Está en la página 1de 3

FORO - SEMANA 5 Y 6, ANALISIS Y VERIFICACION DE ALGORITMOS

A continuación los integrantes del grupo:


Néstor Fernando Cuéllar Serrato -----------------------código: 1611020116
Alejandra Acosta Hernández-----------------------------código: 0812040233
Rodríguez Velasco Mauricio------------------------------código: 1821025387
Oswaldo Portilla Lopez-------------------------------------código: 1821025487
En nuestro grupo se abordó el siguiente artículo el cual trata el siguiente tema:

METODOLOGÍA DE PROGRAMACIÓN DINÁMICA APROXIMADA

¿Cuál es el problema abordado en el artículo?

En el artículo, Metodología de programación dinámica aproximada, tratan la problemática


de no poder aplicar métodos de programación lineal directamente en espacios continuos,
teniendo como base que la programación dinámica que se utiliza en la programación
lineal si se puede ejecutar en espacios de estados discretos.

Teniendo en cuenta el modelo de un sistema dinámico discreto no lineal


X+=f(x,u)
Se puede usar la metodología de programación dinámica aproximada basada en la
ecuación de Bellman que resaltan en el artículo:

Esto, aplicándolo por medio de la programación dinámica aproximada tendría el siguiente


resultado:

Con bas3e en estos resultados se resaltan varias aproximaciones, y se aplica las


aproximaciones funcionales que ofrece el método de la programación dinámica
aproximada:

Dejando las demás aproximaciones en obsolescencia ya que se podrían resolver por


medio de una pseudoinversa.

Teniendo en cuenta lo anterior podemos ver que el articulo plantea varios problemas y
ejemplos de uso de programación lineal y su orientación en cuanto a espacios continuos y
la resolución que la programación dinámica aproximada resuelve mediante soluciones
adecuadas y bien condicionadas. Dando a este método la capacidad de considerarlo
como buena aproximación, teniendo en cuenta el problema específico a resolver.

¿En qué contexto(s) existe el problema descrito?


Programación dinámica está basada en resolución de problemas y operaciones y en la
programación lineal. El término también se usa para describir el proceso de resolución de
problemas donde hace falta calcular la mejor solución consecutivamente.
Algunos lenguajes de programación funcionales, sobre todo Haskell, pueden usar la
memorización automáticamente sobre funciones con un conjunto concreto de
argumentos, para acelerar su proceso de evaluación. Esto sólo es posible en funciones
que no tengan efectos secundarios, algo que ocurre en Haskell pero no tanto en otros
lenguajes.
En esta sección se plantean ejemplos sobre un sistema lineal, para valorar las
prestaciones obtenidas con la metodología propuesta en un entorno cuya solución
analítica es conocida (aunque sin considerar saturación). Posteriormente, se ilustra la
propuesta sobre un ejemplo de segundo orden popular en la literatura de aprendizaje.

¿Grosso modo, en qué consiste la solución de programación dinámica propuesta


en el artículo?
La metodología incluye: planteamiento de desigualdades, análisis de la factibilidad y
condicionamiento del problema de programación lineal, regularización de regresores, e
introducción de coste final.

La programación lineal debe plantear restricciones A θ≤ B La solución a la que


llegan los algoritmos PI/VI puede ser obtenida planteando la ecuación de Bellman,
sustituyendo igualdades por desigualdades:

Dado que existe una solución que verifica la igualdad, se maximizará el índice

Se obtendría la solución óptima del problema de programación dinámica exacta, siendo N


la cardinalidad de X y xi una enumeración arbitraria de sus elementos, en el caso de
programación dinámica aproximada, esto es, al utilizar un aproximador funcional, en
general no es posible obtener el ajuste perfecto a la solución óptima en todos los puntos.
¿Cuáles son los resultados de la solución, de acuerdo con lo reportado en el
artículo?
Los resultados obtenidos en la aplicación de la metodología de programación dinámica
aproximada, no presenta problemas de convergencia , así mismo los regresores utilizados
permiten una adecuada manipulación de los datos; sin embargo, para un resultado más
exacto es necesario tener un mayor número de regresores, con lo cual al tener un número
menor, su aplicación se hace más compleja, ya que los resultados pueden estar sesgados
a un mínimo de datos o variables; además se entiende que aunque el ajuste perfecto no
es posible de hallar, adecuando los regresores y condicionando las variables de manera
óptima sus resultados satisfacen el objetivo de la metodología propuesta.
Referencias:
https://polipapers.upv.es/index.php/RIAI/article/view/10379/11390 (Enlaces a un sitio
externo.)