Algoritmos y Estructuras de Datos III

2do cuatrimestre 2007

Irene Loiseau

(transparencias preparadas con la colaboracin de

Min Chih Lin)

Observaciones y advertencias:

Estas transparencias pueden cambiar un poco

antes o despus de la clase correspondiente a cada
tema.
La presentacin NO INCLUYE las
demostraciones dadas en clase. En la mayora de
los casos se incluyen slo los enunciados de los
teoremas.
Tambin puede haber algn ejemplo o resultado
que se de en clase y no est las transparencias.
Parte de los temas del prctico 7 (PERT_ CPM)
todava no estn incluidos en la presentacin.

PROGRAMA
1. ALGORITMOS:
Definicin de algoritmo. Modelos de computacin: modelo RAM, Mquina de Turing.
Complejidad, definicin, complejidad en el peor caso, en el caso promedio. Algoritmos de
tiempo polinomial y no polinomial. Lmite inferior. Ejemplo: anlisis de algoritmos de
ordenamiento. Algortimos recursivos. Anlisis de la complejidad de algoritmos recursivos.
Tcnicas de diseo de algoritmos: dividir y conquistar, backtracking, algoritmos golosos,
programacin dinmica.
Algoritmos probabilsticos. Algoritmos aproximados Algoritmos heursticos: ejemplos.
Metaheursticas. Nociones de evaluacin de heursticas.
2. GRAFOS:
Definiciones bsicas. Adyacencia, grado de un nodo, isomorfismos, caminos, conexin, etc.
Grafos eulerianos y hamiltonianos. Grafos bipartitos. Arboles: caracterizacin, rboles
orientados, rbol generador. Enumeracin. Planaridad. Coloreo. Nmero cromtico.
Matching, conjunto independiente, recubrimiento. Recubrimiento de aristas y vrtices.

3. ALGORITMOS EN GRAFOS Y APLICACIONES:

Representacin de un grafo en la computadora: matrices de incidencia y adyacencia, listas.
Algoritmos de bsqueda en grafos: BFS, DFS, A*. Mnimo rbol generador, algoritmos de Prim
y Kruskal. Arboles ordenados: cdigos unvocamente descifrables. Algoritmos para
deteccin de circuitos. Algoritmos para encontrar el camino mnimo en un grafo: Dijkstra,
Ford, Floyd, Dantzig. Planificacin de procesos: PERT/CPM.
. Heursticas para el problema del viajante de comercio. Algoritmos para determinar si un grafo
es planar. Algoritmos para coloreo de grafos.
Algoritmos para encontrar el flujo mximo en una red: Ford y Fulkerson. Matching: algoritmos
para correspondencias mximas en grafos bipartitos. Otras aplicaciones.
4. PROBLEMAS NP-COMPLETOS:
Problemas tratables e intratables. Problemas de decisin. P y NP. Maquinas de Turing no
determinsticas. Problemas NP-completos. Relacin entre P y NP. Problemas de grafos NPcompletos: coloreo de grafos, grafos hamiltonianos, recubrimiento mnimo de las aristas,
corte mximo, etc.

BIBLIOGRAFIA
BIBLIOGRAFA BSICA :

Brassard,G., Bratley,P.Fundamental of Algorithmics, Prentice Hall,1996.

Cormen, T.,Leiserson, C.,Rivest,R.,Stein, C.,Introduction to Algorithms, The
MIT Press, McGraw-Hill,2001.
Garey M.R. and Johnson D.S.: Computers and intractability: a guide to the
theory of NP- Completeness, W. Freeman and Co., 1979.
Gross,J., and Yellen, J. ,Graph theory and its applications, CRC, 1999
Harary F., Graph theory, Addison-Wesley, 1969.

BIBLIOGRAFA DE CONSULTA : ver en la pgina WEB de la materia y en el

el archivo de las prcticas.

ALGORITMOS

Qu es un algoritmo ?
Qu es un buen algoritmo?
Dados dos algoritmos para resolver un mismo problema, cul
es mejor?
Cundo un problema est bien resuelto?
Cmo se hace para inventar un nuevo algoritmo?

Qu es un algoritmo?
Nocin informal:
Un algoritmo es una sucesin finita de instrucciones bien definidas tal
que:
i) No hay ambigedad en las instrucciones.
ii) Despus de ejecutar una instruccin no hay ambigedad respecto de
cual es la instruccin que debe ejecutarse a continuacin.
iii) Despus de un nmero finito de instrucciones ejecutadas se llega
siempre a la instruccin STOP (Un algoritmo siempre para).

PROBLEMA
instancia de un problema
datos de entrada de una instancia (E)
solucin (S)
ALGORITMO:
tcnica para la resolucin de un problema
funcin f tal que f (E) = S

Problema de Collatz
Paso 1: z nmero entero positivo
Paso 2: mientras z 1 hacer
Paso 3: Si z es par poner z = : z / 2
En caso contrario poner z =: 3 z +1
Paso 4: parar
=====================================
es esto un algoritmo?

 Cunto tarda un algoritmo en resolver un

problema?
Cundo un algoritmo que resuelve un problema es
mejor que otro que resuelve el mismo problema?

Complejidad Computacional

Complejidad
La complejidad de un algoritmo es una funcin que
calcula el tiempo de ejecucin en funcin del
tamao de la entrada de un problema.
Historia
Complejidad en el peor caso (es siempre significativo el
peor caso?)
Complejidad en el caso promedio (porqu no usamos este
enfoque siempre?)

Cmo medir el tiempo de ejecucin en funcin del

tamao de la entrada de los datos del problema?

MODELOS DE COMPUTACION
RAM
MAQUINA DE TURING

RANDOM ACCESS MACHINE

Es el modelo que usamos implcitamente en la prctica para
evaluar la complejidad de un algoritmo.
==================================================
unidad de memoria
unidad de entrada
procesador
unidad de salida
conjunto de instrucciones
====================================================
Un programa RAM es una secuencia finita de estas instrucciones

Esquema de una mquina RAM

memoria

Salida
entrada

procesador

En este modelo suponemos que:

La unidad es una cinta de cuadrados en cada uno de los cuales se puede

almacenar un entero.
La memorias es una sucecin de registros, cada uno de los cuales
puede almacenar un entero de tamao arbitrario. Los clculos se hacen
en el primero de ellos, r0.
El programa no se almacena en en la memoria y no se modifica a si
mismo.
El conjunto de instrucciones es similar al de las computadoras reales
Este modelo sirve para modelar situacines donde tenemos memoria
suficiente para almacenar el problema y donde los enteros que se usan
en los clculos entran en una palabra.

Ejemplo
( sacado del libro de Aho, Hopcroft y Ullmann)
Ejemplo de tabla de instrucciones de una mquina RAM
LOAD
STORE
ADD
SUB
MULT
DIV
READ
WRITE
JUMP
JGTZ
JZERO
HALT

operador
operador
operador
operador
operador
operador
operador
operador
label
label
label

Ejemplo de un programa para calcula nn en esta mquina RAM

=====================
READ
1
LOAD
1
JGTZ
pos
WRITE = 0
JUMP endif
pos
LOAD
1
STORE 2
LOAD
1
SUB
=1
STORE
3
while LOAD
3
JGTZ
continue
JUMP
endwhile
continue LOAD 2
MULT 1
STORE 2
LOAD
3
SUB
=1
STORE
3
JUMP
while
endwhile WRITE 2
endif
HALT

leer r1
si r1 0 entonces write 0

r2 -- r1

r3 -- r1 -1 .

mientras r3 > 0 hacer .

r2 -- r2 * r1 .

r2 -- r2 * r1

write r2

Cmo calculamos la complejidad de un algoritmo con este

modelo?
tj : tiempo de ejecucin de la instruccin j.
T: tiempo de ejecucin de un programa que ejecuta nj instrucciones de
tipo j.

T = j nj tj
Si suponemos que todos los tj son iguales tenemos
T = j n j

---------------------------------------------------------------------------Esta es el modelo que usamos implcitamente cuando calculamos

la complejidad de un algoritmo en la prctica

Mquina de Turing

(determinstica)

Componentes de una mquina de Turing

===========================================================
Cinta infinita dividida en celdas iguales que pueden contener un nico smbolo
de un alfabeto finito T.
Cabeza de lectura escritura que apunta a una de las celdas.
lista finita de estados posibles {qi}. Hay al menos un estado final.

operaciones:
i) lectura del smbolo ti inscripto en la celda sealada por la cabeza.
ii) guardar en esta celda el smbolo tf determinado por qi.
iii) transicin al estado qf determinado por ti y qi .

iv) movimiento de la cabeza de lectura/escritura a izquierda o derecha.

V) inicio de un nuevo ciclo,. Para cuando llega a un estado final.
==========================================================

Un programa correspondiente a esta mquina de Turing es un

conjunto finito de quintuplas (qi,ti,qf, tf, m).
La instruccin (qi,ti,qf, tf, m) se interpreta como:
si la mquina est en el estado qi y lee en la posicin actual
de la cabeza de lectora el smbolo del alfabeto ti , entonces
escribe en dicha posicin el smbolo ts , pasa al estado qs y
se mueve a la izquierda o a la derecha segn el valor de m
sea -1 +1 .

Ejemplo
Mquina de Turing para resolver el problema de determinar si
dados N y M con M > 1, N es divisible por M.

Alfabeto T = { A, B, 0, 1, 2 }
Se almacenan en la cinta M y N codificados en base 1, separados
por el smbolo B y con el smbolo A marcando el fin del nmero.
Estado inicial: q0
Estados posibles Q = {q0, q1 ,q2,qs, qn}

Estados finales: qs, qn

Programa
Instrucciones
(q0, A,, q2 , A , + 1)

(q1, A,, qn , * , *)

(q2, A,, qs , * , *)

(q0, B,, q0 , B , - 1)

(q1, B,, q1 , B , + 1)

(q2, B,, q2 , B , + 1)

(q0, 0 , q0 , 0 , - 1)

(q1, 0,, q1 , 0 , + 1)

(q2, 0, q2 , 0 , + 1)

(q0, 1 , q1 , 2 , + 1)

(q1, 1 , q0 , 0 , - 1)

(q2, 1 , q0 , 1 , -1)

(q0, 2, q0 , 2 , -1)

(q1, 2 , q1 , 2 , + 1)

(q2, 2, q2 , 1 , + 1)

Cmo funciona esto?.

Usar esta mquina para decidir si 5 es divisible por 3.

 Cmo se calcula la complejidad de un algoritmo

representado por una mquina de Turing?.

Formalmente un algoritmo es un objeto asociado a una mquina de

Turing que resuelve un determinado problema. La complejidad del
mismo debera ser calculada en funcin del mismo.

En la prctica sin embargo usaremos una nocin un poco menos formal

de algoritmo y tambin para determinar la complejidad de un
algoritmo, que se parece ms al modelo RAM.

Desde el punto de vista prctico ambos enfoques han mostrado ser

equivalentes.

Determinaremos la complejidad contando la cantidad de operaciones

bsicas de alto nivel que realiza el algoritmo, en funcin del tamao
del problema.

Es correcto esto?. Puede ser peligroso?

Repasando notaciones
Dadas dos funciones f y g : N+ R decimos que:
f(n) = O (g(n)) si c> 0 y n0 N tal que f(n) c g(n)
n > n0 .
f(n) = (g(n)) si c> 0 y n0 N tal que f(n) > c g(n)
n > n0 .
f(n) = (g(n)) si c,c> 0 y n0 N tal que
c g(n) f(n) c g(n)

n > n0

Si f(n) = O (g(n)) se dice que f es de orden g(n).

Tamao de la entrada de un problema

Nmero de smbolos de un alfabeto finito necesarios para
codificar todos los datos de un problema.
El tamao de la entrada de un problema depende de la base o
alfabeto elegidos.

para almacenar un entero positivo N en base 2 se necesitan

L =log2(N+1) dgitos binarios.

en una base b cualquiera se necesitan L =logb(N+1)

si a y b 1 entonces logb N = loga N / loga b

qu implica esto desde el punto de vista de la complejidad de
un algoritmo?

Podemos considerar distintos modelos para determinar la

complejidad en funcin del tamao de la entrada del
problema.
Modelo uniforme: suponemos que los valores a almacenar
estn acotados.
Modelo logartmico: consideramos la representacin binaria
de los nmeros a almacenar, o sea medimos el tamao de la
entrada en bits.
Qu consecuencias puede tener usar uno u otro modelo?

Cundo decimos que un algoritmo es bueno?

Armemos esta tabla..... supongamos que tenemos algoritmos con las
siguientes complejidades y los corremos en la misma mquina
(los tiempos estn dados en segundos )
10
n 0.00001
n2
n3
n5
2n
3n

20
0.00002

30
0.00003

40
0.00004

50
0.00005

60
0.00006

La tabla queda as..

(los tiempos estn dados en segundos salvo cuando dice otra cosa)

10
n 0.00001
n2 0.0001
n3 0.001
n5 0.1
2n 0.001
3n 0.59

20
0.00002
0.0004
0.008
3.2
1.0
58 min

30
0.00003
0.0009
0.027
24.3
17.9min
6.5aos

40
0.00004
0.0016
0.064
1.7 min
12.7das
3855siglos

50
0.00005
90.0025
0.125
5.2 min
35.6 aos
2 E+8 siglos

60
0.00006
0.0036
0.216
13.0
366 siglos
1.3 E+13 siglos

Los datos de la tabla anterior corresponden a una mquina muy vieja

(datos del libro de Garey y Johnson de 1979).
Qu pasa si tenemos una mquina 1000 veces ms rpida?. Un milln de
veces ms rpida?.
Cul sera el tamao del problema que podemos resolver en una hora
comparado con el problema que podemos resolver ahora?.
n
n2
n3
n5
2n
3n

actual
N1
N2
N3
N4
N5
N6

computadora 1000 veces mas rpida

1000 N1
31.6 N2
10 N3
3.98 N4
N5 + 9.97
N6 + 6.29

Qu pasara si tuviramos una computadora 1 milln de veces ms

rpida?

Cundo diremos entonces que un algoritmo es bueno?.

Cundo un algoritmo es suficientemente eficiente para ser
usado en la prctica?

=============================
POLINOMIAL = bueno
EXPONENCIAL = malo
=============================

Qu pasa si tengo complejidades como las siguientes?:

n 80
1.001n
esto no ocurre en la prctica

Puede ocurrir que un algoritmo sea malo en el peor caso y

bueno en la prctica?.
Hay muy pocos casos.
Ejemplo clsico:
mtodo simplex para problemas de programacin lineal.
En el peor caso es exponencial pero en la prctica el tiempo de ejecucin
es generalmente O(m3) donde m es el nmero de ecuaciones del
problema de programacin lineal (es un mtodo MUY usado en la
industria y los servicios para resolver problemas de optimizacin
desde hace 50 aos)

Cundo decimos que un problema est

computacionalmente bien resuelto?
Cundo hay un algoritmo polinomial para resolverlo.

Como veremos ms adelante hay problemas para los cuales no

sabemos si existe o no un algoritmo polinomial para
resolverlos. Saber si una gran familia de estos problemas
tiene solucin polinomial o no es el problema abierto ms
importante de teora de la computacin.......
continuar en el ltimo captulo del curso.......

Ejemplos de algunos algoritmos conocidos

Calculo de determinantes
Sea una matriz M = (aij ) y sea Mij la submatriz de M que se
obtiene sacando de M la fila i y la columna j.
Frmula recursiva para calcular el determinante:
(desarrollo por la primera fila)
det (M) = j (- 1) j+1 a ij det (M 1j)

Complejidad de este mtodo?.

Se puede calcular usando la frmula recursiva que se deduce de
la versin recursiva que dimos del algoritmo:
t(n) = n t(n - 1) + O (n)
Complejidad O(n!)
Hay mtodos ms eficientes de calcular el determinante de una
matriz?.
SI (triangular la matriz por el mtodo de Gauss y calcular el producto de la diagonal)

Est este problema bien resuelto computacionalmente?.

Bsqueda secuencial
Datos: n, b, (a1,a2,.............an)
Paso 1: para i = 1,n hacer
if b = ai parar
Paso 2 : parar
=========================
Complejidad?

Bsqueda Binaria
Function Bin (T,x)
si n = 0 o x < T entonces return
i1
jn
mientras i < j hacer
k (i+j+1)/2
si x < T (k) entonces j k-1
sino i k
return i
=========================
Complejidad?

Algoritmos de ordenamiento
Algoritmo de burbujeo
Datos: (a1,a2, ...................an)
Paso 0: poner k = n
Paso 1: mientras k 1 hacer
Paso 2: poner i = 1
Paso 3: mientras i k hacer
Paso 4 : si ai > ai+1 cambiar ai con ai+1
Paso 5: poner i = i + 1
Paso 6 : poner k = k -1
Paso 7 : parar
=========================
Complejidad?

Heap sort
Heap: rbol binario casi completo, donde cada nodo tiene
asignado un valor de forma que el valor de un nodo es mejor
(mayor) que el de sus hijos.
Puede ser representado por un arreglo T en el cual los nodos del
nivel k se guardan en las posiciones
T [2k], T [2k+1], ................T [2k+1-1]

ejemplo

T [1]
T [2]
T [4]
T [8]

T [9]

T [3]
T [5]

T [10]

T [6]

T [7]

Ordenar T = [1, 6, 9, 2, 7, 5, 2, 7, 4, 10] usando Heapsort.

10

Algoritmo Make-Heap
Dado un arreglo T los siguientes procedimientos nos permiten ordenarlo:
procedure sift-down(T [1..n], i)
(baja el nodo i hasta que T [1..n] vuelve a ser un heap, suponiendo que
T sea suficientemente grande para ser un heap (caso base?)
ki
repetir mientras j k
jk
if 2j n y T [2j ] > T [k ] entonces k 2j
if 2j < n y T [2j +1 ] > T [k ] entonces k 2j + 1
intercambiar T [j ] y T [k ]
fin

procedure make-heap (T [1..n])

(arma el heap)
para i = n /2 ....1 hacer sift-down (T,i)
fin

procedure heapsort ((T [1..n])

(ordena T)
make-heap (T)
para i = n , 2 hacer
intercambiar T [1] y T [i]
sift-down(T [1..i-1], 1)
fin

Complejidad de make-heap
Cmo calcular t(k), complejidad de armar un heap de altura k?
Podemos plantear la siguiente formula recursiva para la
complejidad:
t(k) = 2 t (k-1) + O (k)
entonces
t(k) = O (2k)
Cmo un heap de n elementos tiene altura log n entonces
puede ser construido en en O(2 log n ) pasos o sea en tiempo
lineal.

Cul es la complejidad de Heapsort?

Lmite inferior para la complejidad de un

algoritmo

Cundo se puede obtener?

Importancia

EJEMPLO: algoritmos de ordenamiento basados en

comparaciones. Se pueden modelar por un rbol binario de
decisin. Los estados finales del algoritmos estn
representados en las hojas.
Entonces nro de hojas n! Como el rbol es binario, nro de
hojas 2h
(h altural del rbol) y 2h n! . Entonces
h log2 (n!) = log2 (n (n-1)....2. 1) > log2 (n (n-1)....n/2) > log2
n /2 (n/2) =
= n/2 (log2 n - 1) ) = (n log2 n )
Conclusin: HEAPSORT es ptimo dentro de este tipo de
algoritmos.

Tcnicas de diseo de algoritmos

Algoritmos golosos
Dividir y conquistar
Recursividad
Programacin dinmica
Backtracking
Algoritmos Probabilsticos

Algoritmos Golosos
Se usan principalmente para problemas de optimizacin.
Componentes:

Lista o conjunto de candidatos

Conjunto de candidatos ya usados
Funcin que verifica si un conjunto de candidatos da una solucin al
problema.
Funcin que verifica si un conjunto de candidatos es hasta el momento
factible.
Funcin de seleccin
Funcin objetivo

--------------------------------------------------------------------------------Funcin GREEDY (C)

{C es el conjunto de candidatos}
S ------
Mientras NOT solucin(S) y C hacer
x -------------------- elemento que maximice select (x)
C <-------------------- C \ {x}
Si S U {x} es factible entonces s --------- S U {x}
Si solucin(S) entonces RETURN S
sino RETURN no hay solucin
---------------------------------------------------------------------------------

Qu hacen las funciones solucin(S) y select (x) ?

Minimizar el tiempo de espera en un sistema

Un servidor tiene n clientes para atender. Se sabe que el
tiempo requerido para atender cada cliente i es ti. Se
quiere minimizar
T = i (tiempo que i est en el sistema)
El algoritmo goloso que atiende al cliente que requiere el
menor tiempo de atencin entre los que an estn en la
cola resuelve el problema. (hay que demostrarlo)

Supongamos que I = ( i1,i2,......in) es una permutacin de los

enteros {1,2....n}. Si los clientes son atendidos en el orden I
entonces
T = ti1 + (ti1+ ti2) + (ti1 + ti2 + ti3) + ......
= k (n-k+1) tik
Usando esta expresin podemos probar que el algoritmo goloso
es correcto..

Supongamos que en I hay dos enteros a y b con a < b y tal que tia > tib.
O sea el cliente a es atendido antes que el b, a pesar de que el primero
requiere mas tiempo de servicio. Si intercambiamos cambiamos las
posiciones de a y b tenemos un nuevo orden I para el cual
T (I) = (n-a + 1) tib +(n-b+1) tia + ka,b (n-k+1) tik
Entonces
T(I) T ( I) = (n-a + 1) (tia - tib ) +(n-b+1) (tib - tia )=
= (b-a) (tia - tib ) > 0
Vemos que podemos seguir mejorando el valor de T intercambiando el
orden de los clientes hasta obtener el orden ptimo dado por el
algoritmo goloso.

==================================
Cul es la complejidad de este algoritmo?

Planificacin de tareas
Hay n tareas que deben ser ejecutadas cada una de las cuales
requiere una unidad de tiempo. En cada momento se puede
ejecutar una sola tarea.
Cada tarea i produce un beneficios gi y debe ser ejecutada antes del
tiempo di.
Ejemplo con n = 4

i
gi
di

1
50
2

2
10
1

3
15
2

4
30
1

Algoritmo goloso para este problema

En cada paso elegir para ejecutar la tarea an no realizada que
produce el mayor beneficio, siempre y cuando el conjunto de
tareas resultante sea factible.

Cmo se ve que un conjunto de tareas es factible?.

Cuando hay un ordenamiento de esas tareas que permite
ejecutarlas a todas a tiempo.

Lema: sea J un conjunto de tareas y s = (s1, s2,, sk) una

permutacin de dichas tareas tal que
ds1 ds2 dsk
J es factible si y slo si s tambin lo es.
Dem: obvio.
Si J es factible existe al menos una sucesin de los trabajos
= (r1, r2,.rk) tal que dri i, para 1 i k.
Si fuera s , sea a el menor ndice tal que sa ra y sea b el ndice tal que
r b = sa .
Claramente b > a y dra dsa = drb.
Entonces el trabajo ra podra ser ejecutado ms tarde en el lugar de rb y
este ltimo en el lugar de ra. Si los cambiamos en tenemos una
sucesin factible que tiene un trabajo ms en coincidencia con s.
Repitiendo este procedimiento podemos llegar a obtener s y ver
entonces que es factible.

Lema: Este algoritmo goloso obtiene la solucin ptima para

este problema de planificacin de tareas.
Dem: Supongamos que el conjunto I elegido por el algoritmo
goloso es distinto de un conjunto J ptimo. Sean SI y Sj dos
sucesiones factibles para estos conjuntos.
Hacemos intercambios de modo de obtener dos sucesiones
factibles SI y Sj tal que los trabajos comunes en ambas
secuencias sean ejecutados en el mismo momento (pueden
quedar gaps en alguna de las planificaciones).

O sea si tenemos las secuencias

SI

p y q x r - - -

SJ

r s t p u v q w

podemos reordenarlas de la siguiente forma

SI
SJ

x y - p r - q u s t p r v q w

(En SI y SJ se siguen respetando los tiempos de entrega di)

Como hemos supuesto que los conjuntos I y J son distintos,

consideremos ahora un momento en el cual la tarea que est
programada en SI es distinta de la programada en Sj :
Si una tarea a est programada en SI y en Sj hay un gap (la
tarea no pertenece a J) entonces J {a} sera mejor que J,
absurdo porque J es ptimo.
Si alguna tarea b est programada en Sj y en SI hay un gap
entonces I {b} es factible y por lo tanto el algoritmo
goloso tendra que haber includo a b y no lo hizo.

 La ltima posibilidad es que haya una tarea a programada en

SI y otra b en Sj. Esto implica que a no aparece en J y b no
aparece en I :
- si fuera ga > gb se podra substituir a por b en J y
mejorar a J (absurdo porque J era ptimo).
- si fuera fuera gb > ga el algoritmo goloso tendra que
haber elegido a b antes de considerar a.
- entonces gb = ga
Por lo tanto SI y Sj tienen programadas en cada momento, o
ninguna tarea, la misma tarea o distintas tareas que dan el
mismo beneficio. Y entonces como J era ptimo I tambin lo
es.

Algoritmo goloso
(se supone que las tareas estn numeradas de modo que g1 g2 .. gn)
------------------------------------------------------------------Funcin sequence (d[0n])
d[0], j[0] --------- 0
k, j[1] ------1
Para i= 1,n hacer
r <-k
mientras d[j [r]] > max ( d(i),r) hacer r = r-1
si d[j [r]] d[i] y d[i] > r entonces
para l=k-1, r+1 hacer j[l+1] = j[l]
j[r+1] ---------i
k ---- k+1
Return k, j[1,.k]
------------------------------------------------------------------

El algoritmo se puede mejorar un poco, cambiando la forma de

verificar cuando un conjunto de tareas es factible.
Podemos determinar un conjunto factible de tareas de una forma ms
eficiente usando el siguiente lema:
Lema: Un conjunto de tareas es factible si y slo si podemos construir una
secuencia factible que incluya todos los trabajos de la siguiente forma: para
cada trabajo i J ejecutar i en el momento t, donde t es el mayor entero tal que
0 < t min (n,di) y en el momento t no se ha decidido que trabajo hacer.
Ejercicio: Demostrar este lema. Escribir un algoritmo ms eficiente que el anterior
basado en este lema.

Problema de la mochila
Quiero decidir cules son los elementos que tengo que elegir para llevar en la mochila
para maximizar mi beneficio respetando la restriccin de capacidad de la misma.
Max z =j cj xj
sujeto a que

j aj xj b
xj N+

b : capacidad de la mochila
cj : beneficio de llevar una unidad del elemento j
aj : peso del elemento j
b, cj , aj positivos

En esta primera versin del problema de la mochila vamos a

suponer que podemos llevar a lo sumo un objeto de cada tipo
o partes de los mismos, es decir que consideraremos que
las variables xj son reales positivas, o sea queremos resolver
el siguiente problema:
Max j cj xj
sujeto a que
j aj xj b
0 xj 1

Ejemplo:
n = 5, b = 100 y los beneficios y pesos estn dados en la tabla

aj

10

30

20

50

40

cj

20

66

30

60

40

Posibles ideas para un algoritmo goloso para este problema:

Elegir los objetos en orden decreciente de su beneficio.

Elegir los objetos en orden creciente de su peso..

Sirven estas ideas?. Dan el resultado correcto?

Que pasa si ordenamos los objetos por su relacin

peso/beneficio? O sea en orden decreciente de los
cj /aj ?.
Lema: Si los objetos se eligen en el orden decreciente de los valores cj /aj
entonces el algoritmo goloso encuentra la solucin ptima al problema
de la mochila con variables continuas.
Dem: supongamos que tenemos los elementos ordenados en orden
decreciente de su relacin cj /aj . Sea X = (x1,xn) la solucin
encontrada por el algoritmo goloso. Si todos los xi son 1 la solucin es
ptima. Sino sea j el menor ndice tal que sea xj < 1.
Es claro que xi = 1 para i < j y que xi = 0 para i > j y que
ai xi = b

Sea V(X) = ci xi el valor de la solucin dada por el algoritmo goloso.

Sea Y = (y1yn) otra solucin cualquiera factible. Se puede ver que
( x i y i ) ai 0
Adems para todo ndice i se verifica que
( xi yi ) ci /ai ( xi yi ) cj /aj
entonces
V (X) V ( Y ) = ( xi yi ) ci = ( xi yi ) aici /ai
(cj / aj ) ( xi yi ) ai 0
O sea el valor de la solucin determinada por el algoritmo goloso es
mejor o igual al valor de cualquier otra solucin.

Veamos que ocurre en el caso de que las variables xj tengan que tomar valores
enteros (como ocurre en la prctica, es decir cuando no podemos llevar un
pedazo de un objeto).

Algoritmo goloso para el problema de la mochila

con variables enteras nonegativas:
---------------------------------------------- Ordenar los elementos de forma que
cj / aj cj+1 / aj+1
Mientras b 0 hacer
xj = b / aj
b = b aj xj
z = z + cj xj
Parar
------------------------------------------------

Cuando las variables son enteras este algoritmo

goloso no da siempre la solucin ptima para el
problema de la mochila.
Ejemplo: tenemos una mochila de tamao 10 y 3
objetos, uno de peso 6 y valor 8, y dos de peso 5 y
valor 5.
En el caso de variables enteras el algoritmo goloso
que presentamos puede considerarse como una
heurstica para resolver el problema.

Dividir y conquistar
ESQUEMA GENERAL:
-------------------------------------------------------------------------------Funcin DQ (x)
Si x es suficientemente chico o simple entonces return
ADHOC(x)
Sino, descomponer x en subinstancias x1.xk .
Para i=1,k hacer yi = DQ (xi)
Combinar las soluciones yi para construir una solucin y
para x
Return y
--------------------------------------------

Recursividad, Caso Base

Ejemplos:

Bsqueda binaria
Merge Sort
Quick Sort
Algoritmo de multiplicacin de Strassen

Cmo calcular la complejidad de estos algoritmos?.

Ecuaciones de recurrencia.

Algoritmo de multiplicacin de Strassen

Cmo calcular el producto de dos matrices de dos por dos
usando menos multiplicaciones que con el mtodo
tradicional.
Dadas dos matrices
A = a11 a12

a21 a22

podemos poner

B = b11 b12
b21 b22

m1 = (a21 + a 22 a 11 ) (b22 - b 12 + b 11 )
m2 = a11 b11
m3 = a12 b21
m4 = (a 11 a 21 ) (b 22 b 12 )
m5 = (a21 + a 22 ) (b 12 b 11 )
m6 = (a12 - a 21 + a11 a 22 ) b22
m7 = a22 ( b11 + b22 - b 12 b 21 )
Entonces el producto AB queda:
m2 + m3
m1 + m2 + m5 + m6
m1 + m2 + m4 m7 m1 + m2 + m4 + m5
Este procedimiento requiere 7 multiplicaciones para cacular el producto
de A y B (pero ms sumas que el mtodo tradicional!!).

 Si reemplazamos cada elemento de A y B por una matriz de

n x n, las frmulas anteriores nos dan una forma de
multiplicar dos 2n X 2n matrices.
A partir de esto tenemos un mtodo recursivo para calcular el
producto de matrices con n potencia de 2.
Cmo se calcula para n par, la complejidad t(n) de este
algoritmo?.
t(n) = 7 t(n/2) + g(n)

con g(n) O(n2)

Se puede demostrar que t(n) (n log 7) y por lo tanto t(n) O

(n 2.81). (ejercicio)
Este mtodo se puede generalizar tambin a matrices cuyas
dimensiones no sean de la forma 2 n.

Backtracking
Tcnica para recorrer sistemticamente todas las posibles
configuraciones de un espacio. Puede pensarse tambin que es
una tcnica para explorar implcitamente rboles dirigidos (o
grafos dirigidos en general pero sin ciclos).
Procedure backtrack (v[1.k])
{v es un vector k-prometedor }
si v es una solucin al problema entonces escribir v
sino para cada vector k+1-prometedor w tal que
w[1k] = v[1k] hacer backtrack (w[1k+1])
===============================================
No necesariamente exploramos todas las ramas del rbol : poda

Problema de las 8 reinas

Ubicar 8 reinas en el tablero de ajedrez sin que ninguna
amenace a otra.
Cuntas operaciones tenemos que hacer si consideramos todas
las combinaciones del tablero tomadas de a 8 y despus vemos
cuales sirven?
64 = 442616536
8

Si mejoramos esto usando la representacin

(i1, i2, i3 ,i4, i5 ,i6,i7 ,i8 ) donde ij indica que hay una reina en la
columna j y la fila ij y analizamos cuales son factibles o no.
cuntas operaciones tendremos?.
8 8 = 16777216
(se encuentra una solucin despus de revisar slo 1299 852 posiciones)

 Si vemos que dos reinas no pueden estar ni en la misma fila

ni en la misma columna vemos que en realidad podemos
representar el problema mediante las permutaciones de
(1,2,3,4,5,6,7,8). Cuntas operaciones tenemos en este
caso?.
8! = 40320
(implementando este algoritmo podemos ver que hay que
revisar 2830 posiciones hasta encontrar una primera
solucin)

Algoritmo de bactracking
Decimos que un arreglo V de los enteros 1 a 8 es k-prometedor
si ninguna de las reinas ubicadas en las posiciones (1, v(1)),
(2,v(2)), (3,v(3)),..(k,v(k)), 1 k n amenaza a las otras.
O sea v es k-prometedor si para todo ij entre 1 y k, tenemos
que v(i) v(j) {i-j,0,j-i}.
Un vector 8-prometedor es solucin del problema de las 8
reinas.

Algoritmo de bactracking
-----------------------------------------------------------------------------------Procedimiento Queens (k, col, diag45, diag 135)
{Try[1,k] es k-prometedor, col = {try [i], 1 i k}
diag45 = {try [i]-i +1, 1 i k}
diag135 = {try [i] + i - 1, 1 i k}}
Si k = 8
entonces {una 8-prometedora solucin es solucin}. Return try
Sino {explorar las k+1 extensiones de try}
Para k=1,8
si j col y j-k diag45 y j+k diag135 entonces
try[k+1] --j
{try [1,.k+1] es k+1 prometedor}
Queens (k+1, col U {j}, diag45 U {j}, diag135 U {j+k}
-------------------------------------------------------------------------------------

 Se puede ver computacionalmente que este rbol de

bactracking tiene 2057 nodos y que es suficiente explorar
114 para encontrar la primera solucin. (Cmo se hace para
calcular esto?).

Cul es la complejidad de este algoritmo de

bactracking?

Ejercicio: Mostrar un valor de n 2 para el cual el problema

de las n reinas no tiene solucin.

Otros ejemplos
Encontrar, usando backtracking todas las soluciones enteras de
x1+ x2 + x3 10
1 xi 4

i =1,2,3

Escribir algoritmos de backtracking (con poda

cuando se pueda) para los siguiente problemas:
Encontrar una solucin para el siguiente puzzle: hay 4 cubos
tales que cada una de las 24 caras de los mismos estn
coloreadas de azul, rojo, verde y blanco. El juego consiste en
ubicar los cubos en hilera de modo que cada color aparezca
una vez arriba, otra abajo, otra en el frente y otra en la parte
de atrs.
Un desarreglo de un conjunto de nmeros {1,n} es una
permutacin p de dichos nmeros tal que ninguno de ellos
queda en la posicin indicada por su valor, es decir, p(i) i
para todo 1 i n .

Programacin Dinmica

Tcnica bottom- up

Principio de optimalidad : un problema de optimizacin satisface el

principio de optimalidad si en una sucesin ptima de decisiones o
elecciones, cada subsucesin es a su vez ptima. (es necesario que se
cumpla para poder usar la tcnica de programacin dinmica, no todos los
problemas lo cumplen)

Ejemplos:

Coeficientes binomiales
Producto de matrices
Comparacin de secuencias de ADN
Subsecuencia creciente mxima
Arbol de bsqueda ptimo
etc.

Clculo de coeficientes binomiales

Supongamos que queremos calcular los coeficientes binomiales
usando la siguiente funcin (divide and conquer):
--------------------------Funcin C(n,k)
si k = 0 or k = n entonces return 1
sino return C (n-1, k-1) + C (n-1, k)
---------------------------Es eficiente calcular as?.
No, los mismos valores de C(n,k) son calculados varias veces.
Cul es la complejidad de este algoritmo?.
( n )
k

Tringulo de Pascal
0

k-1

n-1

..

C(n-1, k-1)

C(n-1, k)

C (n,k)

Cul es la complejidad de este algoritmo?.

Cunta memoria requiere?. Hay que guardar en memoria toda
la tabla?.

 La frmula que usamos aqu es la misma que

en el algoritmo divide and conquer, pero ac
no calculamos varias veces lo mismo.
Tenemos entonces una complejidad de O(nk).

Problema de la multiplicacin de n matrices

Queremos ver la forma ptima de calcular
M= M1 M2 M3. Mn
Por la propiedad asociativa del producto de matrices esto puede
hacerse de muchas formas. Queremos determinar la que
minimiza el nmero de operaciones necesarias.
Vale el principio de optimalidad ac?

Ejemplo: supongamos que A es de 13 x5, B de 5 x 89 , C de 89 x 3

y D de 3 x 34.
((AB)C)D requiere 10582 multiplicaciones
(AB)(CD) requiere 54201 multiplicaciones
(A(BC))D requiere 2856 multiplicaciones
A((BC)D) requiere 4055 multiplicaciones
A(B(CD)) requiere 26418 multiplicaciones

Para ver cul es la forma ptima de multiplicar deberamos

analizar todas las formas posibles de poner los parntesis y ver
cual es la mejor.
Sea M =( M1 M2 M3. Mi)(Mi+1 M i+2. Mn)
Sea T(i) la cantidad de formas de poner los parntesis en el lado
derecho y T(n-i) en el lado izquierdo. Entonces para cada i hay
T(i)T(n-i) formas de poner los parntesis para toda la expresin
y
T(n) = i T(i) T(n-i)
A partir de que T(1) =1 se puede calcular la expresin para
cualquier n. (nmeros catalanes).

10

15

T(n)

14

4862

267440

Encontrar de esta forma (algoritmo de fuerza bruta) la mejor manera de

calcular la cantidad de multiplicaciones que requiere cada posibilidad es del
orden (4n/n).
2n
2n-2
Dem: ejercicio, usar que n 4n / (2n+1) y T(n) = 1/n n -1 )

Cmo usar Programacin Dinmica para resolver este

problema?
Construimos una tabla mij (1 i j n) donde mij es la cantidad
mnima de multiplicaciones necesaria para calcular Mi M i+1 M
i+2.Mj . La solucin al problema es entonces m1n.
Suponemos que las dimensiones de la matriz Mi estn dadas por
un vector di , 0 i n, donde la matriz Mi tiene di-1 filas y di
columnas y armamos la tabla diagonal por diagonal, para cada
diagonal s, s = 0,., n-1

s=0 : mii = 0
para i=1,2,n
s= 1 : mi i+1 = di-1didi+1 para i=1,2,n-1
1< s < n : mi i+s = mini k < i+s {mik + mk+1 i+s + di-1dkdi +s}
para i=1,2,n-s

En el ejemplo anterior d= ( 13,5,89,3,34) y entonces

. Para s =1 m12 = 5785 , m23 = 1335, m34 = 9078
. Para s =2 m13 = 1530, m24 = 1845
. Para s = 3 m12 = 2856
i=1
2
3
4

J=1
0

2
5785

3
1530

4
2856

s=3

1335

1845

s=2

9078

s=1

s=0

Cmo guardar la informacin para saber adems cul es la forma de hacer

el producto tener este nmero de multiplicaciones?.

Complejidad : en cada diagonal s hay que calcular n-s elementos y para

cada uno de ellos hay que elegir entre s posibilidades, entonces la cantidad
de operaciones del algoritmo es
s (n-s)s = n s s - s s2 = n2 (n-1)/2 n (n-1) (2n-1)/6
= (n3 n )/6
o sea la complejidad del algoritmo es (n3).

Triangulacin de mnimo peso

Una triangulacin de un polgono convexo P = {v1, v2.... vn, v1} es un
conjunto de diagonales que particiona el polgono en tringulos. El peso
de la triangulacin es la suma de las longitudes de sus diagonales.
Ejemplo: dos triangulaciones de un mismo polgono.

Observar que cada eje del polgono original est en un solo tringulo.

Dado un segmento que une dos vrtices adyacentes,

transformarlo en un tringulo implica determinar el tercer
vrtice. Una vez identificado este vrtice al polgono le
quedan dos polgonos menores que deben ser a su vez
triangulados.
Sea T [i,j] el costo de triangular una de las parte del polgono
que queda despus de trazar una diagonal desde el vrtice vi
al vrtice vj,, sin tomar en cuenta la longitud dij de la cuerda
que va de vi a vj (para no contarla dos veces).

i
j
T [i,j] = min jk = i {T [i,k] + T [k,j] + dik + dkj }

Caso base, cuando i y j son vecinos:

T [i, i+1] = 0

Algoritmo para triangulacin del polgono

Triangulacin-mnima (P)
para i = 1,n -1 hacer
T[i,i+1] =0
para gap = 1, n-1
para i = 1, n-gap hacer
j= i+gap
T [i,j] = minj k=i {T [i,k] + T [k+1,j] + dik + dkj }
return T[1,n]

 Complejidad : O(n3)
Complejidad espacial: O(n2)
===========================================
Qu pasa si el polgono no es convexo?.
Qu pasara si hubiera puntos en el interior del polgono?.
El nmero de subregiones en cada paso ya no es 2 y crece
exponencialmente y entonces el algoritmo de programacin dinmica
no es eficiente.
No se conocen algoritmos polinomiales para el problema de triangulacin
en este caso.

Comparacin de secuencias de ADN

Supongamos que tenemos dos secuencias de ADN
GACGGATTAG y GATCGGAATAG
Queremos decidir si son parecidas o no.
Para qu se usa esto?
Alineamiento
GA- CGGATTAG
GATCGGAATAG
Objetivo: construir un algoritmo que determine la mejor alineacin global
entre dos secuencias (que pueden tener distinta longitud).
Asignamos valores a las coincidencias, a las diferencias y a los gaps.
(Las transparencias que siguen sobre este tema, fueron preparadas por
alumnos de la materia Biologa Computacional, ver pgina web).

Scores
Ejemplo
T
S

GACGGATTAG
GATCGGAATAG

match = +1
mismatch = -1
gap penalty = -2
Score(T, S) = 9 x 1 + 1 x (-1) + 1 x (-2) = 6

Algoritmo de Programacin dinmica

Needleman & Wunsch (1970)

el mejor scoring para un alineamiento global de

Encuentra
dos secuencias
partir de all se determina un alineamiento que tiene ese
Ascore
ptimo.
De acuerdo a los parmetros elegidos la alineacin ptima
puede variar.

 Se quiere alinear las secuencias S y T.

Sea n el tamao de S y m el de T.
Hay n+1 posibles prefijos de S y m+1 posibles
prefijos de T (incluyendo el string vaco).
Se genera una matriz F de (n+1)x(m+1) elementos.
El elemento F(i, j) tendr la mejor similitud entre las
subsecuencias S[1...i] y T[1...j].

Dadas las secuencias:

S = AAAC
T = AGC
A

Clculo de la similitud ptima

F(i-1,j-1)

F(i,j-1)

F(i-1,j)

F(i, j)

F(i-1, j-1)+p(i,j)
F(i, j)= max F(i-1, j)-w
F(i, j-1)-w

w=Penalizacin del Gap

Llenado de la Matriz
Se llena la matriz la primera fila y la primera columna con
mltiplos de la penalidad por espacio.
Se llenan los elementos interiores
F[i,j] = max
F[i, j-1] + g
F[i-1, j-1] + p(i,j)
F[i-1, j] + g
g = penalidad por espacio, p(i,j) = valor del matching entre
S(i) y T(j)
Sigue cualquier orden que permita tener los valores F[i, j-1],
F[i-1, j-1], F[i-1, j]. Como fila por fila ( de izquierda a
derecha) o columna por columna (de arriba hacia abajo).

Algoritmo
n = long(S)
m = long(t)
Para i = 0 hasta n hacer
F[i, 0] = i g
Para i = 0, m hacer
F[0, i] = i g
Para i = 1, n hacer
Para j = 1, m hacer
F[i, j] = max (F[i-1, j] + g, F[i-1, j-1]
+ p(i,j), F[i, j-1] + g)
Return F

Inicio de la matriz:

A
0

-2

Inicio de la matriz:
0

-2

-4

-6

AGC

AAAC

-2

-4

-6

-8

-2

-4

-6

-2

-4

-6

-2

-1

-1

-4

-1

-1

-6

-1

-1

-8

-1

-1

F(i-1, j-1)+s(i,j)
F(i, j)= max F(i-1, j)-w
F(i, j-1)-w

?
?

-2
?

-4

-6

-1

-1

-2

-4

-1

-1

-6

-1

-1

-8

-1

-1

A
F(i-1, j-1)+s(i,j)
F(i, j)= max F(i-1, j)-w
F(i, j-1)-w

-2

-2

-4

-6

1
A
A

-1

-1

-1

-1

-4

-6

-1

-1

-8

-1

-1

A
F(i-1, j-1)+s(i,j)
F(i, j)= max F(i-1, j)-w
F(i, j-1)-w

-2

-2

-4

-6

-1

-1

-4

-6

-1

-1

-8

-1

-1

-1

A
AG

-1

-1

F(i-1, j-1)+s(i,j)
F(i, j)= max F(i-1, j)-w
F(i, j-1)-w

-2

-4

-6

-2

-4

-6

-8

-1

-1

-1

-1

-1

-1

-3

-1

-2

-1

-1

-1

-5
-4
score ptimo global

-3

-2

-1

-1

Tenemos el valor
de la similitud entre
las secuencias.
Ahora necesitamos
reconstruir el
alineamiento

-2

-2

-4

-6

-1

-1

-4

-1

-1

-1

-6

-3

-1

-2

-1

-8

-1

-5

-1

-1

-4

-3

-2

-1

-1

Determinacin del alineamiento ptimo

Se comienza desde el valor de F[n,m] y se realiza el camino
inverso hasta llegar al valor F[0,0].
Por cada valor F[i,j] se testea si provino de F[i-1, j-1] +
p(i,j) o F[i-1, j] g o F[i, j-1] g.

Hay que tomar la ltima coincidencia del alineamiento y comenzar a

buscar un camino hacia atrs que maximice la funcin, es decir
siguiendo los valores ms altos.
Cuando los valores coinciden, cualquier camino que se tome
conducir a la formacin de un alineamiento de igual score. Sin
embargo los algoritmos para resolverse deben dar preferencia a uno
de los valores, en nuestro caso se toma preferencia en el sentido
horario
Mxima preferencia

Mxima preferencia

-2

-4

-6

-2

-1

-4

-1

-1

-6

-3

-1

-8

-1

-5

-1

-1

-1 C
AA
-3
G C

-1

-2

-1

-4

-2

-1

-1

Mxima preferencia

-2

-4

-2

-4

-6

-1

-1

-1

-1

-1

-6

-3

-1

-2

-1

-8

-1

-5

-1

AAAC
AG C

-1

-4

-3

-2

-1

-1

Algoritmo de reconstruccin

Este algoritmo va a construir un

alineamiento ptimo dadas la matriz F y las
secuencias originales S y T.
La variable len contiene la longitud del
alineamiento (que puede ser n+m)
Los vectores (secuencia de valores) aligS
y aligT contienen los caracteres
alineados.

INPUT: indices i,j, array F.

Alinear(i, j)
Si i=0 y j = 0 entonces
j-1
len = 0
+p(i,j)
Sino Si i>0 y F[i,j] = F[i-1, j] + g entonces
i-1
Alinear(i-1, j, len)
len = len + 1
i +g
aligS[len] = s[i]
aligT[len] = //(espacio)
Sino Si i>0 y j>0 y F[i,j] = F[i-1, j-1] + p(i,j) ent
Alinear(i-1, j-1, len)
len = len + 1
aligS[len] = s[i]
aligT[len] = t[j]
Sino
// debe ser F[i,j] = F[i, j-1] + g
Alinear(i, j-1, len)
len = len + 1
aligS[len] = //(espacio)
aligT[len] = t[j]
Fin
Devolver aligS, aligT y len.

+g

Recursin en el algoritmo
(0,0)
j

j-1
i-1 +p(i,j)
i +g

+g

j-1

i-1 +p(i,j)
i +g

+g

j-1

i-1 +p(i,j)
i +g

+g

Complejidad
m = long(S)
n = long(t)
Para i, desde 0 hasta n hacer
F[i, 0] = i x g
Para i, desde 0 hasta m hacer
F[i, 0] = i x g

n veces
m veces

Para i, desde 1 hasta n hacer

Para j, desde 1 hasta m hacer

m veces
Devolver F[n,m]

F[i, j] =mximo(F[i-1, j] + g, F[i-1, j-1]

+ p(i,j), F[i, j-1] + g).

n veces

Complejidad
Complejidad Temporal:
O(mn) en armar la matriz
O(m + n) en buscar en la matriz (recorrer la
secuencia resultante, que a lo sumo tiene n+m
elementos).

Complejidad Espacial:
O (mn) por el espacio necesario para la matriz

Algoritmo de programacin dinmica para el problema de

la mochila
Trabajaremos con la siguiente versin del problema de la
mochila.

Problema P(n, k): dado un entero k y n items i de diferentes

tamaos ki, encontrar un subconjunto de los items tal que
sumen exactamente K o determinar que no existe tal
conjunto

Algoritmo knapsack
Input: S un array con los tamaos de cada item y K.
Output: Un arreglo de dos dimensiones tal que P[i,k].exist =
true si existe una solucin con los primeros i elementos para
una mochila de tamao k y P[i,k].belong = true si el elemento
i pertenece a esa solucin.

Algoritmo
Empezar
P[0,0] exist = true
para k = 1,K hacer
P[0,k].exist = false
para i =1,n hacer
para k = 0,K hacer
P[i,k]. exist = false
if P[i-1,k]. exist then
P[i,k]. exist = true
P[i,k]. belong = false
else if k-S[i] 0
if P[i-1,k-S[i]]. exist then
P[i,k]. exist = true
P[i,k]. belong = ture
end

Ejemplo: aplicar el algoritmo anterior a 4 items de tamao

2,3,5 y 6 tamaos de la mochila desde 2 a 16.
k

10

11

12

13

14

15

16

Referencias de la tabla:
I : se encontr una solucin que contiene este item
O: se encontr una solucin sin este item
- : no hay solucin hasta el momento (si este smbolo aparece en la ltima lnea
quiere decir que no hay solucin para este tamao de mochila)

Subsecuencia creciente ms larga

Determinar la subsecuencia creciente ms larga de una sucesin de
nmeros.
Ejemplo:
S = { 9,5,2,8,7,3,1,6,4)
Las subsecuencias ms largas son {2,3,4} o {2,3,6 }
Para construir un algoritmo de programacin dinmica definimos:
li = longitud de la secuencia creciente ms larga que termina con el
nmero si
pi = predecesor de si en la secuencia creciente ms larga que termina con
el nmero si
Vale el principio de optimalidad en este caso?. Cmo se expresara?.

Relacin de recurrencia:
l0 = 0
li = maxj<i lj +1,

con sj < si

La solucin al problema la da
max 1in li

sucesin

9 5

longitud

1 1

predecesor

Complejidad?
O(n2) ( se podra implementar en O(nlogn))
Cul es la complejidad espacial?.
Cmo hacemos para tener tambin la sucesin y no slo la longitud.

Arboles de bsqueda ptimos

rbol binario de bsqueda: cada nodo contiene una clave, y el
valor contenido en cada nodo interno es mayor o igual
(numrica o lexicogrficamente) que el de su hoja izquierda y
menor o igual que el de la derecha.
Cuntos rboles binarios de bsqueda distintos puede haber
con un nmero dado n de palabras cdigo (o clave)?.
Cmo podemos determinar el rbol binario que minimiza el
nmero promedio de comparaciones necesarias para encontrar
una clave.

 Supongamos que tenemos un conjunto c1 < c2 < ..< cn de

claves con probabilidad pi de ser buscadas.
Si la clave ci est en el nivel di entonces hacen falta di + 1
comparaciones para encontrarla.
Suponemos pi = 1

Entonces para un rbol dado la cantidad de

comparaciones que tenemos que hacer en media
para buscar una clave es
C = i pi (di + 1)

Dado un conjunto de claves y sus probabilidades queremos

construir un rbol que minimice esta funcin, usando
programacin dinmica.
Se cumple el principio de optimalidad?.
en un rbol ptimo todos sus subrboles son ptimos para las
claves que contienen

Relacin de recurrencia?
Sea:
mij = jk= i pk
(probabilidad de que una clave este en la sucesin ci,ci+1 ,cj )

Cij nmero de comparaciones promedio que se hacen en un

subrbol ptimo que contiene las claves ci,ci+1 ,cj , cuando
buscamos en el rbol completo.

C ij = 0 para j = i-1

C kij nmero de comparaciones promedio en un subrbol que

contiene las claves ci,ci+1 ,cj , y tiene a la clave k en la
raz. (siempre pensando que buscamos una clave en todo el
rbol)

Si la clave k es la raz de ese subrbol podemos calcular:

Ckij = mij + Ci,k-1 + C k+1,j
o sea dado un subrbol con raz k:
la probabilidad de que la clave buscada se una de las del subrbol o
sea alguna de las ci,ci+1 ,cj es mij

una comparacin se hace con ck y el resto en el rbol derecho o en el

rbol izquierdo

Y si queremos que el subrbol sea optimo la raz tiene que ser elegida de
modo a minimizar
Cij = mij + min ikj {Ci,k-1 + C k+1,j}

Ejemplo:

pi

0.30

0.05

0.08

0.45

0.12

0.30

0.35

0.43

0.88

0.05

0.13

0.58

0.70

0.08

0.53

0.65

0.45

0.57
0.12

Calculamos la matriz de
los mij

A partir de esto podemos calcular los Cij usando la frmula de recurrencia

y obtener el mnimo nmero de comparaciones promedio necesarias del
rbol ptimo.

0.30
0

0.40
0.05
0

0.61
0.18
0.08
0

1.49
0.76
0.61
0.45
0

1.73
1.00
0.85
0.69
0.12

Cmo hacemos para determinar el rbol ptimo?

 La tcnica de Programacin Dinmica se aplica tambin a

problemas con variables continuas
( los ejemplos que vimos ac fueron todos con variables
discretas).
En el caso de variables continuas puede ser necesario
resolver en el marco de las ecuaciones de recurrencia,
problemas de maximizacin o minimizacin continuos,
usando las herramientas habituales del clculo u otras.

Algoritmos probabilsticos

Cuando un algoritmo tiene que hacer una eleccin a veces es preferible

elegir al azar en vez de gastar mucho tiempo tratando de ver cual es la
mejor eleccin.
Pueden dar soluciones diferentes si se aplican dos veces a la misma
instancia. Los tiempos de ejecucin tambin pueden ser muy diferentes.

Tiempo promedio de un algoritmo determinstico: considera todas las

instancias de un mismo tamao son similares. (ejemplo: quicksort)
Tiempo esperado promedio de un algoritmo probabilstico : es el
tiempo medio de los tiempos de resolver la misma instancia del mismo
problema muchas veces.
Peor tiempo esperado: tomando en cuenta el peor caso de todas las
instancias de un cierto tamao.

Clasificacin de algoritmos probabilisticos

Algoritmos al azar para problemas numricos: la respuesta es

siempre aproximada pero se espera que la solucin sea mejor cuando
ms tiempo hay para ejecutar el algoritmo. (simulacin, integracin
numrica).

Algoritmos de Monte Carlo: se quiere una respuesta exacta. Por

ejemplo problemas de decisin. Un algoritmo Monte Carlo da siempre
una respuesta pero la respuesta puede no ser correcta. La
probabilidad de suceso, es decir de respuesta correcta crece con el
tiempo disponible para correr ese algoritmo. La principal desventaja
es que en general no se puede decidir eficientemente si la respuesta es
correcta o no.(ejemplo: decidir si un arreglo T tiene un elemento
mayoritario, o sea que aparece en T ms de n/2 veces)

Algoritmos Las Vegas: nunca dan una respuesta incorrecta pero

pueden no dar ninguna respuesta. Tambin la probabilidad de
suceso, es decir de tener respuesta correcta crece con el tiempo
disponible para correr ese algoritmo. (ejemplo: en el problema de
las 8 reinas poner las reinas al azar en las filas que an estn
desocupadas, cuidando solamente que la solucin en construccin
sea factible)

Algoritmos Sherwood : en este caso el algoritmo siempre da una

respuesta y la respuesta es siempre correcta. Se usan cuando algn
algoritmo determinstico para resolver un algoritmo es mucho ms
rpido en promedio que en el peor caso. Al incorporar un factor de
azar el algoritmo puede llegar a eliminar la diferencia entre buenas
y malas instancias. (ejemplo: Quicksort)

En todos estos casos suponemos que tenemos disponible un

generador de nmeros al azar de costo computacional
unitario.
O sea dados reales a y b con a < b, uniform (a,b) devuelve un
nmero x elegido al azar en el intervalo a x < b. La
distribucin de x es uniforme en el intervalo y llamadas
sucesivas del generados dan valores independientes de x.
Para generar enteros al azar uniform (ij) devuelve un
entero k elegido al azar uniformemente en el intervalo
ik j

Ejemplo de algoritmo tipo Las Vegas: el problema de las 8 reinas.

Procedimiento Queens LV (var sol[18], sucess)
array ok[18] (posiciones disponibles)
col, diag45, diag135
Para k = 0,7 hacer
(sol [1k] es k prometedor, hay que ubicar a la reina k+1)
nb = 0
para j = 1, 8 hacer
si j col y j-k diag45 y j+k diag135 entonces (la columna j esta
disponible)
nb = nb +1
ok[nb] = j
si nb = 0 entonces sucess =false
j = ok[uniform (1.nb)]
col = col U {j}
diag45 = diag45 U {j}
diag 135 = diag135 U {j+k}
sol[k+1] = j
return success = true

Ms ejemplos de algoritmos probabilsticos

en el libro de Brassard y Bratley

Heursticas
Dado un problema , un algoritmo heurstico es un
algoritmo que intenta obtener soluciones para el problema
que intenta resolver pero no necesariamente lo hace en todos
los casos.
Sea un problema de optimizacin, I una instancia del
problema, x*(I) el valor ptimo de la funcin a optimizar en
dicha instancia. Un algoritmo heurstico obtiene una solucin
con un valor que se espera sea cercano a ese ptimo pero no
necesariamente el ptimo.
Si H es un algoritmo heurstico para un problema de
optimizacin llamamos xH(I) al valor que devuelve la
heurstica.

Porqu usar algoritmos heursticos?. En que tipo de

problemas?
Las heursticas que son de utilidad prctica son algoritmos
polinomiales.
Cundo decimos que una heurstica es buena?
Cmo hacemos para saber si una heurstica es buena?

Algoritmos aproximados
Decimos que H es un algoritmo - aproximado para el problema si para
algn > 0
xH(I) - x*(I) | | x*(I) |
O equivalentemente un algoritmo es aproximado si existe > 0
tal que para toda instancia I
xH(I) / x*(I)
(problema de minimizacin)

Situacin ideal, pero poco frecuente

Ejemplo de algoritmo aproximado

Cuando las variables son enteras, el algoritmo goloso que
vimos para el problema de la mochila es un algoritmo
aproximado.
Se puede demostrar que para toda instancia I de dicho problema
se verifica que:
xH(I) / x*(I) (c1b/a1 )/ (c1 (b /a1)) =
= b/a1 / (b/a1) 0.5
(es un problema de maximizacin)

Cmo evaluamos una heurstica?

Comportamiento medio
Anlisis probabilstico
Comportamiento en peor caso (algoritmos aproximados):
i) razn de perfomance en el peor caso :
r = sup {xH(I) / x*(I) } r = inf {xH(I) / x*(I) }
segn estemos minimizando o maximizando.
ii) error relativo
er = | xH(I) - x*(I) | /| x*(I)|
En la prctica no podemos calcular exactamente estos valores
pero si a veces obtener cotas para ellos.

Metaheursticas

Ver presentacin aparte

GRAFOS
Qu es un modelo matemtico?
Problemas que pueden modelarse usando grafos.
La nocin de grafos fue planteada
independientemente por varios cientficos de
diferentes disciplinas.

Historia
Graph Theory: 1736-1936, Biggs,Lloyd, Wilson,
Oxford University Press, 1976.

Euler (1736): Problema de los puentes de Konigsberg.

Modelo usando grafos
Primer teorema de teora de grafos: Hay un circuito
que pasa por todas las lneas del grafo una y slo
una vez si y slo si cada punto tiene un nmero par
de lneas incidentes.
Euler plante el teorema, pero slo prob que la condicin es necesaria.

 Wiener, 1873, Laberintos.

Vandermonde, 1771, Problema de los
caballos en un tablero de ajedrez.
Kirkman, 1856, circuitos en poliedros,
pionero en formular el problema del viajante
de comercio.

Hamilton, 1858 : juego: dar la vuelta al mundo sin

pasar dos veces por la misma ciudad.
Pasar por todos los vrtices de un dodecaedro una y slo una
vez y volver a la ciudad de origen.
Generalizacin: circuitos hamiltonianos.
Problema del Viajante de Comercio
Problema computacionalmente no resuelto en el caso
general.

Leyes de Kirschhoff (1847)

Introdujo el concepto de rboles para resolver el sistema de
ecuaciones lineales que describen el flujo de la corriente
elctrica en cada rama de cada circuito en una red elctrica.
Model la red compuesta de resistencias, condensadores,
inductancias, etc, con un grafo.
No todas las ecuaciones son necesarias porque el sistema no es
independiente. Solo es necesario un sistema fundamental de
circuitos que se puede obtener a partir de un rbol generador.

Cayley, 1857: Ismeros Qumicos.

Cuntos compuestos qumicos diferentes pueden
corresponder a una misma frmula?
Ejemplo : ismeros de CnH2n+2 (parafinas)
Se pueden modelar como rboles con nodos de
grado 4 y nodos de grado 1 hay.
Se quiere contar cuantos rboles distintos de ese
tipo hay.

Ejemplo: para n = 4 dos de los compuestos son:

Butano

Isobutano

Problema de los cuatro colores: se puede pintar

cualquier mapa con cuatro colores sin que dos
pases que tengan como frontera una lnea tengan
el mismo color?.
Origen vago. Primer planteo conocido:De Morgan
1852. Antecedentes de 1840.
Primera supuesta demostracin, Kempe 1879
Error descubierto por Heawood, 1890, que demostr
el Teorema para 5 colores.

Problema abierto por ms de 100 aos

Avances de la teora de grafos alrededor de este
problema.
Demostracin en 1976, Appel y Haken.
Uso de la computadora en esta demostracin.
Demostraciones posteriores.

Aplicaciones actuales

Redes de comunicaciones, diseo, ruteo.

Problemas de distribucin y ruteo de vehculos.
Planificacin de la produccin.
Redes de trfico
Demostracin de teoremas.
Correctitud de programas
VLSI
Descifrado de Cdigos
Ingeniera de Software
Bases de datos
Biologa Computacional
etc..etc., etc.,etc,etc.,etc, etc., etc., etc., etc., etc...

Definiciones
Un grafo G = (V,X) es un par de conjuntos, donde V
es un conjunto de puntos o nodos y X es un
subconjunto del conjunto de pares no ordenados de
elementos distintos de V .
Los elementos de X se llamas aristas o ejes o arcos.
Dados v, w V, si e = (v,w) X se dice que v y w
son adyacentes y que e es incidente a v y a w.
Notacin: n= | V | m = | X |

 El grado de un nodo es la cantidad de ejes

incidentes a v.
Notacin: d(v) = grado de v.
Teorema: La suma de los grados de los nodos de
un grafo es 2 veces el nmero de ejes, o sea:
i=1,n d (vi) = 2 m

 Un grafo se dice completo si todos los nodos

son adyacentes entre si.
Notacin: Kn grafo completo de n nodos.
Cuntos ejes tiene un grafo completo de n
nodos?.

 Un camino en un grafo es una sucesin de ejes

e1 e2.......ek tal que un extremo de ei coincide con uno
de ei-1 y el otro con uno de ei+1.
Hay otras formas de describir un camino
Un camino simple es un camino que no pasa dos
veces por el mismo nodo.
Un circuito es un camino que empieza y termina
en el mismo nodo.
Un circuito simple es un circuito de 3 o ms nodos
que no pasa dos veces por el mismo nodo.

 La longitud de un camino es la cantidad de ejes

que tiene ese camino.
La distancia d(v,w) entre dos nodos v y w de un
grafo se define como la longitud del camino ms
corto entre ambos.
Si no existe camino entre v y w decimos que
d(v,w) =

Proposicin: la funcin distancia cumple las

siguientes propiedades para todo v, u y w
pertenecientes a V:
i) d(u,v) 0, d(u,v) = 0 si y slo si u= v
ii) d (u,v) = d(v, u)
iii) d(u,w) d(u,v) + d(v,w)

 Un grafo se dice conexo si existe un camino

entre todo par de nodos.
Dado un grafo G = (V,X) un subgrafo de G
es un grafo H = ( V, X) tal que
V V y X X ( Vx V)
Una componente conexa de un grafo G, es
un subgrafo conexo maximal de G.

 Un grafo orientado o digrafo G= (V,X) es un par

de conjuntos V y X, donde V es un conjunto de
puntos o nodos y X es un subconjunto del conjunto
de pares ordenados de elementos distintos de V .

Un camino orientado en un grafo orientado

es una sucesin de ejes e1 e2.......ek tal que el primer
elemento del par ei coincide con el segundo de ei-1 y
el segundo elemento de ei con el primero de ei+1.

 Un circuito orientado en un grafo orientado es un

camino orientado que empieza y termina en el
mismo nodo.
El grado de entrada din(v) de un nodo de un grafo
orientado es la cantidad de ejes que llegan a v, es
decir la cantidad de ejes que tienen a v como su
segundo elemento.
El grado de salida dout(v) de un nodo de un grafo
orientado es la cantidad de ejes que salen de v, es
decir la cantidad de ejes que tienen a v como su
primer elemento.

 Multigrafo: grafo en el que puede haber varios ejes

entre cada par de nodos distintos.
Seudografo: grafo en el cual puede haber varios
ejes entre cada par de nodos y tambin puede haber
ejes (loops) que unan a un nodo con si mismo.
(definiciones de acuerdo a la nomenclatura del libro
de Harari)

Un grafo G = (V,X) es bipartito si existen dos

subconjuntos V1 y V2 del conjunto de nodos V tal
que:
V = V1 V2 , V1 V2 = , V1 V2
y tal que todos los ejes de G tienen un extremo en V1 y
otro en V2.

Teorema:
Un grafo G es bipartito si y slo si todos sus
circuitos tienen longitud par

Dos grafos G = (V,X) y G= (V, X) se dicen

isomorfos si existe una funcin biyectiva
f: V -------------> V
tal que para todo v, w V
(v,w) X si y slo si (f(v), f(w)) X

Proposicin:
Si dos grafos G y G son isomorfos:
i) tienen el mismo nmero de nodos
ii) tienen el mismo nmero de ejes
iii) para todo k, 0 k n-1 tienen el mismo nmero
de nodos de grado k.
iv) tienen el mismo nmero de componentes conexas
vi) para todo k, tienen el mismo nmero de caminos
simples de longitud k.

 Es cierta la recproca de esta proposicin?

Hay condiciones necesarias y suficientes
fcilmente verificables para ver si dos
grafos son isomorfos?

Representacin de grafos en la computadora

Matrices
Listas

Matriz de Adyacencia de un grafo G

A Rnxn , donde los elementos aij de A se definen
como:
aij =

1 si G tiene un eje entre i y j

0 si no

Matriz de Incidencia de un grafo G

B Rmxn , donde los elementos bij de B se definen
como:
bij =

1 si el eje i es incidente al nodo j

0 si no

Teorema: Si A es la matriz de adyacencia del grafo G,

el elemento aijk de la matriz Ak , es igual a la
cantidad de caminos de longitud k entre i y j.

Corolario: aii2 = d (vi)

Arboles

Def: Un rbol es un grafo conexo sin circuitos

simples.

Teorema: dado un grafo G, son equivalentes:

d) G es un rbol.
b) G es un grafo sin circuitos simples pero si se agrega
un eje a G, queda un grafo con circuitos simple.
f) Todo par de nodos v y w en G est unido por un
nico camino simple.
d) G es conexo pero si se quita un eje a G, queda un
nuevo grafo no conexo.

Def: una hoja es un nodo de grado 1.

Lema: Todo rbol no trivial tiene al menos una hoja.
Teorema: Dado un grafo G, son equivalentes:
a) G es un rbol.
b) G es un grafo sin circuitos y m = n-1
c) G es conexo y m = n-1

Def: Un rbol orientado es un grafo orientado tal que:

i) el grafo no orientado subyacente es un rbol
ii) En G hay un nodo r tal que existe un camino
orientado desde r a todos los dems.
(cualquier nodo es alcanzable desde r por un camino
orientado)
En un rbol no orientado podemos definir un nodo
cualquiera como raz.

Def: El nivel de un nodo de un rbol es la distancia de ese nodo

a la raz.
Def: La altura h de un rbol es la longitud desde la raz al nodo
ms lejano.
Def: Un rbol se dice (exactamente) m-ario si todos sus nodos,
salvo las hojas y la raz tienen grado (exactamente ) a lo
sumo m+ 1 y la raz tiene grado m.
Def: Un rbol se dice balanceado si todas sus hojas estn a
nivel h o h-1.
Def: Un rbol se dice balanceado completo si todas sus hojas
estn a nivel h.

Los nodos internos de un rbol son aquellos que no son

ni hojas ni la raz.
Cuntos nodos tiene en total un rbol exactamente mario que tiene i nodos internos?.

Teorema:

Un rbol m-ario de altura h tiene (a lo sumo) mh

hojas.
iii) Un rbol m-ario con l hojas tiene h logm l.
iii) Si T es un rbol exactamente m-ario balanceado
entonces h = logm l.

Recorrido de rboles
BFS (Breadth-First Search)
DFS (Depth-First Search)
En qu casos conviene uno u otro mtodo de
recorrido?.

Algoritmo Recorrer (para rboles no orientados)

Empezar
marcar nodo s
pred(s) := 0
next :=1
order (s) := next
LIST := {s}
mientras LIST hacer
empezar
elegir un nodo i de LIST
si i es incidente a un arco (i,j) tal que j LIST entonces
empezar
marcar j
pred(j) := i
next = next +1
order (next) := j
LIST := LIST {j}
fin
else LIST := LIST \ { i}
fin
fin

Arboles generadores
Def: Dado un grafo G, un rbol generador de G es un es un subgrafo de
G que es un rbol y tiene el mismo conjunto de nodos de G.
Def: Sea G= (V,X) un grafo y
l : X -------------> R
un funcin que asigna longitudes (o pesos) a los ejes de G.
Definimos la longitud de un rbol T como
l(T) = eT l(e)

Def: Dado un grafo G = (V,X) un rbol generador mnimo de G es un

rbol T tal que l(T) es mnima.

Ejemplo
C

4
12
8

8
3
6

13

I
5

10

Algoritmo de Prim
-------------------------------------------------------------------------Input: G = (V,X) grafo conexo con una funcin de longitudes
positivas asignadas a los ejes.
Empezar
Elegir un eje e X de longitud mnima.
Poner T = {e}, i = 1
Mientras i < n-1 hacer
Elegir e X tal que la longitud de e sea mnima entre
los ejes que tienen un extremo en T y otro fuera de T.
Poner T = T {e}
Poner i = i+1
Fin
Fin

Proposicin: Sea G un grafo conexo. El subgrafo T que el

algoritmo de Prim construye es un rbol generador de G.
Proposicin: Sea G un grafo conexo. Sea Tk el rbol que el
algoritmo de Prim determina en la iteracin k, para k n-1.
Tk es un subrbol de un rbol generador mnimo de G.
Teorema: El algoritmo de PRIM es correcto, es decir dado un
grafo G conexo determina un rbol generador mnimo de G.

Algoritmo goloso

Algoritmo de Kruskal
Input: G = (V,X) grafo conexo con una funcin de longitudes
positivas asignadas a los ejes.
Empezar
Elegir un eje e X de longitud mnima.
Poner T = {e}, i = 1.
Mientras i < n-1 hacer
Elegir e X tal que la longitud de e sea mnima entre
los ejes que no forman circuito si los agregamos a T.
Poner T = T {e}.
Poner i = i+1.
Fin
Fin

Enumeracin
Cuntos grafos diferentes hay que tengan ciertas
caractersticas?. (Ej: cuntos grafos conexos con 8 nodos y 2
circuitos)
Cuntos subgrafos de un cierto tipo de un grafo dado hay?
(Ej: cuntos rboles generadores tiene un grafo, cuantos
circuitos, cuntos grafos completos)
En general son problemas difciles

Ejemplos de algunas cosas que se pueden calcular:

Cuntos grafos rotulados distintos de n nodos y m
ejes hay?.
Cuntos grafos rotulados distintos de n nodos hay?.

Teorema de Cayley (1875): El nmero de rboles

rotulados distintos de n nodos es nn-2.
Dem: por induccin en n usando los algoritmos inversos
de codificacin y decodificacin de Prufer que
describiremos a continuacin para establecer una
biyeccin entre el conjunto de rboles de n nodos y el
conjunto de palabras de n-2 smbolos usando el
alfabeto {1,...n} .

Algoritmo de codificacin de Prufer

Dado un rbol de n nodos rotulado con los nmeros de 1 a n, construye una
palabra de longitud n-2 usando el alfabeto {1,,n}
---------------------------------------------------------------------------Input Un rbol T rotulado de n nodos
Empezar
Para i =1,,n-2
Sea v la hoja de menor rtulo de T.
Poner como si el rtulo del nodo adyacente a v.
Poner T = T \ {v}.
fin
Return secuencia s1.sn-2
fin

Proposicin: Si dk es el nmero de ocurrencias del nmero k

en la secuencia que se obtiene despus de aplicar el
algoritmo de codificacin de Prufer, entonces el grado del
nodo k en el rbol T es dk + 1.
Dem: por induccin en n.

Algoritmo de decodificacin de Prufer

Dada una palabra de longitud n-2 usando el alfabeto {1,,n} construye un
rbol de n nodos rotulado con los nmeros de 1 a n
---------------------------------------------------------------------------Input Una palabra P = s1. sn-2
Empezar
Poner L = {1,n }
Poner como T el conjunto de nodos aislados 1,.n.
Para i =1,,n-2
Sea k el menor nmero de L que no est en P.
Sea j el primer elemento de P.
Agregar un eje en T uniendo los nodos k y j .
Poner L = L \ {k}.
Sacar la primera aparicin de j de la lista P.
fin
Agregar un eje entre los dos nodos cuyos nmeros quedaron en L.
Return T
fin

Proposicin: El algoritmo de decodificacinde Prufel define una

funcin del conjunto de secuencias de longitud n-2 sobre el
conjunto de rboles rotulados de n nodos.
Dem: El procedimiento construye grafos de n nodos. Hay que ver
que el grafo resultante siempre es un rbol.(se puede
demostrar por induccin en n, ejercicio)

Ejercicio: completar la demostracin del teorema de Cayley,

probando por induccin que la funcin de decodificacin de
Cayley es la inversa de la funcin de codificacin.

Algoritmos para determinar caminos

mnimos en grafos

Def: Sea G= (V,X) un grafo y l:XR una funcin de longitud/peso para

los ejes de G.
La longitud de un camino C entre 2 vrtices v y u es la suma de las
longitudes de los ejes del camino o sea
l(C) = eC l(e)
Un camino mnimo C0 entre u y v es un camino de longitud l(C) tal
que
l(C0) = mn {(l(C) / C es un camino entre u y v}
(puede haber varios caminos mnimos)
Cmo modificamos estas definiciones si G es un grafo orientado?

Problema: Dado G= (V,X) un grafo y l:XR una funcin que asigna a

cada arco una cierta longitud y vV un vrtice del grafo, calcular los
caminos mnimos de v al resto de los vrtices.

Distintas situaciones:

El grafo puede ser orientado o no.

Todos los arcos tienen longitud no negativa.
No hay un circuito orientado de longitud negativa.
Hay un circuito orientado de longitud negativa.
Cmo hacemos si queremos calcular los caminos mnimos entre todos
los pares de vrtices?

Algoritmo de Dijkstra (1959)

Suponemos que las longitudes de los ejes son todas positivas. El grafo puede
ser orientado o no orientado.

------------------------------------------------------------------Empezar
S={v}, (v)=0, si vwX, (w)=l(vw),
Mientras SV hacer
Encontrar wV\S tal que (w)=min (u), uV\S.
S=S{w}.
uV\S / wuX,
si (u)>(w)+l(wu),
(u)=(w)+l(wu),
Fin
Fin
-----------------------------------------------------------------------Cmo hacemos si adems de calcular las distancias queremos
determinar tambin un camino mnimo?

Algoritmo de Dijkstra (1959)

--------------------------------------------------------------------Empezar
S={v}, (v)=0, padre(v)=0, si vwX, (w)=l(vw),
padre(w)=v, sino (w)=padre(w)=.
Mientras SV hacer
Encontrar wV\S tal que (w)=min (u), uV\S.
S=S{w}.
uV\S / wuX,
si (u)>(w)+l(wu),
(u)=(w)+l(wu), padre(u)=w
Fin
Fin
----------------------------------------------------------------------------

4
1
1
1

1
7

6
4

4
1
1
1

2 4/1 3

/11
7
1

3
0/ 0

4 3/ 1
/3/11
1
/ 11

3 7/1
/11
1
1

4
/11
5
/
/11

4
1
1
1

2 4/1 3

/11
7
1

3 7/1
/11
1
1

3
0/ 0

6
4

4 3/ 1
/3/11
1
/ 11

5 6/4
/11

/11

4
1
1
1

2 4/1 3

/11
7
1

3 7/1
/11
1
1

3
0/ 0

6
4

4 3/ 1
/3/11
1
/ 11

5 5/2
/11

/11

4
1
1
1

2 4/1 3

/11
7
1

3 7/1
/11
1
1

3
0/ 0

6
4

4 3/ 1
/3/11
1
/ 11

5 5/2
/11

9/5
/11

4
1
1
1

2 4/1 3

/11
7
1

3 7/1
/11
1
1

3
0/ 0

6
4

4 3/ 1
/3/11
1
/ 11

5 5/2
/11

8/3
/11

4
1
1
1

2 4/1 3

/11
7
1

3 7/1
/11
1
1

3
0/ 0

6
4

4 3/ 1
/3/11
1
/ 11

5 5/2
/11

8/3
/11

4
1
1
1

7
-2 1 2
7

1
1

1
1

1
1

4
3

Algoritmo de Ford (1956)

En este caso suponemos G orientado y que no tenemos circuitos de
longitud negativa

-----------------------------------------------------------------------Empezar
(v)=0, wV\{v}, (w)=.
Mientras hay cambio en hacer
Para wV\{v} Hacer
(w)=min ((w), min uwX ((u)+l(uw)))
Fin
Fin
Fin
-----------------

Teorema: Dado un grafo orientado G con longitudes positivas

o negativas, pero sin circuitos de longitud negativa el
algoritmo de Ford determina el camino mnimo entre el
nodo 1 y todos los dems.

Cul es la complejidad del algoritmo de Ford?

Qu pasa si aplicamos Ford a un grafo no orientado?.
Cmo podemos modificar el algoritmo de Ford para
detectar si hay circuitos de longitud negativa?.

Algoritmo de Ford (1956)

Grafo orientado, detecta circuitos de longitud negativa

----------------------------------------------------------Empezar

(v)=0, wV\{v}, (w)=, i=0.

Mientras hay cambio en y i<n hacer
i=i+1
Para wV\{v} Hacer
(w)=min ((w), min uwX ((u)+l(uw)))
Fin
Fin
Si i=n, informar que hay circuito de longitud negativa.
Fin

Algoritmos matriciales
Def: Sea G= ({1,...n},X) un digrafo y l:XR una funcin de
longitud/peso para los ejes de G. Definimos las siguientes
matrices:
L=(lij) definida por:
lii=0
lij= l(ij) si ijX
lij= si ijX
D=(dij) donde dij es la longitud del camino orientado mnimo
de i a j , si camino entre i y j, y sino dij = .
D es llamada matriz de distancias de G.

L= 2

-2

Algoritmo de Floyd (1962)

G orientado, no hay circuitos de longitud negativa

---------------------------------------------------------------------Empezar
L(0)=L
Para k desde 1 hasta n hacer
Para i desde 1 hasta n hacer
Para j desde 1 hasta n hacer
l(k)ij=min(l(k-1)ij,l(k-1)ik+ l(k-1)kj)
Fin
Fin
Fin
Fin

-2

L = L(0) = 2

-2

L(1) =

L(1) =

-2

-2

L(2) =

L(2) =

-2

L(3) = 2

-2

L(3) =

-2

D = L(4) = 2

-2

Lema: El algoritmo de Floyd determina los caminos mnimos

entre todos los pares de nodos de un grafo orientado sin
circuitos.
Cul es la complejidad de algoritmo de Floyd?
Cunta memoria requiere?.
Cmo podemos hacer si adems de las longitudes queremos
determinar los caminos mnimos?
Cmo se puede adaptar para detectar si el grafo tiene
circuitos de longitud negativa?

Algoritmo de Floyd (1962)

G orientado, detecta circuitos de longitud negativa

---------------------------------------------------------------Empezar
L(0)=L
Para k desde 1 hasta n hacer
Para i desde 1 hasta n hacer
Si l(k-1)ik=, saltar al siguiente valor de i.
Si l(k-1)ik+ l(k-1)ki<0, informar que hay circuito
de longitud negativa.
Para j desde 1 hasta n hacer
l(k)ij=min(l(k-1)ij,l(k-1)ik+ l(k-1)kj)
Fin
Fin
Fin

Algoritmo de Dantzig (1966)

G orientado, detecta circuitos de longitud negativa

------------------------------------------------------------Empezar
Para k desde 1 hasta n-1 hacer
Para i desde 1 hasta k hacer
li,k+1= minijk(li,j+ lj,k+1)
lk+1,i= minijk(lk+1,j+ lj,i)
Fin
t= minijk(lk+1,i+ li,k+1)
Si t<0, informar que hay circuito de longitud negativa.
Para i desde 1 hasta k hacer
Para j desde 1 hasta k hacer
li,j=min(li,j,li,k+1+ lk+1,j)
Fin
Fin
Fin

DL =
=

5 3

-2

Lema: El algoritmo de Dantzig determina los caminos

mnimos entre todos los pares de nodos de un grafo
orientado sin circuitos.

Cul es la complejidad del algoritmo de Dantzig?.

Qu diferencia tiene con el algoritmo de Floyd?. Qu
ventajas o desventajas?.

Nota: El siguiente tema (prctico 7) fue dado en la

terica, pero no est includo todava en esta
presentacin:
PERT- CPM

Grafos Eulerianos
Def: Un circuito C en un grafo G se llama un circuito euleriano si C pasa
pot todos los ejes de G una y slo una vez.
Def: Un grafo euleriano es un grafo que tiene un circuito euleriano.
Teorema (Euler 1736): Un grafo conexo es euleriano si y slo si todos sus
nodos tienen grado par.
A partir de la demostracin del teorema de Euler se puede escribir un
algoritmo para construir un circuito euleriano para un grafo que tiene
todos sus nodos de grado par.
Cul es la complejidad de este algoritmo?.

Def: Un camino euleriano en un grafo G es un camino que pasa

por cada eje de G una y slo una vez.
Teorema: Un grafo conexo tiene un camino euleriano si y slo
si tiene exactamente dos nodos de grado impar y el resto de
los nodos tiene grado par.
Def: Un grafo orientado o digrafo, se dice euleriano si tiene un
circuito orientado que pasa por cada eje de G una y slo una
vez.
Teorema: Un digrafo conexo es euleriano si y slo si para todo
nodo v de G se verfica que din (v) = dout (v)

Problema del cartero chino (Guan, 1962)

Dado un grafo G con longitudes asignadas a los ejes queremos
encontrar un circuito de longitud mnima entre los que pasan
por cada eje de G al menos una vez.
Si G es euleriano, un circuito euleriano es la solucin del
problema del cartero chino.
Hay algoritmos polinomiales para el problema del cartero chino
cuando G es orientado o no orientado, pero no se conocen
algoritmos polinomiales o sea el problema no est
computacionalmente resuelto si el grafo es mixto (algunos
ejes orientados y otros no).

Grafos hamiltonianos
Def: Un grafo se dice hamiltoniano si tiene un circuito que
pasa por cada nodo de G una y slo una vez.
No se conocen buenas caracterizaciones para grafos
hamiltonianos.
Cmo intentar construir un circuito hamiltoniano?.
No se conocen algoritmos polinomiales para decidir si un
grafo es hamiltoniano o no.

Teorema: Sea G un grafo conexo. Si existe W V tal que

G \ W tiene c componentes conexas con c > | W| entonces G
no es hamiltoniano.
Es cierta la recproca de este teorema?
Teorema (Dirac): Sea G un grafo con n 3 y tal que para
todo v V se verifica que d(v) n/2 entonces G es
hamiltoniano.
Es cierta la recproca de este teorema?

Heurstica para decidir si un grafo es hamiltoniano (Posa)

----------------------------------------------------------------------------

Empezar
Poner P = , k=1 , j =0
Mientras sea posible y |P | n hacer
elegir j V tal que j sea vecino de k
si j P poner P = P { (k,j)}, k = j
sino
buscar (j,m) X tal que P \ { (j,m)} { (k,j)} sea
un camino simple.
Poner P = P\ { (j,m)} { (k,j)}
k=m
Fin
Fin
Si j = 1 return EXITO
Sino return FRACASO
Fin

Problema del viajante de comercio (TSP)

Dado un grafo G con longitudes asignadas a los ejes queremos
determinar un circuito hamiltoniano de longitud mnima.
No se conocen algoritmos polinomiales para resolver el
problema del viajante de comercio.
Tampoco se conocen algoritmos - aproximados polinomiales
para el TSP general (si se conocen cuando las distancias
sean euclideanas)
Es el problema de optimizacin combinatoria ms estudiado.

Algunas heursticas y algoritmos aproximados para el TSP

Heurstica del vecino ms prximo
-----------------------------------------------------------------------Empezar
Elegir un nodo v cualquiera de G
Poner l(v) = 0
Inicializar i = 0
Mientras haya nodos sin marcar hacer:
poner i = i +1
elegir el eje (v,w) ms barato tal que w no est marcado.
poner l(w) = i
poner v = w
Fin
--------------------------------------------------------------------------------------Cul es la complejidad de este algoritmo?.

Heursticas de insercin
------------------------------------------------------------------------Empezar
Construir un circuito de longitud 3.
Marcar los nodos del circuito
Mientras haya nodos sin marcar hacer
ELEGIR un nodo v sin marcar
INSERTAR v en el circuito
Fin
----------------------------------------------------------------------Cmo ELEGIR?. Cmo INSERTAR?.... variantes de la
heurstica de insercin.

Para INSERTAR el nodo v elegido

si ci j es el costo o la longitud de un eje (i,j), elegimos dos
nodos i, i+1 que ya estn en el circuito y son consecutivos
en el mismo y tal que
ci v + cv i+1 c i i+1
sea mnimo. Insertamos v entre i e i+1.

Podemos ELEGIR el nuevo nodo v para agregar al circuito tal

que:

v sea el nodo ms prximo a un nodo que ya est en el

circuito.
v sea el nodo ms lejano a un nodo que ya est en el
circuito.
v sea el nodo ms barato, o sea el que hace crecer
menos la longitud del circuito.
v se elige al azar.

En los dos primeros casos y en el cuarto la complejidad del algoritmo es

O(n2), en el tercero es O(n2 log n)

En el caso de grafos euclideanos (por ejemplo grafos en el

plano R2), se puede implementar un algoritmo de insercin
usando la cpsula convexa de los nodos como circuito
inicial
insertando en cada paso un nodo v tal que el ngulo
formado por los ejes (w,v) y (v,z), con w y z en el circuito ya
construido, sea mximo.
Hay muchas variantes sobre estas ideas.

Heurstica del rbol generador

-------------------------------------------------------------- Encontrar un rbol generador mnimo T de de G

Duplicar los ejes de G
Armar un circuito euleriano E con los ejes de G y sus
duplicados
Recorrer E usando DFS y armar un circuito hamiltoniano G
-------------------------------------------------------------------------Cul es la complejidad de este algoritmo?

Teorema: Si las distancias del grafo cumplen la desigualdad

triangular la heurstica del rbol generador tiene una
perfomance en el peor caso dada por
xH (i)/ x* (i) 2

O sea si las distancias son euclideanas hay algoritmos

polinomiales para el problema del TSP aproximado.

Perfomance de las otras heursticas en el peor caso:

Si las distancias en G son euclideanas se pueden probar que
valen las siguientes cotas para la perfomance en el peor
caso:

Vecino ms prximo
xh (i)/ x* (i) (log n +1)
Insercin del ms prximo xh (i)/ x* (i) 2
Insercin del ms lejano
xh (i)/ x* (i) 2 log n + 0.16
Insercin del ms barato
xh (i)/ x* (i) 2

Heursticas de mejoramiento
Cmo podemos mejorar la solucin obtenida por alguna heurstica
constructiva como las anteriores?
Heurstica 2-opt de Lin y Kernighan

-------------------------------------------------------------------------

Obtener una solucin inicial H (o sea un circuito hamiltoniano H), por

ejemplo con alguna de las heursticas anteriores.
Mientras sea posible hacer:
. Elegir dos ejes de G tal que al sacarlos de H y reemplazarlos por
los dos necesarios para reconstruir un nuevo circuito hamiltoniano H
obtengamos un H de longitud menor a la de H.
. H = H
. Fin
---------------------------------------------------------------------------------------Cundo para este algoritmo?. Se obtiene la solucin ptima del TSP de
este modo?
Algoritmo de bsqueda local

En vez de elegir para sacar de H un par de ejes que nos lleve a obtener
un circuito de menor longitud podemos elegir el par que nos hace
obtener el menor H entre todos los pares posibles.(ms trabajo
computacional)

Esta idea se extiende en las heursticas k-opt donde se hacen

intercambios para cualquier k. O sea en vez de sacar dos ejes, sacamos
k ejes de H y vemos cual es la mejor forma de reconstruir el circuito.
En la prctica se usa slo 2-opt o 3 opt.

Estas mismas ideas se pueden usar para construir un algoritmo Tabu

Search para el TSP definiendo los vecinos de una solucin usando 2opt o 3 opt. (Ver . ppt de Metasaheursticas)

Planaridad
Def: Un grafo es planar si puede representarse en el plano sin
que sus ejes se crucen.
Ej.: K5 y K33 son grafos no planares. K5 es el grafo no planar
con el menor nmero de nodos y K33 es el que tiene el menor
nmero de ejes.
Prop: Si un grafo contiene un subgrafo no-planar es no-planar.

Teorema de Kuratowski
Def: Subdividir un eje e = (v,w) de un grafo G, consiste en
agregar u un nodo a G y reemplazar el eje e por dos ejes e=
(v,u) y e = (u,w).
Def: Un grafo Ges una subdivisin de otro grafo G si Gse
puede obtener de G por sucesivas operaciones de
subdivisin.
Def: Dos grafos G y G se dicen homeomorfos si hay un
isomorfismo entre una subdivisin de G y una de G.

Prop: la planaridad es invariante bajo homeomorfismo.

Corolario: Si un grafo G tiene un subgrafo que es homeomorfo

a un grafo no planar entonces G es no-planar

Teorema (Kuratowski, 1930) Un grafo es planar si y slo si no

contiene ningn subgrafo homeomorfo a K33 o K5.

Teorema de Whitney
Def: La operacin de contraccin de un eje e= (v,w) consiste en
eliminar el eje del grafo y considerar sus extremos como un
solo nodo u. (quedan como ejes incidentes a u todos los ejes
que eran incidentes en v y en w).
Def: Un grafo G es una contraccin de otro grafo G si se puede
obtener a partir de G por sucesivas operaciones de contraccin.
En este caso se dice que G es contraible a G.
Teorema: (Whitney) G es planar si y slo si es no contiene
ningn subgrafo contraible a K33 o K5.
Se podran usar estos dos teoremas en la practica para decidir si

Teorema de Euler
Def: Dada una representacin planar de un grafo G, las
regiones de G son los conjuntos conexos (en el sentido
topolgico) maximales que quedan en el plano R2 al sacar
los puntos correspondientes a los nodos de G.
Def: La frontera de una regin es el circuito que rodea a la
regin. (puede tener nodos y ejes repetidos).
Def: El grado o tamao de la regin es el nmero de ejes que
tiene su frontera.

Teorema: (Euler, 1752) Si G es un grafo conexo planar

entonces cualquier representacin planar de G determina
r=m-n+2
regiones en el plano.
(esto fue demostrado en realidad por Euler como una ecuacin
que relaciona el nmero de caras, aristas y vrtices de un
poliedro y se conoce como ecuacin poliedral de Euler).
Corolario: Si G es conexo y planar con m > 1, entonces
m 3 n - 6.
Corolario: Si G es conexo, bipartito y planar con m > 1,
entonces m 2 n - 4.

TESTEO DE PLANARIDAD
Algoritmo de Demoucron , Malgrange y Pertuiset
IDEA
Se empieza con R , representacin planar de un subgrafo S de G
y se va extendiendo dicha representacin hasta obtener una
representacin planar de todo el grafo o concluir que no es
posible representar el grafo G en forma planar.
Si el grafo es planar cada componente c (componente conexa)
de G\ R tiene que quedar en una regin de R.
Si el grafo es planar los ejes que conectan a c con un conjunto
W de nodos de R no pueden cruzarse con otros, entonces
todos los nodos de W estn en la frontera de alguna misma
cara o regin de R. (los nodos pueden estar en la frontera de
ms de una cara)

NOTACION, DEFINICIONES
Llamamos parte p de G relativa a R

a:

i) Un eje e = (u,v) de G\R tal que u,v R

ii) Una componente de G\R junto con los ejes que la
conectan a nodos de R (ejes colgantes).
Un nodo de contacto de una parte de G relativa a R es un
nodo de G\R incidente a un eje colgante.
R es extensible a una representacin planar de G si se puede
obtener una representacin planar de G a partir de R.

 Una parte P es dibujable en una cara f si existe una

extensin planar de R en la que p queda en f.
Una parte p es potencialmente dibujable en f si todo nodo de
contacto de p est en f. (se deduce que p es dibujable en una
cara f de R slo si todo nodo de contacto est en f)

Algoritmo
Inicializacin. Tomar como R inicial un circuito de G.
Mientras R no sea una representacin planar de G:
Particionar R en partes relativas a G\R
Identificar para cada parte p el conjunto F(p) de las caras en las que
p es potencialmente dibujable
Si para algn p, F(p) es vaco parar. Return FALSE
Sino
si hay algun p para el cual F(p) tiene una sola cara f, elegir esa
cara.
sino elegir una cara cualquiera f correspondiente a un p
cualquiera.
Determinar un camino q, formado por ejes de p, entre un par
de
nodos de contacto de p.
Poner R = R U q

Teorema: El algoritmo de Demoucron es correcto. (es decir

encuentra una representacin planar de G si existe, o si G es
noplanar lo reconoce correctamente).
Complejidad: La complejidad de este algoritmo es O(n2)
Existen algoritmos para detectar planaridad de complejidad
menor. Hopcroft y Tarjan propusieron un algoritmo de
complejidad O(n), ms complicado de describir que este.

Coloreo de Grafos
Def: Un coloreo vlido de los nodos de un grafo G
es un asignacin de colores a los mismos en la cual
2 nodos adyacentes no tengan el mismo color.
Def: El nmero cromtico (G) de un grafo G es el
menor nmero de colores con que se puede colorear
un grafo.

Ejemplos:

(Kn ) = n
Si G es un grafo bipartito con m > 0, entonces (G)
=2.
Si G es un circuito simple par , entonces (G) =2.
Si G es un circuito simple impar , entonces (G) =
3.
Si T es un rbol con n > 1, entonces (T) =2.

Cotas para (G)

Prop: Si H es un subgrafo de G entonces

(H) (G)
Def: Una clique en un grafo es un subgrafo completo
maximal. El nmero clique (G) de un grafo es el nmero
de nodos de una clique mxima de G.
Prop: Para cualquier grafo G, (G) (G) .

Es buena esta cota?

Grafos de Mycielski
Se definen por induccin:
i) M2 = K2
ii) Mi+1 se construye a partir de Mi mediante el siguiente
procedimiento:
El conjunto de nodos de Mi+1 se forma con el conjunto de

nodos v1vp de Mi, ms un conjunto igual de nuevos

nodos u1up , ms un nuevo nodo w (o sea Mi+1 tiene 2p+1
nodos).
El conjunto de ejes de Mi+1 se forma con los ejes que

estaban entre los vi, ejes uniendo cada ui con los vecinos de vi
en Mi y ejes uniendo w con cada ui.
Cul es el nmero cromtico de Mi?.
Cul es la clique mxima de Mi?.

 Prop: (G) max (G) +1 donde max (G) es el

mximo de los grados de G
Teorema (Brooks): Sea G un grafo conexo que
no es un circuito impar ni un grafo completo.
Entonces (G) max (G) .

Son buenas estas cotas?

Problema de los cuatro colores

Teorema de los 4 colores (Appel, Haken, 1976):
Si G es un grafo planar (G) 4 .
Teorema (Heawood, 1890): Si G es un grafo
planar (G) 5

Algoritmos para coloreo de grafos

Problema difcil, computacionalmente no
resuelto.
Hay muchsimo trabajo en desarrollo de algoritmos,
especialmente heursticas para coloreo de grafos.
Daremos slo algunos ejemplos de todos estos
algoritmos heursticos y un algoritmo exacto.

Algoritmo secuencial (S)

------------------------------------------------------------------------Empezar
poner f(v1) = 1
para i = 2,3,.....hacer
poner f(vi) = min {h/ h1 y f (vj) h para vj
adyacente a vi con 1 j i -1}
Fin
-------------------------------------------------------------------------

 Llamamos s(G) al nmero de colores usado por el

algoritmo secuencial para colorear G y
definimos
us (G, v1, v2.......vn) = max 1 i n min{i, d(vi)+1 }
Entonces para cualquier ordenamiento de los nodos
de G
(G) s(G) us (G, v1, v2.......vn)

 Importa el orden en que se colorean los nodos

con el algoritmo secuencial?.
Orden Largest First (LF): colorear los nodos ordenados
de mayor grado a menor grado.
Prop: Si uLF(G) = us (G, v1, v2.......vn) donde v1, v2.......vn
estn ordenados segn LF. Entonces
uLF(G) mins us (G, v1, v2.......vn)
donde el mnimo est tomado sobre todos los ordenes s
posibles.

Esto implica que siempre el algoritmo secuencial da

un resultado mejor si se usa LF?

 Otra cota (mejor) para el nmero de colores usados por el

algoritmo secuencial es:
us (G, v1, v2.......vn) = 1 + max1 i n {dGi(vi) }
donde dGi(vi) es el grado del nodo vi en el grafo inducido por v1,
v2.......vi .
Otro orden:Smallest Last (SL):
poner
i) vn el nodo de mnimo grado de G
ii) para i = n-1....1 poner como vi el nodo de grado mnimo en el
subgrafo de G inducido por
V \ { vn ,vn-1, .......vi+1 }

Definimos
uSL (G) = 1 + max 1 i n min 1 j i {dGi(vj)}
Se puede demostrar (ejercicio) que:

SL (G) uSL (G)

SL (G) 1 +max HG min vV(H){dH(v)}
uS (G) uS (G) para cualquier orden de los nodos
u SL (G) u LF (G)
SLS colorea un grafo planar con 6 colores o menos.
Son buenas estas cotas?

Algoritmo secuencial con intercambio (SI)

Empezar
poner f(v1) = 1, k=1
Para i = 2,3,.....n hacer
Empezar
poner g = min {h/ h1 y f (vj) h para vj
adyacente a vi con 1 j i-1 }
Si g k entonces poner f(v1) = g
Sino
Si existe una componente bicolor Gpq con 1 p,q k, p < q, tal que
un vecino de vi ya coloreado con p est en Gpq y en la cual se
pueda hacer intercambio para liberar el color p entonces
Reordenar los colores de Gpq. Poner f (vi) = p
sino poner f (vi) = g y k = k+1
Fin

Es siempre mejor el algoritmo SI que el algoritmo

S?. No, generando grafos al azar se han encontrado
algunos ejemplos complicados donde SI usa ms
colores que S.
Se puede demostrar que:
SI colorea un grafo bipartito con 2 colores
(ejercicio).
SI con el ordenamiento SL colorea un grafo planar
con 5 colores como mximo.

Cmo se ve si estas heursticas son buenas?.

Cmo se decide cul es mejor?

Algoritmo secuencial con bracktracking

Es un algoritmo exacto.
v1, v2.......vn ordenamiento de los nodos.
Ui = conjunto de colores posibles para i, una vez que han sido
coloreados v1, v2.......vi-1.
Si slo buscamos coloreos ptimos y evitamos coloreos
equivalentes podemos suponer que
1 f(vi) l +1
donde l es el nmero de colores usado para 1....vi-1

Algoritmo

Se asigna el color 1 a v1.

Para i = 2,....n se determina el conjunto Ui de colores factibles para vi.

Ui incluye todas las asignaciones de colores posibles que no llevan a
coloreos no ptimos o equivalentes.
Entonces si l i-1 es el mximo color usado para v1,...vi-1, para todo color
j Ui debe verificar:

. j l i-1 + 1
. j min{i, d(vi)+1 }
. j no es color de un vecino de i ya coloreado
. Si ya se encontr un coloreo del grafo con q colores
j q-1
Se deja de explorar una rama cuando Ui = o se colore a vn.

Con estas restricciones se hace una bsqueda completa. En

el rbol de bsqueda se abre una rama a partir de cada nodo
(correspondiente a un coloreo de v1......vi-1), para cada
elemento de Ui.

Se avanza por las ramas coloreando los siguientes nodos

hasta que ocurre alguna de las siguientes situaciones:
i) se colore vn
ii) se lleg a un nodo con Ui = .
A partir de esta situacin se hace backtracking.

Coloreo de ejes
Def: Un coloreo vlido de los ejes de un grafo G es
un asignacin de colores a los mismos en la cual 2
ejes que tienen un nodo en comn no tengan el
mismo color.
Def: El ndice cromtico (G) de un grafo G es el
menor nmero de colores con que se pueden
colorear los ejes de un grafo.
Teorema de Vizing: para todo grafo G se verifica que
(G ) = max (G) o (G ) = max (G) +1.

Matching , recubrimiento, conjunto independiente

Def: Dado un grafo G =(V,X), una correspondencia entre los
nodos de G (o matching), es un conjunto M de ejes tal que
para todo v V, v es incidente a lo sumo a un eje e M.
Def: Dado un grafo G =(V,X), un conjunto independiente I de
nodos de G , es un conjunto de nodos tal que para todo
e X, e es incidente a lo sumo a un nodo v I.

Def: Dado un grafo G =(V,X), un recubrimiento de los ejes de

G, es un conjunto Rn de nodos tal que para todo e X, e es
incidente al menos a un nodo v Rn.
Def: Dado un grafo G =(V,X), un recubrimiento de los nodos de
G, es un conjunto Re de ejes tal que para todo v V, v es
incidente al menos a un eje e Re.

Def: un nodo v se dice saturado por un matching M si hay un eje

de M incidente a v.

Def: Dado un matching M en G, un camino alternado en G, es

un camino simple donde se alternan ejes que estn en M con
ejes que no estn en M.

Lema: Sean M0 y M1 dos matching en G y sea G= (V, X) con

X= ( M0 - M1) ( M1 - M0) entonces las componentes
conexas de de Gson de alguno de los siguientes tipos:
i) nodo aislado
ii) circuito simple con ejes alternadamente en M0 y M1.
iii) camino simple con ejes alternadamente en M0 y M1

Teorema: M es un matching mximo si y slo si no existe un

camino alternado entre pares de nodos no saturados.

Teorema: Dado un grafo G, si M es un matching mximo y Re

un recubrimiento mnimo de los nodos de V, entonces M
+Re = n.

Teorema: Dado un grafo G, si I es un conjunto independiente

mximo y Rn un recubrimiento mnimo de los ejes de V,
entonces I+Rn = n.
(ejercicio)

Flujo en redes
Def: una red N es un grafo orientado conexo que tiene dos nodos
distinguidos una fuente s con grado de salida positivo y un
sumidero t con grado de entrada positivo.
Def: Una funcin de capacidades en la red es una funcin
c(e)0 definida para todo eXN.

10

Capacidad

5
15

9
15

15

30

10
6

8
6

10

15
10
7

Def: Un flujo factible en una red N con capacidades, es una

funcin f: XN R+ que verifica:
i) 0 f(e)c(e) para todo eje e.
ii) eIn(v) f(e)=eOut(v) f(e) para todo nodo v salvo s y t, donde
In(v)={eXN, e=wv con w otro nodo de N}
Out(v)={eXN, e=vw con w otro nodo de N}
(ley de conservacin de flujo)
Valor del flujo: F=eIn(t) f(e)- eOut(t) f(e)

0
2

10
4

15

15

4
s

Capacidad

5 0

15
0

Flujo
F=4

8
0
6

10
4

15

10
0

0
10

30
0

Problema: determinar el flujo de mximo valor F

que se puede definir en la red.
Def: un corte en la red N es un subconjunto S V , tal que sS
y t S.
Def: SS={ejes que tienen la cola en S y la cabeza en S}
SS={ejes que tienen la cola en S y la cabeza en S}
donde S=V \S
Proposicin: Sea f un flujo definido en una red N y sea S un
corte, entonces F=eSS f(e)-eSS f(e)

0
2

10
4

15

15

4
s

5 0

15
0

F=4

8
0
6

10
4

15

10
0

0
10

30
0

0
2

10
4

15

15

4
s

5 0

15
0

F=4

8
0
6

10
4

15

10
0

0
10

30
0

0
2

10
4

15

15

4
s

5 0

15
0

F=4

8
0
6

10
4

15

10
0

0
10

30
0

0
2

10
4

15

15

4
s

5 0

15
0

F=4

8
0
6

10
4

15

10
0

0
10

30
0

Def: la capacidad de un corte S se define como

c(S)=eSS c(e)
Lema: si f es una funcin de flujo con valor F y S es un corte en
N, entonces Fc(S).
Corolario (certificado de optimalidad): Si F es el valor de un
flujo y S un corte en N tal que F=c(S) entonces F es un flujo
mximo y S es un corte de capacidad mnima.

10

5
15

9
15

15

30

10
6

8
6

10

15
10
7

C(S) = 30

10

5
15

9
15

15

30

10
6

8
6

10

15
10
7

C(S) = 62

10

5
15

9
15

15

30

10
6

8
6

10

15
10
7

C(S) = 28

6
2

10

10
4

15

15

8
s

5 4

15
10

F = 24

8
0
6
30
10

10
8

15

10
0

10
10

C(S) = 28

9
2

10

10
4

15

15

8
s

5 3

15
15

F = 28

8
5
6
30
15

10
9

15

10
0

10
10

C(S) = 28

Algoritmo de Ford y Fulkerson

Def: Dado un camino no orientado en N
P=s=v0,e1,v1...vk-1,ek,vk=t,
a) ei es un eje hacia delante si est orientado desde vi-1 hasta vi,
es decir ei=(vi-1,vi)
b) ei es un eje hacia atrs si est orientado desde vi hasta
vi-1, es decir ei=(vi,vi-1)
Def: Un camino de aumento en N es un camino P entre s y t tal
que el flujo en un eje hacia delante puede crecer y en un eje
hacia atrs puede decrecer, o sea para todo eje e de P se
verifica que:
f(e)<c(e) si e es hacia delante o f(e)>0 si e es hacia atrs

Algoritmo de camino de aumento

Input: una red N y una funcin de flujo definida en ella.
Inicializacin: S = {s}. Poner a s el label 0. Poner i = 1.
Mientras sea posible y S no contenga al sumidero t hacer
si existe
. un eje e=vw tal que v est marcado y w no est marcado y
tal que f(e )<c(e) o
. un eje e=wv tal que v est marcado y w no est marcado y
tal que f(e )>0
entonces
poner ant(w)=v
marcar a w con el label i
poner S=S{w}, i = i+1
Fin mientras
Si S no contiene a t
Return S corte de V
Sino
Reconstruir el nico camino de aumento marcado P entre s y t usando los
valores de ant a partir de t.
Return P camino aumentado.
Fin

Proposicin: El algoritmo de camino de aumento es

correcto, o sea determina un camino de aumento si
lo hay, y si no llega a marcar t es porque no hay
camino de aumento.
(el algoritmo de camino de aumento no dice en que
orden deben marcarse los nodos)

Algoritmo de Ford y Fulkerson

Input: una red N con capacidades en los ejes.
Inicializacin: Definir un flujo inicial en N. Por ejemplo poner
f(e)=0 para todo eXN .
Mientras exista un camino de aumento en N hacer
.Encontrar un camino de aumento P.
. Poner M=mineP {(e)} donde

(e)=c(e)-f(e) si e es hacia delante en P

f(e) si e es hacia atrs en P
.Para cada eje e de P poner
f(e)=f(e)+M si e es hacia delante en P
f(e)-M
si e es hacia atrs en P
Fin (el flujo final es mximo)

2
3

5
1

1
2
3

4
1

1
2
2

2
3

5
1

1
2
3

4
1

1
2
2

2
3

5
1

1
2
2
3
1

4
1

1
1
2
2

2
3

5
1

1
2
2
3
1

4
1

1
1
2
2

2
3

5
1

1
2
1
2
3
1

1
1

1
11
2
1
1

2
3

5
1

1
2
1
2
3
1

1
1

1
11
2
1
1

2
3

5
1

1
1
2
3
1

1
2
1

1
11
1
1

1
2

2
3

5
1

1
1
2
2
3
1

1
2
1

1
11
1
1

1
2

2
3

5
1

1
1
2
1
2
2
1

1
2
1

1
11
1
2
1

1
2

2
3

5
1

1
1
2
1
2
2
1

1
2

1
11
1
2

2
1

4
3

2
3
2

1
2
2
1

5
1

1
1

1
2

1
2

2
1

4
3

2
3
2

1
2
2
1

5
1

1
1

1
2

1
2

2
1

4
3

2
3
2

1
2
2
1

5
1

1
1

1
2

1
2

2
1

1
2

2
2

Teorema: Si los valores del flujo inicial y las

capacidades de los ejes son enteras el mtodo de
Ford y Fulkerson termina en un nmero finito de
pasos (i.e. es un algoritmo!!) y determina un flujo
mximo en N.

Corolario: El valor del flujo mximo en una red N es

igual a la capacidad de un corte mnimo.
(problemas duales)

Qu pasa si las capacidades o los valores del flujo son

nmeros irracionales?.
En este caso el mtodo de Ford y Fulkerson puede no parar, o
sea realizar un nmero infinito de pasos.
A continuacin mostramos un ejemplo, donde el mtodo no
para si el camino de aumento se elige en cada iteracin de
acuerdo a lo que se indica en la tabla.

Sea
Vale que

para todo

En la siguiente red todos los arcos tienen capacidad

salvo 3 arcos:

Complejidad de Ford y Fulkerson

Cul es el nmero mximo de iteraciones que
requiere Ford y Fulkerson cuando las capacidades
y los flujos iniciales son enteros?.
Si no se especifica el orden en el que se eligen los ejes
y nodos a marcar en al algoritmo de camino de
aumento, el nmero de iteraciones puede ser no ser
polinomial respecto del tamao del problema.

Modificacin de Edmonds y Karp:

Usar BFS en el algoritmo de camino de aumento para
marcar nodos y ejes En este caso se puede
demostrar que la complejidad del algoritmo queda
O(m2 n). Hay otros algoritmos ms eficientes (ms
complicados).
(Esto es suficiente para ver que el problema de flujo
tal cual lo definimos esta computacionalmente
bien resuelto, sin embargo hay otros algoritmos
ms eficientes).

Formulacin del problema de flujo como un problema de

programacin lineal

max F
sujeto a

t,s

eint(t)xe - eout(t)xe = F
eout(v)xe - xe in(v) = 0 para todo v
0 xe c(e) para todo eXN.

(Esta formulacin nos permite usar otros mtodos

para resolver los problemas de flujo que escapan a
la temtica de este curso.)

Aplicacin a otros problemas de grafos

Lema : Sea N una red tal que dout(s)>din(s),
din(t)>dout(t) y tal que dout(v)= din(v) para todo v distinto de s y t.
Entonces hay un camino orientado simple entre s y t en N.
Dem: Sea W el camino simple orientado mas largo que sale de
s y sea z su ltimo nodo. Este ltimo nodo tiene que ser
necesariamente t porque cada vez que un camino llega a z
tiene que poder seguir ya que dout(z)= din(z). Por otro lado si
un nodo est repetido en W, hay un ciclo que se puede
borrar de W.

Proposicin: Sea N una red tal que

dout(s)- din(s)=dint(t)- dout(t) = p
y tal que dout(v)= din(v) para todo v distinto de s y t.
Entonces existe un conjunto de p caminos simples orientados
disjuntos en los ejes entre s y t.
Dem: (ejercicio, sugerencia: por induccin en p y usando el
lema anterior)

Proposicin: Sea N una red con fuente s y sumidero

t, tal que c(e)=1 para todo eje e. Entonces el valor
F* de un flujo mximo en N es igual al nmero de
caminos simples disjuntos en los ejes entre s y t.

Dem: Sea f* un flujo mximo en N y sea r el mximo nmero

de caminos simples disjuntos entre s y t en N. Consideramos
la red N* obtenida de N sacando los ejes en los cuales f*(e)
= 0. Entonces f*(e) = 1 para todo eje e de N* . Se puede ver
que para todo nodo v de N* se cumplen las condiciones de
la proposicin anterior, y entonces hay F* caminos en N* y
por lo tanto en N. O sea F* r.
Para ver que se cumple la desigualdad inversa, ver que si
{P1,P2Pr} es un conjunto de cardinal mximo de caminos
simples disjuntos en N, la funcin f definida como f (e) = 1
si e pertenece a algn Pi y f(e) = 0 sino es un flujo en N de
valor r, tal que su valor es r. Por lo tanto el flujo mximo
cumple que F* r.

Def: Un conjunto de ejes s-t separador en un digrafo G es un conjunto

de ejes, tal que si se los saca de G, no quedan caminos orientados entre
s y t en el grafo resultante.
Qu relacin hay entre un corte entre s y t y un conjunto separador?
Proposicin: sea N una red tal que c(e)=1 para todo eje e. La capacidad
de un corte mnimo en N es igual al cardinal de un conjunto de ejes s-t
separador mnimo en N.
Dem: (ejercicio)
Teorema (Menger): Sean s y t dos nodos distintos en un grafo orientado
D. Entonces el mximo nmero de caminos orientados disjuntos entre s
y t en D es igual al cardinal de un conjunto de ejes s-t separador
mnimo en D.
Dem: es un corolario inmediato de las dos proposiciones anteriores.

Como usar flujo para determinar un matching

mximo en un grafo bipartito G?,
Sea V = V1 U V2 una particin segn la definicin de grafo
bipartito. Armar una red Nst agregando a G una fuente s y un
sumidero t y un eje entre s y cada nodo de V1, y entre cada
nodo de V2 y t. Asignar capacidad 1 a todos los ejes del
nuevo grafo Nst .

Teorema de Hall:
Si G es un grafo bipartito con particin (V1, V2)
entonces G tiene un matching que satura a V1 si y slo si para
todo W V1, |W| |(W)|, donde (W) es el conjunto de
vecinos de los nodos de W.

Dem: (resumen)
< = Si existe un matching que satura a V, cada nodo de W es
vecino de un nodo distinto de V2, y por lo tanto |W| |(W)|.
= > Un matching que satura a V1 corresponde a un flujo mximo
en Nst con valor | V1 | , entonces es suficiente mostrar que un
corte mnimo tiene capacidad | V1|.
El corte definido por {s} tiene capacidad |V1|. Hay que ver que
cualquier otro corte tiene capacidad mayor. Sea <S, S > el
conjunto de ejes de un corte cualquiera y W = S V1 . Se
puede escribir
<S, S > = <{s}, S V1 > <W, S V2 > < S V2 ,
{t}>

Usando esto y la hiptesis del teorema para W, y mirando un grfico de Nst se puede
demostrar que
cap(S) = | < |{s}, S V1 > | + | <W, S V2 > | + | < S V2 , {t}> | =
(todas las capacidades son 1)
= | V1 -W | + | <W, S V2 > | + | S V2 | (por construccin de Nst)
| V1 -W | + | V2 (W)| + | S V2 | = ( por definicin de (W))
= | V1 -W | + | (W)| - | S (W)| + | S V2 |
| V1 -W | + | (W)| - |S V2 | + | S V2 | = (porque (W)
= | V1 -W | + | (W)|
| V1 -W | + | W| (por hiptesis)
| V1|.

V)
2

Problema del matrimonio:

Dado un conjunto de mujeres, cada una de las
cuales conoce a un subconjunto de los hombres,
bajo que condiciones es posible que cada mujer se
case con uno de los hombres que conoce?
Usar teorema de Hall.

Complejidad
Problemas NP-Completos

 Objetivo: queremos algoritmos eficientes para resolver distinto

tipo de problemas.
Algoritmo eficiente = Algoritmo de complejidad polinomial
Problema bien resuelto: Un problema para el cual conocemos
algoritmos polinomiales para resolverlo.

Queremos ahora clasificar los problemas segn su

complejidad.
La clasificacin y el estudio de la teora de complejidad se
hace para problemas de decisin:
problemas cuya respuesta es si o no.

Varias versiones de un mismo problema de optimizacin

:
Versin de optimizacin: Encontrar una solucin del
problema de valor mximo o mnimo.
Versin de evaluacin: Determinar el valor de una solucin
ptima de .
Versin de localizacin: Determinar una estructura que sea
una solucin factible de .
Versin de decisin: Dado un entero k, una instancia I de
un problema , y dada una estructura S: es cierto que S es
una solucin de tal que c(S) < k (si el problema es de
minimizacin ) o tal que c(S) > k (si el problema es de
maximizacin)

Ejemplo: problema del viajante de comercio:

Versin de optimizacin: dado un grafo G con longitudes
asignadas a los ejes determinar un circuito hamiltoniano de
longitud mnima.
Versin de evaluacin: Determinar el valor de una solucin
ptima, o sea la longitud de un circuito hamiltoniano de
longitud mnima.
Versin de localizacin: : dado un grafo G con longitudes
asignadas a los ejes, determinar un circuito hamiltoniano
en G.
Versin de decisin: Dado un nmero k, existe un circuito
hamiltoniano de longitud k?.

Qu relacin hay en la dificultad de resolver

las distintas versiones de un mismo
problema?

Problemas intratables
Un problema puede ser intratable por distintos
motivos:
el problema requiere una repuesta de longitud
exponencial (ejemplo: pedir todos los circuitos
hamiltonianos de longitud a lo sumo k).
el problema es indecidible (ejemplo: Problema de la
parada: no existe un algoritmo para decidir si dado un
algoritmo y un input para el mismo, el termina o no
(Turing 1936)).
el problema es decidible pero no se conocen algoritmos
polinomiales que lo resuelvan.

Las clases P y NP
Def: Un problema de decisin est en la clase P si
existe un algoritmo polinomial para resolverlo.
Def: Un problema de decisin est en la clase NP si
dada una instancia de si, y una solucin de la
misma, esta solucin se puede verificar en tiempo
polinomial.

P : polinomial
NP: nondeterministic polinomial

Es fcil de ver que:

P NP
PROBLEMA ABIERTO:
es P NP?
Problema abierto ms importante de teora de la
computacin.

Ejemplos de problemas en NP:

Estn en NP las versiones de decisin de los siguientes
problemas:

Problema de determinar un rbol generador mnimo (P!)

Problema de clique mxima
TSP
Determinar un conjunto independiente de cardinal mximo
Problema de satisfabilidad (SAT): dado un conjunto de
clasulas C1,Cm formadas por variables Booleanas
x1,xm determinar si hay una asignacin de valores a los xi
tal que la expresin C1^ C2 ^. ^ Cm sea verdadera.

Otra forma de caracterizar a los problema de la clase

NP:
Lema: Si es un problema de decisin que est en la
clase NP, entonces una respuesta Si o NO para el
problema puede ser obtenida en tiempo exponencial
respecto del tamao del problema.
La clase NP se puede redefinir como el conjunto de
problemas de decisin que se pueden resolver por
un algoritmo polinomial nodeterminstico.

Ejemplo de algoritmo nodeterminstico

Problema: Decidir si un grafo tiene un conjunto independiente de tamao
k.
Algoritmo:
i) Primitiva o mdulo adivinador:
Definir m(S) = {0 si V= S o j V , (j) S
{ 1 para j V \ S y (j) S =
ii) Algoritmo Indep
Poner S =
Mientras m(S) 0 hacer
S = S {j}
Si |S| k retorna XITO
Si no, FRACASO

Mquinas de Turing no determinsticas

Una mquina de Turing no determinstica tiene los mismos
componentes que vimos para una mquina de Turing no
determinstica, ms un modulo adivinador similar a la
cabeza de lectura, pero que slo puede escribir. La
mquina actua en dos etapas:
v)

En primer lugar el mdulo adivinador escribe un string de

datos como input al problema.

vii) Despus este mdulo queda inactivo y la mquina

funciona como la mquina de Turing deterministica.

Otra definicin de la clase NP

Un problema de decisin est en la clase NP si sus

instancias de SI son reconocidas por una
mquina de Turing no- determinstica polinomial.

Transformaciones polinomiales
Dados dos problemas de decisin 1 y 2 se dice que 1 se
reduce o transforma polinomialmente a 2 ( 1 2) si
existe un algoritmo polinomial que transforma cada instancia
de 1 en una instancia de 2 y es capaz de traducir la
solucin de la instancia transformada de 2 en una solucin
de la instancia original de 1..

Problemas NP-Completos

Def: Un problema de decisin se dice que es NP-completo si:

) NP
v)
todo otro problema perteneciente a NP se puede
transformar polinomialmente a .

Para que esta definicin tenga sentido necesitamos

saber que existe algn problema NPcompleto.
la respuesta nos la da el siguiente teorema.
Teorema de Cook (1971): SAT es NP-completo

Importancia de este resultado.

Cmo podemos probar a partir de tener este primer resultado

que otros problemas son NP Completos?
Si es un problema de decisin podemos probar que es NPcompleto encontrando otro problema 1 que ya sabemos
que es NP-completo y demostrando que :

est en NP
1 es polinomialmente transformable en

Usando este mtodo se ha probado desde 1971 que hay cientos

de problemas NP-completos..

 Qu importancia tiene la clase de problemas NP-completos

desde el punto de vista de intentar resolver el problema
abierto
es P NP? ?.

Prop: Clique es NP-Completo

Dem: reducir SAT a CLIQUE.

Prop: Conjunto independiente es NP-Completo

Dem: usar que CLIQUE es NP-Completo.

Prop: Recubrimiento de los ejes es NP-Completo

Dem: usar que Conjunto independiente es NP-Completo.

Prop: Circuito Hamiltoniano en un grafo orientado.

Dem: usamos que recubrimiento de los ejes (Vertex cover) es
NP-Completo.
Sea G un grafo en el cual queremos ver si hay un recubrimiento
de cardinal k.
Definimos un grafo G=(V,X) de la siguiente forma:
a) Ponemos tres nodos en G por cada eje (i,j) en G: (i,j), {i,j} y
(j,i). Y ponemos tambin k nuevos nodos {1,2,3,k}

b) El conjunto de ejes estar compuesto por 3 tipos de ejes, o sea

X= A B C, donde :

Los nodos de la forma (i,j), {i,j} y (j,i) estn relacionados

entre si por los siguientes 4 ejes:
A = {((i,j), {i,j}), ({i,j}, (i,j)), ((j,i), (i,j)), ({i,j}, (j,i))}
v) Para h j se define el siguiente conjunto de ejes:
B = { ((h,i), (i,j)) para (h,i), (i,j) X, h j }
iii) Se agregan adems dos arcos entre cada uno de los nodos
1,2k y los nodos de tipo (i,j), o sea se agrega:
C = { ((i,j), h), (h, (i,j)), ((j,i), h), (h, (j,i)) para (i,j) X, h=
1,2 k }

Se puede ver que si G tiene un recubrimiento de k nodos (*)

V = {v1,vk }
y escribimos los ejes de G como
X = { {(vh,wh1),.(vh,whsh) } para h=1,2k }
entonces G tiene un circuito hamiltoniano:
H = {1, (v1,w11), { v1,w11 }, (w11, v1) ..(v1,w1s1), { v1,w1s1 },
(w1s1, v1),k, (vk,wk1), { vk,wk1 }, (wk1, vk), (vk,wksk),
{ vk,wksk }, (wksk, vk),1}
--------------------------------------------------------------------------(*) si tiene un recubrimiento de cardinal menor a k, se puede extender a
uno de k nodos.

La clase NP-Hard
Def:Un problema se dice que es NP-hard si todo otro
problema de NP se puede transformar polinomialmente a
(pero no pertenece a NP o no sabemos si pertenece a NP)
(En la prctica esta definicin se usa a veces por un abuso de
lenguaje tambin para problemas que no son de
decisin.)

Lo que sabemos hasta ahora

NP

N P - H a rd

N P - C o m p le to

Los problemas Co-NP y los problemas P

Def: Un problema de decisin es Co-NP si para todas las
instancias que tienen una respuesta NO esta puede ser
verificada en tiempo polinomial.
Problema complemento de un problema de decisin : Es
el problema de decisin relacionado con que responde al
complemento de la decisin de .
El problema complemento tiene respuesta NO si y slo si
tiene respuesta SI.

O sea la clase CO-NP es la clase de los problemas

complemento de los problemas de la clase NP.
Ejemplo: problema de primalidad y problema de nmero
compuesto.
La clase de los problemas polinomiales (P), est contenida
tambin en Co-NP, porque se puede usar el algoritmo
polinomial para verificar dada una instancia, cul es la
respuesta correcta.

Problemas abiertos de Teora de Complejidad

Con estas nuevas definiciones vemos que
tenemos los siguientes problemas abiertos:
Es P=NP?
Es Co-NP=NP?
Es P=Co-NPNP?

Las incgnitas.......
NP

NP

NP

N P - C o m p le t o
N P - C o m p le t o
P= N P
(= N P - C o m p le t o )

N P - In t e rm e d io

(a )

(b )

(c )

Tres mapas posibles para las clases de complejidad

Las incgnitas.....
C o -N P

NP

C o - N P - C o m p le t o

N P - C o m p le t o

Esta sera la situacin si se probara que PNP, NPCo-NP, PCo-NP

NP

Def: El problema es una restriccin de un problema si el dominio de

est includo en el de . Y en este caso se dice que es una
extensin de .

Qu implican estas definiciones en funcin de decidir cual es la

complejidad de un problema?
Ejemplos: Los siguientes problemas son NP-Completos
Isomorfismo de subgrafos: CLIQUE es una restriccin de Isomorfismo
de Subgrafos.
Viajante de comercio: Circuito Hamiltoniano es una restriccin del
problema del Viajante de Comercio.

Ejemplo: 3SAT es una restriccin de SAT, y SAT es NP-completo.

Podemos sacar de esto una conclusin sobre la complejidad de 3SAT?

Algoritmos Pseudopolinomiales
Un algoritmo para resolver un problema es pseudopolinomial
cuando la complejidad del mismo es polinomial en funcin
del tamao de la entrada de codificada en unario.
Ejemplo: se puede probar que el problema de la mochila es NP
completo, sin embargo existe un algoritmo de complejidad
O(nB) que lo resuelve. (n es la cantidad de objetods y B el
peso mximo que se puede cargar).

 Qu hacer ante un problema del que no sabemos en que

clase est?.
Qu importancia tiene saber si un problema est en P o no,
desde el punto de vista terico?.
Qu importancia tiene la misma pregunta desde el punto de
vista prctico, o sea ante una aplicacin real que se requiere
resolver?.
Qu hacemos si el problema que tenemos en la prctica
sabemos que es NP-completo?.

FIN