diff --git a/pt-br/dynamic-programming-pt.html.markdown b/pt-br/dynamic-programming-pt.html.markdown
new file mode 100644
index 00000000..8de9bee6
--- /dev/null
+++ b/pt-br/dynamic-programming-pt.html.markdown
@@ -0,0 +1,76 @@
+---
+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): Começe 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 começe a solucionar dos problemas mais triviais, 
+até o problema dado. Neste processo, é garantido que os subproblemas são 
+resolvidos antes de resoler 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)