一、何为动态规划
动态规划,就是将一个问题分解为若干个子问题,对每个子问题求最优解。前一个子问题的最优解,将会影响后一个子问题的结果,最后一个子问题就是初始问题的最优解。
简单来说,动态规划就是通过不断地通过局部最优,达到整体最优。
二、动态规划的步骤
解决动态规划问题,通常需要用到数组,并通过三个步骤进行解决:
确定状态
确定状态,说得通俗点就是确定数组的含义——数组是干什么的。
首先,确定要定义一个几维的数组。一般地,题目中有几个变量,就定义一个几维的数组。这里留个印象即可,后头还可以详细体会。
接着,确定数组中装的是什么。例如,题目要求求出最大价值,那么数组f[i]的含义就是:前i个的最大价值。
确定状态转移方程
这一步是动态规划的核心,也是动态规划的难点所在。例如,我们要求出f[n]的时候,是可以通过f[0],f[1],f[2], , f[n-1]来求解的。状态转移方程,就是利用已知的数据,去推出新的数据。例如,我们可以列出这样一个状态转移方程:
确定边界
继续借用刚才的状态转移方程举例,显然的,要求出f[n],需要知道f[n-1] 和 f[n-2]。但是当我们令时,我们就需要定义初始值。当确定了初始值,即边界条件后,就可以使用状态转移方程使问题迎刃而解了。
三、使用动态规划的条件
(1)最优化原理(最优子结构性质)
官方 | 一个最优化策略具有这样的性质,不论过去状态和决策如何,对前面的决策所形成的状态而言,余下的诸决策必须构成最优策略(一个最优化策略的子策略总是最优的)。 一个问题满足最优化原理又称其具有最优子结构性质。 |
简单来说 | 若局部最优能够导致全局最优,那么其就满足最优子结构性质。 |
(2)无后效性
官方 | 将各阶段按照一定的次序排列好之后,对于某个给定的阶段状态,它以前各阶段的状态无法直接影响它未来的决策,而只能通过当前的这个状态,这就是无后效性。 |
简单来说 | 每个状态都是过去历史的一个完整总结,无人能够撼动它的地位。 |
(3)子问题的重叠性
官方 | 子问题之间不是独立的,一个子问题可能在下一阶段决策中可能会被多次用到。 |
简单来说 | 没什么好说的👻 |
四、经典题目
通过一些经典的题目,让我们来更好的理解之前的内容。
(1)斐波那契数
斐波那契数 (通常用 F(n) 表示)形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始,后面的每一项数字都是前面两项数字的和。也就是:
F(0) = 0,F(1) = 1 F(n) = F(n - 1) + F(n - 2),其中 1 < n <= 30.
给定 n ,请计算 F(n) 。
示例1:
输入:n = 2
输出:1
示例2:
输入:n = 3
输出:2
Ⅰ 确定状态
一维数组f[n],其中f[i]表示第i项的数字是多少。
Ⅱ 确定状态转移方程
Ⅲ 确定边界
f[0] = 0, f[1] = 1.
Ⅳ 完整代码
#include <iostream>
using namespace std;
int n;
int f[31];
int main() {
cin >> n;
f[0] = 0;
f[1] = 1;
for(int i = 2; i <= n; i ++) {
f[i] = f[i - 1] + f[i - 2];
}
cout << f[n] << endl;
return 0;
}
(2)第N个泰波那契数
泰波那契序列 Tn 定义如下:
T0 = 0, T1 = 1, T2 = 1, 且在 n >= 0 的条件下 Tn+3 = Tn + Tn+1 + Tn+2
给你整数 n(0 <= n <= 37),请返回第 n 个泰波那契数 Tn 的值。
示例 1:
输入:n = 4
输出:4
示例 2:
输入:n = 25
输出:1389537
Ⅰ 确定状态
一维数组f[n],其中f[i]表示第i项的泰波那契数是多少。
Ⅱ 确定状态转移方程
Ⅲ 确定边界
f[0] = 0, f[1] = 1, f[2] = 1.
#include <iostream>
using namespace std;
int n;
int f[38];
int main() {
cin >> n;
f[0] = 0;
f[1] = 1;
f[2] = 1;
for(int i = 3; i <= n; i ++) {
f[i] = f[i - 1] + f[i - 2] + f[i - 3];
}
cout << f[n] << endl;
return 0;
}
(3)爬楼梯
假设你正在爬楼梯。需要 n 阶你才能到达楼顶。
每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢?
示例 1:
输入:n = 2
输出:2
示例 2:
输入:n = 3
输出:3
Ⅰ 确定状态
一维数组f[n],其中f[i]表示爬前i节楼梯共有几种方法。
Ⅱ 确定状态转移方程
在爬第i层楼梯时,可以通过第i-1 或 i-2 层楼梯爬上来。所以,可以列出状态转移方程:
Ⅲ 确定边界
f[0] = 1, f[1] = 1.
Ⅳ 完整代码
#include <iostream>
using namespace std;
int n;
int f[38];
int main() {
cin >> n;
f[0] = 1;
f[1] = 1;
for(int i = 2; i <= n; i ++) {
f[i] = f[i - 1] + f[i - 2];
}
cout << f[n] << endl;
return 0;
}
五、动态规划 & 贪心比较
联系 | 通过局部最优达到全局最优 |
区别 | 动态规划中,每一个状态都是由之前的状态所推倒过来的; 贪心算法中,每一个状态是直接在局部中选择最优解. |