动态规划
动态规划与分治方法相似,但与分治不同的是分治求解的问题是独立的。动态规划解决的问题是重叠的,即不同的子问题具有公共的子子问题,如果采用分治的方法,相同的子问题会被求解多次,从而产生不必要的时间耗费。动态规划采用能够保存已解决的子问题的答案,从而不用重复求解相同的子问题。为了达到目的,可以将每个子问题的解存入一个表格中。
动态规划常用来求解具有某种最优解的问题,这类问题可能具有多行解,每个解对应一个值,而我们需要找出最优值的解。
设计动态规划:
- 刻画最优解的结构特征
- 递归定义最优解的值
- 自底向上的求出最优解
- 利用计算出的信息构造出一个最优解
01背包问题
01背包问题
有n个物体,第i个物品价值为vi,重量为wi。背包的容量为W。如何选择装入的物品,使装入的背包的物品总价值最大。
算法策略:
1、刻画最优结构:决定问题的关键是决定哪些物体放入背包,哪些物体不放入背包。如果问题包含物品n,则xn = 1,剩余x1,x2……在容量W = W - wn 的情况的子问题构成1,2……n-1的最优解;如果问题不包含物品n,则xn=0,剩余x1,x2……在容量W = W的情况的子问题构成1,2……n-1的最优解。
2、根据最优结构来递归定义最优解的值,设c[i, w]表示在背包容量在w的情况下i个物品导致的最优解的总价值
- 当 i=0(没有物品)或W = 0(背包没容量)时,c[i, w] = 0
- 当wi>W(当前物品的重量超过了背包的容量),c[i,w] = c[i-1, w](第i个物品不选,接下来考虑第i-1个物品的选择情况)
- 当i>0且wi<=W(当存在物品,且背包能够装该物品时),c[i, w] = max(c[i-1,w-wi]+vi, c[i-1], w)(考虑选择第i个物品和不选第i个物品对于整个问题来说那种选择产生的价值更高)
3、
int rec(int n, int W, vector<int> weights, vector<int> values) { if(n==0) return 0; vector<vector<int>> dp(n+1, vector<int>(W+1, 0)); int i, j; for(i=1;i<=n;i++) { for(j=1;j<=W;j++) { if(weights[i-1]>W) dp[i][j] = d[i-1][j]; else { dp[i][j] = max(dp[i-1][j - weights[i-1] + values[i-1], dp[i-1][j]); } } } return dp[n][W]; }
最长公共子序列
一个字符串的 子序列 是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串
公共子序列即为子序列Z同时是两个序列的子序列。
设X = x1x2……xm,Y = y1y2……yn。其公共子序列为Z = z1z2……zk。
如果xm = yn,且zk = xm = yn,Z(k-1)是X(m-1)和Y(n-1)的子序列
如果xm != yn,且zk != xm,则Z是X(m-1)和Y的子序列
如果xm!=yn,且zk!=yn,则Z是X和Y(n-1)的子序列
转移方程:
dp[i] [j] = 0 当i=0或j=0
dp[i] [j] = 0 当xi = yj
dp[i] [j] = max(dp[i-1] [j], dp[i] [j]),当xi!=yj
class Solution {
public:
int longestCommonSubsequence(string text1, string text2) {
int m = text1.length();
int n = text2.length();
if(m==0||n==0)
return 0;
vector<vector<int>> dp(m+1, vector<int>(n+1));//初始化大小为(m+1)*(n+1),值默认为0的矩阵
for(int i=1;i<=m;i++)
{
char a = text1[i-1];
for(int j=1;j<=n;j++)
{
char b = text2[j-1];
if(a==b)
dp[i][j] = dp[i-1][j-1] + 1;
else
dp[i][j] = max(dp[i-1][j], dp[i][j-1]);
}
}
return dp[m][n];
}
};