Algoritmos voraces y programación dinámica

← SE-090 — Búsqueda, ordenamiento y selección · ↑ Parte 07 · 📚 Índice completo · 🌐 Portal · SE-092 — Backtracking, divide y vencerás →

Punto profesional y fundamento pedagógico

Punto profesional. La clase existe para distinguir elección voraz de subproblemas solapados y justificar optimalidad.

Por qué aparece aquí. Se sitúa después de Búsqueda, ordenamiento y selección y antes de Backtracking, divide y vencerás: convierte el conocimiento anterior en una decisión observable que la clase siguiente podrá reutilizar. La continuidad se comprueba en el artefacto, no por compartir vocabulario.

Error conceptual que debe corregir. Llamar dinámica a cualquier caché o asumir que una elección local es globalmente óptima.

Secuencia de aprendizaje. Antes de leer la solución, el estudiante predice el resultado del caso normal y del error conceptual anterior. Luego explica un caso resuelto paso a paso, construye un contraejemplo que cambie la decisión y, sin consultar el texto, reconstruye el mecanismo y lo aplica a una entrada nueva. La secuencia usa predicción, explicación propia, contraste y recuperación. ICAP distingue participación de construcción de conocimiento; How People Learn II exige conectar conocimiento previo, contexto y transferencia; la práctica de recuperación respalda producir de nuevo la explicación tras una demora; y Education for Life and Work exige devolución que explique la causa del error.

Evidencia de aprendizaje. Strategy-proof.md con recurrencia, propiedad voraz y contraejemplo. Debe contener predicción previa, observación, explicación causal, contraejemplo, criterio de aceptación y una nota de qué dato haría cambiar la conclusión.

Límite de la conclusión. La corrección depende de la estructura del problema.

Trazabilidad fuente → afirmación

Antes de empezar

Esta clase continúa la biblioteca de estructuras y algoritmos de la Parte 07. Recupera la evidencia de la clase anterior, añade una decisión propia de Algoritmos voraces y programación dinámica y deja un artefacto que la clase siguiente deberá consumir. La pregunta activa es: ¿Cuándo una elección local es segura y cuándo debe conservarse historia de subproblemas?

Prerrequisitos

• Haber completado la clase anterior o reconstruir su contrato y evidencia.
• Python 3.11 o posterior, terminal, editor y Git; un segundo runtime es opcional y debe declararse.
• Trabajar con fixtures sintéticos: ninguna observación necesita datos de una persona o sistema real.

Problema auténtico

La biblioteca de estructuras y algoritmos asigna capacidad limitada a casos con valor y costo. Elegir siempre la mayor prioridad parece correcto, pero bloquea una combinación de casos pequeños con mayor valor total.

Objetivos observables

Al terminar podrás explicar los cinco mecanismos de esta clase, predecir su comportamiento antes de ejecutar, construir un caso normal y uno límite, diagnosticar el fallo controlado, comparar una alternativa y entregar evidencia que otra persona pueda reproducir.

Mapa conceptual

flowchart LR
    N1[Estrategia voraz] --> N2[Contraejemplo mínimo] --> N3[Subproblemas superpuestos] --> N4[Memoización / tabulación] --> N5[Reconstrucción de la solución]
    N5 -->|fallo o cambio| N1

El mapa se lee como una cadena de razonamiento, no como fases obligatorias del runtime. La flecha de retorno indica que un fallo o cambio de requisito obliga a revisar el modelo inicial; no autoriza a parchear solo la última salida.

Temas y por qué importan

Conceptos y decisiones

1. Estrategia voraz

Un algoritmo voraz toma la mejor opción local y no retrocede. Para ser correcto necesita estructura como elección segura y subestructura óptima. Que funcione en monedas canónicas o árboles de expansión no autoriza extrapolar a cualquier asignación.

2. Contraejemplo mínimo

Cuando se propone una regla local, se busca la entrada más pequeña que la rompe. Un contraejemplo no solo refuta: muestra qué interacción faltaba en el modelo. La biblioteca de estructuras y algoritmos conserva esos casos como pruebas y no los llama edge cases irrelevantes.

3. Subproblemas superpuestos

Programación dinámica identifica estados que reaparecen y guarda sus soluciones. El estado debe contener toda información necesaria para el futuro; omitir una dimensión produce caché rápida pero incorrecta. Añadir dimensiones indiscriminadamente explota memoria.

4. Memoización y tabulación

Memoización resuelve bajo demanda con recursión; tabulación llena estados en un orden que satisface dependencias. Ambas aplican la misma recurrencia, pero cambian accesibilidad, stack y estados visitados. Se elige según grafo de dependencia y límites.

5. Reconstrucción de la solución

El valor óptimo no basta si se necesita explicar qué casos se eligieron. Guardar predecesores o decisiones permite reconstruir. Empates deben seguir una política estable para que resultados y auditoría sean reproducibles.

Definiciones de trabajo

• estrategia voraz: un algoritmo voraz toma la mejor opción local y no retrocede.
• contraejemplo mínimo: cuando se propone una regla local, se busca la entrada más pequeña que la rompe.
• subproblemas superpuestos: programación dinámica identifica estados que reaparecen y guarda sus soluciones.
• memoización y tabulación: memoización resuelve bajo demanda con recursión; tabulación llena estados en un orden que satisface dependencias.
• reconstrucción de la solución: el valor óptimo no basta si se necesita explicar qué casos se eligieron.

Las definiciones son operativas para la biblioteca de estructuras y algoritmos. No convierten términos con historia más amplia en sinónimos y deben contrastarse con la documentación primaria enlazada al final.

Ejemplo mínimo

# Capacidad 4: el voraz por valor individual elige A=7/costo4;
# B=4/costo2 + C=4/costo2 logra valor 8.
cases = [("A", 4, 7), ("B", 2, 4), ("C", 2, 4)]

Antes de ejecutar, predice estado, resultado y error. Después registra versión, comando y salida. Si el fragmento es pseudocódigo o pertenece a otro lenguaje, etiquétalo como tal y no afirmes que fue ejecutado.

Ejemplo profesional

En la biblioteca de estructuras y algoritmos, un caso conserva identidad, prioridad, dependencias, instante de llegada y estado de resolución. La implementación de esta clase debe conservar ese contrato aunque cambie la forma interna. El caso profesional no pregunta únicamente si produce una salida: pregunta quién puede producirla, qué estado observa, cómo falla y qué rastro permite disputar una decisión incorrecta.

Compara el caso normal con autorización falsa, evidencia incompleta, empate y repetición. Un mecanismo es apropiado cuando esas diferencias quedan visibles y localizadas; es peligroso cuando dependen de orden accidental, estado oculto o una convención que el consumidor no puede conocer.

Práctica guiada

1. Copia el contrato de entrada y salida antes de escribir implementación.
2. Predice el caso normal y un límite; identifica la invariante que no puede romperse.
3. Implementa la versión mínima sin I/O dentro del núcleo.
4. Ejecuta el caso y conserva comando, versión y salida bajo evidence/.
5. Introduce el fallo controlado, reduce la reproducción y formula dos hipótesis rivales.
6. Corrige la causa, añade regresión y ejecuta el conjunto completo.
7. Compara con otro paradigma o lenguaje indicando qué semántica se preserva.

Ejercicios

1. Lectura: dibuja una traza de cinco pasos y marca dónde cambia estado o control.
2. Construcción: añade una operación dominante y demuestra la invariante que conserva.
3. Frontera: cubre vacío, empate, no autorizado e inválido con resultados distintos.
4. Contraste: reescribe una pieza con otro modelo y explica una mejora y una pérdida.

Reto verificable

Entrega implementación, fixtures, pruebas y un informe corto. Se aprueba si otra persona ejecuta desde checkout limpio, obtiene los mismos resultados y puede relacionar cada rama o transformación con una regla del dominio. No se aprueba por cantidad de archivos ni por usar la sintaxis característica del paradigma.

Caso conductor

La biblioteca de estructuras y algoritmos recibe casos del motor de reglas comparado, mantiene una frontera de trabajo priorizada y explica por qué el siguiente caso es elegible. Ejecuta una carga pequeña trazable, duplicados, prioridades iguales y una dependencia ausente. Cambia después una sola regla o condición y revisa qué archivos, pruebas y trazas debieron modificarse. Esa superficie de cambio alimenta el proyecto final de la parte.

Preguntas frecuentes

¿Un paradigma determina toda la arquitectura?

No. Puede organizar un núcleo o una frontera sin dominar el sistema completo. Combinar modelos es válido si los adaptadores preservan identidad, orden, errores y evidencia.

¿Menos líneas significan una solución mejor?

No. La brevedad puede quitar duplicación o esconder decisiones. Se evalúan semántica, diagnóstico, costo de cambio y adecuación a la carga.

¿Debo instalar todos los lenguajes mencionados?

No. Python basta para la práctica base. Si usas Prolog, Rust o Erlang, registra versión y comandos; si solo analizas notación, decláralo como análisis no ejecutado.

Fallo controlado y diagnóstico

Implementa greedy por valor y usa el ejemplo A/B/C. Luego define estado dp[i][capacity], reconstruye selección y conserva el contraejemplo como regresión.

Registra síntoma, entrada mínima, hipótesis, observación que descarta cada hipótesis, causa, corrección y prueba de regresión. No cambies simultáneamente implementación, fixture y expectativa.

Errores comunes y cómo corregirlos

Entorno y archivos clave

work/SE-091/
├── README.md
├── algorithm_library/
│   ├── domain.py
│   └── se_091.py
├── fixtures/cases.json
├── tests/test_se_091.py
└── evidence/diagnosis.md

El README declara plataforma, runtimes, comandos, limpieza y límites. Evita dependencias externas cuando la biblioteca estándar permita observar el mecanismo; si agregas una, fija procedencia y versión.

Seguridad, ética y accesibilidad

• la autorización forma parte del dominio y no se infiere por ausencia de rechazo;
• no uses eval, reglas descargadas ni serialización insegura;
• limita colas, recursión, tamaño de entrada y tiempo de evaluación;
• redacta trazas y conserva una explicación textual además de color o animación;
• una recomendación automatizada debe poder revisarse, impugnarse y corregirse;
• respeta licencias de ejemplos y atribuye adaptaciones.

Transferencia

Traslada un fixture al segundo modelo o lenguaje. Compara representación de ausencia, error, mutabilidad, orden y cancelación. La transferencia está lograda cuando el contrato se conserva y las diferencias están explicadas, no cuando la sintaxis se parece.

Evaluación y evidencia

Fuentes

• MIT 6.006 Introduction to Algorithms — Estructuras, algoritmos, corrección y análisis de complejidad; autoridad: MIT OpenCourseWare.
• Python Data Model — Semántica de secuencias, conjuntos, mappings, igualdad y hash; autoridad: Python Software Foundation.
• Python Standard Library — Deque, heapq, bisect, graphlib y contenedores disponibles; autoridad: Python Software Foundation.
• Python Debugging and Profiling — Timeit, cprofile y tracemalloc con sus límites; autoridad: Python Software Foundation.
• Mathematics for Computer Science — Inducción, grafos, conteo y razonamiento discreto; autoridad: MIT OpenCourseWare.
• SWEBOK Guide v4.0a — Construcción, medición y fundamentos de ingeniería; autoridad: IEEE Computer Society.

Cada fuente respalda el mecanismo indicado; ninguna demuestra que la implementación de la biblioteca de estructuras y algoritmos sea correcta. Esa afirmación depende de fixtures, pruebas, trazas y revisión reproducible.

Límites y siguiente paso

La programación dinámica exige un estado finito y manejable. La siguiente clase estudia exploración, poda y descomposición cuando no basta llenar una tabla.

Glosario

• estrategia voraz: un algoritmo voraz toma la mejor opción local y no retrocede.
• contraejemplo mínimo: cuando se propone una regla local, se busca la entrada más pequeña que la rompe.
• subproblemas superpuestos: programación dinámica identifica estados que reaparecen y guarda sus soluciones.
• memoización y tabulación: memoización resuelve bajo demanda con recursión; tabulación llena estados en un orden que satisface dependencias.
• reconstrucción de la solución: el valor óptimo no basta si se necesita explicar qué casos se eligieron.

← SE-090 — Búsqueda, ordenamiento y selección · ↑ Parte 07 · 📚 Índice completo · 🌐 Portal · SE-092 — Backtracking, divide y vencerás →