Ở chương 1 này chúng ta đã sử dụng Fibonacci heap để cải tiến, nâng cao hiệu quả của thuật toán Dijkstra. Hiệu quả của thuật toán Dijkstra cải tiến so với thuật toán nguyên thủy đã được minh chứng trong mục 1.5.Trong thực tế nếu dùng thuật toán Dijkstra nguyên thủy, chúng ta chỉ có thể áp dụng trên những đồ thị mà số đỉnh N cỡ vài ba chục nghìn trở xuống, còn nếu dùng
Dijkstra Fibonacci heap chúng ta có thể áp dụng cho đồ thị có số đỉnh N lớn
hơn nhiều lần, thậm chí N có thể lên đến hàng triệu. Ngoài việc ứng dụng để cải tiến Thuật toán Dijkstra ta còn có thể ứng dụng Fibonacci heap vào việc giải một số bài toán khác như bài toán sắp xếp, bài toán tìm cây khung cực tiểu, bài toán so khớp hai nhánh có trọng số…
Tuy có ưu thế về tốc độ (độ phức tạp tính toán) đối với hầu hết các thao tác với heap nhưng Fibonacci heap vẫn chưa được nhiều người lập trình sử dụng, lý do là vì để cài đặt Fibonacci heap chúng ta phải dùng danh sách móc nối và nói chung là việc cài đặt phức tạp hơn. Tuy nhiên trong trường hợp không bị giới hạn về thời gian lập trình và cần xử lý những đồ thị thưa, ta có thể dùng Fibonacci heap để tăng thêm hiệu quả của thuật toán.
CHƯƠNG 2
THUẬT TOÁN ĐÀN KIẾN GIẢI BÀI TOÁN TÌM ĐƯỜNG ĐI TỐI ƯU
Tối ưu đàn kiến (ACO) là một thuật toán dựa trên ý tưởng mô phỏng cách tìm đường đi từ tổ tới nguồn thức ăn của các con kiến trong tự nhiên. Đến nay thuật toán này đã được cải tiến đa dạng và có nhiều ứng dụng. Trước khi giới thiệu thuật toán ACO, luận văn sẽ giới thiệu phương thức trao đổi thông tin gián tiếp của kiến tự nhiên và mô hình kiến nhân tạo.