Optimizacion Dinamica

En informática, la programación dinámica es un método para reducir el tiempo de
ejecución de un algoritmo mediante la utilización de subproblemas superpuestos y

subestructuras óptimas, como se describe a continuación.
El matemático Richard Bellman inventó la programación dinámica en 1953 que se

utiliza para optimizar problemas complejos que pueden ser discretizados y
secuencializados.
Una sub estructura óptima significa que se pueden usar soluciones óptimas de
subproblemas para encontrar la solución óptima del problema en su conjunto. Por
ejemplo, el camino más corto entre dos vértices de un grafo se puede encontrar
calculando primero el camino más corto al objetivo desde todos los vértices
adyacentes al de partida, y después usando estas soluciones para elegir el mejor
camino de todos ellos. En general, se pueden resolver problemas con subestructuras
óptimas siguiendo estos tres pasos:
Dividir el problema en subproblemas más pequeños.

Resolver estos problemas de manera óptima usando este proceso de tres pasos
recursivamente.
Usar estas soluciones óptimas para construir una solución óptima al problema
original.
Los subproblemas se resuelven a su vez dividiéndolos en subproblemas más pequeños
hasta que se alcance el caso fácil, donde la solución al problema es trivial.
Decir que un problema tiene subproblemas superpuestos es decir que se usa un mismo
subproblema para resolver diferentes problemas mayores. Por ejemplo, en la sucesión
de Fibonacci (F3 = F1 + F2 y F4 = F2 + F3) calcular cada término supone calcular
F2. Como para calcular F5 hacen falta tanto F3 como F4, una mala implementación
para calcular F5 acabará calculando F2 dos o más veces. Esto sucede siempre que
haya subproblemas superpuestos: una mala implementación puede acabar desperdiciando
tiempo recalculando las soluciones óptimas a problemas que ya han sido resueltos
anteriormente.
Esto se puede evitar guardando las soluciones que ya hemos calculado. Entonces, si
necesitamos resolver el mismo problema más tarde, podemos obtener la solución de la
lista de soluciones calculadas y reutilizarla. Este acercamiento al problema se
llama memoización (no confundir con memorización; en inglés es llamado memoization,
véase en). Si estamos seguros de que no volveremos a necesitar una solución en
concreto, la podemos descartar para ahorrar espacio. En algunos casos, podemos
calcular las soluciones a problemas que de antemano sabemos que vamos a necesitar.
En resumen, la programación hace uso de:
Subproblemas superpuestos
Subestructuras óptimas
Memorización
La programación toma normalmente uno de los dos siguientes enfoques:
Top-down: El problema se divide en subproblemas, y estos se resuelven recordando

las soluciones por si fueran necesarias nuevamente. Es una combinación de
memoización y recursión.
Bottom-up: Todos los problemas que puedan ser necesarios se resuelven de antemano y
después se usan para resolver las soluciones a problemas mayores. Este enfoque es
ligeramente mejor en consumo de espacio y llamadas a funciones, pero a veces
resulta poco intuitivo encontrar todos los subproblemas necesarios para resolver un
problema dado.
Originalmente, el término de programación dinámica se refería a la resolución de
ciertos problemas y operaciones fuera del ámbito de la Ingeniería Informática, al
igual que hacía la programación lineal. Aquel contexto no tiene relación con la
programación en absoluto; el nombre es una coincidencia. El término también lo usó
en los años 40 Richard Bellman, un matemático norteamericano, para describir el
proceso de resolución de problemas donde hace falta calcular la mejor solución
consecutivamente.
Algunos lenguajes de programación funcionales, sobre todo Haskell, pueden usar la

memorización automáticamente sobre funciones con un conjunto concreto de
argumentos, para acelerar su proceso de evaluación. Esto sólo es posible en
funciones que no tengan efectos secundarios, algo que ocurre en Haskell pero no
tanto en otros lenguajes.
Principio de optimalidad
Cuando hablamos de optimizar nos referimos a buscar alguna de las mejores
soluciones de entre muchas alternativas posibles. Dicho proceso de optimización
puede ser visto como una secuencia de decisiones que nos proporcionan la solución
correcta. Si, dada una subsecuencia de decisiones, siempre se conoce cuál es la
decisión que debe tomarse a continuación para obtener la secuencia óptima, el
problema es elemental y se resuelve trivialmente tomando una decisión detrás de
otra, lo que se conoce como estrategia voraz. En otros casos, aunque no sea posible
aplicar la estrategia voraz, se cumple el principio de optimalidad de Bellman que
dicta que «dada una secuencia óptima de decisiones, toda subsecuencia de ella es, a
su vez, óptima». En este caso sigue siendo posible el ir tomando decisiones
elementales, en la confianza de que la combinación de ellas seguirá siendo óptima,
pero será entonces necesario explorar muchas secuencias de decisiones para dar con
la correcta, siendo aquí donde interviene la programación dinámica.
Contemplar un problema como una secuencia de decisiones equivale a dividirlo en

problemas más pequeños y por lo tanto más fáciles de resolver como hacemos en
Divide y Vencerás, técnica similar a la de programación dinámica. La programación
dinámica se aplica cuando la subdivisión de un problema conduce a:
Una enorme cantidad de problemas.

Problemas cuyas soluciones parciales se solapan.
Grupos de problemas de muy distinta complejidad.
En particular, fib(2) se ha calculado tres veces desde cero. En ejemplos mayores,
se recalculan muchos otros valores de fib, o subproblemas.
Para evitar este inconveniente, podemos resolver el problema mediante programación

dinámica, y en particular, utilizando el enfoque de memoización (guardar los
valores que ya han sido calculados para utilizarlos posteriormente). Así,
rellenaríamos una tabla con los resultados de los distintos subproblemas, para
reutilizarlos cuando haga falta en lugar de volver a calcularlos. La tabla
resultante sería una tabla unidimensional con los resultados desde 0 hasta n.
Un programa que calculase esto, usando Bottom-up, tendría la siguiente estructura:

Coeficientes binomiales
El algoritmo recursivo que calcula los coeficientes binomiales resulta ser de
complejidad exponencial por la repetición de los cálculos que realiza. No obstante,
es posible diseñar un algoritmo con un tiempo de ejecución de orden O(nk) basado en
la idea del Triángulo de Pascal, idea claramente aplicable mediante programación
dinámica. Para ello es necesaria la creación de una tabla bidimensional en la que
ir almacenando los valores intermedios que se utilizan posteriormente.
La idea recursiva de los coeficientes binomiales es la siguiente:

Optimizacion Dinamica

Cargado por

Copyright:

Formatos disponibles

Optimizacion Dinamica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimizacion Dinamica

Cargado por

Copyright:

Formatos disponibles

En informática, la programación dinámica es un método para reducir el tiempo de

ejecución de un algoritmo mediante la utilización de subproblemas superpuestos y

El matemático Richard Bellman inventó la programación dinámica en 1953 que se

Dividir el problema en subproblemas más pequeños.

En resumen, la programación hace uso de:

Top-down: El problema se divide en subproblemas, y estos se resuelven recordando

Algunos lenguajes de programación funcionales, sobre todo Haskell, pueden usar la

Contemplar un problema como una secuencia de decisiones equivale a dividirlo en

Una enorme cantidad de problemas.

Para evitar este inconveniente, podemos resolver el problema mediante programación

Un programa que calculase esto, usando Bottom-up, tendría la siguiente estructura:

La idea recursiva de los coeficientes binomiales es la siguiente:

También podría gustarte