Tema 6: Búsqueda local y algoritmos genéticos
|
|
- Raúl Velázquez Caballero
- hace 7 años
- Vistas:
Transcripción
1 Tema 6: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial I, 2012
2 Índice Problemas de optimización Búsqueda local Búsqueda en escalada Enfriamiento simulado Algoritmos genéticos
3 Introducción Algoritmos de búsqueda de soluciones óptimas Buscar la mejor solución dentro de un espacio de posibles soluciones Maximizar o minimizar Mejoras iterativas Empezar con un estado inicial cualquiera Mejorar su calidad paso a paso Algoritmos: Escalada Escalada con reinicio aleatorio Enfriamiento simulado Algoritmos genéticos Reparación heurística (tema 5) Ninguno de estos algoritmos ofrece completitud, pero a veces es la única aproximación en la práctica
4 Ejemplo: problema del viajante Problema: dada una lista de ciudades, pasar por todas ellas recorriendo la menor distancia posible (suponiendo que existe conexión directa entre todas ellas) CO JA SE HU MA GR AL CA
5 Problema del viajante Una posible representación como espacio de estados: Estados: ciudades visitadas Operadores: ir a una ciudad Un operador es aplicable si la ciudad está entre las que quedan por visitar Problema: Aplicar una búsqueda exhaustiva que encuentre una solución óptima Muy ineficiente en la práctica Alternativa: Estados: permutación de las ciudades Operadores: obtener una nueva permutación, usando técnicas heurísticas e incluyendo cierta aleatoriedad Mejorar los estados en iteraciones sucesivas La bondad de los estados se cuantifica por una función objetivo (en este caso, la distancia total del circuito)
6 Características de algunos problemas de optimización Estado inicial: no está claramente definido Operadores: Se puede definir cierta noción de nodo sucesor o vecino En algunos casos, gran cantidad de vecinos Introducimos cierta componente heurística y aleatoria, generando cada vez un único nodo nodo vecino Estados finales y soluciones: Todos los estados son posibles soluciones, pero se trata de encontrar una solución buena (cuantificada por una función objetivo) Si es posible, la mejor Se busca el estado con un óptimo valor (máximo o mínimo) de función objetivo No buscamos la secuencia de operadores (los estados contienen toda la información)
7 Representación de un problema de optimización (para aplicar búsqueda local) Elección de una representación para los estados (estructura de datos) Función F-OBJETIVO(ESTADO) Función cuyo valor se trata de optimizar Minimizar o maximizar Función GENERA-ESTADO-INICIAL() Si en el problema el estado inicial no está claramente definido, el estado inicial puede generarse de manera aleatoria, o usando alguna técnica heurística Función GENERA-SUCESOR(ESTADO) Genera un estado sucesor a uno dado Define la noción de vecindad para el problema concreto Usualmente, existe cierta componente aleatoria y heurística en la generación del sucesor
8 Representación del problema del viajante Representación de los estados: Cada estado será un posible circuito, representado por una lista con todas las ciudades, sin repetir, en un orden determinado Ejemplo: (malaga cadiz cordoba almeria huelva granada jaen sevilla) Generación aleatoria del estado inicial Asumiremos que la función GENERA-ESTADO-INICIAL() obtiene un circuito inicial aleatorio Función objetivo La función F-OBJETIVO(ESTADO) devuelve la distancia total del circuito
9 Representación del problema del viajante Generación de un sucesor con la función GENERA-SUCESOR(ESTADO) Elección aleatoria de dos ciudades e inversión del camino entre ellas a a b h b h c g c g d f d f e e Heurística + aleatoriedad Heurística: trata de reducir los cruces Aleatoriedad: al elegir el par de ciudades
10 Búsqueda en escalada Idea de la búsqueda en escalada: Aplicar una simple mejora iterativa Guiado por la heurística y aleatoriedad de la función que genera sucesores No se permite recuperarse de un camino erróneo (no se mantiene un árbol de búsqueda) Puede verse como una escalada (ascenso o descenso) F. objetivo F(e ) Estados F(e) e =genera sucesor(e) e
11 Búsqueda en escalada Versión para minimizar (análogo para maximizar) FUNCION BUSQUEDA-EN-ESCALADA() 1. Hacer ACTUAL igual GENERA-ESTADO-INICIAL() y VALOR-ACTUAL igual a F-OBJETIVO(ACTUAL). 2. Hacer VECINO igual a GENERA-SUCESOR(ACTUAL) y VALOR-VECINO igual a F-OBJETIVO(VECINO) 3. Mientras VALOR-VECINO sea menor que VALOR-ACTUAL, 3.1 Hacer ACTUAL igual a VECINO y VALOR-ACTUAL igual a VALOR-VECINO. 3.2 Hacer VECINO igual a GENERA-SUCESOR(ACTUAL) y VALOR-VECINO igual a F-OBJETIVO(VECINO) 3. Devolver ACTUAL y VALOR-ACTUAL
12 Búsqueda en escalada: ejemplo Ejemplos > (load "viajante")... > (escalada-aleatoria) ((CADIZ HUELVA CORDOBA JAEN ALMERIA SEVILLA GRANADA MALAGA) ) > (escalada-aleatoria) ((SEVILLA JAEN HUELVA CORDOBA MALAGA ALMERIA GRANADA CADIZ) ) > (escalada-aleatoria) ((SEVILLA GRANADA ALMERIA CORDOBA JAEN CADIZ MALAGA HUELVA) ) Ninguna de ellas es la solución óptima
13 Búsqueda en escalada Evidentemente, no se garantiza encontrar el óptimo Problemas: Su eficacia depende en gran medida de la función GENERA-SUCESOR Óptimos locales, mesetas Una idea simple para intentar escapar de los óptimos locales: Buscar aleatoriamente el inicio de la pendiente Hacer escalada (o descenso) a partir de ahí Iterar el proceso Devolver el mejor estado conseguido en alguna de las iteraciones
14 Búsqueda en escalada con reinicio aleatorio FUNCION ESCALADA-CON-REINICIO-ALEATORIO(ITERACIONES) 1. Hacer MEJOR-ESTADO igual GENERA-ESTADO-INICIAL() y MEJOR-VALOR igual a F-OBJETIVO(MEJOR-ESTADO) 2. Hacer un número de veces igual a ITERACIONES: 2.1 Realizar una escalada aleatoria. 2.2 Si el estado obtenido tiene un valor mejor que MEJOR-VALOR, actualizar MEJOR-ESTADO y MEJOR-VALOR con el nuevo estado y valor obtenido. 3. Devolver MEJOR-ESTADO y MEJOR-VALOR
15 Escalada con reinicio aleatorio: ejemplo Problema del viajante: > (load "viajante")... > (escalada-con-reinicio-aleatorio 50) ((JAEN CORDOBA SEVILLA CADIZ HUELVA MALAGA ALMERIA GRANADA) ) > (escalada-con-reinicio-aleatorio 300) ((CORDOBA GRANADA ALMERIA JAEN MALAGA SEVILLA HUELVA CADIZ) ) > (escalada-con-reinicio-aleatorio 1000) ((MALAGA CADIZ HUELVA SEVILLA CORDOBA JAEN ALMERIA GRANADA) ) La última es la solución óptima
16 Problema del cuadrado de puntos Caso particular del problema del viajante: Las ciudades están representadas por pares de coordenadas 4n puntos situados uniformemente a lo largo de los lados de un cuadrado de lado n Parametrizado y con solución conocida (escalable, adecuado para pruebas) Representación análoga al problema del viajante (0,n) (n,n) (0,3) (0,2) (0,1) (0,0) (1,0) (2,0) (3,0) (n,0)
17 Escalada con reinicio aleatorio: ejemplo Problema del cuadrado de puntos: > (load "puntos")... > (cuadrado 3) > (escalada-con-reinicio-aleatorio 10000) (((3. 3) (3. 2) (2. 3) (3. 1) (2. 0) (3. 0) (1. 0) (0. 0) (0. 1) (0. 3) (0. 2) (1. 3)) ) > (escalada-con-reinicio-aleatorio ) (((1. 0) (0. 0) (0. 1) (0. 2) (0. 3) (1. 3) (3. 2) (3. 3) (2. 3) (3. 0) (3. 1) (2. 0)) ) Soluciones no óptimas, debemos mejorar la técnica para escapar de los óptimos locales
18 Enfriamiento simulado Idea principal: Aceptar probabilísticamente estados peores La probabilidad de que un estado peor sea aceptado varía en función del incremento producido en la función objetivo Permitimos así salir de óptimos locales, sin salir del óptimo global Algoritmo inspirado en el proceso físico-químico de enfriamiento de metales
19 Enfriamiento simulado (inspiración físico-química) Enfriamiento de metales Sistema estable: mínimo de energía Dada una temperatura, el sistema necesita tiempo para estabilizarse (perder energía) Es posible pasar momentáneamente por estados de mayor energía, con probabilidad dada por p( E, T) = e E k T Después de estabilizarse, se vuelve a bajar la temperatura, y el sistema se estabiliza nuevamente en un estado de menor energía Programa de enfriamiento Al principio (T grande) mayor probabilidad de aceptación de soluciones candidatas (diversificación) Al final (T pequeña), se aceptan pocas soluciones candidatas (intensificación)
20 Enfriamiento simulado Generación del estado inicial y estados vecinos Aleatoria, heurística Aceptación probabilística Probabilidad de aceptación de un estado que incrementa F el valor de la función objetivo: e F T Programa de enfriamiento, en nuestro caso: Temperatura inicial Variación de la temperatura: T α T Número fijo de iteraciones para cada T Criterio de parada Valor suficientemente bueno de la función objetivo Número máximo de iteraciones sin mejora En nuestro caso, número fijo de iteraciones totales
21 Implementación de enfriamiento simulado (I) FUNCION ENFRIAMIENTO-SIMULADO(T-INICIAL,FACTOR-DESCENSO, N-ENFRIAMIENTOS,N-ITERACIONES) 1. Crear las siguientes variables locales: 1.1 TEMPERATURA (para almacenar la temperatura actual), inicialmente con valor T-INICIAL. 1.2 ACTUAL (para almacenar el estado actual), cuyo valor inicial es GENERA-ESTADO-INICIAL(). 1.3 VALOR-ACTUAL igual a F-OBJETIVO(ACTUAL) 1.4 MEJOR (para almacenar el valor del mejor estado encontrado hasta el momento), inicialmente ACTUAL. 1.5 VALOR-MEJOR (para almacenar el valor de MEJOR), inicialmente igual a VALOR-ACTUAL
22 Implementación de enfriamiento simulado (II) 2. Iterar un número de veces igual a N-ENFRIAMIENTOS: 2.1 Iterar un número de veces igual a N-ITERACIONES: Crear las siguientes variables locales: CANDIDATA, una solución vecina de ACTUAL, generada por GENERA-SUCESOR VALOR-CANDIDATA, el valor de CANDIDATA INCREMENTO, la diferencia entre VALOR-CANDIDATA y VALOR-ACTUAL Cuando INCREMENTO es negativo, o se acepta probabilísticamente la solución candidata, hacer ACTUAL igual a VECINA y VALOR-ACTUAL igual a VALOR-VECINA Si VALOR-ACTUAL es mejor que VALOR-MEJOR, actualizar MEJOR con ACTUAL y VALOR-MEJOR con VALOR-ACTUAL. 2.2 Disminuir TEMPERATURA usando FACTOR-DESCENSO 3. Devolver MEJOR y VALOR-MEJOR
23 Enfriamiento simulado: ejemplo Ejemplo (problema del viajante por Andalucía) > (enfriamiento-simulado ) ((MALAGA GRANADA ALMERIA JAEN CORDOBA SEVILLA HUELVA CADIZ) ) Ejemplo (problema de los puntos) > (cuadrado 3)... > (enfriamiento-simulado ) (((0. 1) (0. 0) (1. 0) (2. 0) (3. 0) (3. 1) (3. 2) (3. 3) (2. 3) (1. 3) (0. 3) (0. 2)) 12) > (cuadrado 7)... > (second (enfriamiento-simulado )) 28 > (cuadrado 10)... > (second (enfriamiento-simulado )) > (second (enfriamiento-simulado )) 40 > (cuadrado 15)... > (second (enfriamiento-simulado )) > (second (enfriamiento-simulado )) 60
24 Algoritmos genéticos: evolución natural Optimización inspirada en los procesos evolutivos de la naturaleza: La evolución ocurre en los cromosomas de los individuos Las buenas estructuras sobreviven con más probabilidad que las demás El nuevo material genético se obtiene mediante cruces y mutaciones Algoritmos genéticos: Aplicación de estas ideas en la búsqueda de soluciones óptimas No existe un único algoritmo genético Es una denominación para este tipo de algoritmos evolutivos
25 Algoritmos genéticos: codificación del problema original Un primer paso es representar los estados del problema original como individuos de una población Genes: material genético básico Cromosomas: secuencia de genes que codifica a un estado del problema original Población: conjunto de cromosomas (sólo un subconjunto de tamaño manejable ) La población evoluciona en las distintas generaciones Genotipo y fenotipo Bondad de los individuos Según el valor de la función objetivo
26 Algoritmos genéticos: representación del problema Problemas de optimización: un ejemplo simple Ejemplo: encontrar el mínimo de la función f(x) = x 2 en [0, 2 10 ) N Variables * GENES* y * LONGITUD-INDIVIDUOS* Ejemplo en la función cuadrado: (0 1) y 10, resp. Función DECODIFICA(X), obtiene el fenotipo En la función cuadrado: un cromosoma puede verse como un número binario de 10 dígitos (en orden inverso). El fenotipo de un cromosoma es dicho número (en notación decimal) Ejemplo: ( ) es un cromosoma que representa al 38 Función F-OBJETIVO(X), valor de de la función a optimizar (actuando sobre el fenotipo) Ejemplo en la función cuadrado: la función que recibiendo un número natural lo eleva al cuadrado
27 Algoritmos genéticos: mecanismo evolutivo Reproducción de las generaciones Operaciones: Cruces: combinación de estructuras, aleatorio Mutaciones: cambio de algunos genes, aleatorio Mecanismo de evolución En general, debe ser un método de selección que favorezca a los individuos con mejor valoración, pero que no impida la diversidad En general, siempre existe una componente aleatoria
28 Operaciones genéticas más comunes Cruces: Mutaciones:
29 Algoritmo genético con selección por élite y aleatoriedad (pseudocódigo) t := 0 Inicia-Población P(t) Evalúa-Población P(t) Mientras no Fin hacer P := Selecciona-Padres P(t) P := Cruza P P := Muta P Evalua-Población P P(t+1) := Selecciona-Mejores P,P(t) t:= t+1 Fin-Mientras Devolver el mejor de P(t)
30 Parámetros del algoritmo genético anterior El algoritmo anterior debe recibir como entrada lo siguiente: Número de generaciones Número total de individuos en la población (en cada generación) Número de individuos que intervienen en la reproducción (cruces, dado como proporción del total) Padres que se escogen entre los mejores (dado como proporción del total de padres) Probabilidad de que ocurra una mutación (generalmente, muy baja)
31 Selección, mutación y reproducción en el algoritmo Selección de padres: Un número fijo de padres se obtienen con los mejores de la población (élite) El resto se escoge aleatoriamente de entre los restantes (para mantener así la diversidad) Cruces: Las parejas se obtienen reordenando aleatoriamente los padres (por diversidad) y cruzando de dos en dos Mutación: Cada gen de cada individuo se mutará según la probabilidad dada (aleatoriedad) Nueva generación: Unir las dos generaciones y quedarse con los mejores (en igual número que la población inicial)
32 Ejemplo de ejecución (función cuadrado) > (load "funcion-cuadrado")... > (algoritmo-genetico-con-salida ) Generacion: 1. Media: , Mejor: ( ), Valor: 1444 Generacion: 2. Media: , Mejor: ( ), Valor: 1444 Generacion: 3. Media: , Mejor: ( ), Valor: 1444 Generacion: 4. Media: , Mejor: ( ), Valor: 225 Generacion: 5. Media: , Mejor: ( ), Valor: 144 Generacion: 6. Media: 912.8, Mejor: ( ), Valor: 4 Generacion: 7. Media: 345.3, Mejor: ( ), Valor: 4 Generacion: 8. Media: 60.7, Mejor: ( ), Valor: 4 Generacion: 9. Media: 14.0, Mejor: ( ), Valor: 4 Generacion: 10. Media: 4.5, Mejor: ( ), Valor: 4 Generacion: 11. Media: 3.7, Mejor: ( ), Valor: 1 Generacion: 12. Media: 3.4, Mejor: ( ), Valor: 1 Generacion: 13. Media: 2.4, Mejor: ( ), Valor: 0 0
33 Representación genética del problema del viajante Genes y longitud de los individuos en el problema del viajante *GENES* = (almeria cadiz cordoba granada huelva jaen malaga sevilla) *LONGITUD-INDIVIDUOS* = 8 Decodificación en el problema del viajante: DECODIFICA(X)= X La codificación permite ciudades repetidas La función objetivo debe penalizar las repeticiones
34 Representación genética del problema del viajante Función objetivo: Penalización por camino incompleto PENALIZACION-POR-INCOMPLETO(CAMINO)= 100 * *GENES* - CAMINO Combinación de distancia con penalización F-OBJETIVO(X)= 2*DISTANCIA-VIAJE(X) + 50*PENALIZACION-POR-INCOMPLETO(X) Los pesos de cada componente pueden ajustarse experimentalmente
35 Solución al problema del viajante Una ejecución: > (algoritmo-genetico ) Mejor individuo: (HUELVA SEVILLA CORDOBA GRANADA ALMERIA JAEN MALAGA CADIZ) Valor: Es usual realizar varios ejecuciones del algoritmo En este caso, en el experimento 84 se obtiene la solución óptima: Mejor individuo: (MALAGA GRANADA ALMERIA JAEN CORDOBA SEVILLA HUELVA CADIZ), Valor:
36 Otro ejemplo: problema del cuadrado mágico Colocar en un cuadrado n n los números naturales de 1 a n 2, de tal manera que las filas, las columnas y las diagonales principales sumen los mismo Una solución para n = 3: Soluciones representadas como listas de números entre 1 y n 2 Admitimos repeticiones La función objetivo penaliza las repeticiones
37 Otro ejemplo: cuadrado mágico Problema parametrizado, variables globales: Dimensión del cuadrado: N Suma común: SUMA=(N (N 2 + 1))/2 Función de decodificación, DECODIFICA(X): Un cromosoma representa al cuadrado cuya concatenación de filas es igual al cromosoma Ejemplo (para N igual a 3): > (decodifica ( )) ((1 7 5) (3 2 8) (4 6 9)) Genes y longitud de los individuos: *GENES* = ( N 2 ) *LONGITUD-INDIVIDUOS* = N 2
38 Otro ejemplo: cuadrado mágico La función objetivo penaliza las repeticiones: N-REPETICIONES(X)= "Número de genes repetidos en X" SUMA-DIFERENCIAS(X)= "Suma de las diferencias (en valor absoluto) entre la suma de los números de cada hilera (filas, columnas y diagonales) y SUMA" F-OBJETIVO(X)= (1 + N-REPETICIONES(X)) * SUMA-DIFERENCIAS(X)
39 Solución al cuadrado mágico Caso n = 3 ;;; Soluciones N=3 (se encuentra fácilmente) ;;; ((8 1 6) (3 5 7) (4 9 2)) Caso n = 4 ;;; Soluciones N=4 ;;; Encontrado con ;;; (algoritmo-genetico ) ;;; en la generación 125: ;;; (( ) ( ) ( ) ( ))
40 Selección probabilística En el algoritmo anterior, la selección de individuos está basada en un método elitista Esto asegura que los mejores siempre pasan a la siguiente generación y siempre son escogidos para cruce La diversidad se garantiza introduciendo individuos seleccionados aleatoriamente La selección probabilística es un método alternativo de selección, que favorece a los mejores, manteniendo la diversidad La idea es que la probabilidad de seleccionar un individuo será mayor cuanto mejor sea Los peores individuos se seleccionarán con menos frecuencia Con este método es posible seleccionar varias veces al mismo individuo
41 Selección probabilística por ruleta Selección por ruleta Cada individuo i es seleccionado con probabilidad proporcional a su valor de la función objetivo: P(i) = F obj(i) n j=1 F obj(j) Importante: con este método de selección sólo podemos resolver problemas de maximización Si es de minimización habría que transformar la función objetivo Algoritmo para seleccionar por ruleta: Calcular la suma total acumulada de los valores de la función objetivo de todos los miembros de la población Generar un número aleatorio x entre 1 y la suma total anterior Recorrer la población, nuevamente acumulando los valores de la función objetivo y seleccionando el primer cromosoma cuya suma acumulada sea mayor o igual que x
42 Algoritmo genético con selección por ruleta Vamos a definir un algoritmo genético diferente del anterior Usando selección por ruleta Tanto de los individuos que pasan directamente a la siguiente generación, como de aquellos que se usarán para cruces Entrada al algoritmo: Número total p de individuos de la población Un número r, 0 <= r <= 1, fracción de la población que será obtenida mediante cruces La probabilidad m de que ocurra una mutación
43 Algoritmo genético con selección por ruleta (pseudocódigo) t := 0 Inicia-Población P(t) Evalúa-Población P(t) Mientras no Fin hacer P1 := Selección por ruleta de (1-r) p individuos de P(t) P2 := Selección por ruleta de (r p) individuos de P(t) P3 := Cruza P2 P4 := Union de P1 y P3 P(t+1) := Muta P4 Evalua-Población P(t+1) t:= t+1 Fin-Mientras Devolver el mejor de P(t)
44 Conclusión Algoritmos genéticos como proceso de búsqueda local Mejora iterativa Los cruces, las mutaciones y la diversidad tratan de evitar el problema de los óptimos locales Existen otras muchas implementaciones de algoritmos genéticos Pero todas se basan en las mismas ideas de reproducción, mutación, selección de los mejores y mantenimiento de la diversidad Fácil de aplicar a muchos tipos de problemas: optimización, aprendizaje automático, planificación,... Resultados aceptables en algunos problemas Aunque no son mejores que algoritmos específicos para cada problema
45 Bibliografía Russell, S. y Norvig, P. Artificial Intelligence (A Modern Approach) 3rd edition (Prentice Hall, 2010). Cap. 4 Beyond classical search. Rich, E. y Knight, K. Inteligencia artificial (segunda edición) (McGraw Hill Interamericana, 1994). Cap. 3: Técnicas de búsqueda heurística. Mitchell, T.M. Machine Learning (McGraw-Hill, 1997) Cap. 9: Genetic Algorithms Michalewicz, Z. Genetic Algorithms + Data Structures = Evolution Programs (Springer, 1999). Cap. 2 GAs: How Do They Work?.
Tema 2: Representación de problemas como espacios de estados
Tema 2: Representación de problemas como espacios de estados José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesBúsqueda con adversario
Búsqueda con adversario José Luis Ruiz Reina José Antonio Alonso Jiménez Franciso J. Martín Mateos María José Hidalgo Doblado Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
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 detallesTema 7: Búsqueda con adversario (juegos)
Tema 7: Búsqueda con adversario (juegos) José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos María José Hidalgo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más detallesBúsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33
Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable
Más detallesBÚSQUEDA DE RUTAS DE METRO
8Proyecto 3 BÚSQUEDA DE RUTAS DE METRO 1. DESCRIPCIÓN DEL PROBLEMA En este proyecto se quiere implementar un algoritmo evolutivo para buscar el mejor camino entre dos puntos de una red de metro. La calidad
Más detallesOPERADORES GENETICOS SOBRE PERMUTACIONES APLICADOS A LA RESOLUCIÓN DEL SUDOKU
OPERADORES GENETICOS SOBRE PERMUTACIONES APLICADOS A LA RESOLUCIÓN DEL SUDOKU Carlos Cervigón Rückauer Departamento de Ingeniería del Software e Inteligencia artificial Universidad Complutense de Madrid
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 detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesAlgunas ventajas asociados comúnmente a ellos son:
CAPITULO 3 ALGORITMOS GENÉTICOS Charles Darwin construyó la Teoría de la Evolución, en la cual afirma que las especies naturales van evolucionando para adaptarse al medio en que viven. Aquellos individuos
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 detallesA B MIN C D E F MAX x E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO
E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO UNIVERSIDAD DE MÁLAGA Dpto. Lenguajes y Ciencias de la Computación RELACIÓN DE PROBLEMAS. TEMA IV. PROBLEMAS DE JUEGOS.
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 detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesMétodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid
Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated
Más detallesTema 4: Técnicas heurísticas en juegos
Tema 4: Técnicas heurísticas en juegos José A. Alonso Jiménez Carmen Graciani Díaz Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial UNIVERSIDAD
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 detallesUniversidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I
Tema # 10 El método de las M s como solución de problemas de programación lineal 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Resolver modelos de programación lineal mediante
Más detallesUniversidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación EJERCICIOS RESUELTOS DE ECUACIONES NO LINEALES Profesor: Jaime Álvarez Maldonado Ayudante: Rodrigo
Más detallesCENTRO UNIVERSITARIO MONTEJO A.C. SECUNDARIA Temario Matemáticas 1
BLOQUE 1 Convierte números fraccionarios a decimales y viceversa. Conoce y utiliza las convenciones para representar números fraccionarios y decimales en la recta numérica. Representa sucesiones de números
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesAnálisis y Recuperación de Información
Análisis y Recuperación de Información 1 er Cuatrimestre 2016 Página Web http://www.exa.unicen.edu.ar/catedras/ayrdatos/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs.
Más detallesBúsqueda con adversario
Introducción Búsqueda con adversario Uso: Decidir mejor jugada en cada momento para cierto tipo de juegos Hay diferentes tipos de juegos según sus características: Numero de jugadores, toda la información
Más detalles1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Más detallesInteligencia Artificial. Integrantes Equipo # 1:
INSTITUTO TECNOLÓGICO De Nuevo Laredo Especialidad: Ingeniería en Sistemas Computacionales Catedrático: Ing. Bruno López Takeyas. Asignatura: Inteligencia Artificial. Integrantes Equipo # 1: Javier Alonso
Más detallesIntroducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09
Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones
Más detallesAlgoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales
Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada
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 detallesAlgoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
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 detallesALGORITMO DE OPTIMIZACIÓN BASADO EN EL APAREAMIENTO DE LAS ABEJAS(HBMO). UN NUEVO ENFOQUE HEURÍSTICO DE OPTIMIZACIÓN.
DE OPTIMIZACIÓN BASADO EN EL APAREAMIENTO DE LAS (HBMO). UN NUEVO ENFOQUE HEURÍSTICO DE OPTIMIZACIÓN. OMID BOZORG HADDAD, ABBAS AFSHAR, MIGUEL A. MARIÑO Víctor Fernández Mora Manuel Sifón Miralles Raquel
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesEl Juego como Problema de Búsqueda
El Juego como Problema de Búsqueda En este algoritmo identificamos dos jugadores: max y min. El objetivo es encontrar la mejor movida para max. Supondremos que max mueve inicialmente y que luego se turnan
Más detallesEl Proceso. Capítulo 2 Roger Pressman, 5 a Edición. El Proceso de Desarrollo de Software
El Proceso Capítulo 2 Roger Pressman, 5 a Edición El Proceso de Desarrollo de Software Qué es? Marco de trabajo de tareas a realizar para desarrollar Software de alta calidad. Es sinónimo de Ingeniería
Más detallesAlgoritmos y Estructuras de Datos Curso 06/07. Ejercicios
9..En un problema de backtracking estamos interesados en almacenar de forma explícita el árbol recorrido por el algoritmo. De cada nodo del árbol sólo necesitamos saber un número, que indica el orden en
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 detallesIntroducción a los Algoritmos Genéticos
Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =
Más detalles3.8. Tutorial Carretilla
3.8. Tutorial Carretilla 3.8.1. Introducción En este tutorial se va a simular el funcionamiento de una carretilla convencional. Se simularán sus dos movimientos principales, esto es, el movimiento de desplazamiento
Más detallesCapítulo 4 Probabilidad TÉCNICAS DE CONTEO Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved.
Capítulo 4 Probabilidad TÉCNICAS DE CONTEO Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 4.1-1 Técnicas de conteo En muchos problemas de probabilidad, el reto mayor es encontrar
Más detallesEsquema de cifrado DES
Esquema de cifrado DES DES es un esquema de cifrado en bloque que opera sobre bloques de texto de 64 bits, devolviendo bloques cifrados también de 64 bits. Así pues, DES sobre 2 64 posibles combinaciones
Más detallesSistemas Numéricos y Códigos Binarios
Sistemas Numéricos y Códigos Binarios Marcelo Guarini Departamento de Ingeniería Eléctrica, 5 de Abril, 5 Sistemas Numéricos en Cualquier Base En el sistema decimal, cualquier número puede representarse
Más detallesLOS NÚMEROS ALEATORIOS SE PUEDEN OBTENER A TRAVÉS DE UNA CALCULADORA CIENTÍFICA ( PARTE ESTADÍSTICA ), O BIÉN EN UN ORDENADOR.
LOS NÚMEROS ALEATORIOS SE PUEDEN OBTENER A TRAVÉS DE UNA CALCULADORA CIENTÍFICA ( PARTE ESTADÍSTICA ), O BIÉN EN UN ORDENADOR. SEGURAMENTE HAS VISTO ALGUNA VEZ EL SORTEO DE LA LOTERIA O DEL KINO U OTROS
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL.
ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL. 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Introducción a la Inteligencia Artificial Línea de trabajo: Desarrollo y aplicación de tecnologías
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 detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesConferencia clase. Al desacoplar las ecuaciones se tiene. Sistemas de ecuaciones diferenciales lineales usando álgebra lineal
Conferencia clase Al desacoplar las ecuaciones se tiene stemas de ecuaciones diferenciales lineales usando álgebra lineal Contenido. 1. stemas de ecuaciones diferenciales de primer orden. 2. Forma matricial
Más detallesDefiniendo y expresando probabilidad
Bitácora del Estudiante Definiendo y expresando probabilidad Realiza las siguientes actividades, mientras trabajas con el tutorial. 1. Cuando se seleccionan los jugadores, todo el mundo tiene la oportunidad
Más detallesAlgoritmos genéticos: Aplicación al problema de la mochila.
Algoritmos genéticos: Aplicación al problema de la mochila. Javier Hidalgo Sánchez Universidad Carlos III de Madrid Coria, Cáceres, España 00056426@alumnos.uc3m.es Jesús Ignacio Turrado Martínez Universidad
Más detallesUNIVERSIDAD TECNOLOGICA DE PEREIRA PROGRAMA DE TECNOLOGIA ELECTRICA
UNERSDAD TECNOLOGCA DE PERERA PROGRAMA DE TECNOLOGA ELECTRCA Curso Básico de Análisis de Sistemas Eléctricos de Potencia Antonio Escobar Zuluaga Pereira - Risaralda - Colombia 0 Matriz admitancia Y BUS
Más detallesCursada Segundo Cuatrimestre 2012 Guía de Trabajos Prácticos Nro. 1
Temas: Ambiente de trabajo MATLAB. Creación de matrices y vectores. Matrices pre-definidas. Operador dos puntos. Operaciones con matrices y vectores. Direccionamiento de elementos de matrices y vectores.
Más detalles2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
Más detallesAlgoritmos genéticos. Un ejemplo con hoja de cálculo
Algoritmos Genéticos. Un ejemplo con hoja de cálculo Algoritmos genéticos. Un ejemplo con hoja de cálculo Martínez María-Dolores, Soledad María soledad.martinez@upct.es Bernal García, Juan Jesús juanjesus.bernal@upct.es
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesDistinguir las diferentes estructuras de repetición utilizadas en problemas con bucles: mientras, repetir mientras, para.
ESTRUCTURAS ITERATIVAS 1 ESTRUCTURAS ITERATIVAS OBJETIVOS Aprender a resolver problemas mediante la ejecución repetida de una secuencia de proposiciones llamados bucle o estructuras repetitivas o iterativas.
Más detallesTEMA 17: PROBABILIDAD
TEMA 17: PROBABILIDAD Probabilidad de un suceso aleatorio es un numero entre 0 y 1 (más cerca del 0, mas difícil que ocurra. Más cerca del 1 más fácil que ocurra). Suceso seguro: Su probabilidad es 1.
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 detallesSistemas de ecuaciones no lineales
Práctica 6 Sistemas de ecuaciones no lineales En esta práctica revisaremos algunos métodos básicos para la resolución numérica de sistemas de ecuaciones no lineales 61 Método iterativo del punto fijo Partimos
Más detallesVisión artificial y Robótica Modelos de movimiento y mapas. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Modelos de movimiento y mapas Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Sistemas de coordenadas Localización de objetos en el espacio Modelos
Más detallesESTRUCTURAS REPETITIVAS EN PHP
ESTRUCTURAS REPETITIVAS EN PHP Los bucles nos permiten iterar conjuntos de instrucciones, es decir repetir la ejecución de un conjunto de instrucciones mientras se cumpla una condición. Sentencia while
Más detallesProbabilidad. Literature de ficción para níños. Literature de no ficción para níños. Literature de ficción para adultos. Otras
C APÍTULO 0 Probabilidad Resumen del contenido El Capítulo 0 presenta unos conceptos básicos de probabilidad, incluyendo clases especiales de eventos, valores esperados y permutaciones y combinaciones
Más detallesEl Juego de la vida y búsqueda local. En este artículo se desarrolla e implementa un autómata celular conocido como el juego de la
El Juego de la vida y búsqueda local Nelson Becerra Correa Ismel Brito Rodríguez** Resumen En este artículo se desarrolla e implementa un autómata celular conocido como el juego de la vida. Se define su
Más detallesTOTAL % TOTAL % TOTAL PDI FUNCIONARIO 183 35,40% 334 64,60% 517 TOTAL PDI CONTRATADO 99 46,05% 116 53,95% 215 TOTAL 241 50,52% 236 49,48% 477
PROFESORADO Y PAS ALMERÍA Catedrático Universidad 13 14,77% 75 85,23% 88 Catedrático Escuela Universitaria 1 50,00% 1 50,00% 2 Titular Universidad 148 38,44% 237 61,56% 385 Titular Escuela Universitaria
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detallesPara definir en formalmente el juego se deberá establecer:
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 5- JUEGOS COMO PROBLEMA DE BÚSQUEDA Referencias: Inteligencia Artificial Russell and Norvig Cap.5. Artificial Intellingence Nils Nilsson Ch.3 Se trata el
Más detallesDescripciones de los niveles de logro modificados (ALD, siglas en inglés) de la prueba de evaluación MCA en matemáticas Grados 5 a 8
Descripciones de los niveles de logro modificados (ALD, siglas en inglés) de la prueba de evaluación MCA en matemáticas Grados 5 a 8 Grado 5 No cumple los estándares de logro modificados (Grado 5) Los
Más detallesLa última versión disponible cuando se redactó este manual era la 5 Beta (versión ), y sobre ella versa este manual.
Manual de Dev-C++ 4.9.9.2 Página 1 de 11 Introducción Dev-C++ es un IDE (entorno de desarrollo integrado) que facilita herramientas para la creación y depuración de programas en C y en C++. Además, la
Más detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesCAPÍTULO II SISTEMAS NUMÉRICOS. Este método de representar los números se llama sistema de numeración decimal, donde 10 es la base del sistema.
CIENCIAS DE LA COMPUTACIÓN MAT 1104 12 CAPÍTULO II SISTEMAS NUMÉRICOS 2.1 INTRODUCCIÓN Los números usados en Aritmética están expresados por medio de múltiplos o potencias de 10; por ejemplo: 8654= 8*10
Más detallesAlgoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesIntroducción a la Programación Dinámica. El Problema de la Mochila
Tema 1 Introducción a la Programación Dinámica. El Problema de la Mochila La programación dinámica no es un algoritmo. Es más bien un principio general aplicable a diversos problemas de optimización que
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesEjercicios ejemplo: verificación de algoritmos del valor suma de una sucesión matemática. (CU00238A)
aprenderaprogramar.com Ejercicios ejemplo: verificación de algoritmos del valor suma de una sucesión matemática. (CU00238A) Sección: Cursos Categoría: Curso Bases de la programación Nivel II Fecha revisión:
Más detallesDeterminación de entalpías de vaporización
Prácticas de Química. Determinación de entalpías de vaporización I. Introducción teórica y objetivos........................................ 2 II. Desarrollo experimental...............................................
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesTECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL
1 TECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL TECNOLOGÍA DE LA COMPUTADORA FACILITADOR: PARTICIPANTE: DAVID, CHIRIQUÍ 2015 2 Qué es un programa? Un programa informático es un conjunto
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesEL PROBLEMA DE TRANSPORTE
1 EL PROBLEMA DE TRANSPORTE La TÉCNICA DE TRANSPORTE se puede aplicar a todo problema físico compatible con el siguiente esquema: FUENTES DESTINOS TRANSPORTE DE UNIDADES Donde transporte de unidades puede
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 detallesTareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesFACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN GENERACIÓN DE HORARIOS ACADÉMICOS EN INACAP UTILIZANDO ALGORITMOS GENÉTICOS TESIS PARA OPTAR AL
Más detallesFigura 1 Si la señal continua únicamante toma dos balores, entonces se denomina señal binaria, Figura 2. Figura 2
1. Señales digitales-analógicas Antes de comenzar con el diseño de sistemas digitales, se debe definir qué es una señal continua, discreta, analógica, digital y binaria. Una señal continua es aquella que
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detalles