前言
hello大家好啊,我是文宇,不是文字,是文宇哦。
今天也是动态规划。
矩阵连乘(Matrix Chain Multiplication)
矩阵连乘(Matrix Chain Multiplication)是一种经典的算法问题,其目标是找到矩阵连乘的最优顺序,使得计算所需的数乘次数最少。
在矩阵连乘问题中,我们有一系列的矩阵A1,A2,...,An,其中Ai的维度为pi-1 x pi。我们的目标是计算它们的乘积A1 * A2 * ... * An,并找到最佳的乘法顺序。
为了解决矩阵连乘问题,我们可以使用动态规划的方法。动态规划是一种解决问题的算法范式,它将问题分解为子问题,并利用子问题的解来构建原问题的解。
我们定义一个二维数组m,其中m[i][j]表示从矩阵Ai到矩阵Aj的最少乘法次数。我们还定义一个二维数组s,其中s[i][j]表示从矩阵Ai到矩阵Aj的最佳分割点,即乘法的顺序。
接下来,我们需要定义两个递推关系来计算m和s的值。首先,对于i等于j的情况,即只有一个矩阵,乘法次数为0,即m[i][i]=0。然后,对于i小于j的情况,我们需要找到一个最佳的分割点k,使得m[i][j]的值最小。我们可以通过尝试不同的k值,将问题分割为两个子问题,并计算乘法次数的总和来选择最佳的分割点k。我们可以使用下面的递推公式计算m和s的值:
m[i][j] = min{m[i][k] + m[k+1][j] + pi-1 * pk * pj},其中i <= k < j
s[i][j] = k,其中i <= k < j
在计算m和s的值时,我们需要按照矩阵链的长度递增的顺序进行计算。最后,我们可以使用s数组来构建最佳的乘法顺序。
下面是C++代码的实现:
#include <iostream>
#include <vector>
#include <climits>
using namespace std;
void matrix_chain_multiplication(const vector<int>& p) {
int n = p.size() - 1;
vector<vector<int>> m(n+1, vector<int>(n+1, 0));
vector<vector<int>> s(n+1, vector<int>(n+1, 0));
for (int len = 2; len <= n; len++) {
for (int i = 1; i <= n - len + 1; i++) {
int j = i + len - 1;
m[i][j] = INT_MAX;
for (int k = i; k <= j - 1; k++) {
int cost = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j];
if (cost < m[i][j]) {
m[i][j] = cost;
s[i][j] = k;
}
}
}
}
cout << "Minimum number of multiplications: " << m[1][n] << endl;
cout << "Optimal multiplication order: ";
print_optimal_order(s, 1, n);
cout << endl;
}
void print_optimal_order(const vector<vector<int>>& s, int i, int j) {
if (i == j) {
cout << "A" << i;
} else {
cout << "(";
print_optimal_order(s, i, s[i][j]);
print_optimal_order(s, s[i][j] + 1, j);
cout << ")";
}
}
int main() {
vector<int> p = {10, 20, 30, 40, 50};
matrix_chain_multiplication(p);
return 0;
}
在上面的代码中,我们首先定义了一个matrix_chain_multiplication
函数来计算矩阵连乘的最优顺序。参数p
表示矩阵链的维度,其中p[0]
表示第一个矩阵的行数,p[1]
表示第一个矩阵的列数,以此类推。
函数中,我们定义了两个二维数组m
和s
来存储子问题的解和最佳分割点。然后我们使用嵌套的循环来计算二维数组m
和s
的值。最后,我们使用s
数组来打印最佳的乘法顺序。
在main
函数中,我们定义了一个测试用例并调用matrix_chain_multiplication
函数来解决问题。
以上就是C++中矩阵连乘问题的详细解释和代码实现。矩阵连乘问题是一个经典的动态规划问题,在实际应用中有着广泛的应用。通过理解和掌握矩阵连乘问题的解法,我们可以更好地应用动态规划算法解决其他类似的问题。
最长公共子序列(Longest Common Subsequence)
最长公共子序列(Longest Common Subsequence)是一种经典的算法问题,其目标是在给定的两个序列中找到一个最长的公共子序列。
在最长公共子序列问题中,我们有两个序列X和Y,我们需要找到一个最长的序列Z,使得Z同时是X的子序列和Y的子序列。
为了解决最长公共子序列问题,我们可以使用动态规划的方法。动态规划是一种解决问题的算法范式,它将问题分解为子问题,并利用子问题的解来构建原问题的解。
我们定义一个二维数组dp,其中dp[i][j]表示序列X的前i个元素和序列Y的前j个元素之间的最长公共子序列的长度。
接下来,我们可以使用以下递推关系计算dp数组的值:
如果X[i]等于Y[j],则dp[i][j] = dp[i-1][j-1] + 1,表示两个序列中的当前元素相同,可以将其添加到最长公共子序列中。
如果X[i]不等于Y[j],则dp[i][j] = max(dp[i-1][j], dp[i][j-1]),表示两个序列中的当前元素不同,我们需要考虑前一个元素和当前元素的最长公共子序列的长度。
最后,我们可以从dp数组中读取最长公共子序列的长度,并使用回溯的方法来构建最长公共子序列。
下面是C++代码的实现:
#include <iostream>
#include <vector>
using namespace std;
void longest_common_subsequence(const string& X, const string& Y) {
int m = X.length();
int n = Y.length();
vector<vector<int>> dp(m+1, vector<int>(n+1, 0));
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
if (X[i-1] == Y[j-1]) {
dp[i][j] = dp[i-1][j-1] + 1;
} else {
dp[i][j] = max(dp[i-1][j], dp[i][j-1]);
}
}
}
int len = dp[m][n];
cout << "Length of the longest common subsequence: " << len << endl;
string lcs = backtrack(dp, X, Y, m, n);
cout << "Longest common subsequence: " << lcs << endl;
}
string backtrack(const vector<vector<int>>& dp, const string& X, const string& Y, int i, int j) {
if (i == 0 || j == 0) {
return "";
} else if (X[i-1] == Y[j-1]) {
return backtrack(dp, X, Y, i-1, j-1) + X[i-1];
} else {
if (dp[i-1][j] > dp[i][j-1]) {
return backtrack(dp, X, Y, i-1, j);
} else {
return backtrack(dp, X, Y, i, j-1);
}
}
}
int main() {
string X = "ABCBDAB";
string Y = "BDCAB";
longest_common_subsequence(X, Y);
return 0;
}
在上面的代码中,我们首先定义了一个longest_common_subsequence
函数来计算最长公共子序列。参数X
和Y
是两个输入的序列。
在函数中,我们定义了一个二维数组dp
来存储子问题的解。然后我们使用嵌套的循环来计算二维数组dp
的值。最后,我们从dp
数组中读取最长公共子序列的长度,并使用backtrack
函数来构建最长公共子序列。
在backtrack
函数中,我们使用递归的方式进行回溯。如果两个序列中的当前元素相同,则将其添加到最长公共子序列中,并继续处理前一个元素。如果两个序列中的当前元素不同,则根据dp数组的值选择向上或向左移动。
在main
函数中,我们定义了一个测试用例并调用longest_common_subsequence
函数来解决问题。
以上就是C++中最长公共子序列问题的详细解释和代码实现。最长公共子序列问题是一个经典的动态规划问题,在实际应用中有着广泛的应用。通过理解和掌握最长公共子序列问题的解法,我们可以更好地应用动态规划算法解决其他类似的问题。
结语
第一个。