summaryrefslogtreecommitdiffhomepage
path: root/pt-br/dynamic-programming-pt.html.markdown
blob: 518660a39780510338081c7b73fa79aaa367a514 (plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
---
category: Algorithms & Data Structures
name: Dynamic Programming
contributors:
    - ["Akashdeep Goel", "http://github.com/akashdeepgoel"]
translators:
    - ["Claudson Martins", "https://github.com/claudsonm"]
lang: pt-br
---

# Programação Dinâmica

## Introdução

Programação Dinâmica é uma técnica poderosa utilizada para resolver uma classe 
particular de problemas como veremos. A ideia é bastante simples, se você 
solucionou um problema com uma dada entrada, então salve o resultado para 
referência futura, e também para evitar resolver o mesmo problema novamente.

Sempre se lembre!!
"Aqueles que não conseguem lembrar o passado estão condenados a repeti-lo"

## Maneiras de Solucionar tais Problemas

1. Top-Down (De cima para baixo): Comece solucionando o problema quebrando-o em 
partes. Se você perceber que o problema já foi resolvido, então simplemente 
pegue a resposta salva. Se ainda não foi resolvido, solucione-o e salve a 
resposta. Isso é geralmente fácil de pensar e muito intuitivo. É geralmente 
referenciado como Memorização.

2. Bottom-Up (De baixo para cima): Analise o problema e veja a ordem em que os 
subproblemas são resolvidos e comece a solucionar dos problemas mais triviais, 
até o problema dado. Neste processo, é garantido que os subproblemas são 
resolvidos antes de resolver o problema. Isto é referenciado como Programação Dinâmica.

## Exemplo de Programação Dinâmica

O problema da subsequência crescente máxima consiste em encontrar a maior 
subsequência crescente de uma dada sequência. Dada uma sequência 
S= {a1 , a2 , a3, a4, ... , an-1, an} nós temos que encontrar o maior subconjunto 
de forma que para todo j e i,  j < i no subconjunto aj < ai. Antes de mais nada 
nós temos que encontrar o valor das maiores subsequências (LSi) para cada índice 
i com o último elemento da sequência sendo ai. Então a maior LSi será a maior 
subsequência na sequência dada. Para começar LSi é atribuído a um pois ai é 
elemento da sequência (último elemento). Então para todo j tal que j < i e aj < 
ai, nós procuramos o maior LSj e o adicionamos a LSi. Portanto o algoritmo tem 
complexidade de tempo O(n2). O pseudocódigo para procurar o comprimento da 
subsequência crescente máxima: A complexidade desse algoritmo poderia ser 
reduzida utilizando uma estrutura de dados melhor que um array. Armazenando o 
array antecedente e uma variável como maiorSequenciasAteAgora e seu índice 
ajudariam a poupar muito tempo.
Um conceito similar poderia ser aplicado ao procurar o maior caminho em um 
grafo acíclico dirigido.

```
 for i=0 to n-1
            LS[i]=1
            for j=0 to i-1
                        if (a[i] >  a[j] and LS[i]<LS[j])
                                    LS[i] = LS[j]+1
 for i=0 to n-1
            if (largest < LS[i])
```

## Alguns Problemas Famosos de Programação Dinâmica

- Floyd Warshall Algorithm - Tutorial and C Program source code: [http://www.thelearningpoint.net/computer-science/algorithms-all-to-all-shortest-paths-in-graphs---floyd-warshall-algorithm-with-c-program-source-code]()
- Integer Knapsack Problem - Tutorial and C Program source code: [http://www.thelearningpoint.net/computer-science/algorithms-dynamic-programming---the-integer-knapsack-problem]()
- Longest Common Subsequence - Tutorial and C Program source code : [http://www.thelearningpoint.net/computer-science/algorithms-dynamic-programming---longest-common-subsequence]()
 

## Recursos Online (EN)

* [codechef](https://www.codechef.com/wiki/tutorial-dynamic-programming)