动态规划

前言：

    谈到动态规划，其实最好的切入方向，就是先了解一下最经典的几个例子；找出这些例子的共性；再凝聚这些特征进行模型的分类；分类完成后，在每个分类里面学几个经典的例题。例题选好了，就可以去刷 leetcode。这样下来；动态规划的水平也就形成了。

阶段一：入门了解的例子

例1：求第 n 个斐波那契数列

方法一：递归

既然递归式子都列出来了，那么最直男的方法必定就是它了，不多讲。

方法二：将递归改成循环

可以注意到，递归的方法是一种从后 f(n)往前形成生成树的方法，这里面会产生很多不必要的重复计算；当我们将递归改为从1开始到n的循环的时候，也就是从前往后的方法，就可以避免一些不必要的重复计算，也就可以降低时间复杂度了。

方法三：将递归改成动态规划

斐波那契数列问题是递归的；考虑它有一个特别突出的结构特性。就是它具有：

• 重叠子问题。（这也是动态规划的要素之一）
• 最优子结构。（这一点貌似。。但是尽管这不是优化问题，但套用还是没有问题的）

long long memo[N+1];        // 全局变量，初始化为0
long long fib(unsigned n)
{
    if (n <= 1)
        return n;
    if (memo[n]) return memo[n];
    else
        return memo[n] = fib(n-1) + fib(n-2);
}

----------------

 

 

例2. 求最短的路径问题

方法一：枚举算法：如果网络层数为 n 。复杂度接近2的n次方。

方法二：动态规划算法：

这里关键是利用了两个动态规划的要素：

• 更大问题的最优结果可以利用其子问题的最优结果。（最优子结构）
• 重叠子问题。
•  

 

例3  矩阵相乘 最优顺序

题目：

给定n个矩阵{A1,A2,A3...An};其中Ai，Ai+1是可乘的。但是你可以加括号来改变它们相乘的顺序。请确定一个顺序来使这个连乘的计算量最小？

我将就本题，给出标准的动态规划设计步骤：

前提：读懂题意，知道两个矩阵相乘的计算量主要体现在（前一个矩阵的行*列 * 后一个矩阵的 列）

1）找出最优解的大概的整体形式（主要是看看子问题和整体最优解）之间的结构特征，期间要做的就是把整个问题求解变量化，设计出边界和分隔的点。

回到本题就是：

数据模型化：将{A1,A2,A3...An}简写成A[1-n]的形式；假设在k处分割成两个子问题，当我们一般化 A[i,j]时，k的取值范围也确定在 i <= k <= j-1 之间。

找出最优解与次子结构的关系式：最优解 = 子问题1的最优解 + 子问题2的最优解 + 此时子问题1的大矩阵和子问题2的大矩阵相乘的计算量

这里的最优解，就在于我们确定k的位置。在循环里面逐个尝试。。。

2）列出具体的递归关系（整体的递归形式解）

方便起见：设A[i,j]的最优解是 m[i,j];

由于原问题的矩阵连乘形式是A[1,n]的形式；故这里可以确定 1<= i <= j <n;注意到当子问题的 i==j 时，m[i,j]=m[i,i]= 0（单个矩阵没有计算量）

当i<j时，说明子问题还没有解决，还可以分解。

m[i,j] =

 

到这里这个问题的递归解可以得出，代码如下：

# 本题的递归求解程序
def recsolution(i, j):
    ans = []
    if i == j:
        return 0
    else:
        for k in range(i, j):
            opt = recsolution(i, k) + recsolution(k+1, j) + s[i-1]*s[k]*s[j]
            if not ans:
                ans = opt
            else:
                if opt < ans:
                    ans = opt
        return ans


ans = []
s = [30, 35, 15, 5, 10, 20, 25]
print(recsolution(1, 6))

3）用动态规划优化递归

因为重复计算，递归的复杂度可想而知：

由于这个题它满足：

• 最优子结构
• 重叠子问题

所以在此，我们用动态规划去优化：