Université de Sfax

Institut Supérieur d'Informatique et de Multimédia de Sfax

Variable neighborhood search for

the degree-constrained
minimum spanning tree problem

Elaboré par:
• Tlili chaima
• Rhila nourine

Année universitaire : 2023-2024

Plan
01 Introduction

02 Methodologie

03 Résultats

04 Conclusion

05 Futures prespectives
Introduction Le DCMST (Directed Capacitated Minimum
Spanning Tree)vise à trouver un arbre couvrant de
poids minimum dans un graphe, en respectant les
contraintes de degré de chaque nœud. L'article
propose une nouvelle méthodologie basée sur une
approche hybride de VNS et VND pour résoudre
efficacement le DCMST tout en optimisant les
contraintes de degré des nœuds. L'objectif principal de
cette étude est de fournir une solution précieuse à ce
problème complexe.
 VNS_DCMST:

Methodologie • on a comme initialisation T0 est un arbre de depart et

Kmax parametre fixe entre 2 et nombre de noued.

• Une recherche locale, symbolisée par T bar, est appliquée à

T' pour améliorer cette solution dans le voisinage défini
par k.

• Si le poids de la solution T bar est inférieur à celui de la

solution actuelle T, T est permute avec T bar et k recoit 1
pour voisinage de plus petit ordre.
• En l'absence d'amélioration, k est incrémenté pour explorer
le voisinage de niveau supérieur.

• L'algorithme s'arrête après avoir effectué seqs itérations

complètes sans trouver d'amélioration.
VND_DCMST:
• compteur l .

• l'algorithme recherche le meilleur voisin T'' dans le voisinage Nvnd(l)

(T'). Ce voisinage est spécifique au niveau l défini.

• L'algorithme compare le poids (w) du meilleur voisin trouvé T'' avec

le poids de la solution actuelle T'.

• Si le poids de T'' est inférieur au poids de T', cela signifie que T'' est
une solution améliorante. Dans ce cas, T' est permute avec T'' et le
compteur l est réinitialisé à 1 pour reprendre la recherche dans le
premier voisinage.

• Si aucune solution n'est trouvée dans le voisinage actuel, l'itération

continue vers le prochain niveau de voisinage (l+1). La boucle se
poursuit jusqu'à ce que toutes les itérations soient complétées (l > 3).
Résultats

Les expériences menées sur des ensembles de données standard

ont démontré l'efficacité de l'approche proposée. Les résultats
ont surpassé les méthodes existantes en termes de qualité de sol
ution et de temps de calcul, validant ainsi l'approche hybride V
NS-VND pour résoudre le DCMST.
Performance de la
métaheuristique (tableaux 1,2) :
• Cette partie peut être associée aux
tableaux qui présentent les résultats
numériques de l'algorithme VNS,
notamment en ce qui concerne le
coût de la solution, le temps de
calcul, et d'autres critères
pertinents
Analyse des résultats(tableaux
3,4,5,6,7,8) :
L'analyse approfondie des performances de
VNS pour identifier les scénarios
d'excellence et les domaines nécessitant
des améliorations pourrait être liée à
plusieurs tableaux
Comparaison avec d'autres méthodes(tableaux
4,5,7,8) :
• comparent les résultats de VNS avec ceux d'autres
méthodes, telles que des algorithmes génétiques et des
heuristiques de recherche d'espace de problème.
Conclusion:
En conclusion, l'approche hybride de VNS et VND se révèle êtr
e une méthode prometteuse pour résoudre efficacement le probl
ème DCMST. Les résultats obtenus ouvrent des perspectives po
ur des applications réelles nécessitant des solutions d'optimisati
on combinatoire.
Perspectives futures :

• Les prochaines étapes de la recherche pourraient se concentrer sur

l'extension de la méthode à d'autres problèmes similaires.

• Optimisation continue des paramètres pour améliorer constamment

les performances de l'algorithme.