PR Dinamica2

Programacin dinmica:
Introduccin
Recordemos el problema de la mochila:

Se tienen n objetos fraccionables y una mochila.
El objeto i tiene peso pi y una fraccin xi (0xi1)
del objeto i produce un beneficio bixi.
El objetivo es llenar la mochila, de capacidad C,
de manera que se maximice el beneficio.
maximizar
sujeto a
bi xi
1i n
pi xi C
1i n
con 0 xi 1, bi 0, pi 0, 1 i n
Una variante: la mochila 0-1

xi slo toma valores 0 1, indicando que el objeto
se deja fuera o se mete en la mochila.
Los pesos, pi, y la capacidad son nmeros
naturales.
Los beneficios, bi, son reales no negativos.
Introduccin
Ejemplo:
n=3
C=15
(b1,b2,b3)=(38,40,24)
(p1,p2,p3)=(9,6,5)
Recordar la estrategia voraz:

Tomar siempre el objeto que proporcione mayor
beneficio por unidad de peso.
Se obtiene la solucin:
(x1,x2,x3)=(0,1,1), con beneficio 64
Sin embargo, la solucin ptima es:
(x1,x2,x3)=(1,1,0), con beneficio 78
Por tanto, la estrategia voraz no calcula

la solucin ptima del problema de la
mochila 0-1.
Introduccin
R. Bellman: Dynamic Programming,
Princeton University Press, 1957.
Tcnica de programacin dinmica

Se emplea tpicamente para resolver problemas
de optimizacin.
Permite resolver problemas mediante una
secuencia de decisiones.
Como el esquema voraz
A diferencia del esquema voraz, se producen
varias secuencias de decisiones y slamente al
final se sabe cul es la mejor de ellas.
Est basada en el principio de optimalidad de
Bellman:
Cualquier subsecuencia de decisiones
de una secuencia ptima de decisiones
que resuelve un problema
tambin debe ser ptima respecto al
subproblema que resuelve.
Introduccin
Supongamos que un problema se resuelve tras
tomar un secuencia d1, d2, , dn de decisiones.
Si hay d opciones posibles para cada una de las
decisiones, una tcnica de fuerza bruta
explorara un total de dn secuencias posibles de
decisiones (explosin combinatoria).
La tcnica de programacin dinmica evita
explorar todas las secuencias posibles por medio
de la resolucin de subproblemas de tamao
creciente y almacenamiento en una tabla de las
soluciones ptimas de esos subproblemas para
facilitar la solucin de los problemas ms
grandes.
El problema de la mochila 0-1
Sea mochila(k,l,P) el problema:

l
maximizar bi xi
ik
sujeto a pi xi P
ik
con xi {0,1} , k i l
El problema de la mochila 0-1 es mochila(1,n,C).
Ecuacin de recurrencia hacia adelante:

v
Si g j ( c ) es el beneficio (o ganancia total) de una
solucin ptima de mochila(j,n,c), entonces
v
v
v
g j (c ) max g j 1(c ) , g j 1(c p j ) b j
dependiendo de que el objeto j-simo entre o no

en la solucin (ntese que slo puede entrar si
c-pj0).
Adems,
v
gn 1 (c ) 0 , para cualquier capacidad c
Ambas ecuaciones permiten calcular g1 (C) ,

que es el valor de una solucin ptima de
mochila(1,n,C).
(Ntese que la ecuacin de recurrencia es

hacia adelante pero el clculo se realiza hacia atrs.)
Ecuacin de recurrencia hacia atrs:

w
Si g j (c ) es el beneficio (o ganancia total) de una
solucin ptima de mochila(1,j,c), entonces
w
w
w
dependiendo de que el objeto j-simo entre o no

en la solucin (ntese que slo puede entrar si
c-pj0).
Adems,
w
g0 (c ) 0 , para cualquier capacidad c
Ambas ecuaciones permiten calcular gn (C) ,

que es el valor de una solucin ptima de
mochila(1,n,C).
(Ahora la recurrencia es hacia atrs pero el clculo

se realiza hacia adelante.)
Tanto la recurrencia hacia adelante como hacia atrs

permiten escribir un algoritmo recursivo de forma
inmediata.
funcin mochila1(p,b:vector[1..n] de nat;

C:nat) devuelve nat
principio
devuelve g(n,C)
fin
funcin g(j,c:nat) devuelve nat
principio
si j=0 entonces devuelve 0
sino
si c<p[j]
entonces devuelve g(j-1,c)
sino
si g(j-1,c)g(j-1,c-p[j])+b[j]
entonces
devuelve g(j-1,c)
sino
devuelve g(j-1,c-p[j])+b[j]
fsi
fsi
fsi
fin
Problema: ineficiencia
Un problema de tamao n se reduce a dos
subproblemas de tamao (n-1).
Cada uno de los dos subproblemas se reduce a
otros dos
Por tanto, se obtiene un algoritmo exponencial.
Sin embargo, el nmero total de subproblemas a resolver no es tan grande:
w
La funcin g j (c ) tiene dos parmetros:
el primero puede tomar n valores distintos y
el segundo, C valores.
Luego slo hay nC problemas diferentes!
Por tanto, la solucin recursiva est

generando y resolviendo el mismo
problema muchas veces.
Para evitar la repeticin de clculos,

las soluciones de los subproblemas se
deben almacenan en una tabla.
w
Matriz nC cuyo elemento (j,c) almacena g j (c )
Para el ejemplo anterior:
n=3
C=15
(b1,b2,b3)=(38,40,24)
(p1,p2,p3)=(9,6,5)
0
p1 9 0
p2 6 0
p3 5 0
1
0
0
0
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
24
6
0
40
40
7
0
40
40
8
0
40
40
9
38
40
40
10
38
40
40
11
38
40
64
12
38
40
64
w
w
w
13
38
40
64
14
38
40
64
15
38
78
78

algoritmo mochila(ent p,b:vect[1..n]de nat;
ent Cap:nat;
sal g:vect[0..n,0..Cap]de nat)
variables c,j:nat
principio
para c:=0 hasta Cap hacer g[0,c]:=0 fpara;
para j:=1 hasta n hacer g[j,0]:=0 fpara;
para j:=1 hasta n hacer
para c:=1 hasta Cap hacer
si c<p[j]
entonces
g[j,c]:=g[j-1,c]
sino
si g[j-1,c]g[j-1,c-p[j]]+b[j]
entonces
g[j,c]:=g[j-1,c]
sino
g[j,c]:=g[j-1,c-p[j]]+b[j]
fsi
fsi
fpara
fpara
fin
Clculos posibles a partir de la tabla g:

beneficio total: g[n,Cap]
los objetos metidos en la mochila:
algoritmo objetos(ent p,b:vect[1..n]de nat;

ent Cap:nat;
ent g:vect[0..n,0..Cap]de nat)
principio
test(n,Cap)
fin
algoritmo test(ent j,c:nat)
principio
si j>0 entonces
si c<p[j] entonces test(j-1,c)
sino
si g[j-1,c-p[j]]+b[j]>g[j-1,c]
entonces
test(j-1,c-p[j]);
escribir('meter ',j)
sino test(j-1,c)
fsi
fsi
fsi
fin
Consideraciones finales
Cada componente de la tabla g se calcula en
tiempo constante, luego el coste de construccin
de la tabla es O(nC).
El algoritmo test se ejecuta una vez por cada
valor de j, desde n descendiendo hasta 0, luego
su coste es O(n).
Si C es muy grande, entonces esta solucin no es
buena.
Si los pesos pi o la capacidad C son reales,
esta solucin no sirve.
Camino de coste mnimo en un

grafo multietapa
Grafo multietapa:
Un grafo multietapa G=(V,A) es un grafo
dirigido en el que se puede hacer una particin
del conjunto V de vrtices en k (k2) conjuntos
distintos Vi, 1ik, tal que todo arco del grafo
(u,v) es tal que uVi y vVi+1 para algn i, 1i<k.
Los conjuntos V1 y Vk tienen un solo vrtice que
se llama vrtice origen, o, y vrtice destino, d,
respectivamente.
V1
V2
V3
2
5
1
2
3
1
5
4
6
9
7
11
V4
V5
5
9
10 d
12
Consideraremos grafos etiquetados.

Denotamos por c(u,v) el coste del arco (u,v).

grafo multietapa
El problema: Encontrar un camino de

coste mnimo que vaya de o a d.
Todo camino de o a d tiene exactamente un
vrtice en cada Vi, por eso se dice que cada Vi
define una etapa del grafo.
V1
V2
V3
2
5
1
2
3
1
5
4
6
9
7
11
V4
V5
5
9
12
10 d

grafo multietapa
Ejemplo de aplicacin:
Se tienen n unidades de un recurso que deben
asignarse a r proyectos.
Si se asignan j, 0jn, unidades al proyecto i se
obtiene un beneficio Ni,j.
El problema es asignar el recurso a los r
proyectos maximizando el beneficio total.

grafo multietapa
Formulacin como grafo multietapa:
Nmero de etapas: r+1
La etapa i, 1ir, representa el proyecto i.
Hay n+1 vrtices vi,j, 0jn, en cada etapa i,
2ir.
Las etapas 1 y r+1 tienen un vrtice, o=v1,0 y
d=vr+1,n, respectivamente.
El vrtice vi,j, 2ir, representa el estado en el
que se asignan un total de j unidades del
recurso a los proyectos 1, 2, , i-1.
Los arcos son de la forma (vi,j,vi+1,l) para todo
jl y 1i<r.
El arco (vi,j,vi+1,l), jl, tiene asignado un coste
Ni,l-j que corresponde a asignar l-j unidades
del recurso al proyecto i, 1i<r.
Adems hay arcos de la forma (vr,j,vr+1,n), que

tienen asignado un coste max { Nr , p }.
0p n j

grafo multietapa
Grafo resultante para r=3 y n=4.
La asignacin ptima est definida por un
camino de coste mximo de o a d.
Para convertirlo en un problema de camino
de coste mnimo basta cambiar los signos de
las etiquetas.
N 2,0
v2,0
v3,0
N 1,0
max { N 3,i }
i 0,1,2,3,4
N 2,1
N 1,1
N 2,0
v2,1
o v1,0
max { N 3,i }
N 2,2
N 2,3
N 1,2
v3,1
i 0,1,2,3
N 2,1
v2,2
N 2,0
v3,2
N 2,1
N 1,3
N 2,2
v2,3
N 2,0
N 2,1
N 1,4
v2,4
N
N 2,2 2,3
max{ N 3,i }
i 0,1
v3,3
N 2,4
N 2,0
max { N 3,i }
i 0,1,2
v3,4
N 3,0
d v4,4

grafo multietapa
Solucin de programacin dinmica:

V1
V2
V3
2
5
1
2
3
1
5
4
7
11
V4
V5
5
9
10 d
12
Cada camino de o a d es el resultado de una

secuencia de k-2 decisiones.
Decisin i-sima: determinar, a partir de un
vrtice vi de Vi, un arco que tenga a vi como
origen y algn nodo de Vi+1 como destino.
Principio de optimalidad:
El camino de coste mnimo debe contener
subcaminos de coste mnimo entre otros nodos.
Dem.: En otro caso, podran sustituirse dichos
subcaminos por otros mejores, resultando
un camino total de coste menor.

grafo multietapa
Ecuacin de recurrencia hacia adelante:
Sea s(i,j) un camino de coste mnimo C*(i,j)
desde el vrtice j del conjunto Vi hasta el
vrtice destino d.
Entonces:
c( j ,d) ,
C (k 1, j)
,
si ( j ,d) A
en otro caso
C (i , j) min c( j ,l) C (i 1,l) , para 1 i k 2

lV i 1
( j ,l)A
V1
V2
V3
2
5
1
2
3
1
5
4
6
9
7
11
V4
V5
5
9
12
10 d

grafo multietapa
c( j ,d) ,
C (k 1, j)
,
si ( j ,d) A
en otro caso
C (i , j) min c( j ,l) C (i 1,l) , para 1 i k 2

lV i 1
( j ,l)A
V1
V2
V3
2
5
1
2
3
1
5
4
6
9
7
11
V4
V5
5
9
10 d
12
C (3, 5) min{8 C (4 ,7),11 C (4 , 8),6 C (4 ,9)} 13

C (3,6) 4 C (4 , 8) 13
C (2, 2) min{3 C (3, 5),1 C (3,6)} 14
C (2, 3) 4 C (3, 5) 17
C (2, 4) min{5 C (3, 5),9 C (3,6)} 18
C (1,1) min{5 C (2, 2),7 C (2, 3), 2 C (2, 4)} 19

grafo multietapa
Falta almacenar las decisiones hechas en cada
etapa que minimizan el coste:
Sea D(i,j) el valor de l que minimiza
c ( j , l ) C (i 1 , l ).
Entonces el camino de coste mnimo es:

v1=1; v2=D(1,1); v3=D(2,D(1,1)); etc.
V1
V2
V3
2
5
5
4
6
9
7
11
V4
D(3, 5) 7 ; D(3,6) 8
D(2, 2) 6; D(2, 3) 5; D(2, 4) 5
D(1,1) 2
v1
v2
v3
v4
1
D(1,1) 2
D(2,D(1,1)) 6
D(3,D(2,D(1,1))) 8
V5
5
9
12
10 d

grafo multietapa
algoritmo multietapa(ent G=(V,A,c):grafo;
ent k,n:nat;
sal P:vect[1..k]de 1..n)
{Los vrtices estn numerados de forma que los
ndices de los vrtices de una etapa son mayores
que los ndices de los de la etapa anterior.
El primer ndice de C* y D, que slo identificaba
la etapa, se ha suprimido.}
variables C:vect[1..n]de real;

D:vect[1..n]de 1..n;
j,r:1..n
principio
C[n]:=0.0; {Clculo de C* y D}
para j:=n-1 descendiendo hasta 1 hacer
r:=vrtice t.q. (j,r)A 3
c(j,r)+C[r] es mnimo;
C[j]:=c(j,r)+C[r];
D[j]:=r
fpara;
P[1]:=1; P[k]:=n; {Construccin del camino}
para j:=2 hasta k-1 hacer
P[j]:=D[P[j-1]]
fpara
fin

grafo multietapa
Coste del algoritmo:

Si G est representado mediante listas de
adyacencia, entonces el clculo de r en el interior
del primer bucle lleva un tiempo proporcional al
grado del vrtice j.
Por tanto, si a es el nmero de arcos del grafo, el
coste total del algoritmo es (n+a).
(El segundo bucle lleva un tiempo (k).)

grafo multietapa
Anlogamente, se desarrolla la
recurrencia hacia atrs.
Ecuacin de recurrencia hacia atrs:
Sea s(i,j) un camino de coste mnimo C*(i,j)
desde el vrtice origen o hasta el vrtice j del
conjunto Vi.
Entonces:
c(o , j) ,
C (2, j)
,
si (o , j) A
en otro caso
C (i , j) min c(l , j) C (i 1,l) , para 3 i k

lV i 1
(l , j)A
V1
V2
V3
2
5
1
2
3
1
5
4
6
9
7
11
V4
V5
5
9
12
10 d

grafo multietapa
algoritmo multietapaB(ent G=(V,A,c):grafo;
ent k,n:nat;
sal P:vect[1..k]de 1..n)
{Los vrtices estn numerados de forma que los
ndices de los vrtices de una etapa son mayores
que los ndices de los de la etapa anterior.
El primer ndice de C* y D, que slo identificaba
la etapa, se ha suprimido.}
variables C:vect[1..n]de real;

D:vect[1..n]de 1..n;
j,r:1..n
principio
C[1]:=0.0; {Clculo de C* y D}
para j:=2 hasta n hacer
r:=vrtice t.q. (r,j)A 3
c(r,j)+C[r] es mnimo;
C[j]:=c(r,j)+C[r];
D[j]:=r
fpara;
P[1]:=1; P[k]:=n; {Construccin del camino}
para j:=k-1 descendiendo hasta 2 hacer
P[j]:=D[P[j+1]]
fpara
fin
Nota: La eficiencia es la misma si G est representado mediante
listas de adyacencia inversa.
Multiplicacin de una
secuencia de matrices
Se desea calcular el producto matricial:

M M1M2
Mn
Como es asociativo, existen varias formas

(Recordar que el algortimo resultante de la
definicin del producto de dos matrices pq y qr
necesita pqr multiplicaciones de escalares.)
Ejemplo: se quiere calcular el producto ABCD, de
las matrices A(135), B(589), C(893) y D(334).
( ( AB)C ) D)
( AB) (CD)
( A (BC ) ) D
A ( (BC ) D)
A (B (CD) )
n multip.
10582
54201
2856
4055
26418
El caso ms eficiente es casi 19 veces ms rpido

que el ms lento!
Cmo hallar el mejor mtodo?

1. Insertar los parntesis de todas las formas
posibles (significativamente diferentes).
2. Calcular para cada una el nmero de
multiplicaciones escalares requeridas.
Cuntas formas posibles T(n) de

insertar parntesis existen en un
producto de n matrices?
Si cortamos entre la i y la (i+1)-sima:
M (M1M2
Mi ) (Mi 1Mi 2
Mn )
Entonces tenemos T(i)T(n-i) formas distintas.

Como i puede tomar valores entre 1 y n-1:
T (n)
n1
T (i)T (n i) ,
i 1
T (1) 1
Nmeros de Catalan
para n 1
Los nmeros de Catalan crecen

exponencialmente.
De hecho puede demostrarse que:
1 2n 2
T (n)
n n 1
Por ejemplo:
n 1 2 3 4 5 10
15
T (n) 1 1 2 5 14 4862 2674440
Luego el mtodo directo no sirve.
S. Godbole: On efficient computation of
matrix chain
products, IEEE Transactions on
Computers, 22(9),
pp. 864-866, 1973.
Aplicacin del principio de

optimalidad:
Si el mejor modo de realizar el producto exige
dividir inicialmente entre las matrices i e
(i+1)-sima, los productos
M1M2 Mi y Mi1Mi 2 Mn
debern ser realizados de forma ptima para que
el total tambin sea ptimo.
Mtodo:
Construir la matriz [mij], 1ijn, donde mij da el
ptimo (i.e., el nmero de multiplicaciones
escalares requeridas) para la parte Mi Mi 1 M j
del producto total.
La solucin final vendr dada por m1n.
Construccin de [mij], 1ijn:
Guardar las dimensiones de las Mi, 1in, en
un vector d, de 0..n componentes, de forma
que Mi tiene dimensiones di-1di.
La diagonal s de [mij] contiene los mij tales
que j-i=s:
s 0:
mi ,i 0, para i 1, 2,
s 1:
mi ,i 1 di 1di di 1 , para i 1, 2,
1 s n: mi ,i s
min
i ki s 1
para i 1, 2,
,n
,n 1
(mik mk 1,i s di 1dkdi s ) ,
,n s
El tercer caso representa que para calcular

Mi Mi 1 Mi s se intentan todas las
posibilidades (Mi Mi 1 Mk ) (Mk 1Mk 2 Mi s )
y se escoge la mejor.
De forma ms compacta:
0,
si i j
mij min { m m
ik
k 1, j di 1dkd j } , si i j
i k j
Para el ejemplo anterior:
A(135), B(589), C(893) y D(334)

Se tiene d=(13,5,89,3,34).
Para s=1: m12=5785, m23=1335, m34=9078.
Para s=2:
m13 min(m11 m23 13 5 3, m 12 m33 13 89 3)

min(1530,9256) 1530
m24 min(m22 m34 5 89 34 , m 23 m44 5 3 34)
min(24208 ,1845) 1845
Para s=3: m14 min({k 1} m 11 m24 13 5 34 ,

{k 2} m 12 m34 13 89 34 ,
{k 3} m 13 m44 13 3 34)
min(4055, 54201 , 2856) 2856
La matriz es:
j 1 2
3
4
i 1 0 5785 1530 2856
2
s3
1335 1845
s2
3
4
9078
0
s 1
s 0
Solucin recursiva inmediata:

Aplicacin de la ecuacin recurrente.
Problema: complejidad exponencial.
Almacenamiento de las soluciones de

los subproblemas en una tabla:
Nmero de subproblemas: (n2).
algoritmo parentOpt(ent d:vect[0..n]de nat;
sal m:vect[1..n,1..n]de nat;
sal km:vect[1..n,1..n]de 1..n)
{m es la matriz [mij] definida antes;
km[i,j] guarda el ndice k para el que se alcanza
el mnimo al calcular m[i,j].}
variables i,r,j,k,q:nat;
principio
para i:=1 hasta n hacer
m[i,i]:=0
fpara;
para r:=2 hasta n hacer
para i:=1 hasta n-r+1 hacer
j:=i+r-1;
m[i,j]:=;
para k:=i hasta j-1 hacer
q:=m[i,k]+m[k+1,j]+d[i-1]*d[k]*d[j];
si q<m[i,j]
entonces
m[i,j]:=q;
km[i,j]:=k
fsi
fpara
fpara
fpara
fin
Coste en tiempo:
(n3)
Coste en memoria:
(n2)
Falta hacer el producto!

El elemento km[i,j] guarda el valor de ktal que la
divisin ptima de Mi Mi 1 M j parte el
producto entre Mk y Mk+1.
Por tanto:
funcin multSec(M:vect[1..n]de matriz;

km:vect[1..n,1..n]de 1..n;
i,j:1..n)
devuelve matriz
variables X,Y:matriz
principio
si j>i
entonces
X:=multSec(M,km,i,km[i,j]);
Y:=multSec(M,km,km[i,j]+1,j];
devuelve mult(X,Y)
sino
devuelve M[i]
fsi
fin
Caminos mnimos entre todos

los pares de nodos de un grafo
R.W. Floyd:
Algorithm 97: Shortest path,
Communications of the ACM, 5(6), p. 345, 1962.
Problema:
Clculo de los caminos de coste mnimo entre
todos los pares de vrtices de un grafo dirigido
sin ciclos de peso negativo.
Si i1, i2, , ik, ik+1, , in es un camino de coste
mnimo de i1 a in, entonces:
i1, i2, , ik es un camino de coste mnimo de
i1 a ik, y
ik, ik+1, , in es un camino de coste mnimo
de ik a in.
Aplicacin del principio:

Si k es el vrtice intermedio de mayor ndice en el
camino ptimo de i a j, entonces el subcamino de
i a k es un camino ptimo de i a k que, adems,
slo pasa por vrtices de ndice menor que k.
Lo anlogo ocurre con el subcamino de k a j.

Sea C(i,j) el coste de la arista (i,j) o infinito si esa
arista no existe. Sea C(i,i)=0.
Sea Dk(i,j) la longitud (o distancia) del camino de
coste mnimo de i a j que no pasa por ningn
vrtice de ndice mayor que k.
Sea D(i,j) la longitud del camino de coste mnimo
de i a j.
Entonces:
D(i , j) min min Dk 1 (i ,k ) Dk 1 (k , j) , C (i , j)

1 kn
D0 (i , j) C(i , j) , 1 i n, 1 j n
Ahora, un camino ptimo de i a j que no pase

por ningn vrtice de ndice mayor que k bien
pasa por el vrtice k no.
Si pasa por k entonces:
Dk (i , j) Dk 1 (i ,k ) Dk 1 (k , j)
Si no pasa por k entonces ningn vrtice

intermedio tiene ndice superior a k-1:
Dk (i , j) Dk 1 (i , j)

En resumen:
Se tiene la siguiente ecuacin recurrente que
define el mtodo de programacin dinmica.
Dk (i , j) min Dk 1 (i , j) , Dk 1 (i ,k ) Dk 1 (k , j) ,
k 1
D0 (i , j) C(i , j) , 1 i n, 1 j n

{Pre: g es un grafo dirigido etiquetado sin
ciclos negativos}
funcin Floyd(g:grafo)
devuelve vector[vrt,vrt] de etiq
variables D:vector[vrt,vrt] de etiq;
u,v,w:vrt; et,val:etiq
principio
{inicialmente la distancia entre dos vrtices
tiene el valor de la arista que los une;
las diagonales se ponen a cero}
para todo v en vrt hacer

para todo w en vrt hacer
D[v,w]:=etiqueta(g,v,w)
{ si no hay arco}
fpara;
D[v,v]:=0
fpara;
...

...
para todo u en vrt hacer
para todo v en vrt hacer
para todo w en vrt hacer
si D[v,u]+D[u,w]<D[v,w]
entonces D[v,w]:=D[v,u]+D[u,w]
fsi
fpara
fpara
fpara;
devuelve D
fin
{Post: D=caminosMnimos(g)}
Nota: pivotes(u) devuelve el conjunto de vrtices que

han sido pivotes en pasos anteriores del algoritmo.

Eficiencia temporal: (n3)

representacin con matriz de adyacencia:
igual que reiterar Dijkstra (Algoritmos
voraces,,pg. 16), aunque el interior del bucle en
Floyd es ms simple
representacin con listas de adyacencia:
Dijkstra + colas con prioridad est en (anlog n)
Espacio:
Floyd exige (n2) mientras que Dijkstra precisa
(n)
Ejercicio: clculo de las secuencias de

nodos que componen los caminos
mnimos
si el camino mnimo de m a n pasa primero por p
y despus por q, la secuencia de vrtices que
forman el camino mnimo de p a q forma parte de
la secuencia de vrtices que forman el camino
mnimo de m a n
usar un vector bidimensional C indexado por
vrtices: C[v,w] contiene un nodo u que forma
parte del camino mnimo entre v y w
Un problema de fiabilidad de
sistemas
El problema:
Disear un sistema compuesto de varios
dispositivos conectados en serie.
D1
D2
D3
Dn
Sea ri la fiabilidad de Di, i.e., la probabilidad de

que funcione correctamente.
Entonces, la fiabilidad del sistema sistema entero
es:
n
i 1ri
Por ejemplo, si n=10 y ri=0,99, 1i10, la
fiabilidad de cada dispositivo es muy alta y sin
embargo
10
i 1ri
0,904
sistemas
Una forma de aumentar la fiabilidad es duplicar
los dispositivos (en paralelo).
D1
D1
D1
D2
D2
D3
D3
D3
D3
Fase 1
Fase 2
Fase 3
Dn
Dn
Dn
Fase n
Si la fase i contiene mi copias de Di, la

probabilidad de que toda la fase falle es
(1 ri )mi
Luego la fiabilidad de la fase i es

1 (1 r i )mi
Por tanto, si ri=0,99 y mi=2, la fiabilidad de la fase

i es 0,9999.
En realidad, la fiabilidad de la fase i es algo
menor que 1 (1 r i )mi (las copias de un mismo
dispositivo no son completamente independientes pues su diseo es comn, por ejemplo);
si denotamos la fiabilidad de la fase i por i (mi )
entonces la fiabilidad del sistema es:
1i n i (mi )
sistemas
El problema: maximizar la fiabilidad duplicando
los dispositivos y con alguna limitacin en el
coste.
maximizar
sujeto a
i (mi )
1i n
ci mi c
1i m
mi 1 y entero , 1 i n
Donde ci es el coste de cada unidad de

dispositivo i.
Como ci>0 y mj1, entonces 1miui con
n
ui c ci c j ci
j 1
sistemas
Una solucin ptima m1, m2, , mn es el
resultado de una secuencia de decisiones, una
por cada mi.
Denotemos:
fi (x) mximo
sujeto a
1 j i
j (m j )
1 j i
cjm j x
1 mj u j , 1 j i
Entonces el valor de una solucin ptima es fn(c).
sistemas
La ltima decisin requiere elegir mn de entre
{1,2,3,,un}.
Una vez tomada la ltima decisin, las restantes
decisiones deben utilizar el resto de fondos
c-cnmn de forma ptima.
Se cumple el principio de optimalidad y
f n (c ) max
1 mn un
n ( mn )
f n 1 (c cnmn )
En general, para fi(x), i1, se tiene:
f i (x ) max i ( mi ) f i 1 (x ci mi )
1 mi ui
f 0 (x) 1, para todo x , 0 x c
Se resuelve de forma similar al problema de la

mochila 0-1 (ejercicio).
El problema del viajante de

comercio
Recordar:
Encontrar un recorrido de longitud mnima para
un viajante que tiene que visitar varias ciudades
y volver al punto de partida, conocida la
distancia existente entre cada dos ciudades.
Es decir, dado un grafo dirigido con arcos de
longitud no negativa, se trata de encontrar un
circuito de longitud mnima que comience y
termine en el mismo vrtice y pase exactamente
una vez por cada uno de los vrtices restantes
(circuito hamiltoniano).
Ms vueltas!

comercio
Sean G=(V,A) un grafo orientado,
V={1,2,,n},
Lij la longitud de (i,j)A,
Lij= si no existe el arco (i,j).
El circuito buscado empieza en el vrtice 1.
Se compone de (1,j), con j1, seguido de un
camino de j a 1 que pasa exactamente una vez
por cada vrtice de V\{1,j}.
Principio de optimalidad: si el circuito es ptimo,
el camino de j a 1 debe serlo tambin.
Sea SV\{1} un subconjunto de vrtices e
iV\S un vrtice;
llamamos g(i,S) a la longitud del camino mnimo
desde i hasta 1 que pase exactamente una vez
por cada vrtice de S.
Entonces:
longitud del circuito ptimo =
g (1,V \{1})
min L1 j g ( j ,V \{1, j})

2 j n

comercio
Ms en general, si i1, S e iS:
g (i ,S) min Lij g ( j ,S \{ j})

jS
(*)
Adems:
g (i ,) Li 1 ,
i 2, 3,,n
Mtodo de resolucin:
Usar (*) y calcular g para todos los conjunto
S con un solo vrtice (distinto del 1).
Volver a usar (*) y calcular g para todos los
conjuntos S de dos vrtices (distintos del 1) y
as sucesivamente.
Cuando se conoce el valor de g para todos
los conjuntos S a los que slo les falta un
vrtice (distinto del 1) basta calcular
g(1,V\{1}).

comercio
Ejemplo. Sea G el grafo completo de

cuatro vrtices con longitudes:
0
L 5
6
8
10
0
13
8
15
9
0
9
20
10
12
0
Inicializacin:
g(2,) = 5;
g(3,) = 6;
g(4,) = 8.
Usar (*) para obtener:

g(2,{3}) = L23 + g(3,) = 15;
g(2,{4}) = L24 + g(4,) = 18;
g(3,{2}) = 18;
g(4,{2}) = 13;
g(3,{4}) = 20;
g(4,{3}) = 15.

comercio
Ahora, utilizando de nuevo (*) para conjuntos de
dos elementos:
g (2,{ 3, 4}) min L23 g (3,{ 4}) , L24 g (4 ,{ 3})

min{ 29, 25} 25;
g (3,{ 2, 4}) min L32 g (2,{ 4}) , L24 g (4 ,{ 2})

min{ 31, 25} 25;
g (4 ,{ 2, 3}) min L42 g (2,{ 3}) , L43 g (3,{ 2})

min{ 23, 27} 23.
Finalmente:
g (1,{ 2, 3, 4}) min{ L12 g (2,{ 3, 4}) ,
L13 g (3,{ 2, 4}) ,
L14 g (4 ,{ 2, 3}) }
min{ 35, 40, 43 } 35.

comercio
Si adems se quiere saber cmo se

construye el circuito ptimo:
Utilizar una funcin adicional
J(i,S) es el valor de j que minimiza g(i,S) al aplicar
la frmula (*).
En el ejemplo:
J(2,{3,4}) = 4;
J(4,{2,3}) = 2;
J(3,{2,4}) = 4;
J(1,{2,3,4}) = 2.
Y el circuito ptimo ser pues:

1 J(1,{2,3,4}) = 2
J(2,{3,4}) = 4
J(4,{3}) = 3
1

comercio
Coste del algoritmo:

clculo de g(j,): n-1 consultas a una tabla,
clculo de los g(j,S) tales que 1card(S)=kn-2:
(n 1) n 2 k sumas en total ,
k
clculo de g(1,V\{1}): n-1 sumas.

Tiempo de clculo:
n2
n 2
2(n 1) (n 1)k
n2 2n
k
k 1
Puesto que
r
k
k r 2r 1
k 1
(Este tiempo es mejor que (n!) que resultara de

la estrategia de fuerza bruta, pero)
Coste en espacio (para conservar g y J): (n2n)

comercio
Para hacernos una idea del coste
tiempo
espacio
nmero de
tiempo
vrtices fuerza bruta prog . dinmica prog . dinmica
n
n!
n2 2n
n 2n
5
10
15
20
120
3628800
1 , 31 1012
2 , 43 1018
800
102400
7372800
419430400
160
10240
491520
20971520

comercio
Implementacin recursiva ineficiente:

funcin g(i,S) devuelve nat
variables msCorto,distancia,j:nat
principio
si S=
entonces
devuelve L[i,1]
sino
msCorto:=;
para todo j en S hacer
distancia:=L[i,j]+g(j,S\{j});
si distancia<msCorto
entonces
msCorto:=distancia
fsi
fpara;
devuelve msCorto
fsi
fin
Se calcula repetidas veces el mismo valor de g: ((n-1)!)

comercio
Utilizacin de una funcin con

memoria:
{se usa una tabla gtab cuyos elementos se
inicializan con -1}
funcin g(i,S) devuelve nat

variables msCorto,distancia,j:nat
principio
si S= entonces devuelve L[i,1]
sino
si gtab[i,S]0
entonces devuelve gtab[i,S]
sino
msCorto:=;
para todo j en S hacer
distancia:=L[i,j]+g(j,S\{j});
si distancia<msCorto
entonces msCorto:=distancia
fsi
fpara;
gtab[i,S]:=msCorto;
devuelve msCorto
fsi
fsi
fin
Planificacin de trabajos
El problema:
Sea un sistema en el que la realizacin de un conjunto de trabajos requiere la ejecucin por parte
de un conjunto de agentes (o procesadores) de
una serie de tareas diferentes para cada trabajo.
n trabajos requiriendo cada uno m tareas:

T1i, T2i, , Tmi, 1in
la tarea Tji la realiza el procesador Pj, 1jm,
y requiere un tiempo tji
Planificacin para los n trabajos:

Es una asignacin de tareas a intervalos de
tiempo en los procesadores.
la tarea Tji debe asignarse a Pj
un procesador no puede tener ms de una
tarea asignada en cada instante de tiempo
para todo trabajo i, el procesamiento de Tji,
j>1, no puede empezar hasta que Tj-1,i haya
terminado
Ejemplo:
Se tiene que planificar la ejecucin de dos
trabajos en tres procesadores, de forma que los
tiempos de cada tarea vienen dados por:
2 0
T 3 3
5 2
Dos planificaciones posibles:
(a)
(b)
tiempo 0 1
P1
T11
P2
T22
P3
tiempo 0 1
P1
T11
P2
T22
P3
T21
T22
T31
3
T21
T32
10 11 12
T32
10 11 12
T31
La planificacin (b) se dice no apropiativa (nonpreemptive) porque el procesamiento de una tarea

no se interrumpe hasta que sta ha terminado.
La planificacin (a) se dice apropiativa
(preemptive) porque el trabajo 1 se apropia del
procesador 2 antes de que ste termine con el
trabajo 2.
El tiempo de terminacin del trabajo i en la
planificacin S es el instante, fi(S), en que todas
las tareas del trabajo i han terminado.
En el ejemplo (a), f1(Sa)=10 y f2(Sa)=12.
En el ejemplo (b), f1(Sb)=11 y f2(Sb)=5.
El tiempo de terminacin, f(S), de la planificacin
S es:
F (S) max f i (S)

1i n
El tiempo medio de terminacin, MFT(S), se

define como:
MFT(S)
1
f i (S)
n 1i n
Planificacin con tiempo de terminacin ptimo
(OFT) para un conjunto de trabajos:
es una planificacin no apropiativa, S, para la
que F(S) es mnimo entre todas las
planificaciones no apropiativas.
Planificacin apropiativa y con tiempo de
terminacin ptimo (POFT):
es una planificacin apropiativa, S, para la que
F(S) es mnimo entre todas las planificaciones
apropiativas.
Planificacin con tiempo medio de terminacin

ptimo (OMFT):
es una planificacin no apropiativa, S, para la
que MFT(S) es mnimo entre todas las
planificaciones no apropiativas.
Planificacin apropiativa y con tiempo medio de
terminacin ptimo (POMFT):
es una planificacin apropiativa , S, para la que
MFT(S) es mnimo entre todas las planificaciones
apropiativas.
El clculo de OFT y POFT para m>2 y el clculo
de OMFT es computacionalmente difcil
(es NP-duro).
El clculo de OFT para m=2 puede hacerse
mediante programacin dinmica.
Caso m=2:
Denotemos T1i como ai y T2i como bi.
Una planificacin est completamente
especificada fijando una permutacin de los
trabajos en uno de los procesadores (coincidir
con el otro procesador).
Cada tarea empezar tan pronto como sea
posible.
Ejemplo con 5 trabajos:
P1
P2
a5
a1 a3 a2
b5
a4
b1 b3 b2
planificacin (5,1,3,2,4)
b4
Supongamos, para simplificar, que ai0, 1in
(si hay trabajos con ai=0, se construye primero la
planificacin ptima para los trabajos con ai0 y
despus se aaden delante los trabajos con ai=0).
Una permutacin (planificacin) ptima es tal
que, fijado el primer trabajo de la permutacin, el
resto de la permutacin es ptimo con respecto
al estado en que quedan los dos procesadores
despus de terminar el primer trabajo.
Sea g(S,t) la longitud (duracin) de una
planificacin ptima para el subconjunto de
trabajos S suponiendo que el procesador 2 no
estar disponible hasta el instante t.
Entonces:
g (S,t) min ai g S \{i} ,bi max{t ai ,0}

i S
con g(,t) = max{t,0} y ai0, 1in.
caso tai:
ai
t+bi
aj, jS\{i}
ai
bj, jS\{i}
bi
t+bi-ai
0
caso t<ai:
0 t ai ai+bi
aj, jS\{i}
ai
bj, jS\{i}
bi
bi
La ecuacin recursiva resultante podra
resolverse de forma anloga a la del problema
del viajante de comercio, pero existe una
solucin mejor
Supongamos que i y j son los dos primeros
trabajos (y en ese orden) en la planificacin
ptima del subconjunto S; entonces:
g (S,t) ai g (S \{i} ,bi max{t ai ,0})
ai a j g (S \{i , j} ,bj max{bi max{t ai ,0} a j ,0} )
tij
Pero:
tij b j max{bi max{t ai ,0} a j ,0}

b j bi a j max{ max{t ai ,0} ,a j bi }
b j bi a j max{t ai ,a j bi ,0}
b j bi a j ai max{t ,ai a j bi ,ai }
Si los dos primeros trabajos fueran j e i:

g (S,t) a j ai g (S \{ j ,i} ,bi b j ai a j max{t ,a j ai b j ,a j })
Entonces:
g (S,t) g (S,t)
max{t ,ai a j bi ,ai } max{t ,a j ai b j ,a j }
Para que esto sea cierto para todo valor de t, se

precisa:
max{ai a j bi ,ai } max{a j ai b j ,a j }
Es decir:
ai a j max{ bi , a j } a j ai max{b j , ai }
O sea:
min{bi ,a j } min{b j ,ai }
(*)
Luego existe una planificacin ptima en la que

cada par (i,j) de trabajos adyacentes verifica (*).
Puede demostrarse que todas las planificaciones
que verifican (*) tienen la misma longitud.
Por tanto, basta generar una permutacin para la
que se cumpla (*) para todo par de trabajos
adyacentes.
Ahora, si
min{a1 ,a2 ,
,an ,b1 ,b2 ,
bn } ai
Entonces el trabajo i debera ser el primero en

una planificacin ptima.
En cambio, si
min{a1 ,a2 ,
,an ,b1 ,b2 ,
bn } bj
Entonces el trabajo j debera ser el ltimo en una

planificacin ptima.
Luego podemos decidir la posicin de uno de los

trabajos (el primero o el ltimo).
Repitiendo el proceso, se puede construir la
planificacin ptima.
Por tanto la solucin es:

i) ordenar los ai y bi en orden no decreciente;
ii) si el siguiente nmero de la secuencia es ai y el

trabajo i no ha sido planificado todava,
planificar el trabajo i en la posicin ms a la
izquierda de entre los que restan;
si el siguiente nmero es bj y el trabajo j no ha
sido planificado todava, planificar el trabajo j en
la posicin ms a la derecha de entre los que
restan;
(ntese que el algoritmo sirve tambin si hay
trabajos con ai=0)
Ejemplo:
Sean n=4, (a1,a2,a3,a4) = (3,4,8,10) y
(b1,b2,b3,b4) = (6,2,9,15).
La secuencia ordenada de los ai y los bi es:
(b2,a1,a2,b1,a3,b3,a4,b4) = (2,3,4,6,8,9,10,15).
Sea 1,2,3,4 la secuencia ptima.
Como el nmero menor es b2, entonces 4=2.
El siguiente nmero es a1 luego 1=1.
El siguiente es a2 pero el trabajo 2 ya ha sido
planificado.
El siguiente es b1 pero 1 ya ha sido
planificado.
El siguiente es a3 luego hacemos 2=3.
Por tanto, 3=4.
Coste: O(n log n)
Ntese que la solucin directa de
g (S,t) min ai g S \{i} ,bi max{t ai ,0}

i S
hubiera llevado al menos O(2n), que es

el nmero de subconjuntos S diferentes
para los que habra que calcular g(S,t).

PR Dinamica2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PR Dinamica2

Transféré par

Droits d'auteur :

Formats disponibles

Programacin dinmica:

Recordemos el problema de la mochila:

Una variante: la mochila 0-1

Recordar la estrategia voraz:

Por tanto, la estrategia voraz no calcula

Tcnica de programacin dinmica

El problema de la mochila 0-1

Sea mochila(k,l,P) el problema:

El problema de la mochila 0-1 es mochila(1,n,C).

El problema de la mochila 0-1

Ecuacin de recurrencia hacia adelante:

dependiendo de que el objeto j-simo entre o no

Ambas ecuaciones permiten calcular g1 (C) ,

(Ntese que la ecuacin de recurrencia es

El problema de la mochila 0-1

Ecuacin de recurrencia hacia atrs:

dependiendo de que el objeto j-simo entre o no

Ambas ecuaciones permiten calcular gn (C) ,

(Ahora la recurrencia es hacia atrs pero el clculo

El problema de la mochila 0-1

Tanto la recurrencia hacia adelante como hacia atrs

funcin mochila1(p,b:vector[1..n] de nat;

El problema de la mochila 0-1

Sin embargo, el nmero total de subproblemas a resolver no es tan grande:

Por tanto, la solucin recursiva est

El problema de la mochila 0-1

Para evitar la repeticin de clculos,

El problema de la mochila 0-1

El problema de la mochila 0-1

Clculos posibles a partir de la tabla g:

algoritmo objetos(ent p,b:vect[1..n]de nat;

El problema de la mochila 0-1

Camino de coste mnimo en un

Consideraremos grafos etiquetados.

Camino de coste mnimo en un

El problema: Encontrar un camino de

Camino de coste mnimo en un

Camino de coste mnimo en un

Adems hay arcos de la forma (vr,j,vr+1,n), que

Camino de coste mnimo en un

Camino de coste mnimo en un

Solucin de programacin dinmica:

Cada camino de o a d es el resultado de una

Camino de coste mnimo en un

C (i , j) min c( j ,l) C (i 1,l) , para 1 i k 2

Camino de coste mnimo en un

C (i , j) min c( j ,l) C (i 1,l) , para 1 i k 2

C (3, 5) min{8 C (4 ,7),11 C (4 , 8),6 C (4 ,9)} 13

Camino de coste mnimo en un

Entonces el camino de coste mnimo es:

Camino de coste mnimo en un

variables C:vect[1..n]de real;

Camino de coste mnimo en un

Coste del algoritmo:

Camino de coste mnimo en un

C (i , j) min c(l , j) C (i 1,l) , para 3 i k

Camino de coste mnimo en un

variables C:vect[1..n]de real;

Se desea calcular el producto matricial:

Como es asociativo, existen varias formas

El caso ms eficiente es casi 19 veces ms rpido

Cmo hallar el mejor mtodo?

Cuntas formas posibles T(n) de