简介:
动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中,可能会有许多可行解。每一个解都对应于一个值,我们希望找到具有最优值的解。动态规划算法与分治法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到,只要它被计算过,就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样,但它们具有相同的填表格式。
A * "1+1+1+1+1+1+1+1 =?" *
A : "上面等式的值是多少"
B : *计算* "8!"
A *在上面等式的左边写上 "1+" *
A : "此时等式的值为多少"
B : *quickly* "9!"
A : "你怎么这么快就知道答案了"
A : "只要在8的基础上加1就行了"
A : "所以你不用重新计算因为你记住了第一个等式的值为8!动态规划算法也可以说是 '记住求过的解来节省时间'"
直接上例子:
给出一个数组
要求:选定其中的数字使和最大,其中选定的数字不能相邻。
分析:
归根到底是选不选的问题,如选定了opt(6),则下一个只能选opt(4)。如果不选,可以选择opt(5),如图(opt保存已经得到的子问题的答案)
总结规律得到如下: 选:A=opt[i-2]+arr[i]
不选:B=opt[i-1]
import numpy as np#导入numpy库
def op_opt(arr):
opt=np.zeros(len(arr))
opt[0]=arr[0]
opt[1]=max(arr[0],arr[1])
for i in range(2,len(arr)):
A=opt[i-2]+arr[i]
B=opt[i-1]
opt[i]=max(A,B)#存储过程中的结果
return opt[len(arr)-1]
if __name__=='__main__':
arr = [1, 2, 4, 1, 7, 8, 3]
print(op_opt(arr))
例2:
一个数组【3,34,4,12,5,2】,S=9,问能否从数组中选取元素使得相加为S,可以输出True,否则False。
和上题的解法类似。选或不选,选择的话,减去所选元素的值。使用递归解题,递归出口为:当S减为0是,返回True,当i=0且arr【i】==S时,返回True
def subset(arr, i, s):
if s == 0:
return True #当S减为0时,立刻返回True,证明数组中有元素组合可以相加得到S。
elif i == 0:#当i==0时,arr[i]必须和S相等,否则返回False
return arr[0] == s
else:
return (subset(arr, i - 1, s - arr[i])) or (subset(arr, i - 1, s))#选或不选i都会减1。不同的是,如果选择arr[i],对应的参数应减去arr[i]
if __name__ == '__main__':
arr = [3, 34, 4, 12, 5, 2]
print(subset(arr, 5, 9))