动态规划的基本思想:
将一个问题分解为子问题递归求解,且将中间结果保存以避免重复计算。通常用来求最优解,且最优解的局部也是最优的。求解过程产生多个决策序列,下一步总是依赖上一步的结果,自底向上的求解。
动态规划算法可分解成从先到后的4个步骤:
1. 描述一个最优解的结构,寻找子问题,对问题进行划分。
2. 定义状态。往往将和子问题相关的各个变量的一组取值定义为一个状态。某个状态的值就是这个子问题的解(若有k个变量,一般用K维的数组存储各个状态下的解,并可根 据这个数组记录打印求解过程。)。
3. 找出状态转移方程。一般是从一个状态到另一个状态时变量值改变。
4.以“自底向上”的方式计算最优解的值。
5. 从已计算的信息中构建出最优解的路径。(最优解是问题达到最优值的一组解)其中步骤1~4是动态规划求解问题的基础,如果题目只要求最优解的值,则步骤5可以省略
01背包: 有N件物品和一个重量为M的背包。(每种物品均只有一件)第i件物品的重量是w[i],价值是p[i]。求解将哪些物品装入背包可使价值总和最大
状态转移方程:
v[i][m]=max(v[i-1][m],v[i-1][m-w[i]]+p[i]);
解释一下: 用v数组代表价值,v[i][m]代表 前i件物品(包括考虑第i件)放入重量为m的背包中,能拥有的最大价值。
这样 我们来考虑第i件物品,它有两种决策。第一种是 如果不将第i件物品放入背包,那么问题转化为前i-1件物品的最大价值是多少。也就是v[i][m]。第二种情况是 如果将第i件物品放入背包,那么我们去除掉这件物品的在价值和重量上的影响,那么问题便转化为前i-1件物品 放入重量为m-w[i]的背包中所能产生的最大价值。
两种情况取max
n件物品 背包重量为M:
for(i=1;i<=n;i++)
for(m=0;m<=M;m++)
v[i][m]=max(v[i-1][m],v[i-1][m-w[i]]+p[i]);
这样 这个问题的时间复杂度 不能优化了,但是空间复杂度可以优化。
用f一维数组代表当前最大价值。
for(i=1;i<=n;i++)
for(v=v;v>=cost;v--)
f[v]=max(f[v],f[v-cost]+p );
也就是说 我们用f数组存储i-1件物品时的最大价值,所以当考虑到第i件物品时, 当容量为v时,依然有两种情况,这件物品不放,转化为i-1件物品的最大价值(此时的数组里不正是i-1件物品的最大价值么) 第二种情况,同理、 放这件物品 就转化为f(v-cost) 的最大价值 cost表示这件物品消耗空间。
考虑到覆盖问题 所以内存循环要从v向cost循环。