Brute Force and Graphs

Fuerza bruta y búsqueda exhaustiva
Grafos
Análisis y Diseño de Algoritmos
Dra. Aurea Soriano Vargas
1
Clase pasada
Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 2

Clase pasada
● Análisis del peor de los casos

Clase pasada
Esta es mi entrada
Este es mi algoritmo!
Algoritmo:
Diseñador de Hacer esto
algoritmos Hacer lo otro
Retornar la respuesta
Clase pasada

● Análisis asintótico (O( ), Ω( ), Θ( ))

Clase pasada


Clase pasada

● Teorema del maestro.

Clase pasada

● Análisis asintótico (O( ), Ω( ), Θ( )) Una fórmula útil es.
Conocer por qué
● Teorema del maestro. funciona deberías...

Clase pasada

● Lista de ejercicios #1.

Clase pasada

● Análisis asintótico (O (), Ω (), Θ ())
LISTA DE
EJERCICIOS 1

Clase pasada

● Algoritmo Gale-Shapley vs. Fuerza Bruta.

Clase pasada


Clase pasada


Clase pasada

● Teorema del maestro. Calcular todos los posibles
● Lista de ejercicios #1. emparejamientos perfectos
= n! × (tiempo de comprobar
● Algoritmo Gale-Shapley vs. Fuerza Bruta. si un emparejamiento es
estable)

El día de Hoy

Grafos

El día de Hoy

Grafos

Una forma sencilla de resolver un problema,

basada en la definición del problema en sí;


a menudo implica comprobar todas las posibilidades.


Pros:
● ampliamente aplicable
● fácil
● bueno para problemas de pequeñas entradas


Pros:
● Ampliamente aplicable
● Fácil
● Bueno para problemas de pequeñas entradas
Contra:
● A menudo ineficiente para grandes entradas

Fuerza bruta en diferentes contextos...
● Ordenación de Fuerza Bruta.

Ordenación de Fuerza Bruta
1. Ordenamiento por selección

a) Escanea el arreglo para encontrar el elemento más pequeño
b) Escanea el arreglo para encontrar el segundo elemento más pequeño
etc.


etc.


etc.

Ordenamiento por Selección
void selectionSort(int arr[]){

int i, j, temp, pos_greatest;
for( i = arr.length-1; i > 0; i--){
pos_greatest = 0;
for(j = 0; j <= i; j++){
if( arr[j] > arr[pos_greatest])
pos_greatest = j;
}//end inner for loop
temp = arr[i];
arr[i] = arr[pos_greatest];
arr[pos_greatest] = temp;
}//end outer for loop
}//end selection sort

Ordenamiento por Selección
Para un arreglo de tamaño n, en el peor de los casos:

● Primer paso por el bucle interno: n-1 comparaciones
● Segundo paso por el bucle interno: n-2 comparaciones
● …
● (n-1) paso por el bucle interior: una comparación
● Todos junto: c ((n-1) + (n-2) + ... + 1).
● (n-1) + (n-2) + ... + 1 = n(n-1)/2 = O(n2).


etc.
2. Ordenamiento de burbuja
a) Escanea el arreglo, intercambiando vecinos desordenados.
b) Continúa hasta que no se necesiten hacer cambios.


etc.
2. Ordenamiento de burbuja
a) Escanea el arreglo, intercambiando vecinos desordenados.
b) Continúa hasta que no se necesiten hacer cambios.

Ordenamiento por Burbuja
void bubbleSort(int arr[ ]){

int i;
int j;
int temp;
for(i = arr.length-1; i > 0; i--){
for(j = 0; j < i; j++){
if(arr[j] > arr[j+1]){
temp = arr[j];
arr[j] = arr[j+1];
arr[j+1] = temp;
}//
}// end inner loop
}//end outer loop
}// end bubble sort

Para un arreglo de tamaño n, en el peor de los casos:

● Primer paso por el bucle interno: n-1 comparaciones y n-1 intercambios
● Segundo paso por el bucle interno: n-2 comparaciones y n-2 intercambios
● …
● (n-1) paso por el bucle interior: una comparación y un intercambio
● Todos junto: c ((n-1) + (n-2) + ... + 1), donde c es el tiempo requerido para hacer una
comparación, un intercambio, verificar la condición del bucle interno e incrementar j.
● También pasamos un tiempo constante k declarando i, j, temp e inicializando i.
● El bucle externo se ejecuta n-1 veces, suponga que el costo de verificar la condición del
bucle y disminuir i es c1.

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)
(n-1) + (n-2) + ... + 1 = n(n-1)/2

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)
(n-1) + (n-2) + ... + 1 = n(n-1)/2
Entonces nuestra función es igual a:
c n*(n-1)/2 + k + c1(n-1) =

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)
(n-1) + (n-2) + ... + 1 = n(n-1)/2
c n*(n-1)/2 + k + c1(n-1) =
1/2c (n2-n) + c1(n-1) + k

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)
(n-1) + (n-2) + ... + 1 = n(n-1)/2
c n*(n-1)/2 + k + c1(n-1) =
1/2c (n2-n) + c1(n-1) + k
= O(n2)

Ordenación de fuerza bruta
-) 64 25 12 22 11 (ordenación por selección).
-) 5 1 4 2 8 (ordenación por burbuja).

● Ordenación de fuerza bruta.

● Búsqueda de fuerza bruta.

Búsqueda de fuerza bruta
Búsqueda secuencial:
Ir a través de toda la lista de n elementos para encontrar el elemento deseado.
Toma O(n) en el peor de los casos.

Búsqueda de fuerza bruta
Búsqueda secuencial:
Ir a través de toda la lista de n elementos para encontrar el elemento deseado.
Toma O(n) en el peor de los casos.


● Búsqueda de fuerza bruta.
● Búsqueda de fuerza bruta en un grafo.

Búsqueda de fuerza bruta en un grafo
● Revisaremos la terminología de los grafos y los algoritmos básicos
● Búsqueda en amplitud:
○ ir nivel por nivel en el grafo
● Búsqueda en profundidad:
○ Ir tan profundo como se pueda, luego retroceder
● Ambos toman Θ (V + E), donde | V | es el número de vértices y | E | es el número de

aristas

Búsqueda de fuerza bruta en un grafo
● Revisaremos la terminología de los grafos y los algoritmos básicos
● Búsqueda en amplitud:
○ ir nivel por nivel en el grafo
● Búsqueda en profundidad:
○ Ir tan profundo como se pueda, luego retroceder
● Ambos toman Θ (V + E) tiempo, donde | V | es el número de vértices y | E | es el número

de aristas


● Búsqueda de fuerza bruta
● Fuerza bruta para problemas combinatoriales.


○ Problema del vendedor viajero, problema del vendedor ambulante,
problema del agente viajero o problema del viajante. Traveling Salesman
Problem (TSP)

Problema del vendedor viajero
Problema del vendedor viajero, problema del vendedor ambulante, problema del agente viajero o
problema del viajante. Traveling Salesman Problem (TSP)
● Dado un conjunto de n ciudades y distancias entre todos los pares de ciudades, determinar el
orden para viajar a cada ciudad exactamente una vez y regresar a casa con una distancia total
mínima
● Solución: Calcule la distancia para todos los "recorridos" y elija el más corto.
● Toma O(n!) (¡terrible!)

Problema del vendedor viajero, problema del vendedor ambulante, problema del agente viajero o
problema del viajante. Traveling Salesman Problem (TSP)
● Dado un conjunto de n ciudades y distancias entre todos los pares de ciudades, determinar el
orden para viajar a cada ciudad exactamente una vez y regresar a casa con una distancia total
mínima
● Solución: Calcule la distancia para todos los "recorridos" y elija el más corto.
● Toma O(n!) (¡terrible!)

a 2 b
5 3
8 7
c 1 d

a 2 b
a,b,c,d,a ->
5 3
8 7
c 1 d

a 2 b
a,b,c,d,a ->18
5 3
8 7
c 1 d

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a ->
8 7
c 1 d

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a ->

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23
a,d,b,c,a ->

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23
a,d,b,c,a -> 23

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23
a,d,b,c,a -> 23
a,d,c,b,a ->

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23
a,d,b,c,a -> 23
a,d,c,b,a -> 18

a 2 b
a,b,c,d,a -> 18
5 3 a,b,d,c,a -> 11
8 7
c 1 d a,c,b,d,a -> 23
a,d,b,c,a -> 23
a,d,c,b,a -> 18
¿Necesitamos considerar más recorridos?

Aplicaciones del Problema del vendedor viajero
● transporte y logística (autobuses escolares, comidas sobre ruedas, horarios de

aviones, etc.)
● revisión de motores de turbina de gas
● agrupación de datos
● otros...
http://www.math.uwaterloo.ca/tsp/problem/index.html


Problem (TSP)
○ Problema de la mochila

Problema de la mochila
Problema de la mochila:
● Hay n artículos diferentes en una tienda.
● El artículo pesa wi kilos y vale $vi
Un ladrón entra
● Puede llevar hasta W kilos en su mochila.
● ¿Qué debería llevar para maximizar su botín?

Problema de la mochila:
● Hay n artículos diferentes en una tienda.
● El artículo pesa wi kilos y vale $vi
Un ladrón entra
● Puede llevar hasta W kilos en su mochila.
● ¿Qué debería llevar para maximizar su botín?
Solución:
● Considerar todos los subconjuntos posibles de artículos,
● calcular el valor total y el peso total y desechar si son más de W;
● luego elegir el subconjunto restante con el valor total máximo.
● Toma Ω(2n)

● Pregunta rápida:
○ ¿Qué significa el símbolo Ω?

○ ¿Qué significa el símbolo Ω?

● N elementos:
n
∑ C(n,i) =
i=1
C(n,1) + C(n,2) + …. + C(n,n) =

Serie binomial:

Serie binomial:
𝜶=n
x=1

Serie binomial:
𝜶=n
x=1
(1+1)n = 2n

Serie binomial:
𝜶=n
x=1
(1+1)n = 2n

Aplicaciones del Problema de la Mochila
● Forma menos derrochadora de utilizar materias primas
● Seleccionar inversiones de capital y carteras financieras
● Generación de claves para el criptosistema Merkle-Hellman
Knapsack Problems, H. Kellerer, U. Pferschy, D. Pisinger, Springer, 2004.

Problema de la Mochila
● item 1: 7 kgs, 42 soles

● W = 10

Subconjunto Peso total Valor total

Ø 0 S/.0
● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42

● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10 {1,3} 11 inviable


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10 {1,3} 11 inviable
{1,4} 12 inviable


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10 {1,3} 11 inviable
{1,4} 12 inviable
{2,3} 7 S./52


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10 {1,3} 11 inviable
{1,4} 12 inviable
{2,3} 7 S./52
{2,4} 8 S./37


Ø 0 S./0
● item 2: 3 kgs, 12 soles {1} 7 S./42
{2} 3 S./12
{3} 4 S./40
● item 4: 5 kgs, 25 soles {4} 5 S./25
{1,2} 10 S./54
● W = 10 {1,3} 11 inviable
{1,4} 12 inviable
{2,3} 7 S./52
{2,4} 8 S./37
etc.
○ ¿Cuántas verificaciones tendremos que
hacer?

○ ¿Cuántas verificaciones tendremos que
hacer?
2n = 24 = 16


Problem (TSP)
● Fuerza bruta para el par más cercano.

Fuerza bruta para el par más cercano
Problema del par más cercano:

Dados n puntos en el espacio d-dimensional, encuentre los dos más cercanos
Aplicaciones:
● aviones a punto de chocar
● qué secuencias de ADN son más similares
● otros...

Solución de fuerza bruta (para caso 2-D):

● Calcular distancias entre todos los pares de puntos
● sqrt((xi – xj)2 + (yi – yj)2)


● sqrt((xi – xj)2 + (yi – yj)2)
minDist = infinity
for i = 1 to length(P) - 1 do
for j = i + 1 to length(P) do
let p = P[i], q = P[j]
if dist(p, q) < minDist then
minDist = dist(p, q)
closestPair = (p, q)
return closestPair


● sqrt((xi – xj)2 + (yi – yj)2)
● Recorrer todas las distancias para encontrar la más pequeña


● sqrt((xi – xj)2 + (yi – yj)2)

● Tiempo de ejecución: O(n2), asumiendo que cada operación numérica es
un tiempo constante (¿incluida la raíz cuadrada?)


● sqrt((xi – xj)2 + (yi – yj)2)

● Tiempo de ejecución: O(n2), asumiendo que cada operación numérica es
un tiempo constante (¿incluida la raíz cuadrada?)
● Mejoras:
○ No considerar la raíz cuadrada
○ No calcular la distancia para los mismos 2 puntos dos veces


Problem (TSP)
● Fuerza bruta para envolvente convexo (envolvente convexo, envoltura convexa
o cápsula convexa, convex hull).

Fuerza bruta para envolvente convexo
Problema del envolvente convexo:

Dado un conjunto de puntos en 2-D, encuentre el polígono convexo más
pequeño tal que cada punto del conjunto está encerrado por el polígono





Aplicaciones del envolvente convexo
En computación gráfica o planificación de robots, una forma simple de verificar que dos objetos
(posiblemente complicados) no estén colisionando es calcular sus envolventes convexos y
luego verificar si los envolventes se cruzan
Estimar el tamaño del rango geográfico de una especie, basado en observaciones

(geocat.kew.org/about)

Idea clave para la solución: la línea que pasa por (xi,yi) and (xj,yj) es:
ax + by = c
donde a = (yj – yi), b = (xi – xj), c = xi yj – yi xj

ax + by = c
Los 2 pts están en el envolvente convexo si todos los demás pts están en el mismo lado de
esta línea:

ax + by = c
esta línea:

ax + by = c
esta línea:




El tiempo es O(n3): O(n) pruebas de complejidad,

para cada uno de los O(n2) bordes


Problem (TSP)
● Fuerza bruta para envolvente convexa (envolvente convexa, envoltura convexa
o cápsula convexa, convex hull).
● Fuerza bruta para dos problemas numéricos

Fuerza bruta para dos problemas numéricos
● Problema: Calcular an
○ Solución: Multiplicar a por ella misma n-1 veces.
○ Toma O(n), asumiendo que cada multiplicación toma un tiempo constante.

Fuerza bruta para dos problemas numéricos
● Problema: Calcular an
○ Solución: Multiplicar a por ella misma n-1 veces.
○ Toma O(n), asumiendo que cada multiplicación toma un tiempo constante.
● Problema: multiplicar dos matrices nxn matrices A y B

para crear la matriz producto C
○ Solución: Seguir la definición, la cual dice que para una entrada (i,j) de C es Σ aik*bkj , k = 1 a n
○ Toma O(n3), asumiendo que cada operación básica toma un tiempo constante.

Resumen de Fuerza bruta / Búsqueda Exhaustiva
● ordenación: ordenamiento por selección, ordenamiento de

burbuja
● búsqueda: búsqueda secuencial
● grafos: BFS, DFS
● problemas combinatorios: verifique todas las posibilidades para
TSP y mochila
● geométrico: verifique todas las posibilidades para el par más
cercano y para el envolvente convexo
● numérico: siga la definición para calcular una multiplicación de
matrices

El día de Hoy

Grafos

El día de Hoy

Grafos

Estructuras de Datos
111
Estructuras de datos vs Tipos de datos abstractos
Estructura de datos: Representación concreta de los datos.

● Array
● Linked list implementada con punteros
● Lista de adyacencias –Dictionary

Estructuras de datos vs Tipos de datos abstractos
Estructura de datos: Representación concreta de los datos.

● Array
● Linked list implementada con punteros
● Lista de adyacencias
Tipo de datos abstractos: conjunto de operaciones y sus semánticas

(significado/comportamiento)
● Cola de Prioridad
● Pila
● Diccionario

Estructuras de datos básicas
● Listas
○ O(1): Insertar / eliminar en cualquier lugar donde tengamos un
puntero
● Arrays
○ O(1): append, lookup
● Bueno para
○ Pila: último en entrar, primero en salir (LIFO)
■ O(1): Push, pop
○ Cola: primero en entrar, primero en salir (FIFO)
■ O(1): enqueue, dequeue

Grafos
115
Hoy
● Grafos y terminología
● Búsqueda en profundidad
○ Aplicación: clasificación topológica
○ Aplicación: recorrido en orden de BST
● Búsqueda en amplitud
○ Aplicación: caminos más cortos
○ Aplicación (si hay tiempo): ¿un grafo es bipartito?

Grafos
Un grafo es una estructura matemática para representar relaciones.
Un grafo consta de un conjunto de nodos conectados por aristas.

Grafos

Grafos

Grafos

Grafos

Grafos

Grafos

Grafos

Grafos
Redes sociales

Grafos
Enlaces químicos

Grafos
Es una red de carreteras de

acceso controlado que forma
parte del Sistema Nacional
de Carreteras en los Estados
Unidos.

Grafos

Grafos
Ejemplo Nodos Aristas
Red de transporte: rutas aéreas aeropuertos vuelos sin escalas
Redes de comunicación computadoras, physical wires

enrutadores
Red de información: web páginas hyperlinks
Red de información: artículos artículos referencias

científicos
Redes Sociales gente “u es amigo de v”,

“u envía email a v”,
“El facebook de u está enlazado a v”

Grafos
•Hay muchos grafos.
• Queremos responder preguntas sobre ellos.

• ¿Enrutamiento eficiente?
• ¿Detección/agrupamiento de comunidades?
• ¿Un ordenamiento que respete las dependencias?
• Esto es lo que haremos hoy.

Grafos
Algunos grafos son

dirigidos.

Grafos dirigidos
• Tiene vértices(nodos) y aristas

• V es el conjunto de vértices
• E es el conjunto de aristas
• Formalmente, un grafo es G = (V,E)
• Ejemplo
• V = {1,2,3,4}
• E = { (1,3), (2,4), (3,4), (4,3), (3,2)}

Grafos dirigidos

• Ejemplo
• V = {1,2,3,4}
El grado de entrada del vértice 4 es 2.
• E = { (1,3), (2,4), (3,4), (4,3), (3,2)} El grado de salida del vértice 4 es 1.
Los vecinos entrantes de Vertex 4 son 2 y 3.
El vecino saliente de Vertex 4 es 3.
Grafos
Algunos grafos son no

dirigidos.

Grafos
Algunos grafos son no

dirigidos.
Podemos pensar en ellos como

grafos dirigidos con aristas en
ambos sentidos.

Grafos no dirigidos

• Example
• V = {1,2,3,4}
• E = { {1,3}, {2,4}, {3,4}, {2,3} }

Grafos no dirigidos

• Example
• V = {1,2,3,4} El grado del vértice 4 es 2.
• E = { {1,3}, {2,4}, {3,4}, {2,3} } Están saliendo 2 aristas.
Los vecinos de Vertex 4 son 2 y 3

¿Cómo representar grafos?
• Opción 1: matriz de adyacencia






• Opción 2: lista enlazada


¿Cómo modificaría esto

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) para grafos dirigidos? 146
¿Cómo modificaría esto

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) para grafos dirigidos? 147
En cualquier caso...
• Podemos pensar en vértices que almacenan otra

información.
• Atributos (nombre, dirección IP, …)
• información de ayuda para los algoritmos que realizaremos
en el grafo
• Queremos poder realizar las siguientes operaciones:

• Membresía de aristas: ¿La arista e está en E?
• Consulta de vecinos: ¿Cuáles son los vecinos del vértice v?

Compensaciones...

iFeliz día del Estudiante!
150
Búsqueda en profundidad - Depth-first search
151
¿Cómo exploramos un grafo?
En cada nodo, puede obtener una lista de vecinos y elegir ir allí

si lo desea.

En cada nodo, puede obtener una lista de vecinos y elegir ir allí

si lo desea.

Explorando un laberinto
















Explorando un laberinto con pseudocódigo
Cada nodo hará un seguimiento de si está sin

visitar, en progreso o todo hecho.
También realizaremos un seguimiento de la hora

en que comenzamos y terminamos con ese
nodo.

Explorando un laberinto con pseudocódigo

• Cada vértice realiza un seguimiento de si es:
• Sin visitar
• En progreso
• Todo explorado
• Cada vértice también realizará un seguimiento de:

• El tiempo que entramos por primera vez.
• El tiempo que terminamos con ese vértice y lo marcamos como
todo explorado.







DFS encuentra todos los nodos accesibles desde el punto de partida

DFS encuentra todos los nodos accesibles desde el punto de partida
En un grafo no direccionado, esto es

llamado componente conectado.
Una aplicación: encontrar

componentes conectados.
¿Por qué se llama profundidad primero?
• Nosotros estamos construyendo implícitamente un árbol:
• Y primero vamos tan profundo como podemos.

¿Por qué se llama profundidad primero?
• Y primero vamos tan profundo como podemos.

Tiempo de ejecución
Para explorar sólo el componente conectado comenzamos en:

• Observamos cada arista sólo una vez.
• Y básicamente no hagas nada más.
• Entonces…
O (m)
• (Suponiendo que estamos usando la representación de lista

vinculada)
Para explorar todo:

• Explorar los componentes conectados uno por uno.
• Esto lleva tiempo
O (n + m)

Aplicación: ordenación topológica
Ejemplo: grafo de dependencia de paquetes

Pregunta: ¿en qué orden debo instalar los paquetes?

No siempre puede ser resuelto mirando...


Aplicamos DFS

Aplicamos DFS
Observaciones:
● El tiempo inicial parece que no es útil.
● Pero paquetes que deberíamos
incluir antes tienen tiempos de
finalización mayores.

Aplicamos DFS

Aplicamos DFS

Volvemos al problema

En orden inverso al tiempo de finalización
● Ejecutar DFS
● Mantener una lista de paquetes, en el orden en que desea instalarlos.
● Cuando marque un vértice como terminado, colóquelo al principio de la
lista.

En orden inverso al tiempo de finalización
● Ejecutar DFS
● Mantener una lista de paquetes, en el orden en que desea instalarlos.
● Cuando marque un vértice como terminado, colóquelo al principio de la
lista.

¿Qué aprendimos?
• DFS puede ayudarlo a resolver el problema de

ordenación topológica
• Ese es el nombre elegante para el problema de
encontrar una ordenación que respete todas las
dependencias
• Pensar en el árbol DFS es útil.

Ejemplo

Ejemplo

Ejemplo

Ejemplo

Ejemplo

Ejemplo

Ejemplo

Ejemplo

Búsqueda en amplitud - Breadth-first search
205
Si pudiéramos volar...

Si pudiéramos volar...

Explorando el mundo con una visión de un ave.





Explorando el mundo con pseudocódigo.
• Set Li = {} for i=1,…,n

• L0 = {w}, donde w es el nodo inicial
• For i = 0, …, n-1:
• For u in Li:
• For cada v que es vecino de u:
• If v no fue aún visitado:
• marcar v como visitado, y colocarlo en Li+1

El mismo descargo de responsabilidad que
Explorando el mundo con pseudocódigo. para DFS: es posible que haya visto otras
formas de implementar esto
• Set Li = {} for i=1,…,n
• L0 = {w}, donde w es el nodo inicial Li es el conjunto de nodos
que podemos alcanzar en i
pasos desde w
• For i = 0, …, n-1:
• For u in Li:
• For cada v que es vecino de u:
• If v no fue aún visitado:
Revise todos los nodos en
Li y agregue sus vecinos no
• marcar v como visitado, y colocarlo en Li+1
visitados a Li + 1

BFS también encuentra todos los nodos accesibles desde el punto de partida
También es una buena forma de encontrar

todos los componentes conectados.

Para explorar todos los nodos:

• Explore los componentes conectados uno por uno.
• Mismo argumento que DFS: el tiempo de ejecución es
O(n + m)
• Como DFS, BFS también funciona bien en grafos dirigidos.

¿Por qué se llama amplitud primero?
• Y primero vamos tan amplio como podemos.


Este árbol tiene una estructura realmente

agradable: todas los vértices del primer
nivel están a una distancia de la raíz,
todas los vértices del segundo nivel están
a dos de la raíz, y así sucesivamente...

Aplicación: ruta más corta
¿Cuánto mide el camino más corto entre w y v?

Aplicación: ruta más corta
¿Cuánto mide el camino más corto entre w y v?

Para encontrar la distancia entre w y todos los demás vértices v
• Realizamos un BFS a partir de w

• Para todo v en Li (el i-ésimo nivel del árbol BFS)

• El camino más corto entre w y v tiene una longitud i
• Una ruta más corta entre w y v viene dada por la ruta en el
árbol BFS.

• Para todo v en Li (el i-ésimo nivel del árbol BFS)

• El camino más corto entre w y v tiene una longitud i
• Una ruta más corta entre w y v viene dada por la ruta en el
árbol BFS.
• Si nunca encontramos v, la distancia es infinita.

¿Qué aprendimos?
• El árbol BFS es útil para calcular distancias entre

pares de vértices.
• Podemos encontrar el camino más corto entre u y v en el
tiempo O (m).
El árbol BSF también es útil para:
• Probar si un grafo es bipartito o no.

Aplicación: probar si un grafo es bipartito
Bipartito significa que se ve así:


Podemos colorear los vértices
de rojo y naranja de manera que
no hayan aristas entre los
vértices del mismo color


Podemos colorear los vértices
de rojo y naranja de manera que
no hayan aristas entre los
vértices del mismo color

¿Este grafo es bipartito?



Solución usando BFS
● Colorear los niveles del árbol BFS en colores alternos.

● Si se colorea un nodo que nunca se ha conectado a otro
nodo del mismo color, entonces es bipartito.
● Caso contrario, NO.

Solución usando BFS
● Colorear los niveles del árbol BFS en colores alternos.

● Si se colorea un nodo que nunca se ha conectado a otro
nodo del mismo color, entonces es bipartito.
● Caso contrario, NO.

Para probar la bipartididad













¿Qué aprendimos?
• BFS se puede utilizar para detectar la bipartita en el

tiempo O (n+m).

Hasta ahora
• Búsqueda en amplitud y profundidad

• Plus, aplicaciones!
■ Ordenación Topológica
■ Recorrido en orden de BSTs
■ Ruta más corta en grafos no ponderados
■ Prueba de la bipartididad
• La clave fue prestar atención a la estructura del árbol que

estos algoritmos de búsqueda construyen implícitamente.

Ahora
• Una aplicación más:

• Encontrar componentes fuertemente conectados

Ahora

• Este es un problema complicado que al menos yo

probablemente no podría resolver sin las técnicas vistas.

Ahora

• Este es un problema complicado que al menos yo

probablemente no podría resolver sin las técnicas vistas.

Componentes fuertemente conectados
252
Un grafo dirigido G = (V,E) es conectado fuertemente si:

● Para todo v,w en V:
• hay una ruta de v a w y
• hay una ruta de w a v.




Fuertemente conectado No fuertemente conectado

Podemos descomponer un grafo en componentes fuertemente conectados (SCC)


Al menos, podemos en teoría.

¿Cómo hacemos esto
algorítmicamente?

¿Por qué nos preocupan los SCC?

¿Por qué nos preocupan los SCC?

¿Cuáles son los SCC de Internet?
• En la vida real, resulta que hay uno "gigante".

• y luego un montón de argollas.
• Más generalmente:
• Los componentes fuertemente conectados nos informan sobre comunidades.
• Muchos algoritmos de grafos sólo tienen sentido en componentes conectados, por lo que a
veces queremos encontrar ellos por otras razones.
• Esto es cierto no solo en estos grafos de interacción/Internet.

• Un economista -> dividir sus datos del mercado laboral en SCC para darle sentido.

¿Cómo encontrar SCCs?
Intento 1:
Considerar todas las posibles descomposiciones y verificar.

¿Cómo encontrar SCCs?
Intento 1:
Considerar todas las posibles descomposiciones y verificar.
Intento 2:
• Para cada par (u,v),
• usar DFS para encontrar si hay rutas u a v y v a u.
• Agregar.
• Tiempo de ejecución:
• Esto lleva tiempo al menos O(n3) para hacerlo de esta manera.
• Quizás puedas salirte con la tuya O(n2)…
•• Pero definitivamente no es mejor que O (n2).

¿Y si te dijera que se puede hacer en tiempo O(log (n))?

¿Y si te dijera que se puede hacer en tiempo O(log (n))?
Dos respuestas legítimas:

• Nahhh!
• En qué modelo de computación?
¿Y si te dijera que se puede hacer en tiempo O(n+m)?

Algoritmo:
• Usamos DFS para crear un bosque DFS.

• Elija los vértices iniciales en cualquier orden.
• Lleve un registro de los tiempos de finalización.
• Invierta todas las aristas del grafo.

• Usamos DFS otra vez para crear otro bosque DFS.
• Esta vez, ordene los nodos en orden inverso a los tiempos de finalización que tenían desde la primera ejecución
de DFS.
• Los SCC son los árboles diferentes en el segundo bosque

DFS.

Algoritmo:
• Usamos DFS para crear un bosque DFS.

• Elija los vértices iniciales en cualquier orden.
• Lleve un registro de los tiempos de finalización.
• Invierta todas las aristas del grafo.

• Usamos DFS otra vez para crear otro bosque DFS.
• Esta vez, ordene los nodos en orden inverso a los tiempos de finalización que tenían desde la primera ejecución
de DFS.
• Los SCC son los árboles diferentes en el segundo bosque

DFS.



1. Comenzamos con un vértice

arbitrario y usamos DFS.
























Repetimos hasta que todo sea
visitado.


Repetimos hasta que todo sea
visitado.

2. Invertimos las aristas.

2. Usamos DFS otra vez, pero

comenzando con los vértices con el
mayor tiempo de acabar.



Este es uno de los

árboles DFS en el 2. Usamos DFS otra vez, pero
bosque de DFSs






Notar que no estoy cambiando las horas de

inicio y finalización, las mantengo desde la
Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) primera ejecución. 291





















FUNCIONÓ! mayor tiempo de acabar.

Línea final:
Podemos encontrar SCCs en tiempo O(n + m)

Algoritmo:
• Aplicamos DFS para crear un bosque DFS.
• Elegir a partir vértices en cualquier orden.
• Realizar un registro de los tiempos de finalización.
• Invertimos todas las aristas en el grafo.

• Aplicamos DFS otra vez para crear otro bosque DFS.
• Esta vez, ordenar los nodos en el orden inverso de los tiempos de finalización que
tenían desde las primera ejecución de DFS.
• Los SCCs son árboles diferentes en el segundo bosque DFS.

Línea final:
Podemos encontrar SCCs en tiempo O(n + m)

Algoritmo:
• Aplicamos DFS para crear un bosque DFS.
• Elegir a partir vértices en cualquier orden.
• Realizar un registro de los tiempos de finalización.
• Invertimos todas las aristas en el grafo.

• Aplicamos DFS otra vez para crear otro bosque DFS.
• Esta vez, ordenar los nodos en el orden inverso de los tiempos de finalización que
tenían desde las primera ejecución de DFS.
• Los SCCs son árboles diferentes en el segundo bosque DFS.

Resumen
• Búsqueda en profundidad
• Útil para la ordenación topológica
• También recorridos en orden de BSTs
• Búsqueda en amplitud
• Útil para encontrar los caminos más cortos
• También para probar la bipartitidad
• Ambos DFS, BFS:
• Útiles para explorar grafos, encontrar componentes
conectados, etc.

Resumen
• Ambos DFS, BFS:

• Útiles para explorar grafos, encontrar componentes
conectados, etc.
• La clave fue prestar atención a la estructura del árbol que
estos algoritmos de búsqueda construyen implícitamente.
• ¡Hoy vimos que también puede encontrar componentes
fuertemente conectados en el tiempo O (n + m)!

Lecturas Recomendadas
● Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest,

Clifford Stein, Introduction to Algorithms, 3rd Edition, MIT Press
Capítulo 22
● Jon Kleinberg, Éva Tardos, Algorithm Design,

Pearson/Addison-Wesley - Capítulo 3

iGracias!
308

Brute Force and Graphs

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Brute Force and Graphs

Cargado por

Copyright:

Formatos disponibles

Fuerza bruta y búsqueda exhaustiva

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 2

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 3

● Análisis del peor de los casos

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 5

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 6

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 7

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 8

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 9

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 10

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 11

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 12

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 13

● Análisis del peor de los casos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 14

Fuerza bruta y búsqueda exhaustiva

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 15

Fuerza bruta y búsqueda exhaustiva

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 16

Una forma sencilla de resolver un problema,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 17

Una forma sencilla de resolver un problema,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 18

Una forma sencilla de resolver un problema,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 19

Una forma sencilla de resolver un problema,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 20

● Ordenación de Fuerza Bruta.

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 21

1. Ordenamiento por selección

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 22

1. Ordenamiento por selección

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 23

1. Ordenamiento por selección

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 24

void selectionSort(int arr[]){

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 25

Para un arreglo de tamaño n, en el peor de los casos:

● Todos junto: c ((n-1) + (n-2) + ... + 1).

● (n-1) + (n-2) + ... + 1 = n(n-1)/2 = O(n2).

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 26

1. Ordenamiento por selección

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 27

1. Ordenamiento por selección

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 28

void bubbleSort(int arr[ ]){

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 29

Para un arreglo de tamaño n, en el peor de los casos:

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 30

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 31

c ((n-1) + (n-2) + ... + 1) + k + c1(n-1)

(n-1) + (n-2) + ... + 1 = n(n-1)/2