Matching, Coloreo. P NP, SAT, Networks

Resumen de Discreta II
Maximiliano Illbele illbelemaxi@gmail.com

8 de julio de 2014
ndice
1. Coloreo y repaso de grafos
1.0.1.
1.1.
BFS-DFS
Coloreo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.
Nmero Cromtico . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2.
Algoritmo Greedy para coloreo
1.1.3.
Propiedades de Greedy . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.4.
Heursticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
. . . . . . . . . . . . . . . . . . .
2. Flujos en networks
2.1.
2.2.
2.5.
2.6.
14
. . . . . . . . . . . . . . . . . . . . . . . . . .
14
Ejemplos de Greedy
2.1.2.
Complejidad de Greedy . . . . . . . . . . . . . . . . . . . . . . . . .
15
Algoritmo de Ford y Fulkerson . . . . . . . . . . . . . . . . . . . . . . . . .
15
Lema del Camino Aumentante . . . . . . . . . . . . . . . . . . . . .
Teorema: Max-Flow Min-Cut

2.3.1.
2.4.
. . . . . . . . . . . . . . . . . . . .
2.1.1.
2.2.1.
2.3.
12
Algoritmo de Greedy para hallar Flujo
. . . . . . . . . . . . . . . . . . . . . . . . .
Complejidad de Ford Fulkerson
. . . . . . . . . . . . . . . . . . . .
16
20
21
Algoritmo de Edmonds Karp . . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.4.1.
Complejidad de Edmonds-Karp
. . . . . . . . . . . . . . . . . . . .
24
2.4.2.
Ejemplo de Edmonds Karp . . . . . . . . . . . . . . . . . . . . . . .
27
2.4.3.
Pseudo-Cdigo de Edmonds Karp . . . . . . . . . . . . . . . . . . .
Algoritmos Tipo Dinic
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
29
2.5.1.
Esquema general Tipo Dinic . . . . . . . . . . . . . . . . . . . . . .
30
2.5.2.
Ejemplo de Dinic . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.5.3.
Pseudo Cdigo algoritmos Tipo Dinic . . . . . . . . . . . . . . . . .
33
2.5.4.
Complejidad de Dinic . . . . . . . . . . . . . . . . . . . . . . . . . .
35
Algoritmo Wave de Tarjan . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
2.6.1.
Pseudo Cdigo de Wave
. . . . . . . . . . . . . . . . . . . . . . . .
36
2.6.2.
Complejidad de Wave . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.6.3.
Ejemplos de Wave
39
. . . . . . . . . . . . . . . . . . . . . . . . . . .
3. MST
3.1.
3.2.
3.3.
41
Kruskal
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
3.1.1.
Pseudo Cdigo de Kruskal . . . . . . . . . . . . . . . . . . . . . . .
43
3.1.2.
Teorema: Kruskal devuelve un MST . . . . . . . . . . . . . . . . . .
43
3.1.3.
Complejidad de Kruskal
. . . . . . . . . . . . . . . . . . . . . . . .
44
3.1.4.
Kruskal Delete
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.1.5.
Complejidad Kruskal Delete . . . . . . . . . . . . . . . . . . . . . .
44
3.1.6.
Ejemplo de Kruskal . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
PRIM
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1.
Pseudo Cdigo de Prim
3.2.2.
Correctitud de Prim
3.2.3.
Ejemplo de Prim
46
. . . . . . . . . . . . . . . . . . . . . . . .
46
. . . . . . . . . . . . . . . . . . . . . . . . . .
46
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
Implementaciones de Union Find
. . . . . . . . . . . . . . . . . . . . . . .
48
3.3.1.
Union Find con listas enlazadas . . . . . . . . . . . . . . . . . . . .
48
3.3.2.
Union Find con Representantes
. . . . . . . . . . . . . . . . . . . .
48
3.3.3.
Union Find con ranking
. . . . . . . . . . . . . . . . . . . . . . . .
49
4. Matchings
51
4.1.
Transformacin del problema de Matching a uno de ujo maximal . . . . .
51
4.2.
Teorema de Hall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
4.3.
Complejidad del Algoritmo de Matching
. . . . . . . . . . . . . . . . . . .
53
4.4.
Grafos con Peso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
4.4.1.
Algoritmo de Gross . . . . . . . . . . . . . . . . . . . . . . . . . .
54
4.4.2.
Ejemplo del algoritmo de Gross
. . . . . . . . . . . . . . . . . . .
55
4.5.
Prueba del teorema de HALL
. . . . . . . . . . . . . . . . . . . . . . . . .
60
4.6.
Teorema del Matrimonio . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.7.
Minimizar la Suma
62
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.1.
Ejemplo de Matching que minimiza la Suma (A ojo)
. . . . . . . .
62
4.7.2.
Algoritmo Hngaro . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
4.7.3.
Ejemplo del algoritmo Hngaro
63
4.7.4.
Complejidad de algoritmo Hungaro
. . . . . . . . . . . . . . . . . .
65
4.7.5.
EJEMPLO DEL MEJORADO (FALTA) . . . . . . . . . . . . . . .
67
. . . . . . . . . . . . . . . . . . . .
5. Cdigos de correcin de errores
68
5.1.
Cota de Hamming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
5.2.
Matriz generadora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
5.3.
Matriz de chequeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
5.4.
Cota Singleton
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
Cdigos Cclicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
5.5.1.
87
5.5.
Correcin de errores Error Trapping . . . . . . . . . . . . . . . . .
6. P-NP
90
6.1.
La clase P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
6.2.
La Clase NP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
6.3.
Co-NP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
6.4.
SAT
91
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.
6.4.1.
Reduccin Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . .
92
6.4.2.
k color P SAT
. . . . . . . . . . . . . . . . . . . . . . . . . . .
92
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
NP Completo
6.5.1.
3-SAT es NP completo . . . . . . . . . . . . . . . . . . . . . . . . .
94
6.5.2.
3-color es NP completo . . . . . . . . . . . . . . . . . . . . . . . . .
96
6.5.3.
Ejemplo 3-SAT
6.5.4.
2-SAT
6.5.5.
HORN-SAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
P 3-color
. . . . . . . . . . . . . . . . . . . . . . .
97
P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7. Introduccin a la Inteligencia Articial
102
7.1.
Hill Climbing
7.2.
Simulated Annealing
7.3.
Algoritmos Evolutivos
7.4.
Algoritmos Genticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.4.1.
7.5.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Seleccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Ejemplo de un AG
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.5.1.
Codicacin del ejemplo
. . . . . . . . . . . . . . . . . . . . . . . . 104
7.5.2.
Fitness del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.5.3.
Entrecruzamiento del ejemplo
7.5.4.
Mutacin del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.5.5.
Seleccin del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.5.6.
Operadores de Seleccin
7.5.7.
Remainde Methods (Mtodos del Resto)
7.5.8.
Otros mtodos Fitness Proportional . . . . . . . . . . . . . . . . . . 107
7.5.9.
Sigma Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
. . . . . . . . . . . . . . . . . . . . . 104
. . . . . . . . . . . . . . . . . . . . . . . . 105
. . . . . . . . . . . . . . 107
7.5.10. Crossover
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.5.11. Mutacin
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.5.12. Mutaciones con Permutaciones . . . . . . . . . . . . . . . . . . . . . 110

7.6.
No Free Lunch
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
1. Coloreo y repaso de grafos

Recordemos que un grafo
Donde
E {A V : |A| = 2}.
E es el conjuntode lados1 o aristas.

G = {1, 2, 3}, {1, 2}, {1, 3}
es un par
(V, E)
donde
es el conjunto de vrtices onodos y

Ejemplo: sea
Grco(G)

1<
<<
<<
<<
<
Notacin usual
{x, y} xy
Vecinos de un nodo
Grado
o Valencia de
x: (x) = {y V : xy E}

un vrtice: d(x) = (x)
Menor valencia de
G: = mn{d(x) : x V }
Mayor valencia de
G: = max{d(x) : x V }
Deniciones
Un grafo es
Un
regular si
= ,
a veces llamados k-regular.
camino es una sucesin de vrtices
x1 , x2 , . . . , xt
todos distintos tales que
xi xi+1 E .
Un grafo es
conexo si
par
de vrtices
un camino entre ellos.
Conexo

1 ==
4

==

==
==

_3
En general denimos
Ejercicio: demostrar que
1. Reexividad:
Disconexo
_5

2
xy
4 ==
==
==
==
_3
camino entre
==
==
==
5
x
y.
es una relacin de equivalencia.
xx
xyyx

xy
Transitividad:
xz
yz
2. Simetra:
3.
1 ==
1 Edges.
2 Degree.
Una componente conexa de
es una clase de equivalencia de la relacin
Notacin
n = |V |.
La cantidad de vrtices:
La cantidad de lados:
m = |E|.
Observacin

n
m
=
2
Si
1.0.1.
n(n1)
2
es conexo
n1m
BFS-DFS
DFS(x)-Depth First Search3
Su funcionamiento consiste en ir expandiendo todos y cada uno de los nodos que va

localizando, de forma recurrente, en un camino concreto. Cuando ya no quedan ms nodos
que visitar en dicho camino, sube en el rbol, de modo que repite el mismo proceso con
cada uno de los hermanos del nodo ya procesado.
Ejemplo DFS
A
z ???
zz
??
z
??
zz
z

?
zz
_
_
D
C
B
y @@ mmm
yy mmmmm@@@
y
y m
@@
yyymymmmm
@
m
m
E
DF S(A)
N ivel 0
N ivel 1
N ivel 2
D@

N ivel 3
@@
@@
@@
@
N ivel 4
3 DFS: Bsqueda en profundidad.
N ivel 5
BFS(x) - Breadth First Search4

Intuitivamente, se comienza en la raz
x y se exploran todos sus vecinos. A continuacin
para cada uno de los vecinos se exploran sus respectivos vecinos adyacentes, y as hasta
que se recorra todo el Grafo.
Ejemplo BFS
BF S(A)
A?
??
zz
z
??
z
z
??
zz

?
z
z
_D
_
B
C
y @@ mmm
yy mmmmm@@@
y
y m
@@
yyymymmmm
@
mm
E
A
ss ???
s
s
??
ss
??
sss
s

?
s
ss
C
N ivel 0
N ivel 1
N ivel 2
N ivel 3
1.1. Coloreo
G = (V, E)
xy E C(x) 6= C(y)
Un coloreo (propio) de
tal que si:
con
colores es una funcin
C : V {1, 2, . . . , k}
Ejemplo de coloreo
A(1)
FF
x
FF
xx
FF
x
FF
xx
x

F
x
x
_ D(2)
_ C(3)
B(2)
FF kkk
x
xx kkkkkFkFF
x
FF
x kk
FF
xxxkxkkkkk
k
E(1)
G(1)

F (2)
1.1.1.
Nmero Cromtico
En general deseamos calcular el nmero cromtico de

Donde
(G) = mn{k :
un coloreo propio de
Propiedad:
con
G : (G).
k colores }.
1 (G) n
4 BFS: bsqueda en anchura.
1.1.2.
Algoritmo Greedy para coloreo
x1 , . . . , x n .
Requiere un orden de los vrtices:
C(x1 ) = 1
j>1
Inicio:
Para
C(xj ) =
El menor color que no crea conicto con los vrtices ya coloreados.
n
o
C(xj ) = mn k : C(xi ) 6= k i < j : xi (xj )
Invariante: en todo momento el coloreo es propio, por lo tanto al terminar da un
coloreo propio.
Ejemplo:
_D
_
@@
~B @@@ C
~
~
@@
~
~

@
~
~
@@
@@
~
~
~
~
@@
@
~
~~
@@@~~~
@
E
A@
~~~ @@@
@@
~~
@@
~~~
@@
~
@@
@@ ~~
~~
@ ~~~
@ ~~
_
Orden alfabtico
Orden alternativo
Vrtices
Color
Complejidad de coloreo con Greedy

O d(x1 ) + d(x2 ) + . . . + d(xn ) = O(2m) = O(m)
Teorema: sea
Prueba: Supongamos que
Sea
Sea
A
B
G = C2r+1 (G) = 3
(G) = 2
el color del primer vrtice.

el color del segundo vrtice.
x1 x2 E A 6= B
(G) = 2 estos son
Como x2 x3 E C(x3 ) 6= B C(x3 ) = A
5
Como x3 x4 E C(x4 ) = B
Como estamos suponiendo
los nicos colores que podemos usar.
Por induccin:

C(xi ) =
Pero entonces el lado
x1 x2r+1
|{z}
| {z }
A
A
B
cuando
cuando
tiene los
i
i
es Impar
es Par
vrtices del mismo color
Absurdo.
5 Este paso es slo ilustrativo no forma parte de una demostracin formal ya que no sabemos si
n = 3.
7
n>3
(G) 3
Y est claro que con
colores alcanza denimos:
A
B
C(xi ) =
cuando
cuando
cuando
i es Impar < 2r + 1
i es Par
i = 2r + 1
C2r+1 G (G) 3
un grafo G es bipartito si: (G) = 2
Corolario: si
Denicin:
Teorema:
es bipartito
@C2r+1 G
Ms an existe un algoritmo de complejidad polinomial para determinar si
es bi-
partito o no.
(G) = 2,
C2r+1 G
Prueba: el algoritmo que daremos da un coloreo (propio) con dos colores, si

y si el algoritmo colorea con ms de
colores entonces veremos que existe
(G) 3
En realidad esto lo haremos para cada componente conexa de
Vamos a suponer
Sea
x V,
G.
conexo.
BF S(x) y tomemos el siguiente coloreo

0 Nivel BF S(x), z es Par

C(z) =
1 Nivel BF S(x), z es Impar
y corramos
propio:
que puede no ser
Si ese coloreo es propio ya est.

Supongamos que no
Como
vw E
v, w : vw E : C(v) = C(w)
v fue puesto antes que w en el rbol entonces
y estamos usando BFS, Si
debe ser:
nivel(w) = nivel(v + 1) Absurdo

O bien
1.1.3.
nivel(v) = nivel(w)
pues
Hay un ciclo impar
nivel(v) nivel(w) (2)

(G) 3
Propiedades de Greedy
Analizando a Greedy, podemos decir que en ciertos casos puede andar muy mal
Ejemplo:

Sea
G : V = {1, . . . , 2r}
y con
E = ij
i es Impar
j es P ar
Para simplicar veamos el grafo correspondiente a
r=4
x1 BUQQUUU x3 BQQ mmx5 B iiimimx7

BBQQ|QU|Q|UUUU BmBmQmQ|Q|Q|iiiiBimBmm|||
B| QmQmmUUBiU|ii QmQmm B|
|m|BmBmiBmBimiiQiQi|Q|iQm|QBmUBmBUmBUmUUQUQ|UQ|Q|QBBBB
|
| mii
| m QQ | UUUQUQ
x2 imi x4 m
x6
x8
8
j 6= i + 1
x1 , . . . , x2r = x8
Luego Greedy corriendo en orden

Color
Vrtice

Pero si denimos
1 i
2 i
C(xi ) =
va a necesitar
x1
x2
x3
x4
x5
x6
x7
x8
es impar
nos queda que
es par
r=4
colores:
(G) = 2
Conclusin:
Greedy(G)
devuelve un coloreo que usa
colores, pero vimos que
(G) = 2.
Sin embargo . . .
Propiedad:
Prueba: sea
{x1 , . . . , xn } de los
obtiene: (G)
los vrtices de color
Sean
Sean
Vt

.
.
.
Induccin en
t=1
vrtices de G en el cual Greedy()
t = (G)
V1
V2
Sean
Si
un ordenamiento
en algn coloreo (propio) con
colores.
t:
obvio.
Supongamos que vale para
t1
Orden de los vrtices:

Los de
V1 <
los de
V2 < . . . <
Por hiptesis inductiva hasta

Los de
Vt
no estn unidos entre si
de los primeros
color
Vt1
t1
colores o el color
los de
Vt , en Vi
lo coloreamos con
los ordeno como quiero.
t1
colores.
Greedy en cada uno de sus vrtices usar uno

t, nunca hay conicto entre ellos que demande un
t + 1.
Propiedad:
(G) + 1
Prueba: usar Greedy en cualquier orden.

Cuando vayamos a colorear
xi
lo peor que puede pasar es que todos los vecinos ya
estn coloreados y con colores distintos, esto forzara a Greedy() a usar un color distinto
a esos
d(xi )
de esos colores.
Pero
d(xi )
Greedy con
+1
colores se las arregla.
Ms an, si
es conexo o todas sus componentes conexas sean no regulares, tenemos
que:
6= (G)
x V : d(x) =
6
Corramos BF S(x) y sea x1 , . . . , xn el orden inverso al de BFS(x) xn = x
7
En BF S(x) todo vrtice, salvo x es incorporado al rbol por medio de un vecino que
Prueba: sea
ya est en el rbol.
En el orden inverso todo vrtice distinto de x tiene un vecino posterior en el orden

(x1 , . . . , xn ).
Cuando Greedy va a colorear xi : i < n, como xi tiene por lo menos un vecino
posterior entonces xi tiene d(xi ) 1 vecinos anteriores.
Hay a lo sumo
d(xi ) 1 1
Greedy puede colorear con alguno de los
Ahora queda colorear

Greedy necesita usar
xn = x
d(x) + 1
colores:
(Kn ) = n = (n 1) + 1 = + 1
teorema de Brooks dice que si
1.1.4.
(G) = + 1
(C2r+1 ) = 3 = 2 + 1 = + 1
2. Los grafos completos:

El
colores.
d(x) = < + 1
Ejemplos donde
1. Los ciclos impares:
posibles conictos.
es conexo esos son los nicos ejemplos.
Heursticas
1. Welsh-Powell
Greedy en el orden:
d(x1 ) d(x2 ) . . . d(xn )
2. Matul-Marble-Isaacson
xn : d(xn ) =
Sea
Gn1 = Gn xn
Tomo
xn1 : Gn1 (xn1 ) = (Gn1 )

1
2
6 O lo mismo
7O
3
q5
>M>MMMM ;;qq;qqqqqqq
q

>> MMqMqqqq ;
> qqqq MM ;;
qqqq>q>> MMMM;;
q
q
q
q
M
qqq
4
3
qqq
qqqqqqqqq

q
qqqqq
qqqqqqqqq

qqq
y as seguimos . . .
3 > qqq5
q>q>qq>qqqqq

qqqq >>>
qqqqqqqqq

>

qq
qqqqq
4
pp5
ppppp
p
p
p
p
ppppp
ppppp
p
p
p
p
pp
ppppp
DF S(x).
DF S(x).
10
Luego corro Greedy con:

Es decir en el orden:
Y nos da
x6 = 1 x5 = 6 x4 = 4 x3 = 5 x2 = 3 x1 = 2
2, 3, 5, 4, 6, 1
(G) = 2
3. RLF: Recursive Largest First

1 RLF ( )
2 {
3
color = 1;
R = V;
//
Vrtices
while ( R 6= ) {
5
6
no Coloreados
L = R;
while
(L
6= ) {
Tomar v
Color ( v ) = c o l o r ;
de L
V tenga
10
Remover ( v )
de R ;
11
Remover ( v )
12
( v )
la
mayor
cantidad
de
vecinos
en R
de L ;
13
Color
14
++;
15 }
4. D-Satur
d5 (x) = #de
colores de los vecinos coloreados de
x.
Corre Greedy con un orden dinmico eligiendo como prximo vrtice el que tenga
d5
ms grande.
11
2. Flujos en networks
(V, E) : E V V con
C : E R.
0
En este contexto siempre pediremos C : E R
y los C(x, y) se llaman capacidades.
Un network (dirigido) es un grafo dirigido, es decir un par

pesos en los lados, es decir con una funcin
Notacin:
(x,y)
xy
(si se sobreentiende por el contexto tambin
xy ).
+ (x) = {y V : xy E}.
(x) = {y V : yx E}.
(x) = + (x) (x).
N = (V, E, C) y
f : E R tal que:
Denicin: dado un network

en
N,
de
es una funcin
y (x)
y+ (x)
3.
s, t V ,
0 f (xy) C(xy) xy E
P
P
Conservacin:
f (xy) =
f (yx) x 6= s, t
1. Feasability :
2.
vrtices distinguidos
Productor:
f (sy)
produce se llama la
fuente9 y
f (ys)
y (s)
y+ (s)
Como
se llamar
En algunos textos se pide directamente que:
resumidero10 .
f (ys) = 0
y (s)
O ms an:
C(ys) = 0 y (s)
Notacin:
f (xy) = Outf (x)
y+ (x)
f (yx) = Inf (x)
y (x)
Denicin: el
valor del ujo es
8 Viabilidad.
9 Source.
10 Sink.
12
V (f ) = Outf (s) Inf (s)
un
ujo
Propiedad:
V (f ) = Inf (t) Outf (t)
Prueba:
Sea
D = Inf (t) Outf (t)
0
x 6= s, t
V (f ) x = s
D x = t

P
Outf (x) Inf (x) = V (f ) D ?

Outf (x) Inf (x) =
xV
Notacin: Si
A, B V
entonces
f (A, B) =
f (xy)
xA
yB
xy E
X
Outf (x) =
X X
f (xy)
(1)
xV y+ (x)
xV
f (xy)
x, y V
xy E
= f (V, V )
( 1) Por denicin de
(2)
Outf (x).
( 2) Notacin.
Similarmente:
Inf (x) =
X X
f (yx)
xV y (x)
xV
f (yx)
x, y V
yx E
= f (V, V )
( 3) Por denicin de
Inf (x).
Nos queda:
f (V, V ) f (V, V ) = V (f ) D
{z
}
|
=0
V (f ) = D
13
(3)
Problema a resolver: dado un network
hallar
que maximice
V (f ).
Esto se conoce como el problema del ujo maximal

Notacin:
s = x0 , x1 , . . . , xr = t : xi xi+1 E
que se mandan unidades de ujo
Sea
Signica
, la notacin:
11
s, x1 , . . . , xr1 , t :
a travs de ese camino, es decir, si
era
un ujo existente denimos:
f (xy) =
G(xi xi+1 ) + Si xy = xi xi+1
G( xy)
Si no
2.1. Algoritmo de Greedy para hallar Flujo

Hasta que no se pueda ms buscar caminos de
2.1.1.
y mandar ujo por ellos.
Ejemplos de Greedy
Todas las capacidades son
10,
excepto
?A
C@
@
@@
@@
@
s>
>>
>>
>>
>
C(EF ) = 15.
E
~>
~
~
~~
~~
> G >>
>>
~~
~
>>
~
~
>>
~~

?t
@@
@@
@@
@
Corremos Greedy en orden alfabtico

1. Primer camino: s, A, C, E, F, G, t: 10
2. Segundo camino: s, B, D, E, F, H, t: 5
3. No hay ms caminos posibles.
Para este ejemplo podemos demostrar que no slo es ujo sino tambin que es
maximal, ya que, en pocas palabras C(EF ) = 15 y es un cuello de botella, y nos
da: f (EF ) = 15
Ejemplo: todas las capacidades son
1000
excepto:
C(CD) = 1
/B
A
G >>
? 00
>>

00

>>

0

>>

00

0

s?
?t
??
000
??
00
??

0
?
/
D
C
Corremos Greedy con el orden alfabtico
11 Por ahora no est claro que
exista.
14
C(CB) = 900
1. Primer camino: s, A, B, t: 1000

2. Segundo camino: s, C, D, t: 1
3. Terminamos porque no hay ms posibles caminos.
En este caso el ujo obtenido (1001) no es maximal, el ujo maximal correspondiente
es: (1901)
Eligiendo caminos obtenemos el ujo maximal correspondiente :1901
1. Primer camino: s, A, D, t: 999
2. Segundo camino: s, A, B, t: 1
3. Tercer camino: s, C, B, t: 900
4. Cuarto camino: s, C, D, t: 1
2.1.2.
Complejidad de Greedy
Greedy
Buscar camino dirigido:
O(m)
Aumentar en ese camino:

Total por aumento:
O(n)
O(m) + O(n) = O(m)

Cuntos aumentos de ujo hay?
En Greedy una vez que un lado se satura, es decir
f (xy) = C(xy),
no se vuelve a
usar, ya que no se devuelve ujo.

Adems sabemos que por cada aumento se satura al menos un lado.
Hay a lo sumo m aumentos.

Complejidad(Greedy) = m O(m) = O(m2 )
2.2. Algoritmo de Ford y Fulkerson

Denicin: un
camino aumentante12 de
s a t es una sucesin de vrtices:

s = x0 , x1 , . . . , xr = t : i r 1

E : f (xi xi+1 ) < C xi xi+1 estos son los lados Forward.
O bien:
xi xi+1
O bien:
xi+1 xi E : f (xi+1 xi ) > 0
i.e. que haya mandado ujo, lados
Backward.
Hasta que no se pueda ms buscar caminos aumentantes y mandar ujo por ellos.
12 Augmenting path.
15
2.2.1.
Si
Lema del Camino Aumentante

es un ujo y se aumenta a lo largo de un camino aumentante el resultado tambin
es ujo. Ms an si se manda
por el camino aumentante, el valor del nuevo ujo es
V (f ) + .
Prueba:
s = x0 , x1 , . . . , xr = t un camino
(
C(xi xi+1 ) f (xi xi+1 )

Sea i =
f (xi+1 xi )
Sea
Elijo
aumentante.
para los lados forward
para los lados backward
= mn{i }
f es tomar
Aumentar
f (xi xi+1 ) + Si xy = xi xi+1 forward
f (xy) =
f (xi+1 xi ) Si xy = xi+1 xi backward
f (xy)
en caso contrario
Queremos ver que
es ujo y que
V (f ) = V (f ) +
Feasability: Obvio por denicin de

Conservacin:
x 6= s, t x = xi : 0 < i < r.
Hay que analizar

1. F-F:
i , .
+
casos:
+
xi1 xi xi+1
Outf (xi ) = Outf (xi ) +
Inf (xi ) = Inf (xi ) +
//
//
xi xi+1
xi1 xi
Outf (xi ) Inf (xi ) = Outf (xi ) Inf (xi ) + = 0

2. F-B:
+
xi1 xi xi+1
Outf (xi ) = Outf (xi )
Inf (xi ) = Inf (xi ) +
Luego:
3. B-F:
Outf (xi ) Inf (xi ) = 0
+
xi1 xi xi+1
Inf (xi ) = Inf (xi )
Outf (xi ) = Outf (xi ) +
Luego:
16
porque
es ujo.
4. B-B:
xi1 xi xi+1
Inf (xi ) = Inf (xi )
Outf (xi ) = Outf (xi )
Luego:
s:
En el caso de
1.
+
s x1
Outf (s) = Outf (s) +
Inf (s) = Inf (s)
V (f ) = V (f ) +
2.
s x1
Outf (s) = Outf (s)
Inf (s) = Inf (s)
V (f ) = V (f ) ()
= V (f ) +
Denicin: dado
N = (V, E, C)
Un
con vrtices
s=
corte es un subconjunto
fuente,
t=
S V : s S, t 6 S
Ejemplos de cortes:
S = {s}.
S = V {t}.
Cuntos cortes hay?
2n2
La capacidad de un corte S es:
Cap(S) = C(S, S) : S = V S
X
=
C(xy)
xS
yS
xy E
17
resumidero.
Lema: sea
1.
V (f ) = f (S, S) f (S, S)
2.
V (f ) Cap(S)
3. Si
V (f ) = Cap(S)
ujo y
corte entonces:
es Maximal, y
es Minimal i.e. el corte de
network,
entonces
menor
capacidad.
Prueba:
1. Observemos que:
f (A B, C) = f (A, C) + f (B, C) : A, B
disjuntos.
f (A, B C) = f (A, B) + f (A, C) : B, C
disjuntos.
Adems:

Outf (x) = f {x}, V

Inf (x) = f V, {x}
Adems si
x S:

Outf (x) Inf (x) =
V (f ) Si x = s
0
Si x 6= s
pues
t 6 S

X
Outf (x) Inf (x) = 0 + . . . + 0 + V (f )
xS
= V (f )
X
X
V (f ) =
Outf (x)
Inf (x)
xS
xS
X

X
=
f {x}, V
f V, {x}
xS
(4)
xS
= f (S, V ) f (V, S)
= f (S, S S) f (S S, S)
(5)

S)
S)
=
f (S,
+ f (S, S) f (S, S)
f (S,
(6)
= f (S, S) f (S, S)
( 4) Por la observacin.
( 5)
V = S S.
( 6) Disjuntos.
18
2.
V (f ) = f (S, S) f (S, S)
| {z }
0
| {z }
<0
V (f ) f (S, S) C(S, S) = Cap(S)

3. Sea
un ujo cualquiera:
Hip(3)
V (g) Cap(S) = V (f ) f
Similarmente, si
es maximal
es corte tenemos que:
Cap(T ) V (g) g
En particular elijo como ujo a
y me queda:
Hip
Cap(T ) V (f ) = Cap(S) S
19
es minimal
2.3. Teorema: Max-Flow Min-Cut

En todo network el valor de todo ujo maximal es igual a la capacidad de todo corte
minimal, es decir si
es maximal
Demostracin: dado
sS
maximal
13
: V (f ) = Cap(S).
construyamos S recursivamente
corte
Si
x S, y + (x) : f (xy) < C(xy)
Si
x S, y (x) : f (yx) > 0
entonces agregamos y a
entonces agregamos y a
S.
S.
es el conjunto de vrtices que revisamos tratando de obtener un camino
aumentante de
as:
por denicin.
Es decir
Si
t.
S
estuviera en
habra un camino aumentante de
t.
Por el lema del camino aumentante podramos construir un ujo
tal que:
V (g) = V (f ) + para algn > 0

V (g) > V (f ) Absurdo pues f es maximal.
t 6 S i.e. S
es
corte.
Slo resta ver que:
Por el lema anterior:
Si
V (f ) = f (S, S) f (S, S)
x S f (xy) = C(xy)
y 6 S
xy E
Si
V (f ) = Cap(S)
porque sino hubieramos agregado a y en algn momento.
Def
f (S, S) = C(S, S) = Cap(S)
xS
y 6 S
f (yx) = 0 f S, S = 0
yx E
V (f ) = f (S, S) f (S, S)
= Cap(S) 0
= Cap(S)
Corolario
14
: Ford-Fulkerson es
correcto i.e. si el output es un ujo
f,
entonces
es
maximal.
Prueba: el algoritmo aumenta a partir del ujo 0 usando caminos aumentantes hasta
que no encuentra ms caminos.
Sea
el ujo obtenido all.
13 Todava no demostramos que exista.

14 De la demostracin.
20
< F F >15
f entre s y t.
Cuando
para
intent aumentar
no pudo, entonces
S.
V (f ) = Cap(S)
camino aumentante
Los vrtices que se buscaron formaron un corte
16
Por la prueba del teorema
, tenemos que
entonces
es maximal por
el lema previo al teorema.
2.3.1.
Complejidad de Ford Fulkerson
Los lados se pueden des-saturar por lo tanto el anlisis de Greedy no vale.

De todas maneras existen ejemplos en que
< F F >
no termina, por lo que no
podemos hablar de su complejidad.

Ejemplo en que
<F F >
no termina
/ y1 j
??
??
??
??

/ y2
/2 t
?

x1
~?
~
~~
~~
~

~
/ x2
s@
@@
@@
@@
@
/ y3
x3
Capacidades: todas
2
salvo:
st : 1000 x1 y1 : 1 x2 y2
1+ 5
2
Donde: r =
es raz de: P (r) = r + r 1
2
Observacin:
1 r = r2
r r2 = r3
Satisface:
Corramos
1 > r > r2 > . . . > rk > rk+1
<F F >
1.
s, x1 , y1 , t : 1
2.
s, x3 , y3 , y1 , x1 , x2 , y2 , t : r2
3.
s, x2 , y2 , y3 , x3 , x1 , y1 , t : r3
4.
s, x1 , y1 , y2 , x2 , x3 , y3 , t : r4
Luego
<F F >
repite
(2) (3) (4)
con
r5 r6 r7
15 Denotaremos as al algoritmo de Ford-Fulkerson.

16 Max Flow Min Cut.
21
: r x3 y 3 : r 2
...
< F F >
no termina, ms an si
fi
son los ujos intermedios:
lm V (fi ) = 1 + r + r2 + r3 + . . .
ri r
i=0
1
r
1r
1 r(1 r)
=
=2
1r
=
Pero el ujo maximal es:
1002,
mandando
st = 1000.
Observacin: si las capacidades son enteras entonces como el primer valor del ujo es
0 Z,
y aumenta por:

= mn{i } : i =
Entonces
C f
Z
f
ser un entero y los ujos intermedios tambin.
f1 , f2 , . . . V (fi+1 ) V (fi ) + 1.
Como hay cota superior, como por ejemplo: Cap({s}), en algn momento debemos parar.
Es decir si las capacidades son enteras < F F > siempre termina, inclusive cuando
termina sabemos que el ujo que devuelve es entero, sumado al hecho de que < F F >
Si les llamamos
termin, sabemos que ese ujo es maximal. Y llegamos a demostrar el
Teorema de la
integralidad: si las capacidades son enteras entonces existe un ujo maximal entero.
Ejemplo
? A >>
>>

>>

>>

s?
?t
??
??
??
?
AB : 1, las
< F F >:
Capacidades:
Corremos
1.
s, A, B, t : 1
2.
s, B, A, t : 1
dems:
106
Luego repetimos los pasos:
(1 2) 2 106
veces, pero vamos a terminar en algn
momento.
Anexo: recordemos la notacin
entre
(u, v)
que referencia la longitud del menor camino
v.
22
Lema: sea
un grafo conexo, dirigido o no, sea
T = BF S(x)
para algn
x V,
entonces:
z V (z, x) = N ivelT (z)

Prueba:
Como
T G G (z, x) T (z, x) = N ivelT (z)
Para demostrar que vale el = lo vamos a hacer por
induccin en
(z, x).
Caso base:
(z, x) = 0 z = x N ivelT (z) = 0 = (z, x)

Paso inductivo:
(z, x) = k y tomemos un z con (z, x) = k+1.
Por lo que vimos al comienzo de la prueba:
k + 1 = G (z, x) N ivelT (z)

Si es igual ya est.
Entonces supongamos que
Luego
(z, x) = k + 1
N ivelT (z) = j > k + 1

un camino de longitud mnima entre
de la forma:
x = x0 , x1 , . . . , xk , xk+1 = z
x = x0 , x1 , . . . , xk
N ivelT (xk ) = k
Entonces
es de longitud mnima entre
H.Ind
xk (x, xk ) = k
xk z E
T =BF S(x)
N ivelT (z) = j
|j k| 1
N ivelT (xk ) = k
Ya que como son vecinos la diferencia de nivel es
1.

|j k| 1
P ero
Absurdo.
j >k+1
2.4. Algoritmo de Edmonds Karp

En 1970 Edmonds y Karp dieron
2 heursticas, que de ahora en adelante llamaremos
< E K >.
Consiste en correr
<F F >
usando caminos aumentantes de longitud mnima:
< E K > = < F F > +BF S
23
2.4.1.
Complejidad de Edmonds-Karp
17
Teorema: la complejidad
de
<EK >
O(nm2 ).
es
Prueba:
Supongamos que
El paso
<EK >
fk
crea ujos intermedios:
O = f0 , f1 , . . .
es el paso que crea
Deno:
dk (x) =
distancia entre
bk (x) =
distancia entre
en el paso
en el paso
k.
k.
Distancia: longitud del menor camino aumentante entre dos vrtices.

Lema interno
dk (x) dk+1 (x)

bk (x) bk+1 (x)
Prueba: lo haremos para
Sea
Queremos ver que

Si
A 6=
A = ,
ya que para
es similar.
n
o
A = z V : dk+1 (z) < dk (z)
supongamos que
tomamos
qA
tal que
no y lleguemos a un absurdo.
dk+1 (q) dk+1 (z) z A (1)
q A dk+1 (q) < dk (q) (2)

Observacin: q 6= s pues dk+1 (s) = dk (s) = 0
Sea s = x0 , x1 , . . . , xr1 , xr = q
Un camino aumentante de longitud mnima r = dk+1 (q) entre s
(El camino existe pues (2) dk+1 (q) < ).
Sea x = xr1
Tenemos: dk+1 (x) = r 1 = dk+1 (q) 1 < dk+1 (q)
Como
dk+1 (x) < dk+1 (q)

dk+1 (x) < dk+1 (q) x 6 A
(En otras palabras, como
est antes que
Luego como
17 Recordando que:
n = |V |
q,
24
q.
(3)
por (1)
no puede estar en A)
x 6 A dk (x) dk+1 (x)
m = |E|.
(4)
Diremos que un lado
(u, v)
Est disponible
Supongamos que
si:
fj1 (uv) < C(uv)

con fj1 (vu) > 0 i.e. vu E
Es Forward con
Es Backward
est disponible en un paso
(x, q)
en el paso
k?
s entonces:
dk (q) dk (x) + 1
(4)
dk+1 (x) + 1
(3)
= dk+1 (q)
Contradice (2)
Por lo tanto
xq
no est disponible en el paso
Absurdo!
k,
Entonces lo usamos para el otro lado en el paso

Como estamos usando
pero
k,
s lo est en el paso
i.e.
(q, x)
< E K > los caminos aumentantes

dk (x) = dk (q) + 1 (5)
Entonces:
k + 1.
k.
se us en el paso
son de longitud mnima.
(3)
dk+1 (q) = dk+1 (x) + 1

(4)
dk (x) + 1
(5)
= dk (q) + 1 + 1
= dk (q) + 2
(2)
> dk+1 (q) + 2

0 > 2 Absurdo!
Fin Lema Interno
Continuando con el teorema, llamemos crtico a un lado disponible en un paso y no
en el siguiente.
Supongamos que
xz
k , antes de poder ser crtico otra vez

L > k el paso donde se usa la prxima vez para
dk (z) = dk (x) + 1 ?
se vuelve crtico en el paso
debe ser usado en la otra direccin, sea

el otro lado.
Pues estoy en
<EK >
entonces
d (x) = d (z) + 1
L
L
dL (t) = dL (x) + bL (x)
= dL (z) + 1 + bL (x)
dk (z) + 1 + bk (x)
= dk (x) + 1 + 1 + bk (x)
= dk (t) + 2
25
(7)
(8)
(9)
dL (t) dk (t) + 2
( 7) Por
( 8) Por el Lema Interno

( 9) Por
Por lo tanto cuando un lado se vuelve crtico recin puede volver a usarse cuando la
distancia a
haya aumentado en por lo menos
2.
Veces que un lado puede volverse crtico
n1
2
Complejidad de cada bsqueda
= O(n)
Exactamente sera:
BF S +
Aumento
= O(m) + O(n) = O(m)
En cada aumento al menos un lado se vuelve crtico.

Hay
lados y cada uno se vuelve crtico
O(n)
veces.
Complejidad(< E K >) = O(m) O(m) O(n) = O(nm2 )
Corolario de la complejidad de
Siempre existe un ujo maximal.
26
<EK >
2.4.2.
Ejemplo de Edmonds Karp
Capacidades
Caminos
sA:20
s, A, B, t : 10
Primer Camino:
s
sC:20
20
20
10
10
10
10
s, A, I, t : 3
Segundo Camino:
A
10
20
10
10
10
10
10
10
10
10
10
AE:3
AF:10
s, C, D, t : 10
Tercer Camino:
s
20
AB:20
s
AI:3
Cuarto Camino:
s, A, B, I, t : 7
10
10
Bt:10
s
BI:10
BJ:10
CD:10
Quinto Camino:
s
CK:10
10
10
10
s, C, K, I, B, D, t : 2
B
Dt:22
EG:10
s, C, K, I, A, E, G, D, t : 3
Sexto Camino:
s
EH:10
FG:10
GD:3
Sptimo Camino:
s
HD:10
s, C, K, I, B , A, F, G, E, H, D, t : 3
It:10
Jt:2
Octavo Camino?: No llega a

s
KI:10
27
Obtengo el Corte: S = {s,c,k,i,b,j,a,f,g}

Capacidad del corte S
Cap(S) =10 + 10 + 10 + 2 + 3 + 3 = 38
cd + it + bt + dt + ae + gd
=0
z }| {
= f ( sa) + f ( sc )
= 20 + 18 = 38
2.4.3.
Pseudo-Cdigo de Edmonds Karp
1 EK( Network N)
2 {
// Flujo
// Valor del Flujo
S = V ; // Corte
while ( t S ) { // mientras el vertice t este en el corte
// buscar camino y aumentar
Q = new_queue ( S ) ; //Crear cola
E [ x ] = x V ;
S = { s } ; // corte
F = 0;
v = 0;
5
6
7
8
9
10
11
while ( h e a d ( q ) 6=
12
t ){
x = head ( q ) ;
13
Forward_search ( x ) ;
14
Backward_search ( x ) ;
15
dequeue ( q ) ;
16
if
17
18
21
S){
Aumentar_flujo ( ) ;
19
20
(t
//saco x de la cola
}
}
return
// flujo , valor , corte
(F , v , S )
22 }
23
24 F o r w a r d _ s e a r c h ( v e r t i c e
25 {
26
27
x)
for ( q + (x) && q 6 S ) {
i f ( f ( xq ) < C( xq ) ) {
//Agregar q a Q
//Ancestro
28
e n q u e u e (Q, q ) ;
29
S = S
30
A[ q ]
= x;
31
E[ q ]
= min {E( x ) ,C(
32
b[q]
= 1;
33
34
{q } ;
xq )
// forward
F(
xq ) } ;
35 }
36
37
38
39
28
40
41 B a c k w a r d _ s e a r c h ( v e r t i c e
42 {
43
44
x)
for ( q (x) && ( q 6 S ) ) {
i f ( f ( qx ) >0) {
//Agregar q a Q
//Ancestro
//Backward
45
e n q u e u e (Q, q ) ;
46
S = S
47
A[ q ]
= x;
48
b[q]
E[ q ]
= min {E( x ) , F (
49
50
{q } ;
1;
qx ) } ;
51
52 }
53
54 Aumentar_Flujo ( )
55 {
// pivote
56
p = t;
57
58
v = v +
= E( t ) ;
while (
59
60
;
6=
s ){
q = a[p];
if
61
62
( b [ p ] == 1 ) {
f(
qp )
63
} else {
64
f(
65
pq )
= f(
= f(
qp )
//FORWARD
+
;
pq ) ;
66
p = q;
67
68 }
2.5. Algoritmos Tipo Dinic

Idea: usar un network auxiliar que se construye de la siguiente manera: corremos
< E K >, agregando los vrtices y lados

correspondientes excepto que en < E K > cuando p encuentra un q que ya est, no lo
agrega, mientras que ac a veces s, i.e. supongamos que estamos revisando p y hallamos
q + (p) con f (pq) < C(pq) q (p) : f (qp) > 0, pero que q ya est en el network
auxiliar, entonces agregamos un lado pq al network auxiliar si el N ivel(q) = N ivel(p) + 1.
Denicin: un ujo G se dice bloqueante o saturante si para todo camino:
BFS de caminos aumentantes, como en
s = x0 , x1 , . . . , xr = t
Dado
ujo en
con
ujo en un network auxiliar denotemos por:

(f g)(x, y) =
(xi xi+1 ) E i : G(xi xi+1 ) = C(xi xi+1 )
f (x, y) + g(x, y)
f (x, y) g(y, x)
29
Forward
Backward
2.5.1.
Esquema general Tipo Dinic
1 Dinic ()
2 {
3
f = 0;
S t o p = NO;
while ( S t o p
5
6
== NO) {
// construir Network a u x i l i a r a partir de f

H a l l a r _ b l o q u e a n t e (NA) ; //busco un f l u j o bloqueante en NA
NA = New_Na( f ) ;
if
7
8
(t
g =
f = f
NA) {
} else {
10
11
g;
S t o p = S ;
12
13
return
14
f ;
15 }
Teorema
La distancia en NA
18
sucesivos aumenta, por lo tanto hay a lo sumo n, NA's.
Demostracin:
0
Sea A un NA y A el siguiente NA, denotamos con
0
en A .
0
0
Como A y A se construyen con BFS
la distancia en A y
la distancia
Queremos ver que vale el <.

Sea
s = x0 , x1 , . . . , xr = t
Caso 1:
un camino en
A0 .
i {1, . . . , r 1} : xi 6 A
(t) (xi )
0 (xi )
= i < r = 0 (t)
(10)
(11)
( 10) Sino lo hubiera agregado.

( 11) Por
<EK >
(t) < 0 (t)
Caso 2:
xi A i
Como antes de pasar a
A0
debemos saturar todos los caminos de A, se sigue que

A0 .
es camino en A, como xi A i i : xi xi+1 6 A
ningn camino de A es un camino de

Luego:
s, x1 , . . . , xr1 , t
no
Y tomemos el primer tal
i.
18 NA: networks auxiliares.
30
Caso 2-a:
Como
(xi+1 ) < i + 1
i + 1 = 0 (xi+1 ) (xi+1 ) < 0 (xi+1 ) ?
Luego:
(t) = (xi+1 ) + b(xi+1 )

0
< (xi+1 ) + b(xi+1 )
0 (xi+1 ) + b0 (xi+1 )
= 0 (t)
( 12) Por
( 13) Por
(12)
(13)
?
<EK >
(xi+1 ) = i + 1
Observacin: es por < E K > no hace falta ver >.
Como i es el primero con xi xi+1 6 A xj1 xj A j i
Caso 2-b:
s = x0 , x1 , . . . , xi A
(xi ) = i (xi+1 ) = i + 1 = (xi ) + 1
Como los niveles son los correctos la nica razn por la cual
porque no est disponible en
xi xi+1 A0 entonces se us para el

N ivel(xi+1 ) = i + 1, y N ivel(xi ) = i.
Pero
pues
N,
xi xi+1 6 A
i.e. es Forward saturado o Backward vaco.
otro lado en A, es decir:
Corolario: si un algoritmo tiene complejidad
O(b)
NA, entonces la complejidad del algoritmo completo es
xi+1 xi A Absurdo
para hallar ujo bloqueante en el
O(n b).
Dinic = Algoritmo tipo Dinic + Greedy DFS para hallar ujo bloqueante.
2
A simple vista sera: Complejidad(Dinic) = O(nm ) = Complejidad(< E
Parecera que no ganamos nada.
Pero veremos que en realidad Complejidad(Greedy en NA)
Tendremos
es
Complejidad(Dinic) = O(n2 m)
31
= O(nm).
K >)
2.5.2.
Ejemplo de Dinic
Ejemplo: Aplicar Dinic al siguiente Network.
Inicial
sA:8
sC:7
sD:10
sE:12
AF:4
AG:3
AI:8
BI:2
BJ:2
CG:2
CH:3
CJ:5
DF:4
DG:2
EF:3
EG:5
EH:4
Ft:7
Gt:5
GB:4
Ht:4
It:9
Jt:15
Primera Modicacin
sA:0
sC:0
sD:7
sE:11
AF:0
AG:0
AI:7
BI:2
BJ:2
CG:0
CH:0
CJ:3
DF:1
DG:2
EF:3
EG:5
EH:3
Ft:0
Gt:0
GB:4
Ht:0
It:8
Jt:13
caminos (4)
sAFt:4
sAGt:3
sAIt:1
sCGt:2
sCHt:3
sCJt:2
sDFt:3
sEHt:1
Primer Network Auxiliar
I
}> /
}} ///
}
//
}}
}}
//
/
GI >> ///
? A AA }> G
>> /
AA}}

>> //

}}AAA
>>/

}
}

/t
/C

s/?
F
?

G
00AA }> G
//??

00AA}}
// ???
}A
// ?? } }00} AA

0

//
00

// D 00 > H
// }}0}0

// }} 00
}
}

E
Segunda Modicacin (nal)

sA:0
sC:0
sD:4
sE:1
AF:4
AG:3
AI:0
BI:1
BJ:2
CG:1
CH:2
CJ:0
DF:0
DG:0
EF:0
EG:0
EH:1
Ft:0
Gt:0
GB:1
Ht:0
It:0
Jt:8
Caminos (6)
sD F AIt : 1
sD GAIt : 2
sE F AIt : 3
sE GAIt : 1
sEGBIt : 1
SEGBJt : 2
SE GCJt : 1
sE HCJt : 2
Segundo Network auxiliar
/I
/ F () / A
? D AA
?

G () ~~~>

A
AA

~

AA

~~

~

~

/B
s?
}> G AA
?
??
AA() ???
}}
??

A
}
??
??
AA
? } }}
?
()
/J
/
/
C
E
H
==
==
==
==

@ t

s?
Tercer Network auxiliar
D
??
??
??
?
E
()
()
Obtengo el corte del conjunto de vrtices del NA que no llega a
S = {s, d, e, h, c, g, b, i, a, f }
Cap(S) =
4+ 5+ 5+ 2 + 9+ 7 = 32
ht+ cj+ gt+ bj + it+ f t
32
A
t,
el ltimo.
Se ve que
Cap(S) = 32 = Outf (s)
Entonces tengo una garanta de la resolucin del ejercicio.

Otra garanta es ver que los caminos obtenidos de un NA tengan el mismo tamao y
que a medida que voy construyendo otros NA's sean ms largos, en este caso los primeros
tenan
2.5.3.
de largo y los caminos del segundo network auxiliar tenian un largo de
Pseudo Cdigo algoritmos Tipo Dinic
1 D i n i c ( Network Na ) {
2
g = 0;
// l a b e l 2 , pivote
i f ( p 6= t ) { // l a b e l 1
p = s;
i f ( + (p) 6= ) {
5
6
avanzar ( ) ;
goto 1 ;
} e l s e i f ( p 6= s ) {
7
8
9
10
11
12
retroceder () ;
goto 1 ;
} e l s e return
} else {
13
g;
Incrementar_flujo () ;
goto
14
15
// Parte Bloqueante , Version con Goto
2;
16 }
17
18 D i n i c ( Network Na ) {
19
g = 0;
20
E( s ) =
21
continuar = 1;
22
\\
Parte
Bloqueante
while ( c o n t i n u a r ) {
23
p = s;
while ( p 6= t && c o n t i n u a r ) {
i f ( + (p) 6= ) {
24
25
26
Av anz ar ( ) ;
} else
27
28
i f ( p 6=
s ){
Retroceder () ;
} else {
29
30
continuar = 0;
31
32
if
33
34
( p == t ) {
Incrementar_flujo () ;
35
36
37
Return
38 }
39
40
41
42
43
44
33
, Version
goto
less ;
6.
45
46
// Pre p tiene vecino
47 A van zar ( p i v o t e
p)
+ (p)
48
Tomar q
49
A( q ) = p ;
50
E( q ) = min {E( p ) ,C(
51
p = q;
// ancestro
de qes p
pq )G( pq ) } ;
52 }
53
54
// Pre p tiene vecino
55 R e t r o c e d e r ( p i v o t e
p)
56 {
57
Borrar
58
p = A( q ) ;
+ (A(p))
de
59 }
60
61 I n c r e m e n t a r _ F l u j o ( )
62 {
63
64
q = t;
65
= E( t ) ;
while ( q 6= s ) {
66
p = a(q) ;
67
G(
68
if
69
pq )
(G(
= G(
pq )
Borrar
70
pq )
pq ) ) {
+ (p)
== C (
q
de
;
71
72
q = p;
73 }
34
2.5.4.
Complejidad de Dinic
Teorema: la complejidad de Dinic es
O(n2 m)
Prueba: por el teorema general de los algoritmos tipo Dinic basta ver que la com-
O(n m).
plejidad del paso bloqueante es

Sea:
A = Avanzar()
R = Retroceder()
I = Incrementar_Flujo()
Inicializacin
(O(1))
Una corrida de Dinic luce como:
A . . . AIA . . . ARAIA . . . ARAI . . . RRRRA . . . AI

Sea X = I R.
Tomemos una sucesin de palabras de la forma:
A . . . AX
1. Cuntas palabras hay?

Si
X = R:
Si
X = I:
Cada
borramos un lado.
borramos al menos un lado.
borra al menos un lado
hay
palabras de la forma
A . . . AX
2. Cul es la complejidad mxima de cada palabra?

Complejidad de
R = O(1)
Complejidad de
I = O(n);
Complejidad(X)
Complejidad de
hay
vrtices en el camino
s, . . . , t.
= O(n)
A = O(1)
Complejidad(A
. . A} X) = O(r) + O(n)
| .{z
r
Como cada Avanzar() mueve el pivote un nivel ms cerca de
Avanzar() antes de un
o un
entonces hay a lo sumo
I r n.
Complejidad(A . . . AX) = O(n) + O(n) = O(n)

(1) + (2)
Complejidad(Paso Bloqueante de Dinic)
35
= m O(n) = O(n m)
2.6. Algoritmo Wave de Tarjan

Es un ejemplo de una clase de algoritmos en los cuales la invariante no es ms ser
ujo.
Denicin: un
Preujo es como un ujo sin la condicin de balanceo.
En el caso de Wave
19
el desbalanceo slo podr ser por exceso de entrada, pero otros
algoritmos permiten desbalanceo de los dos lados.

Idea: una ola hacia adelante (Forward) que balancea si puede y marca (bloquea) si
no.
Una ola hacia atrs que balancea los bloqueados (Backward).
2.6.1.
Pseudo Cdigo de Wave
1 Wave ( ) {
2
i n i c i a l i z a r () ;
olaForward ( ) ;
olaBackward ( ) ;
while (N
5
6
!=
2) {
olaForward ( ) ;
olaBackward ( ) ;
return
g;
10 }
11
12
i n i c i a l i z a r () {
13
g = 0;
14
(x 6= s) {
15
B( x ) = 0 ;
16
D( x ) = 0
17
18
A( x ) =
//No bloqueado
//Desbalanceo
// subconjunto de aquellos que le mandaron f l u j o a x
19
20
D( s ) = 0 ;
21
N = 1;
22
23
24
25
26
(x + (s)) {
G( sx ) = C( sx ) ;
D( s ) = D( s ) C( sx ) ;
D( x ) = C( sx ) ;
27
N++;
28
29
// #Vertices balanceados
A( x ) = { s } ;
}
30 }
31
32 o l a F o r w a r d ( )
33 {
34
35
for ( x = s +1;
i f (D( x ) >0)
36
37
To
; t 1) {
//Orden BFS()
ForwardBalance ( x ) ;
}
38 }
19 Wave: ingls, ola.
36
39
40 o l a B a c k w a r d ( )
41 {
42
43
for ( x = t 1
i f (D( x )>0 &&
44
45
DownTo
s +1) {
B( x ) == 1 )
//Orden BFS()
BackwardBalance ( x ) ;
}
46 }
47
48 B a c k w a r d B a l a n c e ( v e r t i c e
49
x){
while (D( x ) >0) {
50
Tomar y
51
m = min {D( x ) ,G( yx ) } ;
A( x ) ;
m;
m;
52
g ( yx )= g ( yx )
53
D( x ) = D( x )
i f (D( y )
54
55
== 0 ) {
N++;
56
57
D( y ) = D( y ) + m;
i f (G( yx )
58
59
== 0 ) {
A( x ) = A( x )
60
{y } ;
61
62
N;
63 }
64
65
66 F o r w a r d B a l a n c e ( v e r t i c e
67
while (D( x )>0
68
i f (B( y )
== 1 )
+ (x) = + (x)
70
{y}
} else {
71
x){
(+ (x) 6= ) ) {
+ (x) ;
Tomar y
69
&&
72
m = min {D( x ) ,C( xy )
73
G( xy ) = G(
74
D( x ) = D( x )
i f (D( y )
75
76
xy )
+ m ;
== 0 ) {
N++;
}
78
D( y ) = D( y ) + m;
79
A( y ) = A( y )
{x } ;
i f (G( xy ) == C( xy ) ) {
+ (x) = + (x) { y }
81
82
83
86
87
88
80
85
G( xy ) }
m;
77
84
}
}
i f (D( x ) >0)
B( x ) = 1 ;
else
//Bloqueamos x
N;
89 }
37
2.6.2.
Complejidad de Wave
Teorema: la complejidad de Wave es
O(n3 )
Prueba: como es Tipo Dinic slo basta ver que la complejidad del paso bloqueante
2
es O(n ).
Sea
()t partes del algoritmo en donde se satura totalmente un lado o se vaca totalmente
un lado.
Y sea
()p
donde se manda o devuelve parcialmente ujo.
Compl(W ave_bloqueante) = Compl(W ave_bloqueante)t + Compl(W ave_bloqueante)p

Analicemos primero la
Compl(W ave_bloqueante)p
Cada ola Forward, salvo quizs la ltima bloquea al menos un vrtice nuevo.
Hay a lo sumo
ciclos: (ola forward,ola backward)
En cada ola forward hay
??
n 2, F orwardBalance(x)
Entonces:
Compl(olaF orward)p = n Compl(F orwardBalance(x))p

= n Compl(F orwardBalance(x))p
|
{z
}
(14)
O(1)
= O(n)
( 14) Pues en cada
F B(x)
a slo
un lado le mandamos ujo parcial.
Compl(ola F orward)p = O(n)
(2)
Luego:
(2) y ? ? Compl(W ave_bloqueante)p = O(n2 )

Ahora analicemos
Compl(W ave_bloqueante)t .
Cada vez que un lado se satura completamente no puede volver a saturarse, pues si
el lado es xy lo quisiera volver a saturar debera primero hacer que y le devuelva

el ujo a x.
Pero esto slo puede pasar si y est bloqueado y en ese caso x no le puede
mandar ms ujo, en particular no lo puede volver a saturar.
Similarmente, un lado
xy
slo se puede vaciar totalmente una vez porque slo puede
hacerlo si y est bloqueado.
#Saturamientos + #V aciamientos 2m
Compl(W ave_bloqueante)t = O(m)
38
Compl(W ave_bloqueante) = Compl(W ave_bloqueante)t + Compl(W ave_bloqueante)p

= O(m) + O(n2 )
= O(n2 )
2.6.3.
Ejemplos de Wave
Aplicar Wave al siguiente Network Auxiliar
sA:8
sC:7
sD:10
sE:7
AF:4
AG:3
AI:8
CG:2
CH:3
CJ:5
DF:4
DG:2
Nivel 1
Nivel 0
s
-32
8
4
1
7
5
2

10

6
7
4
60
4
8
3
5
1
3
60
2
7

11

4
7

12

13

16

18

0
0
0
7
0

4
-25
3
1
It:9
Jt:15

1
7

3
4
19

3
-19
EH:4
Ht:4
4

11

6

2

6

7
EG:5
Gt:5
Nivel 3
EF:3
Ft:7
Nivel 2
3
0
0
8
13
39
Aplicar Wave Respetando el orden alfabtico y observar que el ujo es distinto

sA:8
sC:7
sD:10
sE:7
0
0
-32
AF:4
AG:3
AI:8
CJ:5
DF:4
DG:2
EF:3
EG:5
6 8 7
64 65
61 62
67
64
64
8
63
5

4

11

4
7
0
3
2

5
7
Nivel 2

10

66
0
CG:2
CH:3
Nivel 1
Nivel 0
-27

11

6

3

1
Nivel 3
I
Gt:5
Ht:4
It:9
Jt:15
2
27
0
1
0
0
1
11
40
7
0
Importante ver que termino porque
7

12

13

16

18

25

EH:4
Ft:7
61 63 62
Outf (s) = Inf (t)
0
3. MST
MST: minimal spanning tree, rbol de expansin o generador minimal.
Denicin: sea
un grafo, un
rbol generador de
es un subgrafo de
que es
rbol y generador.
Es decir
es rbol generador de
1.
subgrafo de
2.
rbol
3.
generador
si:
G.
Conexo sin ciclos.
Obviamente si
V (T ) = V (G).
G
tiene rbol generador debe ser
conexo si lo es DFS o BFS dan un
rbol generador.
Repaso de rboles
Propiedad:
rbol
Demostracin: si
Si
A(q)q
A(q)
m=n1
es rbol, entonces
denota el antecesor de
para algn
q 6=
raz.
Hay
n1
DF S(T ) = T .
en DFS, todos los lados de DFS son de la forma:
lados. (uno por cada vrtice
6= raz)
Propiedad:
(1) T
Prueba:

rbol

(1) (2) y (3)
T
T
conexo y
no tiene
m=n1
ciclos y m = n 1
(2)
(3)
ya est.
(3) (1) : T
no tiene ciclos y
m=n1T
rbol
Slo tengo que ver que es conexo.
{x, y} T , supongamos que no hay un camino

En particular xy 6 E(T )
0
Sea T = T {xy}
0
Como no hay caminos en T entre x e y en T no hay
Si C fuese ciclo
Sean
Como
Entonces
es acclico
C xy
entre
ciclos.
xy T
, es un camino en
entre
41
absurdo.
y.
Conclusin: si
x, y
no tiene un camino entre ellos,
Continuando de esta forma terminamos con un
Tb
T {x, y}
sigue siendo acclico.
conexo y acclico.
T {xy} Tb
Es decir rbol tal que

E Tb = V Tb 1
(15)
= |V (T )| 1
= |E(T )|
( 15)
Tb
(16)
es rbol
HIP.(3)

b E Tb |E(T )| + 1
Absurdo pues T {x, y} T
( 16) Por
(2) (1) : T
conexo y
m=n1T
rbol
Slo tengo que ver que no contenga ciclos.

Supongamos que
tenga un ciclo, borrando el lado del ciclo, el grafo resultante sigue
siendo conexo.
Por lo tanto puedo ir borrando un lado de cada ciclo manteniendo continuidad.
Eventualmente llegamos a un grafo
sin ciclos que sigue siendo conexo.
es rbol.

E(H) = V (H) 1 = V (T ) 1 = E(T )
Absurdo porque por lo menos quit un lado.
Denicin: dado un grafo
Un MST
20
para
G es
X
conexo con pesos en los lados, es decir
W : E(G) R0 .
un spanning tree T tal que:
W (xy)
W (xy) spanning T ree T 0
xyE(T 0 )
xyE(T )
Notacin
W (xy) = W (T ).
xyE(T )
Problema: dado
conexo, hallar un MST para
G.
3.1. Kruskal
Repetir hasta tener
n1
lados, agregar el lado de menor peso que no forme ciclo.
Se necesita una estructura de datos de conjuntos disjuntos.

1.
M akeset(x):
2.
F ind(x):
3.
U nion(A, B):
construye un conjunto
{x}.
devuelve el conjunto al cual pertenece

devuelve la unin de A y B.
20 Minimal Spanning Tree.
42
x.
3.1.1.
Pseudo Cdigo de Kruskal
1 Kruskal ( )
2 {
3
4
//
(x V ) {
Makeset ( x ) ;
//
8
9
m = 0;
11
12
13
14
//Ordenar los lados : W(E[ i ])

// cantidad de lados
// indice
Edges_Sort ( ) ;
10
//
= 1;
W(E[ i +1])
while (M
15
< N 1) {
16
A = find (x [ i ]) ;
17
B = find (y [ i ]) ;
if
18
19
(A
6=
B) {
t r e e . add ( e [ i ] ) ;
20
m++;
21
// agregar al arbol e [ i ]
Union (A, B) ;
22
23
i ++;
24
25
26
27 }
3.1.2.
Teorema: Kruskal devuelve un MST
Demostracin: el invariante es ser acclico y termina con
n 1 lados, entonces tenemos
garantizado que termina con un spanning tree.

Veamos ahora que es minimal.
Prueba por induccin: sea
Si
j=0
el grafo en el paso
queda demostrado porque los vrtices desconectados siempre estn.
Hiptesis inductiva:
Supongamos que
Sea
Kj
Kj Tj
un MST
Tj : Kj Tj
MST.
e : Kj+1 = Kj {e}
Si
e Tj
e 6 Tj
En este caso, Tj {e} tiene: n 1 + 1 = n lados no
Como Tj es conexo Tj {e} es conexo.
Como no es rbol Tj {e} tiene un ciclo C .
Pero Tj no tiene ciclos e forma parte del ciclo C .
ya est pues
Kj+1 Tj
Por lo tanto supongamos:
43
es rbol.
Sea
un lado de
que no est en
Kj+1 (f Kj+1
es acclico).
Tj+1 = (Tj f ) {e}

= (Tj {e}) f
Como
Tj+1
es un ciclo: y
f C (Tj {e}) f
es conexo y tiene:
sigue siendo conexo.
n1+11=n1
lados
Tj+1
es un rbol.
Kj+1 Tj+1 basta ver que Tj+1 es minimal.

Pero W (Tj+1 ) = W (Tj ) W (f ) + W (e)
Pero f 6 Kj+1
Si W (f ) < W (e) f se analiz antes de e.
Como f 6 Kj+1 entonces se rechaz.
Entonces Kj {f } tiene un ciclo absurdo pues Kj {f } Tj
|{z}
Como
rbol
Ya que
Kj Tj
f Tj
(estoy diciendo que un subconjunto de un rbol tiene un ciclo,
absurdo).
W (f ) W (e)

W (Tj+1 ) W (Tj )
Tj+1
Como Tj es MST
3.1.3.
tambin.
Complejidad de Kruskal
Volviendo al pseudocdigo:
= O(n)
= O(m log(m)) = O(m log(n2 )) = O(2m log(n)) = O(m log(n))
= n (2 Compl(F ind) + Compl(U nion))
Como en general
>
Compl(Kruskal) = O(m log(n))
3.1.4.
Kruskal Delete
Repetir(?) hasta tener
(?)
3.1.5.
n1
lados.
Borrar el lado de mayor peso que no desconecte el grafo.
Complejidad Kruskal Delete
No demostraremos el orden pero diremos que la complejidad es:
44
O m log(n) (log (log(n)))3
3.1.6.
Ejemplo de Kruskal
A
B
C
D
E
F
(0)
3
1
3
B
5
1
4
C D E F
3 1 3
1 4
7
7 4 2
4 3
2 3
(3)
A
1

(1)
B
A
E
A
(4)
A
3
D
B

F
D
F
(5)
F
B

(2)
D
C
A
3
F
F
~ 00@@@
00 @@3
002 @@
~~
~
00 @
~
1
00 _ E
A PPPP
00
PPP
PPP
0 4
5
P
PPP 00
3

P
_D
B@
4
@@
~
~
@@
~~
@
~~ 7
1 @@
~
~
C
45
_E
_D
_E
C
B
~~
~
~
1
~~

~~
4
F
3 ~~~
_D
3.2. PRIM
Prim(x) = agregar el lado de menor peso que conecte
regin
con otro vrtice, creando una
luego ir agregando el lado de menor peso que conecte
con
V R.
Generalmente se implementa con un heap.
3.2.1.
Pseudo Cdigo de Prim
1 Prim ( v e r t i c e
x)
2 {
(p V ) {
3
4
Costo [ p ]
Vecino [ p ]
= NULL ;
7
8
Costo ( x ) = 0 ;
M = 0;
10
Aux = V ;
11
//FALTA CASO BASE
12
13
while (m
14
< n 1) {
//pre : costo (p)< costo ( q )
15
q Aux
(q (p)) {
16
if
17
( c o s t o ( q )> V( pq ) ) {
18
c o s t o ( q ) = W( pq ) ;
19
vecino (q) = p ;
20
21
22
Add ( p , v e c i n o ( p ) ) ;
23
m++;
24
25
26
27 }
3.2.2.
Correctitud de Prim
Como el invariante es ser rbol cuanto termina es efectivamente spanning tree.

Slo resta ver que es minimal y lo haremos por
Si
Pj
es el rbol en el paso
j = 0:
j,
Pj+1 Tj
une
Como
Pj
Tj
con
ya est.
De lo contrario existe
M ST Tj : Pj Tj
Trivial.

Si
probaremos que
induccin.
e Pj+1 : e 6 Tj
(y de hecho, ser
Pj+1 = Pj {e}
V Pj
es Spanning Tree
debe conectar
46
Pj
con
V Pj .
).
Sea
Como
un lado en
Tj
que conecte estas dos regiones.
es el menor lado que conecta esas dos regiones tenemos que:
W (e) W (f )
Entonces:
W (Tj {e} f ) W (Tj )
Tj {e} f
3.2.3.
es un MST que contiene a
Pj+1 .
Ejemplo de Prim
A
B
C
D
E
F
P rim(A),
3
1
3
B
5
1
4
C D E F
3 1 3
1 4
7
7 4 2
4 3
2 3
Mtodo Grco:
(1)
_E
(2)
A
3
_E
(3)
A
3
D
(4)
A
3
_E
(5)
D

_F
A
3
_E
_F
_C
_E
_F
Prim(A), Mtodo Analtico;
1)
B
(5, A)
C
(, )
D
(3, A)
(1,A)
F
(3, A)
2)
(5, A)
(, )
(3,A)
(3, A)
3) (4, D)
(7, D)
(2,D)
4)
(4,D)
(7, D)
5)
(1,B)
Complejidad(P rim) = O(n2 )

47
3.3. Implementaciones de Union Find

1. Linked lists. (listas enlazadas)
2. Representantes.
3. Union Find By Rank.
3.3.1.
Union Find con listas enlazadas
O(1)
O(n)
Union es
Find es
Recordemos que Kruskal hace:
2m
Finds() y
n1
Unions().
O(mn) + O(n) = O(nm)

Como
mn >
m log(n)
| {z }
no sirve.
Ordenar los lados
3.3.2.
Union Find con Representantes
1
2 Makeset ( x ) {
3
R( x ) = x ;
//O(1)
4 }
5
6 Find ( x ) {
7
return
// O(1)
R( x ) ;
8 }
9
10 Union ( R1 , R2 ) {
11
(x V ) {
if
12
13
15
R2 ) {
R1 ;
(R( x ) ==
R( x )
14
// O(n)
}
}
16 }
Compl(Kruskal) =
O(m log(n))
|
{z
}
Ordenar los lados
Compl(Kruskal) = O(m log(n) + n2 )
+ O(m) + O(n2 )
| {z }
| {z }
m Finds
n Unions
bastante bien si:
m n2
Es decir no funciona tan bien si es un grafo ralo, i.e. con pocos lados.
48
3.3.3.
Union Find con ranking
1 Makeset ( v e r t i c e
2
(x)
Rk ( x ) = 0 ;
= x;
//Ranking
x ) { // recursivo a la cola
4 }
5 Find ( v e r t i c e
if
( (x) == x )
return x ;
e l s e return
7
8
x){
f i n d ( (x) )
9 }
10 F i n d ( v e r t i c e
11
// i t e r a t i v o
while ( y 6= (y) )
12
13
y =
return
14
(y) ;
y;
15 }
16
x){
y = x;
/ Pre :
F1
= Find ( x [ 1 ] ) ;
F2
17 Union ( F1 , F2 ) {
18
19
20
21
22
k1
k2
(F2 )
F1 ;
// cabeza del 2do apunta al primero

// cabeza del primero apunta al segundo
25
(F1 ) = F2 ;
i f ( k1 == k2 ) {
Rank ( F2 ) = k2
26
27
= Rank ( F2 ) ;
} else {
24
F1 6= F2
= Rank ( F1 ) ;
i f ( K1 > K2 ) {
23
= Find ( x [ 2 ] ) ;
+1;
28 }
Con esta implementacin:
makeset(x) = (1)
U nion = O(1);
F ind(x) = O(rank(representante(x)) O(log(n))
Teorema Find es
Corolario:
O(log(n))
Compl(Kruskal) = O(m log(n))
Demostracin:
Compl(Kruskal) =
O(m log(n))
|
{z
}
Ordenar los lados
+ O(m) + O(n2 ) = O(m log(n))

| {z }
| {z }
m Finds
n Unions
Demostracin del Teorema

Lema interno 1:
(Rank(x) < Rank((x)) : x : x 6= (x))
Obvio pues Rank solo cambia con Union, y lo cambia slo a

En ese caso incrementa el rango de
F2
49
F2
cuando
(F1 ) == F2
Lema interno 2:
Rank(x) = k 2k
elementos por debajo de
x,
contando a
x.
induccin.
Prueba por
k=0
obvio
Supongo que vale para
k+1
Rank(x) = k + 1 alguna
si unimos 2 de rango k .
Veamos para
vez fue
y union lo subi a
Entonces la cantidad de elementos por debajo de

Lema interno 3: Hay
Finalmente
Pues sea
n
elementos de rango
2k
k,
k+1
y esto slo pasa
x 2k + 2k = 2k+1
est demostrado en los lemas.
Rango(x) log(n) x
el mayor rango
por lo menos un elemento de rango
k.
n
2k
2k n
k log2 (n).
Qu pasa si los lados vienen ordenados o se pueden ordenar
21
en O(m)?
Se puede usar Path compresion

Solo cambia Find
1 Find ( x ) {
2
i f ( (x) 6= x ) {
(x)
3
4
5
= F i n d ( (x) ) ;
return (x) ;
6 }
El anlisis es ms complicado, cada
F ind()
puede ser
O(log(n))
Se puede ver:
Teorema: la complejidad de
Esencialmente:
O log (n) = #
O(m) n
Finds
+n
Unions, est acotado por

O m log (n)
razonable.
de veces que hay que aplicar
log
para llegar a algo
{3,4}
{5,. . . ,16}
16
{17,. . . ,2 }
16
65536
{2 +1,. . . ,2
}
log(n)
21 Bucket sort.
50
4. Matchings
Dado un grafo
G, un matching en G es un subgrafo M
tal que el grado en
de todos
sus vrtices es 1.
Un matching es
perfecto si cubre a
G,
es decir:
V (M ) = V (G).
G es bipartito.
G = (X Y, E) asumimos que X
pq E p X, q Y
De ahora en ms supondremos que

Cuando escribamos
Es decir:
Problema: hallar un matching perfecto en
G,
son las partes.
o en su defecto uno maximal (con la
mayor cantidad de lados posibles).
4.1. Transformacin del problema de Matching a uno de ujo

maximal
creamos el siguiente network.
G = (X Y, E)

N = X Y {s, t}, E, C
S no
no
S
E = sx
xy : y Y
yt
xX
yY
xy E
Dado
1.
La capacidad de todos los lados es :

Ejemplo
X
B
C
;;

;;

;;

;

;
A;
} AAA
AA
}}
}
AA
}}

A
}
}
B
A@
~C
@@
~~
@@
~
@@ ~~

@ ~~
1 @@
2
3
@@
~~
@@
~~
~
@@
~
@ ~~~
Teorema
Flujos maximales en N corresponden con matchings maximales en
V (fmax ) = #lados.
Dicho de otra manera: existe una correspondencia entre matchings maximales en G

(bipartito) y ujos maximales enteros en N.
Prueba: dado un ujo entero
construimos un ujo entero
construimos un matching
fM .
Vf =
Dado
sea
Mf
Mf = (Vf , Ef ) :
{x, y}
xyEf
Ef = {xy E : f ( xy) = 1}
Hay que ver que
Mf
51
es matching.
y dado un Matching
Observemos que por denicin de

Si
Caso 1:
zX
Entonces
como
Mf
Vf
tenemos que
z : Mf (z) 2
no es matching
Mf (z) 2
Mf (z) 1 z Vf
entonces
y1 6= y2
zy1 , zy2 Ef
y1 , y2 :
f (zy1 ) = f (zy2 ) = 1
Outf (z) 2
Pero Inf (z) = f ( sz ) 1
Caso 2:
z Y x1 , x2 :
Entonces
Absurdo.
x1 6= x2
x1 z, x2 z Ef
f (x1 z) = f (x2 z) = 1
Inf (z) 2
Pero
Concluimos que
Mf
Outf (z) = f ( zt ) 1
Absurdo
es matching.
Dado ahora un Matching M sea
fM
denido as:
fM ( xy) =
fM ( sx) =
1
0
Si
Si no
1
0
Si
1
0
Si
fM ( yt ) =
xy E(M )
x V (M ) X
Si no
y V (M ) Y
Si no
Como M es matching, est claro que:

Mf (z) = Outf (z) =
Adems est claro que:
MfM = M
y que:
52
1
0
Si
Si
f Mf = f
z V (M )
z 6 V (M )
Veamos ahora que:
V (f ) = |EMf |
=0
z }| {
X
=
f ( sx)
xX
= #{x : f ( sx) = 1}
= #{x : Inf (x) = 1}
= #{x : Outf (x) = 1}
= |Vf X|
= |EMf |
por ser
un ujo
Por lo tanto ujos maximales enteros corresponden a matchings maximales.
Denicin: Sea
Denicin: Si
si cubre a X, i.e.
S V (S) =
G = (X Y, E)
X V (M ).
(z) = {w V : z S : wz E}
zS
es bipartito, un matching se dice completo de
4.2. Teorema de Hall

Sea
G = (X Y, E) bipartito entonces:
un matching completo de X

Y : (S) S S X
4.3. Complejidad del Algoritmo de Matching

Asumiendo
|X| = |Y | = n
Matching inical:
O(n2 ).
Extender el matching en un lado:

Extenderlo
O(n)
O(n2 ).
veces.
Nos queda:
O(n3 )
4.4. Grafos con Peso

Sea G = (X Y, E) grafo bipartito, con |X| = |Y | = n y
nn
Cx,y = Costo de asignar el trabajo X al trabajador Y.22
Hay 2 (al menos) formas de minimizar:
1. Minimizar el mximo.
22 A veces pueden ser Ganancias.
53
sea
una matriz de costos
2. Mimizar la suma.
23
El problema 1 a veces es llamado el: bottleneck problem
, se resuelve con el algoritmo
de Gross y es bastante simple.
4.4.1.
Dado
Algoritmo de Gross
C:
1. Ordenar los
Ci,j
como :
b1 < b2 < . . . < bk (k n2 )
2. Tomar, para r= 1, . . . , k:

(Ar )i,j =
3. Hallar
r : Ar
1
0
Si
Ci,j br
Si no
tenga Matching perfecto y
Ar1
(r es el umbral)
no, eso da un matching M tal que:
f)} M
f
max{Ci,j : {i, j} E(M )} max{Ci,j : {i, j} E(M
23 Problema de cuello de botella.
54
4.4.2.
Ejemplo del algoritmo de Gross

Hallar un Matching que minimice el Mximo
I
II
III
IV
VI
VII
15
2
10
100
e2
10
10
10
10
10
10
10
10
Ordeno los
Ci,j : 1, 2, e, 3, , 4, 5, 6, 7, e2 , 8, 9, 10, 15, 1000
max{mn(f ilas); mn(columnas)} = max{1, 1, 1, 1, 1, 1, 2; 1, 1, 1, 2, 1, 2, 1} = 2

Umbral 7
Busco Matching
Intento extenderlo
II
III
IV
VI
VII
II
III
IV
VI
VII
?
?
II
III
IV
VI
VII
II
III
IV
VI
VII
II
III
?
E
Extiendo el Matching
I
II
III
IV
VI
VII

1

II

III

V
?
IV
?
55
?
?
?

II

III

V
?
?
II
III
IV
VI
VII

1
1
II
III
IV
VI
VII

1
E
E
E
E
I

II

III

V
?

IV

?
II
III
IV
VI

1
I

II

III

V
?

IV

?
II
III
IV
VI
VII

1
III
?
E
E
E
E
II
III
IV
VI
VII

1
G
C
E
E
E
E
I

II

III

V
?

IV

?
Obtengo:
Filas etiqueteadas.
(S) = {II, III, V } =
Luego
Columnas etiqueteadas.
|(S)| = 3 < 4 = |S| @
Matching Perfecto.
Entonces tengo que subir el umbral.
56

III

V
?
II
I

II

III

V
?

IV

?
?
S = {C, D, E, G} =
VII
I

II

III

V
?

IV

?

III

V
?
Umbral 9
II
III
IV
VI
VII
Busco Matching
I
II
III
IV
VI
VII
II
III
IV
VI
VII
II
III
IV
VI
VII
II
III
IV
VI
VII
II
III
?
I
II
III
IV
VI
VII

1
Existe Matching
I

II

III

V
?
hay que bajar el umbral:
M = { A-VII:4 ; B-II:e ; C-III:1 ; D-V:4 ; E-IV:8 ; F-VI:6 ; G-I:8 }
Tengo un Matching de
8,
entonces no hago el umbral de

0
2
Matching de 1 s con umbral e .
57
8,
slo basta ver si hay
?
I

II

III

V
?
Umbral de
e2
I
II
III
IV
VI
VII
Busco Matching
I
II
III
IV
VI
VII
II
III
IV
VI
VII
?
?
?
II
III
IV
VI
VII
II
III
IV
VI
VII
II
III
0
0
?
I
II
III
IV
VI
VII

1

II

III

58
V
?
?
?

?

II

III

V
?

?
I
1
II
1
III
0
IV
1
V
1
VI
1
VII
1
B
C
D
E
F
G
1
0
1
0
1
0
1

1
1
1
1
1
0
1
0
0
0
1
0
0
0
1
1
1
1
1
0
0
0
1
0
B

G

B

II
1
III
0
IV
1
E

E

B

I
1
E

E

1
0
0
0
1
0
B
V
1
VI
1
VII
1
B
C
D
E
F
G
1
0
1
0
1
0
1

1
1
0
1
1
1
1
1
1
1
0
1
0
0
0
1
0
0
0
1
1
1
1
1
0
0
0
1
0
B

D

G

C

E

E

B

E

E

B

1
0
0
0
1
0
B
1
1
0
1
1
I
II

III

V

?
III
V
?
?
I
1
II
1
III
0
IV
1
V
1
VI
1
VII
1
B
C
D
E
F
G
1
0
1
0
1
0
1

1
1
1
1
1
0
1
0
0
0
1
0
0
0
1
1
1
1
1
0
0
0
1
0
B

G

E

E

B

B

III
0
IV
1
E

E

1
0
0
0
1
0
B
V
1
VI
1
VII
1
1
0
0
0
1
0
B
A
1
1
0
1
1
D
I
1
II

III
III

V
V

?
?
B
C
D
E
F
G
1
0
1
0
1
0
1

1
1
0
1
1
1
1
1
1
1
0
1
0
0
0
1
0
0
0
1
1
1
1
1
0
0
0
1
0
B

D

G

C

E

E

B

E

E

B

II
?
C
II
1
I
II
III
IV
VI
VII

1
I

1

II

III

III

1
V
?
V
?
?

II

B
D
G
C
E
E
B
A
E
E
B
A
2
Hall un Matching que minimiza el mximo: (e )
n
o
M = A V II : 4; B V I : 2; C III : 1; D I : e2 ; E V : 1; F IV : 4; G II : 2
59
I
II

III
III

V
V

?
?
?
I
I
II

III
III

V
V

?
?
?
II

4.5. Prueba del teorema de HALL

Sea
G = (X Y, E)
existe matching completo de
grafo bipartito entonces:
Y |S| |(S)| S X
Prueba:
Obvio pues el matching induce una funcion
por esa funcin est incluida en
: 11
de X en Y y la imagen de S
(S)
11
|S| = |(S)| |(S)|
Es equivalente a ver que:

Si
un matching completo
S X : |S| > |(S)|
Corramos el algoritmo de hallar matching (Filas
24
Cuando termine habr las sin Matchear
X,
Columnas
Y)
S0 = Filas sin Matchear.

T1 = (S0 ) son las columnas etiqueteadas por
S1 = Filas etiqueteadas por las columas de T1
T2 = columnas etiqueteadas por las las de S1 .
No necesariamente T2 6= (S1 ).
Pero si tenemos que T1 T2 = (S0 S1 )
Sea
las las de
S0
= Filas etiqueteadas por las columnas de
Tj
Sea
Y as seguimos:
Nos queda denido:
Sj
Tj+1 = las columnas etiqueteadas

Sj = las Matcheadas con Tj .
Si Tj 6= Sj tambin.
por las las de
Sj
El algoritmo se detiene sin extender el matching (por hiptesis).

Por lo tanto se detiene en un
con
Tk+1 =
Observacin:
1.
|Sj | = |Tj | j
2.
(S0 . . . Sj ) = T1 T2 . . . Tj+1
Sea
Pues
Sj
son las las Matcheadas con
Tj
S = S0 S1 . . . Sk
|(S)| = |(S0 . . . Sk )|
= |T1 . . . Tk Tk+1 |
= |T1 . . . Tk |
= |T1 | + . . . + |Tk |
= |S1 | + . . . + |Sk |
= |S| |S0 |
< |S|
24 Las marcadas con
?.
60
(17)
(18)
(19)
(20)
( 17) Por las observacin 2.

( 18)
Tk+1 =
( 19) Unin Disjunta.

( 20) Por las observacin 1.
4.6. Teorema del Matrimonio

Todo grafo bipartito regular (con lados) tiene un matching perfecto.
G = (X Y, E) : E 6= ,
W V con W X W Y
Prueba: sea
Dado
regular.
Denimos:
Ew = Lados con un extremo en w

= {xy E : x W y W }
Supongamos
W X

|Ew | = {xy E : x w}

X

=
{y : xy E}
xw
X
xw
d(x)
|{z}
(21)
= |w|
( 21) Por ser
regular.
W Y
Observemos que por ser G bipartito: Ex = E = Ey
|Ex | = |Ey | |X| = |Y |
Como 6= 0 |X| = |Y |
Similar prueba si:
Por lo tanto para ver si existe un matching perfecto en

matching completo de
Por el teorema de Hall basta entonces con ver:

Sea entonces
G,
basta ver que existe un
Y.
|S| |(S)| S X
SX
Sea
e Es
xS
: e = xy
yY
y (x) (S)
e = x y E(s)
Hemos probado que:
Es E(S)
|Es | |E(S) |
|S| |(S)|
|S| |(S)|
61
4.7. Minimizar la Suma

Problema: dada una matriz de costos C, hallar el menor M, Matching.
n
P
Simblicamente buscamos M: M = m
n
Ci,j
i=1
j : ij M
La solucin a este problema usa una idea sencilla: sea
obtiene de
una matriz de costos que se
restndole o sumndole una constante a una la o columna.
Entonces sea
Si a la
e
C
Mmn (C)
un Matching que minimiza la suma.
Ci,j
Si i 6=
i
Ci,j k Si i = i

Ci,j k , similar para

la
i le
k,
resto una constante
n
P
Est claro que:
ei,j =
C
n
P
i=1
j : ij M
las columnas.
i=1
j : ij M
Mmn (C)
Segunda Observacin: si
i.e.
ei,j
C
tambin minimiza
e
C
Ci,j 0.
Entonces si M es un matching de
00 s
es decir
Ci,j = 0 i, j M
M minimiza la
suma.
Idea bsica: restar o sumar la inteligentemente hasta hallar un matching de ceros.
Ese matching automticamente minimiza la matriz original.
4.7.1.
Ejemplo de Matching que minimiza la Suma (A ojo)

I
II
III
IV
10
11
10
10
Restamos a cada la su mnimo
Restamos a cada columna su mnimo
II
III
IV
II
III
IV
Matching de
00 s.
Restamos 5 a la tercer la.

I
II
III
IV
-5
Existe Matching Pero tengo un nmero Negativo.
62
Sumamos 5 a la columna I
I
II
III
IV
14
Restamos el mnimo a cada la.
Hall un Matching de
I
II
III
IV
14
II
III
IV
14
n
o
M = AIV : 7; BIII : 5; CI : 1; DII : 1
Hall un matching que minimiza la suma(14).
4.7.2.
Algoritmo Hngaro
Algoritmo de Khun-Munkres, conocido como algoritmo hngaro.

1. Restar el mnimo de cada la a cada la.
2. Restar el mnimo de cada columna a cada columna.
3. Buscar Matchings de
00 s
Si existe hall un matching que minimiza la suma.
S : |S| > |(S)|,

columnas de (S)
Sino tomar
a las
y restarle un cierto
a las las de S y sumarle
Cul m?
m = mn S (S)
Equivalentemente: restar
4.7.3.
S (S)
y sumar
Ejemplo del algoritmo Hngaro
I II III
A 2 5
7
B
9
10
5
C 1 6
7
D 10 1
4
IV
7
11
10
4
1. Restamos a cada la su mnino:
I II
A 0 3
B
4 5
C0 5
D 9 0
63
III
5
0
6
3
IV
5
6
9
3
S (S)
00 s.
2. Restamos a cada columna su mnimo:
I II
A 0 3
B
4 5
C0 5
D 9 0
III
5
0
6
3
3. Buscamos Matching de
I
II
III
IV
IV
2
3
6
0
00 s
II
III
IV
II
III
IV
6C
C
4. No hay matching perfecto
I
II
III
IV
6I
6
6C
Tengo
S = {A, C}
(S) = I
Con
, las las etiqueteadas.
, las columas etiqueteadas.
|S| > |(S)|
5. Calculo:
m = mn S (S)
I
II
III
IV
I II
6I
A 0 1
m=2 B
6 5
C 0 3
6
D 11 0
6C
Referencias:
S (s)
S (s)
S (S)
S (S)
No lo modico
Sumo
No lo modico
Resto
64
III
3
0
4
3
IV
0
3
4
0
6. Busco Matching de
00 S
I
a)
b)
No encuentro:
A 0
B
6
C 0
D 11
II
1
5
3
III
3
IV
0
3
4
0
4
3
Intento extenderlo:
I
II
III
IV
11
*
II
III
IV
11
II
III
IV

0
11
*
II
III
IV
11
I
Extiendo el matching
*
I
A 0
B
6
C 0
D 11
II
1
5
3
7. Llegu al Matching de
00 s:
III
3
0
4
3
IV
0
4
0
A mano
1. Tachar las de
S,
y las columnas de
(S).
2. De lo no tachado, calcular el mnimo

3. Restar de lo no tachado
m.
m.
m.
4. Sumar, a lo tachado dos veces,
4.7.4.
Complejidad de algoritmo Hungaro
Restar el mnimo en cada la:
O(n2 ).
Restar el mnimo en cada columna:

Buscar Matching inicial:
O(n2 ).
O(n2 )
Extender matching en un lado:
Paso
65
hay
O(n)
pasos.
I
*
Complejidad de cada Paso

Buscar
m,
restarlo y sumarlo:
O(n2 ).
Buscar Matching en la nueva matriz

Cuntas veces buscamos
O(n3 ).
en un paso? No sabemos
Compl(Hungaro) = O(n) O(n3 ) (No

Llammosle cambio
de matriz a buscar el
m,
sabemos)
restarlo y sumarlo.
Lema: luego de un cambio de matriz el matching parcial que se tena no se pierde.

Prueba: la idea est en jarse dnde est el matching.
AA
BC
S
S
(S) (S)
Referencias
A: puede haber ceros.
B: No hay ceros, no hay matching.
C: Ceros del Matching.
S (S)
S (S)
no cambian.
Por lo tanto cualquier 0 de matching ah permanece.

En
S (S)
no hay ceros, por lo tanto no hay matching.
Slo queda por ver:
S (S),
donde puede haber ceros, pero ninguno del matching,
pues supongamos que hubiera uno en la columna
j,
la
i.
i 6 S, j (s).
Cuando revisamos la columna
agregado la la
a S,
buscamos el elemento del matching,
hubieramos
absurdo.
Corolario: luego de un cambio de matriz, aumenta el matching, (i.e. se termina el paso)

o bien aumenta S.
Prueba:
En
S (S) habr un nuevo cero, digamos en la columna j, al revisar la j
si est libre
extendemos el matching.
Sino hay una la
con
{i, j} M :matching,
por lo tanto agregamos la la
a S.
Entonces S crece.
Observacin:
no formaba parte de
Corolario: hay a lo sumo
S,
pues por el lema anterior
debe estar en
S.
cambios de matriz en cada paso, pues S slo puede crecer
veces.
66
Por lo tanto:
Compl(Hungaro) = n Compl(paso)
Compl(paso) =
Compl(cambiar
n
|{z}
la matriz)
+ O(n2 )
cambio de matriz
Compl(cambiar
la matriz)
= O(n2 )
Compl(paso) = O(n3 )
Compl(Hungaro) = O(n4 )
Sin embargo, siendo truquero se puede reducir la complejidad a
O(n3 ).
Compl(Hungaro) = O(n3 )
1. Cmo restar m de
y sumar
(S)
en tiempo
O(n)?
Agregamos etiquetas: cada la y cada columna tiene una etiqueta que indica cunto
se le suma o resta.
Cambiar las etiquetas es:
O(n).
Costo: en vez de chequear
if(Ci,j
== 0)
hay que revisar:
Ac suponemos que el costo de sumar y restar es

2. Cmo calcular
mn{S (S)}
Tendremos una etiqueta
en tiempo
(Ci,j ETi + ETj == 0)
O(1).
O(n)?
que por cada columna guardar el mnimo, de la inter-
seccin de esa columna con S.
{S (S)} es simplemente calcular:

mn{(y) : (y) 6= 0} = O(n) ya que (y) == 0 y (S)
Vericar el mnimo de
Y los
4.7.5.
(y)
los vamos actualizando a medida que examinamos las las de S.
EJEMPLO DEL MEJORADO (FALTA)
67
5. Cdigos de correcin de errores

En general un cdigo, sobre un alfabeto A, de longitud
En general usaremos:
A = {0, 1}.
es un subconjunto de
An .
25
Llamaremos Cdigo, a un cdigo binario de bloque .

n
Denicin: dados x, y {0, 1} la distancia de Hamming entre
es:
dH (x, y) = d(x, y) = #{i : xi 6= yi }

x {0, 1}n es: W (x) = |x| = #{i : xi 6= 0} = d(x, 0n )
d(x, y) = d(x y, 0) = |x y| (x y)i = xi yi i.e. = suma
El peso de Hamming de
Claramente:
Con
xor denido de la siguiente manera:
00=0
01=1
10=1
11=0
es decir la suma mdulo
Propiedad
2.
es una distancia.
Prueba:
1.
d(x, x) = 0
2.
d(x, y) = 0 x = y
3.
d(x, y) = d(y, x)
4. Desigualdad triangular:
d(x, y) d(x, z) + d(z, y) z
A = {i : xi = yi }, B = {i : xi = zi }, C = {i : yi = zi }.

xi = zi
xi = y i
yi = zi
Sean:
Si
i B C i A,
Aplico De morgan:
es decir
(B C) A
(B C) A
y obtengo:
ABC
|A| |B C|
|B| + |C|
d(x, y) d(x, z) + d(z, y)
25 Block code: cdigo de bloque.
68
en
Zn2
Deniciones
Br (x) = {y Zn2 : d(x, y) r}

Un cdigo
detecta
Un cdigo
corrige
Notacin:
errores si:
errores si:
C Br (x) = {x} x C
Bt (x) Bt (y) = x, y C : x 6= y
= mn{d(x, y) : x 6= y : x, y C}
Ejemplos:
1.
C1 = {00, 01, 10, 11} (C1 ) = 1
2.
C2 = {000, 011, 110, 101}

HHC2
C2
HH
HH
000
011
110
101
000
011
110
(C2 ) = 2
101
3.
C3 = {000000, 010101, 101010, 111111}

HH C3
C3 HHH
000000
000000
010101
101010
111111
010101
101010
111111
69
(C3 ) = 3
Teorema: sea C cdigo binario y

1. C detecta
d1
errores y no detecta
2. C corrige
b d1
c
2
errores y no corrige
d = (C)
entonces:
errores.
b d1
c+1
2
errores.
Prueba:
1. Detecta
d 1:
Recordemos que
Sea
es la menor distancia entre palabras del cdigo
x C, y Bd1 (x) C x = y
d(x, y) 1 <
x=y
Pero x, y C
No detecta d:
Sean
x, y C : x 6= y
d(x, y) =
2. Corrige
Sea
c
b d1
2
y Bd (x) C
Como y 6= x

no
detecta d errores.
errores:
t = b d1
c.
2
Sean
x, y C, x 6= y .
Supongamos
Bt (x) Bt (y) 6= z Bt (x) Bt (y)
d(x, y)
d(x, z) + d(z, y)
2t
1
0 1 absurdo
( 22) Ya que
x 6= y
y las dos estn en
(22)
(23)
C.
( 23) Ya que z est en las dos Bolas.

No corrige
Sean
c+1
b d1
2
errores:
x, y C : d(x, y) = d,
Entonces
tiene
d1
0
Sea e con b
c
2
0
Sea z = x e
Quiero ver que
sea
e=xy
unos.
+1
unos de estos.
z Bb d1 c+1 (x) Bb d1 c+1 (y)

2
y ya est porque justamente la in-
teseccin es no vaca.
Luego
d(x, z) = |x z| = |x x e0 | = |e0 | = b d1
c+1
2
70
d1
d(y, z) = |y z| = |y x e | = |e e | = d 1 + b
c
2
0
Demostracin de
d1
c+1
2
d = 2k + 1 (Impar)

d 1 + b d1
c = 2k + 1 1 k = k = b d1
c < b d1
c+1
2
2
2
Si
d = 2k (Par)

c = 2k 1 (k 1) = 2k 1 k + 1 = k = k 1 + 1 = b d1
c+1
d 1 + b d1
2
2
Si
Suposiciones acerca del medio de transmisin

1. No se pierden ni agregan bits.
26
2. Sean:
Ei+
el evento Bit
cambia de
0 1.
Ei
el evento Bit
cambia de
1 0.
Entonces:

P Ei+ = P Ei .
3.
Ei
4.
0 < P (Ei ) = P (Ej ) <
es independiente de
Denotamos
Ei
al evento: cambia el Bit
Ej i 6= j
1
2
5.1. Cota de Hamming

Teorema: sea
cdigo de longitud
|C|
Como
que corrija
2n
1 + n + ... +
errores entonces:
n
t
Bt (x)
xC
corrije t errores, esa unin es disjunta.
Prueba: sea
A=
|A| =
|Bt (x)|
xC
Calculemos
|Bt (x)|:
Para ello denamos:
Sr (x) = {y Zn2 : d(x, y) = r}

26 Slo hay ips de bits.
71
i.
Bt (x) =
t
S
Sr (x)
unin disjunta.
r=0
t
X
|Bt (x)| =
|Sr (x)|
r=0
y Sr (x) d(x, y) = r
(x y) = r donde deno (x y) = e
e : |e| = r : y = e x
| {z }
Sr (0)
Sr (x) = x Sr (0) |Sr (x)| = |Sr (0)|

Luego
n ubicaciones

|Sr (0)| = nr
De las
e Sr (0)
hay que elegir las
|A| =
tiene
r 10 s
n r 00 s
donde irn los
10 s.
|Bt (x)|
xC
!
t
X X
n
=
r
r=0
xC
t
X
n

=
C
r
r=0
Como
A Zn2 |A| 2n
t
X
n

C 2n
r
r=0

2n

C
1 + n + . . . + nt
Denicin: un cdigo se dice perfecto si
27
Recordemos que un subespacio vectorial

1.
C 6=
2. Si
3.
x, y C x y C
x C, k Z2 k x C
27 SEV.
72
es un subespacio vectorial de
se da si:
Zn2
Pero
Z2 = {0, 1}
1*X = X
0*X = 0
Trivialmente est en
C,
bastara ver que
0 C.
C 6= x C x
x} C
| {z
=0
C es lineal si y slo si
()
C 6=
x, y C x y C
Teorema: C lineal
n
o
= mn |x| : x C, x 6= 0
Prueba:
w = mn{|x| : x C, x 6= 0}
Sean x, y C : x 6= y con d(x, y) =
Sea
= |x y|
x y C y x y 6= 0, pues x 6= y w
x C, x 6= 0 con |x| = w
Entonces w = d(x, 0) , 0 C pues C es lineal.
Como es la menor distancia tenemos que w
Como C es lineal
Sea ahora
=w
Ejemplos:
C1 , C2 , C3
son obviamente lineales
C1 = {11, 00, 01, 10} = Z22 w = = 1

C2 = {000, 110, 101, 011} w = = 2
C3 = {000000, 111111, 101010, 010101} w = = 3
Notacin: si
es lineal
denotar la dimensin de
Corolario: si
Prueba: obvio pues
C.
es lineal de dimensin
k |C| = 2k
k = Dim(C) C ' Zk2 |C| = 2k
73
5.2. Matriz generadora

Denicin: una matriz generadora
G para C
es una matriz cuyas las forman una base
de C.
Por lo tanto si C es de dimesin k y longitud n y G es generadora
Kx N .
G generadora G es Kx N, con k = Dim(x) y C = EF (G)
n
k
Recordemos que: EF (G) = {x Z2 : U Z2 : x = U G}
1 0 0 1 1 1
Sea G = 0 1 0 1 0 1
0 0 1 1 0 0
de C entonces
C = {x1 x2 x3 x4 x5 x6 : u1 , u2 , u3 : x = U G}
u1 u2 u3 G = u1 u2 u3 (u1 u2 u3 )u1 (u1 u2 )
0
C=
1
0
0
1
1
0
0
1
1
0
1
0
1
0
1
0
1
0
1
1
0
1
0
0
1
0
0
0
0
1
1
1
1
1
=2
1
En particular:
n1
z}|{
G=
.
.
.
Da el cdigo:
C = {x1 . . . xn : xn = x1 . . . xn1 } = {x1 . . . xn : x1 . . . xn1 xn = 0}

Bit parity Code tiene
=2
Otro ejemplo de cdigo lineal:
cdigos de repeticin
z }| { z }| { z }| {
C = {x1 . . . xk x1 . . . xk . . . x1 . . . xk }
|
{z
}
r veces
n=rk
Una matriz generadora

G= I I I I I
|
{z
r I0s
74

I = peso
}
mnimo no nulo
=r
es
5.3. Matriz de chequeo

Una matriz
se dice matriz de chequeo si
C = N u(H) = {x Zn2 : Hxt = 0}
Propiedad
I
|{z}
kx k
}|
{
A
|{z}
es generadora de
nk
t
A
C n k |{z}
k
I
|{z}

es de chequeo.
nk
Todo cdigo tiene una matriz de chequeo.

EF [I A] = N u [At I]

x EF [I|A] U : x = U [I|A] = U (U.A)
Prueba: Hay que ver que
Sea
Ut
[A |I]x = [A |I]
(U.A)t
t
Entonces
EF [I|A] N u([At |I])
Pero Dim(EF ([I|A])) = k
Dim(N u([|{z}
At | |{z}
I
])) = k
k
nk
dep. indeptes
= At U t (U A)t
= At U t At U t
=0
x N u([At I])
son iguales
Ejemplo:
1 0 0 1 1 1
1 1 1 1 0 0
G = 0 1 0 1 0 1 H = 1 0 0 0 1 0
1 1 0 0 0 1
0 0 1 1 0 0

x1
x2
1 1 1 1 0 0
x
3
Entonces N u(H) = x1 . . . x6 : 1 0 0 0 1 0 = 0
x4
1 1 0 0 0 1
x6
x1 x2 x3 x4 = 0
= x1 . . . x6 : x1 x5 = 0
x1 x2 x6 = 0
x4 = x1 x2 x3
= x1 . . . x6 : x5 = x1
que es lo que
x6 = x1 x2
75
tena antes.
Ejercicio: calcular las palabras del cdigo que genera la siguiente matriz
1 1 0 1 1 1 0 0
0
0
1
1
0
0
0
1
0
Si G =
H=
0
0
1 0 1 1 0 0 0 1
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
1
1
0
1
1
0
1
1
0
0
1
0
1
0
G.
en este caso
=3
Teorema: sea H la matriz de chequeo de C, si H no tiene la columna 0 ni columnas

repetidas entonces
3.
Y por lo tanto corrige al menos un error.
Prueba: supongamos que no

Supongamos
=2
= 1.
Como C es lineal
Como
( < 3) = 1
x C : |x| = 1 i : x = ei 28
x C Hxt = 0
0 = Hxt = Heti = H (i)

Supongamos
Entonces
Entoces
Columna
de H.
H (i) = 0
0
0
0
1
1
1
0
1
absurdo.
= 2.
x C : |x| = 2
i,j : i 6= j : x = ei ej
0 = Hxt = Heti Hetj = H (i) H (j)

H (i) = H (j)
absurdo.
Ejemplo
Sea
1
0
H=
0
0
0
1
0
0
0
0
1
0
1
0
1
1
1
1
1
0
1
1
H
1
1
es
4x 9
C = N u(H)
?
|C| = 2k = 25 = 32
k =94=5
9 variables - 4 independientes
= #Columnas Rango es n porque tengo la identidad.
(C) =
Como H no tiene la columna
(1)
Como H
+ H (5) = H (9)
28 Recordemos
ni columnas repetidas
ei = 0 . . . 0 |{z}
1 0 . . . 0.
i
76
(C) 3
Entonces
x = 010001001 C (C) 3
(C) = 3
Una matriz que cumple esa condicin es una matriz

Con todas las columnas posibles no nulas de altura
Entonces
C=
r (2r 1)
r.
cdigo de Hamming

1 0 1
=H=
0 1 1
orden posible.

xz =0
= xyz :
yz =0
= {xyz : z = x = y}
= cdigo de repeticin
1 0 0
= H = 0 1 0
0 0 1
1010101
0110011
=H=
0001111
0000000
1 0 1 1
1 1 0 1 K = 4
0 1 1 1
0110101
0010011
K = 11
0001111
1111111
Propiedad: los Hamming son perfectos.

Prueba: Hay que ver
r
Donde n = 2 1

r = 2n
1+n
1 + n = 2r

2n
2n
r
= r = 2nr = 22 1r = 2k =
1+n
2
Algoritmo para corregir

Cuando
error
H (i) 6= 0, H (j)
Supongamos que el emisor manda
xC
y el receptor recibe
e=0
Hy y = Hxt = 0 y C
Si e = e
Si
Hy t = Hxt Heti
= 0 H (i)
= H (i)
77
y =xe
con
|e| 1.
El algoritmo es:
1. Calcular
Hy t .
2. Si
Hy t = 0
3. Si
Hy t = H (i)
4. Si
Hy t 6= 0, H (i) i
Aceptar
y.
y ei .
Aceptar
hubo
errores, pedir retrasmisin.
Ejemplo:
1
0
H=
0
0
Se recibe:
0
1
0
0
0
0
1
0
0
0
0
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
y = 01000100
Hy t = H (2) H (3) H (7)

0
0
1
1
1 0 1 0
(6)

=
0 1 0 = 1 = H
0
0
1
1
x = y e6 = 011001100
z = 000011000
La palabra enviada fue
Pero si recibo
Hz t = H (5) H (6)

0
1
1
1 0 1
(i)

=
1 1 = 0 6= 0, H i
1
1
0
Hubo
errores
Por ejemplo me pueden haber mandado: 000000000 110011000

t
(i)
En el caso del Hamming Hy siempre va a ser
0 algn
H
El algoritmo si se usa la matriz con
H (i) =
(i)
Binario
Es ms fcil:
1. Calcular
2. Si
Hy t
Hy t = 0
3. Sino tomar
aceptar
i:
(representacin binaria
i)= Hy t
78
y acepto
y ei
Ejemplo
n = 25 1 = 31 k = 31 5 = 26
= 226
5
Supongamos que llega y = e1 e2 e11 e27 e31
5 tiene

Entonces:
Hy t = H (1) H (2) H (11) H (27) H (31)

1
0
1
0
1
1
0 1 1 1 1 0

(1)

=
0 0 0 1 1 = 0 = H
0 0 1 0 1 0
0
0
0
1
1
0
Mandaron
x = y e1
y = e2 e7 e17
Si hubiese sido

0
1
1
0
1 1 0 0

(20)

Hy t =
0 1 0 = 1 = H
0 0 0 0
0
0
1
1
Mandaron
x = y e20
Observacin: Hamming ms un bit de paridad avisa si hay

Teorema: sea
C = N u(H) (C) = mn{j : j
errores.
Prueba:
x : |x| = (C) = d
Entonces i1 , i2 , . . . , id : x = ei1 . . . eid
Sea
0 = Hxt
= Heti1 . . . Hetid
= H (i1 ) . . . H (id )
{H (i1 ) , . . . , H (id ) } es L.D.
mn{j : j columnas dependientes de H} = j
i1 , . . . , ij : {H i1 , . . . , H ij } es L.D.
Entonces c1 , . . . , cj no todos nulos tal que: c1 Hi1 , . . . , cj Hij = 0
Como j es el mnimo c1 , . . . , cj 6= 0 todos no nulos.

Como Ci Z2 ci = 1 i
H (i1 ) . . . H (ij ) = 0
Entonces x C donde x = ei1 . . . eij
j
Entonces
29 LD: Linealmente dependientes.
79
29
columnas L.D. de H}
5.4. Cota Singleton

Corolario: si C es un cdigo lineal de longitud
n y dimensin k entonces (C) nk+1
Prueba:
Sean
d = (C), H : C = N u(H)
d = mn{j : j columnas L.D. de H}
= 1 + max{j : Todo conjunto de j columnas es L.I.}
1 + max{j : Existe un conjunto de j columnas L.I.}
1 + Rango(H)
=1+nk
Denicin: un Cdigo con
=nk+1
30
se llama un cdigo MDS
5.5. Cdigos Cclicos

Denicin: sea
Denicin: un
W = w0 w1 . . . wn1 denimos Rot(W ) = wn1 w0 w1 . . . wn2

cdigo C es cclico si:
1. Es lineal.
2. Invariante por rotaciones: i.e.
W C Rot(W ) C
Ejemplos
Z2 +
Bit de paridad es cclico
C = {000, 100, 010, 001}

lineal: C[1] + C[2] 6 C
C = {000, 100, 011, 111}
C = {000, 110, 101, 011}
es invariante por rotacin pero no cclico ya que no es
es lineal pero no es cclico.
w0 w1 . . . wn1 w0 + w1 x + . . . + wn1 xn1

P (x), H(x) son polinomios.
Identicacin:
Denicin: si
P (x) mod H(x)

Teorema: si
tiene longitud
es el resto de dividir
P (x)
por
H(x).
entonces:
Rot(W ) = xW (x)
mod (1 + xn )
Prueba:

xW (x) = x w0 + w1 x + . . . wn1 xn1
= w0 x + w1 x2 + . . . + wn2 xn1 + wn1 xn
30 MDS: maximun distances separable.
80
Aplico mdulo
1 + xn
xW (x)
( 24)
mod (1 + xn ) = w0 x + w1 x2 + . . . + wn2 xn1 + wn1

= wn1 + w0 x + w1 x2 + . . . + wn2 xn1
wn1 w0 . . . wn2
= Rot(W )
(24)
(25)
wn1 xn = wn1 (xn + 1) + wn1

|
{z
} | {z }
Resto
Cociente
( 25) Conmuto.
Ejemplo
C = {0000, 1010, 0101, 1111}

C {0, 1 + x2 , x + x3 , 1 + x + x2 + x3 }
w = 1010 Rot(w) = 0101

1 + x x(1 + x2 ) = x + x3 mod (1 + x4 ) = x + x3 0101
Tomo
w = 0101 Rot(w) = 1010

x + x x(x + x3 ) = x2 + x4
x2 + x4 mod (1 + x4 ) = x2 + 1 = 1 + x2 1010
Tomo
Corolario:
Sea
cclico de longitud
n,
W (x) C
Q(x) Z2 (x)
Propiedad: sea C lineal entonces
W (x)Q(x) mod (1 + xn ) C
polinomio no nulo de grado mnimo.
Denicin: si C es cclico, el nico polinomio no nulo de grado mnimo se llama el
polinomio Generador de C, y usualemente se lo denomina G(x).

Prueba:
g1 , g2 dos de ellos : Gr(g1 ) = Gr(g2 ) = t

g1 + g2 C pues C es lineal.
?
Entonces: Gr(g1 + g2 ) = Gr(g1 g2 ) < t que era
g1 + g2 = 0 g1 = g2
Sean
el menor grado.
? : g1 (x) = a0 + a1 x + . . . + at1 xt1 + 1.xt

: g2 (x) = b0 + b1 x + . . . + bt1 xt1 + 1.xt
Entonces:
g1 + g2 = (a0 + b0 ) + (a1 + b1 )x + . . . + (at1 + bt1 )xt1 + 0
81
Propiedad: sea
G(x)
Generador :
G(x) 6= 0 Gr(G(x)) Gr(p(x)) p(x) C
n, G(x) su polinomio generador entonces:

n
o
C = P (x) Z2 (x) : Gr(P (x)) n 1 y G(x)|P (x)
Teorema: sea C un cdigo cclico de longitud
Prueba:
Si G(x) dividide a P(x):
G(x)|P (x)
Como
q(x) : P (x) = q(x) G(x) P (x)
clase pasada
Gr(P (x)) n 1 P (x)
mod (1 + xn ) C
mod (1 + xn ) = P (x) P (x) C
La parte importante
Sea
P (x) C Gr(P (x)) n 1
Para la segunda condicin:
Q(x), R(x) Z2 (x) : P (x) = Q(x)G(x) + R(x): con Gr(R(x)) < Gr(G(x))

Gr(R(x)) < n 1
Como Gr(R(x)) < Gr(G(x))
Gr(Q(x)G(x)) n 1
Gr(P (x)) n 1
Sean
Entonces por
Q(x)G(x) C
R(x) = P (x) + Q(x)G(x) C
| {z } | {z }
C
por ser lineal.

Gr(R(x)) < Gr(G(x)) n 1
R(x) = 0
R(x) C
P (x) = Q(x)G(x) G(x)|P (x)
82
Teorema
Sea C cclico de longitud
n,
G(x)
el polinomio generador de
C,
con
k = Dim(C)
Entonces:
1.
Gr(G(x)) = n k
2.
G(x)|1 + xn
3.
G(x) =
+g1 (x) + . . .
i.e.
g0 = 1
Prueba
1. Sea
P (x) : Gr(P (x)) n 1
Por el teorema anterior

Si
P (x) C Q(x) : P (x) = Q(x)G(x)
t = Gr(G(x)) n 1 Gr(P (x)) = Gr(Q(x)) + Gr(G(x))

| {z }
=t
Gr(Q(x)) n t 1
Viceversa si
Entonces:
P (x) = Q(x)G(x)
con
Gr(Q(x)) n t 1
Gr(P (x)) n t 1 + t = n 1
P (x) C

Esto da una

Gr(Q(x)) n t 1
C = P (x) : Q(x) :
P (x) = Q(x)G(x)
n
o
biyeccin entre C y
Q(x) : Gr(Q(x)) n t 1 = ?
|C| = | ? |
= |{Q(x) = q0 + q1 x + . . . + qnt1 xnt1 }|
= 2nt
Como
k = Dim(C) |C| = 2k 2k = 2nt k = n t t = n k
2. Supongamos
G(x) = g0 + g1 x + . . . + gnk1 xnk1 + xnk
Por lo demostrado en
Multiplico por
1.
sabemos que es de esa manera.
xk :
xk G(x) = g0 xk + g1 xk+1 + . . . + gnk1 xn1 + xn

= (1 + g0 xk + . . . + gnk1 xn1 ) +(1 + xn )
|
{z
}
Rotk (G)
83
(26)
( 26) Sumo dos veces

Como
Como
G(x)
es cclico y
en
Z2 ,
que es lo mismo que sumar
0.
G(x) C Rotk (G(x)) C
es generador
Q(x) : Rotk (G) = Q(x)G(x)
xk G(x) = Rotk (G(x)) + (1 + xn )

= Q(x)G(x) + (1 + xn )
1 + xn = xk G(x) + Q(x)G(x)

k
= x + Q(x) G(x)
Entonces
3.
G(x)|1 + xn
1 + xn = V (x)G(x) 1 = v0 g0 g0 = 1
Esto da origen a un mtodo para codicar:

Primer mtodo:
Simplemente dada
Tomo
m(x)
de grado
k 1.
V (x) = m(x)G(x)
Ejemplo:
G(x) = 1 + x2 + x3 : n = 7
Cunto vale
k = Dim(C)
n k = Gr(G(x)) 7 k = 3 k = 4
Por lo tanto el cdigo tiene
24 = 16
palabras.
Supongamos que queremos codicar:
m = 1011 m(x) = 1 + x2 + x3
V (x) = m(x)G(x)
= (1 + x2 + x3 )2
= 1 + x4 + x6
1000101
Mando
1000101
84
Otra:
m = 0110 x + x2
V (x) = (x + x2 )(1 + x2 + x3 )
= x + x 3 + x4 + x2 + x4 + x5
= x + x 2 + x3 + x5
0111010
Esto corresponde a la siguiente matriz generadora:
1 g1 g2 . . . gnk1
0 1 g1 g2
...
0 0 1 g1
g2
.. .. .. . .
..
. . .
.
.
0 0 0 0
1
1
0
G=
0
0
0
1
gnk1
...
gnk1
..
..
g1
0
1
0
0
1
0
1
0
1
1
0
1
0
1
1
0
..
g2
0
0
1
1
0
0
1
...
...
...
.
..
. . . gnk1
0
0
0
1
Segundo Mtodo
Idea: sea
P (x) + P (x) mod G(x)

= 0 mod (G(x))
G(x)|[P (x) + (P (x) mod G(x))]
Si el
Gr(P (x)) n 1
ya est:
P (x) + (P (x) mod G(x)) C
Truco
Dado
m(x)
con
En denitiva
Gr(m(x)) k 1 Gr(xnk m(x)) n 1
m(x) V (x) = xnk m(x) mod G(x) + xnk m(x)
Ejemplos:
m(x) = 1011 1 + x2 + x3 : n = 7 k = 4
x3 m(x) mod G(x) = 0
V (x) = 0 + x3 m(x) = x3 + x5 + x6 0001011
m(x) = 0110 x + x2
x3 m(x) = x4 + x5
?
x3 m(x) mod G(x) =

2
3
2
3
Truco: G(x) = 1 + x + x 1 + x + x 0(G(x))
x3 1 + x2 (G(x))
85
0
0
.
.
.
1
x4 x + x3 (G(x))
x + 1 + x2 (G(x))
1 + x + x2 (G(x))
x5 x + x2 + x3 (G(x))
x + x2 + 1 + x2 (G(x))
1 + x (G(x))
x4 + x5 mod G(x) 1 +
x + x2 + 1 +
x x2
V (x) = (x4 + x5 ) mod G(x) + x4 + x5
= x2 + x4 + x5
001
0110
| {z }
m(x)
Esto corresponde a la matriz generadora:
mod G(x) + xnk

mod G(x) + xnk1
.
.
.
.
.
.
.
.
.
n1
mod G(x) + x
xnk
xnk1
G = ..
.
xn1
Tenamos:
x3
x4
x5
x6
mod
mod
mod
mod
G(x) 1 + x2
1
1
G(x) 1 + x + x2
G=
1
G(x) 1 + x
2
G(x) 1 + x
0
0
1
1
1
1
1
0
1
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
Es decir obtenemos la matriz G con identidad a derecha.

Una matriz de chequeo H es:
1 0 0 1 1 1 0
H = 0 1 0 0 1 1 1
0 0 1 1 1 0 1
En general esto vale claramente: es decir,
H (i) = xi mod G(x) : 0 i n 1
86
Ejemplo: sea
G(x) = 1 + x2 + x3 + x4 : n = 7
Hallar una matriz de chequeo con la identidad a izquierda.
x4
mod G(x) 1 + x2 + x3
x5
mod G(x) x + x3 + x4
x6
x + x3 + 1 + x2 + x3
1 + x + x2
mod G(x) x + x2 + x3
1
0
H=
0
0
5.5.1.
0
0
1
0
0
0
0
1
1
0
1
1
1
1
1
0
0
1
1
1
Correcin de errores Error Trapping
Teorema: sea C cclico de longitud

Asuma que se manda
Con
|E| t,
Sean
Si
0
1
0
0
V (x)
y llega
n que corrige t errores, con G(x) =

W (x) : E(x) = V (x) W (x)
generador.
error corregible.
Si
los sndromes:
Si (x) = xi W (x) mod (G(x)) : 0 i n 1
i : |Si | t
E(x) = Rotni (Si )
= xni Si
mod (1 + xn )
Prueba de Error Trapping :
Rot(U ) mod G(x) = xU (x) mod G(x)

Rot(U ) = xU (x) mod (1 + xn )
Q(x) : xU (x) = Q(x)(1 + xn ) + Rot(U )
Observacin:
Pues
xU (x)

mod G(x) = Q(x)(1 + xn mod G(x)) + Rot(U )
|
{z
}
mod (G(x))
0 pues G(x)|1+xn
Rot U (x) mod G(x) = xU (x) mod G(x)

Roti U (x) mod G(x) = xi U (x) mod G(x)
Sea i : |Si | t ?
Si (x) = xi U (x) mod G(x) absurdo.
Si (x) = Roti (W (x)) mod G(x) P (x): Roti (W (x)) = P (x)G(x) + Si (x)
? y Roti (W (x)) Bt (P (x)G(x))
Pero P (x)G(x) C
87
W (x) = V (x) + E(x)

Rot (W (x)) = Roti (V (x)) + Roti (E(x))
i
Y |Rot (E(x)| = |E(x)| t
Roti (W (x)) Bt (Roti (V (x))
| {z }
Pero
y Bt (P (x)G(x)) Bt (Roti (V (x))) 6=

| {z }
| {z }
C
P (x)G(x) = Rot (V (x))

i
Entonces por y y Si (x) = Rot (E(x))
E(x) = Rotni Si
Ejemplo
G(x) = 1 + x4 + x6 + x7 + x8 : n = 15
con
t=2
W (x) = 1100 1110 1100 010

W (x) = 1 + x + x4 + x5 + x6 + x8 + x9 + x13
Al aplicar
mod G(x) solo tengo que resolver los xi : i > k = 7
Llega
x8
mod G(x) 1 + x4 + x6 + x7
x9
mod G(x) x + x5 + x7 + x8
(los encuadrados).
x10
x + x5 + x7 + 1 + x4 + x 6 + x7
1 + x + x4 + x5 + x6
mod G(x) x + x2 + x5 + x6 + x7
x11
mod G(x) x2 + x3 + x6 + x7 + x8
x12
x13
x2 + x3 + x6 + x 7 + 1 + x4 + x6 + x7
1 + x2 + x3 + x4
mod G(x) x + x3 + x4 + x5
mod G(x) x2 + x4 + x5 + x6
S0 = W (x) mod G(x)

6
7
4
5
6
2
4
= 1 + x + x4 + x5 + x6 + 1| + x4 +
+ x5 + x}6
{zx + x} + |1 + x + x{z+ x + x} + x
| + x {z
x8
=1+x +x +x
|S0 | = 4 > 2
m
od G(x)
88
x9
m
od G(x)
x13
m
od G(x)
Contino calculando
|S1 |,
hasta encontrar uno tal que
|Si | 2
S1 = x(W (x) mod G(x))

= x 1 + x 2 + x5 + x7
= x + x3 + x6 + x8
= x + x3 + x6 + 1 + x4 + x6 + x7
= 1 + x + x 3 + x4 + x7
S2 = 1 + x + x2 + x3 + x5 + x6 + x7
S3 = 1 + x + x2 + x3 + x4
.
.
.
S6 = x3 + x4 + x5 + x6 + x7
S 7 = x4 + x5 + x6 + x 7 + x8
= x4 + x5 + x6 + x7 + 1 + x4 + x6 + x7
= 1 + x5
|S7 | = 2 2 = 7
Entonces:
E(x) = xni Si mod (1 + xn )

= x157 S7 mod (1 + x15 )
= x8 (1 + x5 ) mod (1 + x15 )
= x8 + x13
V (x) = W (x) + E(x) = 1 + x + x4 + x5 + x6 + x9

Ejercicio: sea
G(x) = 1 + x2 + x4 + x5 + x6 + x10 + x11 : n = 23
con
t=3
W (x) = 1 + x7 + x8 + x9 + x12 + x13

Respuesta:
V (x) = 1 + x8 + x9 + x12 + x13 + x14 + x15 + x16

Con
S16 = 1 + x8 + x9
Denicin:
Polinomio Chequeador
H(x) =
1 + xn
G(x)
Propiedad (ejercicio)
W (x) C H(x)W (x)
mod (1 + xn ) = 0 : Gr(W (x)) n 1

89
6. P-NP
Denicin: un problema de decisin es un problema cuyas nicas respuestas posibles
son S o No (alternativamente 1 0).
Ejemplos
Matching: dado un grafo
nN
Primo: dado un
K-color: dado un grafo
es
tiene
es
un matching perfecto?
primo?
(G) k ?
Semiformalizacin de problema de decisin.

Un conjunto I (conjunto de instancias del problema y una funcin
: I {S,No}
Alternativamente, tomando el conjunto de instancias positivas.
S = {x I : (x) = S}
Se puede pensar que un problema es un par (I,S) con
En general, dado
xI
S I.
tenemos una medida del tamao de
En general, # de bits necesarios para representar a
|x|.
I = {G : G es un grafo nito},
N |n| = dlog(n)e = #bits de n
x,
x.
o algo ligado a eso.
Lo denotaremos
Por ejemplo si
Si I =
podemos tomar
|G| = #de
vrtices.
6.1. La clase P
P = clase de problemas de decisin tal que existe un polinomio
tal que
resuelve el problema para
xI
en tiempo

Resolver es que:
O bien en la forma {I,S}
A(x) =
A(x) =
P (x),
y un algoritmo
O(P (x))
Si (x) = S
N o Si (x) = No
S
xS
Ejemplos:
2 color P
Matching bipartito: como Matching con instancia reducida a grafos bipartitos.
31
Vimos que Matching bipartito
6.2. La Clase NP
NP
no signica No Polinomial. (de hecho
P N P ).
NP signica: Non deterministic Polynomial.

Otra forma de denir esta clase que es la clase de problemas de decisin para los cuales
existen certicados que verican la respuesta S en tiempo polinomial.
31 Edmonds prob que Matching
P.
90
Formalmente
(I, S) N P j, t Ix J
1.
P (x)
tales que:
(Ix J, T ) P

2. Dado
xI
vale
x S y J :
(x, y) T
|y| P (|x|)
6.3. Co-NP
Denicin:
Co-NP = problema de decisin tal que el complemento est en P.
Ejemplo: Primo
Co-NP
Certicado para NO una factorizacin.

(En 1976 se prob que Primo
NP) y en 2002 se prob que PRIMO
Complemento de

Es
b
(x)
=
N o Si (x) = S
S
Si (x) = N o
k-color
Certicado: dado un coloreo con
P.
(I, S) (I, I S)
NP k
colores ver que es propio es:
O(m) = O(n2 )
Observacin:
Claramente
P NP .
El problema del milln es P=NP?
6.4. SAT
Un problema importate: SAT
Una variable booleana
es una variable que slo puede tomar dos valores
Dado un conjunto de variables Booleanas:
1.
x1 , . . . , x n .
Un literal: es una de esas variables o la negacin de ellas.
(x = 1 x).
Una clasula: (Clause) es un de literales (Disjuncin).

Ejemplo:
x1 x2 . . .
32
Una expresin Booleana en forma Conjuntiva Normal
, es una conjuncin ( ) de
clasulas.
Ejemplo:
(x1 x2 ) (x1 x3 x7 ) (x2 x3 x4 )

SAT es:
33
dada
en CNF:
un asignamiento de valores a las variables que la vuelva verdadera?
32 CNF: Conjuctive Normal Form.

33 Nota: SAT, sera sin pedir CNF, esto sera CNF-SAT, pero todo el mudo lo llama SAT.
91
SAT N P
: Certicacin una valuacin.
Otras formas de SAT estn en P.
DN F SAT P : 0 s
Xor SAT P : 0 s
de
de
0 s
0 s
(Xors)
Pero SAT no se sabe, de hecho Cook prob que
SAT P P = N P
No probaremos este teorema pero daremos una olfateada al mismo.

La clave est en lo que Cook llam: Reduccin Polinomial.
Que ahora tambin se conoce como Reduccin de Cook.
6.4.1.
Reduccin Polinomial
Denicin: dados dos problemas de decisin

Diremos que
Polinomio
1. Calcular
2.
= (I, S) , (J, T )
se reduce a ( P ) si:
P (x) y una funcin : I J :
(x)
es
O(P (x))
x S (x)
i.e.
(x)
(x) =
S
es polinomial en
x.
((x)) =S.
Ejemplos sencillos:
Tonto y no del todo correcto:
Dada
ax2 + bx + c = 0
Dado
tR
Entonces:
es
tiene solucin
R?
t 0?
tomando
t = b2 4 a c
Otro ejemplo
Dado
P
6.4.2.
Dada A
tQ
tomando
Qnn
es
A es invertible?
t 6= 0?
Det(A) = t.
k color P SAT
k color P SAT
Prueba: Dado un grafo G debemos construir polinomialmente una B CN F
(G) k B es satisfactible i.e. un asignamiento que la vuelve verdadera.
Sea n = # vrtices de G.
Tomemos variables xi,j : 1 i n, 1 j k
Para i = 1, . . . , n deno Ci = xi,1 xi,2 . . . xi,k
Teorema:
C = C1 C2 . . . Cn
92
tal que:
Di =
xi,j xi,r
j, r
j<r
j, r = 1, . . . , k
D = D1 . . . Dn
Fi,j,l = xi,j xl,j
k
n
V
V
Fi,j,l
F =
j=1
i, l = 1
il E
Sea
Tomo
Ahora hay que probar que
B =C DF
es
O(n + m)
(G) k B es satisfactible.
k colores de G.
Sea C un coloreo propio con
Debemos construir un asignamiento de valores a las variables.
xi,j x
bi,j {0, 1}

Denimos
x
bi,j =
Debemos ver que :
1 Si C(i) = j
0 c.c.
b = B(b
B
xi,j ) = 1
Todo vrtice tiene un color
i j k : C(i) = j
i j k : x
bi,j = 1
i : x
b x
bi,2 . . . x
bi,k = 1
{z
}
| i,1
ci
C
b=C
b1 . . . C
bn = 1
C
Todo vrtice tiene un slo color
i ! j k : C(i) = j
i @j 6= r : C(i) = j, C(i) = r
i, j < r : C(i) 6= j C(i) 6= r
x
bi,j = 0 x
bi,r = 0
o lo mismo: x
bi,j = 1 x
bi,r = 1
b =1
x
bi,j x
bi,r = 1 i, j < r D
Finalmente como el coloreo es propio
il E Tenemos C(i) 6= C(l)

i.e. il E, @j : C(i) = C(l) = j
il E, j :
(C(i) 6= j C(l) 6= (j)
|
{z
}
x
bi,j =1 x
bi,r =1
93
il E, j : x
bi,j x
bi,r = 1 Fb = 1
b=C
bD
b Fb = 1
B
Fin
()
b = 1 y queremos ver que: (G) k

x
bi,j con B

C
bi,j = 1 (?)
b = 1 i, j : x
b
b
B = 1 D = 1 i, !j : x
bi,j = 1 denimos C(i) = el nico j con x
bi,j = 1
b
F = 1 ij E, C(i) 6= C(l) C es propio
? Cuento con la demostracin de la ida.
Ahora sabemos que existe
N P P SAT
SAT P P = N P
Observacin: Cook prob

Corolario:
6.5. NP Completo
Denicin: un problema
1.
NP
2.
N P P
es
NP completo si:
Un ao despus de Cook, Karp di otros

hay ms de
23 problemas NP completos, en la actualidad
2000.
La clave es lo siguiente: Si
Entonces es NP Completo.
NP
Completo y
La demostracin sale del hecho que
P ,
P : N P
es transitiva, ya que es una composicin de
polinomios.
A continuacin daremos algunos ejemplos NP completos.
6.5.1.
3-SAT es NP completo
3-SAT es como SAT pero en cada clasula debe haber exactamente 3 literales distintos.
3-SAT es NP completo
Prueba: probaremos que SAT
Es decir dada
3-SAT (por Cook).
en CNF debemos construir polinomialmente una
tenga exactamente 3 literales por clasula y tal que
b
B
sea satisfactible
B = D1 . . . Dm : Di clasulas.
B = x1 , . . . , x n
clasula D arbitraria, deniremos una conjuncin
en CNF pero que
B0
lo es.
Supongamos que
Variables de
Dada una
de clasulas E (con ms
variables), y luego tomaremos:
B 0 = E1 E2 . . . Em
donde
94
Ei
corresponde a
Di .
Cada
Ei
crea sus propias variables extras.
Construccin:
Si D tiene 3 literales: E =D
Si D tiene 2 literales :
D = L1 L2
Tomamos una variable extra
y 6 {x1 , . . . , xn }.
E = (L1 L2 y) (L1 L2 y)
c1 L
c2 = 1 (L
c1 L
c2 yb) (L
c1 L
c2 yb) = 1
Claramente si L
Tomamos
Viceversa:
Si
{xb1 , . . . , x
cn , yb}
Tal que
c1 L
c2 yb) (L
c1 L
c2 yb) = 1
(L
Entonces si:
c1 L
c2 = 1
yb = 0 L
c1 L
c2 = 1
yb = 1 L
Observacin: probamos un poco ms de lo que dijimos

~
~
~
~
~
x
b:D x
b = 1 yb : E x
b, yb = 1
Esto valdr en todos los casos.
D tiene un literal: i.e.
D=L
Tomamos:
E = (L y1 y2 ) (L y1 y2 ) (L y1 y2 ) (L y1 y2 )
Y es casi obvio que:
b=1E
b=1
L
D
tiene
i.e. cualquier
yb1 , yb2
literales.
D = L1 L2 . . . Lk
Entonces tomamos
k3
variables nuevas:
y1 , y2 , . . . , yk3
polinomial en
K >> 4:
E = (L1 L2 y1 )(y1 y2 L3 )(y2 y3 L4 ). . .(y k4 yk3 Lk2 )(y k3 Lk1 Lk )
95
#clasulas = k 2 lineal en k .
b = 1 j : L
bj = 1
D
Supongamos ahora
Denamos:
yb1 = yb2 = . . . = ybj2 = 1

ybj1 = ybj = . . . = ybk3 = 0
b =(L
b1 L
b2 yb1 ) (b
b ) . . . (b
bj ) (b
bj+1 )
E
y 1 yb2 L
y j2 ybj1 L
y j1 b
yj L
|{z}
|{z} 3
|{z}
|{z}
=1
=1
HIP =1
=1
bk1 L
bk )
. . . (b
y k3 L
|{z}
=1
b=1
E
Veamos la vuelta: supongamos que
b=1
E
b = 1. Supongamos que no.

D
b
c
ck = 0 L
b
D = 0 L1 . . . L

r = 0 r

b = yb1 yb1 yb2 yb2 yb3 . . . ybk4 ybk3 ybk3
Nos queda: E
Queremos ver que
Como
b=1
E
Tenemos:
yb1 = 1
yb2 = 1
yb1 yb2 = 1
yb3 = 1
. . . ybk4 = 1
yb2 yb3 = 1
y
b
=
1
k3
Absurdo
yb3 yb4 = 1
. . . ybk4 ybk3 = 1
b
y k3 = 1
6.5.2.
3-color es NP completo
Teorema: 3-color es NP completo
P 3-color.
B(3-CN F ) G
Sea B = D1 . . . Dm con variables {x1 , . . . , xn }.
Dj = L1,j L2,j L3,j
Vamos a construir G = (V, E) con |V |, |E| polinomiales
Prueba: veremos que 3-SAT
Es decir necesitamos :
en
Ya damos la construccin en general, primero un ejemplo.
96
n, m
6.5.3.
Ejemplo 3-SAT
P 3-color
B = (x1 x2 x3 ) (x2 x3 x4 )
efefefnt YXP?PXYXYXYY
efefefefefnefnefnnn ??PPPXPXYPXYXYXYXYXYXYXYYYYY
e
e
e
f
e
e
f
e
?? PP
XX YY
e ff
nnn
eefefefefefeffff
?? PPPP XXXXXYXYXYXYXYXYYYYYYY
e
n
e
e
n
e
e
e
f
n
e
XXXXX YYYYYYY
f

e
f
P
n
e
?
f
e
e
P
f
n
P
XXXX
YYYYY
fff
eeeee
nn _
_ x4
_ x3
x 4
x3
x1, eee _ x1 fff
x2
x2 A
3
u

,,
A
3
u
A

u
33
AA
,,
uu

33
AA
uu

u
,,
'

AA
33
uu

u
,,
A

33
bb
efhmbefhm s
AA uuu
bb
e
bb
f
e

bb
e
f
h
bb
e
f
bb
e
h
bb
f
e
,,

33 bbbbbbbbbbbb eeeeefefefhfhfhhhmmm ||
uAu A

,,
uu Abb
bbbbbbbbbbbb33 eeeeeefefefefefefhfhfhfhfhhhmmmmm |||
bb
A
u
bb

bb
u
A
bb
ff
hh
mm
u bb
bbbb
,,
eeee3
AA
||

eeeefefeffffffffhhhhhh mmmmm
bbbbbbbbbbbbuuu
e
bb
e
A
bb
||
e
bb
e
,,
bb
e
e
A
u
|
e1,2
e
f
e
m
e
f
2,2
e
m
f
u
e
AAfffff

||
,,
eeeeee
uu
mmm
||
ueueeeeeee ffffffffffAAA
mmm
e
|
m
e
u
,,
e
m
e
e
|
AA
ff
ee u
|
mmm
,
eeeeee uuuu fffffffff
A
||
mmm
eeeeee
f
m
e
|
f
e
f
e
m
e
f
e
f
e
e2,1
e1,1
e2,3
e1,3

i1,1
{{
{{
{
{
{{
i1,2
CC
CC
CC
CC
_ i1,3
{{
{{
{
{
{{
i2,1 _
i2,2
CC
CC
CC
CC
i2,3
En general:
V = {s, t} {x1 , . . . , xn , x1 , . . . , xn } {W1 , . . . , Wm }

Con
Wj = {ej,1 , ej,2 , ej,3 , ij,1 , ij,2 , ij,3 }
E = {st}{txk , txk , xk xk }nk=1 T1 . . .Tm E1 . . .Em F1 . . .Fm {sej,k }
Donde:
Tj = {ij,1 ij,2 ; ij,2 ij,3 ; ij,3 ij,1 }

Ej = {ej,1 ij,1 ; ej,2 ij,2 ; ej,3 ij,3 }
Fj = {ej,1 L1,j ; ej,2 L2,j ; ej,3 L3,j }
G tiene:
G tiene:
2 + 2n + 6m vrtices, polinomial.
1 + 3n + 3m + 9m = 1 + 3n + 12m
Hay que ver
(Como
tiene tringulos
lados, polinomial.
satisfactible
(G) 3
(G) 3 (G) = 3)
97
1jm
k = 1, 2, 3
Veamos
primero:
Sea C un coloreo de G de
variables tal que:
colores queremos dar un asignamiento de valores a las
b) = 1
B(~x
Denamos:

xbk =
Queremos ver que
Si
C(xk ) = C(s)
Sino
b) = 1
B(~x
j
1
0
basta ver:
b1,j L
b2,j L
b3,j = 1
j L
Tj es un tringulo entonces
b) = 1
Dj (~x
Hay que probar

Veamos como
los 3 colores estn representados.
Entonces:
k : C(ij,k ) = C(t)
ij,k ej,k E C(ej,k ) 6= C(ij,k ) = C(t)
sej,k E C(ej,k ) 6= C(s)
st E C(s) 6= C(t)
C(ej,k ) =
tercer color
ej,k Lj,k E C(Lk,j ) 6=

E C(Lk,j ) 6= C(t)
Como
tLk,j
Por denicin
bk,j = 1
L
Fin
tercer color

C(Lk,j ) = C(s)
b : B(~x
b) = 1 debemos construir un coloreo
Dado un asignamiento de valores ~x
con 3 colores.
Denimos: C(s) = 1 , C(t) = 2 st No Crea Problemas (NCP).
Coloreamos:

C(xi ) = xbi
xi xi
(N CP )
C(xi ) = 1 xbi
Adems:
C(xi ), C(xi ) {0, 1}

C(t) = 2
b) = 1
B(~x
b) = 1 j = 1, . . . , m
Dj (~x
d
d d
i.e. L
1,j L2,j L3,j = 1
d
j, k : L
k,j = 1 (si hay ms

txi , txi
(N CP )
Como
de uno elijo alguno)
Coloreamos:
Como
Y coloreo:
C(ej,k ) = 0
b
Lk,j = 1 C(Lk,j ) = 1
C(ej,r ) = 2 : r 6= k
C(Lr,j ) {0, 1}

Lk,j ej,k
(N CP )

ej,r Lr,j
98
(N CP )
propio
Como:
C(ej,k ) = 0
C(ej,r ) = 2 sej,k
C(s) = 1
y los
sej,r
(N CP )
Finalmente coloreamos:
C(ij,k ) = 2
C(ej,k ) = 0
Y coloreamos:
C(ij,r ) = 0

ej,k ij,k
(N CP )
1 : r 6= k
ij,r ej,r
|{z} |{z}
(N CP )
0 1 =2
Finalmente el tringulo:
ij,1
Tiene un vrtice de color
}}
}}
}
}
}}
ij,2
AA
AA
AA
AA
_ ij,3
2 el (j, k) uno de color 0 y otro de color 1
99
(N CP )
6.5.4.
2-SAT
D[j] =
Clasula j-sima, un par de nmeros
Registros
x[0]
Representan
x
b1
, ...
, x[n-1]
, ...
; x[n]
x
bn
b1
x
(L, R).
, ...,
x[2n-1]
, ...,
bn
x
2-SAT
1
2
3
4
5
6
7
8
9
V ariables : x0 , . . . , xn1
SET EAR(v) : //M ACRO
X[v] = 1;
X[2n 1 v] = 0;
Q = Q P [v] P [2n 1 v]
N = { 0 , . . . , n 1} ;
M = { 0 , . . . , m1} ;
Q = ;
// Variables no seteadas
// Disjunciones no s a t i s f e c h a s
for
( i
= 0
i < 2n ,
10
x[ i ]
11
P[ i ]
= {j
i ++){
M :
aparece
en D[ j ] } ;
12 }
13
14
for ( j
while (
15
16
17
= 0
j < m,
j ++){
Sat [ j ]
18
L ,R:
if
19
D( j ) = {L , R } ;
( ( x [ L ] == 1 )
20
Sat [ j ]
21
23
if (
| | ( x [ R ] == 1 ) ) {
= 1;
Remover
} else
22
de Q ;
x [ R] < 0 ) {
//Pero no de M
SETEAR(R) ;
/ Si X[R] < 0 , debe ser x [ i ] = 0 entonces debo asignar x [R]

= 1 /
24
} else
25
26
if (x [
i ] <0) {
SETEAR( L )
/ Este estado es cuando queda el caso 00 , por lo tanto nos

equivocamos coon el seteo de x [ i ]= 1 , por lo tanto hay
que cambiar /
} e l s e i f ( x [ i ] == 1 ) { //Anular todos
27
28
t N, s M {
29
30
SAT( s ) = 0 ;
31
x[ t ]
= x [ 2 n1 t ]
32
33
Q =
34
SETEAR[ 2 n1 i ]
1;
} else
35
return
36
37
38
i N, j : SAT [j] = 1 {
39
40
= 0;
6= )
Tomar i N, SETEAR( i ) ;
while (Q 6= ) {
E l e j i r j Q;
N
Borrar
"NO SAT"
de P [ i ]
y P [ 2 n1 i ]
41 }
42 R e t u r n
"SAT"
100
6.5.5.
HORN-SAT
HORN-SAT es como CNF-SAT pero donde cada clasula tiene a lo sumo un literal
xi positivo y xi
Teorema: HORN -SAT P
positivo :
negativo
Prueba:
x1 x2 . . . xk xk+1 x1 x2 . . . xk xk+1
x1 x2 . . . xk xk+1
El algoritmo empieza seteando todas las variables a
f alse.
true true true

F alse ? true
true f alse f alse
Recordamos:
Entonces todas las disjunciones de la forma:
x x2 . . . xk xk+1
{z
}
|1
|{z}
f alse
van a ser
true
f alse
Las de la forma:
x1 x2 . . . xk x1 x2 . . . xk f alse
x1 x2 . . . xk f alse
|
{z
}
f alse
true
El nico problema son las disjunciones de la forma:
x true |{z}
x
f alse
f alse
Si hay una de esas, listo.
Si hay, seteamos estas variables a
true todas
x1 . . . xk xk+1
donde x1 , . . . , xk sean true.
Luego de eso se hacen

forma:
En
true
(permanentemente).
las variables
xk+1
que estn en una disjuncin de la
Si en algn momento se llega a una contradiccin, no se puede satisfacer.

La contradiccin vendra de alguna de la forma:
x1 x2 . . . xk
con todas las
xi true
Ejemplo:
(x y z w) (x y) (z w x) (x z) (y z) y
yb = 1 zb = 1 x
b = 0, zb = 0
Pero supongamos que siguiera con . . . (y z U ) (u x)
b=1x
yb = 1 zb = 1 U
b=0
No se puede resolver x y
101
7. Introduccin a la Inteligencia Articial

7.1. Hill Climbing
7.2. Simulated Annealing
7.3. Algoritmos Evolutivos
Tomar una poblacin de posibles soluciones (por ejemplo una cadena de bits).
1. Elegir un miembro de la poblacin.
2. Cambiar cada bit de ese miembro y evaluar si el cambio mejora la solucin.
Nos quedamos con el mejor:
Si hay uno repetir 2.
Sino, guardar el individuo en un conjunto B, y repetir 1.
3. Finalmente elegir el mejor de B.
Este algoritmo es evolutivo pero no gentico
7.4. Algoritmos Genticos

Gentico
34
Los algoritmos genticos
Interaccin entre individuos.
, se basan ms o menos en la evolucin biolgica.
Cada individuo, tiene cromosomas, que forman cadenas de ADN, se dividen en Genes
que codican un aspecto del individo, por ejemplo el color de los ojos.
El conjunto de cromosomas se llama genotipo y las caractersticas inducidas en el
individuo por la accin del genotipo y el medio ambiente es el fenotipo.
Tambin podemos distinguir entre especies haploides y diploides, (humanos).
Los cromosomas vienen en pares con genes dominantes y recesivos.
Haploide: los cromosomas no estn emparejados.
En la mayora de los algoritmos genticos los individuos son haploides y con un solo
cromosoma.
A veces a los individuos se les llama cromosomas. Pero a veces el individuo tiene algo
ms que cromosomas.
Una parte importante de un AG es codicar el problema con cromosomas.
Un cromosoma ser una cadena de smbolos, usualmente bits o un vector de nmeros.
Ejemplos:
1. Maximizar una funcin en
2. Hallar un recorrido de
35
(TSP)
R3
la codicacin puede ser una cadena de 3 nmeros.
ciudades que no repita ninguna y minimice la distancia
. Codica una cadena con el nombre de cada ciudad (sin repetir).
34 AG.
35 Travel Salesman Problem.
102
36
En todo AG necesitamos una funcin a maximizar, llamada funcin de Fitness
.
En los ejemplos anteriores:

1.
es la funcin.
2. Sera la
del costo del camino.
A veces como en TSP no toda cadena representa una solucin, por ejemplo puede ser
que no haya camino entre las dos ciudades.
Generalmente se soluciona creativamente, por ejemplo en TSP, podemos suponer que
hay ruta entre
ciudades cualesquiera, asignndole, un peso muy grande si no existe en
la realidad. Pero en otros problemas esto es ms delicado.
Es la primera caracterstica de un AG.
1) Una poblacin de individuos con cromosomas y una funcin de tness adecuada.

Otra caracterstica es:
2) Seleccin de individuos a reproducirse mediante la tness.
Un AG tendr lo que se llaman Generaciones.
Poblacin Inicial (generacin 0)
Algo
Poblacin nueva (generacin 1)
Algo
Poblacin nueva (generacin 2)
7.4.1.
Seleccin
Los individuos a reproducirse se seleccionan de a pares y luego viene lo esencial:

3) Los progenitores producen nuevos individuos ( ospring) por medio del cruzamiento
( crossover) de genes.
4) Los ospring son sometidos a mutaciones al azar. Operador
Esto depende de una tasa de mutacin, generalmente baja
mutacin.
0, 001
5) Debe haber un operador de Seleccin entre Progenitor 1, Progenitor 2, ospring 1

y ospring 2. (es decir tengo que matar a 2).
6) Debe haber una condicin de terminacin.
Por ejemplo, un nmero mximo de generaciones.
7.5. Ejemplo de un AG
Problema: dado un nmero natural escribirlo como suma, resta, producto y divisin
de los dgitos:
0, 1, . . . , 9
quizs repetidos (asociando a izquierda).
36 Adaptabilidad.
103
7.5.1.
Codicacin del ejemplo
Una posibilidad sera una cadena de smbolos del alfabeto

que debe tener:
Smbolo
n
o
A = 0, . . . , 9, +, , / pero
N .
Problema: crossover y mutaciones se pueden complicar.
Una posibilidad es hacer cadenas de pares (N ,operador) u (operador,
N )
y suponer
que empezamos con 0.

Otra posibilidad: simplemente usar cadenas de bits, entonces un gen sern 4bits.
0000 0
0001 1
1011
1100
.
.
.
1101 /
1110 N ada
1111 N ada
1001 9
1010 +
El cromosoma ser el genotipo, el fenotipo en cambio tiene que ser una cadena:
0 Smbolo N Smbolo . . . que adems no tenga /0.
Genotipo F enotipo
Si es 14 15 lo descartamos.
Si es
y se requiere un Smbolo lo descartamos.
Si es un Smbolo y se requiere un
lo descartamos.
Sino se usa.
Si tenemos un /0 cambiar 0 por 1.
7.5.2.
Fitness del ejemplo

Fitness ser algo como :
7.5.3.
1
F enotipo31
si

si
P
F enotipo 6= 31
P
F enotipo = 31
Entrecruzamiento del ejemplo
Crossover: Singled Point Crossover
b1 b2 b3 . . . b400
Progenitor 2: bb1 bb2 bb3 . . . b
b400
Elijo al azar un nmero x : 0 < x < 400
Por ejemplo x = 127
Ospring 1: b1 b2 b3 . . . b127b
b128 . . . . . . bb400
b
b
b
b
Ospring 2: b1 b2 b3 . . . b127 b128 . . . . . . b400
Progenitor 1:
7.5.4.
y obtengo:
Mutacin del ejemplo
Para cada bit lo cambio con probabilidad
p.
104
7.5.5.
Seleccin del ejemplo
Mato a los padres, me quedo con los osprings.
7.5.6.
Operadores de Seleccin
Asumimos que cada individuo tiene una tness

Queremos seleccionar de los
cuenta las
Fi
calculada.
individuos, quines se van a reproducir, tomando, en
Fi .
Hay varios mtodos, los ms usados caen en un categora llamada:

Fitness Proportional Selection
n
P
Sea
F =
Fi
i=1
la tness promedio.
Fi
= # esperado de veces que el individuo
F
acuerdo a su tness.
Sea
Ei =
i,
debera ser seleccionado de
Fi
Ei = n P
n
Fj
j=1
Queremos seleccionar
con un mtodo que lo elija cerca de
Ei
veces.
El primer mtodo propuesto por Holland, hace esto lo ms cercano posible se llama
Stochastic Sampling With Replaciment (SSWR), o
i:
Ruleta.
Elijo un nmero al azar y elijo ese nmero.

0
Calculando las Ei s se toma un nmero al azar A entre
i
P
y se toma el primer
Ej > A
j=1
Ejemplo: 6 individuos.
Fitnesses
F1
F2
F3
F4
F5
F6
= 17,118
= 9,51
= 36,138
= 22,824
6
P
Fj = 190, 200
j=1
= 91,296
= 13,314
Lo ms simple es tomar un nmero al azar entre
r (0, 1)
y calculo
que por ejemplo tomando
r 190, 2.
Para entender mejor otros conceptos, haremos el clculo sin embargo con los
E1
E2
Fi
E3
6
Ei =
E4
190, 2
5
E6
105
= 0, 54
= 0, 30
= 1, 14
= 0, 72
= 2, 88
= 0, 42
Ei0 s
# al azar: entre 0 y 1:
0, 15 0, 7 0, 22 0, 91 0, 46 0, 63
Multiplico por n = 6
0, 90 4, 2 1, 32 5, 46 2,
76 3, 78
1 0, 54
2 0, 84
i
P
3 1, 98
1 3
Ahora calculo:
Ej
4 2, 70
j=1
5 5, 58 2 , 4 , 5 , 6
66
Ruleta:
Este mtodo puede producir lo que se llama Crowding de la poblacin por un

individuo o grupo de individuos y convergencia temprana a un mximo local, adems
tiene otro problema.
Hay
medidas de un operador de seleccin:
Bias.
Spread.
Eciencia computacional.
Fi
y el valor esperado de veces que el individuo ser selecFi
cionado con el mtodo propuesto.
Bias: es la diferencia entre
Bias(Ruleta) = 0.
Spread: rango de ospring que un individuo puede tener:
Ruleta(Spread(i)) = [0, n].

Conclusin: ruleta tiene Bias = 0 y Spread Mximo (malo).
Eciencia: buena, pero se necesitan
randoms.
Alternativa a Ruleta: Stochastic Universal Sampling (SUS), usa un slo nmero al

azar, digamos
y toma los puntos:
r, r + 1, r + 2, . . . , r + (n 1).
En nuestro caso:
r = 0, 15
0,15
1,15
2,15
3,15
4,15
5,15
I1
I3
I4
I5
I5
I5
Entonces nos queda:
11
20
31
41
53
60
(0, 54)
(0, 34)
(1, 14)
(0, 72)
(2, 88)
(0, 42)
Bias = 0.
Pero
Spread(i) = {bEi c, dEi e}.
Y un factor extra que tengo que elegir a quin reproduzco con quin.
106
7.5.7.
Remainde Methods (Mtodos del Resto)
El individuo, se selecciona determinsticamente.
bEi c veces.
n
P
n bEi c posibles
Se toma
Los
se llenan con algn otro mtodo.
i=1
Por ejemplo se usan los restos:
Ri = Ei bEi c
y se distribuyan usando Ruleta o SUS.
Ejemplo:
bE1 c = b0, 54c = 0

bE2 c = b0, 30c = 0
bE3 c = b1, 14c = 1
bE4 c = b0, 72c = 0
bE5 c = b2, 88c = 2
bE6 c = b0, 42c = 0
Entonces me quedan
R1
R2
R3
R4
R5
R6
= 0, 54
= 0, 30
= 0, 14
= 0, 72
= 0, 88
= 0, 42
slots, por ejemplo uso ruleta para asignarlos.
Elijo 3 nmeros al azar:
r = 0, 15|0, 7|0, 22.

Multiplico por
0, 45
I1
2, 1
I5
n=3
0, 6
I2
Orden
El asignamiento nal nos queda:
7.5.8.
0,54
0,54
0,30
0,84
0,14
0,98
0,72
1,7
0,88
2,58
0,42
11
21
31
40
53
60
y luego apareo al azar.
Otros mtodos Fitness Proportional
Los mtodos que hemos visto con
BIAS = 0
o casi pueden producir que al principio
cuando hay gran disparidad de Fitness, un grupo de individuos con alta tness relativa,
cope la poblacin.
Impidiendo una bsqueda exhaustiva, de todo el espacio de bsqueda, por otro lado,
luego de que se estabilice la poblacin es difcil para un individuo con mayor Fitness
inuenciar la bsqueda produciendo un estancamiento.
Por esto se han propuesto alternativas.
107
7.5.9.
Sigma Scaling
En este mtodo se calculan las

Se dene
ci =
E
Ventaja: al principio,
1+
Ei
en forma distinta
Fi F
2
=
6 0
:=
=0
ci
E
desvo estndar de los
Fi .
suele se grande, entonces se evita Crownding, al nal
0.
Entonces el mejor individuo se va a reproducir mucho ms.

Ejemplo: con las Fitness de antes obtengo
Y voy calculando los
= 30, 627
ci
E
Primero:
c1 = 1 + 17, 118 31, 7 = 0, 762

E
2
i
P
ci
E
Ej
j=1
c1
E
c2
E
c3
E
c4
E
c5
E
c6
E
= 0, 762
= 0, 638
= 1, 072
= 0, 855
= 1, 973
= 0, 700
0, 762
1, 400
2, 472
3, 327
5, 3
6
Aplico Ruleta
Elijo n = 6, nmeros al azar
0, 15 0, 7 0, 22 0, 91 0, 46 0, 63
Multiplico por n = 6
0, 90 4, 2 1, 32 5, 46 2, 76 3, 78
I2
I5
I2
I6
I4
I5
Obtengo algo ms balanceado.
Si hubiera aplicado SUS: con
r = 0, 15
0, 15 1, 15 2, 15 3, 15 4, 15 5, 15
I1
I2
I3
I4
I5
I5
Roletamiento
Fi
eT
P rj : T temperatura, inicialmente alta y luego se enfra
eT
Otros mtodos no usan Fitness Proporcion
bi =
E
Por ejemplo: mtodos de Rango, se usan las
Fi
para ordenar los individuos y luego se
elije por algn mtodo.

Basndonos slo en la posicin en ese ordenamiento.
Otras Selecciones: no tan basadas en Fitness.
108
Mtodos de rango: se usa la Fitness para ordenar la poblacin y luego se usa una
medida que dependa slo de la posicin en esa poblacin.
Lineal Ranking:
LR(pos) = (2 SP ) + 2(SP 1)
SP parmetro en
pos1
n1
[1, 2]
SP es por Selective Pressure

Estas tomaran el lugar de los
i.e. sera:
Ei
Ei = LR(P os(i))
SP = 1 LR(pos)
= 1pos,
SP = 2 LR(pos) = 2 pos1
n1
SP (1; 2), por ejemplo SP = 1, 2
Por ejemplo
no hay presin.

LR(pos) = 0, 8 + 0, 4
pos 1
n1
SP no tiene que ser jo, podra ir aumentando para aumentar la presin.

Ejemplo: con las Fitness del ejemplo anterior
Tomando
F2
< F6
< F1
< F4
< F3
< F5
SP = 1, 2:
E1
E2
E3
E4
E5
E6
= LR(3) = 0, 96 : 3 es la posicin
= LR(1) = 0, 8
= LR(5) = 1, 12
= LR(4) = 1, 04
= LR(6) = 1, 2
= LR(2) = 0, 8 + 0,4
= 0, 88
5
Seleccin Torneo
Seleccionar
(usualmente 2) individuos y quedarse con el mejor, en un torneo de-
terminsticamente o probabilsticamente.
7.5.10.
Crossover
SinglePoint
TwoPointCroospoint
Mscara Binaria
Supongo que tengo esta mscara, generada al azar: 1,0,0,1,1,0,1,0,1,1.
P1 =
P2 =
109
Obtengo:
O1 = 2, 2, 3, 2, 5, 3, 1, 8, 5, 8
O2 = 4, 9, 7, 6, 6, 3, 9, 6, 0, 9
Partial Map Crossover
Qu pasa con codicacin del problema que depende de la posicin?
P1 = BIGAECJF DH
P2 = DJBF ECIGAH
Corta en dos lugares:
O1 = BIG|JECA|F DH
O2 = DJB|F IEC|GAH
Tambin se puede hacer con mscaras. Order Based
Cyclic Crossover
VERRRRRRRRRRRRRRRR
7.5.11.
Mutacin
Strings de bits: cambiar cada bit con probabilidad
p 0.
Strings de enteros o reales: tambin se puede hacer algo as, pero en el caso en que
haya fronteras se hace otra cosa.
Por ejemplo supongamos que la frontera es:
|Ii | 10
es
I = 0, 5|7, 8|5
Ie = 0, 5|10|5
O bien:
7.5.12.

5
Ie = 0, 5 10+7,8
2
Mutaciones con Permutaciones
Mutacin para codicaciones basadas en posiciones TSP.

Permutar dos elementos al azar.
Elegir uno al azar y cambiarlo con un vecino
Inversion Mutation, elijo dos puntos al azar y cambio todos los lugares entre si:
GRAFICO
Algunas otras arquitecturas
1. Elitismo (los mejores miembros permanecen). Graf
2. A veces la mutacin no se aplica solo a los osprings.
110
3. Steady State
4. Migraciones
Inundacin: mato a los peores cada tanto, se usa mucho con restricciones muy cortas,
cada tanto tengo una subpoblacin no vlida pero la penalizo, pero es muy buena, luego
la mato.
7.6. No Free Lunch

Todos los algoritmos que optimizan
37
en funciones se comportan, promediando sobre
todos las funciones posibles, igual.
Referencias
[1] Biggs: Matematica Discreta
[2] Roberts, Applied Combinatorics
[3] Tarjan: Data Structures and Network Flows
[4] BFS:
http://en.wikipedia.org/wiki/Breadth-first_search
[5] DFS:
http://en.wikipedia.org/wiki/Depth-first_search
[6] rboles en Latex:
http://www.essex.ac.uk/linguistics/external/clmt/latex4ling/trees/
pstrees/
[7] Cdigo C en latex:
http://stackoverflow.com/questions/586572/make-code-in-latex-look-nice
37 Por ejemplo calcular mximo
111

Matching, Coloreo. P NP, SAT, Networks

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

Matching, Coloreo. P NP, SAT, Networks

Загружено:

Авторское право:

Доступные форматы

Resumen de Discreta II

Maximiliano Illbele illbelemaxi@gmail.com

Algoritmo Greedy para coloreo

Algoritmo de Ford y Fulkerson . . . . . . . . . . . . . . . . . . . . . . . . .

Lema del Camino Aumentante . . . . . . . . . . . . . . . . . . . . .

Teorema: Max-Flow Min-Cut

Algoritmo de Greedy para hallar Flujo

Complejidad de Ford Fulkerson

Algoritmo de Edmonds Karp . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejemplo de Edmonds Karp . . . . . . . . . . . . . . . . . . . . . . .

Pseudo-Cdigo de Edmonds Karp . . . . . . . . . . . . . . . . . . .

Algoritmos Tipo Dinic

Esquema general Tipo Dinic . . . . . . . . . . . . . . . . . . . . . .

Pseudo Cdigo algoritmos Tipo Dinic . . . . . . . . . . . . . . . . .

Algoritmo Wave de Tarjan . . . . . . . . . . . . . . . . . . . . . . . . . . .

Pseudo Cdigo de Wave

Pseudo Cdigo de Kruskal . . . . . . . . . . . . . . . . . . . . . . .

Teorema: Kruskal devuelve un MST . . . . . . . . . . . . . . . . . .

Complejidad Kruskal Delete . . . . . . . . . . . . . . . . . . . . . .

Pseudo Cdigo de Prim

Implementaciones de Union Find

Union Find con listas enlazadas . . . . . . . . . . . . . . . . . . . .

Union Find con Representantes

Union Find con ranking

Transformacin del problema de Matching a uno de ujo maximal . . . . .

Complejidad del Algoritmo de Matching

Grafos con Peso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejemplo del algoritmo de Gross

Prueba del teorema de HALL

Teorema del Matrimonio . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejemplo de Matching que minimiza la Suma (A ojo)

Ejemplo del algoritmo Hngaro

Complejidad de algoritmo Hungaro

EJEMPLO DEL MEJORADO (FALTA) . . . . . . . . . . . . . . .

5. Cdigos de correcin de errores

Correcin de errores Error Trapping . . . . . . . . . . . . . . . . .

7. Introduccin a la Inteligencia Articial

Algoritmos Genticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Codicacin del ejemplo

Fitness del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Entrecruzamiento del ejemplo

Mutacin del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Seleccin del ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Remainde Methods (Mtodos del Resto)

Otros mtodos Fitness Proportional . . . . . . . . . . . . . . . . . . 107

Sigma Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

7.5.12. Mutaciones con Permutaciones . . . . . . . . . . . . . . . . . . . . . 110

1. Coloreo y repaso de grafos

es el conjunto de vrtices onodos y

a veces llamados k-regular.

camino es una sucesin de vrtices

todos distintos tales que

un camino entre ellos.

es una relacin de equivalencia.

Una componente conexa de

es una clase de equivalencia de la relacin

Su funcionamiento consiste en ir expandiendo todos y cada uno de los nodos que va

3 DFS: Bsqueda en profundidad.

BFS(x) - Breadth First Search4

x y se exploran todos sus vecinos. A continuacin

colores es una funcin

En general deseamos calcular el nmero cromtico de

4 BFS: bsqueda en anchura.

Algoritmo Greedy para coloreo

Transformacin del problema de Matching a uno de ujo maximal . . . . .

Ejemplo del algoritmo de Gross

Correcin de errores Error Trapping . . . . . . . . . . . . . . . . .

7. Introduccin a la Inteligencia Articial

Codicacin del ejemplo

Remainde Methods (Mtodos del Resto)

es el conjunto de vrtices onodos y

a veces llamados k-regular.

Algoritmo Greedy para coloreo

El menor color que no crea conicto con los vrtices ya coloreados.

colores alcanza denimos:

Para simplicar veamos el grafo correspondiente a

Denicin: dado un network

valor del ujo es

Esto se conoce como el problema del ujo maximal

un ujo existente denimos:

G(xi xi+1 ) + Si xy = xi xi+1

y mandar ujo por ellos.