1443 4483 1 PB

I
N
G
E
N
I
E
R
A
Y

D

E

S

A

R

R

O

L

L

O
ARTCULO DE INVESTIGACIN / RESEARCH ARTICLE
Optimizacin de redes de comunicacin
por cable, un enfoque multiobjetivo
Combinatorial optimization for cable
communication network design, a
multi objective approach
Nmero 28
Julio-diciembre, 2010
ISSN: 0122-3461
* Ingeniero de Sistemas, M. Sc.(c) Universidad Tecnolgica de Pereira.
Pereira, Colombia.lugal@utp.edu.co
** Ingeniero Electricista, Ph. D. Profesor de la Universidad Tecnolgica
de Pereira. escobar@utp.edu.co
*** Ingeniero Electricista, Ph. D. Profesor de la Universidad Tecnolgica
de Pereira. ragr@utp.edu.co
Correspondencia: Universidad Tecnolgica de Pereira, vereda la Juli ta,
Pereira (Colombia). Tel.: 313-7122, Ext. 105.
Luis Fernando Galindres G*
Antonio H. Escobar Z**
Ramn A. Gallego Rendn R.***
Universidad Tecnolgica de Pereira (Colombia)
34 Ingeniera & Desarrollo. Universidad del Norte. 28: 33-46, 2010
Luis Fernando Galindres G, Antonio H. Escobar Z,
Ramn A. Gallego Rendn R.
F
e
c
h
a

d
e

r
e
c
e
p
c
i
n
:

2
3

d
e

n
o
v
i
e
m
b
r
e

d
e

2
0
0
9
F
e
c
h
a

d
e

a
c
e
p
t
a
c
i
n
:

8

d
e

o
c
t
u
b
r
e

d
e

2
0
1
0
Resumen
Este artculo resuelve el problema de la optimizacin de redes de comu-
nicaciones por cable usando optimizacin multiobjetivo. El mtodo usado
en la solucin del modelo matemtico es un algoritmo especializado
basado en el mtodo Non-Dominated Sorting Genetic Algorithm (NSGA
II). El modelo matemtico planteado utiliza dos funciones objetivo: el
costo de inversin y un indicador relacionado con la operacin de la
red. En la solucin del problema son obtenidos frentes dominantes que
proporcionan informacin al diseador de la red acerca de cmo debe ser
la confguracin de mnimo costo y que cumpla con los requerimientos
mnimos de seal en los nodos de conexin de los usuarios. Para esto se
usa un sistema de prueba de la vida real.
Palabras clave: algoritmos evolutivos, optimizacin combinatorial,
optimizacin multiobjetivo, redes de comunicacin por cable.
Abstract
This paper solves the optimization problem of communication networks by
cable using a multi objective algorithm. The mathematical model is solved
using a methodology based on the Non-dominated Sorting Algorithm
(NSGAII). The mathematical model uses two objective functions, one is
the investment costs and the other is an indicator related to the network
operation. The problem solution is a Pareto front that consider informa-
tion about the network design, showing a set of network confguration
with minimum cost and minimum requirements of signal levels in the
costumer connection nodes. For that, a real life test system is used.
Key words: Cable communication Network, Combinatorial Optimization,
Evolutive Algorithms, Multiobjective Optimization, Optimization Methods.
Propylene.
OPTIMIZACIN DE REDES DE COMUNICACIN POR CABLE,
UN ENFOQUE MULTIOBJETIVO
1. INTRODUCCIN
El diseo de redes de comunicacin por cable est asociado a la solucin
de un problema de optimizacin a travs del cual se busca determinar
la topologa radial ptima de la red, con uno o varios objetivos defni
dos. Encontrar la topologa ptima requiere evaluar implcita y/o expl-
citamente todas las topologas radiales posibles del sistema. Una forma de
caracterizar el problema consiste en encontrar un rbol del grafo asociado
a la red, que minimice la inversin, y el sobrante d seal en los nodos
y/o maximice la confabilidad y que, adems, satisfaga restricciones de
ope racin como, por ejemplo, las asociadas a nivel de seal, capacidad
de los circuitos y relaciones fsicas que debe satisfacer la seal. Dado
que la solucin del problema debe ser un rbol del grafo, por causa de la
exigencia de radialidad la confguracin fnal contendr solo aquellos ca
mi nos de conexin candidatos que permitan satisfacer todas las condicio-
nes del problema al tiempo que representan la alternativa de ms bajo
costo de inversin. En este trabajo se explora la posibilidad de determinar
un conjunto de soluciones usando un enfoque multiobjetivo, que garantiza
que la seal se encuentra dentro de los niveles permitidos, al mismo tiem-
po que minimiza el nivel de seal sobrante en los nodos, respecto al nivel
m nimo exigido.
*
El modelo matemtico asociado al problema de optimizacin resultante
hace parte de la categora de problemas de programacin no lineal enteros-
mixtos (PNLEM), que se caracterizan por ser no lineales, poseer variables
enteras y continuas, y en los cuales aparece el denominado fenmeno de
explosin combinatorial [1] cuando aumenta el tamao del sistema.
Para un nmero grande de alternativas resulta prohibitiva su solucin
a travs de tcnicas de optimizacin exactas, porque en estos casos se
convierte en un problema NP-completo, es decir, un problema que no
puede resolverse en tiempos de cmputo polinomiales. La exigencia de
radialidad es un factor adicional en el proceso de solucin del problema.
Para un nmero grande de alternativas y de nodos se requiere el uso
de tcnicas metaheursticas para encontrar soluciones subptimas de
buena calidad. Debe tenerse en cuenta que las tcnicas metaheursticas
no garantizan la solucin ptima global, aunque eventualmente pueden
encontrarla, segn el tipo de pro blema analizado.
Tradicionalmente, el problema de redes de comunicacin por cable se ha
resuelto usando tcnicas de optimizacin monoobjetivo, donde el nico
objetivo es la minimizacin de los costos de inversin [2], [3]. Por otro lado,
el problema de optimizacin de la red de comunicaciones de la vida real
es un problema que busca la maximizacin o minimizacin simultnea de
varios objetivos, por lo que se constituye en un problema multiobjetivo
[4], donde generalmente los objetivos se encuentran en conficto. Dentro
de los objetivos ms comunes se encuentran: minimizar el costo de in-
versin, maximizar aspectos relacionados con la calidad de la seal y
ma ximizar la confabilidad del sistema. La optimizacin multiobjetivo es
adecuada para resolver problemas con objetivos en conficto, como cuan
do se desea simultneamente minimizar el costo de inversin y maxi mi zar
la confabilidad del sistema, ya que mejorar la confabilidad implica una
mayor inversin y reducir la inversin est asociada a una menor confa
bilidad. Algo similar ocurre entre el costo de inversin y la calidad de la
seal, ya que una topologa de bajo costo, que conecte a todos los nodos,
operar cerca de sus mnimos operativos, suministrando a los usuarios
seales sufcientes pero cerca al lmite inferior. De otro lado, una seal
de alta calidad en todos los nodos estar asociada a un mayor nivel de
in versin.
En este trabajo se implementa una solucin basada en el algoritmo multi-
ob jetivo denominado NSGA-II (Non-Dominated Sorting Genetic Algorithm
II). Una descripcin detallada de este algoritmo puede ser encontrada en
la referencia [5]. Como sistemas de prueba se utilizan los escenarios re-
portados en la referencia [2].
2. FORMULACIN MATEMTICA DEL PROBLEMA
Se plantean dos objetivos: el primero hace referencia a costos de inversin
y el segundo, al nivel de seal sobrante en los nodos respecto al nivel m-
nimo exigido. Al incluir este nivel de seal excedente en el problema de
optimizacin se direcciona el proceso de bsqueda hacia regiones donde
se minimiza este excedente y en que pueden existir soluciones de menor
costo de inversin.
Funcin objetivo asociada al costo de inversin: este objetivo busca de-
ter minar la cantidad mnima de cable coaxial y de elementos para divisin
de seal (acopladores direccionales y divisores de seal) que permitan
conectar todos los nodos de la red a un punto donde se encuentra dis-
ponible la seal, cumpliendo con el requerimiento de radialidad. Esta fun-
cin objetivo ser denominada FO
1
, y su formulacin matemtica es la
siguiente:
(1)

Donde x
ij
es una variable binaria que defne si existe o no conexin entre
los nodos i-j a travs de cable coaxial, c
ij
costo del cable coaxial entre los
nodos i-j, d
i
l
es una variable binaria que defne si existe o no un divisor del
tipo l, [c
s
]
i
l
es el costo del divisor del tipo l localizado en el nodo i, e
i
m
es una
variable binaria que defne si existe o no un acoplador de seal del tipo m
localizado en el nodo i, [c
a
]
i
m
es el costo del acoplador de seal del tipo m
localizado en el nodo i. Para cada problema se deben defnir los tipos de
divisores y acopladores que se van a considerar as como tambin sus costos
y sus caractersticas operativas. Finalmente, n es el nmero de nodos del
sistema y W es el conjunto de caminos candidatos donde se pueden hacer
conexiones usando cable coaxial.

Funcin objetivo asociada a nivel de seal: este objetivo determina la
diferencia entre el nivel de seal existente en la entrada de los ampli-
fcadores y el nivel de seal mnimo permitido. El nivel de seal se calcula
considerando los diferentes parmetros de diseo de redes de banda
ancha que lleva en cuenta la atenuacin en los tramos y el efecto de los
divisores y acopladores sobre el nivel de seal. El fujo de seal se basa en
un mtodo de barrido que parte del nodo fuente hasta llegar a los nodos
fnales, ver referencia [7]. Se determina la cantidad de seal a la entrada de
cada amplifcador (nodo) y se minimiza la diferencia entre el nivel de seal
existente y el nivel mnimo permitido. Esta funcin objetivo denominada
FO
2
, es formulada como la minimizacin de la seal sobrante, en decibeles,
respecto al mnimo requerido. La funcin matemtica que resulta de plan-
tear este objetivo es la siguiente:
=
=
n
i
i
r O F
1
2
(2)
Donde r
i
corresponde a la cantidad de seal (en decibeles) que existe en
el nodo i, por encima del nivel de seal mnimo requerido en dicho nodo.
FO
2
es el valor acumulado de seal sobrante en los n nodos del sistema.
Modelo de optimizacin propuesto: en la optimizacin multiobjetivo se
procesan las funciones objetivo directamente con sus respectivas uni da-
des y no son necesarios los parmetros de conversin y unifcacin de
uni dades ni los factores de peso que son necesarios en la optimizacin
monoobjetivo cuando se intenta combinar varios objetivos en una nica
funcin. Otra caracterstica de la optimizacin multiobjetivo es que, a dife-
rencia de la optimizacin monoobjetivo, no existe una nica solucin que
minimice y maximice simultneamente todos los objetivos si se trata de
analizar los que estn en conficto. En este artculo, la inclusin del segun
do objetivo tiene como propsito direccionar el proceso de bsqueda
ha cia regiones de mejor calidad en cuanto involucra un factor que no
est siendo evaluado explcitamente en la optimizacin monoobjetivo.
A travs de la optimizacin multiobjetivo se determina un conjunto de
solu ciones no dominadas con respecto a cualquier otra alternativa del
con junto de solucin. Estas soluciones son defnidas en el contexto de la
optimizacin multiobjetivo como soluciones no dominadas o soluciones
Pareto-ptimas. La seleccin de una solucin particular de este conjunto
depende de las caractersticas del problema y es tomada por un decisor [6]
con base en criterios tcnicos, econmicos o subjetivos. En la prctica, en
problemas tipo NP-completos se recurre al uso de tcnicas metaheursticas
multiobjetivo para generar el conjunto de soluciones Pareto-ptimas, o un
conjunto de soluciones cercanas a las soluciones Pareto-ptimas.
Un problema de optimizacin multiobjetivo consiste en encontrar un
vector de variables de decisin (solucin) que satisface un conjunto de
restricciones de igualdad y/o desigualdad, y optimiza una funcin vectorial
cuyos elementos representan las funciones objetivo. Estas funciones
corresponden a los criterios de optimalidad, usualmente en conficto. El
pro blema multiobjetivo de optimizacin de redes de comunicacin por
cable que se analiza en este trabajo se defne matemticamente de la si
guiente forma:
min FO
1
(x) (3)
min FO
2
(x) (4)
s.a.
n i d
k
l
l
i
,..., 2 , 1 ; 1
1
1
=
=
(5)
n i e
k
m
m
i
,..., 2 , 1 ; 1
2
1
=
=
(6)
1 =
F
F
(7)
G(db
i
) = 0;i=1,2...,n (8)
H(db
i
) > 0;i=1,2,...,n (9)
f
min
< f
oper
< f
max
(10)
db
i
db
i
min <0;i=1,2...,n (11)
r
i
db
i
db
i
min;i1,2,...,n (12)
Para el problema anterior, (5) representa la restriccin del nmero m-
ximo de divisores permitidos por nodo. En es caso solo se considera la po-
sibilidad de colocar un divisor por nodo.
En forma similar, (6) representa la restriccin del nmero mximo de
acopladores permitidos por nodo. En este caso solo se considera la posi-
bilidad de colocar un acoplador por nodo. En un mismo nodo puede existir
un divisor y un acoplador. k
1
y k
2
representan los tipos de divisor y acoplador
defnidos antes de resolver el problema.
La restriccin (7) se refere a que cada confguracin debe ser radial; no deben
existir lazos ni tampoco deben existir nodos sin conectar, lo que se logra
defniendo F caminos o trayectorias. El concepto anterior se ampla en [7].
La restriccin (8) corresponde a n-1 ecuaciones que describen el problema
de fujo de seal. La restriccin (9) corresponde a n inecuaciones de la
forma (db
i
0), cantidad de decibeles en el nodo i.
En la restriccin (10), f
min
representa la frecuencia mnima de operacin,
f
max
representa la frecuencia mxima de operacin), f
oper
representa la fre-
cuencia de trabajo, la restriccin (11) muestra que en el nodo i debe existir
una cantidad mnima de seal con la que se garantiza su calidad.
En la restriccin (12), r
i
representa el sobrante de seal en el nodo i.
3. CODIFICACIN E IMPLEMENTACIN
DEL MTODO DE SOLUCIN
En la representacin de una solucin candidata se utiliza codifcacin
binaria. Los nodos representan el punto de entrada a cada amplifcador
o a un elemento de divisin de seal, las ramas representan el trayecto
en tre dos nodos. Cada solucin se identifca por un arreglo de unos y
ceros, donde uno (1) en la posicin i del arreglo signifca que la rama i
est conectada y hace parte del rbol; por el contrario, (0) en la misma po
sicin signifca que la isima rama est desconectada. La fgura 1 mues
tra un sistema tpico de 8 nodos y 10 ramas. El vector que se presenta a
continuacin representa una propuesta topolgica para el sistema mos-
trado en la fgura 1 y es el siguiente: [ 1 1 1 1 0 1 1 0 1 0 ]
Figura 1. Sistema de 8 nodos y 10 ramas
El fujo de seal y el estado de las seales se evala usando un algoritmo
de fujo de seal. La poblacin inicial tiene en cuenta la condicin de ra
dialidad y se genera mediante un algoritmo aleatorio. La descripcin
completa de este algoritmo puede ser observada en [8]. El algoritmo
NSGA-II se fundamenta en el tradicional mtodo de algoritmos genticos
as como en el concepto de dominancia y elitismo. Una visin ms de-
tallada de estos aspectos puede ser observada en [9].
Para la recombinacin se implement una forma especializada que se
denomina tipo II y descrita en [7]. Con lo anterior se garantiza radialidad
de las confguraciones candidatas ( individuos). Finalmente, la mutacin
utiliza una estrategia conservando la radialidad de las confguraciones tal
como es propuesta en [7], [8].
4. TCNICA DE SOLUCIN
La optimizacin multiobjetivo est asociada a un alto costo computacional,
en el caso de problemas NP-completos, por lo que la utilizacin de las
denominadas tcnicas exactas se hace compleja sobre todo cuando el
espacio de soluciones crece [10]. Por lo anterior se plantean las soluciones
heursticas estocsticas que alcanzan buenas soluciones en tiempos de
computacin razonables, en las que se incluyen los algoritmos evolutivos
(AE). Una extensin de estos algoritmos surge como una excelente
alternativa para la solucin de los problemas multiobjetivo, y se les deno-
mina MOEAs. En este trabajo se utiliza el algoritmo NSGA-II.

La optimizacin multiobjetivo deber cumplir dos caractersticas que
son esenciales para su buen desempeo: la primera, obtener un frente
apro ximado al frente Paretoptimo al fnal del proceso y, la segunda,
man tener la diversidad de la poblacin en el espacio objetivo durante el
proceso [11].
El algoritmo NSGA-II muestra un buen comportamiento con respecto
a estas dos caractersticas: presenta un frente de Pareto de muy alta ca-
lidad, que se distribuye adecuadamente en el espacio de solucin de las
fun ciones objetivo [12]. La solucin en la optimizacin multiobjetivo se
presenta como el mejor conjunto de soluciones x
i
no dominadas, lo que se
denomina frente ptimo de Pareto FP* como se describe en [13].
El algoritmo NSGA-II (Non-Dominated Sorted Genetic Algorithm versin II)
fue mostrado por Deb como una versin mejorada del algoritmo NSGA
presentado por Srinivas y Deb [9].
5. PRUEBAS Y RESULTADOS
Para verifcar el desempeo del algoritmo NSGA II se utiliz un sistema real
correspondiente a la ciudad de Pereira (Colombia), cuyos datos aparecen
en [7]. Los parmetros usados en el algoritmo fueron los siguientes:
Tabla 1
Parmetros del algoritmo gentico
NSGA II
Poblacin 200 individuos
Generaciones alcanzadas 1160 generaciones
Tasa de cruzamiento 100%
Tasa de mutacin 3%
La fgura 2 muestra el frente de Pareto obtenido usando el algoritmo
NSGA-II en las generaciones 50 y 200, respectivamente.
Figura 2. Frentes de Pareto. Generaciones 50 (izquierda) y 200 (derecha)
obtenidos con NSGA II
Una de las caractersticas del algoritmo NSGA II es permitir que en ca-
da generacin ms individuos hagan parte del frente de Pareto. En la
ge neracin 1000 hacen parte del frente 145 de los 200 individuos de la
poblacin. En la fgura 3 se muestra el frente de Pareto para la generacin
1000 y el frente de Pareto fnal que se obtiene en la generacin 1160.
1000 y el frente de Pareto fnal que se obtiene en la generacin 1160.
Figura 3. Frentes de Pareto. Generaciones 1000 (izquierda) y 1160 (derecha)
que se obtienen con NSGA II
La metodologa propuesta establece un conjunto de soluciones de calidad
con informacin, que incluye el costo de la solucin y la calidad de la seal,
a fn de que el diseador de este tipo de redes tome la mejor decisin.
En la optimizacin multiobjetivo se utilizan diferentes mtricas que mi-
den la calidad del frente obtenido, y que se clasifcan segn varias caracte
rsticas:
- Qu tan cerca est el frente obtenido con respecto al ptimo global
(supone que se conoce el ptimo global)?
- Cmo es la distribucin de las soluciones en todo el frente?
- Mtricas que combinan los dos factores anteriores.
En este artculo se utiliza la mtrica correspondiente al segundo punto, lla-
mada espacio cubierto, que determina el tamao del conjunto global en el
espacio de las funciones objetivo. En las referencias [14] y [15] se encuentra
informacin detallada sobre mtricas en optimizacin multiobjetivo.
En la tabla 2 se muestra la variacin de esta mtrica a travs de las dife-
rentes generaciones.
Tabla 2
Resultados de la mtrica espacio cubierto en las generaciones mencionadas
Generacin 50 200 300 400 500 600 700 800 900 1000
Individuos del frente 21 37 31 41 61 66 83 97 128 145
Espacio cubierto 4,99 6,13 4,7 6,18 8,92 9,56 11,94 13,91 18,29 20,65
En el problema propuesto se observa que en la medida en que se avanza
en el nmero de generaciones, el frente se distribuye adecuadamente tal
co mo se puede observar en las fguras 2 y 3. Tambin se observa cmo
el nmero de individuos de soluciones no dominadas se incrementan. El
espacio cubierto se increment con el nmero de generaciones, lo que re-
feja una mayor cobertura en el espacio de solucin.
6. CONCLUSIONES
Fue resuelto el problema de redes de comunicacin por cable usando
una tcnica de optimizacin multiobjetivo denominada NSGA II. La im-
ple mentacin del multiobjetivo ofrece resultados que cumplen con los
objetivos propuestos, es decir, mnima inversin y niveles adecuados de
seal para los usuarios de la red.
La metodologa propuesta es una herramienta de gran utilidad en el diseo
de las redes de comunicacin por cable, pues identifca confguraciones de
mnimo costo con niveles de seal apropiados para el usuario.
Se encontr que el uso del algoritmo NSGA II cumple con los dos objetivos
principales de una optimizacin multiobjetivo: encontrar un conjunto de
soluciones de buena calidad y mantener la diversidad de la poblacin tanto
como sea posible. El algoritmo NSGA II permite hallar un amplio frente
de Pareto fnal con muy buenas soluciones derivadas de los conjuntos de
soluciones no dominadas y del factor de elitismo que posee este algoritmo.
La metodologa propuesta presenta un comportamiento que puede ser
considerado satisfactorio para el problema planteado, ya que se obtiene
un frente con muchas soluciones, diversifcadas y de calidad adecuada.
En este trabajo se propone una metodologa con base en el algoritmo
multiobjetivo NSGA II; en futuros desarrollos recomienda el estudio de
otros objetivos como la disponibilidad del servicio la realizacin de an-
lisis comparativos con otros algoritmos multiobjetivo.
Referencias
[1] R.A. Gallego, A.H. Escobar y E.M. Toro, Tcnicas Metaheursticas de Opti-
mizacin. Pereira, Colombia: Universidad Tecnolgica de Pereira, 2008, pp.
1-360.
[2] L.F. Galindres, R.A. Gallego y A.H. Escobar, Tcnica de optimizacin
combinatorial aplicada al diseo de redes de comunicacin por cable,
Scientia Et Technica, n. 39, pp. 332 337, 2008.
[3] H. Chou, G. Premkumar and Chao-HsienChu, Genetic Algorithms for
Communications Network Desing - An Empirical Study of the Factors that
Infuence Performance, IEEE Transaction on Evolutionary Computation, vol. 5
no.3, pp. 236-249, 2001.
[4] C. Coello. (2003). Evolutionary Multiobjective Optimization: Current and Future
Challenges. [Online]. Disponible: http://delta.cs.cinvestav.mx/~ccoello/
conferences/coello-wsc7.pdf.gz. [Acceso: Marzo 2009].
[5] K. Deb, Multi-Objective Optimization using Evolutionary Algorithms, vol. I.
Kanpur: Wiley, 2001, pp. 179-183.
[6] K. Miettinen, Nonlinear Multiobjective Optimization, vol. I. Jyvaskyla: Kluwer
Academic Publishers, 1999, pp. 14-15.
[7] L.F. Galindres y E. Toro, Optimizacin de redes de Comunicacin utilizando
Algoritmos Genticos. Tesis de grado, Universidad Tecnolgica de Pereira,
2003. [Online]. Disponible: http://www.utp.edu.co/~planeamiento/prod_
aca/tesis/OPTIMIZACION_REDES_COMUNICACION_AG.pdf pp. 114-139
[Acceso: Marzo 2009].
[8] J.C. Jaramillo, J.A. Orozco, R.A. Gallego and R.A. Romero, Modifed Genetic
Algorithm for Network Reconfguration in Distribution System, Memorias
del IV Induscon 2000, Porto Alegre, Brasil, pp. 386 391, 2000.
Kanpur: Wiley, 2001, pp. 209-218.
[10] M.T. Jensen, Reducing the run-time complexity of Multiobjective EAs:
The NSGA-II and other algorithms, IEEE Transactions on Evolutionary
Computation, vol. 7, pp. 503-515, 2003.
[11] M. Laumanns, L. Thiele, K. Deb and E. Zitzler. (2008, jun.). Combining Con-
ver gence and Diversity in Evolutionary Multi-Objective Optimization, [Online].
Dis ponible: ftp://ftp.tik.ee.ethz.ch/pub/people/laumanns/LTDZ2002b.
pdf. [Acceso: Marzo, 2009]
[12] K. Miettinen, Nonlinear Multiobjective Optimization, vol. I. Jyvaskyla: Kluwer
Academic Publishers, 1999, pp. 5-14.
Kanpur: Wiley, 2001, pp. 33-46.
[14] C. Coello. (2005, jul.). Introduccin a la optimizacin multiobjetivo usando
Metaheursticas. [Online]. Disponible: http://elavio2005.uniandes.edu.co/
MiniCursosTutoriales/Coello3.pdf [Acceso: Septiembre, 2009]
[15] C. Crosan (2003). Performance metrics for multiobjective optimization evolutionary
algorithms. [Online]. Disponible: http://www.cs.ubbcluj.ro/~cgrosan/
grosanCAIM.pdf [Acceso: Septiembre, 2009]

1443 4483 1 PB

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

1443 4483 1 PB

Загружено:

Авторское право:

Доступные форматы

I

Вам также может понравиться