Programación dinámica

5.1. Método general.

5.2. Análisis de tiempos de ejecución.
5.3. Ejemplos de aplicación.
5.3.1. Problema del cambio de monedas.
5.3.2. Problema de la mochila 0/1.
5.3.3. Multiplicación encadenada de
matrices.

1
Método general
La programación dinámica se suele utilizar en
problemas de optimización, donde una solución está
formada por una serie de decisiones.
Igual que la técnica divide y vencerás, resuelve el
problema original combinando las soluciones para
subproblemas más pequeños.
Sin embargo, la programación dinámica no utiliza
recursividad, sino que almacena los resultados de los
subproblemas en una tabla, calculando primero las
soluciones para los problemas pequeños.
Con esto se pretende evitar la repetición de cálculos
para problemas más pequeños.

2
 Método general
Ejemplo. Cálculo de los números de
Fibonacci.
Con método recursivo
Fibonacci (n: integer)
Si n<2 Devolver 1
Sino Devolver Fibonacci (n-1) + Fibonacci (n-2)
 Problema: Muchos cálculos están repetidos, tiempo de
ejec. exponencial.
 Solución: Calcular los valores de menor a mayor
empezando por 0, e ir guardando los resultados en una
tabla.
Con programación dinámica.
Fibonacci (n: integer)
T[0] = 0; T[1] = 1
para i = 2,3, ...,n
T[i] = T[i-1] + T[i-2]
Devolver T[n]
 Se utiliza la misma fórmula 3 que en la versión anterior, pero de
forma más inteligente. El tiempo de ejecución es Θ(n).
Método general

Los algoritmos divide y vencerás están dentro de

los métodos descendentes.
Empezar con el problema original y descomponer
en pasos sucesivos en problemas de menor
tamaño.
Partiendo del problema grande, descendemos
hacia problemas más sencillos.
La programación dinámica, por el contrario, es un
método ascendente:
Resolvemos primero los problemas pequeños
(guardando las soluciones en una tabla) y después
vamos combinando para resolver los problemas
más grandes. 4
Método general
La programación dinámica se basa en el Principio
de Optimalidad de Bellman: cualquier
subsecuencia de una secuencia óptima debe ser, a su
vez, una secuencia óptima.
Para cada problema deberíamos comprobar si es
aplicable el principio de optimalidad.
Ejemplo.
2 B 9
A D
3 C 7

Camino óptimo de A a D: A-C-D, de longitud 10

Camino óptimo de A al siguiente nivel: A-B, de
longitud 2, y después B-D de longitud 9. Total: A-B-D,
de longitud 11
5
¿Cumple el Principio de Optimalidad?
Método general

Aspectos a definir en un algoritmo de programación

dinámica:
Ecuación recurrente, para calcular la solución de
los problemas grandes en función de los problemas
más pequeños.
Determinar los casos base.
Definir las tablas utilizadas por el algoritmo, y
cómo son rellenadas.
Cómo se recompone la solución global a partir
de los valores de las tablas.

6
Análisis de tiempos de
ejecución
El tiempo de ejecución depende de las
características concretas del problema a resolver.

En general, será de la forma:

Tamaño de la tabla*Tiempo de rellenar cada
elemento de la tabla.

Un aspecto importante de los algoritmos de

programación dinámica es que necesitan una tabla
para almacenar los resultados parciales, que puede
ocupar mucha memoria.

Además, algunos de estos cálculos pueden ser

innecesarios.
7
 Problema del cambio de monedas
Problema: Dado un conjunto de n tipos de monedas, cada
una con valor ci, y dada una cantidad P, encontrar el
número mínimo de monedas que tenemos que usar para
obtener esa cantidad.

El algoritmo voraz es muy eficiente, pero sólo funciona en

un número limitado de casos.

Utilizando programación dinámica:

Definimos el problema en función de problemas
más pequeños.
Determinar los valores de los casos base.
Definimos las tablas necesarias para almacenar los
resultados de los subproblemas.
Establecemos una forma de rellenar las tablas y de
obtener el resultado.
8
 Problema del cambio de monedas
Definición de la ecuación recurrente:
Cambio (i, Q), el problema de calcular el número mínimo
de monedas necesario para devolver una cantidad Q,
usando los i primeros tipos de monedas (es decir los tipos
1...i).
La solución de Cambio(i, Q) puede que utilice k monedas
de tipo i o puede que no utilice ninguna.
 Si no usa ninguna moneda de ese tipo: Cambio(i, Q) =
Cambio(i - 1, Q)
 Si usa k monedas de tipo i: Cambio(i, Q) = Cambio(i, Q –
k*ci) + k
En cualquier caso, el valor será el mínimo:
Cambio(i, Q) = mink=0,1,...,Q/ci {Cambio(i-1, Q-k* ci)+k}

Casos base: Cambio(i, Q)

Si (i≤0) ó (Q<0) entonces
9
no existe ninguna solución al
problema, y Cambio(i, Q) = +∞.
Problema del cambio de monedas
Definición de las tablas utilizadas:
Necesitamos almacenar los resultados de todos los
subproblemas.
El problema a resolver será: Cambio (n, P).
Por lo tanto, necesitamos una tabla de nxP, de enteros,
que llamaremos D, siendo D[i, j ]= Cambio(i, j).
Ejemplo. n= 3, P= 8, c= (1, 4, 6)
D Cantidad a devolver
Monedas 0 1 2 3 4 5 6 7 8
C1= 1
C2 = 4
C3 = 6

Forma de rellenar las tablas:

De arriba hacia abajo y de izquierda a derecha, aplicar la
ecuación de recurrencia:
D[i, j] = mink=0,1,...,Q/ci {D(i-1, Q-k* ci)+k}
10
Problema del cambio de monedas
Algoritmo.
Devolver-cambio (P: int; C: array [1..n] of int; var D: array [1..n,
0..P] of int);
para i = 1,2,...,n
D[i, 0] = 0
para i = 1,2,...,n
para j = 1,2,...,P {Tener en cuenta
si el valor }
D[i, j] = mink=0,1,...,Q/ci {D(i-1, Q-k* ci)+k} { cae fuera de
la tabla} 0 1 2 3 4 5 6 7 8
C1= 1
Ejemplo. n= 3,0 P= 18, c=
2
(1,3 4, 6)
4 5 6 7 8
C2 = 4 0 1 2 3 1 2 3 4 2
C3 = 6 0 1 2 3 1 2 1 2 2

¿Cuál es el tiempo de ejecución del algoritmo?

¿Cómo es en comparación11 con el algoritmo voraz?
Problema del cambio de monedas
¿Cómo calcular cuántas monedas de cada tipo deben
usarse, es decir la solución (x1, x2, ..., xn)?
Se usa otra tabla
0 de
1 decisiones
2 3 4 tomadas:
5 6 7 8
Aux C1 = 1 0 1 2 3 4 5 6 7 8
C2 = 4 0 0 0 0 1 1 1 1 2
C3 = 6 0 0 0 0 0 0 1 1 0

Algoritmo para obtener una solución:

para i=n,n-1,...,1
xi=Aux[i,P]
P=P-xi*ci

¿Cuál es el tiempo de ejecución del algoritmo para

obtener la solución?
¿Es aplicable el principio de optimalidad?
12
Problema de la mochila 0/1
 Igual que en el tema anterior, pero los objetos no se pueden
fragmentar en trozos más pequeños.
 Problema: Tenemos n objetos, cada uno con un peso (wi) y un
beneficio (vi), y una mochila en la que podemos meter objetos,
con una capacidad de peso máximo M. El objetivo es
maximizar el beneficio de los objetos transportados, donde
cada objeto se puede coger entero (xi=1) o nada (xi=0).

Definición de la ecuación recurrente:

Sea Mochila (i, m) el problema de la mochila,
considerando sólo los i primeros objetos (de los n
originales) con una capacidad de peso m.
Supondremos que devuelve el valor de beneficio
total: Σ xa·va
a=1..i
Podemos definir el problema de forma recurrente,
en función de que se13use o no el objeto i.
Problema de la mochila 0/1
Definición de la ecuación recurrente:
Si no se usa el objeto i: Mochila (i, m) = Mochila (i - 1, m)
Si se usa: Mochila (i, m) = vi + Mochila (i - 1, m - wi)
Valor óptimo:
Mochila (i, m) = max (Mochila (i-1, m), vi +
Mochila (i-1, m - wi))

Casos base:
Si (i<0) o (m<0) entonces no hay solución: Mochila (i, m)
= -∞
En otro caso, si (i=0) ó (m=0) la solución es no incluir
ningún objeto: Mochila (i, m) = 0

Definición de las tablas:

La solución del problema original será Mochila (n, M).
Por lo tanto necesitamos una tabla: V: array [0..n, 0..M]
of integer. 14
Problema de la mochila 0/1
Forma de rellenar las tablas:
Inicializar los casos base.
Para todo i, desde 1 hasta n, y j desde 1 hasta M,
aplicar la ecuación de recurrencia:
V[i, j] = max (V[i - 1, j] , V[i - 1, j - wi] + vi)
 Si j es negativo, entonces V[i, j] = -∞, y el máximo será el
otro término.

Ejemplo. n= 3, M= 6, w= (2, 3, 4), v= (1, 2, 5)

j
i 0 1 2 3 4 5 6
0 0 0 0 0 0 0 0
1 0 0 1 1 1 1 1
2 0 0 1 2 2 3 3
3 0 0 1 2 5 5 6

 Tiempo de ejecución: θ(nM).

15
Problema de la mochila 0/1
Se puede tener una tabla auxiliar de 0/1 para almacenar
las decisiones parciales y recomponer la solución, o
A partir de la tabla V obtener la solución (x1, x2, ..., xn):
partir de la posición V[n, M] y analizar las decisiones que
se tomaron para cada objeto i.
 Si (V[i, j] = V[i-1, j]) entonces la solución no usa el objeto i,
xi= 0.
 Si (V[i, j] = V[i-1, j-wi] + vi) entonces sí se usa el objeto i, xi=
1.
 Si (V[i, j] = V[i-1, j-wi] + vi) y (V[i, j] = V[i-1, j]) entonces
podemos usar el objeto i o no (existe más de una solución
óptima).
 Acabar cuando lleguemos a un i=0 ó j=0.

¿Cuál será el tiempo de recomponer la solución?

¿Se cumple el principio16de optimalidad?

Multiplicación encadenada de matrices
Supongamos que tenemos las matrices M1, M2, ...,
Mn, que queremos multiplicar:
M = M1 x M2 x ... x Mn

Puesto que el producto es asociativo, habrá muchas

formas de realizar las multiplicaciones. Cada
colocación de los paréntesis indica un orden en el
que se realizan las operaciones.
Según el orden de las multiplicaciones, el número de
total de multiplicaciones escalares necesarias puede
variar considerablemente.
Sea una matriz A de dimensión pxq y B de qxr,
entonces el producto AxB requiere p·q·r
multiplicaciones escalares (método clásico).

17
Multiplicación encadenada de matrices
 Ejemplo. Sean las matrices A, B, C y D, de dimensiones: A=
13x5, B= 5x89, C= 89x3 y D= 3x34. Podemos multiplicarlas de
5 formas:
 ((AB)C)D Requiere 10.582 = 13·5·89 +
13·89·3 + 13·3·34
 (AB)(CD) “ 54.201
 (A(BC))D “ 2.856 = 5·89·3 + 13·5·3
+ 13·3·34
 A((BC)D) “ 4.055
 A(B(CD)) “ 26.418

 Objetivo: obtener un orden de multiplicación que minimice el

número de multiplicaciones escalares.
 Solución sencilla: estimar el número de multiplicaciones
necesarias para todas las ordenaciones posibles. Quedarse con
la que tenga menor valor.
 ¿Cuál es el número de ordenaciones
18 posibles, T(n)?
Multiplicación encadenada de matrices
 Si n=1 ó n=2, T(n) = 1.
 Si n>2, entonces podemos realizar la primera multiplicación
por n-1 sitios distintos: (M1M2 ... Mi)(Mi+1Mi+2... Mn)

 T(n) = Σ T(i)·T(n-i)
i=1..n-1

 El valor de T(n) está en Ω(4n/n2)

 Para cada ordenación necesita un tiempo de θ(n).
 Esta solución requeriría un tiempo con una cota inferior de Ω
(4n/n).

Solución utilizando programación dinámica

Definimos NMulti (i, j): el número mínimo de productos
escalares necesarios para realizar la multiplicación entre la
matriz i y la j (con i ≤ j), es decir: Mi x Mi+1 x ... x Mj

 Suponemos que las dimensiones se almacenan en un array

d[0..n], donde la matriz Mi será de dimensión d[i-1] x d[i].
19
Multiplicación encadenada de matrices
Casos base:
Si i = j, entonces NMulti(i, j) = 0. No necesitamos
realizar ninguna operación.
Si i = j-1, entonces NMulti(i, j) = d[i-1]·d[i]·d[i+1]. Sólo
existe una forma de hacer el producto.
Ecuación de recurrencia:
Si no se da ninguno de los casos anteriores, entonces
podemos hacer la primera multiplicación por una
posición k, con i≤k<j:
(Mi x ... x Mk)x(Mk+1 x ... X Mj)
El resultado será el valor mínimo:
NMulti(i, j) = min (NMulti(i, k) + NMulti(k+1, j) + d[i-
1]·d[k]·d[j])
i≤k<j
Tablas usadas por el algoritmo:
El resultado será NMulti(1, n).
Necesitamos una posición para cada i, j, con 1 ≤ i ≤ j ≤ n.
20
Multiplicación encadenada de matrices
Tablas usadas por el algoritmo.
 Sea M una matriz [1..n, 1..n] de enteros. El algoritmo usará la
mitad de la matriz.j= 1 2 3 4
i=1 0 X X X 3
2 0 X X 2
3 0 X 1
4 0 0

• Forma de rellenar la tabla.

– Inicializar la matriz. Para todo i, desde 1 hasta n. M[i, i] = 0
– Aplicar la ecuación de recurrencia por diagonales.
M[i, j] = min (M[i, k] + M[k+1, j] + d[i-1]·d[k]·d[j])
i≤k<j
• Ejemplo. n= 4, d = (10, 20, 50, 1, 100)
j= 1 2 3 4
i=1 0 10.000 1.200 2.200
2 0 1.000 3.000
3 0 5.000
4 0
21
 Multiplicación encadenada de matrices
¿Cuál es el orden de complejidad de este algoritmo?

En la posición M[1, n] tenemos almacenado el número

mínimo de multiplicaciones escalares necesario (para la
ordenación que es óptima). Necesitamos calcular cuál es
esta ordenación óptima.
Usar una matriz auxiliar Mejork [1..n, 1..n] en la que se
almacene el mejor valor de k encontrado en cada paso
durante el cálculo de M (indica cuál fue el mínimo en cada
celda).
En el ejemplo Mejork
anterior.
j= 1 2 3 4
i=1 - 1 1 3
2 - 2 3
3 - 3
4 -

22