动态规划是一种解决最优化问题的有效方法，尤其在处理子问题重叠的情况。本文以钢条切割和矩阵链乘法为例，详细介绍了动态规划的基本思想、步骤和算法实现。在钢条切割问题中，通过动态规划避免了重复计算，提高了效率；而在矩阵链乘法中，展示了动态规划如何解决指数级别的子问题。这两种问题都体现了动态规划的最优子结构和子问题重叠特性。
动态规划（dynamic programming，这里的programming不是程序，而是表示表格）。它与分治算法类似，都是通过组合子问题的解来求解原问题。分治算法是将原问题分解为互不相交的子问题，递归的求解子问题，然后将解组合起来。
动态规划则不同，它应用于求解子问题重叠的情况，也就是不同的子问题会涉及相同的子子问题。这样，普通的递归方法会反复的求解那些公共子问题，因而浪费了时间，动态规划则是对公共子问题只求解一次，然后将其解保存在表格中，避免了不必要的重复工作。
动态规划通常用来解决最优化问题，这类问题通常有很多可行解，每个解法都有一个值，希望找到具有最优值（最小值或者最大值）的解。这样的解为一个最优解，有可能会有多个解都能得到最优值。
设计动态规划算法的步骤：
a：描述一个最优解的结构特征；
b：递归定义最优解的值；
c：计算最优解的值，通常采用自底向上的方式计算最优解的值；
d：利用计算出的信息构造一个最优解。
第1-3步是动态规划求解问题的基础。如果仅需要一个最优解的值，而非最优解本身，则第4步可以忽略。如果需要求得一个最优解，则有时要在第3步的计算中记录一些附加信息，以便用来构造一个最优解。
一：钢条切割问题
给定一个长度为n的钢条，以及一个价格表p，p中列出了每英寸钢条的价格，将长度为n的钢条切割为若干短钢条出售，求一个钢条的切割方案，使得收益
在该问题中，长度为n的钢条，一共有
在该问题中，对于最优解 ， 可以用更短的钢条的最优解来描述：将钢条从左边切割下长度为i的一段，只对剩下的n-i的一段进行继续切割（递归求解），而不对左边长度为i的一段在进行切割。这样对
这样，原问题的最优解就表示成了子问题的最优解的形式。
为了求解规模为n的原问题，可以先求解形式完全一样，但规模更小的子问题，这样，钢条切割问题满足最优子结构：问题的最优解由相关子问题的最优解组合而成，这些子问题可以独立求解。
根据上面的公式，可以写出原始的切割方案：
CUT-ROD(p,n)
if n == 0
return 0
q = -∞
for i = 1 to n
q = max(q, p[i]+CUT-ROD(p, n-i))
return q
CUT-ROD的效率很差，这是因为CUT-ROD反复的求解一些相同的子问题，下图显示了当n==4时的调用情况：
下图表示了实际程序运行时，调用cutrod的情况，当n=4时，总共调用cutrod 16次，其中求解相同的子问题若干次：
分析CUT-ROD的运行时间，设T(n)表示第二个参数值为n时，CUT-ROD的调用次数。这个值等于递归调用树中，根为n的子树中的节点总数，T(0)=1。并且：
T(n) = 1 + 
可以使用动态规划的方法求解，CUT-ROD的效率低是因为它反复求解相同的子问题，动态规划方法是仔细安排求解循序，对每个子问题只求解一次，并将子问题的结果都保存下来，如果随后在此需要子问题的解，直接取值而不用再次计算。所以，动态规划方法是典型的时空权衡的例子，是用空间换时间。时间上的节省是巨大的，可能将一个指数时间转化为一个多项式时间。
动态规划方法有两种等价的实现方法，两种方法具有相同的渐进时间，仅有的差异是某些特殊情况下，自顶向下的方法没有真正递归考察所有可能的子问题，因为没有使用递归，所以自底向上的方法的时间复杂度函数通常具有更小的系数。
a：带备忘的自顶向下方法，该方法与之前的普通递归方法类似，只是会在过程中保存子问题的解，当需要一个子问题的解的时候，先查看是否已经保存过了，如果是，则直接使用即可。否则，按常规的递归方式计算子问题。所以称为带备忘的，因为它记住了之前已经计算出的结果。
MEMOIZED-CUT-ROD(p,n)
let r[0..n] be a new array
for i = 0 to n
r[i]= -∞
return MEMOIZED-CUT-ROD-AUX(p, n, r)
MEMOIZED-CUT-ROD-AUX(p,n, r)
if r[n] >= 0
return r[n]
if n == 0
q= 0
else q = -∞
for i = 1 to n
q= max(q, p[i]+MEMOIZED-CUT-ROD-AUX(p, n-i,r))
r[n] = q
return q
在带备忘的自顶向下的方法中，首先检查所需的值是否已知。
b：自底向上的方法：这种方法要恰当定义子问题的规模，使得任意子问题的求解只依赖于“更小的“子问题解。所以通常按照规模从小到大的顺序进行求解。当求救某个子问题时，它所依赖的更小的子问题的解都已经求解完毕了。
BOTTOM-UP-CUT-ROD(p,n)
let r[0..n] be a new array
r[0]= 0
for j = 1 to n
q= -∞
for i = 1 to j
q = max(q, p[i]+r[j-i])
r[j]= q
return r[n]
这两种算法具有相同的时间复杂度，BOTTOM-UP-CUT-ROD主要是双层嵌套循环，所以时间复杂度为Θ(
当思考一个动态规划问题时，应该弄清楚子问题以及子问题之间的依赖关系。子问题图可以准确表达这些信息，比如下图反映了n=4时钢条切割问题的子问题图：
每个顶点对应一个子问题，如果求解子问题x的最优解时需要用到子问题y的最优解，那么图中会有一条x指向y的有向边。这个图可以看成是递归调用树的简化版，因为递归调用树中，相同子问题的结点合并为图中的单一顶点。
子问题图可以帮助我们确定动态规划算法的运行时间，由于每个子问题只求解一次，所以算法运行时间等于每个子问题求解时间之和。通常一个子问题的求解时间与图中该顶点的出度成正比，而子问题的数目等于图中的顶点数。所以，通常情况下，动态规划算法的运行时间与顶点和边的数量呈线性关系。
前面只给出了钢条切割问题的最优解的值（最大收益），并没有切得最优解，也就是最佳切割方案，所以，可以简单的扩展算法，得到最优解：
EXTENDED-BOTTOM-UP-CUT-ROD(p,n)
let r[0..n] and s[0..n] be new arrays
r[0]= 0
for j =1 to n
q= -∞
for i = 1 to j
if q < p[i]+r[j-i]
q = p[i]+r[j-i]
s[j] = i
r[j]= q
return r[n]
PRINT-CUT-ROD-SOLUTION(p,n)
(r,s)= EXTENDED-BOTTOM-UP-CUT-ROD(p, n)
while n > 0
print s[n]
n = n-s[n]
该方法通过数组s保存切割方案。
二：矩阵链乘法
给定n 个矩阵的序列，希望求它们的乘积：
不同的加括号的方案，对于乘积运算的代价影响很大，两个矩阵相乘，A为p
最低0.47元/天 解锁文章
扫一扫
689
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
