高级算法题目，动态规划解

标签（空格分隔）： 高级算法,动态规划

---

consider the following optimization problem.

Instance: $n$ positive integers $x_{1}<x_{2}<\cdots <x_{n}$ .

Find two disjoint nonempty subsets $A,B\subset \{1,2,\ldots ,n\}$ with $\sum _{i\in A}x_{i}\geq \sum _{i\in B}x_{i}$,such that the ratio ${\frac {\sum _{i\in A}x_{i}}{\sum _{i\in B}x_{i}}}$ is minimized.

Give a pseudo-polynomial time algorithm for the problem, and then give an FPTAS for the problem based on the pseudo-polynomial time algorithm.

解:
将原问题扩展为在A已经有$k_A$,B已经有$k_B$值的情况下,选择two disjoint nonempty subsets,使得
$\sum _{i\in A}x_{i}+k_A\geq \sum _{i\in B}x_{i}+k_B$,such that the ratio ${\frac {\sum _{i\in A}x_{i}+k_A}{\sum _{i\in B}x_{i}+k_B}}$ is minimized.
可以看的出来变化后的问题比原问题复杂.而原问题就是$k_A,k_B=0$的情况
在该问题上很容易写出递推式.
有n个整数$x_{1}<x_{2}<\cdots <x_{n}$,所以在n上递推.记$OPT(i,k_A,k_B)$为有前$i$个整数，且A已经有$k_A$,B已经有$k_B$值的情况下的选择的最优解
对问题解$OPT(n,k_A,k_B)$做递推关系推导，分情况讨论。
1. $x_n$不在最优解$OPT(n,k_A,k_B)$中
此时$OPT(n,k_A,k_B)$=$OPT(n-1,k_A,k_B)$
2. $x_n$在最优解$OPT(n,k_A,k_B)$中,此时又有两种情况
2.1 $x_n$在$A$中
此时可以认为$A$中有$x_n$的情况下,求前$n-1$个数的原问题的最优解,此时
$OPT(n,k_A,k_B)$=$OPT(n-1,k_A+x_n,k_B)$
2.2 $x_n$在$B$中
此时可以认为$A$中有$x_n$的情况下,求前$n-1$个数的原问题的最优解,此时
$OPT(n,k_A,k_B)$=$OPT(n-1,k_A,k_B+x_n)$
综上可以认为:
$OPT(n,k_A,k_B)$=$min\{OPT(n-1,k_A,k_B),OPT(n-1,k_A+x_n,k_B),OPT(n-1,k_A,k_B+x_n)\}$
这就是该问题的递推式.
原问题的答案的形式为$OPT(n,0,0)$,根据动态规划求得该式子即为解

算法复杂度为$O(n*\sum_i^n{x_i}*\sum_i^n{x_i})$

下面给出FPTAS
令$x_i'=\dfrac{x_i}{k}$,其中$k=\lfloor\dfrac{\epsilon*x_{max}}{n}\rfloor$,此时算法复杂度为$n*\dfrac{n*x_{max}}{k}*\dfrac{n*x_{max}}{k}=\dfrac{n^5}{\epsilon^2}$

总结

1. 本质上动态规划就是把某个递推公式从前向后展开。所以用动态规划做，第一件事就是要写出递推公式。
2. 而递推的含义本质上就是先计算出规模更小的问题，然后用规模更小的问题解决规模更大的问题。
3. 分情况讨论的方法很容易产生递推式.
4. 递推产生的问题可能比原问题复杂，原问题是新问题的子集

附 对背包问题动态规划的理解

记$OPT(n,c)$为有n个物体，背包容量为c时的最佳解决方案。
很容易产生递推式，分情况讨论:
1.最后一个物体在$OPT(n,c)$中。即在我们找到的背包问题最佳方案中，最后一个物体被选中，装进了背包里
那么此时，我们只需要解决 前n-1个物体在背包已经装了第n个物体时,应当怎么选择使得价值最大 这个问题。此时背包容量只有$c-c(n)$,而这个问题就是$OPT(n-1,c-c(n))$。$c(n)$指最后一个物体的容量
2.最后一个物体不在$OPT(n,c)$中。也就是最佳解决方案并没有选择最后一个物体.
此时,$OPT(n,c)=OPT(n-1,c)$

综上，$OPT(n,c)=min\{OPT(n-1,c-c(n)),OPT(n-1,c)\}$
所以一个很简单的分类讨论，就可以写出递推式。
然后用动态规划写出递归函数的展开形式，就是背包问题的动态规划方法.

而我在试图通过分类讨论写出上面问题的递推式时，发现必须要解决带$k_A,k_B$的更复杂的问题。而原问题是新问题的一个子集。所以很容易通过分类讨论将原问题扩展到更复杂的新问题。

这不经让我想到数理逻辑中证明完全性定理时的情形。有时候要解决问题A,必须首先将问题A扩充为问题B,问题A是问题B的一个子集。然后解决问题B.几何里的辅助线,群里的群作用思想不也是同样的思想吗。