Constraint Satisfaction is a simple but powerful idea
|
|
- Xavier Nieto Hernández
- hace 6 años
- Vistas:
Transcripción
1 1 Problemas de Satisfacción de Restricciones (CSP) Contenidos: Definición del problema de satisfacción de restricciones (CSP). Áreas de aplicación. Especificación de un problema CSP: variables, dominios y restricciones. Tipología de restricciones (discretas y continuas, fuertes y débiles, restricciones lineales, disyuntivas, etc.).
2 2 CSP Constraint Satisfaction is a simple but powerful idea Rina Dechter, In 'Constraint Processing' Morgan Kaufmann Pub. (2003)
3 3 EJEMPLOS 1 Variables: s,e,n,d,m,o,r,y Dominios: s,e,n,d,m,o,r,y {0,,9} Restricciones s e n d + m o r e m o n e y Objetivos Consistencia Soluciones 10 3 (s+m)+10 2 (e+o)+10(n+r)+d+e=10 4 m+10 3 o+10 2 n+y Coloreado de Mapas Variables: x,y,z,w x y Dominios: x,y,z,w :{r,v,a} Restricciones: binarias x y, y z, z w,... w z El Problema de las 8 Reinas
4 4 EJEMPLOS 2 Juan, Pepe y Paco nacieron y viven en ciudades diferentes (Málaga, Madrid y Valencia). Además, ninguno vive en la ciudad donde nació. Juan es más alto que el que vive en Madrid. Paco es cuñado del que vive en Valencia. El que vive en Madrid y el que nació en Málaga tienen nombres que comienzan por distinta letra. El que nació en Málaga y el que vive ahora en Valencia tienen nombres que comienzan por la misma letra. Donde nació y vive cada uno?
5 5 EJEMPLOS 3 "Juan va de su casa al trabajo en coche (30-40 minutos) o en tren (al menos una hora). Luis va en coche (20-30 minutos) o en metro (40-50 minutos). Hoy Juan parte de casa entre las 8:10 y las 8:20 y Luis llega al trabajo entre las 9:00 y las 9:10. Además, sabemos que Juan llegó al trabajo entre 10 y 20 minutos después de que Luis saliera de casa Cuestiones: Esta información es consistente? Es posible que Juan haya usado el tren y Luis haya usado el Metro? Cuales son los posibles tiempos en los que Luis pudo haber salido de casa?, etc.
6 6 EJEMPLOS 4 Variables: altura de viga, longitud de viga, canto de forjado Dominios continuos: altura, longitud : [0, 10] Restricciones: vibraciones, refuerzos, conexiones, etc. Objetivos Consistencia Intervalos de tolerancia Soluciones etc
7 7 CSP Problemas de Satisfacción de Restricciones CSP Metodología de Resolución de problemas INTELIGENCIA ARTIFICIAL
8 8 Definición de CSP Un Problema de Satisfacción de Restricciones (CSP) se puede representar como: Un Conjunto de Variables: X={x 1, x 2,..., x n } Dominios de Interpretación (D = <D 1,,D n > ) para las variables: x i D i Un Conjunto de Restricciones entre las variables: C ={c 1, c 2,..., c m }
9 9 Modelización CSP 1) MODELACIÓN CSP Variables Dominios Restricciones (EXPRESIVIDAD) 2) RESOLUCIÓN CSP Técnicas Resolución CSP (EFICICIENCIA)
10 10 Modelización 1 Variables: s,e,n,d,m,o,r,y Dominios: s,e,n,d,m,o,r,y:{0,,9} Restricciones s e n d + m o r e m o n e y Especificación CSP Variables: s, e, n, d, m, o, r, y Dominios: s, e, n, d, m, o, r,y : {0,,9} Restricciones: Todas Diferentes, 10 3 (s+m) (e+o) + 10(n+r) + d + e= 10 4 m o n + 10e+y
11 11 Modelización 2 Variables: s, e, n, d, m, o, r, y Dominios: s, e, n, d, m, o, r,y : {0,,9} Restricciones: s e n d + m o r e m o n e y s e, s n, s d, s m, s o, s r, s y, e n, e d, e m,.. d+e = y+10c1 c 1 +n+r = e+10c 2 c 2 +e+o = n+10c 3 c 3 +s+m = 10m+o
12 12 Resolución MODELACIÓN CSP RESOLUCIÓN CSP s e n d + m o r e m o n e y
13 13 Objetivos Consistencia del problema (existe solución). Obtener una o todas las soluciones del problema. Obtener los dominios mínimos. La solución que optimiza una función objetivo o multi-objetivo.
14 14 Objetivos Objetivo de un CSP: Tiene solución? Consistencia. Obtener una solución. Obtener todas las soluciones. Obtener una solución óptima, o al menos una buena solución, medida por alguna función objetivo (función de evaluación). Algoritmos para CSP: Técnicas de Búsqueda (Algoritmos CSP): Obtienen una solución, guiados por heurísticas. Técnicas Inferenciales (Algoritmos de propagación): Obtienen las consecuencias de las restricciones explícitamente conocidas del problema.
15 15 Conceptos básicos Dado un CSP (X, D i, C), Una instanciación (o asignación) de las variables X es una asignación de valores a las variables en sus dominios: x 1 =v 1, x 2 =v 2,..., x n =v n / v i D Una solución del CSP es una instanciación consistente de las variables, de forma que se satisfacen todas las restricciones del problema. Un valor v es un valor consistente (o posible) para x i si existe una solución del CSP en la cual participa la asignación x i =v. Un CSP es consistente sii tiene al menos una solución.
16 16 Conceptos básicos Variables Un CSP discreto es aquel en el que todas las variables son discretas, es decir, toman valores en dominios discretos. Un CSP continuo es un CSP en el que todas las variables son continuas, es decir, tienen dominios continuos. Un CSP mixto consta de variables continuas y discretas. Un CSP binario es aquel en el que todas las restricciones tienen a los sumo dos variables respectivamente. Un CSP no binario o n-ario es aquel en el que las restricciones tienen más de dos variables.
17 17 Conceptos básicos Restricciones Discretas: las variables participantes están acotadas en dominios discretos. Continuas: las variables participantes están acotadas en dominios continuos. Binarias: son restricciones en las que sólo participan dos variables. N-arias: son restricciones en las que participan N variables (N>2). Fuertes (hard): son restricciones cuya satisfabilidad es imprescindible. Débiles (soft): son restricciones cuya satisfabilidad no es imprescindible. Difusas (fuzzy): son restricciones definidas sobre niveles de preferencia. Disyuntivas: son restricciones compuestas por un conjunto disjunto de restricciones.
18 18 N-reinas Definición: posicionar n reinas en un tablero de ajedrez n x n, de forma que no se ataquen. Formulación: 1 reina por fila variables: reinas, X i reina en la fila i-ésima dominios: columnas posibles {1, 2,..., n} restricciones: no colocar dos reinas en la misma columna la misma diagonal Características: CSP binario, discreto y finito
19 19 Coloreado de Grafos Definición: Dado un grafo, n nodos m colores, asignar un color a cada nodo de forma que no haya dos nodos adyacentes con el mismo color. Formulación: variables: nodos dominios: colores posibles restricciones: nodos adyacentes Características: CSP binario, discreto y finito
20 20 Crucigrama Definición: Dada una rejilla y un diccionario, construir un crucigrama compatible. Formulación: variables: grupo de casillas para una palabra (slots) dominios: palabras del diccionario con la longitud adecuada restricciones: misma letra en la intersección de dos palabras Características: CSP binario, discreto y finito (dominios grandes)
21 21 Restricciones Temporales Definición: dado un conjunto de sucesos que ocurren en intervalos temporales con ciertas relaciones, encontrar una asignación temporal consistente. "Juan "Juan va va de de su su casa casa al al trabajo trabajo en en coche coche (30-40 (30-40 minutos) minutos) o o en en tren tren (al (al menos menos una una hora). hora). Luis Luis va va en en coche coche (20-30 (20-30 minutos) minutos) o o en en metro metro (40-50 (40-50 minutos). minutos). Hoy Hoy Juan Juan parte parte de de casa casa entre entre las las 8:10 8:10 y y las las 8:20 8:20 y y Luis Luis llega llega al al trabajo trabajo entre entre las las 9:00 9:00 y y las las 9:10. 9:10. Además, Además, sabemos sabemos que que Juan Juan llegó llegó al al trabajo trabajo entre entre y y minutos minutos después después de de que que Luis Luis saliera saliera de de casa" casa" Formulación: variables: sucesos dominios: intervalo temporal para cada suceso restricciones: distancia temporal permitida entre sucesos; relaciones temporales antes, después, solapado, etc. Características: CSP binario, continuo, con restricciones disyuntivas {[10, 20]} T0 T1 {[30, 40], [60, ]} {[60, 70]} {[10, 20]} T3 T2 {[20, 30], [40, 50]} T0: Tiempo inicial (en este caso, 8:00 h.) T1 / T2: Tiempo en que Juan sale de casa / llega al trabajo. T3/T4: Tiempo en que Luis sale de casa / llega al trabajo. T4
22 22 Problema de diseño Definición: el problema consiste en llevar a cabo el diseño de un puente que debe constar de pocos arcos siendo preferible que los pilares no toquen el agua y los pilares sean lo más bajos posibles. Formulación: variables: partes y elementos del diseño dominios: valores permitidos para cada parte y elemento restricciones: propiedades que las partes deben satisfacer. Características: CSP no binario, mixto, con restricciones hard, soft y difusas. a) Solución por defecto para los arcos dados: b) Versión teniendo en cuenta aspectos estéticos y geotecnológicos: c) Bases para diseñar los detalles de los pilares: d1) Pilares demasiado cerca e) Diseño final:?? d2) Pilares sobre el peralte Backtracking sobre los detalles de diseño de los pilares d3) Pilares en el agua
23 23 CSPs binarios & n-arios Binario Un CSP binario se suele representar mediante un grafo, donde: Nodos: Variables Arcos: Relaciones binarias entre las variables. X2 X4 X1 R12 x2 x3 R35 x5 x1 R15 x5 x4 R42 x2 x4 R45 x5 x2 R25 x5 X1 X3 X5
24 24 CSPs binarios & n-arios No Binario Un CSP no binario no se suele representar mediante un grafo, sino como un hiper-grafo perdiendo toda la funcionalidad existente sobre la teoría de grafos. donde: Nodos: Variables Arcos: Relaciones binarias entre las variables. C123 X1 X2 X3 C24567 X4 X5 X6 X7
25 25 Consistencia: Niveles 1-consistencia Consistencia de nodo (1-consistencia) Un nodo (x i ) es consistente si al menos un valor en su dominio es consistente con la restricción unaria del nodo: 10 xi 15, D(Xi):{0, 10} Un grafo red es nodo-consistente sii todos sus nodos son consistentes: x i CSP, v i D/ (x i c i0 ) se cumple para x i =v i (ie: D c i0 { })
26 26 Consistencia: Niveles 2-consistencia Consistencia de arco (2-consistencia) consistencia): Un arco (xi {cij} xj) es consistente si y solo si para cada asignación de xi en su dominio, existe una asignación para xi, tal que la restricción {cij} se satisface. Por ejemplo el arco: xi Cij xj [3,6] [8,10] es consistente, pero no lo sería si c ij en vez de fuese Un grafo es arco-consistente si todos sus arcos son consistentes. c ij CSP, v i d i v j d j / (x i c ij x j ) se cumple para x i =v i, x j =v j
27 27 Backtracking: ejemplo
28 28 Backtracking: ejemplo
29 29 Backtracking: ejemplo
30 30 Backtracking: ejemplo
Restricciones. Inteligencia Artificial. Ingeniería Superior en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Restricciones Ingeniería Superior en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados en búsqueda
Más detallesInteligencia Artificial Problemas de satisfacción de restricciones
Inteligencia Artificial Problemas de satisfacción de restricciones Primavera 2007 profesor: Luigi Ceccaroni Problemas de satisfacción de restricciones (PSRs) Componentes del estado = grafo de restricciones:
Más detallesProblemas de satisfacción de restricciones.
Problemas de satisfacción de restricciones. In whitch we see how treating states as more than just little black boxes leads to the invention of a range of powerful new search methods and a deeper understanding
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística con
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 detallesInteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales
Inteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales Rafael Vázquez Pérez Unidad II:Técnicas de Búsqueda. 2.1. Solución de problemas con búsqueda. 2.2. Espacios de estados.
Más detallesProgramación por restricciones clase 14
Programación por restricciones clase 14 Camilo Rueda Universidad Javeriana-Cali Programación por restriccionesclase 14-- p.1/19 Modelamiento en CCP Dos tipos de restricciones: Solubles Solucionables eficientemente
Más detallesSatisfacción de Restricciones
Satisfacción de Restricciones Introducción Componentes del estado: Variables Dominios (valores posibles para las variables) Restricciones binarias entre las variables Objetivo: Encontrar un estado que
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 detallesProblema de las N Reinas. Resolución paralela
Problema de las N Reinas Resolución paralela Indice Introducción al problema Representación y Soluciones Resolución secuencial Resolución paralela Conclusiones Bibliografía 2 3 Introducción Introducción
Más detallesTema 5: Problemas de satisfacción de restricciones
Tema 5: Problemas de satisfacción de restricciones José Luis uiz eina José Antonio Alonso Franciso J. Martín Mateos María José Hidalgo Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesProblemas de Satisfacción de Restricciones
Problemas de Satisfacción de estricciones José Luis uiz eina José Antonio Alonso Jiménez Franciso J. Martín Mateos María José Hidalgo Doblado Dpto. Ciencias de la Computación e Inteligencia Artificial
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 detallesProblemas de satisfacción de restricciones (CSP)
Capítulo 10 Problemas de satisfacción de restricciones (CSP) 10.1 Introducción La programación por restricciones es una metodología software utilizada para la descripción y posterior resolución efectiva
Más detallesEl problema del agente viajero
CO- (F0) //00 El problema del agente viajero Un vendedor tiene que visitar n + ciudades, cada una exactamente una vez. La distancia entre cada par de ciudades viene dada por d ij (en general d ij d ji
Más detallesRazonamiento. con. Restricciones. Esquema Global. Tutorial IBERAMIA 2002. 1. Introducción - Definiciones - Ejemplos
Esquema Global Razonamiento con Restricciones Tutorial IBERAMIA 2002 Javier Larrosa Dep. LSI, UPC, Barcelona Pedro Meseguer IIIA, CSIC, Bellaterra 1. Introducción - Definiciones - Ejemplos 2. Métodos de
Más detallesTRANSPORTE Y TRANSBORDO
TRANSPORTE Y TRANSBORDO En ésta semana estudiaremos un modelo particular de problema de programación lineal, uno en el cual su resolución a través del método simplex es dispendioso, pero que debido a sus
Más detallesINVESTIGACION DE OPERACIONES:
METODO SIMPLEX El algoritmo símplex fue descubierto por el matemático norteamericano George Bernard Dantzig en 1947, es una técnica para dar soluciones numéricas a problema de programación lineal Un problema
Más detallesRazonamiento. con. Restricciones. Esquema Global. Tutorial CAEPIA 2003. 1. Introducción - Definiciones - Ejemplos
Esquema Global Razonamiento con Restricciones Tutorial CAEPIA 2003 Javier Larrosa Dep. LSI, UPC, Barcelona Pedro Meseguer IIIA, CSIC, Bellaterra 1. Introducción - Definiciones - Ejemplos 2. Métodos de
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 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 detallesInteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial ISSN: 1137-3601 revista@aepia.org
Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial ISSN: 1137-3601 revista@aepia.org Asociación Española para la Inteligencia Artificial España Barber, Federico; Salido, Miguel
Más detallesHoja de Problemas Tema 6 Búsqueda con estados estructurados: Restricciones
Ejercicio 1: 1.1. Si se resuelve un problema de satisfacción de restricciones mediante búsqueda con asignaciones parciales, entonces (a) (b) (c) (d) (e) Un estado siempre asigna un valor a todas las variables
Más detallesAlgoritmos para CSP 1
Algoritmos para CSP 1 1. Técnicas de Consistencia, o Inferenciales I. Inferencia, o consistencia completa Proceso que permite la síntesis de todas las restricciones de un problema en una única restricción
Más detallesAlgoritmos de Planos de Corte
Algoritmos de Planos de Corte Problema: max {cx / x X} con X = {x / Ax b, x Z n + } Proposición: conv (X) es un poliedro que puede entonces escribirse como conv (X) = {x / Ax b, x 0} Lo mismo ocurre para
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 detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesTécnicas de resolución de problemas de satisfacción de restricciones
Técnicas de resolución de problemas de satisfacción de restricciones Felip Manyà * Dpto. de Informática e Ing. Industrial Universitat de Lleida Jaume II, 69, E-2500 Lleida, España felip@eup.udl.es Carla
Más detalles7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesHoja de Ejercicios. Temas 1 y 2
Hoja de Ejercicios Temas 1 y 2 Ejercicio 1: Complete las siguientes frases con las alternativas especificadas. Si existen varias alternativas verdaderas, márquelas todas. 1.1. Cuál(es) de las siguientes
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 detallesEstado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
Más detallesProblemas de Transbordo
Universidad Nacional de Ingeniería UNI-Norte Problemas de Transbordo III Unidad Temática MSc. Ing. Julio Rito Vargas II semestre 2008 El problema de transbordo Un problema de transporte permite sólo envíos
Más detallesGrafos Los siete puentes de Königsberg: Teoría de Grafos
Grafos Los siete puentes de Königsberg: Un ciudadano de Königsberg (Prusia) se propuso dar un paseo cruzando cada uno de los siete puentes que existen sobre el río Pregel una sola vez. Los dos brazos del
Más detallesProgramación declarativa avanzada
Programación declarativa avanzada Jaime Sánchez Hernández Universidad Complutense de Madrid Departamento de Sistemas Informáticos y Programación Curso 2014-2015 February 23, 2015 1 / 20 Horarios, tutorías
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 detallesRepresentación basada en Restricciones
Representación basada en Restricciones Asunción Gómez-Pérez asun@fi.upm.es Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo sn, 28660
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesINVESTIGACIÓN OPERATIVA
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS INVESTIGACIÓN OPERATIVA Mg Jessica Pérez Rivera PROBLEMAS DE TRANSPORTE Y ASIGNACIÓN Las aplicaciones de la programación
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 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 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 detallesProgramación con Restricciones Constraint Programming
Programación con Restricciones Constraint Programming Introducción basada en Roman Barták: Guide to Constraint Programming http://kti.ms.mff.cuni.cz/~bartak/constraints/index.html Constraint Programming
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 detallesUn sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Más detallesDEPARTAMENTO DE INGENIERÍA EN SISTEMAS Y COMPUTACIÓN OPCIÓN I
1INSTITUTO TECNOLÓGICO DE CIUDAD MADERO DEPARTAMENTO DE INGENIERÍA EN SISTEMAS Y COMPUTACIÓN OPCIÓN I TESIS: Desarrollo de Algoritmos de Retroceso Aplicados a la solución del Problema del Diseño de la
Más detallesBúsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución.
BÚSQUEDA HEURÍSTICA estudio de los métodos y reglas del descubrimiento y la invención. Búsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución. Situaciones
Más detallesInteligencia Artificial
Inteligencia Artificial II Resolución de problemas mediante búsquedas 1. Introducción Dr. Edgard Iván Benítez Guerrero cursofei@gmail.com 1 1. Introducción Agentes solucionadores de problemas Problemas
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 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 detallesÁrboles Filogenéticos. BT7412, CC5702 Bioinformática Diego Arroyuelo. 2 de noviembre de 2010
Unidad 6: Árboles Filogenéticos BT7412, CC5702 Bioinformática Diego Arroyuelo 2 de noviembre de 2010 Temario (Introduction to Computational Molecular Biology Setubal y Meidanis Capítulo 6) 1. Introducción
Más detallesDiagramas de Bloques
1! Diagrama de Bloques y Grafos Juan Antonio Hernández Tamames, Susana Borromeo Curso 2014-2015 Diagramas de Bloques 2! Representación en Diagramas de Bloques Álgebra de Bloques 1 Ideas Básicas 3! Los
Más detallesEstructura de un modelo GAMS (1/3)
GAMS Contenido Estructura de un modelo en GAMS. Ejemplo a través del cual se ilustra el lenguaje Conjuntos Datos Variables Ecuaciones Sumatoria y Productoria Definición de escuaciones Función Objetivo
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 detallesLa Tecnología de Resolución de Restricciones 1. Rodolfo Fernández González. Planificación y Diseño: actualidad de los problemas de configuración
La Tecnología de Resolución de Restricciones 1 Rodolfo Fernández González Ante el boom de la demanda de aplicaciones de planificación y asignación de recursos, la tecnología de resolución de restricciones
Más detallesParte de Algoritmos de la asignatura de Programación Master de Bioinformática. Búsqueda exhaustiva
Parte de Algoritmos de la asignatura de Programación Master de Bioinformática Búsqueda exhaustiva Web asignatura: http://dis.um.es/~domingo/algbio.html E-mail profesor: domingo@um.es Transparencias preparadas
Más detallesCONTENIDO. 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados. 3.- Búsqueda de soluciones
CONTENIDO 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados 3.- Búsqueda de soluciones 4.- Lenguajes de IA e Introducción a Sistemas Expertos 1.- Introducción a la Inteligencia
Más detallesGRAFOS. Prof. Ing. M.Sc. Fulbia Torres
ESTRUCTURAS DE DATOS 2006 Prof. DEFINICIÓN Un grafo consta de un conjunto de nodos(o vértices) y un conjunto de arcos (o aristas). Cada arco de un grafo se especifica mediante un par de nodos. Denotemos
Más detallesESTRUCTURA DE DATOS. ABB Arboles de Búsqueda Binaria
ESTRUCTURA DE DATOS ABB Arboles de Búsqueda Binaria ÁRBOLES BINARIOS Hasta ahora nos hemos dedicado a estudiar TAD que de una u otra forma eran de naturaleza lineal, o unidimensional. En los tipos abstractos
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 detallesTema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
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 detallesInteligencia Artificial Clase #3 Agente Solucionador de Problemas. Dr. Wladimir Rodríguez Postgrado en Computación
Clase #3 Agente Solucionador de Problemas Postgrado en Computación wladimir@ula.ve Agenda Agente Solucionador de Tareas Formulación de los Problemas Espacio de Estados Problemas de Búsqueda Búsqueda en
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesTema No. 3 Métodos de Resolución de Modelos de Programación Lineal. El Método Gráfico y Método Simplex Autoevaluación y Ejercicios Propuestos
UNIVERSIDAD NACIONAL EXPERIMENTAL FRANCISCO DE MIRANDA ÁREA DE TECNOLOGÍA DEPARTAMENTO DE GERENCIA INVESTIGACIÓN DE OPERACIONES PROFESOR: Dr. JUAN LUGO MARÍN Tema No. 3 Métodos de Resolución de Modelos
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 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 detallesAnálisis y Complejidad de Algoritmos. Arboles Binarios. Arturo Díaz Pérez
Análisis y Complejidad de Algoritmos Arboles Binarios Arturo Díaz Pérez Arboles Definiciones Recorridos Arboles Binarios Profundidad y Número de Nodos Arboles-1 Arbol Un árbol es una colección de elementos,
Más detallesHiperheurísticas Mediante un Enfoque Neuro-Evolutivo para el Ordenamiento Dinámico de Variables en Problemas de Satisfacción de Restricciones
Hiperheurísticas Mediante un Enfoque Neuro-Evolutivo para el Ordenamiento Dinámico de Variables en Problemas de Satisfacción de Restricciones TESIS Maestría en Ciencias en Sistemas Inteligentes Instituto
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
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 detallesDiseño óptimo de estructuras. p. 1/30. mecánicas bajo incertidumbre en las cargas
Diseño óptimo de estructuras mecánicas bajo incertidumbre en las cargas Felipe Alvarez y Miguel Carrasco II Encuentro Núcleo Científico Milenio Sistemas Complejos de Ingeniería Universidad de Chile 15-16
Más detallesMolinos de viento no-derogatorios
Molinos de viento no-derogatorios 69 Notas de Matemática, No. 245 Mérida, 2006 Molinos de viento no-derogatorios Juan Rada Abstract Un grafo dirigido G es no-derogatorio si su matriz de adyacencia A es
Más detallesARIS: Architecture of Integrated Information Systems
Sistemas de Información para Administración de Operaciones 2003 Arquitectura de ARIS (Architecture of Integrated Information Systems) Modelos de Referencia SAP R/3 ARIS: Architecture of Integrated Information
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 detallesÁrboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap)
Práctico 4 Árboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap) Clasificación de ejercicios: (I) Imprescindibles (R) Recomendados (C) Complementarios Árboles balanceados (AVL)
Más detallesFrancis Guthrie Planteo el problema de los cuatro colores, después de colorear el mapa de Inglaterra 9/15/2015 3
INTRODUCCION GRAFOS La Teoria de Grafos nace del análisis sobre una inquietud presentada en la isla Kueiphof en Koenigsberg (Pomerania) ya que el río que la rodea se divide en dos brazos. Sobre los brazos
Más detallesArboles. Definiciones formales: 1) un árbol es un grafo acíclico finito T (P, E) tal que. P = E + 1 => todo arco es desconectante.
Arboles Definición: Es una estructura acíclica que, en algún sentido puede ser considerado el siguiente paso en la jerarquía de complejidad estructural. Los árboles tienen son de amplia aplicación en el
Más detallesTEMA 3 ÁLGEBRA DE CONMUTACIÓN
TEMA 3 ÁLGEBRA DE CONMUTACIÓN TEMA 3: Álgebra de Boole ÍNDICE. POSTULADOS DEL ÁLGEBRA DE CONMUTACIÓN 2. ÁLGEBRA DE BOOLE BIVALENTE O ÁLGEBRA DE CONMUTACIÓN 2. Teoremas del álgebra de conmutación 3. VARIABLES
Más detallesUNIDAD DOS MODELO DE ASIGNACIÓN
Ing. César Urquizú UNIDAD DOS MODELO DE ASIGNACIÓN Ing. César Urquizú Modelos de Transporte Método de la Esquina Noroeste Método del Costo Mínimo o Menor Método de Aproximación de Vogel (MAV) Método del
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 detalles5. MODELO A IMPLEMENTAR.
5. MODELO A IMPLEMENTAR. La motivación principal del modelo propuesto es la planificación de la ejecución de pruebas funcionales, de manera que ésta se pueda realizar en el menor tiempo posible. Para planificar
Más detallesEl proyecto realizado consiste en un resolutor de sudokus mediante CSP.
Introducción El proyecto realizado consiste en un resolutor de sudokus mediante CSP. El problema del sudoku fue inventado por Howard Garns en 1979 y se volvió muy popular en Japón en 1986. En España ha
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 detalles- Contenido UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-NORTE SEDE ESTELI. Carrera: Ingeniería de Sistemas
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-NORTE SEDE ESTELI Carrera: Ingeniería de Sistemas Nombre de la asignatura: Investigación de Operaciones I Año académico: Tercer año Semestre: Sexto - Contenido I-
Más detallesTema 2: Métodos de Deducción para la Lógica Proposicional
Tema 2: Métodos de Deducción para la Lógica Proposicional Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2010 11 LC, 2010 11 Métodos de Deducción
Más detallesTema 1: Sintaxis y Semántica de la Lógica Proposicional
Tema 1: Sintaxis y Semántica de la Lógica Proposicional Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2010 11 LC, 2010 11 Lógica Proposicional
Más detallesTema 2: Optimización lineal. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga
Tema 2: Optimización lineal Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Sumario El modelo de programación lineal Formulación de modelos Método gráfico
Más detallesAnálisis y síntesis de sistemas digitales combinacionales
Análisis Algoritmo de análisis, para un circuito lógico combinacional Síntesis. Conceptos Circuitos combinacionales bien construidos Circuitos combinacionales mal construidos Criterios de optimización
Más detallesMODELIZACION 01. Universidad Nacional de La Pampa Facultad de Ciencias Económicas y Jurídicas 18 - Métodos Cuantitativos para la Administración
Bibliografía Mathur y Solow; Investigación de Operaciones - El arte de la toma de decisiones. Ed. Prentice Hall Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración.
Más detallesCon miras a conocer la metodología que se aplica en el Método SIMPLEX, tenemos a continiacion un ejemplo:
Método Simplex. Este método fue creado en el año 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el objetivo de crear un algoritmo capaz de crear soluciones
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MATERIA: MATEMÁTICAS II
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MATERIA: MATEMÁTICAS II INSTRUCCIONES GENERALES Y VALORACIÓN El alumno contestará a
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes basados en conocimiento Contenido Sistemas basados en conocimiento
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 detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesAutómatas Deterministas. Ivan Olmos Pineda
Autómatas Deterministas Ivan Olmos Pineda Introducción Los autómatas son una representación formal muy útil, que permite modelar el comportamiento de diferentes dispositivos, máquinas, programas, etc.
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Probabilidad Conceptos como probabilidad, azar, aleatorio son tan viejos como la misma civilización. Y es que a diario utilizamos el concepto de probabilidad: Quizá llueva mañana
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detalles