动态规划

 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))