Libro 3 Esquemas Algorítmicos PDF

ESQUEMAS ALGORÍTMICOS
This page intentionally left blank

JUAN RAMÓN RICO
ESQUEMAS
ALGORÍTMICOS
PUBLICACIONES DE LA UNIVERSIDAD DE ALICANTE

Publicaciones de la Universidad de Alicante
Campus de San Vicente s/n
03690 San Vicente del Raspeig
publicaciones@ua.es
http://publicaciones.ua.es
Teléfono: 965903480
Fax: 965909445
© Juan Ramón Rico, 2003

© de la presente edición: Universidad de Alicante
I.S.B.N.: 84-7908-757-9
Depósito Legal: MU-1778-2003
Diseño de portada: candela + alenda

Impresión: Compobell, S.L.
C/. Palma de Mallorca, 4 - bajo
30009 Murcia
Reservados todos los derechos. No se permite reproducir, almacenar en sistemas de recuperación de la información ni
transmitir alguna parte de esta publicación, cualquiera que sea el medio empleado —electrónico, mecánico, fotocopia,
grabación, etc.—, sin el permiso previo de los titulares de la propiedad intelectual.
Contenido
1. Preliminares 11
/. / Introducción 13
1.2 ;Oué es un algoritmo? 14
1.3 ¿Oué es la algoritmia? 14
1.4 Notación para los programas 16
1.3 Notación matemática. 16
2. Programación dinámica 21
2. / Introducción 21
2.2 Esquema recursivo 33
2.2A Principio de inducción general 41
2.2.2 Principio de optimalidad 44
2.3 Esquema iterativo AA
44
2.3.1 Estructura indexada de datos 47
2.3.2 Esquema Iterativo 49
2.4 Problemas resueltos 49
2.4.1 Hallar e! camino mínimo en un grafo multietapa 53
2.4.2 Mínima distancia de edición entre dos cadenas 54
2.4.3 Secuencia mínima para calcular el producto entre matrices 61
2.5 Ejercicios 66
2.5.1 Inversiones 70
2.5.2 Transporte de mármoi 70
2.5.3 Conexiones en Internet 71
2.5.4 Evacuación de una isla 71
2.5.5 Dónde llenar el depósito de gasolina 72
2.5.6 Salir del laberinto 72
2.6 Soluciones 73
3 Ramificación y poda 93
3. l Introducción 93
3.2 Esquema básico de resolución de problemas 99
3.3 Refinamientos sobre el esquema básico 105
3.3.1 Primer refinamiento 106
3.3.2 Segundo refinamiento 109
3.3.3 Solución subóptima 112
3.4 Teoría de juegos 113
3.5 Problemas resueltos 117
3.5.1 El problema de la mochila discreto 0/1 118
3.5.2 El Viajante de Comercio 123
3.6 Ejercicios 729
3.6.1 Dónde llenar el depósito de gasolina 130
3.6.2 Reservas de laboratorio 131
3.6.3 Puzzle 131
3.6.4 Construcción de edificios 132
3.6.5 Cena de empresa 132
3.6.6 Viaie en autobuses 133
3.7 Soluciones 735
Referencias 149
índice analítico 151
7
Prefacio
En este libro se describe la materia que sustenta la asignatura de Esquemas

Algorítmicos que se imparte en el tercer curso de Ingeniería en Informática como troncal, en
Ingeniería Técnica en Informática de Gestión y de Sistemas como optativa, en la Escuela
Politécnica Superior.
El autor, profesor que coordina la asignatura en el momento de redactar este libro,

pretende dotar al alumno de una guía básica que le permita alcanzar los conocimientos
necesarios para ser capaz de evaluar algoritmos de optimización en cuanto a su eficiencia.
El libro comienza con el capítulo 1 que contiene conceptos preliminares. En él se

repasa las nociones básicas como la de algoritmo, algoritmia y notación matemática que se
utilizará a io largo de este libro. El capítulo 2 está dedicado a la programación dinámica.
Primero se hace una introducción para que el alumno tenga una idea intuitiva de este esquema
de programación, para posteriormente profundizar en su descripción y en su eficiencia. Como
apartado final de este capítulo se presenta problemas resueltos y comentados, así como,
ejercicios complementarios con sus soluciones correspondientes. Él capítulo 3, mantiene la
misma estructura que el capítulo anterior se explica el esquema de programación de
ramificación y poda. Luego, se comienza con una introducción para intuir el comportamiento del
algoritmo. Se profundiza más en la descripción y desarrollo de este esquema en los apartados
del esquema básico y refinamientos sobre el esquema básico. Para concluir este capítulo 3, se
presentan problemas resueltos y comentados, así como, ejercicios complementarios con las
soluciones correspondientes,
Para finalizar, únicamente decir que esta obra no pretende ser una versión definitiva de
la asignatura si no que es una primera versión desarrollada a partir de los apuntes de esta
asignatura y que pretende completarlos.
Por último, agradecer a los alumnos que han cursado la asignatura en años anteriores
sus preguntas y comentarios que han contribuido a la realización de esta obra. Gracias a todos
por vuestra contribución y vuestro interés.
Juan Ramón Rico

1. Preliminares
Planteamiento:
La forma que tenemos de resolver problemas es mediante algoritmos.

Estos consisten en una serie de pasos ordenados de forma que son capaces de
resolver un problema. Se debe comprender las fases que constituyen el ciclo de
desarrollo de un algoritmo porque son fundamentales para entender su utilidad y
aplicación en la práctica. Un algoritmo se idea, se expresa, se valida, se analiza y
se testea, cada una de estas fases es necesaria para que tengamos un algoritmo
consistente y eficaz.
Todos estos conceptos fueron vistos en la asignatura Programación

Metódica de 2Q, en esta unidad pretendemos repasarlos. Además, presentaremos
las matemáticas que se utilizarán para resolver problemas en apartados
posteriores.
Objetivos:
• Que el alumno conozca las fases de desarrollo de un algoritmo.

• Que el alumno entienda la utilidad de las fases de desarrollo de un algoritmo.
11
Preliminares
1.1 Introducción
Este libro se establece como un complemento de la asignatura del mismo nombre,

Esquemas Algorítmicos. Pretende ser una guía para que el alumno pueda aprender y
comprobar su nivel de conocimientos.
A lo largo de este libro se presentarán dos esquemas eficientes para disminuir la

complejidad temporal de algunos problemas.
Los esquemas son características comunes a un tipo de problema dado, por lo que si
examinamos dicho esquema seremos capaces de resolver cualquier problema que cumpla con
las mencionadas características comunes.
Los esquemas de programación como divide y vencerás, vuelta atrás (backtracking),

algoritmos voraces (greedy), así como el cálculo de complejidades y verificación de programas
son conceptos que se han visto en la asignatura de Programación Metódica. Este libro tomará
como base alguno de estos conceptos para construir nuevos esquemas, calcular sus
complejidades y verificarlos.
En la Figura 1 y en la Figura 2 se puede observar las principales funciones de

complejidad temporal. Podemos distinguir entre las complejidades polinómicas y
exponenciales:
• Polinómicas: Las variables están en la base y tienen exponente constante.

• Exponenciales: Existe algún término con exponente variable.
Figura I . Complejidades polinómicas más representativas.
13
Preliminares
Figura 2. Principales complejidades exponenciales.
1.2 ¿Qué es un algoritmo?

Un algoritmo, nombre que proviene de! matemático persa del siglo IX Khowárizmí, es
un conjunto de reglas para efectuar algún cálculo, bien sea a mano o, más frecuentemente, en
una máquina. En este libro nos preocupan fundamentalmente los algoritmos que van a ser
utilizados en el ordenador. Sin embargo, también podrían incluirse otros métodos sistemáticos
para calcular un resultado; los métodos que aprendimos en la escuela para sumar, multiplicar y
dividir números, son también algoritmos.
Cuando se utiliza un algoritmo para calcular la respuesta de un problema concreto,

aplicando las reglas correctamente, la respuesta será correcta. Pero cuando necesitamos que
el tiempo de respuesta sea lo menor posible, tenemos que aplicar un algoritmo más eficiente.
Si necesitamos una respuesta exacta habrá que estudiar la complejidad temporal del
algoritmo actual y encontrar otro algoritmo más eficiente que la mejore. Si queremos una
respuesta aproximada, podemos aplicar algoritmos heurísticos (no es el objetivo de este libro).
1.3 ¿Qué es la algoritmia?

Se puede definir la algoritmia como la ciencia que estudia los algoritmos. Cuando nos
disponemos a resolver un problema, es posible que haya toda una gama de algoritmos
disponibles. En este caso, es importante decidir cuál de ellos hay que utilizar. Dependiendo de
nuestras prioridades y de los límites del equipo que esté disponible para nosotros, quizá
necesitemos seleccionar el algoritmo que requiera menos tiempo, o el que utilice menos
espacio, o el que sea más fácil de programar y así sucesivamente. La respuesta puede
depender de muchos factores, tales como los números implicados, la forma en que se presenta
el problema, o la velocidad y capacidad de almacenamiento del equipo de computación
disponible. La algoritmia es la ciencia que nos permite evaluar el efecto de estos diferentes
factores externos sobre los algoritmos disponibles, de tal modo que sea posible seleccionar el
que más se ajuste a nuestras circunstancias particulares; también es la ciencia que nos indica
la forma de diseñar un nuevo algoritmo para una tarea concreta.
14
Preliminares
Podemos distinguir 5 áreas de trabajo fundamentales en algoritmia:
Cómo se idean algoritmos.

Esta parte es más bien un arte depende de los conocimientos de la persona o equipo
tenga para solucionar el problema. No se puede automatizar.
Se suele estudiar varias técnicas que puedan dar buenos resultados y elegir la más
conveniente. Nos basaremos en los esquemas estudiados en la asignatura de Programación
Metódica (divide y vencerás; vuelta atrás), y desarrollaremos otros como los de programación
dinámica y ramificación y poda.
Cómo se expresan los algoritmos.

Existen tres paradigmas ampliamente utilizados: imperativo, funcional y lógico. El
primero, está basado en órdenes, es el que vamos a utilizar en este libro y que se puede
implementar en lenguajes imperativos como C, Pascal, Modula, etc. El paradigma funcional y el
lógico se basan en el procesamiento de listas y en la demostración de cláusulas,
respectivamente. Un ejemplo de lenguaje de programación funcional es LISP y de
programación lógica es Prolog.
Los paradigmas anteriores pueden complementarse con la Programación Orientada a

Objetos (POO) que es una evolución de! tratamiento tradicional entre los datos y las funciones
o procedimientos que los manipulan. Se trabaja con entidades independientes llamadas clases.
Éstas tienen estados internos y métodos asociados para que estos objetos cambien su estado
o se relacionen con otros. La POO tiene como característica la encapsulación, polimorfismo y
la abstracción. Existen clases simples y complejas, éstas últimas pueden generarse mediante
herencia o agregación.
Cómo se validan algoritmos.

Una vez que se ha ideado un algoritmo hay que demostrar que el algoritmo siempre
funcionará correctamente. Es decir, el algoritmo tiene que ser correcto y responder a los
parámetros de entrada con la respuesta adecuada.
En una segunda fase se verifica el programa. Cuando tenemos el programa en uno de

los paradigmas anteriores hay que demostrar que el diseño de nuestro programa nos dará el
resultado correcto.
Análisis de los algoritmos.

Cuando los algoritmos los tenemos diseñados y sabemos que su funcionamiento es
correcto debemos calcular la complejidad espacial y temporal. Con lo que tendremos la rapidez
y los recursos que consumirá nuestro algoritmo para luego poder compararlo objetivamente
con otros algoritmos existentes.
15
Preliminares
Cómo se testean algoritmos.

Cuando queremos detenernos en detalles de nuestro algoritmo una vez programado
podemos utilizar:
• Depurador: Orientado a la depuración de errores con ejecuciones paso a paso, punto

de parada y visualización de valores internos del programa.
• Perfilador1: Orientado ai análisis de tiempos para mejorar la eficiencia. Evaluación de
tiempos de funciones o procedimientos y la totalización cuando finaliza el programa.
Con ello podemos saber realmente que funciones debemos optimizar para que el
rendimiento de nuestro programa mejore temporalmente.
1.4 Notación para los programas

Es importante decidir la forma en que vamos a describir nuestros algoritmos. Si
intentamos explicarlos en lenguaje natural, descubriremos rápidamente que estos lenguajes no
están en absoluto adaptados para este tipo de cosas. Para evitar la confusión, en el futuro
especificaremos nuestros algoritmos dando el correspondiente programa. Suponemos que el
lector está familiarizado con lenguajes de programación estructurados. Sin embargo, no nos
limitaremos estrictamente a ningún lenguaje de programación concreto: de esta manera, los
objetivos de un algoritmo no resultarán oscurecidos por detalles de programación relativamente
poco importantes.
Hay algunos aspectos de nuestra notación para los programas que merecen especial
atención. Utilizaremos frases en español en nuestros programas siempre que esto produzca
sencillez y claridad. De manera similar, utilizaremos el lenguaje matemático, tal como el del
álgebra y de la teoría de conjuntos, siempre que sea necesario.
1.5 Notación matemática

Esta sección revisa la notación matemática que utilizaremos a lo largo de libro. Es una
revisión rápida, por lo que suponemos que el lector está familiarizado con la mayor parte de
ella. Sin embargo, recomendamos leerla porque presentamos la mayoría de los símbolos que
se van a utilizar.
Cálculo booleano
Existen dos valores Verdadero y Falso. Una variable booleana solamente puede tomar
uno de estos dos valores. Si p es una variable booleana, escribimos p es Verdadero, o bien
simplemente p. En la Tabla 1 se puede ver un resumen de las principales operaciones entre los
valores booleanos.
Variables conjuncton Disyuncion Negacton Implicaton

p Q P-Q P-Q p P=q p-q
Falso Falso Falso Falso Verdadero Verdadero
Falso Verdadero Falso Verdadero Verdadero Verdadero
Verdadero Falso Falso Verdadero Falso Falso
Verdadero Verdadero Verdadero Verdadero Falso Verdadero
Tabla I . Operaciones básicas booleanas
1
Perfilador está traducido de la palabra inglesa proíiling.
16
Preliminares
Teoría de conjuntos
Aun cuando revisemos aquí los principales símbolos que se utilizan en la teoría de
conjuntos, suponemos que el lector ya está familiarizado con la noción de conjunto. Por lo tanto
en lo que sigue no se proporciona una definición formal. A todos los efectos prácticos, resulta
suficiente pensar que un conjunto es una colección no ordenada de elementos distintos. Un
conjunto se dice finito si contiene un número determinado de elementos; en caso contrario el
conjunto es infinito. Si X es un conjunto finito, X , es la cardinalidad (n- de elementos).El
conjunto vacío,0, tiene cardinalidad 0.
La forma más sencilla de representar un conjunto es entre llaves. Por ejemplo, {2,3,5,7}
que es el conjunto de números primos de una sola cifra.
Las partes de un conjunto se define como todos los subconjuntos que se pueden
forman con los elementos de ese conjunto sin repetirse y de tamaño O hasta el mismo tamaño
del conjunto. Por ejemplo 7:'({a,b,c})-(0,{a},{b},{c}1{a,b},{a,c},{b,c},{a,b,c})
Normalmente se utilizan letras minúsculas para elementos {.\,y,;} y mayúsculas para los
conjuntos {X,Y,7}. También destacar que las letras iniciales del abecedario suelen representar
elementos constantes {a=1,b=3,c=7} y las letras finales representan variables (Vxe Y,B\e /F).
También podemos utilizar cuantificadores, los símbolos V y 3 se leen "para todo" y
"existe" respectivamente.
Un resumen de las operaciones que podemos realizar entre conjuntos y sus elementos
lo tenemos reflejado en la Tabla 2.
Simbolo Ejemplo Explicacion

j Un elemento pertenece o no a un conjunt
Resto de la división entera
El conjunto de los números pares
| X está inc'uido en Y, o puede llegar a ser el mismo en el segundo cas
j Unión de qtos. Elementos que pertenecen a X o a Y
i intersección de cjtos. Elmentos que pertenece a X y a Y
Diferencia entre X e Y. Elementos de X que no pertenecen a Y.
| Producto cartesiano. Combinación de tupias de X con Y. (x,y) e Xx
Tabla 2. Operaciones básicas realizadas sobre conjuntos y elementos.
Enteros, reales e intervalos

Denotaremos el conjunto de los números enteros por Z-{...,-2,-1,0,1,2,...} y el de los
naturales por .'Y={0,1,2,...}, y el de los naturales positivos por ^Th={1,2,3,....}. De igual forma el
conjunto de los números reales se representa por 7!.
Un intervalo es un conjunto de números reales que están comprendidos entre dos

límites. Sean a y b dos números reales tales que a<b.
Un intervalo entero es un conjunto de números enteros que están comprendidos entre

dos límites. Sean / y / dos números enteros tales que i<j+l (Tabla 3).
Intervale Expresion
Tabla 3. Tipos de intervalos.
17
Preliminares
Funciones y relaciones
Sean X e Y dos conjuntos. Todo subconjunto A de su producto cartesiano XxX es una
relación. Cuando xeX e ye Y, decimos que x está relacionado con y según A, lo cual se denota
xAy, si y sólo si ix,y)eA. Por ejemplo, uno puede pensar en la relación "<" con respecto a los
números enteros como el conjunto de los pares de enteros tales que el primer componente del
par es menor o igual que el segundo.
Considérese cualquier relación/entre X e Y. La relación se llama fundón si, para cada

xeX, existe sólo un v perteneciente a Y tal que el par (x,y)ef. Esto se denota con la expresión
f:X->Y, lo que se lee "fes una función de X en Y". El conjunto X se llama dominio y el conjunto Y
se llama imagen.
Podemos definir distintos tipos de funciones según la propiedades que cumplan sus
elementos (Tabla 4).
Función Expresión
Inyectiva
Suprayectiva
Biyectiva ¡ Inyectiva y Suprayectiva
Tabla 4. Tipos de (unciones y su expresión asociada.
Sea P un predicado sobre X y lo definimos como P:X-*{verdadero, falsa}. También

diremos que P es una propiedad de X. Por ejemplo, la imparidad es una propiedad de los
enteros, que es verdadera para los enteros impares y falsa para los pares. Por ejemplo si
tenemos P:¡verdadero, falso/'1->f verdadero, falsoj mediante P(p,q.r)=(pAq) v (-,q/\r) en Cuyo caso
P(verdadero,falxr>, verdadero)- verdadero.
Considérese un conjunto arbitrario X y una propiedad P sobre X. Escribiremos

(VxeX)[P(x)¡ para indicar que todos los elementos x de X tienen la misma propiedad. De
manera similar, (3xeX)fP(x)] significa que existe al menos un elemento de x en X que tiene la
propiedad P. Finalmente, escribiremos (3!xeX)[P(x)¡ para expresar que existe un solo elemento
que cumple la propiedad P(x). Si X es el conjunto vacío, (VxeX)fP(x)] siempre es verdadero.
Sumas y productos
Considérese una función /• T-> 9? y un entero n>0. La suma de los valores tomados
por/sobre los n primeros números positivos, se denota mediante
que se lee "la suma de \osf(i) cuando / va desde / hasta n".
De forma similar, tenemos los productorios, cuyos valores se acumulan utilizando la

operación producto y se denotan mediante
18
Preliminares
En algunas ocasiones resulta útil considerar sumas condicionales. Si P es una

propiedad de los enteros, denota la suma de/(7) para todos los enteros / tal que sea válido P(i).
O incluso utilizar una notación mixta.
De igual forma se puede definir los productorios como
Bibliografía:
[HS.78] Capítulo 1.
[BB,97j Preliminares (Capítulo 1).
19
2. Programación dinámica
2.1 Introducción
Planteamiento:
Cuando tenemos que resolver un problema de optimización (obtener el

mejor resultado cumpliendo una serie de condiciones) es interesante enfocarlo
desde diferentes perspectivas, una de ellas es la programación dinámica. Si
podemos aplicar esta técnica, podría suponer una mejora en el coste temporal del
algoritmo que resuelve nuestro problema. Por ello es una opción que siempre
debemos tener presente. Recordamos que los algoritmos de optimización tienen
una complejidad temporal y pretendemos con esta técnica mejorar dicha
complejidad.
Objetivos:
Que el alumno conozca los fundamentos de la programación dinámica.

Que el alumno comprenda la mejora de un algoritmo cuando se cambia su
resolución de recursiva a iterativa2.
2
Cuando hablamos de paso, de un algoritmo de recursivo a iterativo, nos referimos a una transformación
de forma que aprovechamos resultados anteriores y nos supone una mejora en la complejidad temporal.
21
Programación dinámica 2.1 Introducción
En la estrategia divide y vencerás consiste en dividir un problema en subproblemas,

éstos a su vez se pueden volver a dividir, así sucesivamente hasta llegar a problemas básicos
que se pueden resolver directamente. Una vez resueltos los subproblemas se combinan sus
soluciones para resolver los problemas superiores.
Frecuentemente sucede que la división más natural dictada por la estructura del
problema conduce a un gran número de subproblemas idénticos. Si se resuelve cada
subproblema independientemente sin tener en cuenta las posibles repeticiones, el resultado es
un algoritmo tremendamente ineficiente. Por otro lado, si se resuelve cada subproblema distinto
una sola vez y se conserva el resultado, el algoritmo obtenido es mucho más eficiente. La idea
principal de la programación dinámica (PD) es simple: no calcular dos veces lo mismo y utilizar
un almacén que se irá rellenando a medida que se resuelven subproblemas.
La programación dinámica es un método ascendente. Se resuelven primero los

subproblemas menores. Combinando sus resultados se obtienen las soluciones de
subproblemas mayores hasta llegar al problema original. En cambio, divide y vencerás es una
técnica descendente: se comienza por el ejemplar original que se subdivide en subproblemas
cada vez más pequeños a medida que progresa el algoritmo.
La estrategia de divide y vencerás es un método de diseño de algoritmos que puede

considerarse como un caso especial de la programación dinámica.
EJEMPLO 2.1.1
Queremos calcular números combinatorios, para ello vamos a utilizar la siguiente
fórmula recursiva:
Si se calcula el número combinatorio directamente con la fórmula anterior se obtiene la función:
función
entonces
devuelve 1
sino
devuelve
fin si
fin función
Lo que sucede que muchos valores de C(iJ) con /<« y j<k se calculan y recalculan
varias veces. Dado que el resultado final se obtiene sumando un cierto número de 1, la
complejidad del algoritmo es sin duda
Se generará una pequeña traza para ilustrar gráficamente las repeticiones en el

esquema recursivo (Figura 3):
22
2.1 Introducción Programación dinámica
Figura 3. Tra/.a do C(5.2) con el algoritmo recursivo.
Se puede resolver de otro modo. Se almacena en una matriz C(i,j) según filas y
columnas hasta llegar a C(n,k) que es el problema original (en realidad es el triángulo de
Pascal). Un ejemplo lo tenemos en la Tabla 5.
T.ibla 5. Traza de C(5.2) con el algoritmo iterativo.
En realidad no es necesario guardar memoria para una matriz nxk, bastaría con
mantener 2 vectores de tamaño k.
En la Tabla 6 se ve las complejidades y las operaciones que realizarían ambos

algoritmos, recursivo e iterativo. Si utilizáramos ordenador de 106 operaciones por segundo los
tiempos que se obtendrían están presentados entre paréntesis. Con ello se ve la diferencia
entre el tiempo de respuesta aplicando programación dinámica al problema de los números
combinatorios.
n
N K Recursivo (operaciones) Iterativo n.k (operaciones)
k
50 25 l'3-IO'4(4años) 1.250(1 mseg)
60 30 T 2 - l O ' 7 (3.750 años) 1.800 (2 mseg)
70 50 I ' 6 - 1 0 ' 7 (5.133 años) 3.5QQ (3 mseg)
Tabla 6. Comparativa ¡Je tiempos entre el algoritmo recursivo e iterativo para números combinatorios.
23
Podemos observar en las figuras 4 y 5 como el crecimiento en el número de

operaciones del algoritmo recursivo es mucho mayor que en el iterativo. Estas gráficas están
realizadas respecto del mismo número de elementos para las variables n y k.
pata
Figura 4. Relución de número opeíaciones en el algoritmo recursivo respecto de '/i' y 'k'.
Figura 5. Relación de número operaciones en el algoritmo iterativo respecto de '/i' y 'k'.
24
EJEMPLO 2.1.2.
Vamos a resolver el problema de la Mochila (discreto 0/1):
Un explorador se encuentra un tesoro, en el que hay diversas piezas con distintos

valores y pesos (conocidos) únicamente tiene una mochila, con la que puede transportar un
peso máximo M (entero).
El problema que tenemos que resolver es ¿qué piezas debería introducir el explorador
en la mochila para obtener el mayor beneficio posible?
En este ejemplo se va a enunciar de una manera más formal:
Sea A el conjunto de objetos encontrados, donde a¡ son los distintos objetos

pertenecientes al conjunto A={(i¡, «2 ««}•
Sea peso: A peso(3i) es el peso del objeto a,

Sea valor: A valorfa) es el valor del objeto a,
Debemos encontrar un subconjunto ScA tal que maximice el siguiente sumatorio...
teniendo en cuenta !a restricción
Este problema se podría resolver probando con todos los posibles subconjuntos de A y,
viendo cual sería el que maximiza el valor del subconjunto que cumple la restricción.
El conjunto .4 tiene 2 i A ' subconjuntos distintos. Con lo que la complejidad del algoritmo
será exponencial, O(2* A ').
Se aplicará el esquema de divide y vencerás. Para ello se comenzará considerando el

elemento a,,. Existen dos posibilidades, que el elemento se introduzca o no en la mochila.
SÍ pertenece el elemento «„ a la solución. Entonces el resto de elementos

cumplirán
sujeto a
25
Programación dinámica 2,1 Introducción
• NO pertenece el elemento «„ a la solución. Entonces el resto de elementos

cumplirán
sujeto a
Expresaremos la solución al problema de una forma recursiva (esquema recursivo).

Para ello representamos nuestro problema como una tupia P=(A,M) donde A es el conjunto de
piezas y M es el peso máximo de la mochila.
Lo más sencillo es establecer un algoritmo de fuerza bruta que recorra todas las
posibilidades y nos responda con la mejor solución.
Elaborando un diseño divide y vencerás para resolver este problema se podrían

generar dos llamadas con sus operaciones correspondientes:
El esquema recursivo completo de divide y vencerás quedaría como sigue:
El valor de -<*> sólo se emite cuando el problema está fuera de ámbito, es decir, se
produce un error porque se ha sobrepasado el peso que se puede transportar en la mochila.
Como nuestro objetivo es maximizar el valor global, la solución con -°° nunca la escogerá, a no
ser que el problema no tenga solución.
Traza de Esquema de la Mochila
26
Figurad. Subprohlcnuis generados con la llamada Mochila! !a¡.a;.a;).6)
Ya estamos en condiciones de hallar la complejidad del algoritmo recursivo anterior

representado en la Figura 6.
Sea m el número de elementos del tesoro que tenemos que examinar. Y sea c,, c2
constantes correspondientes al número de operaciones.
Tenemos un problema de coste exponencial. La solución de programación dinámica

consiste en observar que se puede estar resolviendo el mismo problema varias veces.
EJEMPLO 2.1.3.
Vamos a identificar unas condiciones bajo las cuales los subproblemas derivados de
otros superiores se van a repetir.
Sea un problema P=(A,M) y un conjunto de soluciones ScA de forma que:
3
Este sumatorio se puede sustituir 2'"-1 por...
27
Si tenemos dos elementos consecutivos a,,,a,,.,eA y sus pesos son iguales, es decir,
peso(«,,) = peso(cí,,./), entonces....
28
Cuando a,,eS y a,,.¡£S, se generará una llamada a la función mochila:

=> Mochila(A - la,,, a,,./1, M - peso(a,,) )
Cuando a,,eS y a^/eS, de nuevo se generará otra llamada a la función mochila:
=> Mochila(A - la,,, a,,.,I, M - peso(a,,.,) )
Se ha partido de la igualdad entre pe,w(a,j y peso(a,,.i) con lo que las llamadas serán
exactamente iguales y los cálculos se repetirán a partir de esta llamada y para todos sus
descendientes.
Veamos un traza:
Aquí tenemos que pesóla,) - pex<>{a2) entonces las repeticiones que tendremos serán:
Figura 7 . Repeticiones de suhprobk-mas pura la llamada Mochilaí |a,.a ; .a<|.6i
¿Qué se puede hacer?. La solución es guardar los resultados de los problemas intermedios
para evitar resolverlos más de una vez.
Planteamos el esquema iterativo (Solución Iterativa) como una matriz Mochila(/¡, Af] donde n es
el número de elementos a examinar y M es el peso máximo de la Mochila.
¿Por qué se utiliza esta matriz de dimensiones nxM?
Si nos fijamos en la Figura 7, el problema queda definido por una tupia P=(elementos,peso). Los
elementos pueden tener un valor de O a n, mientras que el peso puede tener un valor de ü a M,
por lo que con una matriz de dimensiones nxM se pueden almacenar todos los posibles
problemas generados.
29
El Algoritmo Iterativo queda como sigue:
para j=0 hasta M

Mochila[0,j] = 0
fin para
para /= / hasta n
para j-0 hasta M
fin para
fin para
La solución viene determinada en la casilla Moc/ulaln, M]
Se ha encontrado la solución a este problema para un problema genérico. Obviamente ia

complejidad temporal es O(n-M) menor que O(2") obtenida con el algoritmo recursivo si M«2".
EJEMPLO 2.1.4.
n=3 M=6
a¡ a2 «t
valor 3 1 2
peso 4 2 2
(j)M
0 1 2 3 4 5 6
(i) 0 0 0 0 0 0 0 0
n 1 0 0 0 0 3 3 3
2 0 0 I 1 3 3 4
3 0 0 2 7 3 3 (5)
Sí NO
i j peso(di) valor(a¡) + Mochilaf i-1, j - peso(a¡) ] Mochila[ i-l,j] Max
0 3 + Machila[0, -4] = -oo 0 0
1 3 + MochilalO. -3¡ = -« 0 0
2 -? + MochilalO, -2J = -<« 0 0
¡ 3 4 3 + Mochila 10. -// = -«> 0 0
4 3 + MochilalO, 0} = 3 0 3
5 3 + MochilalO, IJ = 3 0 _•?
6 3 + MochilalO, 2] = 3 0 3
0 / +Mochilal/, -2] = -oo 0 0
1 1 + Mochila! 1, -// = -«, 0 0
2 / + Mochilall, O/ = 1 0 1
2 3 2 1 + Mochilall, ¡¡-I 0 1
4 1 + Mochilall. 2] = 1 3 3
5 1 + Mochilall, 3] = / 3 3
6 / + Mochilall, 4] = 4 3 4
0 2 + Mochilaf2, -21 = -°° 0 0
1 2 + Mochila[2. -I] - -°° 0 0
2 2 + Machi la ¡2, 0¡ = -« 0 2
3 3 2 2 + Machi la,' 2. ¡¡ = -00 0 2
4 2 + Mochila! 2, 2] - 2 3 3
5 2 + Machila¡2. .?/ = 2 3 3
6 2 + Mochilal2, 4] = J 4 (5)
30
Observamos que las funciones que se utilizan en el esquema iterativo son exactamente
iguales al del esquema recursivo, ya que la Figura 6 puede reescribirse por la Figura 8.
Los problemas representados en la Figura 8 están expresados en términos de parejas

de enteros. Por ejemplo, el nodo principal (3,6) consulta dos casillas la (2,4) y la (2,6). La
primera (2,4) suponiendo que el elemento 3 se ha introducido en la mochila y la casilla (2,6)
suponiendo que no.
Figura 8. Codificación del problema con un par de índices enteros
CONCLUSIONES:
Este algoritmo iterativo de programación dinámica es útil si M « 2".

El algoritmo se puede modificar fácilmente para saber que objetos son los que hay
que coger.
Se puede reducir la complejidad espacial a un par de vectores de tamaño M.
La filosofía de la programación dinámica consiste en:
1.- Plantear la solución en forma recursiva.

2.- Transformar la solución a una forma iterativa.
Bibliografía:
[HS.78] Capítulo 1, Capítulo 5 (The general Method, 0/1 - knapsack).
[Mi,86] Capítulo 9 (Introduction & examples).
[Sn,92l Capítulo 1.
[BB,90] Capítulo 5.
[BB.97] Capítulo 8.
31
2.2 Esquema rectirsivo
Planteamiento:
Propondremos un esquema recursivo para la resolución de problemas de

programación dinámica, por ello debemos definir perfectamente, todas y cada una
de la funciones que lo integran, así como su relación con el esquema general.
También deberemos demostrar que el algoritmo es correcto bajo ias propiedades y
principios que establezcamos.
Objetivos:
Que el alumno conozca el funcionamiento del esquema recursivo de

programación dinámica.
Que el alumno identifique las funciones básicas del algoritmo recursivo en
la resolución de un problema.
Que el alumno comprenda el funcionamiento de las funciones básicas y su
interrelación.
Que el alumno comprenda la corrección del esquema recursivo de
.: 33
Programación dinámica 2.2 Esquema recursivo
Para abordar programación dinámica es conveniente comenzar con un diseño de

nuestro problema de manera recursiva, ya que, es la forma más fácil de implementar y de
entender. A continuación pasaremos a forma iterativa donde se aprovechan los resultados de
los subproblemas, generados y guardados en un almacén, para solucionar problemas mayores
hasta llegar al original.
Definiremos A como el espacio de problemas, 5 como el espacio de decisiones y p

como es espacio de soluciones. Estas definiciones generales las deberemos de concretar para
cada problema dado. A lo largo de este capítulo ampliaremos la información sobre estas tres
definiciones.
Dado un problema, éste se descompone en subproblemas semejantes al original. La

función encargada de descomponer un problema en subproblemas derivados la llamaremos
descomposición. Ésta recibirá un problema y producirá un conjunto de pares (subproblema con
la decisión relacionada).
Sea Pe A, siendo A un conjunto cualquiera de problemas, entonces tenemos que...

descomposición(P) = / (X/, X2 X,,,x) X/eA, xeó }
donde X es subproblema derivado de P y, x es una decisión asociada al subproblema X.
EJEMPLO 2.1.1.
En el caso del problema de la mochila podríamos comenzar definiendo formalmente
sus parámetros de entrada y de salida.
Sea A el conjunto de elementos que tenemos que examinar.
Definición de problema
Cjto. de elementos x Peso máximo
Definición de decisión
Si se coge o no, un elemento de A
Definición de solución
Beneficio máximo
Para plantear como se va a resolver este problema podemos hacerlo definiendo la

función descomposición que descompondrá estos problemas en subproblemas similares.
Sea P-( (a,,a2 aj, M) la función queda de la siguiente forma:
Vamos a pasar a plantear el esquema principal en el que integraremos tanto la función

descomposición como otras básicas, necesarias para resolver problemas de programación
dinámica.
34
2.2 Esquema recursivo Programación dinámica
Esquema recursivo de programación dinámica :•
función PDR ( P : A): p

si Contorno(P) entonces
devuelve Inicio(P)
si no
devuelve Combinarf Cálculo(PDR(X,),..., PDR(X,,),x) }
V(X¡,..., Xn,x)e Descomposición( P)
fin si
fin función
donde:
1.- Función Contono: Esta función indica si un determinado problema es básico o no.
Entrada: A un problema.
Salida: ,2J un booleano {verdadero, falso] según estemos en un problema básico o no.
Contorno:
2.- Función Inicio: Esta función es la encargada de devolver la solución correspondiente a un

problema básico.
Entrada: A un problema.
Salida: p una solución.
¡nido:
3.- Función Descomposición: Se encarga de devolver todos los subproblemas derivados

directamente del actual que se le pasa como parámetro.
Entrada: A un nodo del árbol de estados.
Salida: ^(A* x 8) conjunto de subproblemas y sus correspondientes decisiones.
Descomposición:
4.- Función Cálculo: Esta función se encarga de calular una solución a partir de un
subproblema y una decisión.
Entrada: p+ al menos una solución de un subproblema y 8 decisión que generó el
subproblema.
Salida: Nueva solución p.
Cálculo:
5.- Función Combinar: Esta función escoge ¡a mejor solución.

Entrada: p* conjunto de varias soluciones (al menos una).
Salida: 8 mejor solución.
Combinar
35
EJEMPLO 1.1.2.
Aplicando el esquema al caso de la mochila donde un problema queda definido como
P-(A,M) con 4=conjunto de elementos y /Vfepeso máximo:
Contorno(P)=
¡nicio(P) s
Descomposición( P) =
Cálculo(r,d) =
Combinar = Máximo
Expresando gráficamente las funciones arriba definidas obtendríamos:
Figura 9. Traza con la función de programación dinámica recursiva (PDR).
El árbol anterior (Figura 9) contiene cada una de las funciones definidas en el esquema
y se puede observar exactamente en el lugar en el que actúa. Las flechas ¿T significa si la
función se ha aplicado en orden descendente o ascendentemente, respectivamente.
36
Corrección de un algoritmo
Para demostrar la corrección de ios algoritmos recursivos generalmente se utiliza el

método de inducción.
Principio de Inducción
Sea P(x) el predicado que deseamos demostrar y sea bel) una cte.
Podríamos interpretar el enunciado anterior como que si se cumple un predicado para

unos casos básicos y para casos mayores que los básicos demostramos que estos dependen
de los anteriores. Entonces quedaría demostrado que el predicado se cumple en el conjunto D.
Si desglosamos la expresión anterior por términos:
Sea b una constante. Esta expresión nos dice que

hay un número finito de casos base, para los cuales
sabemos que se cumple P(x). Podemos comprobarlo
uno por uno, ya que el número de casos es finito.
Si de casos anteriores v, somos capaces de deducir
casos mayores como .\. Demostramos que si p(y)
P{x).
Si se cumplen los dos casos anteriores podemos
deducir que cualquier elemento del conjunto D
cumple la propiedad P.
Cuando hagamos una demostración por inducción aparecerán siempre tres apartados:
Base de inducción (B.I.): Casos básicos de la demostración. Simplemente se

enuncian.
Hipótesis de inducción (H.I.): La expresión que se pretende demostrar, suponernos

que se cumple siempre para casos menores a uno dado.
Paso de inducción (P.I.): A partir de casos menores tenemos que llegar al caso
actual y la expresión quedará demostrada por el método de inducción.
37
EJEMPLO 1.1.3.
Queremos demostrar que la siguiente fórmula es cierta para cualquier
número entero.
En este caso el dominio D =
1) Base inducción:
2) Hipótesis de Inducción: Sea entonces es cierto que:
3) Paso Inducción: Vamos a demostrar que se cumple P(x).
EJEMPLO 1.1. 3.
Queremos demostrar que la siguiente expresión es cierta para cualquier
número entero.
¿Estamos demostrando un imposible?
El error radica en aplicar la Hipótesis de Inducción cuando loi. No podemos asegurar que
siempre n será mayor que I, entonces la deducción de que (a1 = I) es incorrecta.
EJEMPLO 1.1.4.
Vamos a demostrar que "todos los qatos son del mismo color"
B.I.: Sea un conjunto con 1 gato => Es del mismo color

H.I.: Cualquier conjunto de gatos cuya talla es menor que la de todos los gatos => Son del
mismo color.
P.I.: Sea A un conjunto de gatos, Card(A) = m
Dividimos A en 2 subconjuntos no vacíos, tales que,
Aplicando la hipótesis de inducción todos los gatos de A¡ son del

mismo color, también todos los gatos de A2 son del mismo color, como hay gatos
comunes a los 2 conjuntos =? A/ y A? son del mismo color.
38
¿Qué ocurre en este caso?
Existe un conjunto con m=2 que no cumple las condiciones por to

que no se puede aplicar la H.l. ni obtener la conclusión final que buscábamos.
Con estos dos últimos ejemplos se pretende demostrar que existen casos en los que
no es fácil aplicar e! principio de inducción.
En general el principio de inducción no se puede aplicar para demostrar algoritmos, porque no
se puede establecer una correspondencia con 'Y de forma fácil, en el espacio del problema.
Para solucionar este problema vamos a generalizar el principio de inducción. Lo primero que
haremos es definir una relación de orden estricto sobre el conjunto en el que trabajemos.
DEFINICIÓN 1.1.1.
Una relación de orden estricto sobre un conjunto es aquella que cumple las
propiedades: Irreflexiva, antisimétrica y transitiva.
Sea R una relación sobre los conjuntos A,B y C.
Sea una relación de orden R sobre un conjunto D. Esta relación de orden puede ser de dos
ticos:
Total o lineal: Cuando todos los elementos del conjunto están relacionados entre sí.
Parcial: Cuando existen elementos en el conjunto que no están relacionados.
39
Programación dinámica 2.2 Esouema recursivo
EJEMPLO 1.1.5.
En orden total o lineal
En orden parcial, ya que,
En orden total o lineal
Para definir el concepto de elemento base, primero debemos de introducir el concepto de

minimal.
DEFINICIÓN 1.1.2.
Un minimal, en un conjunto ordenado (D,<), es el elemento
EJEMPLO 1.1.6.
En es el cero.
En
En no existe minimal
Expresado de una forma gráfica el principio de inducción general necesita cuando se dibuja el
esquema de relación, que toda rama tenqa principio. Veamos...
DEFINICIÓN 1.1.3.
Una relación de orden es Noetheriana en un conjunto ordenado (£>,<), si todo
subconjunto no vacío de D, tiene por lo menos un minimal.
EJEMPLO 1.1.7.
En es Noetheriano porque tenemos un elemento base que es el 0.
En no es Noetheriano porque no tenemos elemento base.
40
Teorema:
Toda relación de orden estricta sobre un conjunto finito es Noetheriana.
Demostración:
La demostración la realizaremos por reducción al absurdo4.
Sea A un conjunto finito A={a,,, «,. a, a,J, con una relación de orden estricta (irreflexiva,
antisimétrica, transitiva).
Suponemos por R.A. que la relación no es noetheriana, por lo tanto, iBcA B no tiene minimal,
es decir, Va/eB, Ba¡eB I «,<«„ como se cumple la propiedad irreflexiva (i¿j), y con la propiedad
antisimétrica y transitiva se evita formar bucles, por lo tanto, estamos en una serie infinita de
elementos. Si ¡B ¡= <x =$ ¡A /= « y, hemos partido de la hipótesis de que A es finito. Hemos
llegado a una contradicción, (c.q.d.)
2.2.1 Principio de inducción general

DEFINICIÓN 2.2.1.1.
Sea (D,<) una relación de orden estricta y noetheriana, definida sobre el conjunto D,
entonces:
Se puede interpretar la definición anterior como: si se cumple un predicado para un

conjunto de casos básicos v para el resto de los elementos del conjunto demostramos que
dependen de los anteriores. Entonces quedaría demostrado que el predicado se cumple para
todo el conjunto D.
Si desglosamos la expresión del principio de inducción general anterior en términos:
Sea Minimal(D) el conjunto de casos básicos para los

cuales se cumple la propiedad P.
Para cualquier elemento del conjunto (aeD)
demostramos que se cumple la propiedad P(a)
sabiendo que P(a) se deduce de elementos menores
(heD I b<a) estamos en condiciones de deducir la
implicación siguiente.
Si se cumplen los dos casos anteriores podemos
deducir que cualquier elemento del conjunto D cumple
ta propiedad P.
Esta nueva definición de principio de inducción generalizada la podemos aplicar al

esquema recursivo de programación dinámica.
4
La demostración por Reducción al Absurdo (R.A.) pretende llegar a una contradicción
neqando a-^b (que es lo que queremos demostrar). El razonamiento lógico es el siguiente:
Si tenemos demostrar (a-»b) por R.A. entonces tenemos que encontrar un absurdo en
41
Para poder demostrar la corrección del algoritmo recursivo de PD (Programación

Dinámica) habrá que definir un orden noetheriano sobre el espacio de problemas. Este orden
vendrá inducido por la función descomposición de la siguiente forma:
Sea A el espacio de problemas y 5 el espacio de decisiones. Sea dos

problemas cualesquiera diremos que A<B si existe una decisión, 3ae 6 I
descomposición
descomposición(
para cada problema determinado habrá que demostrar que:

1. Descomposición induce una relación de orden estricto noetheriano.
2. Todos los rninimales vienen dados por contorno.
EJEMPLO 2.2.1.1.
En el caso del problema de la mochila se demostraría teniendo en cuenta el tamaño de
elementos del problema que nos pasan:
1 .a) La relación es de orden

Irreflexiva: Siempre que aplicamos descomposición quitamos un elemento al
conjunto, entonces es evidente que nunca cumplira
Antisimétrica: Por la misma razón que en la propiedad anterior
entonces nunca ya que B tiene un elemento menos.
Transitiva:
1.b) Noetheriano
Supongamos por R.A. que no lo es, entonces, 3/4eA un subconjunto que no tiene
minimal, podemos construir una serie del problema en la que haya un elemento
«e A que irá reduciendo el tamaño del conjunto hasta que llegue a un elemento, tal que,
el tamaño del problema sea O (cero) y, este es minimal. Hemos llegado a una
contradicción lueao c.a.d.
(También podemos hacer referencia al teorema anterior que nos dice que toda relación
de orden estricta sobre un conjunto finito es Noetheriana).
2) Todos los rninimales vienen dados por contorno
Es así por construcción del algoritmo.
EJEMPLO 2.2.1.2.
Vamos a ver primero como quedará el esquema PDR (Programación Dinámica
Recursiva) para el caso de la mochila y, luego demostraremos que es correcto.
función PDR
devuelve Inicio(P)
si no
devuelve Combinar! Cálculo
fin si
fin función
42
donde P=(A,M) con Aserto, de elementos y Mspeso máximo.

Contorno(P)=
Inicio(P) s
Descomposición(P) =
Cálculo(r,d) =
Combinar = Máximo
Teorema 2.2.1.
Sea VPe A donde P=(A,M) con Ascjto. de elementos y Mspeso máximo.
con todos los subconjuntos de elementos
que caben en la mochila.
Demostración:
B.I.:
H.I.:
P.I.:
en el primer término recorremos todo en el segundo
término recorremos Examinamos todos las

posibilidades.
(c.q.d.)
4?
Existe una propiedad importante que cumplen la mayoría de problemas que pueden
resolverse por programación dinámica.
Si demostramos que se cumple el principio de optimalidad para un problema podemos

buscar su solución por programación dinámica.
Sí (Principio de Optimalidad) => (Programación Dinámica)
2.2.2 Principio de optimalidad

Diremos que en un espacio de problemas A se cumple el principio de
optimalidad si VPeA {di,...,d,,,}, d,e5 es la secuencia óptima de decisiones que
resuelven P, entonces:
si X¡:(Xi,...,X(n,dm) eDescomposición(P)
d¡,...,d,,,.i resuelve X¡
EJEMPLO 2.2.2.1.
Aplicado al caso de la mochila
Sea P=(fa, aj. M)

Sea (dhai)... (d,,,,aj con ¿¿e/OJ}
la secuencia de decisiones que resuelve P, entonces...
J' es cualquier secuencia que cumpla la restricción de caber en la mochila y, d es la secuencia

que maximiza el valor, cumpliendo también con la restricción. Además...
descomposición({ai,...,a,»}, M) =
Hay que demostrar que (d¡,a,)... (dm,am) es solución de ({a, a,,,.,}, M-dm peso(aj).
Supongamos que no es cierto por R.A.
: 44
EJEMPLO 2.2.2.2.
Todo problema que cumple el principio de optimalidad se puede resolver por
programación dinámica, pero ¿qué ocurre en sentido inverso?.
Queremos hallar el camino mínimo en un grato. Para hallar el peso total un camino
multiplicaremos el peso de las aristas que son reales positivos.
Si hallamos el camino mínimo usando el producto 1-»3-»4, comprobamos que es un

camino mínimo, sin embargo, 1—>3, no lo es para los nodos 1 y 3.
Bibliografía:
[HS,78] Capítulo 3, Capítulo 5,
[Mi.86] Capítulo 9 (The Theorical Foundations of Dynamic Programming).
[Sa,81] Capítulo 2 (Program Correctness), Capítulo 6.
[Sn,92] Capítulo 2, Capítulo 13.
[BB.901 Capítulo 5.
[BB.97] Capítulo 8.
45
2.3 Esquema iterativo
Plateamiento:
Este tema es el más interesante de la programación dinámica, ya que, el

esquema iterativo es el que nos podrá reducir la complejidad del problema. Se
tendrá que observar las llamadas a subproblemas del esquema recursivo para
establecer una relación de orden lineal con estas llamadas. Posteriormente
estableceremos un sistema de almacenamiento para evitar la repetición de la
misma llamada y, por último resolver los subproblemas de menor a mayor, hasta
obtener el resultado final.
Objectivos:
Que el alumno conozca las condiciones bajo las cuales podemos aplicar el
esquema iterativo.
Que el alumno conozca el funcionamiento del esquema iterativo del
Que el alumno conozca la relación entre las funciones del esquema
recursivo y el iterativo.
Que el alumno comprenda la necesidad de establecer, en un problema, una
relación de orden lineal y un almacenamiento indexado para la solución de
subproblemas.
Que el alumno comprenda la correspondencia entre la resolución de un
problema por el esquema recursivo y el iterativo.
47
Programacl6n dlnamlca 2.3 Esquema iterativo
Este apartado es el mas interesante de la programacion dindmica, con el esquema

iterativo reduciremos la complejidad temporal de la solucion del problema.
Se tendra que observar las llamadas a subproblemas del esquema recursivo para
establecer una relacion de orden lineal con estas. Posteriormente estableceremos un sistema
de almacenamiento para evitar la repetici6n de la misma llamada y, por ultimo resolveremos los
subproblemas de menor a mayor, hasta obtener el resultado final.
EJEMPLO 2.2.1.
Repeticibn de subproblemas que surgen de la descomposicion del problema original.
Como se ha dicho en el parrafo anterior la soluci6n iterativa se caracteriza por:
a) Almacenamiento de los resultados de cada subproblema: Ello permite utilizer dicho

resultados sin tener que calcularlos de nuevo para cada llamada.
b) Resolver los problemas en un determinado orden: Sabemos que secuencia tendra la

resolucion de problemas. Resolveremos de menor a mayor y cuando se necesiten los
resultados de subproblemas menores, estos ya estaran resueltos.
Como consecuencia directa de los puntos anteriores, el programa iterativo necesitara rticis
espacio de memoria para guardar los resultados que en el esquema recursivo.
Definicion 1.1.1:
Sea DI el conjunto de los subproblemas de A

Sea As A, DA queda definido por:
edescomposicl6n(
Evidentemente DA sera finite (orden Noetheriano), ya vimos, que la funcion de

descomposicion inducfa un orden en A (Definicion 2.2.1 .1 .) y, por tanto, en DA.
Este orden que se induce directamente no tiene porque ser lineal (total). Por ello vamos
a extenderlo de forma que sea lineal y, preserve el orden inducido por descomposicidn5:
Como <• es lineal, todo par de elementos de DA estaran relacionados y se podran

escribir en Ifnea de forma que Vs,eDA con I D/s, I =n:
(siendo s: minimal)
5
El sfmbolo <• significa orden lineal
48
2.3 Esquema iterativo Programación dinámica
Vamos a definir las funciones genéricas que proporcionarán el recorrido por el conjunto (DA,<-):
i) Primer subproblema px
¡i) Siguiente subproblema .v.v
(Siendo T un subproblema ficticio, fin de conjunto)
2.3.1 Estructura indexada de datos

Supongamos que tenemos una tabla indexada por DA, llamada almacén:Vp[DA], con
todos los posibles vectores DA y sus soluciones asociadas p.
Pretendemos que almacén/B] almacene el resultado del subproblema VBeDA.
Contorno(B)
almacén[B] = Inicio(B)
,Contomo(B)
almacénlB] = CombinarfCálculo(PDR(Xi) PDR(X,,),x)f
V(X/ X,,,x)eDexcHinposición(B)
Supongamos que almacén se rellena siguiendo el orden dado por <•, entonces \/X<-B,
PDR(X) se hallará resuelto, antes que para B, y por tanto, estará en almacén.
almacénlB] = Coinbinar{Cálculo(alniacén[X¡],...,cümacéii[X,,],.K)l
V(X¡ X,,,x)€ Descomposición B)
2.3.2 Esquema Iterativo
función PDI
var
almacén : Vp[DA]
X,S:
.v .•
fin var
S = ps()
repetir
si Contorno(S) entonces
almacén! S] = Inicio(S)
sino
almacén[S] = Combinar {Cálculo( almacén[X/] ulinacén[X,,],x)}
V(X¡ X,,,x) e Descomposición(S)
fin si
S = ss(S)
hasta
devuelve almacén[A]
jin junción
49
Proclamación dinámica 2.3 Esquema iterativo
Este esquema iterativo propuesto es equivalente al esquema recursivo, en cuanto a

que es capaz de resolver el mismo problema, lo que demostraremos a continuación.
TEOREMA 2.3.1.1:
Sea VAeA tenemos que los dos esquemas son capaces de resolver el
mismo problema.
PDR(A) = PDJ(A)
Demostración:
= cilmacén[B) por inducción utilizando <•.
B.I.: pseDA
PDR(ps) - Inicio(ps) - almacénfps]
PDR(X) = almacénfX]
P.I.: PDR(B) =
Se deduce de la demostración anterior que AeDA, y por tanto,

PDR(A) = almacénlA] - PDl(A). (c.q.d.)
EJEMPLO 2.3.2.1.
Vamos a ver por último como quedará el esquema PDI (Programación Dinámica
Iterativa) para el caso de la mochila donde el problema es P=(S,M) donde 5 es el conjunto de
piezas y M es el peso máximo de la mochila.
función
va
almacén [PJ: p
fin var
S = px()
repetir
si Contorno(S) entonces
(ilmacénfSI = Inicio(S)
si no
almacén[S¡ = Combinar/Calculof almacénfX ¡) almacénfX,,),*)}
Descomposición(S)
fin si
S = ss(S)
hasta
devuelve almacen¡ PJ
fin función
50
2.3 Esquema iterativo Programación dinámica
Las funciones del recorrido serían sobre ei orden total son:
función ps()
devuelve (0,0)
fin función
función ss((s,m)
si m < M entonces
devuelve (s, m)
sino
si s < S entonces
devuelve (s, 0)
si no
devuelve
fin si
fin si
fin función
Las funciones se conservan del esquema PDR al PDI. En casos prácticos si queremos
evitar almacenar todos los casos de contorno (que puede-ser un número elevado) hay que
matizar el acceso al almacén para que no se salga de rango.
función almacén(P:A): p
devuelve ínicio(P)
si no
devuelve tilmacén[P]
fin si
fin función
Bibliografía:
[HS.78] Capítulo 5.
[Mi,86] Capítulo 9 (Techniques for Reducing Computations in Dynamic Programming).
[Sa,81] Capítulo 2 (Program Correctness), Capítulo 6.
[BB,90l Capítulo 5.
[BB.971 Capítulo 8.
:¡ 51
2.4 Problemas resueltos
Planteamiento:
Con esta unidad totalmente práctica se pretende ilustrar la aplicación

directa de la teoría vista en las unidades pertenecientes a este módulo. Veremos
el planteamiento de un problema, la resolución del mismo por el esquema
recursivo de programación dinámica, demostración del principio de optimalidad y
resolución por el esquema iterativo de programación dinámica. Finalmente
obtendremos las complejidades resultantes del algoritmo recursivo e iterativo para
comprobar la mejora.
Objetivos:
Que el alumno aplique los métodos vistos en este módulo a problemas

prácticos.
Que el alumno conozca distintas formas de resolver un mismo problema
aplicando técnicas de programación dinámica.
Que el alumno adquiera destreza en el uso de técnicas de programación
dinámica aplicadas a problemas.
53
Programación dinámica 2.4 Problemas resueltos
2.4.1 Hallar el camino mínimo en un grafo multietapa.
Sea un grafo mulíietapa G=(N,A) donde N son los nodos y -4 las aristas, siendo un grafo
dirigido y, ponderado por una función d(A)...
donde AcNxN y, los nodos N estarán divididos en K>2 conjuntos disjuntos N,, ¡<¡<K, tales que:
Figura 10. Gral'o de 9 nodos con 5 etap:
Como podemos observar en la Figura 10 tenemos como ejemplo un grafo multietapa

con 5 niveles y 9 nodos.
El problema que se plantea es el de encontrar el camino mínimo desde el nodo Inicial

al nodo Final, y nuestra solución se puede expresar como:
el coste del camino c será D(c), que será la suma del peso de las aristas que lo forman:
denotaremos con C(a,b), el conjunto de todos los caminos posibles de a-*b,
El problema consiste en encontrar un camino tal que...
54
2.4 Problemas resueltos Programación dinámica
2.4.1.1 Principio de optimalidad
Demostraremos como este problema de hallar el camino mínimo cumple el principio de

optimalidad. Sea e/,,, = (a/, a2 a,,) el camino mínimo entre ai—>an, entonces su distancia
será...
la distancia mínima entre «/—*/„./ será...
si no fuera así por reducción al absurdo, existiría otro camino que mejoraría el coste íf,-*/„.,
entonces
hemos llegado a una expresión absurda, porque D(c/.J es el mínimo y hemos encontrado otro
menor. c.q.d.
Este problema se puede resolver desde dos visiones diferentes. Una, recorriendo las
aristas en sentido contrario desde delante hacia atrás. Y la otra visión es resolverlo de atrás
hacia delante.
2.4.1.2 Algoritmo recursivo (hacia atrás)

Un problema vendrá determinado por el estado de llegada, suponiendo hay N nodos y
A aristas fijas (Grafo Multietapa Esquema Recursivo)6.
entonces el esquema POR queda:

(Nodos)
(Aristas)
(Distancia)
Contorno(a) = (a=I) si a es el nodo inicial

Iniciad) =0
Cálculoi r, ( a , b ) ) = r + d(u,b) r. distancia actual más la arista
Descomposición(a) = { (b, (b,a)) (b,a)<=A, beN,./, aeNJ
Combinar = Mín
Hay que comprobar que la descomposición induce un orden Noetheriano:
(1
Recordaremos que C(í,a) son todos los posibles caminos entre el nodo inicial y en nodo a.
55
por tanto, cumple las propiedades: Irreflexiva, Antisimétrica y Transitiva. Además es

Noetheriano, siempre llegamos a N, = {1} que es minimal.
Teorema:
Demostración:
Sabemos que la función descomposición nos induce un orden Noetheriano.
La demostración la hemos realizado para una nodo cualquiera del grafo, ahora tenemos que
particularizarlo para en caso en que el no de partida sea F (nodo Final)
Corolario:
Si además, quisiéramos conocer el camino bastaría cambiar la función cálculo y combinar que
son las actúan sobre las soluciones.
(Nodos)
(Aristas)
(Distancia x Cadena de Nodos)
Contorno(a) = (a-l) si 'a' es el nodo inicial

fnicio(a) = (0,a)
Cálculo((r,c),(a,b)) = ( r + d(a,b), c-b ) Y distancia actual y 'c' camino actual
Descompoxición(ci) = / (b, (b,a)) I (b,a)eA, beN,./, cieNvj
Combinar((r/,cl) (rm,c,,,)) s(>,,c/) / /•/ = Mín{r,,r2 r,,,)
!56
2.4.1.3 Algoritmo iterativo

Supongamos que los n nodos del grato conservan el nivel de las etapas se
ordenan de la siguiente forma:
Vamos a etiquetar cada nodo con un entero

desde / hasta « (número de nodos). Dentro de
cada nivel se le asignará un número arbitrario
correspondiente a ese nivel.
Ahora tenemos ios nodos con un orden lineal (en este caso el mismo que tienen los naturales).
función ps()
devuelve 1 N¡=I
fin función
función xx(i)
si (i < n) entonces
devuelve i+1
si no
devuelve f
fin si
fin función
función PDI(P) =
i = px()
repetir
si Contomo(i) entonces
almacén/i I = Inicio(i)
si no
almacén[ i ¡ = Cvmbmar{Cálculo(it¡macéiila],(b,c))}
Descontposición(i)
fin si
i = sx(i)
hasta i -
devuelve almacén! P¡
fin función
Funciones del esquema iterativo PDI quedan como siguen:
Contorno(a) = f a = / j si a es el nodo inicial

Inicio(l) =0
Cálculo( r, (a,b)) = r + d(a,b) r: distancia actual más la arista
Descomposición(
Combinar = Mín
57
Podemos observar que estas funciones son prácticamente idénticas a las expuestas en el
esquema recursivo.
Vamos a realizar una traza (Tabla 7) correspondiente a la Figura 10:
Nodo Cálculo Nivel

/ (0) N,
2 tabla[l]+d(i,2) = 0+9 = (9)
.? tablall]+d(l,3) = 0+7=(7) N2
4 tablall]+d(l,4) = 0+3 = (3)
tahla[2/ +(1(2.5) = 9+4 = 13
5 iahla[31+d(3,5) = 7+2 = 9
tab!a[4]+d(4,5) = 3+2 = (5) NJ
6 tabla[3]+d(3,6) = 7+3 = 10
tabla[4J+d(4,6) = 3+5 = (8)
7 tahia[5]+d(5,7) = 5+6= II
tabla[6]+d(6,7) = 8+ll =(11) N4
8 tcibla[6]+d(6,8) = 8+4 = (12)
9 tablal7l+d(7,9) = ¡1+4= 15 /V5
taNci[8]+d(8.9) = 12+2 = (14)
Tabla 7. Traza del algoritmo iterativo
2.4.1.4 Complejidad temporal

Vamos a comparar las complejidades temporales de los esquemas POR y PDI aplicados al
cálculo del camino mínimo en un grafo multietapa.
Sea:
N= Número de nodos del grafo.
K = Número de etapas del grafo.
m = Máximo número de nodos en un nivel.
Esquema recursivo PDR:
Cada nodo del árbol puede expandirse tanto con conexiones tenga este nodo, es decir
m, y este proceso se repetirá hasta llegar al último nivel K. Y sean c/, c? dos constantes
correspondientes al número de operaciones.
Se puede plantear la siguiente fórmula recurrente:
58
2.4 Problemas resucites Programación dinámica
Esquema iterativo PDI:
Tenemos que recorrer las K etapas del grato elemento a elemento y, a su vez estos elementos
se calculan con sus adyacentes m. Y sea c, una constante correspondiente al número de
operaciones.
Para ver la ganancia se puede confeccionar una tabla (Tabla 8) con las dos complejidades y
ver el número de operaciones que efectúan los algoritmos.
Complejidad
PDR PDI
m K mK m2K
5 5 3125 125
5 10 9765625 250
!ü 10 10'° 1000
lf
10 15 10 1500
Tabla 8, Número de operaciones reaii/.ailus con el algoritmo recursivo y el iterativo
Complejidad espacial en el PDI:
Obviamente es 0(N) para guardar los resultados en cada nodo, pero en la práctica es
O(m), porque necesitamos guardar sólo 2 niveles a la vez para calcular los resultados.
A continuación enunciaremos brevemente como queda la solución al problema del cálculo del
camino mínimo en un graío multietapa con la segunda visión comentada, de atrás hacia
delante.
2.4.1.5 Algoritmo recursivo (hacia delante)

El problema viene determinado por el nodo salida.
entonces:
(Nodos)
(Aristas)
(Distancia)
Contorno(a) siendo'a'el nodo final

Inicio(F) sO
Cólculo( siendo Y distancia actual
Descomposición(a)
Combinar(a) = Mín
El desarrollo sería similar al seguido al principio de este apartado.
59
Ejercicios:
Terminar de analizar el Algoritmo Recursivo hacia delante.

Extender la solución del cálculo del camino mínimo en un grato multietapa para un
grato cualquiera.
60
2.4.2 Mínima distancia de edición entre dos cadenas.

La aplicación que le daremos a la mínima distancia de edición entre dos cadenas será
de reconocimiento de formas. Tenemos dos imágenes de figuras en 2D, codificadas como
cadenas de direcciones (dígitos).
Disponemos de funciones básicas para explicar la transformación de símbolos. Estas

funciones son: Borrados, inserciones o sustituciones de pixels para que una imagen sea igual a
la otra.
¿Queremos averiguar cuánto se parecen estas figuras?
Para entender mejor el problema lo acompañaremos de un ejemplo gráfico e iremos

comentando las observaciones paso a paso.
Sea un alfabeto / - (1,2,3,4,5,6,7,8} que codifica las ocho direcciones en un plano

discreto representado en la Figura 11.
Figura 11. Direcciones en un plano

Hgura 12. liiuigen 1 Figura 13. imagen 2
Tenemos la Figura 12 que es la primera imagen con la codificación 3345. Por otro lado
tenemos la Figura 13 con la codificación 233566.
Una posible explicación de !o que ha sucedido con la Figura 12 para transformarse en

la Figura 13 es....
Figura 14 . Una po»¡b¡e transformación de la cadena 3345 en 233566
Además cada una de estas transformaciones lleva asociado un peso o coste de

transformación.
Inserción P:(a) P¡: I —> /p

Borrado P¡,(a) Ph : I -> 7<
Sustitución P,(a,b) P,: / x / -> :ÁJ
Si partimos de la posible transformación representada en la Figura 14, obtenemos una

explicación de lo que ha ocurrido, y por lo tanto, un camino que nos dice que hacer para pasar
de la Figura 12 a la Figura 13.
61
Sea t el camino....
t = (i(2), s(3.3). s(3.3). b(4), s(5,5), 1(6), i(6))
y el coste total de la transformaciones sumando sus respectivos pesos
P(t) = P,(2) + Ps(3,3) + PJ3.3) + P,,(4) + PJ5,5) + P¡(6) + P,(6)
Para cada par de cadenas codificadas se puede encontrar varias transformaciones. El

problema es hallar la transformación de mínimo peso.
Si llamamos 7",.,,,., al conjunto de todos las transformaciones posibles, entre la cadena

V y la cadena V. El problema es encontrar /", para que:
El conjunto de todas las posibles transformaciones entre !v'e V, se puede representar

mediante el diagrama cartesiano (Figura 15). Basándonos en las direcciones de la Figura 16.
Figura 16. Direcciones de las transformaciones
Figura 15. Tahla de transformaciones
Podemos ver claramente como el problema es encontrar el camino de mínimo peso

que parte del origen y llega al destino.
¿Se cumple el principio de optimalidad? Sí cumple este principio, pero dejamos ai lector como
ejercicio que lo demuestre.
2.4.2.1 Algoritmo recursivo

Sea l=/l,2J,4,5,6,7,8l direcciones reflejadas en la Figura 11. La resolución a nuestro problema
según el esquema recursivo queda como sigue7:
Contorno( (x,y)) =
Inicio( (A, A.) j =
Cálculo( r, d ) =
1
Las letras del final del alfabeto (x.y,z) representan cadenas de símbolos. Y las letras iniciales del alfabeto
como a,b,c representan un único símbolo.
62
La operación respresenta la operación concatenación entre cadenas.
Descomposición( (x, y)) =
Combinar = Mí/?
Evidentemente descomposición induce una relación de orden en (f x I*), ya que, utilizando la

función prefijos de una cadena (8> ...
f.v'.v'j < f.v.y) <=> .v'eP./.vy A v'e-P,/vj, (.v'.y'Mxy)
además (A.,?i) es minimal, por lo que es un orden Noetheriano.
Teorema:
Transformación de mínimo peso resueito con el esquema recursivo.
Demostración:
8
La función P¿x) devuelve el conjunto de los prefijos de una cadena dada.
P,( abcde ) = /A, a, ab, abe, abccl, abcdej
P¿ abba ) = /A, a, ab, abb, abbaj
M

Para definir un orden tota! noetheriano vamos a definir primero el conjunto de todas las
cadenas posibles que se pueden examinar.
Sea DM.v) el conjunto de todos los prefijos extraídos de las cadenas x e v.
A.,..v; = / (x',y')/x'<=P¿x)Ay'ePA\) /
una relación de orden estricta en D ( v v ) que preserva ia relación < podría ser con la función de
prefijos estrictos9:
se puede comprobar que si f.v'y'j < f.v.vj => (.\',\') <• f.v.v)
La forma de recorrer el problema vendrá dada por las funciones básicas /«O y .s.vfj, que
se pueden definir como:
entonces
devuelve
si no
entonces
devuelve r(x)
si no
devuelve
fin si
fin c/
Este recorrido se transforma en realidad en el recorrido de una matriz con las longitudes de
ambas cadenas desde el inicio (A,,X) hasta llegar (x,y) como representa la Figura 15.
2.4.2.3 Complejidad temporal

Vamos a comparar las complejidades temporales de los esquemas PDR y PDI aplicados al
cálculo de ia mínima distancia de edición entre cadenas.
Sea:
.v = longitud de la primera cadena.
y = longitud de la segunda cadena.
Esquema recursivo PDR:
Cada nodo del árbol de búsqueda de soluciones puede expandirse con las 3
operaciones básicas de inserción, borrado y sustitución. En el peor caso se expandirá el árbol
la longitud de la cadena más larga de las dos de que disponemos.
q
Los prefijos estrictos los representaremos como Prs(x). Ejemplos:
64
Se puede plantear la siguiente fórmula recurrente:
Esquema iterativo PDI:
Habrá que revisar cada uno de los elementos de D(A.,.,. Tenemos que recorrer la matriz
de dimensiones x por v, calculando cada casilla, que se compone de 3 accesos directos
(inserción, borrado, sustitución - ver la Figura 15 y Figura 16).
Para ver la ganancia se puede confeccionar una tabla (Tabla 9) con las dos
complejidades y ver el número de operaciones que efectúan los algoritmos.
Complejidad
PDR PDII
x y 3Máx{x'y} x-y
3 3 27 9
4 5 243 20
10 11 ¡77147 ¡10
11 15 14-!rf 165
Tabla 9. Operaciones realizadas por el algoritmo recursivo y el iterativo.
Complejidad Espacial en el PDI:
Obviamente es O(x-y) para guardar ios resultados, pero en la práctica es O(mín(x,y)),

porque necesitamos guardar sólo 2 niveles a la vez para calcular los resultados.
65
2.4.3 Secuencia mínima para calcular el producto entre

matrices.
Se desea calcular el producto matricial M=MiM?---M,l. Dado que el producto de matrices
es asociativo, el cálculo de M puede realizarse de varios modos. La elección del modo de
cálculo puede tener una influencia considerable en el tiempo total.
Si tenemos en cuenta que para el producto de dos matrices A,IXt, y Bí/xr se necesitan
p-q-r multiplicaciones escalares.
Nuestro problema es calcular el modo en el que se tienen que multiplicar las matrices
para obtener el mínimo número de productos escalares.
EJEMPLO 2.4.3.1:
Se pretende calcular el producto ABCD de las matrices A(l3x5), B(5x89), C(89x3) y D(3x34).
Una forma de calcular es producto es:
AB 5785 multiplicaciones
(AB)C 3471 multiplicaciones
((AB)C)D 1326 multiplicaciones
es decir, tenemos un total de 10582 multiplicaciones. Hay esencialmente cinco formas de

obtener el producto. El número de multiplicaciones en cada caso es:
«AB)C)D 10582
<AB)(CD) 54201
(A(BC))D 2856
A((BC)D) 4055
A(B(CD)¡ 26418
Para hallar directamente el mejor modo de calcular el producto, basta insertar los
paréntesis de todas las formas posibles y calcular, para cada una, el número de
multiplicaciones requeridas. Sea T(n) el número de formas significativamente diferentes de
insertar paréntesis en un producto de « matrices. Supongamos que inicialmente se decide
dividir entre la i-ésima matriz y la (i+1)-ésima:
M=(M,M2-Mi)(Mn.lMn.2-Mll)
Tenemos entonces T(i) formas de introducir paréntesis en la parte izquierda y T(n-i) formas de
hacerlo en la parte derecha. Dado que / puede tomar cualquier valor entre / y »-/, obtenemos
la siguiente recurrencia para T{n).
Complejidad temporal
Queda como ejercicio demostrar que
¡66
2.4.3.1 Algoritmo recursivo

filasxcolumnas
filasxcomúnxcolumnas
Contorno(
¡nicio
Sea d-( filasxcomúnxcolumnas)
Cálcído( r¡, r2, d) = r¡ + r2+filas-común-columnas
Combinar(...) = Máx(...)
subproblema 1
suhproblema 2
Descomposición( P ) =
ecisión
Destacaremos que el esquema general de PDR su función descomposición genera dos

subproblemas por cada decisión.
función PDR (P:Á):p

devuelve ¡nicio(P)
sino
devuelve Combinar{ Cdlculo(PDR(X,), PDR(X 2),x) I
\/(Xi,X2,x) eDescomposición(P)
fin si
fin función

Para el ejemplo A(!3x5), B(5x89), Cl89x3) y D(3x34) quedaría:
j
1 2 3 4
m¡j=mín( in¡4=mín(
iriii+m2j+l3-5-3. mi,+mi4+ 13-5-34,
1 m,,-0 m, 2=5785 m/2+mjj+J3-89-33 mn+m34+ 13-89-34,
)=I530 m,,+m^+ 13-3-34,
)=2856
i ni24-mín(
m?2=0 m2J=l335 m22+mj4+5-89-34,
2 in2_l+m44+5-3-34
)=1845
3 m}3=0 m ¡4=9078
4 m44=0
La definición de problema se transformará en índices para acceder al almacén de forma que:
PDR PDI
filasxcolumnas que indica el número inicial y final de la
multiplicación de matrices.
67
Por ejemplo
Funciones de recorrido
Sea P=(i,j) y A/=número inicial de matrices
entonces Las casillas que se recorrerían

devuelve serían:
fin
entonces
recorrido en zig-zag.
fin
devuelve (i,j)
Complejidad temporal PDI:
Sea n el número de matrices que compone el producto matricial. Habrá que revisar la
parte triangular superior de una matriz //x/¡.
Para ver la ganancia se puede confeccionar una muestra (Tabla 10) con las dos
complejidades y ver el número de operaciones que efectúan los algoritmos.
Complejidad
PDR PDI
n n2
5 14 25
10 4862 100
50 5- 10-" 2500
100 2-10-'' 10000
Tabla 10. Número de operaciones realizadas por el algoritmo recursivo y el iterativo.
Bibliografía:
[HS.78] Capítulo 5 (Exercises).
[Mi,86) Capítulo 9 (Examples of Dynamic Programming Applications).
[BB.90J Capítulo 5.
[BB,97J Capítulo 8.
68
2.5 Ejercicios
Plateamiento:
Este apartado presenta enunciados de exámenes que se han realizado en

esta asignatura. Por lo que el alumno puede poner en práctica los conocimientos
adquiridos en ellas. Hay que tener presente que no existe una forma única de
resolver un ejercicio, si no que puede haber varias.
Objetivos:
Que el alumno mida su nivel de conocimientos de la asignatura en

Que el alumno se familiarice con la notación y la manera de resolver
ejercicios realizándolos el mismo.
69
Programación dinámica 2.5 Ejercicios
2.5.1 Inversiones
Estamos es una consultaría financiera y tenemos que tomar decisiones sobre varias
inversiones que tenemos que realizar.
Inversión Cantidad Interés (%) riesgo (%)

(millonesj
!: 1
2
il
f'i
r1
/•i
i» n Ín '"/i
Disponemos de C(número entero positivo) millones de capital para invertir, y nos piden
qué inversiones tenemos que realizar para obtener el mayor número de intereses acumulados.
Y si hubiera varias soluciones entonces deberemos elegir la de menor riesgo acumulado
posible, para ello podemos invertir varias veces en la misma inversión, según aparece en la
tabla arriba indicada.
Se pide:
a) Que se plantee el problema y que se definan las funciones PDR.

b) Que se demuestre que la solución propuesta es correcta.
c) Que se enuncie y se compruebe el principio de optimalidad.
d) Que se plantee el problema en PDI (reduciendo el coste del PDR).
e) Que se definan las complejidades temporales de los algoritmos PDR y PDI propuestos.
2.5.2 Transporte de mármol

Tenemos una empresa de pulido y corte de mármol. El trabajo de esta empresa
consiste en recoger piedras extraídas de la cantera y transformarlas en losas de mármol.
Tenemos dos camiones en una cantera, cada uno puede transportar como máximo M!
y M2 toneladas respectivamente. Tenemos que recoger la máxima cantidad de mármol posible,
para ahorrar viajes a estos camiones, sabiendo que existen N bloques de mármol que se
pueden escoger para transportar en este viaje.
Bloque de mármol Peso en Toneladas

/ TI
2 r,
3 T,
n T,,
Queremos saber cua! es la cantidad máxima de mármol (toneladas) que pueden

transportar entre los camiones en este viaje.
Se pide:

c) Que se plantee el problema en PDI (reduciendo el coste del PDR).
d) Que se definan las complejidades temporales de los algoritmos PDR y PDI propuestos.
70
2.5 Ejercicios Programación dinámica
2.5.3 Conexiones en Internet

Queremos resolver un problema de velocidad en la red Internet. Cuando dos nodos
quieren intercambiar datos (usuario, servidor) se atraviesan diversos nodos intermedios de
comunicación que reciben y emiten los paquetes de datos. Tenemos información precisa de los
nodos que se pueden atravesar para llegar del usuario al servidor y pretendemos establecer
una velocidad máxima que no entorpezca el funcionamiento global de la red. Sabiendo que no
tenemos que sobrepasar las velocidades máximas establecidas de nodo a nodo. Se pide
encontrar el camino y la velocidad máxima de transmisión que se puede establecer entre estos
dos nodos.
Se pide:
a) Que se plantee el problema y que se dafinan las funciones PDR.
b) Que se demuestre que la solución propuesta es correcta (Inducción).
2.5.4 Evacuación de una isla.

Queremos resolver un problema de evacuación de personas en una isla. Disponemos
de un avión con la siguiente tabla de posibilidades:
El avión está en una base en el continente y tiene que realizar viajes a la isla para
poner a salvo a los pasajeros. Teniendo en cuenta que /„< i/< t,< ...< t,, y cualquier número
superior a n que no figura en la tabla anterior, el avión no podría despegar por exceso de peso,
y por lo tanto, Vi e. V. r />/i =* /,•=«>. Queremos calcular el tiempo mínimo que tardará el avión en
evacuar la totalidad de pasajeros.
Se pide:
71
Programación dinámica 2.5 Ejercicios
2.5.5 Dónde llenar el depósito de gasolina.

Queremos realizar un viaje con nuestro coche desde una ciudad origen a otra destino.
Tenemos un mapa de carreteras donde están señaladas todas las gasolineras y, por lo tanto,
sabemos las distancias entre ellas. Llenamos el depósito de gasolina que nos permite recorrer
K kilómetros (a la velocidad habitual de nuestra marcha). Para ganar tiempo queremos realizar
el número mínimo de paradas para repostar combustible.
Hay que diseñar un algoritmo de programación dinámica que permita saber por qué
gasolineras hay que pasar y en cuales parar para repostar, así como el número de paradas
necesarias.
Eiemolo: K=300 kms de autonomía con el depósito lleno.
Suponiendo que disponemos de un grafo G=(N,A) con las distancias entre las
gasolineras. Se pide:

b) Que se plantee el problema en PDI (reduciendo el coste teórico del PDR).
c) Que se definan las complejidades temporales de los algoritmos PDR y PDI propuestos.
2.5.6 Salir del laberinto

Queremos encontrar el camino más corto para salir de un laberinto. Para ello se nos
proporciona una matriz cuadrada de dimensiones NxN con las casillas que podemos o no
visitar.
La entrada será la casilla (1,1) y la salida será la (N,N).
Las direcciones de movimiento admisibles serán cuatro (Norte, Sur, Este, Oeste).
Solución:
(I,I),(1.2),(2,2),(3,2)2)...,
Se puede pasar (5,6),(6,6)
NO se puede pasar
Pasos:14
Se pide:

c) Que se plantee el problema en PDI (reduciendo el coste teórico del PDR).
72
2.6 Soluciones
Planteamiento:
Este apartado ofrece al menos una solución del ejercicio enunciado en el

apartado anterior para que sírv/a de referencia al alumno. Insistiendo en que un
ejercicio puede resolverse correctamente de diferentes formas.
Objetivos:
Que el alumno compruebe su nive! de destreza en al resolución de ejercicios

relacionados con la programación dinámica.
73
Programación dinámica 2.6 Soluciones
2.5.1 Inversiones.
//Cantidad de millones que tenemos que invertir

//Cantidad de millones que hemos decidido invertir
//Intereses acumuladosxRetenciones acumuladasxdecisiones
Contornof C ) =
Inicio(C) =
Cálculo((i,r.L),d) =
En descomposición agotaremos todas las formas de invertir los mi/lores en un paso.
Descomposición( C) =
Combincir((i¡, r¡,L¡)... (ik, rk,Lk)) =
Sea una solución:
El valor de la solución asociada a t:
Función objetivo:
Siendo I(C) cualquier secuencia de inversiones que sumen la cantidad C.
Demostración:
B.I.: PDR(0) = (0,0)

H.I.: V b < a PDR(b} = Combinar F(t]
VKl(h)
74
2.6 Soluciones Programación dinámica
P.I.: PDR(a) = Combinar
= Combinar
- Combinar F(t)
V/e/(<i)
c) Que se enuncie y se compruebe el principio de optimalidad.
Sea una solución:
El valor de la solución asociada a t:
Función objetivo a optimizar:
Tenemos el conjunto de cualquier secuencia de decisiones que inviertan una cantidad

fijada l(C).
Demostración:
Tenemos una solución óptima:

Si eliminamos la última decisión:
Por reducción al absurdo suponemos una nueva secuencia t\ que mejora
el resultado anterior para la misma cantidad de millones. Esto lo podemos conseguir de dos
modos:
1) Tenemos mayor inversión con /',/.
si le sumamos la última decisión....
Hemos encontrado una secuencia que mejora la óptima t,.„, es absurdo.
75
2) Tenemos igual inversión pero con menor riesgo con la inversión f',.<:
si le sumamos la última decisión....
Hemos encontrado una secuencia que mejora la óptima />.«, es absurdo.
Luego queda demostrado el principio de optimalidad.
d) Que se plantee el problema en PDI (reduciendo el coste teórico del PDR).

La estructura de datos que necesitamos es un vector unidimensional la definición de nuestro
problema es A = W. Entonces necesitamos una dimensión para la máxima cantidad de millones
C.
0 1 2 C
ps() = devuelve (0)

ss(a) = entonces
sino
devuelve
Jmsi
devuelve (a)
c) Que se definan las complejidades temporales de los algoritmos PDR y PDI

propuestos.
PDR:
Sea /V=ns de millones
76
PDI:
Hay que recorrer el vector lineal y para cada casilla hay que consultar sus anteriores
casillas correspondientes a descomposición.
77
2.5.2 Transporte de mármol
bloques x Toneladas Camión 1 x Toneladas Camión 2

de bloque x {No se transporta, Camión 1, Camión 2}
Toneladas totales transportadas
Contorno? (AMiMi))
¡mcio((A,MhM2))
Cálculo( r, (i,d))
En descomposición decide .si un bloque va a! camión I al 2 ó a ninguno.
Descomposición((A,Mi,M2)
Combinar
PDR((A,M^M2}}
Demostración:
se cumple que:
PDR
78
P.I.: PDR«A,M
hM2))

La estructura de datos que necesitamos es un cubo tridimensional, ya que, nuestra definición el
problema es A s .rVx.~VxrVT Entonces necesitamos una dimensión el número de elementos otra
para la máxima carga del Camión 1 y otra para ia carga del Camión 2.
ps() = devuelve (0,0,0)

ss((a,mi,m?)) = entonces
sino
si nii<M¡ entonces
si no
entonces
sino
devuelve
75
fin si
fin si
fin si
devuelve (a,g,L)
d) Que se definan las complejidades temporales de los algoritmos PDR y PDI

propuestos.
PDR:
Sea /V=el número de bloques para transportar
PDI:
Hay que recorrer la matriz cúbica de AxM,xM2 dimensiones y para cada casilla hay que
consultar 3 casillas correspondientes a descomposición.
80
2.5.3 Conexiones en Internet.

Se G-(N,A) el grato que contiene las conexiones entre el nodo Usuario y el Servidor.
nodo actual x nodos recorridos

arista escogida
velocidad máxima x nodos de la solución
Vamos a plantear el algoritmo recursivo hacia atrás. Partiremos del nodo Servidor y
llenaremos al nodo Usuario.
Llegaremos a la base cuando el nodo actual es el Usurio

Contornoí ( n , L ) )
lnicio((n,L))
Cálculo( (r,L), (a,b))
En descomposición iremos a nodos adyacentes que no hayamos estado anteriormente..
Descomposición( (n,L))
Combinar((r¡,Li).., (r,,¡,L,,,))
b) Que se demuestre que la solución propuesta es correcta (inducción).

Lo que vamos a demostrar es que podemos minimizar el camino a hasta cualquier nodo, por lo
que, quedará demostrado para el nodo Usuario.
Sea C(n,L) ei conjunto de todos los caminos desde el nodo n hasta el nodo Usuario sin repetir
los nodos de L.
Demostración:
81

En el esquema iterativo la estructura de datos que necesitamos es una matriz bidimensional, ya
que, nuestra definición de problema es A = NxN*. Necesitamos una dimensión para e! nodo
actual y otra para saber que hemos recorrido todos los posibles caminos hasta llegar al final.
ps() = devuelve (0,0)

ss((a,L)) = entonces
si no
entonces
si no
devuelve
fin si
fin si
devuelve (a,L)
d) Que se definan las complejidades temporales de los algoritmos PDR y PDI

propuestos.
PDR:
Sea Afen9 de nodos del grafo.
PDI:
Hay que recorrer la matriz cuadrada de NxN dimensiones y para cada casilla hay que
consultar N casillas correspondientes a descomposición.
82
2.5.4 Evacuación de una isla.

Cantidad de pasajeros que tenemos transportar

Cantidad de personas que transportamos en un viaje
Intereses acumuladosxRetenciones acumuladasxdecisiones
Contorno( P )
Inicio(P)
Cálculo suma el tiempo de transporte de los pasajeros más el de ida vacío.
Cálculo( r, d )
En descomposición transportaremos los viajeros de todas las formas posibles..
Descomposición( P ) =
Combinar^

Sea una solución:
El valor de la solución asociada a r:
Función objetivo:
Siendo T(P) cualquier secuencia de pasajeros que sumen la cantidad P.
Demostración:
83
En ei algoritmo iterativo necesitamos es un vector unidimensional la definición de

nuestro problema es A =.1T Entonces necesitamos una dimensión para la máxima cantidad de
personas P.
ps() = devuelve (0)

ss(a) = si a<P entonces
sino
devuelve
fin si
devuelve (a)

propuestos.
PDR:
Sea N=r\- de personas para transportar
84
PDI:
Hay que recorrer el vector lineal y para cada casilla hay que consultar sus anteriores
casillas corresoondientes a rifismmnosirión
85

Este ejercicio tiene dos formas de resolverse. Por orden definiremos primero la más lógica y en
segundo lugar la más eficiente.
Sea un grafo G=(N,A)
'Autonomía(kms) x gasolinera actual x gasol. Recorridas.

'Gasolinera x se para o no
'n9 de paradas x qasol. recorridas x qasol. con parada
Llegaremos a la base cuando la gasolinera actual sea el origen o cuando tengamos una autonomía de kms
negativa.
Contorn
Inicio(
Cálculo(
En descomposición iremos a las gasolineras anteriores si podemos sin repostar o repostando.
Descornposición((a,g,L))
Combinar(
b) Que se plantee el problema en PDI (reduciendo el coste teórico del PDR).
La estructura de datos que necesitamos es un cubo tridimensional, ya que, nuestra definición

de problema es Entonces necesitamos una dimensión para la máxima autonomía
K,,ltm otra para la gasolinera actual y otra para saber que hemos recorrido todos los posibles
caminos hasta llegar al final.
86
psü devuelve (0,0,0)

ss((a,g,L)) si a<K,lulx entonces
sino
si g<N entonces
si no
si L<N entonces
si no
devuelve
fin si
fin si
fin si
devuelve (a,g,L)

propuestos.
PDR:
Sea Afen5 de nodos de! grato.
PDI:
Hay que recorrer la matriz cúbica de NxNxK,IIM dimensiones y para cada casilla hay que
consultar 2N casillas correspondientes a descomposición.
87
Procederemos a resolver este problema por otro método más eficiente. Sea el mismo grafo
anterior G=(N,A)
a) Que se plantee el problema y que se definan las funciones PDR(bis).
gasolinera actual x gasol. Recorridas.

'gasolinera inicial x gasolinera final
gasolineras recorridas x gasolineras con parada x
autonomía(kms)
Llegaremos a la base cuando la gasolinera actual sea el origen.

Contórnoí (a,L))
¡nicio((a,L))
Cólculo((r,p,k),(a,b))
En descomposición iremos a las gasolineras anteriores si podemos ir.
Descomposición((b, L))
Combinar((r/,p/,ki)...(rm,pm,km))
b) Que se plantee el problema en PDI (reduciendo el coste teórico del PDR)(bis).

Esta nueva visión del problema la estructura de datos que necesitamos es una matriz
bidimensional, ya que, nuestra definición de problema es Necesitamos una
dimensión para ía gasolinera actual y otra para saber que hemos recorrido todos los posibles
caminos hasta llegar al final.
ps() devuelve (0,0)

ss((a,L)) si a<N entonces
sino
si L<N entonces
sino
devuelve
fin si
fin si
devuelve (a,L)
88

propuestos(bis).
PDR:
Sea Msne de nodos del grato.
PDI:
Hay que recorrer la matriz cuadrada de NxN dimensiones y para cada casilla hay que
consultar N casillas correspondientes a descomposición.
89
2.5.6 Salir del laberinto
En este ejercicio tenemos que fijarnos en recorrer los puntos posibles pero sin repetirlos, si no
se formarían bucles infinitos en el recorrido.
Punto actual y lista de los recorridos hasta el momento VX, Ke Y

'Direcciones posibles
'ns de pasos y la direcciones tomadas
Comenzaremos de la casilla (N,N) y llegaremos a la base cuando estemos en el punto inicial (1,1) o si
repetimos puntos.
Contorno
¡nicio
Cálculo
En descomposición iremos a casi/las adyacentes sin salimos de la matriz
Descomposición(
Combinar
b) Que se demuestre que la solución propuesta es correcta (inducción).

Lo que vamos a demostrar es que podemos minimizar el camino a cualquier casilla, por lo que,
quedará demostrado para (N.N).
Sea C(x,y,L) el conjunto de todos los caminos desde (1,1) a la casilla (x,\) sin repetir las casillas
en L.
Demostración:
90

La estructura de datos que necesitamos es un cubo tridimensional, ya que, nuestra
definición de problema es , Como a una casilla se puede lleoar de 4
diferentes lugares hay que recorrer todas las posibilidades antes de dar la solución.
Necesitamos un triple bucle para recorrer todas las casillas tantas veces como el
camino más largo posible dentro de! laberinto (N~).
PS() devuelve (0,0,0)

ss entonces
si no
entonces
si no
entonces
sino
devuelve
fin si
fin si
fin si
devuelve (x,\,L)
91

propuestos.
PDR:
Sea Nsne máximo de casillas. Sabiendo que no se pueden repetir casillas los caminos
hipotéticos más largos serían aquellos que tuvieran por longitud N2.
PDI:
Hay que recorrer la matriz cúbica de NxNxN2 dimensiones y para cada casilla hay que
consultar las 4 casillas adyacentes correspondientes a descomposición.
92
3. Ramificación y poda
3.1 Introducción
Planteamiento:
Este tema introductorio presentará el tipo de problemas que son |

abordables mediante la técnica de ramificación y poda. También explicará las
fases de las que se compone la resolución de un problema de ramificación y poda j
y cómo abordarlas.
Objetivos:
Que el alumno conozca los fundamentos de la técnica de ramificación y

poda,
Que el alumno conozca tipos de problemas a los que se le puede aplicar
esta técnica.
Que el alumno comprenda como puede mejorar un algoritmo de
optimización cuando se podan las ramas del árbol de posibles soluciones.
93
Ramificación y poda 3.1 Introducción
Es importante en este tema introductorio conocer el tipo de problemas que son

abordables mediante la técnica de ramificación y poda, por ello se expondrán ejemplos y
también se explicará las fases de las que se compone la resolución de un problema de
ramificación y poda, y también cómo abordarlas.
La técnica de vuelta atrás10 es un caso particular de ramificación y poda. Ésta es una

técnica de exploración de árboles, cuyos nodos son estados del problema bajo diferentes
decisiones. En cada nodo se calcula una cota inferior y/o superior de los valores de las
soluciones eventualmente situadas por debajo de nuestro árbol de soluciones. Si estas cotas
demuestran que tales soluciones serán peores que las que se obtendrán en otros nodos o
peores que la mejor solución ya encontrada, entonces se abandona la exploración de esa parte
del árbol.
En su versión más simple, el cálculo de una cota inferior se combina con un recorrido
en anchura o profundidad que sirve para podar ciertas ramas del árbol. Muy amenudo, la cota
inferior sirve para escoger la rama más prometedora con el fin de realizar una exploración con
prioridad.
La técnica de ramificación y poda realiza cálculos adicionales a los de exploración para

decidir en cada momento cual es el siguiente nodo a examinar, utilizando un conjunto de nodos
generados y no examinados.
Los problemas que se resuelven por ramificación y poda son problemas de explosión
combinatoria. Existen dos tipos:
a) Que satisfaga algún conjunto de restricciones.

EJEMPLO 3.1.1
• ¿Existe una combinación en el problema de la mochila para que el beneficio sea
superior a X?
• ¿Existe una combinación en el problema del viajante de comercio donde la solución
sea menor que K?.
b) Problemas de optimización.
Se intenta encontrar una solución que satisfaga un conjunto de restricciones y minimice una
función objetivo.
EJEMPLO 3.1.2
• ¿Cuál es la combinación en el problema de la mochila que maximiza el beneficio?
• ¿Cuál es la combinación en el problema del viajante de comercio que minimiza el
recorrido entre las ciudades?.
Los problemas del apartado b) son los que estudiaremos en este tema, ya que son una
generalización de los del apartado a).
Los problemas se pueden expresar como:
Sea el conjunto X las posibles soluciones a un problema, F(.\) la función de coste de

una solución y R¡(x) el conjunto de restricciones del problema.
(Restricciones)
Si un elemento, xeX que cumple R¡(x) se denomina solución factible, y si además,

verifica Mín F(x) se denomina solución óptima.
El esquema de ramificación y poda, (sucesivamente lo denominaremos RyP) es una

técnica general para resolver problemas de búsqueda combinatoria de soluciones.
10
En inglés la palabra original es 'backtracking
94
3.1 Introducción Ramificación y poda
RyP es un esquema de partición en X (espacio soluciones). Éste descompone la

búsqueda de la solución del problema original en subconjuntos estrictos de X. Esta
descomposición se repite hasta que la búsqueda se limita a conjuntos de un solo elemento o
hasta que se pruebe que no existe solución.
La descomposición del problema se representa mediante un árbol.
EJEMPLO 3.1.3.
Representación del problema de ia mochila.
Figura 17.Backtracking aplicado al algoritmo de la mochila
Hasta aquí, la técnica utilizada es vuelta atrás (backtracking). Generamos todas las
posibilidades y, nos quedamos con la mejor. Vemos en la Figura 17 un ejemplo de la aplicación
de esta técnica. Si nos fijamos observamos unas fechas It que indican si el cálculo efectuado
en ese nodo se ha hecho de forma descendente o ascendente, respectivamente.
La idea fundamental de ramificación y poda es no expandir todo el árbol de búsqueda

de soluciones como en la Figura 17, si no utilizar unas cotas para orientar la exploración en el
árbol. Ellas nos ayudarán a resolver eficientemente un problema dado.
Vamos a pasar a formalizar nuestro esquema introduciendo una serie de funciones

básicas en el tratamiento de problemas.
La descomposición de un problema en subproblemas más sencillos viene dado por la

función hijos:
Sea X un determinado problema se define la función como:

hijos:
95
ramification Y poda 3.1 Introdcction
Dado un problema X, genérico, la descomposición de éste arbitraria se representa

mediante un árbol T=(N,A) donde N es un conjunto de nodos y A un conjunto de aristas, que se
definen como sigue:
N es el conjunto de nodos que se definen recursivamente como:
y el conjunto de aristas A del árbol T se define como:
Una vez definido el árbol donde se van a hallar las soluciones del problema original,
hay que definir una función que nos permita medir el beneficio de un nodo en particular. Como
se trata de un problema de optimización definimos una función
que actúa sobre una problema X dado, por lo que, vamos a extenderla para el conjunto de
nodos del árbol queda de la siguiente forma
EJEMPLO 3.1.4.
Vamos a observar un ejemplo donde se define un árbol T(N,A) junto a las funciones Ff-j
Figura 1 8. Árbol de estados
Como la descomposición se realiza desde la raíz, conocer f(Z) para ZeN, es tanto
como resolver el problema (Figura 18). Además si consideramos que |ZI=7 entonces
donde Z={X}.
96
3.1 Introducción Ramificación y poda
El árbol T(N,A) asociado a X se conoce como e! árbol de estados asociado al problema

X (Figura 18). Sabemos que si conocemos el valor de/fZ) VZeN es tanto como resolver el
problema de RyP. Se introduce una nueva función cota inferior o coste estimado de f(-) que
denotamos por:
y verifica:
1. g(-) es no decreciente en T
si VZehijos(Y) entonces
Como hemos comentado anteriormente la estrategia de RyP consiste en recorrer el

árbol de estados de forma selectiva ayudándose de la función coste estimado hasta encontrar
la solución óptima.
EJEMPLO 3.5.
Podríamos definir dos funciones F(-) y g(-) para el problema de la mochila11.
la expresión "i:x¡=l" significa que se consideran todos los elementos que tienen en el vector x
un /, es decir, que se han escogido.
la expresión significa que se consideran todos los elementos que tienen en el

vector - un / ó un *, es decir, que se han escogido o los que todavía no se han examinado.
Exploración
En la exploración, o recorrido de los nodos del árbol de estados se introducen los

conceptos siguientes:
Nodo vivo: Es un nodo del árbol del cual no se han generado todos sus hijos.
Nodo muerto: Es un nodo del cual no se van a generar sus hijos, porque...
a) Se han generado todos sus hijos posibles, por lo tanto, estamos en un

nodo hoja.
b) Se ha demostrado que ningún hijo conduce a una solución factible.
c) Se ha demostrado que pudiendo conducir a una solución factible, ésta no
es la óptima.
En el esquema de RyP los nodos vivos se mantienen en un conjunto de nodos vivos,

por ello existen varias estrategias para decidir que nodo o subproblema será el próximo en
explorar.
I I Las fórmulas tienen un signo negativo porque el algoritmo RyP lo hemos definido para problemas de
minimización y el problema de la mochila es de maximización, por lo que, Mín(x) = - Máx(x).
97
Ramificación y poda 3.1 Introducción
Estrategias ciegas:
a) Utilizando una exploración tipo FIFO (Cola), es una exploración en anchura y se

recorrerá el árbol de estados por niveles, desde la raíz a las hojas.
b) Utilizando una exploración tipo LIFO (Pila), es una exploración en profundidad y se
recorre una rama desde el origen a una hoja y, poco a poco se va expandiendo los
nodos vecinos a los ya explorados terminando por recorrer el árbol completo.
Estrategias inteligentes:
Estrategias de coste estimado mínimo o de primero el mejor. La función cota inferior,

$(•), se suele utilizar para escoger el próximo nodo para expandir.
Estrategias mixtas:
Como su propio nombre indica es una combinación de las estrategias anteriores. Se

suelen emplear las primeras para encontrar una solución rápida (estrategias ciegas) para luego
continuar con una estrategia inteligente y encontrar la solución óptima.
Estrategias || Ventajas Inconvenientes

• No orientan a la solución óptima.
Ciegas • Rapidez de cálculo. • Tardan mucho tiempo en encontrar
la solución óptima.
• Cálculos complejos.
Inteligentes • Orientan hacia la solución óptima. • Posibilidad de agotar la memoria
con el conjunto de nodos vivos.
• Orientan hacia la solución óptima. • Mayor complejidad en la estrategia
Mixtas • Podan nodos en etapas tempranas que las dos anteriores.
del esquema.
Bibliografía:
[HS.78] Capítulo 8 (The method).
[Mi,86J Capítulo 7 (Tree-Search methods).
[BB,90j Capítulo 6 (Brach & bound).
<[BB,97] Capítulo 9.
98
3.2 Esquema básico de resolución de problemas
Planteamieto:
Se mostrará un algoritmo capaz de resolver problemas de ramificación y

poda. Se verá su funcionamiento mediante ejemplos y se demostrará su
corrección para cualquier problema. Se remarcará el funcionamiento del esquema
básico para que en la unidad postenor tratemos de retinarlo y mejoremos su
comportamiento.
Objetivos:
Que el alumno conozca el funcionamiento del esquema básico de

resolución de problemas de ramificación y poda.
Que el alumno identifique las funciones básicas y su interrelación.
Que el alumno comprenda el correcto funcionamiento del algoritmo.
99
Ramificación y poda 3.2 Esquema básico de resolución de problemas
Para comenzar esta sección vamos a definir el siguiente esquema para la resolución de
problemas de RyP. Ésta será la primera versión, explicaremos su funcionamiento y se le
aplicarán posteriores refinamientos con en fin de aumentar su eficiencia.
Sea /V un tipo de nodo del árbol de estados derivado de un problema dado.

Sea CN un tipo conjunto de nodos del árbol de estados de un problema. '
Sea p tipo de resultado que devuelve nuestro algoritmo.
Función RyP(x:N) :p
var
Cn\\C'nh:CN-
solución: p
Cn v={x} // iniciación
mientras —final(Cnv) //regla de terminación
sel=seleccionar(Cnv) //regla deselección
Cnh-hij()s(sc¡) //regla de ramificación
Cnv=podar(horrur(Cnv,sel) u Cnh) //regla de poda
fin mientras
solución = obtenerSoiución(Cnv)
fin función
Se definirá a continuación cada función que compone el esquema, así como, los
parámetros y resultados que devuelve:
1.- Función final: Esta función indica si se ha llegado al final de nuestro algoritmo.
Entrada: C/v un conjunto de nodos del árbol de estados.
Salida: 73 un booleano ¡verdadero, falsoj según se haya llegado o no a! final de nuestro
recorrido.
2.- Función seleccionar: Esta función es la encargada de escoger el próximo nodo para
examinar, como ya comentamos en la sección anterior en el puntos de exploración, existen
diversas formas de selección.
Entrada: CN un conjunto de nodos del árbol de estados.
Salida: N un nodo del árbol de estados.
seleccionar \selecciona
(No se pueden seleccionar hojas del árbol ya que no podrían generar hijos)
3.- Función hijos: Se encarga de devolver todos los problemas del árbol de estados derivados
directamente del actual que se le pasa como parámetro.
Entrada: /V un nodo del árbol de estados.
Salida: C,v un conjunto de nodos del árbol de estados.
i oo
3.2 Esquema básico de resolución de problemas Ramificación y poda
4.- Función podar: Esta función se encarga de eliminar nodos que no van a conducir a la
solución óptima.
Entrada: C,v un conjunto de nodos del árbol de estados.
Salida: C/v un conjunto de nodos del árbol de estados.
5.- Función otenerSolución: Esta función simplemente devuelve la solución a partir do un nodo
hoja.
Entrada: C/v un conjunto de nodos del árbol de estados.
Salida: p solución asociada a un nodo hoja del problema.
obtenerSolución
fincd(x) —> obtenerSolucion(x) = a donde
Después de haber enunciado las funciones básicas del esquema RyP debemos demostrar que
el algoritmo termina en un número finito de pasos bajo problemas reales.
Teorema 3.1.1.
Sea un problema X, si se verifican las siguientes condiciones:
1 .- El tamaño del problema es inferior a infinito.

2.- Al menos existe una hoja en el árbol de
estados.
entonces RyP(A^) termina en un número finito de pasos
Demostración:
Como (estricto), aplicando esta regla recursivamente sobre

los hijos es evidente que X se irá descomponiendo en conjuntos cada vez más pequeños hasta
que su tamaño sea 1.
Por otra parte un nodo seleccionado se elimina y sus hijos son añadidos a "Cnv". En el
peor de los casos el "Cnv" solo contendrá conjuntos de un solo elemento (como hemos
comentado en el párrafo anterior) que no podemos seleccionar por ser hojas. Pero como la
función podar elimina todas las hojas menos una (ya que no puede eliminar la solución óptima),
llegará un momento en que se cumplirá la función "final" y, el algoritmo finalizará.
Ahora ya hemos demostrado que nuestro algoritmo encontrará la solución óptima si el

problema es finito.
Queda por demostrar que la solución óptima se conserva de iteración a iteración. Para
ello definimos los siguiente términos. Sea X el problema original y Cm>, el contenido de la
variable Cnv al finalizar la iteración /, siendo evidente que en nuestro esquema RyP Cnv(¡={X}.
luí
Ramificación y poda 3.2 Esquema básico de resolución de problemas
Teorema 1.1.2.
Si el algoritmo RyP termina en la iteración /, entonces se cumple que
Demostración:
Antes de comenzar la demostración definamos las siguientes igualdades:
Se ha demostrado que nuestro esquema termina en un número de pasos finito, que la

solución óptima se conserva de iteración a iteración de nuestro algoritmo. Entonces una
consecuencia directa del teorema anterior es que al final de cada iteración la solución óptima
que se busca al principio desde el problema original está en el Cnv (Conjunto de Nodos Vivos),
Corolario 1.1.1.
Cuando finaliza cada iteración tenemos que se cumple la anterior igualdad.
Demostración:
Sea X es problema original claramente Cnv,, = /Xj y por el Teorema 1.1.2. cada iteración
conserva la solución óptima de la anterior.
Lo único que nos queda para finalizar es demostrar que nuestro algoritmo devuelve la
solución correcta requerida.
102
3.2 Esquema básico de resolución de problemas Ramificación y poda
Corolario 1.1.2.
Si RyP termina, entonces RyP(X) devuelve la solución óptima.
Demostración:
Supongamos que nuestro esquema RyP termina en la iteración "t" y sea su respuesta
esto quiere decir que la variable
Recordando la definición def
y por el corolario 1.1.1.
Ahora podemos afirmar que nuestro esquema RyP devuelve la solución correcta si
resuelve un problema finito y con al menos una solución (factible o no factible).
Bibliografía:
• [HS.78] Capítulo 8.
• [Mi,86] Capítulo 7.
• [BB.90] Capítulo 6 (Branch & Bound).
• [BB.97] Capítulo 9.
103
3.3 Refinamientos sobre ei esquema básico
Planteamiento:
Vamos a considerar mejoras sobre e! esquema propuesto en la unidad

anterior que es el esquema básico. Para ello haremos dos observaciones y, de
ellas se obtendrán los dos nuevos esquemas, el RyP1(12) y el RyP2(13). Estas
mejoras nos reducirán el coste temporal y espacial del algoritmo que resuelve
nuestro problema.
Objetivos:
• Que el alumno conozca nuevos refinamientos sobre el esquema básico de

ramificación y poda.
• Que el alumno entienda la utilidad de los nuevos refinamientos.
12
Nombre reducido del primer refinamiento, que consiste en mantener el mejor resultado actual fuera de
la lista de nodos vivos.
11
Nombre reducido del segundo refinamiento, que establece una función cota pesimista que permite
definir nuevas reglas de poda.
105
Ramificación y poda 3.3 Refinamientos sobre e! esquema básico
3.3.1 Primer refinamiento

En este punto vamos a profundizar en el funcionamiento del algoritmo básico descrito
en el apartado anterior, suponemos que solamente disponemos de la función cota inferior g(-)
para orientar al algoritmo hacia la solución correcta.
Como nuestro objetivo es encontrar la solución óptima. Si hubiera varias soluciones

óptimas nuestro algoritmo encontraría una de ellas. El primer refinamiento sobre el apartado
3.2 Esquema básico de resolución de problemas, consiste en extraer del conjunto de nodos
vivos, Cnv, todas las hojas.
Estamos buscando una solución óptima, ésta la contendrá una hoja, por lo que
demostraremos que podemos desechar el resto de hojas por no aportar información adiciona!.
Supongamos que en la variable Cnv existen dos nodos distintos que son hojas:
como entonces A-> no tiene sentido que esté

en la lista Cm1, ya que no es solución óptima y se podrá podar.
Entonces se deberá utilizar una variable que la llamaremos mejor para almacenar la
mejor solución en curso. De forma que el nuevo algoritmo mantendrá en memoria e! conjunto
de nodos vivos que no contendrá hojas.
En un principio la solución tendrá un valor mejor=ü tal que luego dicha

variable mejor se actualizará con las hojas que ofrezcan una solución inferior.
106
3.3 Refinamientos sobre el esquema básico Ramificación y poda
función RyPl(X:N): p
var
sel, mejor,aux : N
Cnv : CN
fin var
Cnv -
mejor //tal que
mientras // Regla de terminación

sel - seleccionar(Cnv) // Regla de selección
Cnv - borrar(Cnv, sel)
para todo aux E hijos(sel)

si \aux\ - 1 entonces //aux es hoja
si/(aux) < /(mejor) entonces
mejor ~ aux //Actualiza nodo
Cnv = podar(Cnv, mejor) //regla de poda
fin si
si no //aux no es hoja. Examinar
si g( aux )<f( mejor) entonces
Cnv - insertar(Cnv,aux)
fin si
fin si
fin para todo
fin mientras
devuelve obtenerElemento(mejor) // x : mejor = ¡x}

fin función
Una función importante que se ha utilizado en el algoritmo RyPI es podar(-) y la

vamos a definir a continuación.
función podar (Cnv:C^, mejor:N)

var
A : N;
fin var
para todo A e Cnv

si g(A) >/(mejor) entonces
Cnv=borrar(Cnv,A)
fin si
fin paratodo
devuelve Cnv
fin función
107
Ramificación y poda 3.3 Refinamientos sobre el esquema básico
Observamos que en la regla de poda que...

podcir(Cnv,mejor) = Cn\> - / VB : B eCtiv A g(B) >/(mejor)/
por lo que se verifica que...
VAeCin'AA £ pociarfCnr,mejor) —>/(A) ¿g(A) >/(mejor),
por tanto, estamos eliminando nodos que no pueden ser la solución óptima.
Recordamos que g(-) es una función cota inferior como estamos minimizando se le
denomina también cota optimista y verifica:
Sea un problema X y su árbol de estados asociado T(N,A).
1 g(t) es no decreciente en T.
Si ehijos(Y) entonces
2.
3.
Figura 19. Representacion grafica de g(z)< f(z) en el nodoz.

Podemos observar en la Figura 19 como la función g(-) se desplaza de izquierda a
derecha en la recta real buscando la solución exacta del nodo.
EJEMPLO 3.3.1.1.
Tomando como ejemplo el problema de la mochila discreto y considerando como la

función a minimizar...
y como función de cota inferior
Figura 20. Árbol de soluciones aplicando poda.
i 08
En la traza correspondiente a la Figura 20, cuando llegamos al nodo ¿=(1.0,1) cuya

función f(z)=-6, hacemos corresponder mejor=( 1,0,1). Posteriormente la variable mejor nos
permite podar todos los nodos restantes del conjunto de nodos vivos Cnv.
3.3.2 Segundo refinamiento

En este segundo refinamiento vamos a introducir una nueva función. La nueva función
u(-) será una cota superior y como nuestro objetivo es minimizar la función se denomina
también cota pesimista y, tendrá las siguientes características:
Sea un problema X y su árbol de estados asociado T(N,A).
1. u(-) es no creciente en T (decreciente o igual)

si \fzehijos(y) entonces u(:,)< u(y)
2.
3.
Figura 21. Representación gráfica de x(z)£.ft;.i¿u(:.) en ei nodo 7.
Podemos observar en la Figura 21 como la función u(z) se desplaza de derecha a

izquierda en la recta real buscando la solución exacta del nodo /(-), que estará perfectamente
delimitada por las dos cotas, ¡>(z) <f(z) <u{:.).
En el caso que 3y.z€Cnv\u(z)¿tf(y), el nodo {y} podrá eliminarse, ya que,

f(z) ¿ u(-)<g(y) ¿f(y), el nodo {y} nunca podrá llegar a ser solución óptima.
La ventaja que conseguimos con la introducción de esta función es eliminar nodos

antes de haber obtenido una solución posible y así descargar la memoria de nodos que no nos
llevarán a la solución.
109
Ramificación v ooda 3.3 Refinamientos sobre el esauema básico
Ahora estamos en condiciones de transformar el algoritmo RyP1, ya visto, en el

alqoritmo RyP2, el cual tiene la siguiente forma:
función RyP2(X:N): p
var
sel, mejor, aux : N //Nodos del árbol de estados
solucionReal: .7?
Cnv : CN //Conjunto de nodos del árboh de estados
cotajnejor : .'A1 //Solución del problema
fin var
Cnv = fXÍ
mejor = ü //tal que f( £2)=°° , Ul * /
cotajnejor = u(X)
solucionReal - Falso
mientras Cnv ¿ 0 //Regla de terminación
sel = seleccionar(Cnv) //Regla de selección
Cnv = borrar(Cnv, sel)
para todo aux e hijos(sel)
si \aux\ = 1 entonces //aux es hoja
si f(aux)<cotajnejor o (f(aux)=cota_mejory —¡solucionReal)
entonces
//Actualizar mejor solución hasta el momento (real)
solucionReal = Verdad
cotajnejor =f(aux)
mejor-aux
Cn v-podar(Cnv, cotajnejor, solucionReal)
fin si
si no
si g(aux) < cotajnejor o (g(aux)=cotajnejory —isolucionReal)
entonces
si cotajnejor > u(aux) entonces
//Actualizar mejor solución hasta el momento (ficticia)
solucionReal - Falso
cotajnejor = u(aux)
Cn v - podar(Cn v, cotajnejor, solucionReal)
fin si
Cnv - insertar(Cnv,aux)
fin si
fin si
fin para todo
fin mientras
devuelve obtenerElemento(mejor) //x : mejor = {x}
fin función
no
En este algoritmo la función podar quedaría definida por
función podar (Cnv:CN, cota jnejor :'/(*, solucionReal:.25)

var
A : N;
fin var
para todo A e Cnv

si g(A) > cotajnejoro (g(A)-cota_mejory solucionReal) entonces
Cnv=borrar(Cnv,A)
fin si
fin paratodo
devuelve Cnv
fin función
Consideraciones sobre el algoritmo RyP2:
a) Si u(z) siempre vale °° este algoritmo se transforma en el RyP1.
b) Se puede hacer un refinamiento para evitar el cálculo de ios valores de las funciones f(x),
gfx) y u(x), guardando sus valores en variables, y ampliando la Cnv para guardar también la
g(-) del nodo que estamos considerando, para no tener que calcularlo al podar.
c) La cota superior u(x) es difícil de establecer en problemas reales con restricciones.
Se puede establecer una tabla resumen comparativa entre los algoritmos RyP1 y RyP2:
Algoritmos || Ventajas Inconvenientes

RyP1 • Fácil impiementación. • Consumo de memoria para el
conjunto de nodos vivos.
• Difícil encontrar función u(-)
RyP2 • Ahorro de memoria. • Más cálculos que RyP1 .
• Impiementación más compleja que
RyP1.
111
Ramificación v ooda 3.3 Refinamientos sobre el esquema básico
3.3.3 Solución subóptima

La solución subóptima se plantea como alternativa a la solución óptima. Existen
problemas en los que se pueden emplear soluciones aproximadas, o bien, no podemos calcular
la solución exacta. Esta situación puede ser debida a que la solución exacta consume un
tiempo excesivo o se nos agotan los recursos disponibles.
Como indica su nombre esta solución es aproximada y nos puede orientar sobre
solución correcta. Lo más importante que se puede señalar es que el error de la solución
subóptima se puede acotar. Por muchas iteraciones que realice nuestro algoritmo ia solución
no se nos desviará más que una porcentaje de la solución real.
Si nos fijamos en el algoritmo RyP se eliminan todos aquellos nodos A tales que,
g(A) >/(mejor) con lo que obtendríamos la solución óptima.
Como decíamos anteriormente, hay situaciones en el que este requerimiento se puede

relajar y, solo nos interesa una solución que de valores lo suficientemente cercanos a la
óptima.
EJEMPLO 3.3.3.1.
Supongamos que permitimos una desviación del 70% sobre la solución óptima. Si en un
momento determinado f(mejor)=150 entonces podremos eliminar todos los nodos "A " para los
que g(A) > (150-0.1*150) = 135, ya que, "g(->" es creciente la solución que se podrá derivar
de él no dista en más de un 70% de la que proporcionaría la mejor.
Para poder integrar el concepto de solución subóptima en nuestros algoritmos RyP se

introduce una función permisiva £:/?->/? y, un nodo A no será producido si
g(A) >/(mejor) - e(f(mejor)). Con ello aseguramos que
Podemos decir que las funciones más utilizadas son las del tipo £(v) - 8-v donde 8>0
que marcan la proporción sobre el parámetro.
Se ha podido demostrar experimentalmente que crecimientos lineales en la función

permisiva £ conducen a decrecimientos exponenciales en el número de iteraciones del
algoritmo. Pero la complejidad del problema sigue siendo exponencial.
Bibliografía:
• [HS,78j Capítulo 8.
• [M¡,86] Capítulo 7.
112
3.4 Teoría de juegos
Planteamiento:
Vamos a realizar una introducción a un algoritmo básico de inteligencia
artificial como es el mini-rnax y un método de poda en la búsqueda de la mejor
solución como es la estrategia alfa-beta.
Se pretende presentar este algoritmo, ya que está muy relacionado con el

de ramificación y poda, visto en ei apartado anterior.
Objetivos:
Que el alumno tenga una idea intuitiva del algoritmo mini-max. y del método
de poda alfa-beta.
113
Ramificación y poda 3.4 Teoría de juegos
La mayor parte de juegos de estrategia se pueden representar bajo la forma de grafos

dirigidos. Cada nodo del grafo se corresponde con una configuración posible del juego y cada
arco con una transición legal entre dos configuraciones. Este grafo es infinito para aquellos
juegos que no tiene un límite prefijado sobre el número de configuraciones posibles.
Supongamos para simplificar que el juego se juega alternadamente entre dos jugadores, y que
es simétrico (los dos juzgadores se someten a las mismas reglas) y determinista (el azar no
interviene); las ideas presentadas se pueden adaptar sin esfuerzo a contextos más generales.
Supongamos también que una partida no puede durar indefinidamente y que ninguna
configuración del juego tiene un número infinito de posibles sucesores. En particular, algunos
nodos del grafo no tendrán sucesor: son las configuraciones terminales.
Este punto pretende dar una visión general sobre esta técnica, por lo que se abordará
un ejemplo y se comentará. Este ejemplo será sobre dos jugadores de ajedrez.
La técnica del mini-max
El primer paso consiste en definir una función de evaluación estática evcl(-) que asocia
un valor a cada configuración. Idealmente, nos gustaría que eval(u) fuese tanto mayor cuanto
más favorable sea una configuración del juego u. Es costumbre asignar un valor a las
configuraciones en igualdad de fuerzas y un valor tanto más negativo cuanto más desfavorable
sea la situación. Esta evaluación debe tener en cuenta distintos factores, tales como el número
y la calidad de las piezas de una y otra parte, el control del centro, la libertad de movimientos,
etc. Es necesario un compromiso entre lo buena que sea la función y el tiempo que tome
calcularla.
EJEMPLO 3.3.1.
Disponemos de dos jugadores A y B. La Figura 22 representa una parte del grafo
correspondiente a un cierto juego. Los valores asociados a las hojas se obtienen aplicando la
función eval(-) a las configuraciones correspondientes; los valores de los otros nodos pueden
calcularse según la regla del minimax. Se ha supuesto en este ejemplo que el jugador A busca
maximizar la función de evaluación y el B minimizarla. La técnica del minimax tiene una
profundidad determinada para no expandir indefinidamente, en este caso es de 3 niveles
Si A juega para maximizar su ventaja, escogerá la segunda jugada de entre las tres
posibles. Esto le asegura un valor 10 como mínimo.
Figura 22. Árbol completo del minimax con 3 niveles.
114
3.4 Teoría de juegos Ramificación y poda
Método Alfa-beta
Esta técnica de base puede ser mejorada de distintas formas. Por ejemplo, puede ser
provechoso explorar más profundamente las jugadas prometedoras. Algunas ramas pueden
también ser abandonadas antes de terminar su exploración si la información obtenida es
suficiente para garantizar que no pueden, en ningún caso, influenciar el valor de sus
ascendientes. Esta segunda mejora es generalmente conocida como el nombre de método
alfa-beta. Se conoce también con el nombre de poda alfa-beta. Nos limitaremos con dar un
ejemplo simple de este método.
EJEMPLO 1.1.2,
Volvamos a la Figura 22. Sea (i,j) el j-ésimo nodo de la i-ésima línea del árbol.
Queremos calcular el valor de la raíz (U) a partir de los valores calculados por la función eval(-)
para las hojas (4,j), ¡<j<!8. Haremos un recorrido en profundidad del árbol tratando los
sucesores de una nodo de izquierda a derecha.
Se trata de transmitir inmediatamente a los niveles superiores la información obtenida

al evaluar una hoja con el propósito de abandonar la exploración inútil de algunas ramas. Así,
desde que la primera hoja (4,1) se ha evaluado se sabe que, (4,1) vale -7 y que (3,1) (un nodo
que maximiza eval(-)) vale por lo menos -7. Después de evaluar la segunda hoja (4,2), sabemos
que (4,2) vale 5, (3,1) vale 5 y (2,1) (un nodo que minimiza eval(-)) vale como máximo 5.
Figura 23. Exploración cié la rama izquierda con poda alfa-beta.
Continuando de esta manera se obtiene después de evaluar el nodo (4,4) la situación

ilustrada en la Figura 23. Puesto que el nodo (3,3) vale por lo menos 10 y el nodo (2,1) vale
como máximo -3, el valor exacto del nodo (3,3); se dice entonces que las ramas
correspondientes del árbol han sido podadas.
De igual forma, después de evaluar la hoja (4,11), se obtiene la situación ilustrada en la

Figura 24. El nodo (2,3) vale como máximo /. Puesto que ya sabemos que (/,/) vale como
mínimo 10, es inútil evaluar los otros hijos del nodo (2,3).
Para establecer que la raíz (1,1) vale 10, basta visitar sólo 19 de los 31 nodos que tiene
el árbol.
115
Ramificación y poda 3.4 Teoría de juegos
Figura 24, Árbol completo minimux de 3 niveles con poda ulta-heta.
PROBLEMA 1.1.1.
¿Qué modificaciones se tiene que hacer en los principios expuestos en esta sección
para tener en cuenta los juegos de estrategia en los que interviene el azar? ¿Y si tuviéremos
un juego en el que participan más de dos personas?
PROBLEMA 1.1.2.
Escribir un programa capaz de ganar al campeón del mundo de backgammon. (¡Esto
ya ha sido hecho!).
Bibliografía:
[BB,90] Capítulo 6 (Introducción a los gratos de juego).
[86,97] Capítulo 9 (El principio del minimax).
116
3.5 Problemas resueltos
Planteamiento:
Esta unidad que contiene problemas resueltos pretende ilustrar la

aplicación directa de los esquemas de ramificación y poda vistos en este apartado.
Veremos la utilidad de las funciones cota inferior, así como, las propiedades que
tiene asociadas. En el contenido, .desarrollaremos varios problemas para detallar
las partes que forman la resolución de un problema de ramificación y poda.
Objetivos:
• Que el alumno aplique los métodos vistos en este apartado a problemas

prácticos.
• Que el alumno conozca distintas formas de resolver un mismo problema
aplicando técnicas de ramificación y poda —distintas funciones cota
inferior—.
• Que el alumno adquiera destreza en el uso de técnicas de ramificación y
poda aplicadas a resolución de problemas combinatorios.
117
Ramificación y poda 3.5 Problemas resueltos
3.5.1 El problema de la mochila discreto 0/1.

Recordamos que en el problema de la mochila discreto 0/1 se pretende maximizar el
valor de los elementos que existen cumpliendo la restricción de caber en la mochila. Por ello
definimos Dasdlkhsdlfkjhasdflakjhaslkjhasdfjhalsdkjfhlaskjdfaksdjfksajdsdhgasdlfjkhasldfsafasdfa
La función objetivo pretende sumar todos los objetos de una solución dada.
La restricción nos dice que una solución factible es aquella cuya suma de los pesos de
sus elementos caben en la mochila.
3.5.1.1 Estructura de datos.

Consideraremos un vector de tamaño N (n9 de elementos de la mochila) para guardar
las posibles soluciones a nuestro problema14.
donde
en este caso todas las posibles soluciones se podrían definir como:
3.5.1.2 Función objetivo y restricciones

Función objetivo:
Restricciones:
14
'X' (en mayúscula) representa a todas las posibles soluciones, mientras que Y (en minúscula) representa
a una solución.
118
3.5 Problemas resueltos Ramificación y poda
3.5.1.3 Función hijos(-)

Definiremos primero la estructura de un nodo intermedio, para luego pasar a definir la
función hijox(-).
Un subconjunto YcX lo representaremos mediante una k-tupla
Sea Vye Y, la función hijos vendrá determinada por
y = (a1, a2,..., ak)

hijos(y) = />•«, v,/ donde y0 =(a1, a2,..., ak,0)
y1 =(a1, a2,..., ag,I)
La función coste/{•) será:
Tenemos que comprobar que la función hijos(-) cumple las propiedades:
Es evidente, ya que se llama
3.5.1.4 Cota Optimista. Función g(-)

Ahora necesitaremos encontrar una función g(-) que sea cota inferior de /(•). No existe una
solución única.
119
Una solución trivial sería:
Esta g(-) supone que se pueden incluir todos los objetos que llevamos hasta el
momento, más el resto que queda por explorar.
Evidentemente, cumple las condiciones de función g(-):
Pero esta cota no está muy ajustada. Ya que no tiene en cuenta el espacio que queda
libre en la mochila ni el beneficio del resto de elementos.
Otra solución mejor es rellenar con la solución del problema de la mochila continua, en
el que se pueden coger trozos del objeto. Podemos escoger la solución del problema de la
mochila continuo como una cota optimista del problema de la mochila discreta.
El provecho (máximo beneficio) obtenido en el algoritmo de la mochila continúa

siempre será mayor o igual al obtenido en la mochila discreto y podremos calcularlo según el
siguiente algoritmo. Suponiendo que los objetos están ordenados por \>/p¡, densidad de valor,
función
var
resto, provecho:
fin var
resto = M
si resto < O entonces //Hemos sobrepasado el peso máximo

devuelve °°
sino
provecho =
mientras
si resto > p¡ entonces
provecho - provecho + v¡ //Elemento entero
si no
provecho - provecho+(resto / p¡) * v¡ //Parte del elemento
fin si
resto - resto - p¡
i++
fin mientras
devuelve -provecho
fin si
fin función
120
3.5 Problemas resueltos Ramificación yjjoda
Ahora tenemos que comprobar que esta función g(-) cumple las tres propiedades de la
cota optimista (Las siglas PMC y PMD corresponden al cálculo del resto según el Problema de
la Mochila Continuo y Discreto respectivamente).
3) si Iyl = / (Es una hoja) (inmediato.)
EJEMPLO 3.5.1.4.1
Veamos las ventajas que conlleva definir una u otra función g(-). Vamos a realizar dos
trazas del mismo problema para apreciar las diferencias entre ambas g(-) anteriormente
expuestas.
Función g(-) trivial:
Figura 25. Algoritmo de la mochila con g(-l trivial (9 nodos expandidos hustn encontrar la solución).
15
La solución del problema de la mochila continúa siempre es menor o igual al discreto.
121
EJEMPLO 3.5.1.4.2
Aplicamos ahora la g(-) mejorada. La solución de! problema de la mochila continua.
Teniendo en cuenta que los elementos hay que ordenar según su ratio de provecho v/p¡.
Función q(-) Problema de la Mochila Continua:
Figura 26. Algoritmo de lu mochila con $(•) trivial (7 nodos expandidos hasta encontrar la solución)
Podemos comprobar en los dos ejemplos anteriores como la función g(-) se dirige hacia
la solución correcta en niveles iniciales del árbol de búsqueda de soluciones, si esta función
está ajustada. En el caso de la $(•) trivial (Figura 25) el algoritmo necesitaría expandir 9 nodos,
dado que explora ramas que no le conducen a la solución. Mientras que la función g(-) definida
como la solución de la mochila continua (Figura 26) consigue encontrar la solución con 7 nodos
expandidos, examinando sólo dos nodos hoia.
3.5.1.5 Cota Pesimista. Función u(-)

Una cota pesimista trivial que podríamos proponer sería la siguiente:
Dejamos para el lector que compruebe que cumple las tres propiedades de una cota
pesimista.
1) entonces u(z) ^u(y). Función no creciente.
2)
3)
Adícionalmente se puede realizar varias optimizaciones como el guardar
para no tener que calcularlos cada vez que se llama a la función g(-) o la función u(-).
122
3.5.2 El Viajante de Comercio

Se conocen las distancias entre un cierto número de ciudades. Un viajante de comercio
debe partir de una de ellas, visitar cada ciudad exactamente una vez, y regresar al punto de
partida habiendo recorrido en total la menor distancia posible. Supondremos que la distancia
entre ciudades nunca es negativa. El caso que nos aborda, los algoritmos exactos tienen un
coste exponencial.
Se puede representar este problema mediante un grato. Supongamos G=(V,A) un

grafo dirigido y ponderado por la función C: A—>7¿ para simplificar la solución supondremos que
el grafo es completo (todos los arcos que no están tienen peso °° ).
3.5.2.1 Estructura de datos.

Los posibles caminos, los representaremos por un vector de tamaño IVI=«. La
solución tendrá la forma:
3.5.2.2 Función objetivo y restricciones

Así la función objetivo será el camino que llevarnos recorrido más volver del último
nodo al inicial.
Cumpliendo la restricción de no repetirse nodos durante las visitas que se vayan

examinando.
Todo el conjunto de soluciones posibles para un problema cualquiera quedará definido

por:
Un nodo intermedio del árbol de estados quedará definido por un conjunto de nodos
recorridos que no llegará a ser « (todos los nodos) y por supuesto no será solución. Las
soluciones únicamente las tendremos en los nodos hojas.
123
3.5.2.3 Función hijos(-)

La función hijos(-) se definirá como el camino recorrido hasta el momento y todas las
posibilidades para ir a las ciudades que sean accesibles desde la actual.
Función hijos(-):
Hay que comprobar que se cumplen las propiedades de la función hijos(-):
(evidente por la construcción del problema)
3.5.2.4 Cota optimista. Función g(-)

Como ya hemos hecho en el ejercicio anterior vamos a definir dos funciones g(-). Una
definición trivial y otra más ajustada al problema.
Función Cota Inferior g(-)

Solución trivial: sumar los nodos que ya conocernos y desde el actual volver al inicial.
El último término solo se puede añadir si se cumple la desigualdad triangular17.
Esta función cumple las condiciones :
1)
Se tiene que cumplir por tener mismo nodo raíz, y cumplir la desigualdad triangular.
(por la desigualdad triangular)
16
17
Sea un grafo G=(N,A)
124
3.5 Problemas resueltos Ramificación v ooda
2)
Por R.A. supongamos que no es cierto ademas
de lo que se deduce que
que esta en desacuerdo con la desigualdad triangular, por lo que hemos llegado a una
contradicción, luego c.q.d.
3) S¡|;y| = l =>#(y) = / ( y )
Inmediato.
No obstante, esta cota no está muy ajustada. Existe una forma de obtener una función
g(-) que se ajuste más, basándose en el uso de la matriz reducida.
La forma de obtener una matriz reducida es la siguiente:
- El grafo viene dado por la matriz de costes.

- Una fila/columna está reducida, si y solo si, contiene un cero y los restantes valores
son no negativos.
- Una matriz está reducida, si y solo si, todas las filas y columnas están reducidas.
Sea A la matriz asociada al nodo R del espacio de soluciones. Sea S un hijo de R

correspondiente a incluir el arco </./> en el camino.
Figura 27. Cálculos realizados en la matriz A dei nodo padre al hijo

Como observamos en la Figura 27, si S no es una hoja, para obtener la matriz reducida
asociada se debe realizar
1) Cambiar todos los valores en la fila "í" y en la columna "/' por «>, para impedir utilizar
más arcos que salgan de Y o lleguen a "/"'•
2) Poner /I//, /y = «.
3) Reducir filas y columnas excepto aquellas cuyos valores son todo
Ahora tenemos que Vyehijos(x), el valor de g(y) será:
(Siendo r el coste de la matriz reducida del nuevo nodo).
125
EJEMPLO 3.5.2.4.1.
Aplicaremos la definición de la función g(-) más ajustada y realizaremos una traza.
Tenemos una matriz de costes. La reduciremos inicialmente y, seguiremos nodo a

nodo, seaún el camino recorrido.
Matriz de Costes Matriz de coste reducido, r = 25
Reducir
Matriz
Inicial
El coste de r=25 se obtiene de coger los mínimos de las filas (10+2+2+3+4) y de la

matriz resultante escoger los mínimos de las columnas (1+3). Con lo que queda
Vamos ahora a mostrar las como quedarán las matrices para cada nodo necesario para
la traza.
(1,2) nodo 2 (1,3 nodo 3 (1,4) nodo 4
(1,5) nodo 5 (1,4,2) nodo 6 (1,4,3) nodo 7
(1,4,5) nodo 8 (1,4,2,3) nodo 9 (1,4,2,5) nodo 10
126
Si aplicamos al grafo las reglas de ramificación y poda quedaría:
Figura 28. Árbol de estados correspondiente al problema del viajante de comercio (matriz de coste reducida)
En la Figura 28 el índice k perteneciente a las etiquetas ik indican los nodos recorridos

(o profundidad en el árbol) y e! número que aparece a su lado en el número de nodo que se ha
visitado. Es decir, i2-4 significa que es nuestro segundo nodo visitado y concretamente es e!
nodo 4.
Bibliografía:
[HS.781 Capítulo 8.
[Mi,86] Capítulo 7.
127
3.6 Ejercicios
Planteamiento:
Este apartado ofrece enunciados de exámenes que se han realizado de

esta asignatura. Por lo que el alumno puede practicar los conocimientos adquiridos
en ramificación y poda. Sabiendo que no existe una única forma de resolverlo si no
que pueden haber varias.
Objetivos:
• Que el alumno mida su nivel de conocimientos de la asignatura en

ramificación y poda.
• Que el alumno se familiarice con la notación y la manera de resolver
ejercicios realizándolos el mismo.
129
Ramificación y poda 3.6 Ejercicios
Queremos realizar un viaje con nuestro coche desde una ciudad origen a otra destino.
Tenemos un mapa de carreteras donde están señaladas todas las gasolineras y, por lo tanto,
sabemos las distancias entre ellas. Llenamos el depósito de gasolina que nos permite recorrer
K kilómetros (a la velocidad habitual de nuestra marcha). Para ganar tiempo queremos realizar
el número mínimo de paradas para repostar combustible.
Ejemplo: K=300 kms de autonomía con el depósito lleno.
Ejemplo: Sea la matriz correspondientes al gráfico anterior G=(N,A).
(1) (2) (3) (4) (5) (6) (7)

(i) 200 250 350
(2) 200 150 - 200 310 -
(3) 250 150 - 200 - 160
(4) 350 200 100
(5) - 200 - 200
(6) 310 160 - 150
(7) 100 200 150 ~
Se pide:
a) Que se plantee la solución para un problema genérico mediante RyP (solución, función
objetivo y restricciones, nodos intermedios y función hijos).
b) Que se defina una función cota inferior, lo más ajustada posible al problema.
c) Que se realice una traza del problema con K=300 kims:
• Árbol de nodos intermedios con la cota inferior correspondiente.
• Etiquetar el orden de recorrido del árbol.
• Identificar las podas en el árbol.
• Lista de nodos vivos en cada iteración.
130
3.6 Ejercicios Ramificación y poda
3.6.2 Reservas de laboratorio

Estamos al comienzo de curso y los alumnos quieren reservar un turno de laboratorio.
Para solucionar este problema se propone a los alumnos que elijan varios turnos a los que
desearían asistir según su orden de preferencia. El número máximo de alumnos es N y el de
turnos es T. Existe una restricción adicional y es que en cada turno solamente caben 7,
alumnos. Las máximas prioridades están a la izquierda de la tabla.
Alumnos Elección Turno Max. Alumnos

Al T2 Tí TI 2
A2 T2 TI T3 T: /
A3 TI T2 TJ T3 1
A4 Ti T3 T2
Se quiere encontrar una solución para satisfacer al número máximo de alumnos, según su
orden de preferencia.
Se pide:
b) Que se defina una función cota inferior y otra superior lo más ajustadas posible al
problema.
c) Que se realice una traza para el problema del enunciado:
3.6.3 Puzzle
Queremos resolver un puzzle de tamaño /Vx/V en el menor número de movimientos
posibles. Nos dan una matriz que está desordenada y tenemos que realizar los movimientos
correspondientes para que esta matriz tenga la solución correcta del puzzle.
En la matriz siempre tenemos una casilla en blanco para desplazar un movimiento las
celdas adyacentes (movimientos permitidos).
El puzzle siempre tiene solución.
Ejemplo
Del
1 2 3 1 2 3 1 2 3 1 2 3
Problema 4 6- —»• 4 6 4 5 6 4 5 6
Matrices t
7 5 8 7 5 8 7 •4 -8 7 8
3x3
Movimiento 1 Movimiento 2 Movimiento 3 ¡ Solución !
Se pide:
c) Que se realice una traza del problema con:
1 2 3
4 5
7 3 6

131
Ramificación y poda 3.6 Ejercicios
3.6.4 Construcción de edificios

Un constructor tiene que terminar 3 edificaciones pero los promotores de ellas, le
proponen darle bonificaciones si las termina antes de final de año. También el propio promotor
sabe que si las quiere terminar tendrá también gastos adicionales.
Bonificaciones Gastos Adicionales

Sep Oct Nov Dic Sep Oct Nov Dic
Edl. 12 10 11 7 Edl. 8 3 4 4
Ed2. IU .5 10 7 Ed2. 5 A' / 2
Ed3. 10 X 15 3 Ed3. 11 5 5 2
El constructor no va a terminar antes de estos meses y, si lo hace después, no

obtendrá bonificaciones ni gastos adicionales. Por ello quiere maximizar su beneficio y quiere
saber el orden en que tiene que terminar sus edificios y el beneficio que obtendría, sabiendo
que en cada mes solamente podrá terminar un edificio como máximo.
Se pide:
b) Que se defina una función cota inferior y oirá cota superior, lo más ajustada posible al
problema.
c) Que se realice una traza del problema con el ejemplo del enunciado:
3.6.5 Cena de empresa

Vamos a organizar una cena de empresa, para ello hay que distribuir a I invitados en M
mesas de C comensales cada una (Sabemos que I-M*C). Se dispone de una tabla simétrica
de afinidades que contiene valores de O a 5 según su grado (O indica aversión total y 5
simpatía). Se pretende diseñar un algoritmo de ramificación y poda que calcule la distribución
de invitados por mesa que optimiza e! bienestar general. Ese bienestar se calcula sumando las
afinidades de los comensales sentados en posiciones adyacentes.
Ejemplo: 1=6 invitados, M=2 mesas de C-3 comensales.
Se pide:
b) Que se defina dos funciones, una cota inferior y otra cota superior, lo más ajustadas
posible al problema.
c) Que se realice una traza del problema con:
• Árbol de nodos intermedios.
132
3.6 Ejercicios Ramificación y poda
3.6.6 Viaje en autobuses

Tenemos que organizar un viaje para un ns determinado de personas. Para lo cual
contrataremos diversos autobuses que realizarán el trayecto del viaje sabiendo que este
número está limitado. Hemos de decidir cuantos autobuses alquilar y de que tipo, ya que
existen de diferente número de plazas. El objetivo es minimizar el precio global del viaje.
Sabemos que el número de personas es P y el de tipo de autobuses es T,
Ejemplo:
Tipo de autobús \ l'lazas máximas Disponibles Coste
0 !(> j 10.000 ¡ítem.
1 15 2 U.SOOpttix.
2 50 / 40.000 ptas.
•' - 60 2 54.000 imis.
Se pide:
b) Que se defina la función cota inferior, lo más ajustada posible al problema.
c) Que se realice una traza del problema con P=65 (Personas):
133
3.7 Soluciones
Planteamiento:
Ofrecer al menos una solución del ejercicio enunciado en el apartado

anterior para que sirva de referencia. Insistiendo en que un ejercicio puede
resolverse correctamente de diferentes formas.
Objetivos:
Que el alumno comprueba su nivel de destreza en al resolución de ejercicios

relacionados con la ramificación y poda.
135
Ramificación y poda 3.7 Soluciones

a) Que se plantee la solución para un problema genérico mediante RyP (solución,
función objetivo y restricciones, nodos intermedios y función hijos).
Sea G=(N,A) el grafo del conexiones que describe la red con AfeNodos y /^Aristas.
Estructura de datos:
;j=Autonomía en Kms.
gasolineras recorridas
paradas en gasolineras
Función objetivo:
Función hijos:
b) Que se defína una función cota inferior, lo más ajustada posible al problema.
Supongamos que tenemos una matriz de distancias mínimas entre los nodos
(Algoritmo de Kruscal) que se calcula en tiempo de preproceso con un coste O(n3)
entonces podemos definir nuestra cota inferior como:
Sumamos las paradas realizadas hasta el momento / ,y calculamos en el mejor de los

casos, cuantas paradas necesitaríamos para llegar el final. La función f-l calcula el
entero superior al parámetro, si éste tiene decimales (Ejemplo: f3~l=3, [3.71=4, Fo.ll=1).
136
3.7 Soluciones Ramificación y poda
c) Que se realice una traza del problema con K=300 kms.
Distancias Distancias mínimas

(1) (2) (3) (4) (5) (6) (7) (1) (2) (3) (4) (5) (6) (7)
{') 200
200 .
250 350
150 200 310
(1) 200
200 -
250 350 400 410 550
150 350 200 310 400
(2) (2)
(3) 250 150 200 160 (3) 250 150 200 350 160 300
(4) 350 - 200 - - ¡00 (4) 350 350 200 - 300 250 100
(5) . 200 _ . - 200 (5) 400 200 350 300 . 350 200
(6) 310 160 . - 150 (6) 410 310 160 250 350 . 150
(7) - 100 200 150 - (7) 550 400 300 ¡00 200 150
Conjunto de nodos vivos con sus correspondientes iteraciones:
Cnv0=(U
Cn\'!=¡2.3l
Cnv-,=¡i,4,5¡
Cnv,=¡4.5,6,7 ¡
Solución F(8)=2, y poda el resto de nodos pendientes.
137
3.6.2 Reservas de laboratorio

Turnos correspondientes a los alumnos

Alumnos
Función objetivo:
Debemos minimizar el coste total de desplazar un

alumno según sus preferencias.
El peso correspondiente al desplazamiento lo
dejamos que lo calcule la función Coste(-).
Como restricción tenemos que los alumnos de un

turno no deben superar el máximo establecido por
ese turno.
Función hijos:
b) Que se defina una función cota inferior y otra superior lo más ajustadas posible
al problema.
Cota inferior g(-):
Cota superior u(-):
138
c) Que se realice una traza del problema con K=300 kms.
Alumnos Elección Turno Max. Alumnos

Al T2 T3 TI 2
A2 T2 TI T3 T2 1
A3 \ Ti T2 T3 T3 1
A4 TI T3 T2
"Coste O i 2
Solución F(ll)=l, y poda e! resto de nodos pendientes.
IK
La elección de pesos se ha realizado arbitrariamente. Podría elegirse otros distintos para deshacer
empates.
139
3.6.3 Puzzle
situación del cuadro en blanco

Matriz actual
Lista de matrices desde el comienzo
Función objetivo:
Debemos minimizar la longitud de la lista que

nos lleve a la solución.
La matriz actual debe ser la solución.

En la lista L no habrán matrices repetidas
Función hijos:
b) Que se defina una función cota inferior lo más ajustada posible al problema.
Cota inferior g(-):
Los movimientos necesarios serán, al menos, todas las casillas que no estén
en su lugar (el cuadro blanco actúa como comodín) más el ns de movimientos
realizados.
140
c) Que se realice una traza del problema con.
1 2 3
4 5
7 8 6
Solución F(8)=3, y poda el resto de nodos pendientes.
141
Ramificación v poda 3.7 Soluciones
3.6.4 Construcción de edificios

Antes de comenzar podríamos calcular una nueva tabla Beneficio como la diferencia entre
Bonificaciones-Gastos.
Bencficio(i,j)=Bonificacione.\(i,j)-Gasto.i(iJ)
Beneficio
Sep Oct M,v Dic
Edi. 4 7 7 .?
Ed2. 5 -3 9 5
Ed3. -/ 3 10 /
Ninguno 0 0 0 0
MsMeses.
jVsNúmero de edificios
[No}=No se asigna edificio
Función objetivo:
Cambiamos el signo de F(X) para que se convierta en un problema de minimización.
Función hijos:
Seleccionamos todos los edificios no terminados
b) Que se deñna una función cota inferior, lo más ajustada posible al problema.
Función g(-) cota inferior:
La g(-) calculará las decisiones que hemos tomado hasta el momento y el máximo de
los próximos meses.
i 142
Función u(-) cota superior:
De igual forma podríamos calcular u(Y) como:
como hay siempre una fila con valor O de beneficio (es la posibilidad de no construir es
edificio), la fórmula anterior se transforma en:
c) Que se realice una traza con el problema del enunciado.

Solución F(I2)=22, y poda el resto de nodos pendientes.
143
3.6.5 Cena de empresa

C & n9 de comensales en una mesa

M & n3 de mesas
Se supone que el n2 de invitados es ¡=M*C, es
decir que los invitados caben justos con las
mesas.
Función objetivo:
Utilizaremos la función moil como módulo (resto de la división entera)
Podemos plantear es problema
como la minimización de la
simpatía entre los invitados.
Si dos elementos son iguales es

porque son el mismo elemento.
Función hijos:
/ = Invitados por
colocar
Y= Invitados
sentados
b) Que se defina una función cota inferior y otra superior lo más ajustadas posible
al problema.
Cota inferior g(-):
La función g(-) sumará todas las afinidades de los invitados sentados y

agregará el máximo del resto de los invitados que quedan por sentar. Todo ello
cambiado de signo.
144
Cota superior u(-):
La función «(•; será equivalente a la anterior pero, sumará todas las afinidades
de los invitados sentados y agregará el mínimo del resto de los invitados que quedan
por sentar.
c) Que se realice una traza del problema con el ejemplo.
Solución F<22)= -30, y poda el resto de nodos pendientes.
145
Ramificación y poda 3.7 Soiuciones
3.6.6 Viaje en autobuses

P= personas que quedan por transportar

numero de autobuses de un tipo
Función objetivo:
Función hijos:
Los nodos intermedios Y serán aquellos que no transporten al total de personas

requerido.
Supongamos que tenemos los tipos de autobuses ordenados por e! cociente
Coste/(Plazas máximas):
Sumamos el coste de los autobuses contratados hasta el momento y luego lo mejor

que no puede pasar sería que cupieran en los autobuses más baratos y con la
capacidad justa. También podríamos mejorar la cota si comprobamos con los
autobuses disponibles cuantas de la p personas podemos transportar el resto lo
haríamos con el siguiente cosíePersona mínimo.
146
c) Que se realice una traza del problema con P=65 personas.
Tipo de autobús Plazas máximas Disponibles Coste Coste/Persona Orden

0 10 3 10.000 fitas. 1000 4
1 15 2 13. 500 pías. 9ÜO 3
2 51) / 40.000 ¡ñus. $00 1
3 60 2 54.000 pías. WO 2
Solución F(8)=53500 y poda el resto de nodos pendientes.
147
Referencias
Bibliografía básica
[HS.78] Ellis Horowitz & Sarta] Sahni.

"Fundamentáis of Computer Algorithms"
Computer Science Press (1978)
[BB.97] Giles Brassard & Paul Bratley.

"Fundamentos de Algoritmia"
Prentice Hall (1997).
Bibliografía complementaria
[Sa,81] Sartaj Sanhi

"Concepts in discrete mathematics"
The Camelot Publishig Company
[Mi,86] M. Minoux.
"Mathematical Programming Theory and Algorithms"
John Wiley and Sons
[Sn,92] Moshe Sniedovich.

"Dynamic Programming"
Board
[BB.90] Giles Brassard & Paul Bratley

"Algorítmica. Concepción y análisis"
Masson, S.A.
149
índice analítico
inicio, 26, 27. 33, 34, 40, 41, 42, 46, 47, 48. 50,
53,58,69.73.76,78,81,83,85
A
algoritmia, 4. 5 I
algoritmo, 1,4.5.6, 1 1 , 13, 14, 16, 17, 18,21,22,
23, 28, 30, 33, 43, 49. 50, 56, 59, 63, 64. 65, 71, iterativo, 14. 20, 22. 37. 39, 41, 43. 48, 49, 50, 55, 56.
75, 76, 77, 79, 82, 84, 87, 89, 94, 97, 99, 100, 101. 58, 59, 77, 79
103, 105. 106. 109. 110, 1 1 1 , 113, 123, 125, 126,
135
divide y vencerás, 3 M
heurístico. 4 minimal, 31,32, 33.39. 47, 54
iterativo, 11
optimización, 1 1
recursivo, 1 1 N
voraz, 3 noetheriano, 31, 32, 33. 39, 46. 47. 54, 55
vuelta atrás. 3 notación. 6, 9
C
O
complejidad. 3, 95 optimi/.ación. I 1, 89, 91, 93
espacial, 5, 22
temporal, 3, 4, I I , 13, 14, 16, 18,21,37.39,43.
49, 50, 55, 56, 1 1 1 P
temporales. 59
conclusión, 22 paradigma, 5
conjunto, 4. 6, 7, 8, 16. 17, 18, 25. 26, 27, 28. 29, 30, funcional. 5
31, 32, 33, 39, 40, 41. 45. 53. 54, 55, 70, 76, 85, imperativo. 5
91,92,93,94,95.99. 100, 105. 108, 110, 1 2 1 , 126 lógico. 5
PDI, 40, 41, 42, 48. 49, 50, 55, 56, 58, 59. 63. 64, 65,
71. 72. 74. 75. 77, 79. 80. 81. 82. 83, 84. 86. 87
D PDR, 26. 27. 33, 34. 40. 41. 42. 46, 47, 49. 50. 54.
55, 56, 58, 59, 63. 64, 65, 69, 70. 71. 73. 74, 75,
divide y vencerás. 5, 13. 16, 17 76, 77, 78, 79. 81, 82. 83. 84, 85, 86, 87
programación dinámica, 5. I I , 13. 18, 22. 23, 25, 26,
E 27, 32, 35, 36, 37, 39, 43, 61. 65, 67
Programación Metódica, 1, 3, 5
espacio. 123 Programación Orientada a Objetos, 5
decisión. 25, 33
memoria, 4, 39
problema, 25. 30, 33, 35 R
solución. 25, 92. 128 ramificación y poda, 5, 89, 91. 92. 97. 103, 119, 130,
Esquemas Algorítmicos. 3 131, 135, 137
recursivo, 13. 14, 17, 18, 21, 22, 23, 25, 26. 27, 32.
F 33. 37. 39, 41. 43. 46, 49, 50, 53, 54, 55, 56. 58.
59, 76
fórmula, 13.29,49.56. 146 relación de orden estricto, 30, 33
funciones programación dinámica iterativa RyP, 91,92. 94, 99. 100, 101. 102, 1 1 1 , 133, 134.
ps, 40, 41, 42, 48, 55, 59, 71. 74. 77, 79, 82, 83, 86 135, 136, 139, 141. 143. 145. 147. 149
ss, 40, 41, 42. 48, 55, 59, 71, 74, 77, 79, 82, 83, 86
funciones programación dinámica recursiva
cálculo, 6, 26. 27, 33, 34, 40, 41, 46, 47, 48, 49. S
50. 53, 58, 69, 73, 76, 78, 81, 83. 85 subproblema, 13, 18, 20, 25. 26. 37, 39, 40, 92, 94
combinar, 26. 27, 33, 34, 40, 41. 46. 47, 48, 50,
54,58,69,73,76.78,81.83,85
contorno, 26. 27, 33, 34, 40, 41, 42, 46, 47, 48. 50,
V
53,58,69,73.76.78.81,83,85
vuelta atrás, 5, 91. 92
descomposición, 25. 26, 27, 33, 34, 35, 40. 41, 46,
47, 48, 50, 54. 58. 69, 73, 76. 78. 81, 83, 85
151

Libro 3 Esquemas Algorítmicos PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Libro 3 Esquemas Algorítmicos PDF

Încărcat de

Drepturi de autor:

Formate disponibile

ESQUEMAS ALGORÍTMICOS

This page intentionally left blank

PUBLICACIONES DE LA UNIVERSIDAD DE ALICANTE

© Juan Ramón Rico, 2003

Diseño de portada: candela + alenda

En este libro se describe la materia que sustenta la asignatura de Esquemas

El autor, profesor que coordina la asignatura en el momento de redactar este libro,

El libro comienza con el capítulo 1 que contiene conceptos preliminares. En él se

Juan Ramón Rico

La forma que tenemos de resolver problemas es mediante algoritmos.

Todos estos conceptos fueron vistos en la asignatura Programación

• Que el alumno conozca las fases de desarrollo de un algoritmo.

Este libro se establece como un complemento de la asignatura del mismo nombre,

A lo largo de este libro se presentarán dos esquemas eficientes para disminuir la

Los esquemas de programación como divide y vencerás, vuelta atrás (backtracking),

En la Figura 1 y en la Figura 2 se puede observar las principales funciones de

• Polinómicas: Las variables están en la base y tienen exponente constante.

Figura I . Complejidades polinómicas más representativas.

Figura 2. Principales complejidades exponenciales.

1.2 ¿Qué es un algoritmo?

Cuando se utiliza un algoritmo para calcular la respuesta de un problema concreto,

1.3 ¿Qué es la algoritmia?

Podemos distinguir 5 áreas de trabajo fundamentales en algoritmia:

Cómo se idean algoritmos.

Cómo se expresan los algoritmos.

Los paradigmas anteriores pueden complementarse con la Programación Orientada a

Cómo se validan algoritmos.

En una segunda fase se verifica el programa. Cuando tenemos el programa en uno de

Análisis de los algoritmos.

Cómo se testean algoritmos.

• Depurador: Orientado a la depuración de errores con ejecuciones paso a paso, punto

1.4 Notación para los programas

1.5 Notación matemática

Variables conjuncton Disyuncion Negacton Implicaton

Simbolo Ejemplo Explicacion

Enteros, reales e intervalos

Un intervalo es un conjunto de números reales que están comprendidos entre dos

Un intervalo entero es un conjunto de números enteros que están comprendidos entre

Tabla 3. Tipos de intervalos.

Considérese cualquier relación/entre X e Y. La relación se llama fundón si, para cada

Sea P un predicado sobre X y lo definimos como P:X-*{verdadero, falsa}. También

Considérese un conjunto arbitrario X y una propiedad P sobre X. Escribiremos

que se lee "la suma de \osf(i) cuando / va desde / hasta n".

De forma similar, tenemos los productorios, cuyos valores se acumulan utilizando la

En algunas ocasiones resulta útil considerar sumas condicionales. Si P es una

De igual forma se puede definir los productorios como

[BB,97j Preliminares (Capítulo 1).

Cuando tenemos que resolver un problema de optimización (obtener el

Que el alumno conozca los fundamentos de la programación dinámica.

En la estrategia divide y vencerás consiste en dividir un problema en subproblemas,

La programación dinámica es un método ascendente. Se resuelven primero los

La estrategia de divide y vencerás es un método de diseño de algoritmos que puede

Si se calcula el número combinatorio directamente con la fórmula anterior se obtiene la función:

complejidad del algoritmo es sin duda

Se generará una pequeña traza para ilustrar gráficamente las repeticiones en el

Figura 3. Tra/.a do C(5.2) con el algoritmo recursivo.

T.ibla 5. Traza de C(5.2) con el algoritmo iterativo.

En la Tabla 6 se ve las complejidades y las operaciones que realizarían ambos

Podemos observar en las figuras 4 y 5 como el crecimiento en el número de

Figura 4. Relución de número opeíaciones en el algoritmo recursivo respecto de '/i' y 'k'.

Figura 5. Relación de número operaciones en el algoritmo iterativo respecto de '/i' y 'k'.

Un explorador se encuentra un tesoro, en el que hay diversas piezas con distintos

En este ejemplo se va a enunciar de una manera más formal: