Um mtodo heurstico para particionamento de grafos voltado para a delimitao de reas

de patrulhamento policial
Thiago Assuno, Vasco Furtado
Universidade de Fortaleza (UNIFOR) Mestrado em Informtica Aplicada (MIA)
Av. Washington Soares, 1321 - Bloco M Sala 11 - 60.811-905 - Fortaleza Brasil
thiagoaa_unifor@yahoo.com.br, vasco@unifor.br

Resumo
Neste artigo ns descrevemos um mtodo heurstico, baseado em
algoritmos de particionamento de grafos, que tem como finalidade
melhorar a delimitao de reas de patrulhamento policial. Essa
delimitao busca homogeneizar a quantidade de crimes entre as
regies patrulhadas. Caso o mapa de uma determinada regio seja
tomado como um grafo, podemos dizer que esse problema
enfrentado pela polcia militar similar ao problema de
particionamento conexo e balanceado de grafos (PCBq). Por se
tratar de um problema pertencente classe NP-Difcil, os
algoritmos aproximativos so os que melhor se enquadram para a
resoluo desse problema. O mtodo descrito neste artigo obtm
resultados prximos dos considerados timos para o caso mais
geral do PCBq, cujo q 2.

1. Introduo
A segurana pblica um problema que faz parte da
realidade social brasileira. Para conter a criminalidade, faz-se
necessrio prover s organizaes que atuam repressiva ou
preventivamente ferramentas para a realizao eficiente de suas
aes. A Polcia Militar uma dessas instituies e tem como
tarefa realizar policiamento ostensivo. Presume-se, dessa
forma, que a sua presena atue como fora dissuasiva,
prevenindo assim a ocorrncia de crimes.
A diviso de reas de patrulha uma das atividades bsicas
do planejamento das aes da Polcia Militar. Um exemplo de
projeto em que a questo da diviso de reas de patrulha
provoca forte impacto est sendo desenvolvido no Estado do
Cear: o projeto Ronda do Quarteiro.
Esse projeto pretende dividir a cidade de Fortaleza em reas
de patrulhamento que seriam cobertas por equipes de policiais.
Essa diviso territorial, a princpio, est sendo feita por um
critrio ad hoc: reas fixas de trs km. A busca de mtodos
eficientes para realizar essa diviso, baseados em critrios
como o ndice de criminalidade das reas, objeto deste
trabalho. fcil compreender o porqu da escolha dos tcnicos
do Ronda Quarteiro por um mtodo to simples. A diviso da
cidade em reas variveis considerando diferentes critrios de
otimizao no uma tarefa trivial. A dificuldade de tal
atividade ficar evidenciada neste trabalho cientfico. Nele,
decidimos modelar o problema da diviso otimizada de reas
de patrulha como um problema de particionamento conexo e
balanceado de grafos em q parties (PCBq). Poder-se-
perceber que, assim agindo, o problema em questo se
apresenta como NP-difcil [4].
Essa otimizao na delimitao das regies pretende
homogeneizar o mximo possvel a distribuio de crimes entre
as reas, e garantir que uma patrulha s policie uma regio sem

que seja necessrio passar por outra regio, patrulhada por

outra viatura, para abranger toda a sua rea de policiamento.
Trata-se, portanto, da primeira contribuio deste artigo
fornecer um quadro formal para o tratamento do problema e,
por essa razo, permite se inspirar nos trabalhos j
desenvolvidos pela comunidade cientfica para buscar uma
soluo aproximada que fornea uma soluo vivel para o
problema. Alm da modelagem formal do problema, este
trabalho prope um mtodo heurstico para a resoluo
eficiente (em termos comparativos com o estado da arte) para o
problema de particionamento conexo balanceado de grafos.
Por fim, a aplicao de tal mtodo para particionar a cidade de
Fortaleza em reas de ronda a contribuio prtica fornecida. O
restante do artigo est estruturado da seguinte forma. Inicialmente,
apresentamos uma breve anlise do problema de particionamento
conexo e balanceado de grafos e dos principais algoritmos
relacionados a esse problema. Em seguida, mostramos como foi
feita a modelagem do problema de diviso de reas de patrulha para
um problema de particionamento de grafos e descrevemos o mtodo
heurstico objetivo deste artigo. Na quarta seo, avaliamos o
mtodo heurstico e o comparamos com o algoritmo proposto por
Chlebkov [3], o qual considerado o algoritmo que produz
melhores resultados para o caso especfico do PCBq, cujo q=2.
Finalmente, a ltima seo traz consideraes finais e perspectivas
de trabalhos futuros.

2. Particionamento conexo e balanceado de grafos

O PCBq (Particionamento conexo balanceado de grafos para q
parties, onde q 2) pode ser definido da seguinte maneira:
dado um inteiro q e um grafo conexo G = (V, E), onde seus
vrtices possuem pesos, encontrar uma q-partio de G tal que cada
subgrafo associado a cada partio seja conexo e o peso do mais
leve seja o maior possvel, ou seja, a distribuio dos pesos entre os
subgrafos deve ser a mais homognea possvel.
Esse problema pertence classe dos problemas de
particionamento de grafos e classificado como um problema NPDifcil, mesmo para grafos q-conexos [4]. Por conta disso, os
algoritmos mais apropriados para a resoluo desse problema so os
algoritmos de aproximao, que tendem a encontrar solues
prximas das consideradas timas.
Existem vrios algoritmos para o problema mais geral de
particionamento de grafos. Dentre esses, podemos citar: o mtodo
de separao cartesiana [6], o algoritmo Kernighan-Lin (KL) [1], o
algoritmo Fiduccia-Mattheyses (FM) [2], os mtodos multinveis [8]
e [10], bisseo coordenada recursiva [11] etc. Cabe ressaltar que o
algoritmo KL um dos mais referenciados para a resoluo desse

problema, j que ele produz um bom particionamento local, com

relao ao nmero de arestas cortadas. Para maiores informaes,
recomendamos a leitura de [7].
Existem poucos algoritmos voltados, especificamente, para o
problema PCBq [5]. Para o caso particular onde q = 2, o algoritmo
proposto por Chlebkov [3] o que produz um particionamento
mais prximo do considerado timo, ou seja, as parties so
conexas e possuem pesos cujos valores so aproximaes do
resultado ideal, que quando cada partio possui metade do peso
do grafo. Para o caso onde q 3, o PCBq foi pouco investigado, no
existindo, at pouco tempo, algoritmos que resolviam o problema
para um q 3 qualquer dentro do conjunto dos inteiros [5].
Recentemente, Pinheiro [5] construiu algumas heursticas, baseadas
em rvores geradoras, que resolvem o problema para esse caso
geral. Para maiores informaes a respeito do problema PCBq e dos
algoritmos de aproximao voltados para esse problema,
recomendamos a leitura de [9].

3. Descrio da soluo
Para a resoluo do problema de otimizao da delimitao
de reas de patrulha, usamos a estrutura de dados grafo para a
representao computacional de mapas geogrficos. Optamos
por essa estrutura j que ela melhor representa mapas
geogrficos [12].
Neste trabalho, usamos como exemplo o mapa do bairro
Aldeota situado na cidade de Fortaleza-CE. Para explicarmos
essa modelagem, tomemos esse mapa como mostrado na
Figura 1.
Esse mapa foi dividido em 72 partes chamadas de quadras.
Uma quadra uma sub-regio de um bairro cuja rea abrange
por volta de quatro quarteires, ou seja, 0.04 km. Cada quadra
foi numerada com um valor de 1 a 72. Os pontos em vermelho
indicam a ocorrncia de um crime em uma determinada
posio do bairro.
A escolha de reas pequenas para delimitar as quadras foi
arbitrria. Essa delimitao poderia, porm, ser de outra
granularidade, mas como especialistas no assunto acreditam
que essa granularidade razovel, pois elas no constituiriam
por si s uma rea til de policiamento, adotamos essa
demarcao. Alm disso, se escolhssemos reas maiores o
mtodo heurstico teria que dividir essas quadras em subquadras para garantir uma maior homogeneidade de crimes
entre as reas de patrulha, diminuindo assim o desempenho
dele.
Cada quadra desse mapa foi representada por um vrtice no
grafo. Alm disso, cada vrtice possui um peso, denotando a
quantidade de crimes dentro da regio da quadra representada
pelo vrtice. As arestas do grafo representam a idia de
vizinhana entre as quadras, ou seja, duas quadras vizinhas no
mapa iro ser representadas por uma aresta (u, v), onde u e v
so vrtices do grafo associados s quadras. Por exemplo, as
quadras 1 e 2 so vizinhas no mapa, logo formaro uma aresta
(v1, v2) no grafo. Observe que quadras diagonais no so
consideradas vizinhas. Por exemplo, as quadras 1 e 15 no so
vizinhas.

A Figura 2 ilustra o grafo resultante do mapa da Figura 1.

Os nmeros em vermelho significam os pesos dos vrtices, isto
, a quantidade de crimes que ocorreram dentro dos limites de
uma determinada quadra associada ao vrtice.
Agora que j temos o grafo representando o mapa geogrfico do
bairro Aldeota, basta aplicarmos o mtodo de particionamento
conexo e balanceado para produzirmos as regies que sero
patrulhadas pelas viaturas.

3.1. Descrio do mtodo heurstico

O mtodo composto por duas fases: particionamento
inicial e refinamento das parties.
Na fase de particionamento inicial, usamos o algoritmo de
Separao Cartesiana de Grafos [6] para produzirmos parties
iniciais conexas. Esse algoritmo assume que os vrtices
possuam coordenadas geogrficas. Atribumos valores de
coordenada para cada vrtice de acordo com a posio da
quadra, que esse vrtice representa, no mapa. Escolhemos o
algoritmo de Separao Cartesiana por ser de simples
implementao, por produzir um particionamento inicial
conexo e pela existncia de coordenadas associadas aos
vrtices dos grafos que representam os mapas.
Na fase de refinamento das parties, usamos um algoritmo
heurstico que construmos baseado nas estratgias do
algoritmo KL [1]. Esse algoritmo heurstico realiza troca de
vrtices entre as parties com o intuito de maximizar a
homogeneidade dos pesos entre elas. Esse algoritmo de
refinamento a principal contribuio deste artigo para o
problema de particionamento conexo e balanceado de grafos
(PCBq).

3.2. Algoritmo de refinamento das parties

O algoritmo de refinamento das parties baseia-se em
conceitos adotados pelo mtodo de Kernighan-Lin [1]. O
algoritmo KL realiza trocas entre parties com o objetivo de
minimizar a quantidade de arestas que sero cortadas. O nosso
algoritmo realiza trocas com o intuito de melhor distribuir os
pesos entre as parties. Ambos recebem um grafo e suas
parties como entrada e retornam as parties refinadas de
acordo com seus critrios de refinamento.
Antes de detalharmos o algoritmo, cabe a definio de
alguns conceitos:
- Vrtice de corte: vrtice que ao retirarmos do grafo o torna
desconexo;
- Vrtice admissvel: vrtice adjacente a um outro vrtice
pertencente a uma partio adjacente que no um vrtice de
corte;
- Peso de uma partio: representado pela notao w(P),
denota o somatrio dos pesos dos vrtices pertencentes
partio P.
- Parties adjacentes: duas parties so consideradas
adjacentes se possurem vrtices adjacentes entre si.

Figura 1. Mapa do bairro Aldeota

Figura 2. Grafo que representa o mapa da figura 1

O algoritmo possui as seguintes caractersticas: realiza
trocas, onde somente um vrtice trocado por vez, entre duas
parties adjacentes. Os vrtices so trocados ou movidos de
uma partio cujo peso maior para outra partio cujo peso
menor. Os vrtices trocados so admissveis, o que garante a
conectividade das parties aps a troca, e possuem os menores
valores de preferncia dentre os vrtices possveis de troca.
Esses valores de preferncia devem ser menores que um ndice
de homogeneidade local para que os vrtices possam ser
transferidos.
O ndice de homogeneidade local () indica o quanto os
pesos das duas parties esto distantes de um peso
considerado ideal. Esse peso ideal a mdia entre os pesos das
parties. Esse ndice calculado de acordo com a equao
definida em (1), onde:
= w (P1 ) + w (P 2 )

w(P1) denota o peso da partio P1;

(1 )

w(P2) denota o peso da partio P2;

= (w(P1) + w(P2))/2;
O valor de preferncia para um vrtice ((v)) representa o
valor de aps a troca desse vrtice. Esse valor calculado
segundo a equao definida em (2), onde:
(v ) = (w max (P1 ) w vertex (v )) + (w min (P2 ) + wvertex (v ))

(2)

w(P1): peso da partio com maior peso, ou seja, aquela

a qual o vrtice v pertence;
w(v): peso do vrtice v;
w(P2): peso da partio adjacente a P1 com menor
peso;
Para otimizar o processo de trocas, privilegia-se trocas entre
a partio com maior peso e a partio adjacente a ela com
menor peso em uma dada iterao do algoritmo. Dessa forma,
os pesos das parties mais valoradas so diminudos primeiro,
e, consequentemente, os pesos de suas respectivas parties
adjacentes menores valoradas so aumentados, melhorando a

homogeneidade entre as parties. O processo termina quando

no existe vrtice que pode ser trocado entre parties
adjacentes, ou seja, a soluo no pode ser mais refinada
segundo os critrios do algoritmo.
A Figura 3 mostra o pseudocdigo do procedimento
REFINAMENTOGLOBAL, que realiza o processo descrito
anteriormente.
O procedimento comea atribuindo um valor timo de peso para
cada partio (linhas 1 e 2). Esse valor timo o resultado da
diviso entre o peso do grafo e quantidade de parties. Em seguida,
o procedimento inicializa as relaes de adjacncia entre as

parties
invocando
o
procedimento
INICIALIZAADJACENCIAPARTICOES (linha 3). Logo depois,
as parties so ordenadas de maneira decrescente de acordo com
seus pesos (linha 4), e as variveis indiceParticaoCorrente,
quantidadeIteracoes e particaoCorrente so inicializadas (linhas 5, 6
e 7). O lao mais externo itera at que todas as parties sejam
testadas para o processo de troca (linha 8). Dentro desse lao,
primeiramente, a partio com maior peso atribuda varivel
particaoCorrente (linha 9), e suas parties adjacentes so ordenadas
de maneira crescente segundo seus pesos (linha 10).

Figura 3. Pseudocdigo do procedimento REFINAMENTOGLOBAL

Depois, para cada partio adjacente, o processo de troca realizado
atravs da chamada da funo REFINAMENTOLOCAL (linhas 12
e 13). Se esse mtodo realizar alguma troca, o lao mais interno
termina (linhas 14 e 15). Caso contrrio, ele prossegue at chegar ao
final da lista de parties adjacentes ou at que alguma troca seja
realizada. Logo aps esse lao mais interno, se nenhuma troca foi
feita entre a partio corrente de maior peso e uma de suas
adjacentes, a varivel indiceParticaoCorrente incrementada (linha
17), e o lao mais externo vai para a sua prxima iterao. Seno, as
variveis indiceParticaoCorrente e quantidadeIteracoes so
novamente inicializadas (linhas 19 e 20), as relaes de adjacncia
entre
as
parties
so
atualizadas
(procedimento
ATUALIZAADJACENCIAPARTICOES) (linha 21), as parties
so novamente ordenadas de maneira decrescente segundo seus
pesos (linha 22) e o lao mais externo vai para a sua prxima
iterao.

4. Avaliao e comparao com o algoritmo de

Chlebkov
Por utilizarmos um mtodo aproximativo, utilizaremos a razo de
aproximao ou razo de desempenho (representada pela letra p)
como mtrica para a avaliao do mtodo descrito na seo anterior.

Essa medida nos informa o quo prximo a soluo obtida por um

algoritmo est da soluo tima.
Atravs da equao definida em (3), calcula-se a razo de
aproximao de um algoritmo, onde A(I) representa o valor de uma
soluo obtida ao execurtamos o algoritmo A para uma instncia I
do problema e opt(I) representa o valor de uma soluo tima para a
instncia I do problema.
A (I ) p * opt (I )

(3)

Como no nosso caso o mtodo de particionamento pode produzir

parties com pesos acima do considerado timo, o valor de A(I)
calculado da seguinte forma: peso timo para uma partio (peso do
grafo dividido pela quantidade de parties) - maior diferena em
mdulo entre o peso de uma partio e o peso timo para uma
partio.
Por exemplo: suponha que o algoritmo de particionamento para
um grafo G com peso 30 produziu trs parties com os seguintes
pesos: 11, 11 e 8. O valor de opt(I) ser 10 (1/3 do peso do grafo), e
o valor de A(I) ser 8, ou seja, (10 - |8 10|). Logo, o valor de p ser
0,8 (80%), isto , os pesos das trs parties se aproximaram, no
mnimo, em 80% do peso timo para uma partio desse grafo.

4.1. Aplicao e avaliao do algoritmo no grafo do

bairro Aldeota
Buscando comprovar a eficcia do mtodo heurstico
objetivo deste artigo, aplicamo-lo sobre o grafo que representa
o bairro Aldeota (Figura 2) para um nmero q de parties
variando de 2 a 15.
Os resultados so apresentados pela Tabela 1.
Observe que, em sua maioria, os resultados foram bons com
um percentual de aproximao maior ou igual a 80%. Exceto
para o caso onde a quantidade de parties igual a 4, cujo
percentual de aproximao foi de 69,56%. Isso ocorreu devido
ao fato de que a fase de Particionamento Inicial no produziu,
para esse caso, parties que melhor auxiliassem, com relao
adjacncia entre as parties, a fase de Refinamento das
Parties para produzir uma soluo com maior percentual de
aproximao. Ns escolhemos o algoritmo de Separao
Cartesiana [6] para realizar o particionamento inicial por,
dentre os pesquisados, produzir parties conexas de maneira
rpida e por ser de simples implementao. Contudo, o
algoritmo de refinamento que construmos, aplicado na fase de
Refinamento das Parties, mostrou que dado um
particionamento inicial conexo consegue produzir solues
boas para uma quantidade de parties maior ou igual a dois.
Alm disso, para esses testes, o mtodo de particionamento no
demorou mais do que 0.5s para produzir as solues.
Cabe ressaltar que aplicamos o mtodo sobre um grafo
planar com valores de coordenada associados aos seus vrtices.
No podemos afirmar que o mtodo descrito neste artigo
produz solues com o mesmo percentual de aproximao para
todo o tipo de grafo. Contudo, acreditamos que, dado um
particionamento inicial conexo, o algoritmo heurstico (fase de
Refinamento das Parties) consegue produzir parties
conexas com bons percentuais de aproximao.

4.2. Comparao com o algoritmo de Chlebkov

Como j foi dito anteriormente, o algoritmo de Chlebkov
[3] o que produz um particionamento conexo e balanceado
mais prximo do considerado timo para o problema PCB2,
onde o grafo de entrada 2-conexo.
O algoritmo proposto por Chlebkov, contudo, em
determinadas situaes, deixa de produzir solues melhores
por sempre escolher o vrtice admissvel com o menor peso
dentre os admissveis.
Diferentemente do algoritmo de Chlebkov, o algoritmo de
refinamento que construmos escolhe vrtices admissveis que
melhor balanceiam os pesos entre as parties em uma dada
iterao. Essa diferena faz com que o algoritmo que criamos
produza solues iguais ou melhores do que as solues
obtidas atravs da aplicao do algoritmo proposto por
Chlebkov.
Para a comparao dos algoritmos, realizamos alguns testes
variando a quantidade de vrtices e a densidade (quantidade de
arestas) dos grafos. Os grafos usados nesses testes foram

gerados de forma aleatria atravs da biblioteca para

manipulao de grafos Jung [13], em sua verso 1.7.6. Foram
atribudos pesos aos vrtices dos grafos de forma randmica,
cujos valores variaram de 1 metade do tamanho do grafo.
Somente grafos biconexos foram usados nos testes.
Tabela 1. Resultado dos testes sobre o grafo da Aldeota
Quantidade de parties
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Percentual de aproximao
99.45%
99.18%
69.56%
97.26%
93.44%
86.53%
93.47%
87.50%
88.88%
90.90%
90%
82.14%
80.76%
87.50%

Assumimos, para esses testes, que a fase de particionamento

global retorna duas parties em que a primeira contm o
vrtice de maior peso do grafo e a segunda o restante dos
vrtices do grafo. Essa estratgia tambm usada no incio do
algoritmo de Chlebkov [3]. A adotamos com o intuito de
melhor compararmos o nosso algoritmo e o algoritmo de
Chlebkov [3], mostrando que o processo de troca de vrtices
usado no nosso algoritmo tende a produzir solues com uma
razo de aproximao maior do que as geradas quando
executamos o algoritmo de Chlebkov [3].
Os resultados dos testes so apresentados pela Tabela 2. A
primeira coluna informa a quantidade de arestas do grafo, cujo
valor depende da quantidade de vrtices do grafo. A segunda
coluna denota a quantidade de vrtices do grafo. Para cada
teste, foram usados 10 grafos e o algoritmo foi executado para
cada um desses grafos. A terceira e a quarta coluna
representam, respectivamente, o valor mdio da razo de
aproximao do mtodo heurstico e o valor mdio da razo de
aproximao do algoritmo de Chlebkov. A quinta e a sexta
coluna denotam, respectivamente, as quantidades mdias de
iteraes que o mtodo heurstico e o algoritmo de Chlebkov
precisaram para encontrar uma soluo. A quantidade mdia de
iteraes representa o nmero de vrtices que foram
transferidos em mdia, entre as parties, durante a execuo
de cada algoritmo.
De acordo com esses testes, o algoritmo que descrevemos
na seo 3 produz solues iguais ou melhores do que o
proposto por Chlebkov em um nmero menor de iteraes.

Tabela 2. Comparao entre o algoritmo de Chlebkov e o mtodo do artigo

Densidade

p Mtodo Heurstico

p Chlebkov

2n

10
20
10
20
30
40
10
20
30
40
50
60
70

0.95
0.99
0.98
0.99
0.99
0.99
0.95
0.99
0.99
0.99
0.99
1
1

0.89
0.95
0.94
0.96
0.98
0.98
0.92
0.96
0.97
0.98
0.98
0.99
0.99

2.5n

3n

O algoritmo de Chlebkov [3] usado em nossos testes foi

implementado em JAVA. Alm disso, usamos um computador
cujas principais configuraes so: processador Intel Pentium 4
e 512Mb de memria.

5. Consideraes finais e trabalhos futuros

O intuito deste artigo auxiliar as polcias militares. Essa
ajuda consiste em melhor delimitar as reas de patrulhamento e
distribuir as viaturas entre essas reas. Para tanto, mostramos
que esse problema enfrentado pela polcia militar pode ser
modelado como um problema de particionamento conexo e
balanceado de grafos (PCBq). Tal problema foi pouco
investigado para o seu caso mais geral, cuja quantidade de
parties superior a 2.
Desenvolvemos um mtodo heurstico baseado em
estratgias pertencentes aos principais algoritmos de
particionamento de grafos. O aplicamos sobre um grafo que
representa o bairro Aldeota da cidade de Fortaleza-CE. Os
resultados obtidos a partir dos testes nesse grafo mostraram
que, em geral, o percentual de aproximao foi igual ou maior
a 80% para um nmero de parties variando de 2 a 15.
Alm disso, comparamos esse mtodo ao algoritmo de
aproximao proposto por Chlebkov. Foram feitos alguns
testes variando a quantidade de vrtices e a quantidade de
arestas dos grafos. Os resultados obtidos mostraram que o
algoritmo proposto neste artigo possui um grau de aproximao
igual ou maior que o proposto por Chlebkov.
A partir deste trabalho, nota-se a viabilidade de se delimitar
reas de patrulhamento que obedeam a certos limites de
extenso. Para que isso seja possvel, estaria associado a cada
vrtice um valor de rea, que representaria a extenso da
quadra associada a ele. Com isso, as patrulhas no seriam
subutilizadas, ou seja, no haveria patrulhas em regies
pequenas. Em longo prazo possvel tambm vislumbrar a
utilizao desse algoritmo em outros bairros da cidade de
Fortaleza e tambm em outras cidades.

Nmero de Iteraes
Mtodo Heurstico
2.9
6.4
3
6.4
9.4
12.4
2.9
5.7
9.3
12.3
15.1
18.1
21.7

Nmero de Iteraes
Chlebkov
4.5
12
4.7
11.7
18.1
25.5
4.8
12.2
18.6
25.4
33.1
39.8
46.3

6. Referncias
[1]
[2]
[3]
[4]

[5]
[6]
[7]
[8]
[9]
[10]

[11]
[12]
[13]

B. W. Kernighan e S. Lin. An efficient heuristic procedure for

partitioning graphs. Bell Sys. Tech. J., 49 (1970), pp. 291-307.
C. M. Fiduccia e R. M. Matteyses. A linear time heuristic for
improving network partitions. In 19th Design Automaton Conference,
pages 175-181, 1982.
J. Chlebkov. Approximating the maximally balanced connected
partition problem in graphs. Information Processing Letters,
60:225_230, 1996.
F. Chataigner, L. R. B. Salgado e Y. Wakabayashi. Approximability
and inaproximability results on balanced connected partitions of
graphs. Discrete Mathematics and Theoretical Computer Science
(DMTCS), vol. 9, pp. 177-192, 2007.
R. P. F. L. Lucindo. Partio de Grafos em Subgrafos Conexos
Balanceados. Dissertao de mestrado, Universidade de So Paulo,
2007.
M. T. Heath e P. Raghavan. A Cartesian Parallel Nested Dissection
Algorithm. SIAM Journal on Matrix Analysis and Applications, 1994.
M. R. Pereira. Particionamento Automtico de Restries. Tese de
Doutorado, Universidade Federal do Rio de Janeiro (COPPE), 2006.
G. Karypis e V. Kumar. A Fast and High Quality Multilevel Scheme
for Partitioning Irregular Graphs. Technical Report TR 95-035.
Departament of Computer Science. University of Minnesota, 1995.
L. R. B. Salgado. Algoritmos de Aproximao para Parties
Conexas em Grafos. Tese de doutorado, Universidade de So Paulo,
2004.
C. O. Moretti, T. N. Bittencourt, J. C. Andr e L. F. Martha.
Algoritmos Automticos de Partio de Domnio. Escola Politcnica
da Universidade de So Paulo, Boletim Tcnico, BT/PEF-9803, ISSN
0103-9822, 1998.
H. D. Simon e S. H. Teng. Partitioning of Unstructured Problems for
Parallel Processing. Computing Systems in Engineering, v. 2, pp.
135148, March 1991.
J. L. Gersting. Fundamentos Matemticos para a Cincia da
Computao. Livros Tcnicos e Cientficos Editora S. A., terceira
edio, 1995.
Jung. Java Universal Network/Graph Framework. Disponvel em:
http://jung.sourceforge.net/index.html, 2003, ltimo acesso em: 14
fevereiro 2008.