Programación por restricciones clase 14
|
|
- Lucía Castellanos Maidana
- hace 7 años
- Vistas:
Transcripción
1 Programación por restricciones clase 14 Camilo Rueda Universidad Javeriana-Cali Programación por restriccionesclase 14-- p.1/19
2 Modelamiento en CCP Dos tipos de restricciones: Solubles Solucionables eficientemente con técnicas de optimización. Chequeables Menos adaptadas para solución eficiente, pero es fácil chequear si una solución las cumple. Las restricciones son chequeables después de tener valores para sus variables: se debe ramificar sobre variables de búsqueda Valores de las variables deben enumerarse En general, variables enteras o discretas. A veces continuas. Ramificar se hace particionando el dominio. Programación por restriccionesclase 14-- p.2/19
3 Solucionables vs chequeables Cómo relacionar variables de restricciones solucionables con variables de restricciones chequeables? No es en general bueno optimizar sobre solucionables sin mirar chequeables Interacción mediante condicionales if P then S Si el predicado P (restricciones chequeables) se cumple, imponer la restricción solucionable S La ramificación puede hacer que el antecedente P se vuelva válido. Reducción de dominios opera sobre restricciones chequeables Técnicas de optimización operan sobre solucionables. Programación por restriccionesclase 14-- p.3/19
4 Marco general El marco general de modelamiento es: Minimizar f(x) + r(y) (función objetivo) Sujeto a: p i (y), i I 1 (restricciones chequeables) g i (y), i I 2 (restricciones solucionables) q i (y) h i (x), i I 3 (restricciones condicionales) d i (x, y), i I 4 (restricciones mixtas) x X (variables solucionables) y j D j, para todo j (variables de búsqueda) Programación por restriccionesclase 14-- p.4/19
5 restricciones Restricciones chequeables p i (y), q i (y) pueden ser fórmulas proposicionales, inecuaciones 0/1, lógica de variables discretas,etc. Restricciones f(x), g i (x), h i (x) son engenral inecuaciones lineales o no lineales sobre variables continuas x j Las restricciones mixtas d i (x, y) son restricciones acumulativas, de elemento, etc. Programación por restriccionesclase 14-- p.5/19
6 Resumen del modelo Restricciones chequeables, solucionables o condicionales, u otras definidas en términos de estas. Restricciones chequeables contienen solamente variables de búsqueda, discretas o continuas restricciones solubles contienen solamente variables solucionables, generalmente continuas. El antecedente de las condicionales son restricciones chequeables El consecuente son restricciones solucionables La función objetivo es separable: Los valores de x y de y son independientes El problema de minimizar f(x sobre restricciones solubles debe ser fácil. En general f(x) es función lineal. Programación por restriccionesclase 14-- p.6/19
7 Restricciones globales La formulación de un modelo es más compacta si incluye restricciones globales Aplicables a muchos problemas Tienen propagadores específicos eficientes Ayudan a construír un lenguaje de modelado para ciertos dominios. Algunas restricciones globales: element sum all-different cummulative Programación por restriccionesclase 14-- p.7/19
8 Restricción element m_element(y, (c 1, c 2,..., c k ), z) y es una variable discreta c i son expresiones z debe tomar el valor de la y-esima expresión La restricción m element es útil para definir restricciones que involucran variables del problema en los subíndices. es equivalente a (y = i) (z = c i ), i 1..k Una variante: x_element(y, (x j1,..., x jk ), z). La variable z toma el valor de la y-ésima variable x Programación por restriccionesclase 14-- p.8/19
9 Uso de element Para restricciones que involucran términos de la forma c s(y), donde s(y) es una función de la variable de búsqueda y Se implementa con m_element(y, (c s(1),..., c s(k) ), z) Y se reemplaza toda ocurrencia de c s(y) por z. Ejemplo: La restricción c y,y+1 10, donde y {1, 2, 3, 4}. c y,y+1 se reemplaza por z y la restricción m_element(y, (c 1,2, c 2,3, c 3,4, c 4,5 ), z), se agrega al modelo Igual para x_element. Se debe evitar agregar no-linealidades. Ejemplo: j c y j x j 10 se remplaza por: j z j 10 x_element(y j, (c 1 x j,..., c k x j ), z j ), para todo j Programación por restriccionesclase 14-- p.9/19
10 Restricción sum m_sum(y, (S 1,..., S k ), (c 1,..., c m ), z) S i es un conjunto de índices en {1,..., m} Los c j son constantes. y es variable entera Equivale a la restricción: (y = i) ( z = j S i c j ) para i = 1,..., k La versión x_sum(y, (S 1,..., S k ), (f 1 (x),..., f m (x)), z) equivale a (y = i) ( z = j S i f j (x) ) Programación por restriccionesclase 14-- p.10/19
11 Ejemplo de sum sum(y, ({1, 2, 3}, {1, 2, 4}, {1, 3, 4}), (10, 20, 50, 40), z) con y = 2 equivale a: z = sum(y, ({1, 2, 3}, {1, 2, 4}, {1, 3, 4}), (x 1, x 2, x 3, x 4 ), z) con y = 3 equivale a: z = x 1 + x 3 + x 4 Programación por restriccionesclase 14-- p.11/19
12 Restricción all_different all_different(x 1,..., x 4 ). asegura que todas las variables tengan valores diferentes Ejemplo, problema del agente viajero: Programación por restriccionesclase 14-- p.12/19
13 Restricción all_different all_different(x 1,..., x 4 ). asegura que todas las variables tengan valores diferentes Ejemplo, problema del agente viajero: c yk,y k+1 = costo de ir del nodo y k al nodo y k+1 y k = nodo recorrido en la etapa k. Formulación: Programación por restriccionesclase 14-- p.12/19
14 Restricción all_different all_different(x 1,..., x 4 ). asegura que todas las variables tengan valores diferentes Ejemplo, problema del agente viajero: c yk,y k+1 = costo de ir del nodo y k al nodo y k+1 y k = nodo recorrido en la etapa k. Formulación: minimizar k c y k,y k+1 Sujeto a: all_different(y 1,..., y n ) Otra formulación: Programación por restriccionesclase 14-- p.12/19
15 Restricción all_different all_different(x 1,..., x 4 ). asegura que todas las variables tengan valores diferentes Ejemplo, problema del agente viajero: c yk,y k+1 = costo de ir del nodo y k al nodo y k+1 y k = nodo recorrido en la etapa k. Formulación: minimizar k c y k,y k+1 Sujeto a: all_different(y 1,..., y n ) Otra formulación: minimizar k c k,y k Sujeto a: all_different(y 1,..., y n ) Programación por restriccionesclase 14-- p.12/19
16 Propagación de element Para la primera forma de la restricción, m_element(y, (c 1, c 2,..., c k ), z), basta arco-consistencia: D z = D z {c j j D y } D y = D y {c j j D z } Ejemplo, sea D z = {20, 30, 60, 80, 90} y D y = {1, 3, 4} D z = {20, 30, 60, 80, 90} {20, 40, 60} = {20, 60} D y = {1, 3, 4} {1, 2, 4} = {1, 4} Programación por restriccionesclase 14-- p.13/19
17 Propagación de element(2) Para la segunda forma de la restricción, x_element(y, (x j1,..., x jk ), z), arco-consistencia puede no implicar hiper-arco consistencia. D y, D z son finitos, pero D x1,..., D xk pueden ser finitos o continuos D z = D z j D y D xj D y = D y {j D z D xj } D x j = D z D xj si D y = {j} sino Programación por restriccionesclase 14-- p.14/19
18 Ejemplo de x_element Considere x_element(y, (x 1, x 2, x 3, x 4 ), z), con dominios: D z = {20, 30, 60, 80, 90} D y = {1, 3, 4} D x1 = {10, 50} D x2 = {10, 20} D x3 = {40, 50, 80, 90} D x4 = {40, 50, 70} Entonces: D z = {20, 30, 60, 80, 90} {10, 40, 50, 70, 80, 90} = {80, 90} D y = {1, 3, 4} {3} = {3} D x 1 = D x1 D x 2 = D x2 D x 3 = D z = {80, 90} D x 4 = D x4 Programación por restriccionesclase 14-- p.15/19
19 Propagación de sum La restricción m_sum(y, (S 1,..., S k ), (c 1,..., c m ), z) propaga así: Dominio de z D z = D z { j Si c j i D y } Dominio de y D y = D y { i j S i c j D z } Ejemplo: m_sum({1, 2, 3}, {1, 2, 4}, {1, 3, 4}), (10, 20, 50, 40), z), con dominios: D z = {30, 50, 80, 100}, D y = {1, 2, 3} D z = {30, 50, 80, 100} {70, 80, 100} = {80, 100} D y = {1, 2, 3} {2, 3} = {2, 3} Programación por restriccionesclase 14-- p.16/19
20 Propagación de all_different all_different(x 1,..., x n ). La idea es representar la restricción en un grafo: Cada variable x i es un vértice cada valor v j de los dominios es un vértice Hay un arco (x i, v j ) si v j está en el dominio de x i Definiciones: Una correspondencia ( matching ) es un subgrafo en el que cada nodo es incidente a exactamente un arco. Una correspondencia cubre los vértices y 1,..., y n cuando cada uno de ellos es incidente a un arco de la correspondencia Obviamente, una correspondencia que cubre todos las variables de all_different(x 1,..., x n ) es solución a la restricción. Programación por restriccionesclase 14-- p.17/19
21 Propagación de all_different(2) Propiedades: Una correspondencia es de máxima cardinalidad (cmc)si tiene el mayor número de arcos. Una correspondencia que cubre a y 1,..., y n existe sí y sólo si cualquier correspondencia de máxima cardinalidad cubre a y 1,..., y n Un algoritmo de Hopcroft-Karp encuentra una correspondencia de máxima cardinalidad en O(n 1/2 m, donde m es el número de arcos Con esto se determina si la restricción es satisfactible. Paso siguiente, encontrar arcos que NO pueden ser parte de una cmc. Teorema (Berge): Un arco pertenece a algunas, pero no a todas las cmc ssi: pertenece a un ciclo alternante o pertenece a un camino alternante par, uno de cuyos extremos es un vértice incidente a ningún arco en la correspondencia. Programación por restriccionesclase 14-- p.18/19
22 Propagación de all_different(3) Procedimiento: Encuentre una cmc Para cada vértice que no está cubierto por la cmc, marq ue todos los arcos que sean parte de un camino alternante que comience en ese vértice. Por el teorema de Berge, estos arcos pertenecen al menos a uno (pero no a toda) cmc Por la misma razón, marque todo arco que pertenezca a un ciclo alternante Ahora, por el teorema de Berge, dado cualquier arco no marcado, si es parte de la cmc, debe pertenecer a toda cmc Entonces: eliminar arcos no marcados que no sean parte de la cmc. Programación por restriccionesclase 14-- p.19/19
Programación por restricciones clase 10
Programación por restricciones clase 10 Camilo Rueda Universidad Javeriana-Cali Programación por restriccionesclase 10-- p.1/23 Consistencia local Nodo consistencia Arco consistencia hiper-arco consistencia
Más detallesProgramación por restricciones clase 8
Programación por restricciones clase 8 Camilo Rueda Universidad Javeriana-Cali Programación por restriccionesclase 8-- p.1/19 Resolvedores completos (cont) Ecuaciones lineales sobre reales Alfabeto Cada
Más detallesMatemáticas Discretas L. Enrique Sucar INAOE. Teoría de Grafos. Problema de los puentes de Königsberg [Euler]
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Grafos Problema de los puentes de Königsberg [Euler] Teoría de Grafos Definición y terminología Tipos de grafos Trayectorias y circuitos Isomorfismo
Más detallesFormulando con modelos lineales enteros
Universidad de Chile 19 de marzo de 2012 Contenidos 1 Forma de un problema Lineal Entero 2 Modelando con variables binarias 3 Tipos de Problemas Forma General de un MILP Problema de optimización lineal
Más detallesAlgebra Matricial y Teoría de Grafos
Algebra Matricial y Teoría de Grafos Unidad 3: Nociones de teoría de grafos Luis M. Torres Escuela Politécnica del Litoral Quito, Enero 2008 Maestría en Control de Operaciones y Gestión Logística p.1 Contenido
Más detallesTema 2. Fundamentos Teóricos de la. programación dinámica Teorema de Optimalidad de Mitten
Tema 2 Fundamentos Teóricos de la Programación Dinámica 2.1. Teorema de Optimalidad de Mitten El objetivo básico en la programación dinámica consiste en descomponer un problema de optimización en k variables
Más detallesSesión 4: Teoría de Grafos
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 4: Teoría de Grafos Problema de los puentes de Königsberg [Euler] Teoría de Grafos Definición y terminología Tipos de grafos Trayectorias y
Más detallesA5 Introducción a la optimización en redes
48 Materials David Pujolar Morales A5 Introducción a la optimización en redes Definición 1. Grafo finito. Sea un V un conjunto no vacío con un número finito de elementos y E una familia finita de pares
Más detallesCapítulo 4: Grafos Clase 4: Árboles
Capítulo 4: Grafos Clase 4: Árboles Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 4: Grafos 1 / 12 Árboles Los árboles son una clase particular de grafos que
Más detallesHamilton, Euler y Dijkstra
UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ESCUELA DE COMPUTACION Matemáticas Discretas III (Cód. 6108) Práctica # 2 Hamilton, Euler y Dijkstra 1. Sea G = un multigrafo no dirigido donde
Más detallesCapítulo 3: Grafos Clase 1: Grafos: Modelos, tipos, representación e isomorfismo
Capítulo 3: Grafos Clase 1: Grafos: Modelos, tipos, representación e isomorfismo Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 4: Grafos 1 / 35 Por qué estudiamos
Más detallesTema: Los Grafos y su importancia para la optimización de redes.
Tema: Los Grafos y su importancia para la optimización de redes. Qué son los Grafos? Un grafo es una dupla G= {X,U}, donde X es un conjunto finito y no vacio de elementos llamados vértices y U es el conjunto
Más detallesCapítulo 4: Grafos Clase 2: Caminos, Circuitos Eulerianos y Hamiltonianos
Capítulo 4: Grafos Clase 2: Caminos, Circuitos Eulerianos y Hamiltonianos Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 4: Grafos 1 / 29 Navegación de grafos
Más detallesCompiladores: Sesión 6. Optimización
Compiladores: Sesión 6. Optimización Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali 7 de febrero de 2008 Optimización Se proponen
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesAlgoritmos pseudo-polinomiales
Análisis de Algoritmos Algoritmos pseudo-polinomiales Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Algoritmos pseudo-polinomiales p. 1 HAMILTON PATH es NP-completo La reducción es
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesINDICE INTRODUCCION1 DESARROLLO2 GRAFOS (CONCEPTO).2 ARISTAS...2 VERTICES2 CAMINOS.3 CLASIFICACION DE GRAFOS...3 GRAFOS EULERIANOS.
INDICE INTRODUCCION1 DESARROLLO2 GRAFOS (CONCEPTO).2 ARISTAS...2 VERTICES2 CAMINOS.3 CLASIFICACION DE GRAFOS...3 GRAFOS EULERIANOS.7 GRAFOS CONEXOS7 ÁRBOLES..7 BOSQUES DE ÁRBOLES...8 RECORRIDO DE UN GRAFO..8
Más detallesCAPÍTULO II METODOLOGÍA DE SOLUCIÓN. Este capítulo es de suma importancia ya que en él se explica la metodología de solución
CAPÍTULO II METODOLOGÍA DE SOLUCIÓN Este capítulo es de suma importancia ya que en él se explica la metodología de solución utilizada en este trabajo para resolver de manera exacta el Problema de Localización
Más detallesCAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA
CAPÍTULO 4 PROGRAMACIÓN LINEAL ENTERA Programación Lineal Entera Es una técnica que permite modelar y resolver problemas cuya característica principal es que el conjunto de soluciones factibles es discreto.
Más detallesEl problema de ruteo de vehículos
El problema de ruteo de vehículos Irma Delia García Calvillo Universidad Autónoma de Coahuila FC-UNAM, Agosto 2010 I. García () El problema de ruteo de vehículos FC-UNAM, Agosto 2010 1 / 33 Introducción
Más detallesCaminos y Flujos optimales. 2da y 3er clase 2007
Caminos y Flujos optimales 2da y 3er clase 2007 ESQUELETOS OPTIMALES (mínimo) Esqueleto de G =(X,U) es un subgrafo que es un árbol y que contiene todos los vértices de G. Esqueleto Mínimo de G = (X, U,
Más detallesÁrboles. Un grafo no dirigido es un árbol si y sólo si existe una ruta unica simple entre cualquiera dos de sus vértices.
ÁRBOLES Árboles Un grafo conectado que no contiene circuitos simples. Utilizados desde 1857, por el matemático Ingles Arthur Cayley para contar ciertos tipos de componentes químicos. Un árbol es un grafo
Más detallesTema: Algoritmos para la ruta más corta en un Grafo.
Programación IV. Guía No. 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Algoritmos para la ruta más corta en un Grafo. Objetivos Específicos Definir el concepto de camino
Más detallesIntroducción a ASP (Answer Set Programming - programación con conjuntos respuestos)
Introducción a ASP (Answer Set Programming - programación con conjuntos respuestos) Inteligencia Artificial David Pearce 13 de enero de 2009 ASP y programación declarativa ASP es una forma de programación
Más detallesEs un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre
Es un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre elementos de un conjunto. Típicamente, un grafo se representa
Más detallesSolución de Problemas con CCP restricción sobre conjuntos finitos
Solución de Problemas con CCP restricción sobre conjuntos finitos slides basados en el curso constraint Programming de Christian Schulte 2 Profesor: Camilo Rueda 1 1 Universidad Javeriana-Cali, 2 KTH Royal
Más detallesPROGRAMACIÓN LINEAL. Su empleo es frecuente en aplicaciones de la industria, la economía, la estrategia militar, etc.
PROGRAMACIÓN LINEAL La programación lineal da respuesta a situaciones en las que se exige maximizar o minimizar funciones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones.
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesDefiniciones y ejemplos.
V. Grafos Definiciones y ejemplos. Módulo 5 DEF. Sea V un conjunto finito no vacío, y sea El par (V, E) es llamada entonces grafo dirigido en V, donde V es el conjunto de vértices o nodos y E es su conjunto
Más detallesUNIVERSIDAD NACIONAL DE INGENIERÍA UNI-RUACS. Investigación de Operaciones
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-RUACS Facultad de Ingeniería Industrial Investigación de Operaciones Tema: Teoría de los Grafos Elaborado por: Ing. Carlos Alberto Moreno. Docente: Ing. Pastrana
Más detallesNicolás Rivera. 23 de Junio de 2011
Teoría de Matroides. Nicolás Rivera 23 de Junio de 2011 Pontificia Universidad Católica de Chile Índice 1 Introducción: Definiciones y Propiedades básicas Índice 1 Introducción: Definiciones y Propiedades
Más detallesAlgoritmos y Estructuras de Datos III
Árboles Algoritmos y Estructuras de Datos III Árboles Definición: Un árbol es un grafo conexo sin circuitos simples. Árboles Teorema: Dado un grafo G = (V, X ) son equivalentes: 1. G es un árbol. 2. G
Más detallesRecordatorio Basico de Álgebra para Lógica
Recordatorio Basico de Álgebra para Lógica Guido Sciavicco 1 Conjuntos Definición 1 Un conjunto es una colleccion, finita o infinita, de elementos. Ejemplo 2 La colleccion de los elementos a, b, c, denotada
Más detalles1. INECUACIONES LINEALES CON DOS INCÓGNITAS.
TEMA 2: PROGRAMACIÓN LINEAL 1. INECUACIONES LINEALES CON DOS INCÓGNITAS. Se llama inecuación lineal con dos incógnitas a una inecuación de la forma: a x +b y c ( puede ser >,
Más detallesTema: Algoritmos para la ruta más corta en un Grafo.
Programación IV. Guía 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Algoritmos para la ruta más corta en un Grafo. Objetivos Específicos Definir el concepto de camino
Más detallesTEMA 5 El tipo grafo. Tipo grafo
TEMA 5 El tipo grafo PROGRAMACIÓN Y ESTRUCTURAS DE DATOS Tipo grafo 1. Concepto de grafo y terminología 2. Especificación algebraica. Representación de grafos.1. Recorrido en profundidad o DFS.2. Recorrido
Más detallesProblemas de Optimización: una Introducción
Problemas de Optimización: una Introducción Computación Evolutiva Ing. Fabio A. González, PhD Departamento de Ing de Sistemas e Industrial Universidad Nacional de Colombia Resolución de Problemas G. Polya,
Más detallesEscuela de algoritmos de aproximación
Escuela de algoritmos de aproximación Módulo 2: Introducción a los algoritmos de aproximación Francisco Javier Zaragoza Martínez Universidad Autónoma Metropolitana Unidad Azcapotzalco ITAM, 14 de septiembre
Más detallesRelaciones. Estructuras Discretas. Relaciones. Relaciones en un Conjunto. Propiedades de Relaciones en A Reflexividad
Estructuras Discretas Relaciones Definición: relación Relaciones Claudio Lobos, Jocelyn Simmonds clobos,jsimmond@inf.utfsm.cl Universidad Técnica Federico Santa María Estructuras Discretas INF 152 Sean
Más detallesPLE: Optimización Combinatoria
PLE: Optimización Combinatoria CCIR / Matemáticas euresti@itesm.mx CCIR / Matemáticas () PLE: Optimización Combinatoria euresti@itesm.mx 1 / 14 Introducción Para valorar el poder expresivo de los modelos
Más detallesDemostraciones por resolución
Demostraciones por resolución A lo largo del curso, hemos prometido insistentemente que hay métodos para mecanizar demostraciones En particular, queremos un método, dado una base de conocimiento Σ y una
Más detallesProblemas: formulación, ejemplos, representación de soluciones y estructuras de entorno
Problemas: formulación, ejemplos, representación de soluciones y estructuras de entorno Christopher Expósito Izquierdo, J. Marcos Moreno Vega cexposit@ull,es, jmmoreno@ull.es Departamento de Ingeniería
Más detallesGuía de Problemas para el Control 2
Guía de Problemas para el Control 2 Geometría Problema 1 Demuestre que la intersección de conjuntos convexos es un conjunto convexo. Utilizando esto demuestre que todo poliedro es un conjunto convexo.
Más detallesCapítulo 6. Relaciones. Continuar
Capítulo 6. Relaciones Continuar Introducción Una relación es una correspondencia entre dos elementos de dos conjuntos con ciertas propiedades. En computación las relaciones se utilizan en base de datos,
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detalles300CIG007 Computabilidad y Lenguajes Formales: Autómatas Finitos
300CIG007 Computabilidad y Lenguajes Formales: Autómatas Finitos Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. Gloria Inés Alvarez V. Qué es un computador? Todos lo sabemos!!!
Más detallesFundamentos de Investigación de Operaciones Modelos de Grafos
Fundamentos de Investigación de Operaciones de junio de 00 Muchos problemas de optimización puedes ser analizados y resueltos a través de representaciones gráficas. Tal es el caso de los problemas de planificación
Más detallesMARITZA HERRERA FLOREZ YUDY MARCELA BOLAÑOS RIVERA
ALGORITMOS DE APROXIMACIÓN PARA PROBLEMAS NP DUROS MARITZA HERRERA FLOREZ YUDY MARCELA BOLAÑOS RIVERA UNIVERSIDAD DEL CAUCA FACULTAD DE CIENCIAS NATURALES, EXACTAS Y DE LA EDUCACIÓN DEPARTAMENTO DE MATEMÁTICAS
Más detallesSe puede dibujar la siguiente figura, empezando y terminando en el mismo punto, sin levantar e lápiz del papel?
Se puede dibujar la siguiente figura, empezando y terminando en el mismo punto, sin levantar e lápiz del papel? Y esta otra? Los puentes de Königsberg Königsberg es famosa por ser la ciudad natal de Immanuel
Más detallesAlgoritmos y Estructuras de Datos III
Árboles Algoritmos y Estructuras de Datos III Árboles Definición: Un árbol es un grafo conexo sin circuitos simples. Árboles Teorema: Dado un grafo G = (V, X ) son equivalentes: 1. G es un árbol. 2. G
Más detallesSegundo parcial. Martes, 23 de abril de 2003
5.053 Segundo parcial Martes, 3 de abril de 003 Se permite traer una hoja de papel con anotaciones por una cara. Responda a todas las preguntas en los cuadernillos de examen.. Controle el tiempo. Si un
Más detallesLa Geometría de la Programación Lineal
La Geometría de la Programación Lineal Basado en Bertsimas Tsitsiklis Introduction to Linear Optimization Chap. IN7 Modelamiento y Optimización Nelson Devia C. Introducción Se dice que un conjunto S en
Más detallesLógica Matemática. Operadores Lógicos. Universidad del Azuay - Marcos Orellana Cordero
Lógica Matemática Operadores Lógicos Introducción La lógica proposicional inicia con las proposiciones y los conectores lógicos. A partir de la combinación de dos proposiciones por medio de un conector
Más detallesEstructura de Datos Página 1 de 13 ESTRUCTURA DE DATOS
Estructura de Datos Página 1 de 13 ESTRUCTURA DE DATOS Contenido TEMA 4. Grafos 4.1. Grafos 4.1.1. Definición 4.1.2.Conceptos 4.2. Modelado de problemas típicos 4.3. Representación de un grafo a través
Más detallesSe puede dibujar la siguiente figura, empezando y terminando en el mismo punto, sin levantar e lápiz del papel?
Se puede dibujar la siguiente figura, empezando y terminando en el mismo punto, sin levantar e lápiz del papel? Y esta otra? Los puentes de Königsberg Königsberg es famosa por ser la ciudad natal de Immanuel
Más detallesAnálisis de Algoritmos Problemas de grafos
Análisis de Algoritmos Problemas de grafos Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Problemas de grafos p. 1 INDEPENDENT SET es NP-completo Necesitamos un gadget : el triángulo.
Más detallesTema 4: Programación lineal
Tema 4: Programación lineal 1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX) que consiste en una serie de métodos y procedimientos que permiten resolver
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Lógica y Estructuras Discretas Tutor: Antonio Rivero Cuesta Tema 5 Teoría de Grafos Conceptos Básicos Un grafo consta de: Grafo Un conjunto de nodos, Un conjunto de aristas
Más detallesCaminos y Flujos optimales. Introducción a la Investigación de Operaciones 2007
Caminos y Flujos optimales Introducción a la Investigación de Operaciones 2007 Contenido Definiciones básicas. Conexidad. Clausura transitiva. Esqueletos y caminos optimales. Redes. Flujos. Algoritmo de
Más detallesSolución de Problemas con CCP restricción de canal
Solución de Problemas con CCP restricción de canal slides basados en el curso constraint Programming de Christian Schulte 2 Profesor: Camilo Rueda 1 1 Universidad Javeriana-Cali, 2 KTH Royal Institute
Más detallesVerificación de programas. Algoritmos y Estructuras de Datos I. Semánticas formales: Primer cuatrimestre de 2016
Verificación de programas Algoritmos y Estructuras de Datos I Primer cuatrimestre de 2016 Departamento de Computación - FCEyN - UBA Programación imperativa - clase 14 Verificación automática de programas
Más detallesDefinición 1.1 Sea G = (V, A) un grafo no dirigido. G se denomina árbol si es conexo y no contiene ciclos.
Matemática Discreta y Lógica 2 1. Árboles Árboles Definición 1.1 Sea G = (V, A) un grafo no dirigido. G se denomina árbol si es conexo y no contiene ciclos. Como un lazo es un ciclo de longitud 1, un árbol
Más detallesCiencias de la Computación I
Ciencias de la Computación I Autómatas Finitos No Determinísticos Minimización de Autómatas Finitos Determinísticos Agosto 2007 Autómatas Finitos Determinísticos Para cada estado y para cada símolo se
Más detallesTÍTULO: MATEMÁTICA DISCRETA Y LÓGICA Disponibilidad
TÍTULO: MATEMÁTICA DISCRETA Y LÓGICA Disponibilidad Calculo proposicional 1 Argumentos y proposiciones lógicas 1 Algunos argumentos lógicos importantes 2 Proposiciones 4 Conexiones lógicas 5 Negación (tabla)
Más detallesMinimización de Aútomatas Finitos
Minimización de Aútomatas Finitos Supongamos que para un AFD M = (Q, Σ, δ, q 0, F ) definimos la siguiente relación R M : xr M y ssi δ(q 0, x) = δ(q 0, y) Claramente, podemos notar que esta relación es
Más detallesDesarrollo Formal de Software Construir Modelos
Desarrollo Formal de Software Construir Modelos Profesor: Camilo Rueda 1 1 Universidad Javeriana-Cali PUJ 2012 ( ) PUJ 2012 1 / 16 Obligaciones de prueba La especificación consta de: El contexto, o parte
Más detallesTema 2: Grafos y Árboles. Algoritmos y Estructuras de Datos 3
Tema 2: Grafos y Árboles Algoritmos y Estructuras de Datos 3 1 ÍNDICE 2.1 Definiciones básicas: grafos y árboles 2.2 Representaciones de árboles y grafos 2.3 Algoritmos de recorrido de árboles binarios
Más detallesColoreo de vértices Definiciones: Coloreo de Grafos. Cotas para χ Proposición: Si H es un subgrafo de G entonces χ(h) χ(g).
Coloreo de vértices Definiciones: Coloreo de Grafos Algoritmos y Estructuras de Datos III Un coloreo (válido) de los vértices de un grafo G = (V, X ) es una asignación f : V C, tal que f (v) f (u) (u,
Más detallesLos grafos son estructuras de datos Representan relaciones entre objetos. Son aplicables en. Relaciones arbitrarias, es decir No jerárquicas.
ESTRUCTURA DE DATOS Los grafos son estructuras de datos Representan relaciones entre objetos Relaciones arbitrarias, es decir No jerárquicas Son aplicables en Química Modem Geografía Ing. Eléctrica e Industrial,
Más detalles1. Recuerdo del algoritmo de KRUSKAL
MA3705. Algoritmos Combinatoriales. 014. Profesor: José Soto Escriba(s): Manuel Cáceres, Camilo Gómez y Sebastián Muñoz. Fecha: 11 de Agosto 014. Cátedra 5 1. Recuerdo del algoritmo de KRUSKAL La clase
Más detallesTema 4: Programación lineal
Tema 4: Programación lineal 1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX) que consiste en una serie de métodos y procedimientos que permiten resolver
Más detallesSea NxN = {(0,0), (0,1), (1,0), (0,2), (1,1), (2,0),... } el conjunto de pares de naturales,
Ejercicio 1.- Sea NxN = {(0,0), (0,1), (1,0), (0,2), (1,1), (2,0),... } el conjunto de pares de naturales, y la función J : N 2 N definida por : J(m,n) = 1/2(m+n)(m+n+1) + m a) Es J inyectiva? Sobreyectiva?
Más detallesCapítulo 4: Grafos Clase 3: Grafos planares y Colorabilidad de Grafos
Capítulo 4: Grafos Clase 3: Grafos planares y Colorabilidad de Grafos Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 4: Grafos 1 / 18 Problema de las utilidades
Más detallesEn la fig. 1 se representa el grafo, G=(V,A) donde: V = {1, 2, 3, 4, 5, 6} A = { {1,2}, {1,3}, {1,5}, {3}, {3,4}, {4,5}, {5,6} }
Unidad 1 Parte 1 - Teoría de Grafos Introducción En este capítulo veremos la noción matemática de grafo y propiedades de los mismos. En capítulos subsiguientes veremos las estructuras de datos utilizadas
Más detallesCapítulo 1. Teoría de la probabilidad Teoría de conjuntos
Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral
Más detallesAlgoritmos heurísticos y aproximados. Clase 6/10/09
Algoritmos heurísticos y aproximados Clase 6/10/09 Algoritmos aproximados y heurísticos para problemas NP-Hard Cómo resolver problemas NP-HARD? No pretendemos encontrar la mejor solución sino una buena
Más detallesObjetivos formativos de Matemática Discreta. Tema 1: Conjuntos, aplicaciones y relaciones
Objetivos formativos de Matemática Discreta Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera
Más detallesCompiladores: Sesión 15. Análisis semántico, traducción dirigida por sintaxis
Compiladores: Sesión 15. Análisis semántico, traducción dirigida por sintaxis Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 3 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 3 Programación Entera
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 3 Programación Entera ORGANIZACIÓN DEL TEMA Sesiones: Introducción y formulación Variables binarias Métodos de solución OPTIMIZACIÓN DE MODELOS DISCRETOS
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesPROGRAMACION CUADRATICA
PROGRAMACION CUADRATICA Programación convexa La programación convexa abarca una amplia clase de problemas, entre ellos como casos especiales, están todos los tipos anteriores cuando /(x) es cóncava. Las
Más detallesInvestigación Operativa I. Programación Lineal. Informática de Gestión
Investigación Operativa I Programación Lineal http://invop.alumnos.exa.unicen.edu.ar/ - 2013 Exposición Introducción: Programación Lineal Sistema de inecuaciones lineales Problemas de optimización de una
Más detallesRelaciones Binarias. Matemática Discreta. Agustín G. Bonifacio UNSL. Relaciones Binarias
UNSL Relaciones Binarias Relaciones Binarias (Sección 3.1 del libro) Definición Una relación (binaria) R de un conjunto X a un conjunto Y es un subconjunto del producto cartesiano X Y. Si (x,y) R, escribimos
Más detallesDefiniciones: conjuntos, grafos, y árboles. Agustín J. González ELO 320: Estructura de Datos y Algoritmos. 2002
Definiciones: conjuntos, grafos, y árboles Agustín J. González ELO 320: Estructura de Datos y Algoritmos. 2002 1 Conjuntos (sets) y Grafos (graphs) Un Conjunto es una colección de objetos distintos. No
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO I LOGICA Y CONJUNTOS.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO I LOGICA Y CONJUNTOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas Universidad de Concepción 1 La lógica es
Más detallesIN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0
IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del
Más detallesEliminación de cuantificadores
Eliminación de cuantificadores Teorema Si una teoría admite eliminación de cuantificadores, y existe un algoritmo que construye ϕ sc a partir de ϕ, entonces es decidible. Cómo se demuestra este teorema?
Más detallesCLASIFICACIÓN DE PROBLEMAS
UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO Facultad de Ciencias Exactas y Tecnologías Licenciatura en Sistemas de Información 2009 CLASIFICACIÓN DE PROBLEMAS 1 CLASES DE PROBLEMAS Uno de los resultados
Más detallesGrafos. Amalia Duch Brown Octubre de 2007
Grafos Amalia Duch Brown Octubre de 2007 Índice 1. Definiciones Básicas Intuitivamente un grafo es un conjunto de vértices unidos por un conjunto de líneas o flechas dependiendo de si el grafo es dirigido
Más detallesComputabilidad y Lenguajes Formales: Autómatas Finitos
300CIG007 Computabilidad y Lenguajes Formales: Autómatas Finitos Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. Gloria Inés Alvarez V. No Determinismo Hasta ahora cada
Más detallesIndice. 1. Tipos de grafos. 2. Conceptos Básicos 3. Representación de grafos 4. Subgrafos. Grafos complementarios
Teoría de Grafos 1 1. Tipos de grafos Indice 2. Conceptos Básicos 3. Representación de grafos 4. Subgrafos. Grafos complementarios 5. Caminos y conectividad 6. Grafos Bipartitos 2 Tipos de Grafos Un grafo
Más detallesFORMALIZACIÓN Y EJECUCIÓN DEPARTAMENTO DE ELECTRÓNICA Y COMPUTADORES. Mercedes Granda Departamento de Electrónica y Computadores
REDES DE PETRI: DEFINICIÓN, FORMALIZACIÓN Y EJECUCIÓN PROGRAMACIÓN CONCURRENTE MASTER EN COMPUTACIÓN DEPARTAMENTO DE ELECTRÓNICA Y COMPUTADORES UNIVERSIDAD DE CANTABRIA CURSO 22/3 REDES DE PETRI Las redes
Más detallesPráctica 1. Introducción a la optimización mediante herramienta MS Excel Solver (I)
Ingeniería de Telecomunicación Planificación Avanzada de Redes de Comunicaciones Curso 2006-2007 Pablo Pavón Mariño Práctica 1. Introducción a la optimización mediante herramienta MS Excel Solver (I) Objetivos
Más detallesTAD CONJUNTOS Y MULTICONJUNTOS
TAD CONJUNTOS Y MULTICONJUNTOS INTRODUCCIÓN Qué es un conjunto? Un conjunto en matemática es una colección de objetos. Los objetos no mantienen ninguna relación aparente entre ellos y tampoco están obligados
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesCompiladores: Generación de Código. Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. María Constanza Pabón
Compiladores: Generación de Código Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. María Constanza Pabón Generación de Código Representación Intermedia Tabla de Símbolos
Más detallesTema 7: Programación lineal En este tema veremos solamente unas nociones básicas de programación lineal.
Tema 7: Programación lineal En este tema veremos solamente unas nociones básicas de programación lineal. 1. Concepto de problema de programación lineal Un problema de programación lineal consiste en un
Más detalles