1、基本概念
动态规划过程是:每次决策依赖于当前状态,又随即引起状态的转移,一个决策序列就是在变化的状态中产生的,所以这种多阶段最优化决策解决问题的过程就称为动态规划(dynamic programming)
2、基本思想
与分治法类似,将待求解问题分割成若干子问题,按顺序求解子问题,前一个子问题的解,为后一个子问题的求解提供了有用的信息。
由于动态规划解决的问题多数存在重叠的子问题,为了减少重复计算,对每一个子问题只需要求解一次,然后将不同阶段的不同状态保存在一个二维数组中,这时候在C++就可以借用容器(vector、set等),不仅可以保存结果,而且查找时间开销小。
与分治法最大的差别是:适合于动态规划求解的问题,经分解后得到的子问题往往不是互相独立的(即下一个阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解)。
3、使用场景
- 最优化原理:问题的最优解所包含的子问题的解也是最优的;
- 无后效性:即某阶段状态一旦确定,就不受这个状态以后决策的影响;
- 有重叠子问题:子问题之间不相互独立。
4、求解步骤
- 划分阶段:将问题划分为若干有序或可排序的阶段;
- 确定状态和状态变量:不同阶段用不同状态表示;
- 确定决策并写出状态转移方程:状态转移是根据上一阶段的状态和决策来导出本阶段的状态,往往参考相邻两个阶段的状态之间的关系。
- 寻找边界条件:需要一个终止的边界条件
5、算法实现
f(n,m)=max{f(n-1,m),f(n-1,m-w[n])+P(n,m)}
代码
for(j=1; j<=m; j=j+1) // 第一个阶段
xn[j] = 初始值;
for(i=n-1; i>=1; i=i-1)// 其他n-1个阶段
for(j=1; j>=f(i); j=j+1)//f(i)与i有关的表达式
xi[j]=j=max(或min){g(xi-1[j1:j2]), ......, g(xi-1[jk:jk+1])};
t = g(x1[j1:j2]); // 由子问题的最优解求解整个问题的最优解的方案
print(x1[j1]);
for(i=2; i<=n-1; i=i+1)
{
t = t-xi-1[ji];
for(j=1; j>=f(i); j=j+1)
if(t=xi[ji])
break;
}