Manual DOSBox 0.74

PARTE II: ALGORÍTMICA
Tema 5. Backtracking
5.1. Método general
5.2. Análisis de tiempos de ejecución
5.3. Ejemplos de aplicación
5.3.1. Problema de la mochila 0/1
5.3.2. Problema de la asignación
5.3.3. Resolución de juegos
A.E.D. 1
• El backtracking (o método de retroceso o vuelta
atrás) es una técnica general de resolución de
problemas, aplicable en problemas de optimización,
juegos y otros tipos.
• El backtracking realiza una búsqueda exhaustiva y
sistemática en el espacio de soluciones. Por ello, suele
resultar muy ineficiente.
• Se puede entender como “opuesto” a avance rápido:
– Avance rápido: añadir elementos a la solución y no
deshacer ninguna decisión tomada.
– Backtracking: añadir y quitar todos los elementos.
Probar todas las combinaciones.
A.E.D. 2
• Una solución se puede expresar como una tupla,
(x1, x2, ..., xn), que satisfaga unas restricciones y tal vez
que optimice cierta función objetivo.
• En cada momento, el algoritmo se encontrará en cierto
nivel k, con una solución parcial (x1, ..., xk).
– Si se puede añadir un nuevo elemento a la solución xk+1,
se genera y se avanza al nivel k+1.
– Si no, se prueban otros valores para xk.
– Si no existe ningún valor posible por probar, entonces se
retrocede al nivel anterior k-1.
– Se sigue hasta que la solución parcial sea una solución
completa del problema, o hasta que no queden más
posibilidades por probar.
A.E.D. 3
• El resultado es equivalente a hacer un recorrido en
profundidad en el árbol de soluciones.
Inicio
x1=0 x1=1
x1=0 x1=0 x1=1 x1=1

x2=0 x2=1 x2=0 x2=1
x1=0 x1=0 x1=0 x1=0 x1=1 x1=1 x1=1 x1=1

x2=0 x2=0 x2=1 x2=1 x2=0 x2=0 x2=1 x2=1
x3=0 x3=1 x3=0 x3=1 x3=0 x3=1 x3=0 x3=1
A.E.D. 4
• Representación simplificada del árbol.
x1 1
0 1
2 9
x2 0 1
1 0
3 6 10 13
x3
0 1 0 1 0 1 0 1
4 5 7 8 11 12 14 15
A.E.D. 5
• Árboles de backtracking:
– El árbol es simplemente una forma de representar la
ejecución del algoritmo.
– Es implícito, no almacenado (no necesariamente).
– El recorrido es en profundidad, normalmente de
izquierda a derecha.
– La primera decisión para aplicar backtracking: ¿cómo
es la forma del árbol?
– Preguntas relacionadas: ¿Qué significa cada valor
de la tupla solución (x1, ..., xn)? ¿Cómo es la
representación de la solución al problema?
A.E.D. 6
• Tipos comunes de árboles de backtracking:
– Árboles binarios
– Árboles k-arios
– Árboles permutacionales
– Árboles combinatorios
A.E.D. 7
• Árboles binarios: s= (x1, x2, ..., xn), con xi  {0, 1}
x1 1
0 1
2 5
x2 0 1 0 1
3 4 6 7
• Tipo de problemas: elegir ciertos elementos de entre

un conjunto, sin importar el orden de los elementos.
– Problema de la mochila 0/1.
– Encontrar un subconjunto de {12, 23, 1, 8, 33, 7, 22} que
sume exactamente 50.
A.E.D. 8
• Árboles k-arios: s= (x1, x2, ..., xn), con xi  {1,..,k}
1
x1
1 2 3
2 6 10
x2 1 1 3 3
2 3 2 1 2
3 4 5 7 8 9 11 12 13
• Tipo de problemas: varias opciones para cada xi.

– Problema del cambio de monedas.
– Problema de las n reinas.
A.E.D. 9
• Árboles permutacionales: s= (x1, x2, ..., xn), con
xi  {1,..,n} y xi ≠ xj
1
1 3 x1
2
2 6 11
2 3 1 2 x2
1 3
3 5 7 9 12 14
3 2 3 1 2 1 x3
4 6 8 10 13 15
• Tipo de problemas: los xi no se pueden repetir.

– Generar todas las permutaciones de (1, ..., n).
– Asignar n trabajos a n personas, asignación uno-a-uno.
A.E.D. 10
• Árboles combinatorios: s= (x1, x2, ..., xm), con
m≤n, xi  {1,..,n} y xi < xi+1
1
1 3 x1
2
2 6 8
2 3
3 x2
3 5 7
3
x3
4
• Tipo de problemas: los mismos que con árb. binarios.

– Binario: (0, 1, 0, 1, 0, 0, 1)  Combinatorio: (2, 4, 7)
A.E.D. 11
Cuestiones a resolver antes de programar:
• ¿Qué tipo de árbol es adecuado para el problema?
 ¿Cómo es la representación de la solución?
 ¿Cómo es la tupla solución? ¿Qué indica cada xi y
qué valores puede tomar?
• ¿Cómo generar un recorrido según ese árbol?
 Generar un nuevo nivel.
 Generar los hermanos de un nivel.
 Retroceder en el árbol.
• ¿Qué ramas se pueden descartar por no conducir a
soluciones del problema?
 Poda por restricciones del problema.
 Poda según el criterio de la función objetivo.
A.E.D. 12
• Esquema general (no recursivo). Problema de satisfacción
de restricciones: buscamos cualquier solución que cumpla
cierta propiedad, y se supone que existe alguna.
Backtracking (var s: TuplaSolución)
nivel:= 1
s:= sINICIAL
fin:= false
repetir
Generar (nivel, s)
si Solución (nivel, s) entonces
fin:= true
sino si Criterio (nivel, s) entonces
nivel:= nivel + 1
sino mientras NOT MasHermanos (nivel, s) hacer
Retroceder (nivel, s)
hasta fin A.E.D. 13
• Variables:
– s: almacena la solución parcial hasta cierto punto.
– sINICIAL: valor de inicialización.
– nivel: indica el nivel actual en el que se encuentra el
algoritmo.
– fin: valdrá true cuando hayamos encontrado alguna
solución.
• Funciones:
– Generar (nivel, s): genera el siguiente hermano, o el
primero, para el nivel actual.
– Solución (nivel, s): comprueba si la tupla (s[1]... s[nivel])
es una solución válida para el problema.
A.E.D. 14
• Funciones:
– Criterio (nivel, s): comprueba si a partir de (s[1]...
s[nivel]) se puede alcanzar una solución válida. En otro
caso se rechazarán todos los descendientes (poda).
– MasHermanos (nivel, s): devuelve true si hay más
hermanos del nodo actual que todavía no han sido
generados.
– Retroceder (nivel, s): retrocede un nivel en el árbol de
soluciones. Disminuye en 1 el valor de nivel, y
posiblemente tendrá que actualizar la solución actual,
quitando los elementos retrocedidos.
• Además, suele ser común utilizar variables temporales
con el valor actual (beneficio, peso, etc.) de la tupla
solución.
A.E.D. 15
• Ejemplo de problema: encontrar un subconjunto del
conjunto T= {t1, t2, ..., tn} que sume exactamente P.
• Variables:
– Representación de la solución con un árbol binario.
– s: array [1..n] de {-1, 0, 1}
• s[i] = 0  el número i-ésimo no se utiliza
• s[i] = 1  el número i-ésimo sí se utiliza
• s[i] = -1  valor de inicialización (número i-ésimo
no estudiado)
– sINICIAL: (-1, -1, ..., -1)
– fin: valdrá true cuando se haya encontrado solución.
– tact: suma acumulada hasta ahora (inicialmente 0).
A.E.D. 16
Funciones:
• Generar (nivel, s)
s[nivel]:= s[nivel] + 1
si s[nivel] == 1 entonces tact:= tact + tnivel
• Solución (nivel, s)
devolver (nivel == n) Y (tact == P)
• Criterio (nivel, s)
devolver (nivel < n) Y (tact ≤ P)
• MasHermanos (nivel, s)
devolver s[nivel] < 1
• Retroceder (nivel, s)
tact:= tact – tnivel*s[nivel]
s[nivel]:= -1
nivel:= nivel – 1
A.E.D. 17
• Algoritmo: ¡el mismo que el esquema general!
nivel:= 1
s:= sINICIAL
fin:= false
repetir
Generar (nivel, s)
fin:= true
nivel:= nivel + 1
sino
mientras NOT MasHermanos (nivel, s) hacer
finsi
hasta fin
A.E.D. 18
Variaciones del esquema general:
1) ¿Y si no es seguro que exista una solución?
2) ¿Y si queremos almacenar todas las soluciones (no

solo una)?
3) ¿Y si el problema es de optimización (maximizar o

minimizar)?
A.E.D. 19
• Caso 1) Puede que no exista ninguna solución.
nivel:= 1
s:= sINICIAL
fin:= false Para poder generar
repetir todo el árbol de
Generar (nivel, s) backtracking
fin:= true
nivel:= nivel + 1
sino
mientras NOT MasHermanos (nivel, s) AND (nivel>0)
hacer Retroceder (nivel, s)
finsi
hasta fin
fin OR (nivel==0)
A.E.D. 20
• Caso 2) Queremos almacenar todas las soluciones.
nivel:= 1 • En algunos problemas los nodos
s:= sINICIAL
intermedios pueden ser soluciones
fin:= false
repetir • O bien, retroceder después de
Generar (nivel, s) encontrar una solución
Almacenar
fin:= true (nivel, s)
si Criterio
sino (nivel,(nivel,
si Criterio s) entonces
s) entonces
nivel:= nivel + 1
sino
finsi
hasta fin
nivel==0
A.E.D. 21
• Caso 3) Problema de optimización (maximización).
nivel:= 1 voa: valor óptimo actual
s:= sINICIAL
fin:=
voa:=false
-; soa:= Ø soa: solución óptima actual
repetir
Generar (nivel, s)
AND Valor(s) > voa entonces
fin:=
voa:= true
Valor(s); soa:= s
si Criterio
sino (nivel,(nivel,
si Criterio s) entonces
s) entonces
nivel:= nivel + 1
sino
finsi
hasta fin
nivel==0
A.E.D. 22
• Ejemplo de problema: encontrar un subconjunto del
conjunto T= {t1, t2, ..., tn} que sume exactamente P,
usando el menor número posible de elementos.
• Funciones:
– Valor(s)
devolver s[1] + s[2] + ... + s[n]
– ¡Todo lo demás no cambia!
• Otra posibilidad: incluir una nueva variable:
vact: entero. Número de elementos en la tupla actual.
– Inicialización (añadir): vact:= 0
– Generar (añadir): vact:= vact + s[nivel]
– Retroceder (añadir): vact:= vact – s[nivel]
A.E.D. 23
5.2. Análisis de tiempos de ejecución
• Normalmente, el tiempo de ejecución se puede obtener
multiplicando dos factores:
– Número de nodos del árbol (generados).
– Tiempo de ejecución de cada nodo.
...siempre que el tiempo en cada nodo sea del mismo orden.
• Ejercicio: ¿cuántos nodos se generan en un árbol binario,

k-ario, permutacional y combinatorio?
• Las podas eliminan nodos a estudiar, pero su efecto suele

ser más impredecible.
• En general, los algoritmos de backtracking dan lugar a
tiempos de órdenes factoriales o exponenciales  No usar
si existen otras alternativas más rápidas.
A.E.D. 24
5.3. Ejemplos de aplicación
• Como el problema de la mochila, pero los objetos no se
pueden partir (se cogen enteros o nada).
• Datos del problema:

– n: número de objetos disponibles.
– M: capacidad de la mochila.
– p = (p1, p2, ..., pn) pesos de los objetos.
– b = (b1, b2, ..., bn) beneficios de los objetos.
• Formulación matemática:
Maximizar  xi bi; sujeto a la restricción  xi pi ≤ M, y xi{0,1}
i=1..n i=1..n
A.E.D. 25
• Ejemplo: n = 4; M = 7
b = (2, 3, 4, 5)
p = (1, 2, 3, 4) 4 kg
3 kg
7 Kg. 2 kg
PVP 5 PVP 4 PVP 3 1 kg

PVP 2
• ¿Qué solución devuelve el algoritmo voraz para el

problema de la mochila no 0/1?
• ¿Qué solución devuelve el algoritmo voraz adaptado al
caso 0/1 (o se coge un objeto entero o no)?
• ¿Cuál es la solución óptima?
• Ojo: el problema es un NP-completo clásico.
A.E.D. 26
• Ejemplo: n = 2; M = 100
b = (2, 190)
p = (1, 100)
100 kg
100 Kg.
1 kg
PVP 2 PVP 190
• ¿Qué solución devuelve el algoritmo voraz para el

problema de la mochila no 0/1?
• ¿Qué solución devuelve el algoritmo voraz adaptado al
caso 0/1 (o se coge un objeto entero o no)?
• ¿Cuál es la solución óptima?
A.E.D. 27
Aplicación de backtracking (proceso metódico):
1) Determinar cómo es la forma del árbol de
backtracking ↔ cómo es la representación de la
solución.
2) Elegir el esquema de algoritmo adecuado,
adaptándolo en caso necesario.
3) Diseñar las funciones genéricas para la aplicación
concreta: según la forma del árbol y las
características del problema.
4) Posibles mejoras: usar variables locales con “valores
acumulados”, hacer más podas del árbol, etc.
A.E.D. 28
1) Representación de la solución.
• Con un árbol binario: s= (x1, x2, ..., xn), con xi  {0,1}
– xi = 0  No se coge el objeto i
– xi = 1  Sí se coge el objeto i
– xi = -1  Objeto i no estudiado
– En el nivel i se 1 x1
0 1
estudia el objeto i
– Las soluciones 2 9
0 0 1 x2
están en nivel n 1
3 6 10 13
x3
0 0 0 1 1
1 1 0
4 5 7 8 11 12 14 15
A.E.D. 29
1) Representación de la solución.
• También es posible usar un árbol combinatorio:
s= (x1, x2, ..., xm), con m ≤ n, xi  {1,..,n} y xi < xi+1
– xi  Número de objeto escogido
– m  Número total de objetos escogidos
– Las soluciones están en cualquier nivel
1
1 3 x1
2
2 6 8
2 3
3 x2
3 5 7
3
x3
4
A.E.D. 30
2) Elegir el esquema de algoritmo: caso optimización.
Consejo: no reinventar la rueda.
Backtracking (var s: array [1..n] de entero)
nivel:= 1; s:= sINICIAL
voa:= -; soa:= Ø pact: Peso actual
pact:= 0; bact:= 0 bact: Beneficio actual
repetir
Generar (nivel, s)
si Solución (nivel, s) AND (bact > voa) entonces
voa:= bact; soa:= s
si Criterio (nivel, s) entonces
nivel:= nivel + 1
sino
finsi
hasta nivel == 0
A.E.D. 31
3) Funciones genéricas del esquema.
• Generar (nivel, s)  Probar primero 0 y luego 1
s[nivel]:= s[nivel] + 1 si s[nivel]==1 entonces
pact:= pact + p[nivel]*s[nivel] pact:= pact + p[nivel]
bact:= bact + b[nivel]*s[nivel] bact:= bact + b[nivel]
• Solución (nivel, s) finsi
devolver (nivel==n) AND (pact≤M)
devolver (nivel<n) AND (pact≤M)
devolver s[nivel] < 1
pact:= pact – p[nivel]*s[nivel]
bact:= bact – b[nivel]*s[nivel]
s[nivel]:= -1
nivel:= nivel – 1
A.E.D. 32
• Ejemplo: n = 4; M = 7; b = (2, 3, 4, 5); p = (1, 2, 3, 4)
1
0 1 x1
2 17
0 1 x2
1 0
3 10 18 25
x3
0 0 0 1 1
1 1 0
4 7 11 14 19 22 26 29
0 1 1 1 x4
0 1 0 1 0 1 0 1 0 1 0 0
5 6 8 9 12 13 15 16 20 21 23 24 27 28 30 31
pact: 0 4 7 9 8 7 10
bact: 0 5 9 12
A.E.D.
11 10 33 14
• El algoritmo resuelve el problema, encontrando la solución
óptima pero...
• Es muy ineficiente. ¿Cuánto es el orden de complejidad?
• Problema adicional: en el ejemplo, se generan todos los
nodos posibles, no hay ninguna poda. La función Criterio es
siempre cierta (excepto para algunos nodos hoja).
• Solución: mejorar la poda con una función Criterio más
restrictiva.
• Incluir una poda según el criterio de optimización.
– Poda según el criterio de peso: si el peso actual es
mayor que M podar el nodo.
– Poda según el criterio de optimización: si el beneficio
actual no puede mejorar el voa podar el nodo.
A.E.D. 34
• ¿Cómo calcular una cota superior del beneficio que se puede
obtener a partir del nodo actual, es decir (x1, ..., xk)?
• La estimación debe poder realizarse de forma rápida.
0 1 1 x1
2 9
0 0 x2
1
s= (1, 0)
10 pact= x
................ bact= y
bestimado= ¿?
¿?
• La estimación del beneficio para el nivel y nodo actual será:

bestimado:= bact + Estimacion (nivel+1, n, M - pact)
A.E.D. 35
• Estimacion (k, n, Q): estimar una cota superior para el
problema de la mochila 0/1, usando los objetos k..n, con
capacidad máxima Q.
• ¿Cómo?
• Idea: el resultado del problema de la mochila (no 0/1) es una
cota superior válida para el problema de la mochila 0/1.
• Demostración: Soluciones
mochila no
Soluciones s=(1, 0, 1, 0) (1, 0.2, 1, 0) 0/1
mochila 0/1
(1, 1, 0, 0)
(0.5, 0, 1, 0.5)
• Sea s la solución óptima de la mochila 0/1. s es válida para

la mochila no 0/1. Por lo tanto, la solución óptima de la
mochila no 0/1 será s o mayor.
A.E.D. 36
• Estimacion (k, n, Q): aplicar el algoritmo voraz para el
problema de la mochila, con los objetos k..n. Si los
beneficios son enteros, nos podemos quedar con la parte
entera por abajo del resultado anterior.
• ¿Qué otras partes se deben modificar?
si (pact > M) OR (nivel == n) entonces devolver FALSO
sino
bestimado:= bact + MochilaVoraz (nivel+1, n, M - pact)
devolver bestimado > voa
finsi
• En el algoritmo principal:
...
mientras (NOT MasHermanos (nivel, s) OR
NOT Criterio (nivel, s)) AND (nivel > 0) hacer
...
A.E.D. 37
• Ejemplo: n = 4; M = 7; b = (2, 3, 4, 5); p = (1, 2, 3, 4)
*pact/bact/bestimado 0/0/10 1
0 1 x1
0/0/9 2 10 1/2/10
0 0 1 x2
0/0/9 3 1/2/9 11 12 3/5/10

x3
0 0
1
0/0/5 4 7 3/4/9 3/5/10 13
0 1 0 1 0 1 x4
3 7 3 7
5 0 6 4 8 4 9 9 14 5 15 10
0 5
voa:0 5 9 10
A.E.D. 38
• Se eliminan nodos pero... a costa de aumentar el tiempo de
ejecución en cada nodo.
• ¿Cuál será el tiempo de ejecución total?
• Suponiendo los objetos ordenados por bi/pi...
• Tiempo de la función Criterio en el nivel i (en el peor caso)
= 1 + Tiempo de la función MochilaVoraz = 1 + n - i
• Idea intuitiva. Tiempo en el peor caso (suponiendo todos
los nodos): número de nodos O(2n) * tiempo de cada nodo
(función criterio) O(n).
• ¿Tiempo: O(n·2n)? NO
n n n
t (n )   2  (n  i  1)  (n  1) 2   i  2i  2·2 n 1  2n  4
i i
i 1 i 1 i 1
A.E.D. 39
Conclusiones:
• El cálculo intuitivo no es correcto.
• En el peor caso, el orden de complejidad sigue siendo un
O(2n).
• En promedio se espera que la poda elimine muchos nodos,
reduciendo el tiempo total.
• Pero el tiempo sigue siendo muy malo. ¿Cómo mejorarlo?
• Posibilidades:
– Generar primero el 1 y luego el 0.
– Usar un árbol combinatorio.
– ...
A.E.D. 40
• Modificación: generar primero el 1 y luego el 0.
• Ejercicio: cambiar las funciones Generar y MasHermanos.
• Ejemplo: n = 4; M = 7
b = (2, 3, 4, 5) 1 1 0/0/10
p = (1, 2, 3, 4) x1
1/2/10
2
1
x2
3/5/10 3
1 0 x3
6/9/10 4 7 3/5/10
1 0 1 x4
10 6 7
5 14 6 9 8 10
voa: 9 10
A.E.D. 41
• En este caso es mejor la estrategia “primero el 1”, pero
¿y en general?
• Si la solución óptima es de la forma s = (1, 1, 1, X, X, 0,
0, 0) entonces se alcanza antes la solución generando
primero 1 (y luego 0).
• Si es de la forma s = (0, 0, 0, X, X, 1, 1, 1) será mejor
empezar por 0.
• Idea: es de esperar que la solución de la mochila 0/1
sea “parecida” a la de la mochila no 0/1. Si ordenamos
los objetos por bi/pi entonces tendremos una solución
del primer tipo.
A.E.D. 42
• Modificación: usar un árbol combinatorio.
• Representación de la solución:
s= (x1, x2, ..., xm), con m ≤ n, xi  {1,..,n} y xi < xi+1
– xi  Número de objeto escogido 1
– m  Número total de 1 3 x1
2
objetos escogidos 2 6 8
– Las soluciones 2 3 3 x2
están en
3 5 7
cualquier nivel 3
x3
4
• Ejercicio: cambiar la implementación para generar este árbol.

– Esquema del algoritmo: nos vale el mismo.
– Modificar las funciones Generar, Solución, Criterio y
MasHermanos.
A.E.D. 43
• Ejemplo: n = 4; M = 7
b = (2, 3, 4, 5) 1 1 0/0/10 (bact=0)
p = (1, 2, 3, 4) voa= 0 x1
1/2/10 (2)
2
2
x2
3/5/10 3 (5)
3 4 (10) x3
6/9/10 4 (9) 6 7/10/10
voa= 10
4 x4
10
5 14
• Resultado: conseguimos reducir el número de nodos.

• ¿Mejorará el tiempo de ejecución y el orden de complejidad?
A.E.D. 44
5.3.2. Problema de asignación
• Existen n personas y n trabajos.
• Cada persona i puede realizar un trabajo j con más o
menos rendimiento: B[i, j].
• Objetivo: asignar una tarea a cada trabajador
(asignación uno-a-uno), de manera que se maximice
la suma de rendimientos.
Tareas Ejemplo 1. (P1, T1),
(P2, T3), (P3, T2)
B 1 2 3
BTOTAL= 4+3+3= 10
Personas
1 4 9 1
2 7 2 3 Ejemplo 2. (P1, T2),
(P2, T1), (P3, T3)
3 6 3 5
BTOTAL= 9+7+5= 21
A.E.D. 45
• El problema de asignación es un problema NP-
completo clásico.
• Otras variantes y enunciados:
– Problema de los matrimonios estables.
– Problemas con distinto número de tareas y personas.
Ejemplo: problema de los árbitros.
– Problemas de asignación de recursos: fuentes de
oferta y de demanda. Cada fuente de oferta tiene una
capacidad O[i] y cada fuente de demanda una D[j].
– Isomorfismo de grafos: la matriz de pesos varía
según la asignación realizada.
A.E.D. 46
Enunciado del problema de asignación
• Datos del problema:
– n: número de personas y de tareas disponibles.
– B: array [1..n, 1..n] de entero. Rendimiento o beneficio
de cada asignación. B[i, j] = beneficio de asignar a la
persona i la tarea j.
• Resultado:
– Realizar n asignaciones {(p1, t1), (p2, t2), ..., (pn, tn)}.
• Formulación matemática:
Maximizar  B[pi, tj], sujeto a la restricción pi≠pj, ti≠tj,  i≠j
i=1..n
proceso
A.E.D. 47
1) Representación de la solución
• Mediante pares de asignaciones: s = {(p1, t1), (p2, t2), ...,
(pn, tn)}, con pi≠pj, ti≠tj,  i≠j
– La tarea ti es asignada a la persona pi.
– Árbol muy ancho. Hay que garantizar muchas
restricciones. Representación no muy buena.
• Mediante matriz de asignaciones: s = ((a11, a12, ..., a1n),
(a21, a22, ..., a2n), ..., (an1, an2, ..., ann)), con aij  {0, 1}, y con
i=1..n aij = 1, j=1..n aij = 1. Tareas
– aij = 1  la tarea j se asigna a 1 2 3
Personas
a la persona i 1 0 1 0
– aij = 0  la tarea j no se
2 1 0 0
asigna a la persona i
3 0 0 1
A.E.D. 48
1) Representación de la solución
• Mediante matriz de asignaciones.
– Árbol binario, pero muy profundo: n2 niveles en el árbol.
– También tiene muchas restricciones.
• Desde el punto de vista de las personas: s = (t1, t2, ..., tn),
siendo ti  {1, ..., n}, con ti≠tj,  i≠j
– ti  número de tarea asignada a la persona i.
– Da lugar a un árbol permutacional. ¿Cuál es el número
de nodos?
• Desde el punto de vista de las tareas: s = (p1, p2, ..., pn),
siendo pi  {1, ..., n}, con pi≠pj,  i≠j
– pi  número de persona asignada a la tarea i.
– Representación análoga (dual) a la anterior.
A.E.D. 49
2) Elegir el esquema de algoritmo: caso optimización.
Backtracking (var s: array [1..n] de entero)
nivel:= 1; s:= sINICIAL
voa:= -; soa:= Ø bact: Beneficio actual
bact:= 0
repetir
Generar (nivel, s)
si Solución (nivel, s) AND (bact > voa) entonces
voa:= bact; soa:= s
si Criterio (nivel, s) entonces
nivel:= nivel + 1
sino
finsi
hasta nivel == 0
A.E.D. 50
• Variables:
– s: array [1..n] de entero: cada s[i] indica la tarea asignada
a la persona i. Inicializada a 0.
– bact: beneficio de la solución actual
• Generar (nivel, s)  Probar primero 1, luego 2, ..., n

s[nivel]:= s[nivel] + 1
si s[nivel]==1 entonces bact:= bact + B[nivel, s[nivel]]
sino bact:= bact + B[nivel, s[nivel]] – B[nivel, s[nivel]-1]
para i:= 1, ..., nivel-1 hacer
si s[nivel] == s[i] entonces devolver false
finpara
devolver true
A.E.D. 51
devolver (nivel==n) AND Criterio (nivel, s)
devolver s[nivel] < n
bact:= bact – B[nivel, s[nivel]]
s[nivel]:= 0
nivel:= nivel – 1
A.E.D. 52
5.3.2. Problema de asignación Tareas
• Ejemplo de aplicación. n = 3 B 1 2 3
Personas
1 4 9 1
2 7 2 3
(bact= 0) 1
t1 3 3 6 3 5
1
2
(4) 2 (9) 6 (1) 11
t2 2 3 1 3 1 2
(16)
(6) 3 (7) 5 7 (12) 9 12 (8) 14 (3)
t3 3 2 3 1 2 1
(21)
(11) 4 (10) 6 8 (18) 10 13 (11) 15 (9)
voa: 11 21
A.E.D. 53
• ¿Cuál es el orden de complejidad del algoritmo?
• Problema: la función Criterio es muy lenta, repite muchas

comprobaciones.
• Solución: usar un array que indique las tareas que están ya
usadas en la asignación actual.
– usadas: array [1..n] de booleano.
– usadas[i] = true, si la tarea i es usada ya en la
planificación actual.
– Inicialización: usadas[i] = false, para todo i.
– Modificar las funciones del esquema.
A.E.D. 54
si usadas[s[nivel]] entonces
devolver false
O bien hacerlo antes de la
sino
usadas[s[nivel]]:= true instrucción:
devolver true nivel:= nivel + 1
finsi
devolver (nivel==n) AND NOT usadas[s[nivel]]
bact:= bact – B[nivel, s[nivel]]
usadas[s[nivel]]:= false
s[nivel]:= 0
nivel:= nivel – 1
A.E.D. 55
• Las funciones Generar y MasHermanos no se modifican.
• ¿Cuál es ahora el orden de complejidad del algoritmo?
• Conclusiones:
– El algoritmo sigue siendo muy ineficiente.
– Aunque garantiza la solución óptima...
– ¿Cómo mejorar el tiempo?
– Aplicar una poda según el criterio de optimización...
A.E.D. 56
5. Conclusiones
• Backtracking: recorrido exhaustivo y sistemático en un
árbol de soluciones.
• Pasos para aplicarlo:
– Decidir la forma del árbol.
– Establecer el esquema del algoritmo.
– Diseñar las funciones genéricas del esquema.
• Relativamente fácil diseñar algoritmos que encuentren
soluciones óptimas pero...
• Los algoritmos de backtracking son muy ineficientes.
• Mejoras: mejorar los mecanismos de poda, incluir otros

tipos de recorridos (no solo en profundidad).
 Técnica de Ramificación y Poda.
A.E.D. 57

Manual DOSBox 0.74

Cargado por

Copyright:

Formatos disponibles

Manual DOSBox 0.74

Cargado por

Información del documento

Descripción 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

Manual DOSBox 0.74

Cargado por

Copyright:

Formatos disponibles

PARTE II: ALGORÍTMICA

x1=0 x1=0 x1=1 x1=1

x1=0 x1=0 x1=0 x1=0 x1=1 x1=1 x1=1 x1=1

• Tipo de problemas: elegir ciertos elementos de entre

• Tipo de problemas: varias opciones para cada xi.

• Tipo de problemas: los xi no se pueden repetir.

• Tipo de problemas: los mismos que con árb. binarios.

Variaciones del esquema general:

1) ¿Y si no es seguro que exista una solución?

2) ¿Y si queremos almacenar todas las soluciones (no

3) ¿Y si el problema es de optimización (maximizar o

• Ejercicio: ¿cuántos nodos se generan en un árbol binario,

• Las podas eliminan nodos a estudiar, pero su efecto suele

• Datos del problema:

PVP 5 PVP 4 PVP 3 1 kg

• ¿Qué solución devuelve el algoritmo voraz para el

• ¿Qué solución devuelve el algoritmo voraz para el

• La estimación del beneficio para el nivel y nodo actual será:

• Sea s la solución óptima de la mochila 0/1. s es válida para

0/0/9 3 1/2/9 11 12 3/5/10

• Ejercicio: cambiar la implementación para generar este árbol.

• Resultado: conseguimos reducir el número de nodos.

• Generar (nivel, s)  Probar primero 1, luego 2, ..., n

• Problema: la función Criterio es muy lenta, repite muchas

• ¿Cuál es ahora el orden de complejidad del algoritmo?

• Mejoras: mejorar los mecanismos de poda, incluir otros

También podría gustarte