION *)
156
i := ListaEntra^.Vertice ; { Entra el primer vertice de la lista }
Dentro[i] := True ;
Edge := Grafo [i];
While Edge <> Nil
do Begin
j := Edge^.Vertice ; { Con los adyacentes al vertice entrante }
If Dentro[j] = False Then { que no hayan entrado }
Begin { IF-1 }
If Level[j] = MaxInt Then
Begin { Si no hay ningun enlace se conecta a i }
Level[j] := Edge^.Long ;
Padre[j] := i ;
NumEnlaces[j] := 1 ;
New(ItemEntra) ;
With ItemEntra^
do Begin
Vertice := j ;
Next := Nil ;
End ;
UltimoEntra^.Next := ItemEntra ;
UltimoEntra := ItemEntra ;
End
Else
Begin
NumEnlaces[j] := NumEnlaces[j] + 1 ;
If Random < 1.0/NumEnlaces[j]
{ Si hay ya hay enlaces }
Then Beginm { con esta probabilidad el enlace es i }}
Level[j] := Edge^.Long ;
Padre[j] := i ;
End ;
End ;
End ; { IF-1 }
Edge := Edge^.Next;
End; { ENDWHILE }
ItemEntra := ListaEntra ;
ListaEntra := ListaEntra^.Next ;
Dispose(ItemEntra) ;
End { Iteracion };
{ Creacion de las listas de adyacencia del arbol }
do Arbol[i] := nil; { Inicializa las listas }
157
do For j := 1 to nNodos
do If (i <> j) Then
If Padre[j] = i Then
Begin
Nuevo^.Vertice := j;
Nuevo^.Long := Level[j];
Nuevo^.Next := Arbol[i];
Arbol[i] := Nuevo ;

Nuevo^.Vertice := i;
Nuevo^.Long := Level[j];
Nuevo^.Next := Arbol[j];
Arbol[j] := Nuevo ;
End; {for}
Count := 0 ;
{ lista de las aristas del grafo que quedan fuera del arbol }
do Begin
Edge := Grafo [i];
While Edge <> Nil
do Begin
j := Edge^.Vertice ;
If (Padre[i] <> j) and (Padre[j] <> i) and (i < j)
Then Begin
count := count+1 ;
With Fuera[count]
do Begin
e1 := i ;
e2 := j ;
Long12 := Edge^.long ;
End ;
End ;
Edge := Edge^.Next ;
End ;
End ;
END ; { SEMI-PRIM }
PROCEDURE EscribeGrafo( Grafo : ListaAdy ) ;

158
var e : NodoPter ;
i : Integer ;
BEGIN
Writeln('Grafo:');
do Begin
Write(i:3,': ');
e := Grafo[i] ;
Repeat
Write(e^.Vertice:3);
e := e^.Next ;
Until e = Nil ;
Writeln;
End ;
END ;
BEGIN {PROGRAMA PRINCIPAL}
Writeln(' Nombre del fichero (sin extensin) que contiene el grafo');

Readln (NomFich) ;
Assign ( Datos, 'c:\otros\Dioni\tesis\'+Nomfich+'.dat') ;

Reset (Datos);
Assign (Salida, 'c:\otros\Dioni\tesis\'+Nomfich+'.sal') ;

Rewrite (Salida);
Writeln(Salida,'Problemas de ',Nomfich);
LeerDatos( Grafo,Pesos) ;
Lambda := 0.8 ;
For k := 1 to nNodos do
pesos[k] := 1;
randomize ;
Tiempo := cputime;
TotalMejorSol.Funcion := MaxLongInt ;
MejorSol.Funcion := MaxLongInt ;
Repeat
159
SemiPrim (Grafo, Arbol, Fuera ) ;
DOSCDARBOL ( Arbol, Pesos , MejorSol );
Sol := MejorSol ;
Repeat
Mueve(Arbol,Fuera,Sol) ;
If Sol.Funcion < MejorSol.Funcion Then
Begin
Mejora := True ;
MejorSol := Sol ;
Mejortiempo := cputime - tiempo ;
Writeln ('MEJOR SOLUCION :');
EscribeSolucion(Sol) ;
Writeln(' Mejor Tiempo: ',Mejortiempo:8:2,' segundos');
Writeln('Pulsa Return'); Readln ;
End
Else Mejora := False ;
Until Not Mejora ;
If Sol.Funcion < TotalMejorSol.Funcion Then
Begin
TotalMejorSol := Sol ;
Mejortiempo := cputime - tiempo ;
Writeln ('MEJOR SOLUCION :');
EscribeSolucion(Sol) ;
Writeln(' Mejor Tiempo: ',Mejortiempo:8:2,' segundos');
Writeln('Pulsa Return'); Readln ;
End ;
Until (cputime - tiempo > 180);
Tiempo := cputime - tiempo;

With MejorSol
do Begin
Writeln (Salida,'MEJOR SOLUCION :');
Writeln (Salida,' radio: ', Radio:6:2);
Writeln (Salida,' suma : ', Suma:6:2);
Writeln (Salida,' funcion lambda-cent-dian: ',funcion:6:2);
With Punto1
do Writeln (Salida,' punto1: p([',vi,',',vj,'],',ti:4:2,').');
With Punto2
do Writeln (Salida,' punto2: p([',vi,',',vj,'],',ti:4:2,').');
end;
writeln(Salida);
writeln(Salida,' Mejor Tiempo: ',Mejortiempo:8:2,' segundos');
160
Writeln(Salida,MejorSol.funcion:6:2,Mejortiempo:6:2);
Writeln(MejorSol.funcion:6:2,Mejortiempo:6:2);
Close (Datos);
Close (Salida) ;
END.
Apendice B
CO DIGO DE LA HEURISTICA
VNDS.
* Variable Neighbourhood Decomposition Search (VNDS)
* for p-median problem of the vertex set of a graph.
* ---------------------------------------------------------------------
* Authors: Pierre Hansen, Nenad Mladenovic and Dionisio Perez Brito
* ---------------------------------------------------------------------
*
* Data:
* -----
* n - number of vertices
* p - number of medians
* d - distance matrix
*
* Variables:
* ----------
* m(j) - median where vertex j is assigned (solution)
* f - solution value obtained by this heuristic
*
* Auxiliary Variables:
* ----------------------
* x(j) - solution
* m(j) - median
* s(j) - second median
*
161
162
Apendice B. CODIGO DE LA HEURISTICA VNDS.
* ----------------------------------------------------------------
integer n,p
real d(6000,6000)
real*8 seed
* ----------------------------------------------------------------
*
write(*,*)'Enter: "1" for solving SINGLE problem'
write(*,*)' "2" for ORLIB test problems'
read(*,*)input
if(input.eq.1)then
read(*,*) n,p,d
else
write(*,*)' Enter file '
read(*,*) n,p,d
endif
*
* CONSTANTS:
* ------------------------------------ seed for pseudo-random numbers
seed=21.d+00
big=1.e20
*
* Stop parameters:
* ----------------
MaxNoImpIt = 1000
* -------------------------- Max. Number of No Improvement Iterations
MaxItInt = 10000
* ----------------------------- Max. Number of Interchange Iterations
maxitVNS = 1000000
* ------------------------------------- Max. Number of VNS Iterations
maxitVNDS = 100000
* ------------------------------------ Max. Number of VNDS Iterations
kmaxVNS = p
* ------------------------------------------- Max. value of k for VNS
kmaxVNDS = p
* ------------------------------------------ Max. value of k for VNDS
kmaxMC-VNS = 2
* ---------------------------------------- Max. value of k for MC-VNS
*
call VNDS(f,x,m,s,d,n,p,MaxTimeVNDS,MaxTimeVNS,TotalVNDS)
stop
end
*
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
163
subroutine InitSol(f,x,m,s,d,n,p)
* --------------------------------------------------- Random Solution
real d(6000,6000)
integer m(6000),s(6000),x(6000),p,n
* --------------------------------------
do j=1,n
x(j)=j
enddo
do j=1,p
i=j+(n-j)*GGUBFS(seed)
xj=x(j)
x(j)=x(i)
x(i)=xj
enddo
call FindMedian(x,m,d,n,p)
* --------------------------------------- Compute the objective value
f=0.
do i=1,n
f=f+d(x(i),m(x(i)))
enddo
call FindSecond(x,m,s,d,n,p)
return
end
*
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine FindMedian(x,m,d,n,p)
integer m(6000),x(6000),p,n
real d(6000,6000)
* ----------------------------------------- Find the median for users
do i=1,n
xi=x(i)
dmin=1.e20
do j=1,p
xj=x(j)
if(d(xi,xj).lt.dmin)then
dmin=d(xi,xj)
m(xi)=xj
endif
enddo
enddo
return
end
*
164
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine FindSecond(x,m,s,d,n,p)
integer m(6000),s(6000),x(6000),p,n
real d(6000,6000)
* ------------------------------------- Find second medians of users
do i=1,n
xi=x(i)
dmin=1.e20
do j=1,p
xj=x(j)
if(xj.ne.m(xi))then
if(d(xi,xj).lt.dmin)then
dmin=d(xi,xj)
s(xi)=xj
endif
endif
enddo
enddo
return
end
*
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine MedianOut(dif,x,m,s,d,n,p,xin,jout)
integer m(6000),s(6000),x(6000),p,n
real d(6000,6000),v(6000)
* ------------------------------------ Find the best going-out median
dif=0.
do j=1,p
v(x(j))=0.
* -------------------------------- v(x) the difference if x goes out
enddo
do i=1,n
xi=x(i)
if(d(xi,xin).lt.d(xi,m(xi)))then
dif=dif+d(xi,xin)-d(xi,m(xi))
else
mxi=m(xi)
if(d(xi,xin).lt.d(xi,s(xi))then
v(mxi)=v(mxi)+d(xi,xin)-d(xi,mxi)
else
v(mxi)=v(mxi)+d(xi,s(xi))-d(xi,mxi)
endif
endif
165
enddo
difmin=1.e20
do j=1,p
xj=x(j)
if(v(xj).lt.difmin)then
difmin=v(xj)
jout=j
endif
enddo
dif=dif+difmin
return
end
*
* ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine Update(x,m,s,d,n,p,xin,jout)
real d(6000,6000)
integer m(6000),s(6000),x(6000),p,n
* ----------------------------------- Update medians and second medians
xout=x(jout)
do i=1,n
xi=x(i)
if(m(xi).eq.xout)then
* --------------------------------------- x(i) loses its median
if(d(xi,xin).lt.d(xi,s(xi)))then
* ------------------------------- x_in will be the its median
m(xi)=xin
else
* ---------------------- the second median will be its median
m(xi)=s(xi)
* --------------------------------- find the second median
s(xi)=xin
dmin=d(x(i),xin)
do j=1,p
xj=x(j)
if(xj.ne.m(xi))then
if(xj.ne.xout)then
if(d(xj,xi).lt.dmin)then
dmin=d(xj,xi)
s(xi)=xj
endif
endif
endif
enddo
166
endif
else
* -------------------------------- x(i) does NOT lose its median
if(d(xi,xin).lt.d(xi,m(xi)))then
* ----------------------------------- x_in will be the median
s(xi)=m(xi)
m(xi)=xin
else
if(d(xi,xin).lt.d(xi,s(xi)))then
* ------------------------- x_in will be the second median
s(xi)=xin
else
* --------------------------- x(i) loses its second median
if(s(xi).eq.xout)then
s(xi)=xin
dmin=d(x(i),xin)
do j=1,p
xj=x(j)
if(xj.ne.m(xi))then
if(xj.ne.xout)then
if(d(xj,xi).lt.dmin)then
dmin=d(xj,xi)
s(xi)=xj
endif
endif
endif
enddo
endif
endif
endif
endif
enddo
return
end
*
* ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine Shake(f,x,m,s,d,n,p,k)
real d(6000,6000)
integer m(6000),s(6000),x(6000),p,n
* ---------------------------------------
fold=f
do k=1,k
goin=p+1+(n-p)*GGUBFS(seed)
167
* ------------------------------------- a random vertex goes in
xin=x(goin)
call MedianOut(dif,x,m,s,d,n,p,xin,jout)
* ------------------------------------ the best median goes out
call Update(x,m,s,d,n,p,xin,jout)
x(goin)=x(jout)
x(jout)=xin
f=f+dif
if(f.lt.fold)then
return
enddo
return
end
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine InterCh(f,x,m,s,d,n,p)
real d(6000,6000)
integer m(6000),s(6000),xcur(6000),p,n
* ------------------------- Initialization with the input solution
fcur=fopt
ItInter=0
bestiter=1
* ----------------------------------------------------- Iterations
do while(ItInter.le.maxitInt)
ItInter=ItInter+1
* ------------------- Get the best solution in the 1-neighbourhood
difmin=1.e20
do i=p+1,n
xin=x(i)
call MedianOut(dif,x,m,s,xin,jout,d,n,p)
if(dif.lt.difmin)then
difmin=dif
goin=i
goout=jout
endif
enddo
* ----------------------------------- If no improvement, return
if(Dif.ge.0)then
bestiter=IterInter
return
endif
* ----------------------------------------- If improved, update
f=f+fdif
168
xin=x(goin)
call Update(x,m,s,xin,goout,d,n,p)
x(goin)=x(goout)
x(goout)=xin
enddo
bestiter=iterInter
return
end
*
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
* Variable Neighbourhood Search (VNS)
* ------------------------------------
subroutine VNS(fopt,xopt,mopt,sopt,d,n,p,time,MaxTimeVNS,se)
real d(6000,6000)
integer xopt(6000),xcur(6000),p,n
* ------------------------------------- Initialization of counters
iterVNS=0
kfirst=1
kstep=1
bestiterVNS=1
time=0.
* ---------------------------------- Start with the input solution
fcur=fopt
do i=1,n
xi=xopt(i)
mcur(xi)=mopt(xi)
scur(xi)=sopt(xi)
xcur(i)=xopt(i)
enddo
* ----------------------------------------------------- Main step
do while(iterVNS.le.maxitVNS)
kinter=kfirst
do while(kinter.le.kmaxVNS)
iterVNS=iterVNS+1
* ----------------------------- Shake in the k-th neighbourhood
call Shake(fcur,xcur,mcur,scur,d,n,p,kinter)
call InterCh(fcur,xcur,mcur,scur,d,n,p)
if(fcur.lt.fopt)then
* ------------------ If improved start with first neighbourhood
bestiterVNS=iterVNS
fopt=fcur
do i=1,n
xi=xcur(i)
169
mopt(xi)=mcur(xi)
sopt(xi)=scur(xi)
xopt(i)=xcur(i)
enddo
kinter=kfirst
else
* ------------------- If no improved increase the neighbourhood
fcur=fopt
do i=1,n
xi=xopt(i)
mcur(xi)=mopt(xi)
scur(xi)=sopt(xi)
xcur(i)=xopt(i)
enddo
kinter=kinter+kstep
endif
* -------------------------------------------------- Stopping Criteria
if(iterVNS-bestiterVNS.gt.MaxNoImpItVNS)return
if(time-InitTimeVNS.gt.MaxTimeVNS)return
enddo
enddo
return
end
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine Decompose(fd,xd,md,sd,d,nd,pd,merged
* f, x, m, s, n, p)
real d(6000,6000)
integer x(6000),xd(6000),m(6000),md(6000),s(6000),sd(6000)
integer p,pd,n,nd,merged(6000)
logical*1 merged(6000)
* ---------------------------- select "pd" indeces between 1 and p
do i=1,p
merged(i)=i
enddo
do i=1,pd
j=i+(p-i)*GGUBFS(seed)
xx=merged(i)
merged(i)=merged(j)
merged(j)=xx
enddo
do i=1,p
merging(i)=.false.
170
enddo
do i=1,pd
merging(merged(i))=.true.
enddo
* ---------------------- merging the "pd" clusters with true value
k=0
fd=0.
do i=1,n
xi=x(i)
if(merging(m(xi))) then
k=k+1
fd=fd+d(m(xi),xi)
xd(k)=xi
md(xi)=m(xi)
sd(xi)=s(xi)
endif
enddo
nd=k
call FindSecond(xd,md,sd,d,nd,pd)
return
end
*
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
subroutine VNDS(f,x,m,s,d,n,p,se,MaxTimeVNDS,MaxTimeVNS,TotalTime)
* -------------------------------------------------------------------
integer m(6000),s(6000),x(6000),pos(6000),p,n
real d(6000,6000)
* ----------------------- Initial solution obtained by INTERCHANGE
* (only to find total CPU time 'MaxTimeVNS')
call INSOL(f,x,m,s,d,n,p)
t0=time
call InterCh(f,x,m,s,d,n,p)
t0=time-t0
MaxTimeVNDS=t0
t0=t0/1.5
MaxTimeVNS=t0
* --------------------- Initial solution obtained by Monte-Carlo VNS
call INSOL(f,x,m,s,d,n,p)
call VNS(f,x,m,s,d,n,p,MaxTimeVNS)
* ------------------------------------------ Save initial solution
fcur=f
fopt=f
do i=1,n
171
xi=x(i)
mopt(xi)=m(xi)
sopt(xi)=s(xi)
xopt(i)=x(i)
enddo
* --------------------------------------- Constants and paremeters
iterVNDS = 0
kstep = 1
kfirst = 1
* ----------------------------------------------------- Main loop
do while(iterVNDS.le.maxitVNDS)
kdec=kfirst
* ---------------------------- Merging and solving subproblems
do while(kdec.lt.kmaxVNDS)
iterVNDS=iterVNDS+1
TimeInitVNDS=time
pd=kdec
call Decompose(fd,xd,md,sd,d,pd,nd,merged,x,m,s,f,n,p)
fold=fd
do i=1,n
pos(x(i))=i
enddo
call VNS(fd,xd,md,sd,d,nd,kdec,t0)
fcur=fopt+fd-fold
do j=1,pd
call Update(x,m,s,xd(j),merged(j),d,n,p)
x(pos(xd(j))=x(merged(j))
x(merged(j))=xd(j)
enddo
if(fd.lt.fold)then
kdec=kfirst
fopt=f
do i=1,n
xi=x(i)
mopt(xi)=m(xi)
sopt(xi)=s(xi)
xopt(i)=x(i)
enddo
else
kdec=kdec+kstep
f=fopt
do i=1,n
xi=x(i)
172
m(xi)=mopt(xi)
s(xi)=sopt(xi)
x(i)=xopt(i)
enddo
endif
if(time.gt.,MaxTimeVNDS)then
fopt=0.
do j=p+1,n
fopt=fopt+d(x(j),m(x(j)))
enddo
return
endif
enddo
enddo
f=fopt
return
end
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
* IMSL random number generator
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
real function GGUBFS(dseed)
real*8 dseed,d2p31m,d2p31
data d2p31m/2147483647.d0/,d2p31/2147483648.d0/
dseed=dmod(16807.d0*dseed,d2p31m)
ggubfs=dseed/d2p31
return
end
*~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
* Input disimilarities
*
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Apendice C
LISTA DE SIMBOLOS.
A continuacion se encuentra una lista de los principales smbolos que aparecen
en el texto. En la primera de las columnas se muestra el smbolo y en la segunda
una peque~na descripcion del mismo.
G grafo o red general

T arbol o red arbol
V conjunto de vertices de G
U subconjunto de vertices de V
E conjunto de arista de G
m numero de aristas de G
n numero de vertices de V
p numero de servicios
X conjunto solucion
f funcion objetivo
fc funcion Centro
fm funcion Mediana
f funcion Centdian
173
174 Apendice C. LISTA DE SIMBOLOS.
fT funcion objetivo en el arbol T
P (G) conjunto continuo de puntos de G
P (T ) conjunto continuo de puntos de T
d(x; y ) distancia entre el punto x e y
d(x; Y ) distancia entre el punto x y el conjunto Y
Ba (r; v) conjunto de puntos cuello de botella de rango r asociado
al vertice v
Ep (r; v) conjunto de puntos extremos de rango r asociado al vertice
v
EP (r) conjunto de puntos extremos de rango r asociado a todos
los vertices de U
EP conjunto de puntos extremos de rango todos los r de R
asociado a todos los vertices de U
Bc (r : u; v ) conjunto de puntos centro local con rango r asociado a
los vertices u y v:
LC (r) conjunto de puntos centro local con rango r asociado a
todos los vertices u y v de U
LC conjunto de puntos centro local de rango todos los r de
R asociado a todos los vertices u y v de U
Yj conjunto de semivertices del camino que conecta al vertice
vj 2 U al vertice raz v1
Vj conjunto de semivertices descendiente del vertice vj
Tj subarbol inducido por Vj , vj sera su raz.
Yi (rij ) conjunto de semivertices que estan a distancia rij del
vertice vi :
rj i distancia entre el vertice vj al semivertice yk 2 Yi (rij ); i =
1::m
Lj conjunto de distancias desde el vertice vj a todos los
semivertice de Yj
N (X ) entorno de la solucion X
175
Nj conjunto de vertices que permanecen conectados al vertice
vj si eliminamos del arbol las aristas [vj,1; vj ] ; [vj ; vj+1]
Dm pendiente de la funcion Mediana.
Dc pendiente de la funcion Centro.
D pendiente de la funcion Centdian.
176 Apendice C. LISTA DE SIMBOLOS.
Referencias
[1] A.V.Aho, J.E.Hopcroft, J.D.Ullman. Estructura de Datos y
Algoritmos, Addison-Wesley Iberoamericana.
[2] Y.P.Aneja, R.Chandrasekaran and K.P.K.Nair. A Note on
the M-Center problem with Rectilinear Distances, European Journal
Of Operational Research 35 (1988) 118-123.
[3] E.H.L. Aarts, P.J.M. van Laarhoven. Simulated Annealing: An
Introduction, Statica Neerlandica 43 (1988).
[4] R.S. Anderssen. Global Optimization. En R.S. Anderssen, L.S.
Jennings, D.M.Ryan, editores, Optimization (1972), University of
Queensland Press.
[5] I. Averbakh and O. Berman. Parallel NC-algorithms for multi-
facility location problems on a tree and their applications, Working
Paper, University of Toronto, Faculty of Management, (1993).
[6] P.Avella, L.Canovas, k.Dalby, D.Girolamo, B.Dimitrijevic,
G. Ghiani, I. Giannikos, N.Guttmann, T. Hultberg, J.
Fliege, A. Marin, M.Munos, M.Ndiaye, S.Nickel, P.Peeters,
D.Perez-Brito, S.Policastro, F.Saldanha and P.Zidda. Some
Personal Views on the Current State and Future of Location Analy-
sis, European Journal of Operation Research 104-2 (1998) 269-288.
[7] J.E.Beasley. A note on solving large p-median problems, European
Journal of Operation Research 21 (1985) 270-273.
[8] N.Biggs, E.Lloyd and R.Wilson. Graph Theory, Clarendon
Press, Oxford, (1976).
[9] M. Blum, R.W. Floyd, V.R. Pratt, R.L. Rivest and
R.E.Tarjan. Time bounds for selection, J. Comp. Sys. Sci. 7 (1972)
448-461.
177
178 REFERENCIAS
[10] C.G.E.Boender, A.H.G.Rinnooy Kay. Bayesian Stopping
Rules for Multistart Global Optimization. Mathematical Program-
ming 37 (1987) 59-80.
[11] D.K.Boese, B.A.Kahng, S.Muddu. A New Adaptive Multi-
Start technique for Combinatorial Global Optimization. Operational
Research Letters 16 (1994) 101-113.
[12] M.L.Brandeau and S.S.Chiu. An overview of representative
problems in location research, Management Science 35 (1989) 645-
674.
[13] B.Bruno, F.Choen. Sequential Stopping Rules for the Multistart
Algorithm in Global Optimization. Mathematical Programming 38
(1987) 271-186.
[14] A.Cayley. Collected papers, Quart.JL. of Mathematics 13, Cam-
bridge (1897) 26.
[15] E.J.Carrizosa, E.Conde, F.R.Fernandez and J.Puerto. An
axiomatic approach to the Centdian criterion, Location Science 3,
(1994), 1-7.
[16] M. Chams, A.Herts,D.De Werra. Some Experiments with Sim-
ulated Annealing for Colouring Graphs, European Journal of Oper-
ational Research 32 (1987) 260-266.
[17] R.Cole. Slowing down sorting networks to obtain faster sorting al-
gorithms, Journal ACM 34 (1987) 200-208.
[18] R.Cole, J.Salowe, W.Steiger and E.Szemeredi. Optimal slope
selection, SIAM Journal On Computing 18 (1989) 792-810.
[19] G.Cornuejols, M.L.Fisher, and G.L.Nemhauser. Location of
Bank Accounts to Optimize Float: An Analytic Study of Exact and
Approximation Algorithms, Managements science 23 (1977) 789-
810.
[20] P.H.Chen, P.Hansen, B.Jaumard, H.Tuy. Solution of the mul-
tisource Weber and conditional Weber problems by d.-c. program-
ming. GERAD report, G-92-35, Montreal, Canada.
[21] L.Cooper. Heuristic methods for location-allocation problems,
SIAM Review 6 (1964) 37-53.
[22] L.Cooper. The transportation-location problem. Operation Re-
search 20 (1972) 94-108.
REFERENCIAS 179
[23] C.Charalambous. Extension of the Elzinga-Hearn Algorithm to
the Weighted Case. Operation Research 30 (1982) 591-594.
[24] I.Charon and O.Hudry. The Noising Method: A New Method for
Combinatorial Optimization. Operation Research Letters 14 (1993)
133-137.
[25] R. Chandrasekaran and A. Tamir, An O((n log p)2) algorithm
for the continuous p-Center problem on a tree, SIAM Journal On
Algebraic and Discrete Methods 1 (1980) 370-375.
[26] R. Chandrasekaran and A. Tamir, Polynomially bounded algo-
rithms for locating p-centers on a tree, Mathematical Programming
22 (1982) 304-315.
[27] W.K.Chen. Applied Graph Theory, North-Holland, Amsterdam.
(1971).
[28] N.Christodes and P.Viola. The Optimum Location of Multi-
centers on a Graph, Operational Research Quarterly 145 (1971) 145.
[29] N.Christodes. Graph Theory: An Algorithms Approach, Acad-
emic Press, 1975.
[30] N.Christodes and E.Beasley. A tree Search Algorithm for the
p-Median problem. European Journal of Operational Research 14
(1982) 196-204.
[31] G.B. Dantzig, Linear Programming and Extensions, Princeton
University Press, Princeton, N.J. (1963).
[32] P.M.Dearing and R.L.Francis. A Network Flow Solution to a
Multifacility Minimax Location Problem Involving Rectilinear Dis-
tances, Transportation Science 8 (1974) 126-141.
[33] P.M.Dearing, R.L. Francis and T.J.Lowe, Convex Location
Problem on Tree Networks, Operation Research 24 (1976) 628-642.
[34] E.W.Dijkstra. A note on Two Problems in Connexion with
Graphs, Numer. Math 1 (1959) 269-271.
[35] Z.Drezner. The p-Center Problem-Heuristic and Optimal Algo-
rithms, Journal of the Operational Research Society 35 (1984) 741-
748.
[36] Z.Drezner. On the Rectangular p-Center Problem. Naval Research
Logistics 34 (1987) 229-234.
180 REFERENCIAS
[37] Z.Drezner. Facility Location, Springer Series in Operation Re-
search. (1995).
[38] H.A.Eiselt and G.Charlesworth. A note on p-Centre Problems
in the Plane, Transportation Science 20 (1986) 130-133.
[39] S.Eilon,C.D.T.Watson Gandy and N.Christodes. Distribu-
tion Management. New York: Hafner.
[40] A.M.El-Shaieb. A New Algorithm for Locating Sources Among
Destinations, Management Science 20 (1973) 221-231.
[41] D.J.Elzinga and D.W.Hearn. The Minimum Covering Sphere
Problem, Management Science 19 (1972) 96-104.
[42] D.Eppstein, Sequence comparison with mixed convex and concave
costs, Journal Algorithms 11 (1990) 85-101.
[43] E.Erkut, R.L.Francis, T.J.Lowe and A.Tamir. Equivalent
Mathematical Programming Formulations of Monotonic Tree Net-
work Location Problems, Operation Research 37 (3) (1989) 447-461.
[44] E. Erkut, R.L. Francis and A. Tamir. Distance constraints
multifacility minimax location problems on tree networks, Networks
22 (1992).
[45] D. Erlenkotter. A Dual-Based Procedure for Uncapacitated Facil-
ity Location, Operation Research 26 (1978) 992-1009.
[46] F.A.Feldman, F.A.Leher and T.L.Ray. Warehouse locations
under continous economies of scale, Management Science 12 (1966)
670-684.
[47] G.N. Frederickson. Optimal algorithms for partitioning trees and
locating p-centers in trees, Technical Report, Department of Com-
puter Science, Purdue University, (1990).
[48] R.L.Francis and J.A.White. Facility Layout and Location: an
Analytical Approach, Prentice Hall. (1992).
[49] R.L. Francis, T.J. Lowe and H.D. Ratli. Distance constraints
for tree network location problems, Operations Research 26 (1978)
570-596.
[50] R.L. Francis and P.B.Mirchandani. Discrete Location Theory,
John Wiley and Sons, New York. (1989).
REFERENCIAS 181
[51] G.N. Frederickson. Optimal algorithms for partitioning trees and
locating p-centers in trees, Technical Report, Department of Com-
puter Science, Purdue University, (1990).
[52] R.D.Galvao. A Dual-Bounded Algorithm for the p-Median Pro-
blem, Operations Research 28 (1980) 1112-1121.
[53] R.S.Garnkel, A.W.Neebe and M.R.Rao. An algorithm for
the M-Median Plant Location Problem. Transportation Science 8
(1974) 217-236.
[54] M.Garey and D.Johnson. Computer and Intractibility: a Guide
to the Theory of NP-completeness, Freeman, San Francisco, (1979).
[55] G.V.Gens and E.V.Levner. Computational complexity of approx-
imation algorithms for combinatorial problems, Lecture Notes in
Computer Science 74, Spring Verlag, Berlin (1979) 192-300.
[56] F.Glover. Tabu Search. Part I. ORSA Journal Computing 1 (1989)
190-206.
[57] F.Glover and M.Laguna. Tabu Search. En C.Reeves, editor,
Modern Heuristic Techniques for Combinatorial Problems. Oxford,
(1993), Blackwell.
[58] A.J. Goldman. Optimal center location in simple networks, Trans-
portation Science 5 (1971), 212-221.
[59] A.J. Goldman and P.M.Dearing. Concepts of Optimal Location
for Partially Noxious Facilities, ORSA Bulletin, 23, 1, B-31.
[60] D. Guseld and E. Tardos. A faster parametric minimum cut
problem, Technical Report 926, School of Operations Research and
Industrial Engineering, Cornell University, Itacha (1990).
[61] D. Guseld and C. Martel. A fast algorithm for the generalized
parametric minimum cut problem and applications, Algorithmica 7
(1992) 499-519.
[62] S.L.Hakimi. Optimum Locations of Switching Centers and the Ab-
solute Centers and Medians of a Graph. Operation Research. 12,
(1964), 450-459.
[63] S.L.Hakimi. Optimum Distribution of Switching Centers in a Com-
munication Network and Some Related Graph Theoretic Problems,
Operations Research 13 (1965) 462-475.
182 REFERENCIAS
[64] S.L.Hakimi, E.Shemeichel and M.Labbe. On locating path-or
tree shaped facilities on networks, Networks 23 (1993) 543-556.
[65] J.Halpern. The location of a cent-dian convex combination on an
undirected tree, Journal of Regional Science. 16, (1976) 237-245.
[66] J.Halpern. Finding Minimal Center-Median Convex Combination
Cent-Dian of a Graph, Management Science 24 (1978) 535-544.
[67] J.Halpern. Duality in the Cent-Diant of a Graph, Operations Re-
search 28 (1980) 722-735.
[68] G.Y. Handler. Minimax location of a facility in an undirected tree
graph, Transportation Science 7,(1973), 287-293.
[69] G.Y.Handler. Minimax network location theory and algorithms,
Technical Rep.No.107, Oper. Res. Center, Mass. Inst. of Tech.,
Cambridge, Mass., (1974).
[70] G.Y. Handler. Finding two-centers of a tree: The continuous case,
Transportation Science 12 (1978) 93-106.
[71] G.Y.Handler and P.B.Mirchandani. Location on Networks:
Theory and Algorithms, the MIT Press, Cambridge, MA. (1979).
[72] G.Y.Handler. Medi-centers of a tree, Transportation Science 19,
(1985), 246-260.
[73] P.Hanjoul and D.Peeters. Comparison of two dual-based proce-
dures for solving the p-median problem, European Journal of Oper-
ational Research 20 (1985) 387-396.
[74] P.Hansen, M.Labbe and J.F.Thisse. From the median to the
generalized center, RAIRO Recherche Operationnelle 25, 1.(1991),
[75] P.Hansen, B.Jaumard and S.Krau. A column generation algo-
rithm for the multisource Weber problem, GERAD research report
(1996) (forthcoming).
[76] P.Hansen, D.Peteers, D.Richard and J.F.Thise. The Minisum
and Minimax Location Problem Revisited, Operation Research 33
(1985)
[77] P.Hansen, N.Mladenovic. Variable Neighbourhood Search for
the p-Median, Les Cahiers du GERAD, Montreal, Canada, (1996)
(forthcoming).
REFERENCIAS 183
[78] P.Hansen, N.Mladenovic and D.Perez-Brito. Variable Neigh-
bourhood Decomposition Search, Les Cahiers du GERAD, Mon-
treal, Canada, (1997) (forthcoming).
[79] D.Harvey. Social Justice and the City. Baltimore, M.D.John Hop-
kins University Press. (1973).
[80] R.Hassin and A.Tamir, Improved complexity bounds for location
problems on the real line, Operations Research Letters 10 (1991) 395-
402.
[81] S.V.Hoesel and A.Wagelmans. On the p-coverage problem on
the real line, Working Paper OR 255-91, Operations Research Cen-
ter, MIT, (1991).
[82] J.N.Hooker, R.S.Garnkel and S.K.Chen. Finite dominating
sets for network location problems.Operations Research, 39, (1991),
100-118.
[83] W.L.Hsu and G.L.Nemhauser. Easy and Hard Bottleneck Lo-
cation Problems, Discrete Appl. Math. 2, (1979) 77-91.
[84] W.L.Hsu. The distance-domination numbers of trees, Operation
Research Letter 1, (1982), 96-100.
[85] B.L.Hulme and P.J.Slater. Minimean location of dierent facili-
ties on a line network, SIAM J Alg. Disc. Methods 2 (1981) 411-415.
[86] T.Ibaraki and N.Katoh. Resource Allocation Problems. Algorith-
mic Approaches, MIT Press, Cambridge, MA, (1988).
[87] P.Jarvinen, I.Rajala and H.Sinervo. A Branch and Bound Al-
gorithm for Seeking the p-Median, Operations Research 20 (1972)
173-178.
[88] C.Jordan. Sur Les Assamblages Des Lignes. Zeitschrift Fur Die
Reine Und Angewandte Mathematik 70 (1869) 185-190.
[89] O.Kariv and S.L.Hakimi. An algorithmic Approach to Network
Location Problems. I: The p-Centers. SIAM J. Appl. Math 37, 3
(1979), 513-538.
[90] O.Kariv and S.L.Hakimi. An algorithmic Approach to Network
Location Problems. II: The p-Medians. SIAM J. Appl. Math 37, 3
(1979), 539-560.
184 REFERENCIAS
[91] M.J.Katz and M.Sharir. Optimal slope selection via expanders,
Technical Report (1993).
[92] B.M.Khumawala. An Ecient Branch and Bound Algorithm for
the Warehouse Location Problem, Management Science 18 (1972)
B718-B731.
[93] R.E.Kuenne and R.M.Soland. Exact and approximate solution
to the multisource Weber problem, Mathematical Programming 3
(1972) 193-209.
[94] T.U.Kim, T.J.Lowe, A.Tamir and J.E.Ward. On the location
of a tree-shaped facility, Networks 28 (1996), 167-175.
[95] M.M. Klawe and D.J. Kleitman. An almost linear time algo-
rithm for generalized matrix searching, SIAM J Disc. Math. 3 (1990)
81-97.
[96] M.T. Ko and Y.T. Ching. Linear time algorithms for the
weighted tailored 2-partition problem and the weighted 2-center
problem under l1, Discrete Applied Mathematics 40 (1992) 397-
410.
[97] A.J.W. Kolen. Location problems on trees and in the rectilinear
plane, Stichting Mathematics Centrum, Amsterdam, The Nether-
lands, (1982).
[98] A.Kolen and A.Tamir. Covering Problems, in Discrete Loca-
tion Theory, P.B. Mirchandani and R.L. Francis (eds.) John Wiley
(1990).
[99] J.Krarup, and P.M.Pruzan. The Simplex Plant Location Pro-
blem: Survey and Synthesis, European Journal of Operational Re-
search 12 (1983) 36-81.
[100] A.A.Kuehn and M.J.Hamburger. A Heuristic Program for Lo-
cating Wareshouse, Management Science 18 (1963) 643-666.
[101] M.Kurt Graph Algorithms and NP-Completeness, Springer Verlag,
(1984).
[102] P.J.M.Laarhoven and E.H.L.Aarts. Simulated Annealing:
Theory and Applications, Kluver, Dordcht, (1988).
[103] E.Lawler. Fast approximation algorithms for knapsack problems,
Mathematics of Operations Research 4 (1979) 339-356.
REFERENCIAS 185
[104] S.Lin. Computer Solutions of the Traveling Salesman Problem, Bell
System Tech. J., (1980) 2245-2269.
[105] R.F.Love, J.G.Morris and G.O.Wesolowsky. Facilities Loca-
tion: Models and Methods, North Holland, NY.
[106] R.F.Love. One-dimensional facility location-allocation using dy-
namic programming, Management Science 22 (1976) 614-617.
[107] R.F.Love and J.G.Morris. A computational procedure for the
exact solution of location-allocation problems with rectangular dis-
tances, Naval Research Logistics Quarterly 22 (1975) 441-453.
[108] T.J.Lowe. Ecient Solutions in Multiobjective Tree Network Lo-
cation Problems, Transportation Science 12, 4 (1978) 298-316.
[109] T.L.Magnanti and R.T.Wong. Decomposition methods for facil-
ity location problem, in: P.B.Mirchandani and R.L.Francis (eds.),
Discrete Location Theory (Wiley, New York) 209-262.
[110] F.E.Maranzana. On the Location of Supply Points to Minimize
Transport Costs, Operational Research Quartely 15 (1964) 261-270.
[111] W.Mayeda. Graph Theory, Wiley-Interscience, New York. (1972).
[112] N.Megiddo. Linear-time algorithms for linear programming in R3
and related problems, SIAM Journal on Computing 12, (1983), 751-
758.
[113] N.Megiddo. The Weighted Euclidean 1-Center Problem. Mathe-
matics of Operation Research 8 (1983) 498-504.
[114] N.Megiddo. Combinatorial optimization with rational objective
function, Mathematics of Operations Research 4 (1979) 414-424.
[115] N.Megiddo A. Tamir, E. Zemel and R.Chandrasekaran, An
O(n log2n) algorithm for the k-th longest path in a tree with applica-
tions to location problems, SIAM Journual on Computing 10 (1981)
328-337.
[116] N.Megiddo. Linear time algorithms for linear programming in R3
and related problems, SIAM Journal on Computing 12 (1983) 759-
776.
[117] N.Megiddo. Applying parallel algorithms in the deign of serial al-
gorithms, Journal ACM 30 (1983) 852-865.
186 REFERENCIAS
[118] N.Megiddo and A.Tamir. New results on p-center problems,
SIAM Journal on Computing 12 (1983) 751-758.
[119] N.Megiddo and A.Tamir. Linear time algorithms for some sepa-
rable quadratic programming problems, Operation Research Letters
13 (1993) 203-211.
[120] E.Minieka. The M-Center Problem, SIAM Review 12 (1970) 138-
139.
[121] E.Minieka. The Centers and the Medians of a Graph, Operation
Research 25 (1977) 641-650.
[122] E.Minieka. Conditional Centers and Medians of a Graph, Networks
10 (1980) 265-272.
[123] E.Minieka. The Optimal Location of a Path or Tree in a Tree
Network, Networks 15 (1985) 309-321.
[124] P.B.Mirchandani and R.L.Francis. Discrete Location Theory,
Wiley, New York. (1990).
[125] N.Mladenovic. Variable Neighbourhood Algorithm A New Meta-
heuristic For Combinatorial Optimization. Abstracts of papers pre-
sented at Optimization Days. Montreal, p.112 (1995).
[126] N.Mladenovic, J.A.Moreno and J. Moreno-Vega. A Chain-
Interchange Heuristic Method, Yogoslav Journal Operation Research
6 (1) (1996) 41-54.
[127] J.M.Moreno. Metaheursticas en Localizacion: Analisis Teorico y
Experimental, Tesis Doctoral. Univ. La Laguna. (1996).
[128] J.A.Moreno. A Correction to the Denition of Local Center, Eu-
ropean Journal of Operation Research 20 (1985) 382-386.
[129] J.A.Moreno. Localizacion Minimax en Grafos Mixtos, Tesis Doc-
toral. Univ. Complutense Madrid. (1986).
[130] J.A.Moreno, C.Rodriguez and N.Jimenez. Heuristic Cluster
Algorithm for the Multiple Facility Location-Allocation Problem.
Operations Research 25 (1) (1991) 97-107.
[131] J.A.Moreno, J.L.Roda, J.M.Moreno. A Parallel Genetic Al-
gorithm for the Discrete p-Median Problem, Studies in Locational
Analysis 7 (1995) 131-141.
REFERENCIAS 187
[132] S.C.Narula, U.I.Ogbu and H.M.Samuelson. An Algorithm for
the p-Median Problem. Operations Research 25 (1977) 709-712.
[133] B. Olstad and F. Manne. Ecient partitioning of sequences,
Technical Report, Norwegian Institute of Technology, Trondheim-
NTH, Norway, (1993).
[134] B.Pelegrin. The p-Center Problem under Bidirectional Polyhedral
Norms. Proceeding Meeting III of the EuroWorking Group on Loca-
tional Analysis, 151-169. Sevilla.
[135] J.C.Picard and H.D.Ratli. A cut approach to the rectilinear
distance facility location problem, Operation Research 28 (1978) 422-
433.
[136] F.Plastria. A Note on Fixed Point Optimality Criteria for the Lo-
cation Problem with Arbitrary Norms, Journal of the Operational
Research Society 34 (1983) 164-165.
[137] D. Perez-Brito, J.A. Moreno-Perez and J.M. Moreno-Vega.
Soluciones heursticas de problemas de localizacion-asignacion
multiple, I Congreso Iberoamericano y XX Reunion Nacional de Es-
tadstica e Investigacion Operativa, Caceres, (1992).
[138] D. Perez-Brito, J.A. Moreno-Perez and J.M. Moreno-Vega.
Heurstica Basada en arboles para problema de localizacion, XXI
Congreso Nacional de Estadstica e Investigacion Operativa, Calella,
(1994).
[139] D. Perez-Brito, N. Mladenovic y J.A. Moreno-Perez. Prob-

lemas De Localizacion Por Arboles Generadores, Acta del Seminario
sobre Localizacion, Sevilla, (1994).
[140] D. Perez-Brito, J.A. Moreno-Perez and I.Rodriguez-
Martn. Problemas Clasicos de Localizacion, 25 aniversario de
Matematicas en la Universidad de La Laguna, (1996). 463-474.
[141] D. Perez-Brito. Spanning Trees For Solving Location Problems
On General Graphs, Twelfth EURO Summer Institute-ESI XII on
Locational Analysis, Tenerife, (1995).
[142] D. Perez-Brito, J.A. Moreno-Perez. Forest For Solving The
p-Median Problem In General Graphs, 8th Meeting of the EURO
Working Group On Locational Analysis. Lambrecht, Germany,
(1995).
188 REFERENCIAS
[143] D. Perez-Brito, J.A. Moreno-Perez and I. Rodriguez-
Martn. The 2- facility centdian network problem, Location Science,
(1996) (To appear).
[144] D. Perez-Brito, J.A. Moreno-Perez and I.Rodriguez-
Martn, The nite dominating set for the p-facility centdian net-
work location problem, Studies in Location Analysis, ISSUE 11,
(1997) 27-40.
[145] D. Perez-Brito, N.Mladenovic and J.A. Moreno-Perez, A
Note on Spanning Trees for Network Location Problems, Yugoslav
Journal Operation Research, (1997) (To appear).
[146] D. Perez-Brito and J.A. Moreno-Perez, The Voronoi Sets And
the Multi-facility Max-Sum Location on Networks, Studies in Loca-
tion Analysis, (1997) (To appear).
[147] F.P. Preparata and M.I. Shamos. Computational Geometry,
Springer- Verlag, New York (1985).
[148] R.C.Prim. Shortest Connection Networks and Some Generaliza-
tions, Bell System Technical Journal. 36 (1957) 1389-1401.
[149] R.Rabinovitch and A.Tamir. On a Tree-Shaped Facility Loca-
tion Problem of Minieka, Networks 22 (1992) 515-522.
[150] Reinelt. TSLIB - A traveling salesman problem library, ORSA
Journal on Computation 3 (1991) 376-384.
[151] C.ReVelle and R.W.Swain. Central Facilities Location, Geo-
graphical Analysis 2 (1979) 30-42.
[152] C.ReVelle, C.Toregas and L.Falkson. Applications of the Loca-
tion Set Covering Problem, Geographical Analysis 8 (1976) 65.
[153] Rinnoy kan and G.T.Timmer. Stochastic Global Optimization,
American Journal of Mathematical and Management Sciences 4
(1984) 7-40.
[154] R.T. Rockafellar. Network Flows and Monotropic Optimization,
Wiley, New York, 1984.
[155] S.Sahni. General techniques for combinatorial approximations, Op-
eration Research 25 (1977) 920-936.
[156] M. Sharir and E. Welzl. Rectlinear and polygonal p-piercing and
p-center problems, Technical Report (1996). (To be presented in the
12-th ACM Symp. on Computational Geometry 1996.)
REFERENCIAS 189
[157] R.Swain. A Paramatric Decomposition Algorithm for the Solu-
tion of Uncapacitated Location Problems, Management Science 21
(1974) 189-198.
[158] J.J.Sylvester. A Question in the Geometry of Situation, Quarterly
Journal of Pure and Applied Mathematics 1 (1857) 79.
[159] A.Tamir. Obnoxious facility location on graphs, SIAM Journal on
Discrete Mathematics 4 (1991) 550-567.
[160] A.Tamir. The least element property of center location on tree
networks with applications to distance and precedence constrained
problems, Mathematical Programming 62 (1993) 475-496.
[161] A.Tamir. Complexity results for the p-median problem with mutual
communication, Operations Research Letters 14 (1993) 79-84.
[162] A.Tamir. A distance constrained p-facility location problem on the
real line, Mathematical Programming, 66 (1994) 201-204.
[163] A.Tamir. An O(pn2 ) algorithm for the p-median and related prob-
lems on tree graphs, Operations Research Letters 19 (1996) 59-64.
[164] A.Tamir. Location problems in the Real line, working paper, 1997.
[165] A.Tamir, D.Perez-Brito and J.A.Moreno. A Polynomial Algo-
rithm for the p-Centdian Problem on a Tree, Networks, (1998) (To
appear).
[166] B.C.Tansel, R.L.Francis and T.J.Lowe. Location on Networks:
A Survey. Part I: The p-Center and p-Median Problems. Manage-
ment Science 29 (4) (1983) 482-497.
[167] B.C.Tansel, R.L.Francis and T.J.Lowe. Location on Networks:
A Survey. Part II: Exploiting Tree Network Structure. Management
Science 29 (4) (1983) 498-511.
[168] M.B.Teitz and P.Bart. Heuristic Methods for Estimating the
Generalized Vertex Median of a Weighted Graph, Operation Reseach
16 (1968) 955-961.
[169] A.Tucker. Applied Combinatorics, John Wiley and sons, (1980).
[170] R.V.V.Vidal. Applied Simulated Annealing. Lecture Notes in Eco-
nomics and Mathematical Systems 396 (1993).
[171] J.Vijay. An Algorithm for the p-Center Problem in the Plane,
Transportation Science 19 (1985) 235-245.
190 REFERENCIAS
[172] S.VoB. A Reverse Elimination Approach for the p-Median Problem,
Studies in Location Analysis 8 (1996) 49-58.
[173] R.Wendell and P.H.Hunter, Location Theory, Dominance and
Convexity, Operations Research, 21 (1973), 314-320.
[174] G.O.Wesolowsky. Location Problems on a Sphere, Regional Sci-
ence and Urban Economics 12 (1983) 495-508.
[175] R. Wilber, The concave least weight subsequence revisited, Journal
Algorithms 9 (1988) 418-425.
[176] R.A.Whitaker, A fast algorithm for the greedy Interchange for
large-scale clustering and median location problems, INFOR 21:2
(1983) 95-108.
[177] E. Zemel, An O(n) algorithm for the linear multiple choice knap-
sack problem and related problems, Information Processing Letters
18 (1984) 123-128.

Árboles y Heurísticas en Localización

Cargado por

Copyright:

Formatos disponibles

Árboles y Heurísticas en Localización

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Árboles y Heurísticas en Localización

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE LA LAGUNA

DEPARTAMENTO DE ESTADSTICA,INVESTIGACIN OPERATIVA Y

Dionisio Prez Brito

3 EL PROBLEMA DEL CENTDIAN EN GRAFOS. 69

4 EL PROBLEMA DEL CENTDIAN EN EL A RBOL. 93

1.1.1 Los arboles en localizacion.

1.1.2 Conceptos basicos.

De nicion 1.1.1 Un grafo G = (V; E ) es una coleccion de puntos o vertices

De nicion 1.1.3 Un grafo G es conexo si el conjunto de vertices V no se puede

De nicion 1.1.4 Un subgrafo de G es un grafo G0 = (V 0; E 0) tal que V 0  V

De nicion 1.1.5 Un camino C entre dos vertices i y j de un grafo G es un

De nicion 1.1.6 Una subarista es el segmento de arista desde un punto inte-

De nicion 1.1.7 La longitud de un camino entre dos puntos, es la suma

De nicion 1.1.8 La longitud del camino mas corto entre cualesquiera x; y 2

De nicion 1.1.9 Un ciclo es un camino de longitud no nula entre un vertice i

De nicion 1.1.10 Un grafo parcial de G es un subgrafo con su mismo conjunto

De nicion 1.1.11 Un arbol T es un grafo minimal conexo, es decir, tal que T

De nicion 1.1.12 Un arbol generador T de G es un grafo parcial de G que

De nicion 1.1.13 La distancia entre dos arboles T1 = (VG ; E1) y T2 =

1.1.3 Convexidad en arboles.

En este apartado se considera la nocion de combinacion convexa en grafos.

De nicion 1.1.17 Una funcion f de nida en el conjunto S es convexa en Gm ,

Para problemas de localizacion en grafos seran de interes las funciones con-

1.2 Los problemas clasicos en Localizacion.

De nicion 1.2.1 Una funcion g de nida en Rk es monotona si para cualquier

1.2.1 Localizacion en la Recta Real.

1.2.2 CASO HOMOGE NEO.

El problema del p-Centro pesado.

El problema del p-Centro no pesado.

donde wi; es el peso no negativo asociado a vi 2 U:

El problema de la p-Mediana pesada.

donde wi; es el peso no negativo asociado a vi 2 U:

El problema de la p-Mediana no pesada.

1.2.3 CASO NO HOMOGE NEO.

El problema del p-Centro pesado

fc(U; X ) = max maxfbij d(xi ; xj ) : xi; xj 2 X; 8 i 6= j g

El problema del p-Centro no pesado.

fc (U; X ) = max maxf d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

El problema del p-Anticentro.

fac(U; X ) = min min fbij d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

El problema de la p-Mediana pesada.

El problema de la p-Mediana no pesada.

1.2.4 Localizacion en un A rbol.

1.2.5 CASO HOMOGE NEO.

El problema del p-Centro pesado.

El problema del p-Centro no pesado.

El algoritmo de Frederickson (1990) [51] para el p-Centro no pesado en la recta

El problema del p-Anticentro.

donde wi es el peso positivo asignado al vertice vi 2 U; como un problema de

El problema de la p-Mediana pesada.

donde wi es el peso positivo asignado al vertice vi 2 U; es NP-Hard en un grafo

1.2.6 CASO NO HOMOGE NEO.

El problema del p-Centro pesado.

[161] se obtiene, para el problema de minimizar la funcion objetivo:

fc(U; X ) = max max fbij d(xi ; xj ) : xi; xj 2 X; 8 i 6= j g

El problema del p-Centro no pesado.

fc (U; X ) = max max f d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

El problema del p-Anticentro.

fac(U; X ) = min min fbij d(xi; xj ) : xi; xj 2 X; 8 i 6= j g

4 EL PROBLEMA DEL CENTDIAN EN EL A RBOL. 93

1.1.1 Los arboles en localizacion.

1.1.2 Conceptos basicos.

Denicion 1.1.1 Un grafo G = (V; E ) es una coleccion de puntos o vertices

Denicion 1.1.3 Un grafo G es conexo si el conjunto de vertices V no se puede

Denicion 1.1.4 Un subgrafo de G es un grafo G0 = (V 0; E 0) tal que V 0 V

Denicion 1.1.5 Un camino C entre dos vertices i y j de un grafo G es un

Denicion 1.1.6 Una subarista es el segmento de arista desde un punto inte-

Denicion 1.1.7 La longitud de un camino entre dos puntos, es la suma

Denicion 1.1.8 La longitud del camino mas corto entre cualesquiera x; y 2

Denicion 1.1.9 Un ciclo es un camino de longitud no nula entre un vertice i

Denicion 1.1.10 Un grafo parcial de G es un subgrafo con su mismo conjunto

Denicion 1.1.11 Un arbol T es un grafo minimal conexo, es decir, tal que T

Denicion 1.1.12 Un arbol generador T de G es un grafo parcial de G que

Denicion 1.1.13 La distancia entre dos arboles T1 = (VG ; E1) y T2 =

1.1.3 Convexidad en arboles.

En este apartado se considera la nocion de combinacion convexa en grafos.

Denicion 1.1.17 Una funcion f denida en el conjunto S es convexa en Gm ,

Para problemas de localizacion en grafos seran de interes las funciones con-

1.2 Los problemas clasicos en Localizacion.

Denicion 1.2.1 Una funcion g denida en Rk es monotona si para cualquier

1.2.1 Localizacion en la Recta Real.

1.2.2 CASO HOMOGE NEO.

1.2.3 CASO NO HOMOGE NEO.

1.2.4 Localizacion en un A rbol.

1.2.5 CASO HOMOGE NEO.

donde wi es el peso positivo asignado al vertice vi 2 U; como un problema de

donde wi es el peso positivo asignado al vertice vi 2 U; es NP-Hard en un grafo

1.2.6 CASO NO HOMOGE NEO.

[161] se obtiene, para el problema de minimizar la funcion objetivo:

f(U; x) = fc (U; x) + (1 , )fm (U; x)

1.3.2 Modelos Multiobjetivo en arboles.

de T (se asume que Qi es convexo y compacto), entonces se dene:

f (x) : x 2 Q T; donde f (x) = (f1(x); :::; fk(x)):

1.4 Modelos de Programacion Matematica.

Lema 1.4.1 Lema de monoticidad.- Sea f una funcion monotona denida

Con este resultado y asumiendo que cada funcion fi es monotona, i = 0; 1; :::; k;

El lema de monotocidad nos permite expresar la restriccion como sigue:

La ventaja de estos modelos de programacion matematica reside en que para

El problema de la p-Mediana en el a rbol

Basandonos en los resultados de Lowe [108] se han construido el conjunto de

Una heurstica es una tecnica para buscar buenas soluciones (es

vertices del grafo son generalmente considerados potenciales puntos de demanda

2.1.1 Formulacion y Notacion.

fm(X ) =u2U wu d(X; u)

fc(X ) =max w0 d(X; u)

2.1.2 Metodos de solucion.

2.2 Heursticas basadas en arboles

Teorema 2.2.1 Sea el problema de localizacion en el grafo G dado por:

en T es solucion optima del mismo problema en G; es decir,

Por fG se denota el valor optimo de la funcion objetivo del problema en G;

Segunda transformacion: Drop-Add

El procedimiento heurstico se describe especicando la estrategia, es decir,

Como generar el arbol inicial.

En el Paso 0, el arbol inicial se puede obtener al aplicar el algoritmo de

2.3 Estrategias de Busqueda.

2.3.1 Busquedas al azar.

2.3.2 Busquedas Monotonas.

b) Busqueda Greedy parcial.

intensicacion en la busqueda.

2.3.4 El arbol inicial.

En el paso 0 de inicializacion de los anteriores procedimientos es importante

El arbol de longitud total mnima se obtiene aplicando al algoritmo de Prim.

2.3.5 Heursticas del p-bosque.

2.4 La heurstica VNDS.

2.4.2 La operacion del Intercambio.

dientes para mejorar la eciencia en su aplicacion:

La seleccion del Movimiento.

Figura 11. Pseudocodigo para el procedimiento Update

Heurstica Interchange (f; x; m; s; d; n; p)

Figura 12. Pseudocodigo para el procedimiento Interchange

2.4.3 La Heurstica VNS para la p-Mediana.

El pseudocodigo de VNS para la p-Mediana se muestra en la gura siguiente.

Heurstica VNS para la p-Mediana

Figura 13. Heurstica VNS para la p-Mediana

El algoritmo de agitacion implementado con la subrutina Shake consiste en

Heurstica VNDS para la p-Mediana