递归和动态规划

  1. 递归与动态规划的比较
  •      当递归中只有一部分未解决如 例1 所示时,使用递归比使用动态规划更方便快捷。                                                                      
  •      当递归中两部分甚至更多都为解决如 例2 所示时,使用动态规划比使用递归更快。

            当递归中出现两部分未解决时,使用递归会重复计算子问题,增加程序的时间复杂度。

   当仅有一部分未解决时,相当于一层循环,使用递归程序简洁。

// 例 1 以 1 到 n 的和为例  (递归)

static int f(int n){

if(n == 1) return 1;

return n + f(n-1);
} 



// 例 2 以斐波那契数列为例 (递归)

static int f2(int n){

if(n < 3) return 1;

return f2(n-1) + f2(n-2);

}

// 例 3 以斐波那契数列为例 (动态规划)

static int f3(int[] f){

f[0] = 1; 

f[1] = 1;

for(int i = 2; i < f.length; i++){

f[i] = f[i-1] + f[i - 2];

}

return f[f.length - 1];

}

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,下面我将分别给出递归动态规划的解法,并使用 Python 代码来实现。 01背包问题是一个经典的动态规划问题,其表述如下:有一个背包,容量为C,有n个物品,每个物品有重量w和价值v,现在要把这些物品放入背包中,使得背包中物品的总价值最大,求最大价值。 1. 递归解法 递归解法比较简单,但是由于存在大量的重复计算,效率比较低。具体思路是:对于每个物品,有两种选择,放入背包或不放入背包,然后递归处理剩下的物品。 代码如下: ```python def knapsack01_recursion(C, w, v, n): if n == 0 or C == 0: return 0 if w[n-1] > C: return knapsack01_recursion(C, w, v, n-1) else: return max(v[n-1] + knapsack01_recursion(C-w[n-1], w, v, n-1), knapsack01_recursion(C, w, v, n-1)) ``` 2. 动态规划解法 动态规划解法使用一个二维数组来存储中间状态,具体思路是:定义一个二维数组dp[i][j],表示前i个物品放入容量为j的背包中可以获得的最大价值。对于每个物品,有两种选择,放入背包或不放入背包,状态转移方程为: dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i-1]]+v[i-1]),其中w[i-1]和v[i-1]分别表示第i个物品的重量和价值。 最终的结果为dp[n][C]。 代码如下: ```python def knapsack01_dp(C, w, v, n): dp = [[0 for _ in range(C+1)] for _ in range(n+1)] for i in range(1, n+1): for j in range(1, C+1): if w[i-1] > j: dp[i][j] = dp[i-1][j] else: dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i-1]]+v[i-1]) return dp[n][C] ``` 以上就是使用递归动态规划解决01背包问题的Python代码实现。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值