5 Considerações Finais
5.1 Trabalhos Futuros
Inicialmente, sugere-se uma complementação do estudo de análise apresentando a complexidade dos algoritmos abordados. Em seguida, a implementação e execução dos algoritmos, utilizando a minimização de mais de 2 objetivos, além de otimizar o código dos algoritmos já testados, como por exemplo, a segunda fase do algoritmo de Ramos et al. (1998), desenvolvido de forma recursiva pode ser melhorada usando uma versão iterativa. O desenvolvimento e teste do algoritmo de Sourd e Spanjaard (2008) em liguagem C++.
Além disso, outras experimentações podem ser feitas para obter mais informações sobre os algoritmos em questão, inclusive a utilização de outras ferramentas estatísticas para comparação dos algoritmos. Em relação aos algoritmos de Galand et al. (2009), pode-se utilizar outros parâmetros tais como, funções não utilidades convexas, capacidade côncava e coeficientes, para analisar o comportamento do algoritmo em relação à solução ótima encontrada e o desempenho do mesmo. Muitas pesquisas ainda podem surgir baseados no problema estudado neste trabalho e várias possibilidades de desenvolvimento de outros algoritmos, sejam exatos, híbridos ou heurísticos usando ideias de abordagens exatas.
Referências Bibliográficas
AGGARWAL, V.; ANEJA, Y.; NAIR, K. Minimal spanning tree subject to a side constraint. Computers & Operations Research. v.9, p. 287-296, 1982.
ARROYO, J. E. C.; VIEIRA, P. S.; VIANNA, D.S. A GRASP algorithm for the multi-criteria
minimum spanning tree problem. Annals of Operations Research. v. 159, p. 125-133, 2008.
BADER, D. A., CONG, G. Fast Shared-Memory Algorithms for Computing the Minimum
Spanning Forest of Sparse Graphs (Extended Abstract), Proceedings of the 18th International
Parallel and Distributed Processing Symposium (IPDPS’0ζ), Computer Society, 200ζ. BAZLAMAÇCI, C. F.; HINDI, K. S. Minimum-weight spanning tree algorithms: a survey
and empirical study. Computers and Operations Research, v. 28, p. 767-785, 2001.
BEZERRA, L. C. T.; GOLDBARG, E. F. G; GOLDBARG, M. C; BURIOL, L. S. GRACE: A
generational randomized ACO for the multi-objective shortest path problem. In:
TAKAHASHI, R. et al. (Ed.). Evolutionary Multi-criterion Optimization. [S.l.]: Springer, (Lecture Notes in Computer Science, v. 6576). p. 535-549, 2011.
BEZERRA, L. C. T. Uma colônia de formigas para o caminho mais curto multiobjetivo. Dissertação (Mestrado em Sistemas e Computação) - Universidade Federal do Rio Grande do Norte, Natal, 2011.
CARDOSO, P., JESUS, M.; MÁRQUEZ, A. MONACO Applied to the Multiple Criteria
Minimum Spanning Trees Problem. Computing and Simulation Center CsC(TR), 2006.
CHEN, G; CHEN, S.; GUO, W.; CHEN, H. The multi-criteria minimum spanning tree
problem based genetic algorithm. Information Sciences, v. 177, n. 22, p. 5050-5063, 2007.
CHOQUET, G. Theory of capacities. Annales de l'Institut Fourier, v. 5, p. 131-295, 1953. CLIMACO, J. C. N.; MARTINS, E. A bicriterion shortest path algorithm. European Journal of Operational Research,v. 11, p.399–404, 1982.
CLIMACO, J. C. N.; PASCOAL, M. M. B. Multicritério path and tree problems: discussion
on exact algorithms and applications. International Transactions in Operational Research. p.
1-36, 2011.
DAS, B., LOUI, M. C. Reconstructing a Minimum Spanning Tree after Deletion of Any Node, Algorithmica, v. 31, p.530 – 547, 2001.
DAVIS-MORADKHAN, M.; BROWNE, W. N.; GRINDROD, P. Extending evolutionary
algorithms to discover tri-criterion and non-supported solutions for the minimum spanning
tree problem. In: GECCO '09 – Genetic and Evolutionary Computational Conference, 2009,
Montréal. Proceedings of the 11th Annual Conference on Genetic and Evolutionary Computation (GECCO '09). ACM, New York, p. 1829-1830, 2009.
DAVIS-MORADKHAN, M. Multi-Criterion Optimization in Minimum Spanning Trees. Studia Informatica Universalis, v. 8, p. 185-208, 2010.
EHRGOTT, M.; GANDIBLEUX, X. A survey and annotated bibliography of multiobjective
combinatorial optimization. OR Spektrum, v. 22, p. 425-460, 2000.
EHRGOTT, M.; SKRIVER, A. J. V. Solving biobjective combinatorial max-ordering
problems by ranking methods and a two-phases approach. European Journal of Operational
Research, v. 147, p. 657–664, 2003.
GABOW, H, N. Two algorithms for generating weighted spanning trees in order. Siam Journal on Computing, v. 6, n. 1, p. 139-150, 1977.
GALAND, L., PERNY, P. and SPANJAARD, O. Choquet-based Optimisation in
Multiobjective Shortest Path and Spanning Tree Problem. European Journal of Operational
Research, v. 204, p. 303-315, 2009.
GAREY, M.R.; JOHNSON, D. S. Computers and intractability: a guide to the theory of NP- completeness. Freeman, New York, 1979.
GOLDBARG, M. C.; LUNA, H. P. L. Otimização Combinatória Programação Linear:
Modelos e Algoritmos. 2. Ed. Rio de Janeiro: Elsevier, 2005.
GUTIN, G.; PUNNEN, A. P (eds.). Traveling salesman problem and its variations. Kluwer Academic Publishers, 2002.
HAKAMI, S. L. Steiner’s problem in graphs and its implications. Networks. v. 1, p. 113-133,
1971.
HAMACHER, H. W.; RUHE, G. On spanning tree problems with multiple objectives. Annals of Operations Research, v. 52, p. 209-230, 1994.
JASZKIEWICZ, A. Genetic local search for multi-objective combinatorial optimization. European Journal of Operational Research, v. 137, p. 50-71, 2002.
JOHNSON, D. S. A Theoretician's Guide to the Experimental Analysis of Algorithms. In Proc. 5th and 6th DIMACS Implementation Challenges (M. Goldwasser, D. S. Johnson and C. C. MacGeoch, eds) AMS, Providence RI, p. 215-250, 2002.
JOTHI, R.; RAGHAVACHARI, B. Approximation algorithms for the capacitated minimum
spanning tree problem and its variants in network design. ACM Transactions on Algorithms,
v. 1, n. 2, p. 265-282, 2005.
KATOH, N.; IBRAKI, T.; MINE, H. An algorithm for finding k minimum spanning trees. SIAM Journal on Computing ,10(2),247–55, 1981.
KNOWLES, J. D.; CORNE, D. W. Approximating the nondominated front using the Pareto
KNOWLES, J.D.; CORNE, D.W. M-PAES: A memetic algorithm for multiobjective
optimization, Proceedings of the 2000 Congress on Evolutionary Computation. v.1, p. 325-
332, 2000b.
KNOWLES, J. D.; CORNE, D. W. A. Comparison of encodings and algorithms for
multiobjective spanning tree problems. Proceedings of the 2001 Congress on Evolutionary
Computation, CEC01, p. 544-551, 2001.
KNOWLES, J. D. Local-search and hybrid evolutionary algorithms for Pareto optimization. PhD Thesis. Department of Computer Science, University of Reading, Reading, UK, 2002. KNOWLES, J.; THIELE, L.; ZITZLER, E. A tutorial on the performance assessment of
stochastic multiobjective optimizers. Relatório TIK 214, Computer Engineering and Networks
Laboratory (TIK), ETH Zurich, fev. 2006.
KRUSKAL Jr, J. B. On the shortest spanning subtree of a graph and the traveling salesman
problem. In: Proceedings of the American Mathematical Society, v. 7, n. 1, p. 48–50, 1956.
KUMAR, R., SINGH, P. K. and CHAKRABARTI, P. P. A Multiobjective EA Approach for
Improved Quality of Solutions for Spanning Tree Problem. Lecture Notes in Computer
Science 3410, p. 811 – 825, 2005.
LAND, A. H, DOIG, A. G. An automated method for solving discrete programming
problems. Econometrica, v. 28, p. 497-520, 1960. Disponível em:
<http://jmvidal.cse.sc.edu/library/land60a.pdf>. Acesso em: 15 jan. 2012.
LEE, H., PULAT, P.S. Bicriteria network flow problems: Integer case. European Journal of Operational Research v. 66, p.148–157, 1993.
LITTLE, J.D., MURTY, K.C., SWEENEY, D.W., KAREL, C. An algorithm for the travelling
salesman problem, Operations Research v. 11, p. 972-989, 1963. Disponível em:
<http://dspace.mit.edu/bitstream/handle/1721.1/46828/algorithmfortrav00litt.pdf?sequence=1 > Acesso em: 15 jan. 2012.
LUO, J.; ZHANG, X. New method for constructing phylogenetic tree based on 3D graphical
representation. ICBBE 2007 The 1st International Conference on Bioinformatics and
Biomedical Engineering, p. 318-321, 2007.
LUST, T.; TEGHEM, J. Two-phase Pareto local search for the biobjective traveling
salesman problem. J. Heuristics, v. 16, p. 475-510, 2010.
MONTEIRO, S. M. D.; GOLDBARG, E. F. G.; GOLDBARG, M. C. A new transgenetic
approach for the biobjective spanning tree problem. In: IEEE CEC 2010 Congress on
Evolutionary Computation, 2010, Barcelona. Proceedings of IEEE CEC 2010 Congress on Evolutionary Computation. Piscataway, IEEE, v. 1, p. 519-526, 2010.
MONTEIRO, S. M. D.; GOLDBARG, E. F. G.; GOLDBARG, M. C. A plasmid based
transgenetic algorithm for the biobjective minimum spanning tree problem. In: EVOCOP09 -
European Conference on Evolutionary Computation in Combinatorial Optimization, 2009, Tübingen. Lecture Notes in Computer Science. Heidelberg: Springer, v. 5482, p. 49-60, 2009.
MONTEIRO, S. M. D. Algoritmos transgenéticos aplicados ao problema da árvore geradora
biobjetivo, 2011, 145 f. Dissertação (Mestrado em Sistemas e Computação) - Universidade
Federal do Rio Grande do Norte, Natal, 2011.
MÜLLER-HANNEMANN, M.; WEIHE, K. On the cardinality of the Pareto set in bicriteria
shortest path problems. Annals of Operations Research, v. 147, p. 269–286, 2006.
NEUMAIER, A. Complete search in continuous global optimization and constraint
satisfaction. Acta Numerica, v. 13, p. 271-369, 2004.
PERNY, P.; SPANJAARD, O. A preference-based approach to spanning trees and shortest
paths problems. European Journal of Operational Research. v. 162, p. 584-601, 2005.
PETTIE, S., RAMACHANDRAN, V. An Optimal Minimum Spanning Tree Algorithm, Journal of the ACM, v. 49, n.1, p. 16-34, 2002
PRIM, R. C. Shortest connection networks and some generalizations. Bell System Technical Journal, v. 36, p. 1389-1401, 1957.
PRZYBYLSKI, A.; GANDIBLEUX, X.; EHRGOTT, M. Two-phase algorithms for the bi-
objective assignment problem. European Journal of Operational Research 2008; v.185, n.2,
p.509–533, 2008.
RAIDL, G. R. An efficient evolutionary algorithm for the degree-constrained minimum
spanning tree problem. Proceedings of the 2000 Congress on Evolutionary Computation,
CEC, 2000. IEEE Press, p. 104-111, 2000.
RAIDL, G. R.; JULSTROM, B. A. Edge sets: an effective evolutionary coding of spanning
trees. IEEE Transactions on Evolutionary Computation, v. 7, n. 3, p. 225-239, 2003.
RAITH, A.; EHRGOTT, M. A comparison of solution strategies for biobjective shortest path
problems. Computers & Operations Research. v. 36, p. 1299-1331, 2009.
RAMOS, R. M.; ALONSO, S.; SICÍLIA, J.; GONZÁLEZ, C. The problem of the optimal
biobjective spanning tree. European Journal of Operational Research. v. 111, p. 617-628,
1998.
ROCHA, D. A. M., GOLDBARG, E. F. G., GOLDBARG, M. C. A memetic algorithm for the
biobjective minimum spanning tree problem. In: 6th European Conference on Evolutionary
Computation in Combinatorial Optimization, 2006. Budapeste, Lecture Notes in Computer Science, v. 3906. Heidelberg, Springer Berlin, p. 222-233, 2006.
ROCHA, D. A. M.; GOLDBARG, E. F. G.; GOLDBARG, M. C. A new evolutionary
algorithm for the bi-objective minimum spanning tree. In: ISDA'07 Seventh International
Conference on Intelligent Systems Design and Applications, 2007, Rio de Janeiro. Proceedings of ISDA'07. Danvers: IEEE Computer Society. v. 1, p. 735-740, 2007. RUZIKA, S., HAMACHER, H.W. A survey on multiple objective minimum spanning tree
problems. In Lerner, J.,Wagner, D., Zweig, K. (eds) Algorithmics of Large and Complex
SERAFINI, P. Some considerations about computational complexity for multi objective
combinatorial problems. In: Jahn J,Krabs W (eds) Recent advances and historical
development of vector optimization,v ol 294. Lecture Notes in Economics and Mathematical Systems. Springer,Berlin Heidelberg New York, 1996.
SÖRENSEN, K.; JANSSENS, G. An algorithm to generate all spanning trees of a graph in
order of increasing cost. Pesquisa Operacional, v. 25, n. 2, p. 219-229, 2005.
SOURD, F.; SPANJAARD, O. A multiobjective branch-and-bound: application to the
biobjective spanning tree problem. INFORMS Journal on Computing, v. 20, p. 472-484,
2008.
SOUZA, G. R. de. Uma abordagem por nuvem de partículas para problemas de otimização
combinatória. 2006. 90 f. Dissertação (Mestrado em Sistemas e Computação) - Universidade
Federal do Rio Grande do Norte, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, 2006.
STEINER, S.; RADZIK, T. Solving the biobjective minimum spanning tree problem using a
k-best algorithm. Relatório Técnico TR-03-06, Department of Computer Science, King’s
College London, 2003.
ULUNGU, E., TEGHEM, J. The two-phases method: An efficient procedure to solve
biobjective combinatorial optimization problems. Foundations of Computing and Decision
Sciences v. 20, p. 149–165, 1995.
VIANNA, D. S.; ARROYO, J. E. C.; VIEIRA, P. S.; AZEREDO, T. R. Parallel strategies for
a multi-criteria GRASP algorithm. Produção, v. 17, p. 84-93, 2007.
ZHOU G.; GEN, M. Genetic algorithm approach on multi-criteria minimum spanning tree
problem. European Journal of Operational Research. v. 114, p. 141-152, 1999.
ZITZLER, E.; THIELE, L.; LAUMANNS, M.; FONSECA, C. M.; FONSECA, V. G.
Performance Assessment of Multiobjective Optimizers: An Analysis and Review. IEEE
ANEXO A – Definições e Axioma da independência
Este texto foi retirado do artigo de Perny e Spanjaard (2003)
Definição 1: De qualquer relação binária em um conjunto E, as partes assimétrica e simétrica de são respectivamente definidas em E por:
e, e’ E, (e e’) ((e e’) e (e’ e)) e, e’ E, (e ~ e’) ((e e’) e (e´ e))
Definição 2: Para qualquer relação definida em um conjunto E, o conjunto de elementos maximais é definido por:
M(E, )={e E | e’ E, ~(e’ e)}
Além disso, para qualquer X E, o conjunto M(X, ) é denominado conjunto de elementos maximais em X. No entanto, M(X, ) não deve ser confundido com M(E, ) X. A relação representa uma relação de preferência fraca e, portanto, está associada a relação de preferência estrita. A proposição e e’ significa que e é no mínimo tão boa quanto
e’, enquanto que e e’ significa que e é estritamente preferida a e’. Em tal contexto, para qualquer X E, os elementos de M(X, ) são ditos ser -eficiente em X.
Definição 3: A relação definida em um conjunto T é dita ser: - reflexiva, se e E, e e
- completa se e, e’ E, e e’ ou e’ e
- antissimétrica se e, e’ E, ((e e’) e (e’ e)) (e = e’) - transitiva se e, e’, e” E, ((e e’) e (e’ e”)) (e e”) - quase-transitiva se é transitiva
Definição 4:
- Uma ordem parcial é uma relação binária reflexiva, antissimétrica e transitiva.
Definição 5: Seja G = (V, ) um grafo representando uma ordem parcial . Chamamos aqui classificação topológica de G qualquer ordem completa estrita ’ em V tal que ’ .
O axioma de independência é uma versão fraca da aditividade qualitativa de Finetti (1974, apud PERNY; SPANJAARD, 2003) e pode também ser visto como uma equivalência qualitativa da propriedade de monotonicidade.
Axioma da Independência: ), ( , ,B C P E A tal que C(AB),(ABACBC)
A condição de independência é naturalmente satisfeita em vários problemas clássicos. Observe os dois exemplos de relações de preferência usuais obviamente satisfazendo o axioma da independência.
Exemplo 1: Supondo que v é uma avaliação em E, o axioma da independência assegura a relação de preferência aditiva numérica definida por:
A B
B e A
e v(e) v(e)
Este exemplo mostra que, na estrutura clássica, escolhemos implicitamente uma relação de preferência que satisfaz o axioma de independência. Agora, no contexto de otimização multicritério onde a qualidade de cada elemento e E é definido por vetores de avaliação
)) ( ),..., (
(v1 e vq e , temos o seguinte resultado:
Exemplo 2: Em problemas multicritérios, o axioma da independência assegura as relações de preferência lexicográficas definidas como a seguir:
B e j A e j B e k A e k e v e v k j e v e v q k B A {1,..., }, ( ) ( ), , ( ) ( )O mesmo resultado mantém-se para a relação de dominância.
A importância do axioma da independência em problemas -ST é estabelecida pelo seguinte resultado que generaliza um resultado de Serafini (1996):
Teorema 15: Se é quase-transitiva e satisfaz o axioma da independência, para qualquer árvore geradora -eficiente T, então existe uma classificação topológica do grafo de preferência em E para o qual o algoritmo de Kruskal fornece T.
ANEXO B – Integral de Choquet
Este texto foi retirado do artigo de Galand et al. (2009)Definição 1: Uma capacidade é uma função de conjuntos v:2N [0,1] tal que v()0, 1
) (N
v eA,B2N,ABv(A)v(B).
Para algum subconjunto A N, Av( )representa a importância da coalizãoA. A integral de Choquet de um vetor x Nn com respectiva capacidade v é definida por:
) ( 1 ) 1 ( ) ( ) ( )] ( [ ) ( n i i i i v x v X v X x C
(1) ) ( ] [ () 1 ) 1 ( ) ( i n i i i x v X x
(2)onde (.) representa uma permutação em {1,...,n} tal que 0 x(0) x(1)...x(n),
)} ( ),..., 1 ( ), {( } , { () ) ( j N x x i i n
Xi j i para i n e X(n )1 . Note que X(n1) X(i), daí v(X(n1))v(X(i))para todo i . A integral de Choquet generaliza a noção clássica da média com a seguinte interpretação baseada na equação (2): para um dado vetorx (x1,...,xn), o custo é maior ou igual a x(1) em todos os critérios pertencentes a X(1), o qual representa um peso de v(X(1))1, então o custo é maior ou igual a x(2) em todos os critérios pertencentes a X(2) que representa um incremento x (2) x(1) com peso v(X(2)). Aplicar o mesmo de x para (2) x em todos os critérios pertencentes a (3) X cujos pesos são (3)
) (X(2)
v , e assim por diante... A integral total é obtida conseqüentemente pela agregação dos incrementos marginais x(i)x(i1) ponderados por v(X(i)).
Na teoria da decisão, a integral de Choquet é usada freqüentemente em problemas de maximização sob a forma Cv(u(x1),...,u(xn)) onde u é uma função utilitária definida como
um ganho, a ser maximizado (GALAND et al., 2009). No contexto de minimização, onde os custos substituem os ganhos, os critérios são reformulados usando uma função não utilitária para ser minimizada. Suponha que os custos são inteiros pertencentes a [1,M] onde M é um inteiro positivo, pode-se usar uma função estritamente crescente w:[0,M] Rtal que
) (x
w para representar a função não-utilitária de custo de x . O modelo Choquet Expected
)) ( ),..., ( ( ) ( v 1 n w v x C w x w x (3) tomando w v
não-decrescente, então existe sempre um vetor de custo x minimizando
) (x
w v
no conjunto de Pareto .
Chateauneuf e Tallon (2002) mostram que, dentro da teoria da utilidade esperada de Choquet, o axioma da “preferência por diversificação” obriga o tomador de decisão a escolher soluções de compromisso. Galand et al. (2009) reformulou o axioma e denominou de preferência por pontos interiores, como definido abaixo:
Axioma da preferência por pontos interiores: A relação de preferência definida no vetor de custo em Nn satisfaz a preferência por pontos interiores se, para qualquer x¹,...,xnNn, e
para todo1,...,p 0tal que
ip1 1 1 , tem-se:i p i i p x x x x¹~ ²~...~ ]
1 [ xk,k 1,...,p (4)onde ~ é a parte simétrica de (relação de indiferença).
Este axioma diz que qualquer vetor de custo compromisso obtido por uma combinação convexa de vetores de custos indiferentes p melhora esses vetores. Além disso, o axioma é equivalente a escolher uma capacidade convexa v e uma utilidade côncava u , a convexidade e concavidade de uma capacidade são classicamente definidas a seguir:
Definição 2: Uma capacidade v é dita convexa (ou supermodular) quando ) ( ) ( ) ( ) (A B v A B v A v B
v para todo A,B N e é dita côncava (ou submodular) quando v(AB)v(AB)v(A)v(B) para todo A,B N.
Segundo Galand et al. (2009), no caso de minimização de custos é preciso usar o modelo CED com uma capacidade côncava v e uma não-utilidade convexa w para exibir a
preferência por pontos interiores. Além disso, para qualquer capacidade v , pode-se associar
uma capacidade dual v definida por v(A)1v(N \A)para todoA N. Quando v é côncava v é convexa e vice-versa. Observe que v sendo côncava tem-se v(A)v(N\A)1, daí v(A)v(A).
Definição 3: O núcleo de uma capacidade v é definida por:
)} ( ) ( ) ( : { ) (v v A A v A core
(a) algoritmo RA com instâncias do BIG1 (b) algoritmo SS com instâncias do BIG1 (c) algoritmo SR com instâncias do BIG1
(d) algoritmos RA, SS e SR com instâncias concave (e) algoritmos RA, SS e SR com instâncias correlated (f) algoritmos RA, SS e SR com instâncias anticorr
Box Plot of RA grouped by Inst Spreadsheet1 4v*72c Median 25%-75% Non-Outlier Range Outliers Extremes
Conc Corr Anti
Inst -50000 0 50000 1E5 1,5E5 2E5 2,5E5 3E5 3,5E5 RA
Box Plot of SS grouped by Inst Spreadsheet1 4v*72c Median 25%-75% Non-Outlier Range Outliers Extremes
Conc Corr Anti
Inst 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 SS
Box Plot of SR grouped by Inst Spreadsheet1 4v*72c Median 25%-75% Non-Outlier Range Outliers Extremes
Conc Corr Anti
Inst -2 0 2 4 6 8 10 12 14 16 SR
Box Plot of Conc grouped by Tipo Spreadsheet2 4v*39c Median 25%-75% Non-Outlier Range Outliers Extremes RA SS SR Tipo -20 0 20 40 60 80 100 120 140 C o n c
Box Plot of Corr grouped by Tipo Spreadsheet2 4v*39c Median 25%-75% Non-Outlier Range Outliers Extremes RA SS SR Tipo -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 C o rr
Box Plot of Anticorr grouped by Tipo Spreadsheet2 4v*39c Median 25%-75% Non-Outlier Range Outliers Extremes RA SS SR Tipo -50000 0 50000 1E5 1,5E5 2E5 2,5E5 3E5 3,5E5 A n ti co rr
(h) Bloxpot da mediana de tempo dos algoritmos GR e GC para instâncias BIG1
Median; Box: 25%-75%; Whisker: Non-Outlier Rang
K1 K2 K3 PR Outliers Extremes T ipo 0,000 0,001 0,002 0,003 0,004 0,005 0,006 0,007 0,008 0,009 0,010
Box Plot of multiple variables grouped by T Spreadsheet4 3v*51c
Median; Box: 25%-75%; Whisker: Non-Outlier Rang
GR GC Outliers Extremes T ipo -50 0 50 100 150 200 250 300 350 400