Programación por Restricciones
|
|
- Enrique Soler Figueroa
- hace 6 años
- Vistas:
Transcripción
1 Programación por Pontificia Universidad Javeriana 20 agosto 2008
2 RESTRICCIONES DE DOMINIO FINITO
3 Contenido
4 Definión: Un, o CSP, siste en una restricción C sobre variables x 1,..., x n y un dominio D que asigna cada variable x i a un junto finito valores, escrito D(x i ). El CSP siste entonces en resolver la restricción C x 1 D(x 1 )... x n D(x n ). Estos problemas son importantes ya que puen ser usados para molar problemas combinatorios, tales como programación horarios e inventarios, inteligencia artificial, procesamiento imágenes y visión computarizada.
5 CSPs Ejemplo 1: El problema coloración mapas sisten en colorear las diferentes regiones un mapa particular un número limitado colores, sujeto a la dición que dos regiones adyacentes no puen tener el mismo color. Consire el mapa Australia en la siguiente figura y los colores azul, rojo y amarillo. Western Australia Northern Territory Queensland South Australia New South Wales Victoria Tasmania
6 CSPs Cada región es asociada a una variable, WA, NT, SA, Q, NSW, V y T, y ntro l dominio {rojo, amarillo, azul}. La siguiente restricción captura la propiedad que regiones adyacentes no puen ser coloreadas el mismo color: WA NT WA SA NT SA NT Q SA Q SA NSW SA V Q NSW NSW V
7 CSPs Ejemplo 2: El problema las N-reinas sisten en colocar N reinas en un tablero ajedrez N N, tal que ninguna reina pueda capturar a otra reina. Consire el problema las 4-reinas, don la i-ésima reina se asocia a dos variables, F i y C i, las cuales son la fila y la columna don están acomodadas. El dominio cada variable es {1, 2, 3, 4}.
8 CSPs Una posible solución a este problema es mostrada es la siguiente figura:
9 CSPs La restricción F 1 F 2 F 1 F 3 F 1 F 4 F 2 F 3 F 2 F 4 F 3 F 4 asegura que ningún par reinas puen estar en la misma fila, la restricción C 1 C 2 C 1 C 3 C 1 C 4 C 2 C 3 C 2 C 4 C 3 C 4 asegura que ningún par reinas puen estar en la misma columna.
10 CSPs Las restricciones C 1 F 1 C 2 F 2 C 1 F 1 C 3 F 3 C 1 F 1 C 4 F 4 C 2 F 2 C 3 F 3 C 2 F 2 C 4 F 4 C 3 F 3 C 4 F 4, y C 1 + F 1 C 2 + F 2 C 1 + F 1 C 3 + F 3 C 1 + F 1 C 4 + F 4 C 2 + F 2 C 3 + F 3 C 2 + F 2 C 4 + F 4 C 3 + F 3 C 4 + F 4 forzan a que ningún par reinas estén en la misma diagonal.
11 CSPs Ejemplo 3: El problema l matrimonio a la antigua sisten en aparear un junto hombres y mujeres, tal que cada pareja se guste. Consire el problema un junto hombres {kim, pedro, bernardo}, un junto mujeres {nicole, maria, erika}, y una relación interés finida como el junto parejas {(kim, nicole), (kim, maria), (kim, erika), (pedro, maria), (bernardo, nicole), (bernardo, maria), (bernardo, erika)}
12 CSPs kim pedro bernardo nicole maria erika Este problema pue ser scrito usando una restricción que utilice tres variables X nicole, X maria, X erika las cuales representan el hombre elegido para nicole, maria y erika, respectivamente.
13 CSPs Cada variable tiene el dominio {kim, pedro, bernardo} y la restricción es interes(x nicole, nicole) interes(x maria, maria) interes(x erika, erika) X nicole X maria X nicole X erika X maria X erika Una solución a este problema es {X nicole kim, X maria pedro, X erika bernardo}
14 CSPs Las investigaciones han estado orientadas a CSPs binarios, es cir, CSPs don las restricciones primitivas tienen máximo dos variables. El problema coloración mapas y el matrimonio a la antigua son ejemplos CSPs binarios.
15 CSPs Las investigaciones han estado orientadas a CSPs binarios, es cir, CSPs don las restricciones primitivas tienen máximo dos variables. El problema coloración mapas y el matrimonio a la antigua son ejemplos CSPs binarios. Una característica agradable los CSPs binarios es que puen ser representados como grafos no dirigidos.
16 CSPs Las investigaciones han estado orientadas a CSPs binarios, es cir, CSPs don las restricciones primitivas tienen máximo dos variables. El problema coloración mapas y el matrimonio a la antigua son ejemplos CSPs binarios. Una característica agradable los CSPs binarios es que puen ser representados como grafos no dirigidos. Cada variable es representada por un nodo; una restricción unaria sobre una variable es representada por un lazo, etiquetada el nombre la restricción; y una restricción binaria sobre dos variables es representada por una arista entre los nodos correspondientes a las variables y etiquetada también el nombre la restricción.
17 CSPs El grafo que representa el CSP l ejemplo 1 es: NT Q WA SA V NSW T
18 Cómo Resolver un CSP? Los CSP son problemas NP-completos, por lo que NO puen existir solvers completos y eficientes para CSP arbitrarios. Sin embargo, entrar una solución por fuerza bruta ( la cual siempre es posible terminar la satisfacibilidad un CSP) es la más ineficiente todas las soluciones.
19 La ia esta técnica es terminar la satisfacibilidad un CSP escogiendo una variable, luego una valor en su dominio, terminando la satisfacibilidad la restricción que resulta reemplazar dicha variable dicho valor. Ejemplo: Consire el CSP la restricción X < Y Y < Z y las variables X, Y, Z el dominio {1, 2}.
20 Primero se escoge una variable en la restricción: digamos X. El algoritmo itera entonces en el dominio X : {1, 2}. Se toma el valor 1 y se reemplaza X dando la restricción 1 < Y Y < Z Luego un llamado recursivo es hecho al algoritmo tomando otra variable: digamos Y (esto es posible ya que la restricción dada es parcialmente satisfacible). El algoritmo itera ahora sobre el dominio Y : {1, 2}. Se toma el valor 1 y se reemplaza Y dando la restricción 1 < 1 1 < Z
21 La restricción resultante no es parcialmente satisfacible ya que 1 < 1 es insatisfacible. Por lo anterior, en la siguiente iteración se toma el valor 2 y se reemplaza Y obteniendo la restricción 1 < 2 2 < Z Como esta restricción SI es parcialmente satisfacible, se llama recursivamente el algoritmo dicha restricción.
22 En el segundo llamado recursivo la variable Z es escogida. Se toma el valor 1 su dominio y se reemplaza Z dando 1 < 2 2 < 1 que no es parcialmente satisfacible, por lo que en la siguiente iteración se toma el valor 2 y se tiene 1 < 2 2 < 2 De nuevo, esta no es parcialmente satisfacible, luego el segundo llamado recursivo retorna false.
23 Como los dos valores Y fueron escogidos, el primer llamado recursivo también retorna false. Entonces el llamado original al algoritmo toma el segundo valor l dominio X : 2, reemplazándolo y dando como resultado 2 < Y Y < Z Luego se llama recursivamente el algoritmo, cuyo resultado será false ya que ninguno los dos valores Y producen una restricción parcialmente satisfacible. De alĺı, el llamado original retorna false, indicando que la restricción original es insatisfacible.
24 El árbol búsqueda los llamados recursivos es el siguiente: 1 < Y < Y < Z X < Y < Y < Z X = 1 X = 2 2 < Y < Y < Z Y = 1 Y = 2 Y = 1 Y = 2 false 1 < 2 2 < Z false false < Z = 1 Z = 2 false false
25 El ejemplo anterior muestra que el backtracking solver es muy ineficiente (en el peor los casos será exponencial). Cada variable escogida termina un árbol búsqueda diferente. Un buen heurístico es escoger la variable más restringida primera, lo que daría un árbol más pequeño.
26 s Basados en Otras técnicas para resolver CSPs son basadas en observación dominios: si el dominio alguna variable es vacío entonces la restricción es insatisfacible. Estos solvers son incompletos pero tienen una complejidad polinomial.
27 s Basados en La ia es transformar el CSP en otro equivalente (don las restricciones tienen el mismo junto soluciones) pero en el cual los dominios las variables sean más pequeños. Si alguno los dominios llega a ser vacío entonces este nuevo CSP, y por lo tanto el original, serán insatisfacibles. Estos solvers trabajan tomando cada restricción primitiva y usándola para eliminar valores l dominio las variables involucradas que no la satisfagan.
28 s Basados en Los solvers se dicen que son basados en sistencia cuando propagan la información eliminación los valores los dominios una variable a otra hasta que los dominios sean sistentes la restricción. Estos solvers puen ser combinados backtracking para bajar la complejidad y aumentar la completitud.
29 Dominios Definición: Un dominio es un dominio falso si alguna variable en el dominio tiene dominio vacío: x D(x) = Un dominio es un dominio valuación si todas las variables tienen asociado un dominio tamaño 1: x. D(x) = 1 La función satisfiable(c, D) toma una restricción C y un dominio valuación D y retorna true o false indicando si C es satisfacible o no bajo esa valuación.
30 Dominios Ejemplo: Consire las variables X, Y, Z. D 1 (X ) = {1, 2}, D 1 (Y ) = {1, 2}, D 1 (Z) =. D 2 (X ) = {1}, D 2 (Y ) = {2}, D 2 (Z) = {1}. C : X < Y Y < Z D 1 es un dominio falso. D 2 es un dominio valuación. satisfiable(c, D) es false.
31 Nodo Definición: Una restricción primitiva c es nodo sistente el dominio D si vars(c) 1, ó vars(c) = {x} y para cada d D(x), {x d} es una solución c. Un CSP restricción c 1... c n y dominio D es nodo sistente si cada restricción primitiva c i es nodo sistente D para 1 i n.
32 Arco Definición: Una restricción primitiva c es arco sistente el dominio D si vars(c) 2, ó vars(c) = {x, y}, d x D(x). d y D(y) : {x d x, y d y } es una solución c, y d y D(y). d x D(x) : {x d x, y d y } es una solución c. Un CSP restricción c 1... c n y dominio D es arco sistente si cada restricción primitiva c i es arco sistente D para 1 i n.
33 Ejemplos Los CSP en los ejemplos coloración mapas y N-reinas son nodo sistentes, bido a que no tienen restricciones que envuelvan solo a una variable.
34 Ejemplos Los CSP en los ejemplos coloración mapas y N-reinas son nodo sistentes, bido a que no tienen restricciones que envuelvan solo a una variable. El CSP l ejemplo coloración mapas es arco sistente bido a que para cada color en el dominio la primera variable en la sigualdad hay un color diferente al color en el dominio la segunda variable, y viceversa.
35 Ejemplos Los CSP en los ejemplos coloración mapas y N-reinas son nodo sistentes, bido a que no tienen restricciones que envuelvan solo a una variable. El CSP l ejemplo coloración mapas es arco sistente bido a que para cada color en el dominio la primera variable en la sigualdad hay un color diferente al color en el dominio la segunda variable, y viceversa. Si modificamos el problema coloración mapas tal manera que existan solo dos colores, entonces se vuelve insatisfacible. Sin embargo, se mantiene la arco sistencia, mostrándose que un CSP binario pue ser insatisfacible incluso cuando es nodo y arco sistente.
36 Algoritmo Nodo Para trasformar un CSP en uno equivalente el cual es nodo sistente se sigue el siguiente algoritmo: x es una variable; C es una restricción; D es un dominio; c 1,..., c n son restricciones primitivas; d es un valor dominio. no sistent(c, D) sea C la forma c 1,..., c n for i := 1 to n do D := no sistent primitive(c i, D) endfor return D no sistent primitive(c, D) if vars(c) = 1 then sea {x} = vars(c) D(x) := {d D(x) {x d} es una solución c} endif return D
37 Algoritmo Arco Para trasformar un CSP en uno equivalente el cual es arco sistente se sigue el siguiente algoritmo: arc sistent(c, D) sea C la forma c 1,..., c n repeat W := D for i := 1 to n do D := arc sistent primitive(c i, D) endfor until W D return D arc sistent primitive(c, D) if vars(c) = 2 then sea {x, y} = vars(c) D(x) := {d x D(x) para algún d y D(y), {x d x, y d y } es una solución c} D(y) := {d y D(y) para algún d x D(x), {x d x, y d y } es una solución c} endif return D
38 Algoritmo Incompleto Se puen emplear los algoritmos arco y nodo sistencia para crear un solver incompleto que termina si un CSP es satisfacible: C es una restricción; D es un dominio. arc solver(c, D) D := no arc sistent(c, D) if D es un dominio falso then return false elseif D es un dominio valuación then return satisfiable(c, D) else return unknown endif no arc sistent(c, D) D := no sistent(c, D) D := arc sistent(c, D) return D
39 Algoritmo Completo Sin embargo, los algoritmos nodo y arco sistencia también puen ser combinados el algoritmo backtracking para obtener un solver completo: back arc solver(c, D) D := no arc sistent(c, D) if D es un dominio falso then return false elseif D es un dominio valuación then if satisfiable(c, D) then return D else return false endif endif escoja una variable x tal que D(x) 2 for each d D(x) D 1 := back arc solv(c x = d, D) if D 1 false then return D 1 endif endfor return false
40 Cómo Molar y Resolver CSPs Eficientemente? El molamiento es el corazón la programación restricciones ya que mediante este proceso el problema es especificado en términos restricciones que puen ser manejadas por el solver. Para sacar partido l molado restricciones dominio finito normalmente se restringen y se distribuyen las variables combinando el solver backtracking. La clave está en la estrategia propagación y exploración que reduce el espacio búsqueda.
41 Reglas Propagación Dado un rango para cada variable en una restricción primitiva, se puen iar métodos eficientes para calcular un nuevo rango para cada variable en la restricción el cual es sistente la restricción. Ejemplo: Consire la restricción X = Y + Z. Escribiendo la restricción en tres formas: Y = X + Z, Z = X + Y, X = Y + Z
42 Reglas Propagación Razonando acerca l mínimo y máximo valor los lados rechos, se pue ver que X min D (Y ) + min D (Z), Y min D (X ) max D (Z), X max D (Y ) + max D (Z), Y max D (X ) min D (Z), Z min D (X ) max D (Y ), Z max D (X ) min D (Y ). De las sigualdas anteriores se puen rivar reglas simples para asegurar la sistencia que usa las restricciones actuales cada variable modo que se puedan calcular los valores los lados rechos las expresiones, y puedan usarse para actualizar los máximos y mínimos l dominio cada variable.
43 Reglas Propagación Dado el dominio D(X ) = [4.,8], D(Y ) = [0.,3], D(Z) = [2.,2] se pue terminar que 2 X 5, 2 Y 6, 1 Z 8. Por lo tanto, se puen actualizar los dominios a D(X ) = [4.,5], D(Y ) = [2.,3], D(Z) = [2.,2] sin eliminar alguna solución la restricción.
44 Reglas Propagación Ejemplo: Consire la restricción 4W + 3P + 2C 9 Se pue reescribir en tres formas: W P 2 4 C, P W 2 3 C, C 9 2 2W 3 2 P
45 Reglas Propagación Así se obtienen las sigualdas W min D(P) 2 4 min D(C), P min D(W ) 2 3 min D(C), C 9 2 2min D(W ) 3 2 min D(P)
46 Reglas Propagación Dado el dominio inicial D(W ) = [0.,9], D(P) = [0.,9], D(C) = [0.,9] se pue terminar que W 9 4, P 9 4, y C 9 2. Usando las reglas propagación, se actualiza el dominio a D(W ) = [0.,2], D(P) = [0.,3], D(C) = [0.,4]
47 Dominios y Exploración Consire el problema resolver la ecuación cripto-aritmética S E N D + M O R E = M O N E Y don cada letra representa un dígito diferente.
48 Dominios y Exploración Este problema es molado el siguiente programa proc {Money Root} S E N D M O R Y in Root = sol(s:s e:e n:n d:d m:m o:o r:r y:y) Root ::: 0#9 {FD.distinct Root} S \=: 0 M \=: *S + 100*E + 10*N + D *M + 100*O + 10*R + E =: 10000*M *O + 100*N + 10*E + Y {FD.distribute ff Root} end
49 Dominios y Exploración El programa se ejecuta la siguiente manera. Después la claración el dominio es D(S) = [0.,9], D(E) = [0.,9], D(N) = [0.,9], D(D) = [0.,9], D(M) = [0.,9], D(O) = [0.,9], D(R) = [0.,9], D(Y ) = [0.,9] Agregando las restricciones S = 0 y M = 0 se reduce el dominio quedando D(S) = [1.,9], D(M) = [1.,9]
50 Dominios y Exploración La restricción FD.distinct agrega las sigualdas S E, S N, S D,..., R Y al store restricciones. Simplificando la ecuación original, el solver resolverá la ecuación 1000S + 91E + D + 10R = 9000M + 900O + 90N + Y
51 Dominios y Exploración Una las reglas propagación para la restricción anterior es basada en la sigualdad M 1 9 max D(S) max D(E) max D(D) max D(R) min D(O) min D(N) min D(Y )
52 Dominios y Exploración Dados los dominios actuales, esto implica que M = 1,102 Luego, D(M) es actualizado a [1.,1]. De la propagación (usando la restricción S M) se obtiene D(S) = [2.,9].
53 Dominios y Exploración La siguiente regla propagación se basa en la sigualdad S 9min D (M) min D(O) min D(N) min D(Y ) max D(E) max D(D) max D(R) y es usada el dominio actual para inferir que S 8,082.
54 Dominios y Exploración Luego la propagación fija D(S) a [9.,9]. También se obtiene (usando la restricción S E) que D(E) es [0.,8]. Y igual manera los dominios N, D, O, R, Y son [0.,8]. La propagación tinúa hasta obtener los siguientes dominios: D(S) = [9.,9], D(E) = [4.,7], D(N) = [5.,8], D(D) = [2.,8], D(M) = [1.,1], D(O) = [0.,0], D(R) = [2.,8], D(Y ) = [2.,8]
55 Dominios y Exploración Dado que solo tres las variables tienen valores fijos (aunque las otras variables tienen un dominio disminuído) el solver no pue terminar si el store restricciones es satisfacible o no. Para garantizar que se encuentre una solución válida se usa la exploración Básicamente, la función exploración es buscar en el dominio inicial cada variable fijando la variable a cada uno los valores 0 a 9 (backtracking). Las variables son probadas en el orn en que fueron pasadas a la exploración.
56 Dominios y Exploración La primera variable a ser asignada es S. Se prueba el primer valor l dominio inicial: 0. Este causará una falla ya que la restricción S = 0 es insistente el dominio actual S. El siguiente valor es probado: 1. Este también causa una falla. De la misma manera, los otros valores llevarán a falla hasta llegar a S = 9, el cual es sistente.
57 Dominios y Exploración Ahora la exploración trata entrar un valor para E. Primero se agrega E = 0, el cual falla. Se tinúa probando valores hasta E = 4. Por propagación se reduce D(N) a [5.,5] y D(R) a [8.,8], y se encuentra una falla ya que la variable Dno tiene un valor posible. Entonces se elimina la restricción E = 4 y se toma el siguiente valor, agregando la restricción E = 5. El proceso propagación termina entonces que N = 6, R = 8, D = 7 y Y = 2.
58 Distribución Para muchos problemas, la mayor parte l tiempo ejecución ocurre durante la ejecución la exploración. Amás, para muchos programas, la eficiencia es sinónimo eficiencia en la exploración. La estrategia distribución para reducir el espacio búsqueda y llegar a una solución rápido radica en: el orn en que las variables son exploradas, y el orn en que los valores una variable son explorados.
59 Distribución Orn las Variables Alterar el orn en las cuales las variables son exploradas pue tener un efecto dramático en el tamaño l árbol búsqueda. Un heurístico es pasar a la exploración primero aquellas variables que tengan el dominio más pequeño (variables más restrigidas).
60 Distribución Ejemplo: En el programa, cuando se va a llamar a la exploración, el rango los dominios es D(S) = [9.,9], D(E) = [4.,7], D(N) = [5.,8], D(D) = [2.,8], D(M) = [1.,1], D(O) = [0.,0], D(R) = [2.,8], D(Y ) = [2.,8]. Como las variables S, M y O tiene dominios tamaño 1, éstas variables ben ser exploradas primero. Principio la primera falla: Para tener éxito, pruebe primero don es más posible fallar
61 Distribución Orn los Valores los Dominios Las diferentes opciones los valores los dominios cambian el orn en el cual son entradas las soluciones y el orn en el cual son exploradas las ramas l árbol búsqueda. Un heurístico es escoger el valor la mitad l dominio cada variable. Combinando el principio la primera falla el heurístico anterior, reduce el espacio búsqueda mucho más.
62 Distribución Dividiendo los Dominios Las estrategias distribución, sin embargo, solo necesitan asegurar que cada variable este restringida a un dominio un solo valor ( manera que un solver incompleto pueda retornar true o false). Otra estrategia es reducir el dominio cada variable, partiendo el dominio actual en dos: por ejemplo los menores y los mayores.
63 Fin la Presentación
Tema 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 detallesRestricciones. 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 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 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 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 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 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 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 detallesConcepto de Recursión. Características de algoritmos recursivos. Ejemplos
RECURSION Temario Concepto de Recursión Características de algoritmos recursivos Ejemplos RECURSION Metodologías para resolver problemas: 1. Diseño Top Down 2. Recursión 3. Abstracción de Datos 4. Diseño
Más detallesMétodos de Ordenamiento. Unidad VI: Estructura de datos
Métodos de Ordenamiento Unidad VI: Estructura de datos Concepto de ordenación La ordenación de los datos consiste en disponer o clasificar un conjunto de datos (o una estructura) en algún determinado orden
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 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 detallesCI-6675 Algoritmos y Estructuras Optimizadas para Videojuegos
Especialización en Creación y Programación de Videojuegos CI-6675 Algoritmos y Estructuras Optimizadas para Videojuegos Agenda de hoy Juegos Combinatorios Información en un Juego La suma de un Juego s
Más detallesBases Formales de la Computación
Modal Bases Formales de la Computación Pontificia Universidad Javeriana 3 de abril de 2009 Modal LÓGICAS MODALES Contenido Modal 1 Modal 2 3 Qué es la lógica Modal? Modal Variedad de diferentes sistemas
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 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 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 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 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 detallesBinary Decision Diagrams
Rodríguez Blanco 2006-05-18 Introduccion Equivalencia Tablas de verdad eficientes Construcción de Equivalencia Tablas de verdad eficientes Equivalencia de dos fórmulas A 1 y A 2. Construir su tabla de
Más detallesLos elementos de V son los vértices (o nodos) de G y los elementos de A son las aristas (o arcos) de G.
MATERIAL TEÓRICO º Cuatrimestre Año 03 Prof. María Elena Ruiz Prof. Carlos Roberto Pérez Medina UNIDAD III: GRAFOS Definición: Llamaremos grafo a una terna G= (V, A, ϕ), donde V y A son conjuntos finitos,
Más detallesEstudiemos el siguiente problema, propuesto por Wirth y desarrollado por Dijkstra: Una lista de las primeras secuencias que cumplen es:
25. Algoritmos heurísticos 25.1 Concepto de heurística. Se denomina heurística al arte de inventar. En programación se dice que un algoritmo es heurístico cuando la solución no se determina en forma directa,
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 detallesProgramación Dinámica 1
Programación Dinámica 1 El método de programación dinámica sirve para resolver problemas combinando las soluciones de subproblemas. Normalmente es usada para resolver problemas de optimización. Al construir
Más detallesEjercicios de Arquitectura de Computadoras
Ejercicios Arquitectura Computadoras José Garzía 9 En este tipo ejercicios bemos tener siempre presentes estas tres ecuaciones: MP ( en Memoria Principal ) Cantidad en la Memoria Principal por Cantidad
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 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 detallesUniversidad de Valladolid. Departamento de informática. Campus de Segovia. Estructura de datos Tema 4: Ordenación. Prof. Montserrat Serrano Montero
Universidad de Valladolid Departamento de informática Campus de Segovia Estructura de datos Tema 4: Ordenación Prof. Montserrat Serrano Montero ÍNDICE Conceptos básicos Elección de un método Métodos directos
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 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 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 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 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 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 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 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 detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesProblemas de satisfacción de restricciones. Javier Ramírez Rodríguez Departamento de Sistemas Universidad Autónoma Metropolitana
Problemas de satisfacción de restricciones Javier Ramírez Rodríguez Departamento de Sistemas Universidad Autónoma Metropolitana La programación con restricciones (PR) ha generado gran expectación entre
Más detallesEs común al crear estructuras de datos y luego trabajar sobre las mismas, tener la necesidad de realizar búsquedas en forma más frecuente que la
Es común al crear estructuras de datos y luego trabajar sobre las mismas, tener la necesidad de realizar búsquedas en forma más frecuente que la necesidad de realizar inserciones. Por ejemplo si tenemos
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 detalles4ta. Práctica. Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta. Inteligencia Artificial Prácticas 2004/2005
4ta. Práctica Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta Inteligencia Artificial Prácticas 2004/2005 Decisiones Perfectas en Juegos de DOS Participantes Definición de Juego Estado Inicial:
Más detallesCAPITULO 6 SIMULACIONES Y RESULTADOS
CAPITULO 6 SIMULACIONES Y RESULTADOS En este capítulo se scriben las simulaciones y resultados uno las pruebas ejecutados para la evaluación la metodología propuesta para el planeamiento sistemas medición.
Más detallesUniversidad de Cantabria. Facultad de Ciencias Ingeniería en Informática. Ingeniería del Software II
Universidad de Cantabria. Facultad de Ciencias Ingeniería en Informática. Ingeniería del Software II Ejercicios del Tema 1: Construcción y Pruebas del Software Ejercicio 1 Se desean realizar pruebas de
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 detallesAlgoritmos aleatorizados
Algoritmos aleatorizados IIC2283 IIC2283 Algoritmos aleatorizados 1/109 Algoritmos aleatorizados Vamos a permitir a los algoritmos tener una componente aleatoria I En general esto significa que un algoritmo
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 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 detallesElemento crítico para la garantía de calidad del software y representa una revisión final de las especificaciones, del diseño y de la codificación.
Prueba del Software Elemento crítico para la garantía de calidad del software y representa una revisión final de las especificaciones, del diseño y de la codificación. Curso 2005/2006 Ingeniería del Software
Más detallesTEMA 5 El tipo grafo. Tipo grafo
TEMA 5 El tipo grafo PROGRAMACIÓN Y ESTRUCTURAS DE DATOS Tipo grafo 1. Concepto de grafo y terminología 2. Especificación algebraica. Representación de grafos.1. Recorrido en profundidad o DFS.2. Recorrido
Más detallesContenido: Solución algebraica a los problemas de programación lineal con el método simplex.
Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto
Más detallesALGORÍTMICA. Dpto. Ingeniería de Sistemas y Automática Facultad de Ciencias Universidad de Valladolid.
ALGORÍTMICA Dpto. Ingeniería de Sistemas y Automática Facultad de Ciencias Universidad de Valladolid. Indíce Algoritmo Elementos de un algoritmo: Variables, Constantes, Expresiones Datos: Definición y
Más detallesProgramación Dinámica
Leopoldo Taravilse Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Training Camp 2012 Leopoldo Taravilse (UBA) TC 2012 1 / 34 Contenidos 1 Recursión Principio de Optimalidad Ejemplos
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 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 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 detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
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 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 detallesGeometría Computacional. Dr. Antonio Marín Hernández
Geometría Computacional Dr. Antonio Marín Hernández Centro de Investigación en Inteligencia Artificial Universidad Veracruzana anmarin@uv.mx www.uv.mx/anmarin Contenido Introducción Intersección de segmentos
Más detallesSistemas de Ecuaciones. Lineales II
Sistemas de Ecuaciones Lineales II Factorización LU: Eliminación Gaussiana Relación con la factorización LU 521230-1 - DIM Universidad de Concepción Solución de sistemas con matriz triangular Dadas L =
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 detallesCapítulo 6. Relaciones. Continuar
Capítulo 6. Relaciones Continuar Introducción Una relación es una correspondencia entre dos elementos de dos conjuntos con ciertas propiedades. En computación las relaciones se utilizan en base de datos,
Más detallesTema I Testing Estructurado
Tema I Testing Estructurado 4ta Parte Verificación y Validación de Software UNS Contenido Testing de Unidad: Caja Negra Grafos Causa Efecto Clases de Equivalencia Valores Límite Verificación y Validación
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 detallesPROGRAMACION DE REDES. MODELOS DE TRANSPORTE
PROGRAMACION DE REDES. MODELOS DE TRANSPORTE El modelo de transporte o modelo de distribución es un ejemplo de un problema de optimización de redes. Se aplican para resolver ciertos tipos de problemas
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 detallesLección 2: Conectividad
Lección : Conectividad.Definiciones.Algoritmos de etiquetado Recursivo Secuencial.Análisis de conectividad RLE Algoritmo secuencial 8 - J. Neira Universidad de Zaragoza Conectividad Propósito: separar
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 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 detallesTecnólogo Informático- Estructuras de Datos y Algoritmos- 2009
Árboles Ejemplos de estructuras arborescentes: con forma de árbol Regla de Alcance: los objetos visibles en un procedimiento son aquellos declarados en él mismo o en cualquier ancestro de él (cualquier
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
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 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 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 detallesUNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN
UNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN Pronóstico: Mejor toma de decisiones Compañías de negocios, gobiernos ponen un gran énfasis en el
Más detallesModelos de Redes: Problemas de la Ruta más m s corta. M. En C. Eduardo Bustos Farías
Modelos de Redes: Problemas de la Ruta más m s corta M. En C. Eduardo Bustos Farías as Problemas de la Ruta más m s corta 2 Problemas de la Ruta más m s corta Se trata de encontrar la ruta de menor distancia,
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 detallesÁRBOLES DE SINTAXIS. Los nodos no terminales (nodos interiores) están rotulados por los símbolos no terminales.
ÁRBOLES DE SINTAXIS ÁRBOL grafo dirigido acíclico. Los nodos no terminales (nodos interiores) están rotulados por los símbolos no terminales. Los nodos terminales (nodos hojas) están rotulados por los
Más detallesJuegos. Esquema. Introducción: juegos como búsqueda Decisiones perfectas Decisiones imperfectas Poda α β
Juegos Transparencias IA (F29) M.Marcos, 2002 (Figuras c S.Russell & P.Norvig, 1998) 1 Esquema Introducción: juegos como búsqueda Decisiones perfectas Decisiones imperfectas Poda α β Transparencias IA
Más detallesMétodos Numéricos (SC 854) Solución de ecuaciones no lineales. 1. Definición del problema: raíces de ecuaciones no lineales
Solución de ecuaciones no lineales c M. Valenzuela 007 008 (5 de mayo de 008) 1. Definición del problema: raíces de ecuaciones no lineales Dada una ecuación de una variable independiente x, f(x) =0, (1)
Más detallesArchivo ASM. Es el documento que contiene el código fuente del programa.
ESTRUCTURA GENERAL Todo programa en ensamblador debe ser generado con extensión ASM. Al ser ensamblado se generan archivos en código objeto (OBJ) para reconocer los mnemónicos como códigos de operación.
Más detallesCircuitos con fuentes independientes de corriente y resistencias, circuitos R, I
MÉTODO DE LOS NUDOS Es un método general de análisis de circuitos que se basa en determinar los voltajes de todos los nodos del circuito respecto a un nodo de referencia. Conocidos estos voltajes se pueden
Más detallesTema 13: Aplicaciones de programación funcional
Tema 13: Aplicaciones de programación funcional Programación declarativa (2010 11) José A. Alonso Jiménez Grupo de Lógica Computacional Departamento de Ciencias de la Computación e I.A. Universidad de
Más detallesCapítulo 4 Método Algebraico
Capítulo 4 Método Algebraico Introducción En la necesidad de desarrollar un método para resolver problemas de programación lineal de más de dos variables, los matemáticos implementaron el método algebraico,
Más detallesProgramación I. Ingeniería Técnica Informática. Ejercicios de los Temas 4, 5, 6 y 7
Estructuras selectivas Programación I Ingeniería Técnica Informática Ejercicios de los Temas 4, 5, 6 y 7 24.- Elabore un programa para determinar si una hora leída en la forma horas, minutos y segundos
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 detallesPROCESADORES DE LENGUAJE EXAMEN FINAL 8-JUNIO-07
PROCESADORES DE LENGUAJE EXAMEN FINAL 8-JUNIO-07 1. En qué método de análisis sintáctico puede suceder que en la construcción del árbol de derivación de las posibles expansiones de un símbolo no terminal
Más detallesLenguajes y Compiladores Análisis Sintáctico Parte I. Teoría Lenguajes 1
Facultad de Ingeniería de Sistemas Lenguajes y Compiladores Análisis Sintáctico Parte I 1 Introducción El analizador sintáctico recibe una secuencia de tokens y decide si la secuencia está correcta o no.
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 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 detallesUNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA Escuela Técnica Superior de Ingeniería Informática Procesadores de Lenguajes. Tema 4
UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA Escuela Técnica Superior de Ingeniería Informática Procesadores de Lenguajes Tema 4 Análisis Sintáctico Ascendente Javier Vélez Reyes jvelez@lsi.uned.es Objetivos
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 detallesProgramcaión Básica. Secuencias de Control y Repetición. Arturo Vega González.
Programación Básica Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Sesión 5 Universidad de Guanajuato, DCI, Campus León 1 / 31 Universidad
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 detallesMatemáticas Avanzadas para Ingeniería: Serie de Taylor. Departamento de Matemáticas. Propiedades. Tma. Taylor. Ejemplos MA3002
MA3002 Intro Suponga una serie potencias a k (z z o ) k Para un valor z que pertenezca al interior l círculo convergencia dicha serie, el valor ĺımite la serie L es un número complejo perfectamente finido
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 detallesCurso 2012-2013 15/10/12. Inteligencia Artificial (30223) Lección 5. Juegos. Índice. Juegos. Los juegos son una forma de entorno multiagente
Inteligencia Artificial (30223) Lección 5. Juegos Curso 2012-2013 José Ángel Bañares 15/10/2013. Dpto. Informática e Ingeniería de Sistemas. Índice Juegos Decisiones optimas Poda α-β Juegos con información
Más detallesPHP: Lenguaje de programación
Francisco J. Martín Mateos Carmen Graciani Diaz Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Tipos de datos Enteros Con base decimal: 45, -43 Con base octal: 043, -054
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 detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detalles