UBB
/
points
1
0
Fork 0
Code Issues Pull Requests Releases 1 Wiki Activity

Merge branch 'informe' of https://git.cromer.cl/UBB/points into informe

This commit is contained in:
Rodolfo Cuevas 2018-12-14 20:45:30 -03:00
parent 91034f5f4d e114151b87
commit 5e4b08193a
3 changed files with 86 additions and 95 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

21
doc/Informe.tex
View File

@ -82,32 +82,23 @@ Xavier Canales
\subsection{Análisis temporal}
\subsubsection{Brute Force}
\underline{Caso Promedio:} $ \Theta(n log n)) $ \\
Para el algoritmo de fuerza bruta el tiempo de respuesta es igual en todos los casos de n log n, esto se debe a que este donde este los puntos mas cercanos este recorrerá todo de igual forma. Esto es netamente debido a el cómo se programó las funciones con ciclos for anidados que son altamente costosos en tiempo.
\bigskip
Para el algoritmo de fuerza bruta el tiempo de respuesta es igual en todos los casos de $ n^2 $, esto se debe a que este donde este los puntos mas cercanos este recorrerá todo de igual forma. Esto es netamente debido a el cómo se programó las funciones con ciclos for anidados que son altamente costosos en tiempo.\bigskip
\underline{Peor Caso:} $ O(n log n) $ \\
el peor caso es similar al caso promedio
\bigskip
El peor caso es similar al caso promedio.\bigskip
\underline{Mejor Caso:} $ \Omega(n log n)$ \\
el mejor caso es similar al caso promedio
\bigskip
El mejor caso es similar al caso promedio.\bigskip
\subsubsection{Divide and Conquer}
\underline{Caso Promedio:} $ \Theta(n log n)) $ \\
Para el algoritmo de dividir y conquistar se repite lo del analisis anterior que es la misma complejidad en todos los casos, de nuevo producto de que tiene que recorrer todo el mapa de puntos para llegar a saber cuales son los mas cercanos. Aquí es n log n, ya que este algoritmo divide el mapa para y compara las mitades separadamente lo cual es mucho mas eficiente que el caso anterior.
\bigskip
Para el algoritmo de dividir y conquistar se repite lo del análisis anterior que es la misma complejidad en todos los casos, de nuevo producto de que tiene que recorrer todo el mapa de puntos para llegar a saber cuales son los mas cercanos. Aquí es $ n log(n) $, ya que este algoritmo divide el mapa para y compara las mitades separadamente lo cual es mucho mas eficiente que el caso anterior.\bigskip
\underline{Peor Caso:} $ O(n log n) $ \\
el peor caso es similar al caso promedio
\bigskip
El peor caso es similar al caso promedio.\bigskip
\underline{Mejor Caso:} $ \Omega(n log n)$ \\
el mejor caso es similar al caso promedio
\bigskip
El mejor caso es similar al caso promedio.\bigskip
\newpage
\subsection{Datos}

8
doc/pseudo/brute_force.txt
View File

@ -1,15 +1,15 @@
entrada: array: arreglo de n puntos; n: tamaño del arreglo
salida: los dos puntos mas cercanos con su distancia
funcion brute_force(points, n) {
funcion brute_force(points, n)
para i = 0 mientras que i < n - 1 hacer
para j = i + 1 mientras que j < n hacer
si distance(points[i], points[j]) < distancia_minimo entonces
distancia_minimo = distancia
closest_pair[0] = points[i]
closest_pair[1] = points[j]
}
}
}
fin si
fin para
fin para
return par_mas_cerca y distancia_minimo
fin funcion

2
doc/pseudo/divide_and_conquer.txt
View File

@ -74,7 +74,7 @@ funcion divide_and_conquer_run(puntos_x, nx, puntos_y, ny)
return min_d
fin funcion
funcion divide_and_conquer(puntos, n) {
funcion divide_and_conquer(puntos, n)
puntos_x = puntos
puntos_y = puntos
sort(puntos_x, n)