# -*- coding:utf-8 -*- # 基本概念 ''' Dynamic programming的一般步骤: 1 将原命题分解为子命题 把原命题分解为若干个子命题,子命题和原命题形式相同或者相似,只不过规模变小了。 子命题解决,原命题即解决 子命题一旦被求出就会保存,所以自命题只会求解一次 2 确定状态: 用动态规划解决问题时,往往将和子命题相关的各个变量的一组取值称之为:状态 一个状态对应于一个或者多个子问题 某个状态下的值:就是这个状态所对应的子问题的解 所有状态的集合,构成问题的状态空间。 状态空间的大小,于用动态规划解决问题的时间复杂度直接相关。 整个问题的时间复杂度是: 状态数目 * 计算每个状态所需要的时间 3 确定一些初始状态(边界状态)的值 4 确定状态转移方程(这是递推公式,可不是递归哈!!!) 定义出什么是状态以及状态下的值后,就要找出不同状态之间如何迁移---即如何从一个或者多个值已知的状态, 求出另一个状态的值。 状态迁移方程可以用递推公式表示,即状态状态转移方程 # 能用dynamic programming解决的问题的特点 1 该问题具有最优子结构性质: 如如果问题的最优解所包含的子问题的解也是最优的 2 无后效性 当前的若干状态值一旦确定,这此后过程的演变就只和这若干个状态的值有关, 和之前采取哪种手段或者经过哪条路径演变到当前的这若干个状态,没有关系 # for example 数字三角形: 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 question: 数字三角形中寻找一条从顶部到底边的路径,使得路径上所经过的数字之和最大。路径上的每一步都只能往左下或 右下走。 只需要求出这个最大和即可,不必给出具体路径。 三角形的行数大于1小于等于100,数字为 0 - 99 input: 输入格式: 5 //表示三角形的行数 接下来输入三角形 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 output: 最大和 Analysis: 首先,肯定得用二维数组来存放数字三角形 然后我们用D( r, j) 来表示第r行第 j 个数字(r,j从1开始算) 我们用MaxSum(r, j)表示从D(r,j)到底边的各条路径中,最佳路径的数字之和。 因此,此题的最终问题就变成了求 MaxSum(1,1) 当我们看到这个题目的时候,首先想到的就是可以用简单的递归来解题: ''' # 逻辑,初级---递归 class Solution: def MaxSum(self, r, j): if r == N: return D[r][j] else: x = self.MaxSum(r+1, j) y = self.MaxSum(r+1, j+1) return max(x, y) + D[r][j] # 超时!!!有太多的重复计算 # 就拿第三行数字1来说,当我们计算从第2行的数字3开始的MaxSum时会计算出从1开始的MaxSum, # 当我们计算从第二行的数字8开始的MaxSum的时候又会计算一次从1开始的MaxSum,也就是说有重复计算。 # 中级 ---记忆型递归 if maxSum[r][j] != -1:return maxSum[r][j] class Solution: maxSum[r][j] = -1 def MaxSum(self, r, j): if maxSum[r][j] != -1: return maxSum[r][j] if r == N: maxSum[r][j] = D[r][j] else: x = self.MaxSum(r+1, j) y = self.MaxSum(r+1, j+1) maxSum = max(x, y) + D[r][j] return maxSum # AC了,但是不能满足,因为递归总是需要大量堆栈上的空间,容易造成栈溢出,我们现在要考虑: # 如何把 递归--->递推 ''' 首先需要计算的是最后一行,因此可以把最后一行直接写出 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 4 5 2 6 5 现在开始分析倒数第二行的每一个数,现分析数字2,2可以和最后一行4相加,也可以和最后一行的5相加,但是很显然和5相加要更大一点,结果为7,我们此时就可以将7保存起来,然后分析数字7,7可以和最后一行的5相加,也可以和最后一行的2相加, 很显然和5相加更大,结果为12,因此我们将12保存起来。以此类推。。我们可以得到下面这张图 7 3 8 8 1 0 2 7 4 4 7 12 10 10 4 5 2 6 5 4 5 2 6 5 然后按同样的道理分析倒数第三行和倒数第四行,最后分析第一行,我们可以依次得到如下结果: 7 30 3 8 23 21 8 1 0 20 13 10 2 7 4 4 7 12 10 10 4 5 2 6 5 4 5 2 6 5 理解之后我们就可以写出如下的递推型动态规划程序: ''' # 高级----递推型动态规划 class Solution: def MaxSum(self, r, j): for r in range(1,N+1): maxSum[N][j] = D[N][j] for r in range(1, N, -1): # 注意这里是从N-1行开始循环 for j in range(1, i+1): maxSum[r][j] = max(maxSum[i+1][j], maxSum[r+1][j+1]) + D[r][j] # 终极版---递推型+节省空间 ''' 其实完全没必要用二维maxSum数组存储每一个MaxSum(r,j),只要从底层一行行向上递推, 那么只要一维数组maxSum[100]即可,即只要存储一行的MaxSum值就可以。 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 7 5 2 6 5 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 7 12 10 10 5 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 20 13 10 10 5 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 23 21 10 10 5 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5 30 21 10 10 5 进一步考虑,我们甚至可以连maxSum数组都可以不要,直接用D的第n行直接替代maxSum即可。 但是这里需要强调的是:虽然节省空间,但是时间复杂度还是不变的。 ''' class Solution: def MaxSum(self, r, j): maxSum = D[j] # 直接用D的第n行直接替代maxSum即可 for r in range(1, N): for j in range(1, r+1): maxSum[j] = max(maxSum[j], maxSum[j+1]) + D[r][j]
07-11
07-11
“相关推荐”对你有帮助么?
-
非常没帮助
-
没帮助
-
一般
-
有帮助
-
非常有帮助
提交