数据结构与算法系列源代码:https://github.com/ThinerZQ/AllAlgorithmInJava
本文源代码:https://github.com/ThinerZQ/AllAlgorithmInJava/blob/master/src/main/java/com/zq/algorithm/dynamicprogrammin/SteelBar.java
如果代码链接失效了,麻烦评论给我。
动态规划与分治法相似,都是通过组合子问题的解来求解原问题。
分治法将问题划分为不互相交子问题,递归的求解子问题,再将他们组合起来,求出原问题的解。
与之相反,动态规划应用于子问题重叠的情况,即不同的子问题具有公共的 子子问题。这种情况下分治法会重复的求解那些公共的子子问题。而动态规划算法对每个子子问题只求解一次,将其存放在某一个表格中,无需每次求解一个子子问题时都重新计算,避免了不必要的计算工作,特别是当问题规模比较大的时候,在时间上有显著的区别
动态规划用来求解最优化问题。这类问题可以有很多可行的解,每个解都有一个值,我们希望需找具有最优值(最大或最小)的解。当然可能同时存在多个最优解(同时最大,或同时最小),动态规划只要求找到其中一个就好了。
这里我们用算法导论里面的钢条切割为例子。
切钢条:假如Serling公司出售一段长度为 i 英寸的钢条的价格为 pi( i =1,2,3,4…单位问美元)。钢条的长度为整英寸。
下表是一个价格表。
长度i | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
价格pi | 1 | 5 | 8 | 9 | 10 | 17 | 17 | 20 | 24 |
假设Serling公司进了一批长度为10的钢条,那么怎么切割才能使利益最大呢,长度为 9 , 8 呢?
对于上述价格表样例,我们可以观察出所有最优收益值Ri及对应的最优解方案:
最优值 | 切割方案 |
---|---|
R1 = 1 | 切割方案1 = 1(无切割) |
R2 = 5 | 切割方案2 = 2(无切割) |
R3 = 8 | 切割方案3 = 3(无切割) |
R4 = 10 | 切割方案4 = 2 + 2 |
R5 = 13 | 切割方案5 = 2 + 3 |
R6 = 17 | 切割方案6 = 6(无切割) |
R7 = 18 | 切割方案7 = 1 + 6或7 = 2 + 2 + 3 |
R8 = 22 | 切割方案8 = 2 + 6 |
R9 = 25 | 切割方案9 = 3 + 6 |
R10 = 30 | 切割方案10 = 10(无切割) |
更一般地,对于Rn(n >= 1),我们可以用更短的钢条的最优切割收益来描述它:
Rn = max(Pn, R1 + Rn-1, R2 + Rn-2,…,Rn-1 + R1)
首先将钢条切割为长度为i和n - i两段,接着求解这两段的最优切割收益Ri和Rn - i(每种方案的最优收益为两段的最优收益之和),由于无法预知哪种方案会获得最优收益,我们必须考察所有可能的i,选取其中收益最大者。如果直接出售原钢条会获得最大收益,我们当然可以选择不做任何切割。
注意到,为了求解规模为n的原问题,我们先求解形式完全一样,但是规模更小的子问题。当完成首次切割之后,我们将两段钢条看成两个同等的钢条切割问题实例,通过组合两个问题的最优解,并在所有可能的两段切割方案中选择组合收益最大值,构成原问题的最优解,我们称这样的问题满足最优子结构性质:问题的最优解是由相关子问题的最优解组和而成的,这些子问题可以独立求解。
分析到这里,假设现在出售10英寸的钢条,应该怎么切割呢?为了方便分析,我们使用钢条长度=4来分析问题