Graf aleatori de 12 vèrtexs i 28 branques. Comparació entre la
recuita simulada ($\blackbox$) i l'algorisme genètic ($\Box $).
Els resultats indiquen una millor eficiència de la recuita
simulada ja que convergeix cap la solució òptima un elevat
nombre de vegades amb menys iteracions que l'algorisme genètic
considerat. En concret, i per al grafs de Jayakumar i l'aleatori
de la figura~3, la recuita simulada troba la solució òptima el 95 \% i
el 100 \% de les vegades, respectivament, enfront del 64 \% i el 62 \% de
l'algorisme genètic. En mitjana la recuita simulada ha trobat els bons
grafs a les 5883 i 12946 iteracions davant dels 6714 i 22472 càlculs
de la funció de cost que ha d'efectuar l'algorisme genètic.
Tanmateix, en alguns casos l'algorisme genètic ha trobat la solució amb
menys càlculs de la funció de cost (1800 i 5900 enfront dels 3350 i 10250
efectuats per la recuita simulada).
La recuita simulada també té l'avantatge de necessitar menys
memòria, ja que sols ha de guardar un únic graf durant
l'execució de l'algorisme. En canvi, l'algorisme genètic ha de
disposar de memòria suficient per a guardar tota una població
de grafs.
Un altre avantatge de la tècnica de la recuita simulada és la
senzillesa amb què es pot programar l'algorisme i, en conseqüència, la
facilitat d'aplicar aquesta tècnica a problemes molt diversos
d'optimització combinatòria.
BIBLIOGRAFIA
[AK89]
E. Aarts and J. Korst.
Simulated Annealing and Boltzmann Machines.
John Wiley \& Sons. Chichester, 1989.
ISBN 0-471-92146-7
[C92]
F. Comellas.
Using genetic algorithms for planarization problems.
Computational and Applied Mathematics I: Algorithms and
Theory. Elsevier, 1992.
[DKN87]
F. Darema, S. Kirkpatrick and V.A. Norton.
Parallel algorithm for chip placement by simulated annealing.
IBM J. Res. Develop., 31, pp. 391-402, 1987.
[H92}
J.H. Holland.
Genetic algorithms.
Scientific American, 267-1, pp. 44-50, Juliol 1992.
[HT85]
J.J. Hopfield and D.W. Tank.
Neural computation of decisions in optimization problems.
Biol. Cybernet., 52, pp. 141-152, 1985.
[G89]
D. E. Goldberg, Genetic Algorithms in Search, Optimization,
and Machine Learning, Addison-Wesley, 1989.
[JTS89]
R. Jayakumar, K. Thulasiraman and M.N.S. Swamy,
$O(n^2)$ algorithms for graph planarization,
IEEE Trans. Computer-Aided Design, 8 (1989),
257-267.
[TL89]
Y. Takefuji and K.C. Lee,
A near-optimum parallel planarization algorithm,
Science, 245 (1989),
1221-1223.
[GJ79]
M.R. Garey and D.S. Johnson,
Computers and Intractability: A Guide to the Theory of NP-Completeness,
Freeman, New York, 1979. ISBN 0-7167-1044-7 & 0-7167-1045-5 pbk
[KGV83]
S. Kirkpatrick, C.D. Gelatt and M.P. Vecchi,
Optimization by Simulated Annealing.
Science, 220, 671-680, 1983.
[LLRKS85]
E.L. Lawler, J.K. Lenstra, A.H.G. Rinnooy Kan and D.B. Shmoys.
The Traveling Salesman Problem. A Guided Tour of
Combinatorial Optimization.
John Wiley \& Sons. Chichester, 1985.
ISBN 0-471-90413-9
[MRRTT53]
N. Metropolis, A. Rosenbluth, M. Rosenbluth, A. Teller and E. Teller,
J. Chem. Phys., 21, 1087, 1953.
[OG89]
R.H.J.M. Otten and L.P.P.P. van Ginneken.
The Annealing Algorithm.
Kluwer Academic Publishers, Boston, 1989. ISBN 0-7923-9022-9
[RS91]
F. Romeo i A. Sangiovanni-Vincentelli.
A theoretical framework for simulated annealing.
Algorithmica,
6, pp. 302-345, 1991.
[SK91]
P.N. Strenski i S. Kirkpatrick.
Analysis of finite length annealing schedules.
Algorithmica,
6, pp. 346-366, 1991.