test algoritmo2

¿Cuál es la forma canónica de un problema de Programación Lineal (PL)?. max z = cᵀx sujeto a Ax = b, x ∈ ℤⁿ. min z = cᵀx sujeto a Ax ≥ b, x ≥ 0. max z = cᵀx sujeto a Ax ≤ b, x ≥ 0. min z = cᵀx sujeto a Ax ≤ b, x ∈ {0,1}.

¿Qué caracteriza al método del Simplex en PL?. Recorre todos los puntos interiores de la región factible. Explora únicamente vértices adyacentes que mejoran la función objetivo. Usa programación dinámica para construir soluciones. Prueba todas las permutaciones de variables.

¿En qué difiere un Problema de Programación Lineal Entera (PLE) de un PL estándar?. En el PLE la función objetivo es no lineal. En el PLE las variables están restringidas a valores enteros. En el PLE no hay restricciones. En el PLE las variables pueden tomar valores fraccionales.

¿Cuál es la idea básica de la técnica de Ramificación y Poda (Branch & Bound)?. Enumerar exhaustivamente todas las soluciones sin restricción. Generar subproblemas y descartar aquellos cuyo límite no puede superar la mejor solución actual. Aplicar recursión pura sin heurísticas. Resolver la relajación lineal y aceptar su valor como entero.

El Travelling Salesman Problem (TSP) es un problema: De tiempo polinomial. NP-duro, cuya versión de decisión es NP-completa. Siempre soluble en tiempo lineal. Con solución entera garantizada por Simplex.

En el modelo del Knapsack 0-1, ¿qué representan las variables xi?. El peso máximo permitido en la mochila. La fracción de cada ítem que se incluye. Un valor binario que indica inclusión (1) o exclusión (0) del ítem. El coste fijo asociado al transporte de cada ítem.

¿Cuál es la propiedad clave de la búsqueda en amplitud (BFS)?. Explora primero el camino de coste mínimo en grafos ponderados. Usa pila LIFO para gestionar nodos. Visita todos los nodos a distancia d antes de procesar los de distancia d+1. Introduce heurísticas admisibles para guiar la búsqueda.

En A*, la función f(n)=g(n)+h(n) cumple que h(n) debe ser: Sobreestimadora del coste restante. Exacta al coste real restante. Admisible (nunca sobreestima el coste real restante). Una función aleatoria para diversificar la búsqueda.

¿En qué se diferencia DFS de BFS?. DFS garantiza la solución más corta en grafos no ponderados. DFS explora profundidad máxima primero usando LIFO, BFS usa FIFO. DFS solo es aplicable a árboles, BFS a grafos. DFS requiere más memoria que BFS en grafos amplios.

¿Qué algoritmo es adecuado para detectar ciclos de peso negativo en un grafo?. Dijkstra. Floyd-Warshall. Bellman-Ford. A*.

¿Cuál es la diferencia principal entre Minimax puro y Minimax con poda α-β?. Minimax α-β explora todas las ramas sin podar nada. Minimax puro incorpora heurísticas admisibles; α-β по. Minimax α-β utiliza cotas (α, β) para descartar ramas que no pueden cambiar el resultado. Ambos son idénticos en complejidad y exploración de ramas.

¿Cuál de estas heurísticas es típica para el 8-Puzzle en A*?. Número de movimientos legales disponibles. Suma de pesos de las fichas. Distancia Manhattan de cada ficha a su posición meta. Producto de las coordenadas (filaxcolumna) de cada ficha.

¿Cómo se define un algoritmo?. Un proceso iterativo sin fin. Un conjunto de reglas ordenadas y finitas para realizar una actividad mediante pasos claramente establecidos. Una estructura de datos que almacena información. Un método matemático sin pasos definidos.

¿Cuál de estas afirmaciones caracteriza un algoritmo no determinista?. Produce siempre la misma solución para los mismos datos de entrada. Puede generar soluciones distintas para los mismos datos de entrada incorporando aleatoriedad. Garantiza encontrar siempre la solución óptima. No requiere criterio de parada.

¿Qué problema resuelve el algoritmo de Euclides clásico?. Cálculo de raíces cuadradas. Cálculo del máximo común divisor (MCD). Ordenación de listas. Resolución de ecuaciones lineales.

En el mejor caso, ¿cuál es la complejidad temporal de la ordenación por inserción?. O(1). O(n). O(n log n). O(n²).

La ordenación de burbuja en su peor caso siempre tiene complejidad: O(n). O(n log n). O(n²). O(log n).

¿Qué técnica de diseño de algoritmos emplea merge sort?. Algoritmos voraces. Vuelta atrás. Divide y vencerás. Programación dinámica.

¿Cuál es la complejidad promedio de quicksort?. O(n). O(n log n). O(n²). O(log n).

En heap sort, ¿qué propiedad debe cumplir un montículo máximo?. Cada nodo es menor que sus hijos. Cada nodo es mayor que sus hijos. Es un árbol binario de búsqueda. Todos los nodos tienen el mismo valor.

¿Qué algoritmo de ordenación funciona comparando e intercambiando únicamente pares de elementos adyacentes?. Insertion sort. Merge sort. Bubble sort. Heap sort.

¿Cuál es la complejidad espacial de merge sort en el peor caso?. O(1). O(log n). O(n). O(n log n).

Los problemas de clase NP son aquellos para los que: No existe algoritmo de resolución. Se puede verificar una solución en tiempo polinómico. Siempre se resuelven en tiempo polinómico. Son irresolubles.

¿Qué caracteriza a un problema NP-completo?. Está en P. Está en NP y todos los problemas de NP pueden reducirse polinómicamente a él. Está fuera de NP. Solo puede resolverse con algoritmos voraces.

¿Qué algoritmo voraz encuentra un árbol de recubrimiento mínimo añadiendo en cada paso el arco de menor peso que conecta al conjunto crecido con el resto?. Kruskal. Prim. Dijkstra. Bellman-Ford.

¿Cómo se llama la técnica que explora todas las soluciones posibles construyéndolas por etapas y retrocede al encontrar caminos no prometedores?. Divide y vencerás. Vuelta atrás (backtracking). Programación dinámica. Algoritmo voraz.

En optimización multiobjetivo, ¿cómo se denomina el conjunto de soluciones donde no puede mejorarse ningún objetivo sin perjudicar otro?. Frontera convexa. Óptimo global. Óptimo de Pareto. Solución heurística.

¿Cuál es la unidad de medida teórica que se utiliza para analizar la complejidad de un algoritmo, independiente del procesador?. Segundos. Milisegundos. Número de operaciones elementales. Ciclos de reloj.

La notación O (Big-O) se emplea para describir: Una cota superior del tiempo de ejecución. Una cota inferior. El tiempo promedio. La memoria máxima.

¿Qué orden de complejidad crece más rápido al aumentar n?. O(n log n). O(n²). O(2ⁿ). O(n!).

En el sistema de monedas (11, 5, 1), para calcular el cambio de C=15, el algoritmo voraz devuelve: 0x11, 3x5, 0x1. 1x11, 0x5, 4x1. 0x11, 2x5, 5x1. 1x11, 1x5, 0x1.

Para un grafo disperso en el que el número de aristas a ≈ n, ¿qué algoritmo de MST resulta más eficiente?. Prim. Kruskal. Dijkstra. Bellman-Ford.

La notación Ω (Omega) se usa para indicar: Una cota superior. Una cota inferior. Una cota ajustada (Θ). Un orden exponencial.

¿Cuál de las siguientes afirmaciones describe mejor a un problema NP-difícil (NP-hard)?. Está en NP y todos los problemas NP se reducen a él. Todos los problemas NP se reducen polinómicamente a él, pero no necesariamente está en NP. Puede verificarse en tiempo polinómico. Siempre se resuelve en tiempo exponencial.

Demostrar que existe un algoritmo polinómico para resolver un problema NP-completo equivaldría a: P=NP. P≠NP. NP-hard. NP-completo.

¿Qué metaheurística utiliza operadores de cruce y mutación inspirados en biología para explorar el espacio de soluciones?. Búsqueda tabú. Recocido simulado. Algoritmos genéticos. Optimización por enjambre de partículas.

¿Cuál es la complejidad espacial de quicksort en su mejor caso?. O(1). O(log n). O(n). O(n log n).

¿Qué es un algoritmo?. Un procedimiento infinito para procesar datos. Un conjunto de reglas ordenadas y finitas para realizar una actividad mediante pasos claramente establecidos. Un lenguaje de programación específico para cálculos numéricos. Un modelo matemático de optimización multiobjetivo.

¿Cómo se clasifican los algoritmos según su determinismo?. Exactos y aproximados. Voraces y recursivos. Deterministas y probabilistas (no deterministas). P y NP.

¿Qué caracteriza a un algoritmo exacto frente a uno heurístico?. El exacto siempre produce la misma solución; el heurístico no. El exacto proporciona la solución óptima; el heurístico no garantiza grado de aproximación. El heurístico es siempre más rápido; el exacto siempre es exponencial. El exacto usa programación dinámica; el heurístico usa búsqueda en profundidad.

¿Cuál es el orden de complejidad en el peor caso de la ordenación por burbuja?. O(1). O(n). O(n log n). O(n²).

¿En qué consiste la técnica "divide y vencerás"?. Aplicar recocido simulado para escapar de óptimos locales. Dividir el problema en subproblemas independientes, resolverlos recursivamente y combinar sus soluciones. Generar soluciones aleatorias y quedarse con la mejor. Enumerar todas las soluciones posibles y elegir la óptima.

¿Cuál es el mejor caso (mejor orden) de la ordenación por inserción?. O(1). O(n). O(n log n). O(n²).

Al hablar de "operación elemental" (OE) en el análisis de complejidad, ¿qué se considera tal?. Solo las operaciones aritméticas de división. Cualquier instrucción del procesador acotada por una constante (suma, asignación, comparación, acceso índice, salto). Los accesos a memoria secundaria. Únicamente las llamadas a funciones.

¿Qué mide principalmente la complejidad espacial de un algoritmo?. El número de comparaciones efectuadas. La cantidad de memoria que necesita en tiempo de ejecución. El número de recursiones en pilas de llamadas. El tiempo de CPU consumido.

¿Cuál es el orden de complejidad típica de Merge Sort (ordenación por mezcla)?. O(n). O(n²). O(n log n). O(2ⁿ).

¿Cuál es la principal ventaja de Heap Sort frente a Merge Sort?. Siempre es más rápido en el peor caso. Ocupa O(n) espacio adicional. Solo necesita O(1) espacio extra (in-place). Tiene orden lineal en el mejor caso.

¿Qué caracteriza a un algoritmo voraz (greedy)?. Explora todas las posibles soluciones y elige la mejor. Toma en cada etapa la decisión localmente óptima, descartando el resto para siempre. Utiliza recursión para descomponer el problema. Usa heurísticas aleatorias para aproximarse al óptimo.

En el cambio de monedas con sistema (1, v₁, v₂, ...), ¿por qué la estrategia voraz a veces falla?. Porque no ordena las monedas de mayor a menor. Porque puede elegir una moneda grande que impide alcanzar la óptima combinación posterior. Porque ignora el valor unitario. Porque siempre produce factorial de combinaciones.

¿Qué define un problema de clase NP-completo?. Está en NP y todos los problemas de NP se reducen polinomialmente a él. Se resuelve en tiempo exponencial y es NP-difícil. Se verifica en tiempo lineal. Solo se resuelve con algoritmos voraces.

¿Cuál es la diferencia principal entre NP-completo y NP-difícil?. NP-completo está en NP; NP-difícil puede no estar en NP. NP-difícil siempre es más sencillo que NP-completo. NP-completo solo incluye problemas de optimización. NP-difícil requiere espacio exponencial.

¿Qué estrategia introduce un "pivote" para particionar y ordenar recursivamente?. Merge Sort. Quick Sort. Heap Sort. Bubble Sort.

Para garantizar que un algoritmo voraz produce la solución óptima, ¿qué propiedad debe cumplir el problema?. Exhibir subestructura óptima y orden de matroide (exchange property). Ser resoluble en tiempo constante. No tener restricciones. Contar con una función de coste exponencial.

¿Cuál de las siguientes no es una estrategia de descenso de temperatura en el método de recocido simulado?. Constante. Exponencial. Inverso al número de iteraciones. Lineal.

La relación de recurrencia T(n) = 2T(n/2) + Θ(n) corresponde al análisis de complejidad de... Quick Sort en el peor caso. Bubble Sort. Merge Sort. Insertion Sort.

¿Por qué Quick Sort puede degradarse a O(n²) y cómo se suele evitar en la práctica?. Si el pivote siempre resulta ser el mínimo o máximo; se evita eligiendo el pivote aleatoriamente o "mediana de tres". Porque hace muchas llamadas recursivas; se evita con programación dinámica. Porque usa demasiada memoria; se evita reduciendo datos. Porque no es estable; se evita usando Bubble Sort en listas pequeñas.

En el método de Branch and Bound (ramificación y poda), ¿cuándo se "poda" una rama?. Cuando su coste parcial supera la cota de la mejor solución encontrada. Cuando llega a una hoja. Cuando genera un ciclo en el árbol de expansión. Siempre que el número de nodos supere n².

¿Cuál es el origen etimológico del término "algoritmo"?. Del latín algorismus. Del nombre del matemático persa al-Juarismi. Del árabe antiguo al-ghor. De la palabra griega arithmos.

¿Qué caracteriza a un algoritmo determinista?. Usa aleatoriedad en su proceso. Puede producir soluciones distintas con la misma entrada. Siempre devuelve la misma salida para una misma entrada. Su complejidad siempre es polinómica.

En el análisis de complejidad, ¿qué mide la función T(n)?. El número de comparaciones realizadas. El número de operaciones elementales en el peor caso. El tiempo de ejecución en segundos. La memoria usada en bytes.

¿Cuál de estas órdenes de complejidad crece más rápido para n muy grande?. O(n log n). O(n²). O(2ⁿ). O(log n).

¿A qué clase de problemas pertenece aquel para el que podemos verificar una solución en tiempo polinómico, pero no conocemos un algoritmo polinómico para resolverlo?. P. NP. NP-completo. NP-duro.

¿Cuál es la complejidad temporal promedio de Insertion Sort?. O(n). O(n log n). O(n²). O(log n).

¿Qué algoritmo de ordenación está basado en la técnica "divide y vencerás"?. Bubble Sort. Selection Sort. Merge Sort. Insertion Sort.

¿Cuál de estos algoritmos siempre tiene complejidad cuadrática, incluso en el mejor caso?. Merge Sort. Quick Sort. Bubble Sort. Heap Sort.

En Quick Sort, ¿de qué depende principalmente la diferencia entre el mejor y el peor caso?. De la implementación recursiva. De la elección del pivote. Del acceso a memoria. De la estabilidad del algoritmo.

¿Qué algoritmo de ordenación requiere espacio extra proporcional a n?. Heap Sort. Merge Sort. Quick Sort (in-place). Selection Sort.

¿Cuál de estas técnicas intenta construir la solución óptima eligiendo localmente la mejor opción en cada fase?. Backtracking. Dividir y vencerás. Algoritmo voraz. Programación dinámica.

El algoritmo de Prim resuelve el problema de: Caminos mínimos. Árbol de recubrimiento mínimo. Máximo flujo. Bipartición de grafos.

En backtracking, ¿qué hace la "poda"?. Añade nuevas soluciones al árbol. Descarta ramas que no pueden llevar a soluciones factibles. Convierte el problema en programación dinámica. Selecciona el mejor candidato vorazmente.

¿Qué técnica modeliza subproblemas solapados usando memoria auxiliar para no recalcular resultados?. Programación dinámica. Dividir y vencerás. Backtracking. Algoritmo voraz.

¿Cuál es la principal ventaja de usar "divide y vencerás"?. Reduce siempre la complejidad a O(n). Mejora el espacio usado. Permite resolver subproblemas independientes y combinar sus soluciones. Garantiza soluciones óptimas sin recursión.

El TSP (Travelling Salesman Problem) es un problema: De ordenación. NP-difícil. De optimización lineal continua. De flujo en redes.

En el problema de la mochila, ¿qué buscamos maximizar bajo una restricción de peso?. El número de objetos. El valor total de los objetos seleccionados. El peso restante. El coste de procesar la mochila.

¿Cuál de estos problemas se modela añadiendo ventanas de tiempo a las entregas de una flota de vehículos?. TSP. Knapsack. Vehicle Routing Problem. SAT.

El problema de programación lineal entera se diferencia del continuo en que: Las variables deben tomar valores reales. Las variables deben tomar valores enteros. No tiene función objetivo. No tiene restricciones lineales.

¿Qué enfoque se puede usar para obtener una solución inicial factible, aunque no óptima, al TSP en grandes instancias?. Fuerza bruta. Branch & Bound exacto. Algoritmos heurísticos. Programación lineal continua.

En Breadth-First Search (BFS), ¿cuál es la estructura de datos principal utilizada?. Pila (stack). Cola (queue). Árbol binario. Tabla hash.

¿Qué recorrido explora primero todo un camino hasta el final antes de retroceder?. BFS. DFS. Branch & Bound. Dijkstra.

En Branch & Bound, la "cota" que usamos para podar ramas se basa en: El número de nodos explorados. Una estimación del mejor coste alcanzable desde ese nodo. La profundidad del árbol. El orden lexicográfico de las soluciones.

¿Cuál de estos métodos garantiza encontrar la solución óptima si la cota es precisa?. BFS. DFS. Branch & Bound. Quick Search.

En un grafo con peso no negativo, ¿qué búsqueda encontraría primero el camino mínimo en número de aristas?. DFS. BFS. Branch & Bound. Backtracking.

El gradiente de una función multivariable es: Su derivada total. Un vector de derivadas parciales. Su segunda derivada. Su tasa de convergencia.

¿Cómo se llama el parámetro que controla el tamaño de paso en descenso del gradiente?. Momentum. Learning rate (tasa de aprendizaje). Coeficiente de regularización. Tolerancia.

¿Cuál es la ventaja principal del stochastic gradient descent sobre el batch completo?. Precisión absoluta. Menor ruido en la trayectoria de descenso. Mayor velocidad de iteración. Garantía de encontrar el mínimo global.

Para funciones no convexas, ¿qué riesgo existe al usar descenso del gradiente?. Convergencia demasiado rápida. Estancarse en un mínimo local. Crecer indefinidamente. Perder la continuidad.

Una posible estrategia de parada en el descenso del gradiente es: Alcanzar un número máximo de iteraciones. Que el gradiente sea exactamente cero. Que la función objetivo empiece a crecer. Que la tasa de aprendizaje sea constante.

Dado un conjunto de puntos en 2D en el primer cuadrante, llamamos puntos de esquina superior derecha del conjunto, a aquellos puntos para los que no existe otro punto del conjunto que lo supere en las dos coordenadas. Los puntos de esquina superior derecha forman una especie de escalera. El problema que se plantea es encontrar los puntos 'esquina superior derecha' para cualquier lista de puntos. Hemos analizado el problema y parece que la ordenación de los puntos por una de las dos coordenadas puede funcionar bien. ¿Qué técnica emplearías teniendo en cuenta la información conocida para diseñar un algoritmo lo más eficiente posible?. Divide y vencerás. Fuerza bruta. Programación dinámica. Descenso de gradiente.

Un algoritmo siempre debe proporcionar la misma solución para los mismos datos de entrada. Es correcto para los algoritmos deterministas. Es correcto para los algoritmos probabilísticos. Correcto. En otro caso no sería un algoritmo. Esto nunca ocurre. Nunca podremos asegurar obtener siempre la misma solución.

Los algoritmos voraces... Es una alternativa a la técnica de divide y vencerás. No es una técnica general de resolución de problemas de optimización, pero es una buena alternativa para encontrar soluciones iniciales. Siempre funciona bien en problemas para los que podemos obtener la solución en etapas eligiendo en cada etapa la mejor opción. Para obtener la solución óptima, es necesario demostrar que las mejores decisiones parciales llevan a la mejor solución final.

La técnica de Ramificación y poda... Es una técnica asociada a la búsqueda en árboles en la que se decide no explorar algunas ramas porque estamos seguros que no encontraremos mejores soluciones a las ya encontradas. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar los nodos en amplitud. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar los nodos en profundidad. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar todas las ramas del árbol.

Uno de los aspectos a tener en cuenta en el uso de técnicas meta heurísticas para obtener óptimos globales es la de escapar de los óptimos locales. Falso. Escapar de los óptimos locales sólo se refiere a la técnica de búsqueda local. Falso. Los algoritmos heurísticos siempre proporcionan óptimos globales. Verdadero. Debemos saber que los algoritmos heurísticos no nos garantizan la obtención de óptimos globales. Verdadero. Debemos diseñar el algoritmo para que nos proporcione tanto los óptimos locales como el óptimo global.

Los algoritmos genéticos están tomando protagonismo para resolver problemas complejos debido a que: Son sencillos de implementar, permiten modelar muchos problemas y se están obteniendo buenos resultados. Están basados en arboles genealógicos que se pueden aplicar técnicas de búsqueda en árboles. Están basados en una mezcla y selección de varias técnicas generales de resolución de problemas. Tienen una fuerte base teórica matemática que asegura siempre encontrar buenas soluciones.

Respecto al algoritmo Quick Sort: Es un algoritmo de búsqueda basado ramificación y poda. Es un algoritmo de ordenación basado en la técnica divide y vencerás. Es una técnica general de resolución de algoritmos. Es un algoritmo de ordenación basado en la técnica voraz.

Un algoritmo de complejidad O(n^2) siempre realizará menos operaciones que otro para resolver el mismo problema que tenga complejidad O(n^3). Verdadero. a pesar de las constantes multiplicativas, un algoritmo con complejidad O(n^3) siempre hace más operaciones que O(n^2). Falso. puesto que la O(n^3) es mejor que O(n^2). Verdadero, puesto que la O(n^2) es mejor que O(n^3). Falso. en algunos casos podemos contabilizar que el número de operaciones de un algoritmo con complejidad O(n^2) es mayor al número de operaciones de otro algoritmo con complejidad O(n^3) debido a las constantes multiplicativas.

En cuanto a orden de complejidad es más favorable: O(n^2) que O(n!). O(n) que O(1). O(n^2) que O(log n). O(n^2) que O(n).

La técnica de resolución de divide y vencerás está ligada a la técnica de programación llamada recursividad: Es cierto. Siempre que usamos divide y vencerás estaremos obligados a programar con recursividad. Falso. La recursividad está asociada a la técnica de búsquedas en árboles. Falso. Divide y vencerás son dos técnicas de resolución de algoritmos que pueden usarse indistintamente. Es cierto. Aunque podemos usar la técnica de divide y vencerás sin usar la recursividad. Por ejemplo, podemos usar técnicas iterativas.

Un algoritmo siempre debe proporcionar la misma solución para los mismos datos de entrada. Es correcto para los algoritmos probabilisticos. Correcto. En otro caso no sería un algoritmo. Esto nunca ocurre. Nunca podremos asegurar obtener siempre la misma solución. Es correcto para los algoritmos deterministas.

¿Qué es un algoritmo?. Una secuencia de operaciones matemáticas. Una herramienta para calcular el MCD. Un conjunto de reglas ordenadas y finitas para realizar una actividad. Un algoritmo es un lenguaje de programación.

¿Cuál es una de las ventajas de la recursividad en la implementación de algoritmos de "Divide y vencer"?. Es simple y proporciona legibilidad en el código. No requiere mucha memoria o espacio en disco. Obtiene soluciones eficientes. Es difícil de entender y depurar.

¿Qué es la tasa de aprendizaje en el contexto del descenso de gradiente?. Un parámetro que predetermine el tamaño del paso en el descenso. Una técnica para maximizar la función objetivo. Un criterio para detener el proceso de optimización. Una medida de la velocidad de una función objetivo.

¿Qué es el gradiente en el contexto de los algoritmos de optimización?. Una matriz que contiene la derivada de una función objetivo. Una representación gráfica de una función objetivo. Un vector que contiene la información de crecimiento de una función objetivo en un punto específico. Una medida de la dificultad de una función objetivo.

¿Cómo se usa el gradiente en el descenso del gradiente?. Para establecer un criterio de parada. Para medir la distancia entre dos soluciones. Para determinar la tasa de aprendizaje. Para determinar la dirección de descenso de una función objetivo.

¿Cuál es la base de la programación dinámica?. El principio de Bellman. El principio de divide y vencerás. El principio de solapamiento. El principio de recursividad.

¿Cuál es el objetivo principal de los procedimientos de búsqueda voraz aleatorios y adaptativos?. Encontrar la solución óptima en la primera iteración. Solucionar problemas de recubrimiento de conjuntos. Realizar iteraciones de construcción y mejora para encontrar una buena solución. Obtener soluciones iguales a las anteriores.

¿Qué es la función voraz en la fase de construcción de los procedimientos de búsqueda voraz aleatorios y adaptativos?. Una función para elegir la mejor opción entre todos los elementos. Una función para incorporar una segunda fase de mejora local. Una función para hacer un análisis de la mejor elección en un paso intermedio. Una función para elegir aleatoriamente uno de entre los mejores elementos.

¿Qué es el recocido simulado (simulated annealing)?. Un algoritmo de optimización que se basa en la búsqueda tabú. Una metaheuristica basada en el proceso termodinámico de recocido. Un proceso termodinámico que se usa para tratar metales. Una función de probabilidad para determinar la selección de soluciones.

¿Cuál es la relación entre P y NP según la opinión de la mayoría de los matemáticos?. NP está dentro de P. P es diferente de NP. P está dentro de NP. P es igual a NP.

¿Cuál es el objetivo de los algoritmos de ordenación?. Ordenar un vector o lista de valores numéricos. Determinar el número mínimo de una lista. Ordenar las operaciones del algoritmo por su complejidad. Determinar el número máximo de una lista.

¿Qué factores influyen en el tiempo de ejecución de un algoritmo de optimización?. Procesador y calidad del código. Espacio y complejidad del algoritmo. Tamaño de entrada, calidad del código, procesador y complejidad del algoritmo. Tamaño de entrada y procesador.

¿En cuanto a orden de complejidad, es más favorable?. O(n) que O(1). O(n²) que O(n). O(n²) que O(log n). O(n²) que O(n!).

¿Qué características permiten identificar un problema que puede ser resuelto con un algoritmo voraz?. Una función de selección que en cada paso determina el mejor candidato para formar parte de la solución. Un problema con entradas para las que no existe un conjunto de candidatos como solución. Una función objetivo que en cada paso no puede ofrecer un valor de la solución propuesta. Una función que comprueba si un subconjunto de entradas no es una posible solución al problema.

¿Qué ocurre cuando se llega a un nodo en el que se verifica que dicha rama nunca proporcionará una solución en la técnica de vuelta atrás?. Se detendrá el proceso. Continuaremos la exploración de nuevo con vuelta atrás. Se registrará la solución con su coste. Se descartará y se volverá hacia atrás en el árbol.

Los algoritmo voraces... No es una técnica general de resolución de problemas de optimización pero es una buena alternativa para encontrar soluciones iniciales. Siempre funciona bien en problemas para los que podemos obtener la solución en etapas eligiendo en cada etapa la mejor opción. Es una alternatica a la técnica de divide y vencerás. Para obtener la solución optima, es necesario demostrar que las mejores decisiones parciales llevan a la mejor solución final.

¿Qué función determina la calidad de los individuos para compararlos en los algoritmos evolutivos?. La función del gradiente. La función heurística. La función de comparación. La función de evaluación.

¿En que consiste la selección en un algoritmo genético o evolutivo?. No es un proceso importante en algoritmos genéticos o evolutivos. Es un proceso para seleccionar con mayor probabilidad las soluciones mejores. Es un proceso para seleccionar con mayor probabilidad las soluciones peores. Es un mecanismo para seleccionar la mejor solución para resolver el problema.

¿Qué es la lista restringida de candidatos (RCL)?. Una lista que contiene elementos aleatorios. Una lista que contiene solo elementos mejores. Una lista que contiene solo los mejores elementos, elegidos después de una función voraz. Una lista que contiene solo elementos peores.

¿Cuál es una de las características de los problemas que se resuelven con métodos heurísticos?. Son pequeños en términos de datos. Son fáciles de resolver con algoritmos conocidos. Son fáciles de resolver con técnicas de búsqueda y exploración de árboles. Son grandes en términos de datos.

¿Qué es una función objetivo?. Una función que determina los supuestos del problema. Una función que permite comparar las soluciones de un problema. Una función que proporciona una buena aproximación a un problema. Una función que nos da la solución óptima de un problema.

¿Qué significa decir que un grafo es dirigido?. Cada arista se compone de un par de vértices. Las aristas tienen dirección hacia un solo lado. No se hacen distinciones entre las dos aristas que unen cada par de vértices. Los vértices se representan como puntos y las aristas como líneas que los unen.

¿Cuál es una de las dificultades adicionales que se presentan al utilizar un algoritmo voraz?. Probar de manera formal que el problema alcanza la mejor solución final si tomamos las mejores decisiones parciales. No tener que probar de manera formal que el problema alcanza la mejor solución final. Encontrar la mejor solución en cada etapa. Determinar una función de selección.

¿Qué es un algoritmo voraz?. Un algoritmo que no es agresivo y no se utiliza para resolver problemas de optimización. Un algoritmo que toma en cuenta todas las consecuencias futuras. Un algoritmo que trabaja por etapas y elegir en cada etapa una solución con el objetivo de encontrar la solución óptima. Un algoritmo que no es eficiente.

¿Qué aspecto es importante analizar en los algoritmos basados en programación dinámica?. La descomposición de problemas. El tiempo empleado. El uso de memoria o espacio. La repetición de cálculos.

¿Qué es la técnica de "Divide y vencerás"?. Una técnica de solución de problemas que consiste en resolver el problema principal a partir de soluciones a subproblemas de diferente tipo. Una técnica de solución de problemas que consiste en resolver el problema principal sin tener en cuenta los subproblemas. Una técnica de solución de problemas que consiste en resolver el problema principal a partir de soluciones a subproblemas del mismo tipo pero de menor tamaño. Una técnica de solución de problemas que consiste en resolver el problema principal a partir de soluciones a subproblemas de mayor tamaño.

¿Qué tipo de algoritmo proporciona la solución óptima?. Algoritmo probabilista. Algoritmo aproximado. Algoritmo exacto. Algoritmo heurístico.

¿En qué tipo de algoritmo no se puede conocer generalmente el grado de aproximación a la solución óptima?. Algoritmo probabilista. Algoritmo heurístico. Algoritmo aproximado. Algoritmo exacto.

¿Qué se utiliza para controlar la magnitud del paso en el descenso del gradiente?. La dirección del gradiente. La tasa de aprendizaje. El criterio de parada. La convexidad de la función objetivo.

¿Qué es la tasa de aprendizaje en el contexto del descenso del gradiente?. Un criterio de parada. El tamaño del paso para descender. Una medida de la dificultad de la función objetivo. La medida de la mejora de una solución a otra.

¿Qué algoritmo es aconsejable utilizar para listas pequeñas?. Ordenación por selección. Ordenación por inserción. Ordenación de burbuja. Ordenación rápida.

¿Cuál es el elemento más importante que se considera para evaluar el rendimiento de un algoritmo de optimización?. Calidad del código. Tiempo. Recursividad. Espacio.

¿Cuáles son las dos posibilidades de análisis del tiempo de ejecución de un algoritmo?. Analizar el rendimiento y la calidad del hardware. Medir el tiempo teórico y real. Analizar la complejidad y el tamaño de entrada. Medir la eficiencia en tiempo y en memoria.

¿Que finalidad tiene la función objetivo en un Algoritmo Genético?. Es la función que determina la calidad de los individuos. Es la función que optimiza el cruce entre los individuos. Es una función matemática que se debe resolver. Es la función que optimiza la mutación entre los individuos.

¿Cuál es el propósito principal de utilizar el óptimo de Pareto en problemas de optimización multiobjetivo?. Para identificar la solución más eficiente. Para encontrar múltiples soluciones óptimas. Para encontrar una solución única. Para identificar la solución más eficiente.

¿Cómo se describe la eficiencia de la técnica de vuelta atrás en términos computacionales?. Como un proceso de prueba y error. Como un proceso eficiente. Como un proceso que no es mejorable. Como un proceso lineal.

¿En qué teoría se basa en la idea fundamental de los algoritmos evolutivos y genéticos?. Teoría darwiniana sobre las especies. Teoría de la programación lineal. Teoría de la informática. Teoría de la mecánica cuántica.

¿Qué es la mutación en un Algoritmo Genético?. Un proceso que crea nuevos individuos. Un proceso que agrega variabilidad genética y ayuda a evitar el encallamiento en óptimos locales. Un proceso que elige individuos de alta calidad para la reproducción. Un proceso que resuelve problemas matemáticos.

¿Cómo se ajusta la temperatura en el recocido simulado (simulated annealing)?. Disminuyéndola hasta cierto valor y elevándola lentamente con controles. Elevándola hasta cierto valor y disminuyéndola lentamente con controles. Disminuyéndola hasta cierto valor y manteniéndola constante. Elevándola hasta cierto valor y manteniéndola constante.

Uno de los aspectos a tener en cuenta en el uso de técnicas metaheurísticas para obtener optmos globales es la de escapar de los optimos locales. Falso. Escapar de los optimos locales sólo se refiere a la técnica de búsqueda local. Verdadero. Debemos diseñar el algoritmo para que nos proporcione tanto los óptimos locales como el óptimo global. Verdadero. Debemos saber que los algoritmos heurísticos no nos garantizan la obtención de optimos globales. Falso. Los algoritmos heurísticos siempre proporcionan optimos globales.

¿Cuál es la unidad adecuada para medir la eficiencia de un algoritmo de optimización?. Recursividad. Tiempo. Calidad del código. Espacio.

La programación dinámica es ... Una técnica que realiza cálculos para resolver problemas dinámicos. Una técnica que evita la repetición de cálculos. Una técnica que no realiza cálculos repetidos. Una técnica de recursividad.

Respecto al algoritmo Quick Sort: Es un algoritmo de búsqueda basado ramificación y poda. Es una técnica general de resolución de algoritmos. Es un algoritmo de ordenación basado en la técnica voraz. Es un algoritmo de ordenación basado en la técnica divide y vencerás.

¿Qué es un problema NP-completo?. Un problema que pertenece a la clase NP y puede ser resuelto en un tiempo polinómico. Un problema NP que no puede ser resuelto en un tiempo polinómico. Un problema que pertenece a la clase P y todos los problemas NP pueden ser reducidos a él con transformaciones polinómicas. Un problema que pertenece a la clase NP y todos los problemas NP pueden ser reducidos a él con transformaciones polinómicas.

¿Qué debemos conocer para obtener el orden de complejidad de un algoritmo de "Divide y vencerás"?. El uso de la memoria o espacio en disco. La eficiencia en términos de tiempo de ejecución. La resolución de ecuaciones en recursividad. Ecuación en recurrencia del algoritmo.

¿Por qué es importante conocer la convexidad de una función objetivo?. Para medir la mejora actual de una solución. Para escapar de los mínimos locales. Para determinar la tasa de aprendizaje. Para confirmar que un mínimo encontrado es global.

¿Cuál es la ventaja de utilizar descenso del gradiente estocástico?. Incorporación de datos distintos. Tiempo de procesamiento lento. Procesamiento más rápido. Máxima precisión.

¿Qué tipo de algoritmo producirá siempre la misma solución para los mismos valores de entrada?. Algoritmos exactos. Algoritmos probabilistas. Algoritmos heurísticos. Algoritmos deterministas.

¿Qué estrategia combina las ventajas del descenso del gradiente por lotes y descenso del gradiente estocástico?. Descendo del gradiente por lotes (batch gradient descent). Descendo del gradiente por lotes reducidoo (mini-batch gradient descent). Descendo del gradiente estocásticoo (stochastic gradient descent). Descendo del gradiente secuencial.

¿Qué tipo de técnicas metaheurísticas emplean un conjunto de soluciones llamado población?. Algoritmos de Búsqueda Local. Algoritmos Tabú. Algoritmos Genéticos y Evolutivos. Algoritmos Hill Climbing.

¿Qué componente permite diversificar las soluciones en los procedimientos de búsqueda voraz aleatorios y adaptativos?. La naturaleza voraz. La construcción repetida. La fase de mejora local. La elección aleatoria.

¿Qué tipo de algoritmo proporciona una buena solución con un grado de aproximación cercano al óptimo?. Algoritmos deterministas. Algoritmos exactos. Algoritmos aproximados. Algoritmos heurísticos.

¿De qué matemático persa proviene la palabra "algoritmo"?. Pythagoras. Euclides. Al-Juarismi. Archimedes.

¿Cuál es el objetivo de la fase de mejora local en los procedimientos de GRASP?. Para elegir la solución más aleatoria entre las soluciones más cercanas. Para elegir la mejor solución posible entre las soluciones más cercanas. Para elegir una solución aleatoria entre las soluciones más cercanas. Para elegir la solución más inestable entre las soluciones más cercanas.

¿Qué son los métodos heurísticos?. Métodos que encuentran la solución a un problema. Técnicas que buscan encontrar buenas soluciones a problemas. Algoritmos que resuelven problemas de optimización. Métodos que se basan en ideas complejas.

¿Que clasificación recibe un problema si conocemos la existencia de un algoritmo que lo resuelve en un tiempo polinomial?. NP-completo. Clase NP. Clase P. NP-dificil.

¿Cuáles son los dos elementos que se consideran para evaluar la eficiencia de un algoritmo?. Calidad del código y procesador. Tiempo y calidad del código. Tiempo y espacio. Tamaño de entrada y la calidad del código.

¿Cuál es la desventaja de realizar una medición real del tiempo de ejecución de un algoritmo?. No permite conocer el coste de encontrar la solución al problema. No depende de un procesador concreto. Depende de un procesador concreto, lo que impide comparaciones de eficiencia entre algoritmos. Ninguna. Es adecuada para realizar comparaciones de eficiencia entre algoritmos.

¿Cuál es la consecuencia de probar que P=NP?. Todos los problemas NP pueden ser verificados en un tiempo polinómico. Todos los problemas P pueden ser resueltos en un tiempo polinómico. Todos los problemas NP pueden ser resueltos en un tiempo polinómico. Todos los problemas P pueden ser verificados en un tiempo polinómico.

Un algoritmo de complejidad O(n²) siempre realizará menos operaciones que otro para resolver el mismo problema que tenga complejidad O(n³). Verdadero, puesto que la O(n²) es mejor que O(n³). Falso, en algunos casos podemos contabilizar que el número de operaciones de un algoritmo con complejidad O(n²) es mayor al número de operaciones de otro algoritmo con complejidad O(n³) debido a las constantes multiplicativas. Falso, puesto que la O(n3) es mejor que O(n2). Verdadero, a pesar de las constantes multiplicativas, un algoritmo con complejidad O(n³) siempre hace más operaciones que O(n²).

¿Qué debemos evaluar sobre la implementación de la recursividad en algoritmos de "Divide y vencerás"?. Su capacidad de resolver problemas complejos. Su complejidad en términos de uso de memoria o espacio en disco. Su capacidad de resolver problemas sencillos. Su complejidad en términos de tiempo de ejecución.

¿Qué se construye para realizar la implementación de la técnica de vuelta atrás?. Una lista. Un gráfico. Un árbol de expansión. Una matriz.

¿Qué complejidad tienen los algoritmos de ordenación por inserción y burbuja?. n³. n*log(n). O(n²). O(n).

¿Qué tipo de soluciones se aceptan en el recosido simulado?. Solo soluciones mejores. Solo soluciones peores. Soluciones mejores siempre y soluciones peores con una probabilidad. Soluciones peores siempre y soluciones mejores con una probabilidad.

¿Qué es la función objetivo en un problema de optimización?. La solución óptima al problema. El método de búsqueda que se emplea. Una función que se desea maximizer o minimizar. La estructura de árbol en la que se representan todas las soluciones posibles.

¿Cuál es la unidad adecuada para medir la eficiencia de un algoritmo de optimización?. Segundo. Kilobyte/Segundo. Operación elemental. Kilobyte.

¿Qué sucede con la complejidad del algoritmo de Kruskal en grafos muy densos?. La complejidad se aproxima a O(n)=n²*log(n). La complejidad se aproxima a O(n,a)=a*log(n). La complejidad se aproxima a O(n) = n* log (n). La complejidad se aproxima a O(n)=n².

¿Qué característica debe tener un problema para ser resoluble con la técnica de "Divide y vencerás"?. El problema puede ser descompuesto en subproblemas pero no pueden ser combinados para formar la solución al problema original. El problema no puede ser descompuesto en subproblemas. El problema puede ser descompuesto en subproblemas del mismo tipo que el original pero de menor tamaño. El problema puede ser descompuesto en subproblemas pero no pueden ser resueltos de manera directa o recursiva.

¿Cuál es la desventaja de utilizar descenso del gradiente por lotes?. Tiempo de procesamiento lento. Movimientos sinuosos durante las primeras etapas. Incorporación de datos distintos. Alta precisión y tiempo de procesamiento rápido.

¿Qué es la función de evaluación (fitness) en un algoritmo evolutivo?. Una función que determina la efectividad de las soluciones en resolver el problema. Una función que determina la adaptación de las soluciones al medio. Una función que determina la calidad de las soluciones para compararlas. No es un concepto importante en algoritmos evolutivos.

¿Que tipo de algoritmos poblacionales no contemplan el cruce de soluciones?. Algoritmos evolutivos. Algoritmos Tabú. Algoritmos Genéticos. Algoritmos de busqueda local.

¿Cuál es el algoritmo más eficaz de los mencionados?. Ordenación rápida (quick sort). Ordenación por selección. Ordenación de burbuja. Ordenación por inserción.

Dado un conjunto de puntos en 2D en el primer cuadrante, llamamos puntos de esquina superior derecha del conjunto, a aquellos puntos para los que no existe otro punto del conjunto que lo supere en las dos coordenadas. Los puntos de esquina superior derecha forman una especie de escalera. El problema que se plantea es encontrar los untos 'esquina superior derecha' para cualquier lista de puntos. Hemos analizado el problema y parece que la ordenación de los puntos por una de las dos coordenadas puede funcionar bien. ¿Que técnica emplearías teniendo en cuenta la información conocida para diseñar un algoritmo lo más eficiente posible?. Divide y vencerás. Fuerza bruta. Programación dinámica. Descenso de gradiente.

La técnica de Ramificación y poda... Es una técnica asociada a la búsqueda en árboles en la que se decide no explorar algunas ramas porque estamos seguros que no encontraremos mejores soluciones a las ya encontradas. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar los nodos en amplitud. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar los nodos en profundidad. Es una técnica asociada a la búsqueda en árboles en la que se decide explorar todas las ramas del árbol.