数据结构与算法(python版)(十六)
动态规划
通过把原问题分解为相对简单的子问题的方式求解复杂的问题的方法。动态规划常适用于有重叠子问题和最优子结构性质的问题
基本思想
若要解一个给定问题,我们需要解其不同部分(即子问题),再合并子问题的解以得出原问题的解。通常许多子问题非常相似,因此动态规划法可以试图仅解决每个子问题一次,从而减少重复计算过程;一旦某个给定子问题的解已经算出,则将其记忆化存储起来,以便计算过程中同一子问题的求解。这种做法在重复子问题数目关于输入的规模呈指数增长时特别有效
分治与动态规划区别
- 共同点:二者都要求原问题具有最优子结构性质,都是将原问题分而治之,分解成若干个规模较小的子问题,然后将子问题的解合并,形成原问题的解
- 不同点:分治法将分解后的子问题看成相互独立的,通过递归来实现;动态规划将分解后的子问题理解为相互有联系的,将重复计算的结果存储起来,减少计算过程
例1:斐波那契数列
斐波那契数列遵循规律:当前值为前两个值的和
0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233……
问:第n个值为多少?
首先,可以得到状态转移方程: f ( n ) = f ( n − 1 ) + f ( n − 2 ) f(n)=f(n-1)+f(n-2) f(n)=f(n−1)+f(n−2),接下来用两种方法进行求解
1、简单递归
def fib(n):
if n < 2:
return n
else:
return fib(n-1) + fib(n-2)
if __name__ == '__main__':
result = fib(50)
利用递归的方法代码简单易懂,但是运行效率很低,在计算较小值时所耗费时间较少,但是在计算大值时耗费时间巨大,且递归算法会造成栈空间的浪费,此算法复杂度已是
O
(
2
n
)
O(2^n)
O(2n),如下图所示
通过求解
f
(
6
)
f(6)
f(6),可以看出随着递归的深入,计算任务规模会越来越大
2、动态规划
##斐波那契数列动态规划实现
def fib(n):
results = list(range(n+1))
#用于存储已计算的结果,以便调用
for i in range(n+1):
if i < 2:
results[i] = 1
else:
results[i] = results[i-1] + results[i-2]
#使用状态转移方程,同时调用以往结果
return results[-1]
if __name__ == '__main__':
result = fib(50)
利用动态规划方法,建立了状态转移方程,实现了从小往大计算及对以往结果的调用,时间复杂度也降为了 O ( n ) O(n) O(n)
例2:不同路径
例3:正则表达式匹配
总结
动态规划可以将问题大致分为三个步骤:
- 建立状态转移方程
- 存储并调用以往结果
- 按顺序从小结果往大结果计算