2.1.7 AL/Estructuras de Datos Avanzadas y Análisis de Algoritmos

Muchos programas querrán que sus estudiantes tengan la exposición a los algoritmos más avanzados o los métodos de análisis. A continuación se presenta una selección de posibles temas avanzados que están al día y oportuna, pero no de una manera exhaustiva.
Temas:
Electivo

• Árboles balanceados (ej. árboles AVL, Arboles red-black, Arboles biselados (splay trees), Treaps)
• Grafos (ej. Ordenamiento Topológico, encontrando componentes puertemente conectados)
• Estructuras de Datos Avanzadas (ej. B-Trees, Fibonacci Heaps)
• Estructuras de Datos y Algoritmos basados en cadenas (ej. Arrays de sufijos, Arboles de sufijos, Arboles digitales (Tries)
• Redes de Flujo (ej. Flujo Máximo [Algoritmo de Ford-Fulkerson], Flujo Máximo - Mínimo Corte, Máxima Asignación Bipartita)
• Programación Lineal (Dualidad, Método Simplex, Algoritmos de punto interior)
• Algoritmos Teórico-Numéricos (Aritmética Modular, Prueba del Número Primo, Factorización Entera)
• Algoritmos Geométricos (Puntos, Segmentos de Línea, Polígonos [propiedades, intersecciones], encontrando el polígono convexo)
• Algoritmos aleatorios.
• Algortimos estocásticos.
• Algoritmos de aproximación.
• Análisis amortizado.
• Análisis Probabilístico.
• Algoritmos en línea y análisis competitivo.

Objetivos de Aprendizaje (Learning Outcomes):
Elective:

1. Entender el mapeamento de problemas del mundo real a soluciones algorítmicas (ejemplo, problemas de grafos, programas lineares,etc) [Evaluar]
2. Seleccionar y aplicar técnicas de algoritmos avanzadas (ejemplo, randonmización, aproximación) para resolver problemas reales [Evaluar]
3. Seleccionar y aplicar técnicas avanzadas de análisis (ejemplo, amortizado, probabilistico,etc) para algoritmos [Evaluar]