Algoritmos de Aproximación para el problema de Corte de Multicaminos (Multiway Cut)
|
|
- Andrea Muñoz Aguilar
- hace 6 años
- Vistas:
Transcripción
1 Algoritmos de Aproximación para el problema de Corte de Multicaminos (Multiway Cut) Julián Viera Curso de Algoritmos de Aproximación 2016 Facultad de Ingeniería - IMERL 24 de octubre de 2016
2 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Agenda 1 El Problema Multiway Cut (MC)
3 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Definición del problema MC Se considera un grafo conexo y no dirigido G = (V,E) con costos positivos asociados a sus aristas c : E R + un conjunto de k terminales S = {s 1, s 2,..., s k } V El problema Multiway Cut consiste en encontar el conjunto de aristas de E de mínimo costo que al ser removidas desconectan entre sí a todos los k vértices terminales de G. Es una generalización del problema de corte mínimo - flujo máximo entre dos vértices de un grafo.
4 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Ejemplo de instancia del problema MC (a) Instancia del MC con k = 3 (b) Solución factible con costo = 14 (c) Solución óptima con costo = 7
5 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Componentes Conexas asociadas a la solución óptima del MC Al remover las aristas de la solución óptima, el grafo se particiona en exactamente k componentes conexas, con cada una conteniendo un único vértice terminal.
6 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Aplicaciones del problema Multiway Cut Minimización de costos de comunicación en sistemas de computación paralelos Asignación óptima de módulos de programa en sistemas multiprocesador Partición óptima de archivos entre nodos de una red Partición óptima de elementos de un circuito en subcircuitos independientes
7 Definición del problema MC Aplicaciones del problema MC Complejidad del problema MC Complejidad del problema Multiway Cut El problema MC es NP-completo para k 3 Para k = 2, el problema MC es equivalente al problema de determinar el flujo máximo - corte mínimo entre 2 vértices de un grafo, y es resoluble con algoritmos de tiempo polinómico (Ford-Fulkerson)
8 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Algoritmo combinatorio AA 1 para el Multiway Cut Corte aislante (isolating cut) de un terminal s i : conjunto de aristas de E que al ser removidas desconectan a s i del resto de los terminales de G. Algoritmo AA 1 : 1 Para cada i = 1,..., k determinar el corte aislante de costo mínimo del terminal s i. 2 Descartar el más costoso de estos cortes, y devolver la unión de los demás.
9 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 AA 1 para el MC 1: Sea S = {s 1, s 2,..., s k } conjunto de vértices terminales de G 2: for i 1 to k do 3: t i contracción de S \{s i } 4: C i corte de costo mínimo s i t i 5: end for 6: Sea c(c 1 ) c(c 2 )... c(c k ) i=k 1 7: return C AA1 = i=1 C i AA 1 fue propuesto por Dahlhaus, Johnson, Papadimitriou, Seymour y Yannakakis en el artículo The complexity of multiway cuts, Symposium on the Theory of Computation (STOC) 1992.
10 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Ejemplo del AA 1. Paso 1, cálculo de cortes mínimos. Corte aislante C 1 de costo mínimo para el terminal s 1. c(c 1 ) = 6.
11 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Ejemplo del AA 1. Paso 1, cálculo de cortes mínimos. Corte aislante C 2 de costo mínimo para el terminal s 2. c(c 2 ) = 4.
12 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Ejemplo del AA 1. Paso 1, cálculo de cortes mínimos. Corte aislante C 3 de costo mínimo para el terminal s 3. c(c 3 ) = 4.
13 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Ejemplo del AA 1. Paso 2, unión de cortes y descarte.
14 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Teorema : El AA 1 tiene factor de aproximación 2(1 1 k ) A: corte multicaminos óptimo de G. A i, i = 1,..., k: corte que separa la componente del terminal s i en la solución óptima A. Se verifica que A = i=k i=1 A i. C i, i = 1,..., k: corte aislante óptimo del AA 1 para s i. c(c 1 ) c(a 1 ) c(c 2 ) c(a 2 ). c(c k ) c(a k ) k c(c i ) i=1 c(c AA1 ) k c(a i ) = 2c(A) = 2OPT i=1 ( 1 1 k ) k i=1 ( c(c i ) ) OPT k QED
15 Descripción del algoritmo Factor de aproximación del AA 1 Ejemplo extremal del AA 1 Un ejemplo extremal (tight) para el AA 1. Solución óptima del MC : k aristas del anillo OPT = k. Solución del AA 1 : k-1 aristas colgantes. c(c AA1 ) = (2 ɛ)(k 1) = (2 ɛ)(1 1 k )k = (2 ɛ)(1 1 k )OPT
16 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Algoritmo goloso AA 2 para el Multiway Cut Algoritmo AA 2 : 1 Calcular los cortes s i s j de costo mínimo para todos los pares de terminales {s i, s j } que aún estén conectados, y remover del grafo el corte de menor costo, denotado C ij. 2 Repetir el paso 1 hasta que todos los pares de terminales {s i, s j } queden desconectados. 3 Devolver C AA2 = C ij.
17 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Ejemplo del AA 2 (a) Grafo origen (b) Cortes mínimos entre terminales conectados (c) Selección y remoción del corte mínimo de menor costo (C 13)
18 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Ejemplo del AA 2 (d) Cortes mínimos entre terminales conectados (e) Selección y remoción del corte mínimo de menor costo (C 12) (f) Devolver C AA2 = C 12 C 13
19 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Propiedades del AA 2 goloso Sea S = {s 1, s 2,..., s k } el conjunto de vértices terminales. 1 El AA 2 ejecuta exactamente k 1 pasos. C AA2 = h=k 1 h=1 (C ij ) h
20 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Propiedades del AA 2 goloso Sea S = {s 1, s 2,..., s k } el conjunto de vértices terminales. 1 El AA 2 ejecuta exactamente k 1 pasos. C AA2 = h=k 1 h=1 (C ij ) h 2 s i S, existe al menos otro terminal s j tal que en algún paso de su ejecución el AA 2 va a elegir el corte C ij.
21 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Propiedades del AA 2 goloso Sea S = {s 1, s 2,..., s k } el conjunto de vértices terminales. 1 El AA 2 ejecuta exactamente k 1 pasos. C AA2 = h=k 1 h=1 (C ij ) h 2 s i S, existe al menos otro terminal s j tal que en algún paso de su ejecución el AA 2 va a elegir el corte C ij. 3 Sean C i el corte aislante de costo mínimo de s i, i = 1,..., k, y C ij cualquiera de los cortes del AA 2 que involucra a s i. Se verifica que c(c ij ) c(c i )
22 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Grafo de cortes del AA 2 goloso Es el grafo no dirigido G c obtenido a partir de la aplicación del AA 2, cuyos vértices son los terminales de G y en el que hay arista entre dos terminales s i y s j si y solo si AA 2 elige en alguno de sus pasos el corte C ij. Propiedad: El grafo de cortes G c del AA 2 es un árbol. Prueba: por propiedad 2) anterior tiene k vértices de grado mayor o igual a 1. Por propiedad 1) tiene k 1 aristas = es un árbol.
23 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Ordenamiento de las aristas del grafo de cortes G c del AA 2 Propiedad: Existe una función de mapeo F : S S tal las aristas de G c se pueden ordenar como {C 1F (1), C 2F (2),..., C (k 1)F (k 1) } Prueba: por construcción de F. 1: Sean S = {s 1, s 2,..., s k } y C = C AA2 2: Sea G c = (S, C) el grafo de cortes del AA 2 3: while S {s k } do 4: for all s i /grado(s i ) = 1 en G c y i k do 5: Sea j/c ij es la arista de G c que incide en s i = F (i) j 6: G c G c \{s i } 7: end for 8: end while
24 Descripción del algoritmo Propiedades del AA 2 Factor de aproximación del AA 2 Teorema : El AA 2 tiene factor de aproximación 2(1 1 k ) Prueba: C i, i = 1,..., k: corte aislante óptimo del terminal s i. Suponemos sin pérdida de generalidad que c(c 1 ) c(c 2 )... c(c k ) C if (i), i = 1,..., k 1: corte del AA 2 para s i en el ordenamiento de aristas de G c. c(c 1F (1) ) c(c 1 ) c(c 2F (2) ) c(c 2 ). c(c (k 1)F (k 1) ) c(c k 1 ) k 1 k 1 ( c(c AA2 ) = c(c if (i) ) c(c i ) = c(c AA1 ) ) OPT k i=1 i=1
25 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Modelo de Programación Lineal Entera para el MC Las variables del modelo son distancias binarias d entre todo par de nodos del grafo. c(e)d(u, v) min d(u,v) e=(u,v) E s.a. d(u, v) = d(v, u) 0 u, v V d(u, v) d(u, w) + d(w, v) u, v V d(s i, s j ) = 1 i, j S, i j d(u, v) {0, 1} u, v V
26 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Modelo Relajado de Programación Lineal para el MC Modelo LP min d(u,v) e=(u,v) E s.a. c(e)d(u, v) d(u, v) = d(v, u) 0 u, v V d(u, v) d(u, w) + d(w, v) u, v V d(s i, s j ) = 1 i, j S, i j 0 d(u, v) 1 u, v V Gap de integralidad de la relajación LP Puede probarse que esta relajación LP para el MC tiene un gap de integralidad de valor 2(1 1 k ).
27 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Un algoritmo de redondeo aleatorio para el Multiway Cut Algoritmo de redondeo aleatorio para el MC: 1 Resolver el problema relajado LP para obtener una solución del MC óptima fraccionaria. 2 Sortear aleatoriamente un valor de ρ en el intervalo [ 0, 1 2]. 3 Elegir para la solución toda arista (u, v) E / terminal s con d(u, s) ρ d(v, s).
28 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Valor esperado del algoritmo aleatorio para el MC Propiedad: (u, v) E, la probabilidad de esa arista se elegida por el algoritmo aleatorio esta acotada por 2d(u, v) Prueba (para un terminal dado s): P{se elige (u, v)} 2(d(v, s) d(u, s)) por tener ρ distribución uniforme de densidad 2. d(v, s) d(u, s) d(u, v) por cumplir d la desigualdad triangular. = P{se elige (u, v)} 2d(u, v)
29 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Valor esperado del algoritmo aleatorio para el MC Propiedad: (u, v) E, la probabilidad de esa arista se elegida por el algoritmo aleatorio esta acotada por 2d(u, v) Prueba (para un terminal dado s): P{se elige (u, v)} 2(d(v, s) d(u, s)) por tener ρ distribución uniforme de densidad 2. d(v, s) d(u, s) d(u, v) por cumplir d la desigualdad triangular. = P{se elige (u, v)} 2d(u, v) Teorema: El valor esperado del costo del corte C aleat elegido está acotado por 2OPT f Prueba: E [c(c aleat )] = c(e)p{e} c(e)2d(u, v) = 2OPT f e E e=(u,v) E
30 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Algoritmo de redondeo AA 3 para el Multiway Cut 1 Resolver el problema relajado LP para obtener una solución del MC óptima fraccionaria. 2 Para cada terminal s i, i = 1,..., k elegir ρ i en el intervalo ( 0, 1 ) 2 de forma de minimizar el costo de las aristas que atraviesan la frontera de la bola B d (s i, ρ i ). Estas aristas forman un corte aislante C i para s i. 3 Descartar el más costoso de estos cortes, y devolver la unión de los (k 1) cortes restantes.
31 Formulación como problema de programación lineal del MC Algoritmo de redondeo aleatorio para el MC Descripción del algoritmo AA 3 Factor de aproximación del AA 3 Teorema: El AA 3 tiene factor de aproximación 2(1 1 k ) Prueba: C i : corte de costo mínimo del AA 3 para el terminal s i. C = i=k i=1 costoso. C i : solución del AA 3 sin descartar el corte más C AA3 : corte solución del AA 3. C aleat : corte solución del algoritmo aleatorio. k c(c) = c(c i ) mín c(c aleat ) E [c(c aleat )] 2OPT f ρ i=1( c(c AA3 ) 1 1 ) ( c(c) ) OPT f QED k k
32 AA con mejores factores para el MC Un resultado de inaproximabilidad para el MC AA con mejores factores para el MC Algoritmo de factor k de Callinescu, Karloff y Rabani. Presentan la relajación CKR en el artículo An improved Approximation Algorithm for Multiway Cut, ACM Symposium on the Theory of Computation 1998, pp
33 AA con mejores factores para el MC Un resultado de inaproximabilidad para el MC AA con mejores factores para el MC Algoritmo de factor k de Callinescu, Karloff y Rabani. Presentan la relajación CKR en el artículo An improved Approximation Algorithm for Multiway Cut, ACM Symposium on the Theory of Computation 1998, pp Algoritmo de factor 1,3438 de Karger, Klein, Stein, Thorup y Young. Presentado en el artículo Rounding Algorithms for a Geometric Embedding of Minimum Multiway Cut, Journal Mathematics of Operations Research 29, 2004.
34 AA con mejores factores para el MC Un resultado de inaproximabilidad para el MC AA con mejores factores para el MC Algoritmo de factor k de Callinescu, Karloff y Rabani. Presentan la relajación CKR en el artículo An improved Approximation Algorithm for Multiway Cut, ACM Symposium on the Theory of Computation 1998, pp Algoritmo de factor 1,3438 de Karger, Klein, Stein, Thorup y Young. Presentado en el artículo Rounding Algorithms for a Geometric Embedding of Minimum Multiway Cut, Journal Mathematics of Operations Research 29, Algoritmo de factor 1,2965 de Sharma y Vondrak. Presentado en el artículo Multiway Cuts, Pairwise Realizable Distributions and Descending Thresholds, 2014.
35 AA con mejores factores para el MC Un resultado de inaproximabilidad para el MC Un resultado de inaproximabilidad para el MC Gap de Integralidad del Multiway Cut para la relajación CKR Freund y Karloff probaron en 2000 que MC tiene un gap de 8 integralidad de k 3, para la relajación CKR k 1 UG-hardness Manokaran et al. demostraron en 2008 que si la conjetura UGC (Unique Games Conjecture) es verdadera, es NP-hard hallar un factor de aproximación para el MC mejor que el gap de integralidad de la relajación CKR = la UG-hardness de MC es 8 7 ɛ 1,1428.
36 AA con mejores factores para el MC Un resultado de inaproximabilidad para el MC FIN Muchas gracias.
Se 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 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 detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesDimensionamiento y Planificación de Redes
Dimensionamiento y Planificación de Redes Tema 2. Algoritmos Sobre Grafos Calvo Departamento de Ingeniería de Comunicaciones Este tema se publica bajo Licencia: Crea:ve Commons BY- NC- SA 4.0 Búsqueda
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesNP-Completeness: Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Complejidad del problema de la Mochila NP-Completeness: (Knapsack problem)
Más detalles1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila 0/1 para los siguientes casos:
PROGRAMACIÓN DINÁMICA RELACIÓN DE EJERCICIOS Y PROBLEMAS 1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila /1 para los siguientes casos: a. Mochila de capacidad W=15:
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesIntroducción a la Teoría de Grafos
Introducción a la Teoría de Grafos Flavia Bonomo fbonomo@dc.uba.ar do. Cuatrimestre 009 Programa Introducción a la teoría de grafos Problemas de camino mínimo Problemas de flujo máximo Clases de complejidad
Más detallesTeoría de Grafos Introducción Grafos isomorfos
Capítulo 1 Teoría de Grafos 1.1. Introducción Definición. Denominaremos pseudomultigrafo a una terna (V,E, γ), donde V y E son conjuntos y γ : E {{u,v}: u,v V }. El conjunto V se denomina conjunto de vértices
Más detallesMetaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
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 detallesAlgoritmos para determinar Caminos Mínimos en Grafos
Problemas de camino mínimo Algoritmos para determinar Caminos Mínimos en Grafos Algoritmos y Estructuras de Datos III DC, FCEN, UBA, C 202 Problemas de camino mínimo Dado un grafo orientado G = (V, E)
Más detallesAlgoritmos en Teoría de Grafos
Algoritmos en Teoría de Grafos Jesús García López de Lacalle Algoritmos en Teoría de Grafos 1. Introducción 2. Conectividad 3. Caminos mínimos y distancias 4. Planificación y optimización de tareas 5.
Más detallesBúsqueda tabú y evolución genética para el árbol de expansión capacitado de costo mínimo
Búsqueda tabú y evolución genética para el árbol de expansión capacitado de costo mínimo Efraín Ruiz Dept. d Estadística i Investigació Operativa Universitat Politècnica de Catalunya Jordi Girona, 1-3.
Más detallesALGORITMOS HEURÍSTICOS Y APROXIMADOS. Análisis y diseño de algoritmos II- 2009
ALGORITMOS HEURÍSTICOS Y APROXIMADOS Análisis y diseño de algoritmos II- 2009 Problemas difíciles : Definiciones, ejemplos y propiedades Análisis y diseño de algoritmos II- 2009 Un viaje a Ciencias de
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 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 detalles1. GRAFOS : CONCEPTOS BASICOS
1. GRAFOS : CONCEPTOS BASICOS Sea V un conjunto finito no vacio y sea E V x V. El par (V, E) es un grafo no dirigido, donde V es un conjunto de vértices o nodos y E es un conjunto de aristas. Denotaremos
Más detallesÁrboles generadores mínimos (MST) comp-420
Árboles generadores mínimos (MST) comp-420 Árboles generadores mínimos (MST) Sea G=(V,E) una gráfica conectada y no-dirigida con V vértices y E aristas. Cada arista (u,v) E tiene un peso w(u,v), que es
Más detallesGRAFOS GEOMÉTRICOS. Introducción. Número de corte. Aplicaciones. Incidencias de puntos y rectas. Distancias unitarias. k-sets.
GRAFOS GEOMÉTRICOS CROSSING LEMMA Y APLICACIONES GEOMÉTRICAS Introducción. Número de corte. Aplicaciones. Incidencias de puntos y rectas. Distancias unitarias. k-sets. Qué es un grafo geométrico? vi =
Más detallesIntroducción a la Teoría de Grafos
Introducción a la Teoría de Grafos Flavia Bonomo fbonomo@dc.uba.ar do. Cuatrimestre 009 Programa Introducción a la teoría de grafos Problemas de camino mínimo Problemas de flujo máximo Programación lineal
Más detallesTEMA IV TEORÍA DE GRAFOS
TEMA IV TEORÍA DE GRAFOS Poli Abascal Fuentes TEMA IV Teoría de grafos p. 1/? TEMA IV 4. TEORÍA DE GRAFOS 4.1 GRAFOS 4.1.1 Introducción 4.1.2 Definiciones básicas 4.1.3 Caminos y recorridos 4.1.4 Subgrafos,
Más detallesProgramación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Más detallesI. Complejidad de Problemas
I. Complejidad de Problemas 1. Complejidad de Problemas Tópicos Clasificación de Problemas Clasificación por su Naturaleza Clasificación por su Tratabilidad Clasificación por el tipo de Respuesta 1.1 Clasificación
Más detallesTema 4: Redes y flujos
Fundamentos de la teoría de grafos. 3º I.T.I. de Sistemas Mª Teresa Cáceres Sansaloni Tema 4: Redes flujos Redes. Flujos cortes. Teorema del flujo máimo corte mínimo. Algoritmo para calcular el máimo flujo
Más detallesgreedy (adj): avaricioso, voraz, ávido, codicioso, glotón
Algoritmos Greedy Análisis y Diseño de Algoritmos Algoritmos Greedy Características generales Elementos de un algoritmo greedy Esquema de un algoritmo greedy s Almacenamiento óptimo en cintas Problema
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
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 detallesColoración. Unos cuantos problemas. Asignación de frecuencias de radio. Gregorio Hernández Peñalver. Unos cuantos problemas. Unos cuantos problemas
Unos cuantos problemas Coloración Gregorio Hernández Peñalver Matemática Discreta Asignación de frecuencias de radio G=(V, A) V={emisoras}, dos emisoras son adyacentes si sus emisiones se solapan elementos
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
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 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 detallesIntroducción a la Geometría Computacional. Análisis de Algoritmos
Introducción a la Geometría Computacional Análisis de Algoritmos Geometría Computacional La Geometría Computacional surgió a finales de los 70s del área de diseño y análisis de algoritmos. Estudio sistemático
Más detallesAlgoritmos de emparejamiento
Algoritmos de emparejamiento Mager, Jesús 1 Universidad Autónoma Metropolitana Unidad Azcapozalco 2015 Introducción El presente trabajo es un resumen del libro Combinatorial Optimization. Algorithms and
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA CONTENIDOS Y OBJETIVOS MÍNIMOS PARA EL CURSO 2007/08. 1. INTRODUCCIÓN A LOS CONTENIDOS. ( Decreto 208/2002. B.O.J.A. de 20.08.02
Más detallesAnálisis y Diseño de Algoritmos Tablas de Hash
Análisis y Diseño de Algoritmos Tablas de Hash Guillermo Morales-Luna Arturo Díaz Pérez CONTENIDO 1. Dispersión 2. Funciones de dispersión (a) Método de división (b) Método de multiplicación 3. Direccionamiento
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 detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTEORÍA DE GRAFOS Ingeniería de Sistemas
TEORÍA DE GRAFOS Ingeniería de Sistemas Código: MAT-31114 AUTORES Ing. Daniel Zambrano Ing. Viviana Semprún UNIDADES DE LA ASIGNATURA» UNIDAD I. Relaciones» UNIDAD II. Estructuras Algebraicas» UNIDAD III.
Más detalles2007 Carmen Moreno Valencia
Tema VIII. Grafos Grafos 1 2007 Carmen Moreno Valencia 1. Grafos, digrafos y multigrafos 2. Grafos eulerianos 3. Matrices de adyacencia e incidencia 4. Exploración de grafos pesados 1. Grafos, digrafos
Más detallesContenido. Contenidos interactivos... xiii Plataforma de contenidos interactivos... xviii Prefacio... xix. Parte I Fundamentos...
Contenido Contenidos interactivos... xiii Plataforma de contenidos interactivos... xviii Prefacio... xix Parte I Fundamentos... 1 Capítulo I Lógica, conjuntos e inducción... 2 1.1 Introducción... 4 1.2
Más detallesGrafos. Algoritmos y Estructuras de Datos III
Grafos Algoritmos y Estructuras de Datos III Grafos Un grafo G = (V, X ) es un par de conjuntos, donde V es un conjunto de puntos o nodos o vértices y X es un subconjunto del conjunto de pares no ordenados
Más detallesLAS CIENCIAS DE LA PLANIFICACIÓN
LAS CIENCIAS DE LA PLANIFICACIÓN 5. EL PROBLEMA DEL VIAJANTE (PV) (The Traveling Salesman Problem TSP) Un problema como el de las vacaciones, pero vital para las empresas, es el problema del viajante (PV):
Más detallesPráctica 2. Algoritmos de enfriamiento simulado (simulated annealing)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de enfriamiento simulado (simulated annealing) Autor: Pablo Pavón Mariño 1. Objetivos Los objetivos
Más detallesAlonso Ramirez Manzanares Computación y Algoritmos 03.05
Tablas de hash (2) mat-151 Alonso Ramirez Manzanares Computación y Algoritmos 03.05 Tablas de hash: resolviendo colisiones por encadenamiento cuando el número de elementos en total es proporcional al número
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 18 Jesús Getán y Eva Boj 2 / 18 Un Programa lineal consta de: Función objetivo. Modeliza
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 detallesCaminos Eulerianos y la Fórmula de Euler
Caminos Eulerianos y la Fórmula de Euler p. 1/24 Caminos Eulerianos y la Fórmula de Euler Jornadas de Investigación en Análisis Matemático dedicadas al Tricentenario de Leonhard Euler 12 a 16 de noviembre
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Notación Asintótica DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Introducción Por qué el análisis de algoritmos? Determinar tiempos de respuesta (runtime)
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesGrafos. Suponiendo que e = [u, v]. Entonces los nodos u y v se llaman extremos de e y u y v se dice que son nodos adyacentes o vecinos.
Grafos Los grafos son estructuras que constan de vértices o nodos y de aristas o arcos que conectan los vértices entre sí. Un grafo G consiste en dos cosas: 1. Un conjunto V de elementos llamados nodos
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 detallesPLANIFICACIÓN ANUAL NM3 TERCERO MEDIO
PLANIFICACIÓN ANUAL NM3 TERCERO MEDIO TERCER AÑO FORMACIÓN GENERAL OBJETIVOS FUNDAMENTALES CONTENIDOS MINIMOS SUGERENCIAS DE ACTIVIDADES. Los alumnos y las alumnas desarrollarán la capacidad de : Resolver
Más detallesSistemas de Inventario con Remanufacturación y Distribución
Metaheurísticas y Optimización sobre Redes 2009 Sistemas de Inventario con Remanufacturación y Distribución Dpto. Investigación Operativa InCo FING UDELAR Doctorado en Informática PEDECIBA, Tutor: Omar
Más detallesPOTENCIAL ELÉCTRICO. FUNDAMENTOS DE CONDENSADORES.
POTENCIAL ELÉCTRICO. FUNDAMENTOS DE CONDENSADORES. P1.- P2.- P3.- P4.- P5.- P6.- P7.- P8.- Una batería de 12 V está conectada a dos placas paralelas. La separación entre las dos placas es de 0.30 cm, y
Más detallesAlgoritmos de Aproximación
Algoritmos de Aproximación M. Andrea Rodríguez-Tastets Ayudante: Erick Elejalde Universidad de Concepción,Chile www.inf.udec.cl\ andrea andrea@udec.cl I Semestre - 2014 Introducción La mayoría de los algoritmos
Más detalles4º E.S.O Opción A: DEPARTAMENTO DE MATEMÁTICAS
4º E.S.O Opción A: DEPARTAMENTO DE MATEMÁTICAS OBJETIVOS 1. Conocer, diferenciar y operar con cualquier número en cualquiera de sus formatos usando las aproximaciones adecuadas. 2. Conocer la importancia
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra
PROGRAMA DE CURSO Código Nombre MA4701 OPTIMIZACIÓN COMBINATORIAL Nombre en Inglés COMBINATORIAL OPTIMIZATION SCT Unidades Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6
Más detallesPráctica N 6 Modelos de Programación Lineal Entera
Práctica N 6 Modelos de Programación Lineal Entera 6.1 Una empresa textil fabrica 3 tipos de ropa: camisas, pantalones y shorts. Las máquinas necesarias para la confección deben ser alquiladas a los siguientes
Más detallesConceptos básicos útiles. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Conceptos básicos útiles PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Grafos Grafo Un grafo (o bien, un grafo no dirigido) G consiste en un conjunto E de lados (o ramas, aristas, arcos)
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 detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Patricia Kisbye FaMAF 30 de marzo, 2010 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Ordenamiento en Tiempo Lineal DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Ordenamiento por Comparación (Comparison Sorts) Tiempo de ejecución HeapSort y
Más detallesMatemáticas discretas II
Matemáticas discretas II (Teoría de gráficas) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 15-P Sergio Luis Pérez (UAM CUAJIMALPA) Curso de matemáticas discretas II 1 / 44 Conceptos
Más detallesEste material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios
CLASE GRAFOS Este material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios libros por lo que está prohibida su impresión
Más detalles1. Conceptos básicos sobre el problema en cuestión y cuestiones afines. 2. Formulación de los correspondientes algoritmos y su pseudocódigo.
Análisis de Algoritmos Ingeniería Informática, EPS-UAM Información general Organización del curso: 13-15 (mínimo-máximo) semanas docentes: 30-33 clases teóricas. 9-12 clases de problemas 26-30 clases prácticas
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas 0 16 Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTADES DE ECONOMÍA E INGENIERÍA LICENCIATURA EN ECONOMÍA Y NEGOCIOS PROGRAMA DE ESTUDIO Investigación de Operaciones I P86 /P75 /P96 08 Asignatura: Clave Semestre
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 detallesGrafos. CCIR / Depto Matemáticas CB102
CB102 Conceptos Los grafos son una técnica de modelación de problemas atractiva y útil. Problemas de diferentes áreas pueden ser modelados mediante su uso: redes de transporte de bienes de consumo, redes
Más detallesGeometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas
Geometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas Jesús A. De Loera University of California, Davis trabajo conjunto con Shmuel Onn (Technion Haifa Israel) Cuadrados
Más detallesInvestigación de Operaciones I. Problemas de Asignación
Investigación de Operaciones I Problemas de Asignación MSc. Ing. Julio Rito Vargas II cuatrimestre Introducción Los problemas de asignación incluyen aplicaciones tales como asignar personas a tareas. Aunque
Más detallesDEPARTAMENTO DE MATEMATICA CARRERAS: QUIMICA, ALIMENTOS, FISICA, CIVIL. CALCULO II MAXIMOS Y MINIMOS (27 septiembre 2015)
DEPARTAMENTO DE MATEMATICA CARRERAS: QUIMICA, ALIMENTOS, FISICA, CIVIL CALCULO II MAXIMOS Y MINIMOS (27 septiembre 2015) ( Docente : G. Cupé C. ). La vida es un problema de optimización con restricciones.
Más detallesSOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL
SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una función sujeta a un sistema
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 detallesIntroducción a Programación Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 18 Programación Lineal ICS 1102 Optimización Profesor : Claudio Seebach 4 de octubre de 2005
Más detallesGrafos. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Grafos 1 / 30
Grafos AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Grafos / 0 Objetivos Al finalizar este tema tendréis que: Conocer la terminología básica de la teoría de grafos. Pasar
Más detallesMatemática computable
Conjuntos computables - Combinatoria - Álgebra Antonio Montalbán. U. de Chicago Coloquio Uruguayo de Matemática. Diciembre, 2009 Conjuntos computables - Combinatoria - Álgebra 1 Conjuntos computables 2
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 detallesA quién le importa la Conjetura de Hirsch?
1 A quién le importa la Conjetura de Hirsch? Francisco Santos http://personales.unican.es/santosf Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria, Spain 6 de Octubre de
Más detallesNOMBRE DE LA ASIGNATURA: MÉTODOS CUANTITATIVOS PARA ADMINISTRACIÓN. ESCUELA: DEPARTAMENTO: ADMINISTRACIÓN
CODIGO: 092-4883 HORAS SEMANALES 4 HORAS TEORICAS: 2 UNIVERSIDAD DE ORIENTE COMISIÓN CENTRAL DE CURRÍCULA PROGRAMA DE ASIGNATURA NOMBRE DE LA ASIGNATURA: MÉTODOS CUANTITATIVOS PARA ADMINISTRACIÓN. ESCUELA:
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesFACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO
FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 1. GENERALIDADES 1.1. Denominación de Asignatura : Introducción a la Matemática Discreta 1.2. Código : I115 1.3. Fecha de Aprobación : enero de 2011
Más detallesEnvolvente Convexo. comp-420
Envolvente Convexo comp-420 Algunas referencias M. de Berg, O. Cheong, M. van Kreveld, M. Overmars. Computational Geometry Algorithms and Applications. 3rd. edition. Springer 2008. S.L. Devadoss, J.O Rourke.
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 19 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 19 Semestre Otoño 2008 Descripción del Problema Proceso de planificación de cualquier empresa de transporte público: Diseñar los recorridos
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesAnálisis probabilístico y Algoritmos Aleatorizados
Análisis probabilístico y Algoritmos Aleatorizados Andrés Becerra Sandoval Ponticia Universidad Javeriana 14 de julio de 2007 Lenguajes III Introducción La probabilidad puede ayudarnos a medir la complejidad
Más detalles1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
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 detallesMODELOS MATEMÁTICOS PARA LA TOMA DE DECISIONES
Facultad Programa Asignatura Administración e Ingenierías Ingeniería de Sistemas MODELOS MATEMÁTICOS PARA LA TOMA DE DECISIONES Problema? Cómo resolver problemas de la vida cotidiana mediante la aplicación
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 detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesESTADÍSTICA I, curso Problemas Tema 4
ESTADÍSTICA I, curso 007-008 Problemas Tema 4 1. En un problema de una prueba aplicada a niños pequeños se les pide que hagan corresponder tres dibujos de animales con la palabra que identifica a ese animal.
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesINGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA
INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA Sesión 4 Objetivos: Aplicar el método simplex a la solución de problemas reales. Contenido: Introducción al método Simplex Requerimiento del método Simplex
Más detallesTema 3: Problemas de Satisfacción de Restricciones
Tema 3: Problemas de Satisfacción de Restricciones Universidad de Granada Tema 3: Satisfacción de Restricciones Contenido Problemas de satisfacción de restricciones Métodos de búsqueda Búsqueda local para
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 detalles