对于这个动态规划算法,我可是对之实在恼火至极,知道这个算法,应该就是在大一的时候做ACM题的时候,因为某个题,用我的暴力法,虽然可以解出正确答案,但是总是报出超时的错误,最后看正确答案的时候,才知道有个算法叫做“动态规划”,慢慢的才知道其他的一些很犀利的算法,但是学习这个算法真的让我着实的痛苦,看不懂的原因或许就是因为他的犀利,短短的几行代码就可以高效的解决我怎么都无法解决的问题。然后不断百度,不断的查资料,或许真的是我的智商不行吧!于是乎就不再看他了,时隔几月。决定重新开始啃这块硬骨头。不过,还好,让我获取了一点点的灵感,终于在《算法导论》的帮助下,很清晰的了解了,什么是动态规划。下面就把我的理解奉献出来。以此来供给那些同样被动态规划所困扰的同学们。文笔不好,或许有些表达不准确,欢迎指点。
在开始之前,我想引出一个问题,当然这个问题也是来源于算法导论这本书中的;
钢条切割问题:
某公司购买长钢条,将其切割为短钢条出售。切割工序本身没有成本支出。公司管理层希望知道最佳的切割方案。假设我们知道该公司出售一段长度为i英寸的钢条的价格为Pi
(i=1,2,3,....)钢条的长度均为整数。下面给出一个价格表的样例
长度i | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
价格Pi | 1 | 5 | 8 | 9 | 10 | 17 | 17 | 20 | 24 | 30 |
为了找出他的规律,或者说是为了体会一下这个分割求解的过程。
我们假设我们获取到了一根4米长的长钢条。
对有这个4米长的长钢条来说,我们一共有8种分割方式:
第一种:就是不分割,如果分割都可以获取最大的利润,我为什么要分割呢?对于这种情况,我们的收益是9美元
第二种:分割为1米和3米。从图表中我们可以得到,我们的收益是1+8 = 9美元
第三种:分割为2米和2米。从图表中我们可以得到,我们的收益是5+5 = 10美元
第四种:分割为3米和1米。从图表中我们可以得到,我们的收益是8+1 = 9美元
第五种:分割为1米、1米和2米。从图表中我们可以得到,我们的收益是1+1+5 = 7美元
第六种:分割为1米、2米和1米。从图表中我们可以得到,我们的收益是1+5+1 = 7美元
第七种:分割为2米、1米和1米。从图表中我们可以得到,我们的收益是5+1+1 = 7美元
第八种:分割为1米、1米、1米、1米。从图表中我们可以得到,我们的收益是1+1+1+1 = 4美元
综上所述:我们可以得出在长钢条为4米的情况下,其最大收益为10美元。
下面我们开始分析这个过程:
首先我们要清楚一个事实,就是对于一个长为n米的长钢条,有多少种组合的可能?还有对于长度为4米的长钢条能被分为8次这个是怎么计算的呢?
下面我们开始推断出这个公式:
对于一个长度为n的长钢条不切割时:只有1种 (9和0)
切割1次时有Cn1 = n种
切割2次时有Cn2 = n(n-1)/2种
。。。
切割n次时有Cnn = 1种
于是我们就得出这么一个公式,一个长度为n的长钢条,可以被分割为Cn1 + Cn2 + Cnn = 2^n-1
所有对于n=4时,分割的次数为2^3 = 8
在明白这个的基础下,我们继续下面的分析。
我们可以假设,在钢条被切割为k段时,有最优解,其中(1<=k<=n)
所以可以得到最优解分割方案为:n = i1+i2+i3+...+ik;
所有同样可以得到最大收益为: rn = Pi1+Pi2+...Pik;
对于rn,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)
对于这个式子,我需要做一些解释,如果对于这个式子有什么不了解的,不用担心,因为这或许就是动态规划原理的核心部分。
首先要理解一句话:“我们可以用更短的钢条的最优切割收益来描述它”;
这句话是什么意思呢?
我们可以这样理解:对于一根4米的长钢条。我们可以用1和3的最优解表示,或者2和2的最优解表示,还有用不分割的情况下4和0的最优解表示。
每一根钢条,我们都分割两短,例如一根钢条为9米,我们可以把他分割为4,5米。只需要知道4米时的最优解和5米时的最优解,我们就可以知道当9米被分割为4米和5米的时的最优解了。但是此时我们并不能保证,这个4,5分割一定是最优方案,所以我们同样要进行其他的方案分割。同时还要获取其他的方案情况下的最优解。最终。我们可以知道,对于本问题的最优解,一定产生于这些最优子问题的最优解之中。
Pn:代表不分割的情况下
r1+rn-1:代表分割成1,n-1的情况下的最优解
。。。
rn-1+r1:代表分割为n-1,1的情况下的最优解
最终只需获取这些最优解的最大值,必然就为本问题的最优解了。对于这些子问题的最优解,有一个专用术语:最优子结构。
如果我们用暴力法求解这个递归式的话。我们经过简单的计算可以知道,这个时间复杂度为:T(n) = 1+T(1)+T(2)+...T(n-1) = 2^n
对于一个指数级别的算法来说,这简直可以说是一个很糟糕的算法,我想这也没有任何的利用价值。
不过还好,我们有动态规划,该算法可以很轻松的解决这个指数级别的问题。可以将其复杂程度降至n^2
首先。我们分析,为什么暴力法会有这么糟糕的效率呢?
我们举例说明:
如果对于一个8米长的长钢条可以分解为 1+7 2+6 3+5 4+4
所以在之前必须要计算出1,2,3,4,5,6,7时所对应的最优解
对于一根长为9米的长钢条可以分解为1+8 2+7 3+6 4+5
所以在之前必须要计算出1,2,3,4,5,6,7,8时所对应的最优解
如果我要给你一个9米的长钢条:
你需要计算1,2,3,4,5,6,7,8 时的最优解
在递归时计算8的最优解时,你有要必须计算1,2,3,4,5,6,7时的最优解
。。。
你重复计算了太多的选项,
此时如果你从1开始,
计算了1的最优解,并用一个数组保存起来啊a[1]
然后计算2的最优解,有组合(2,0) (1,1)
对于组合(2,0) 直接读取价格表就好了
对于组合(1,1) 直接从数组a中读取就可以得出1时的最优解了,因为我们已经保存在了数组中a[1]
将此时计算的2的最优解,保存在数组中a[2]
...以此向上。最终所有的当前问题的最优解都可以通过之前的计算结果获取(最优子结构数组)
在这种算法条件下,我们最大可能减少了计算量,并且最大可能的利用了我们的计算结果,所以可以大大的降低的计算,提高的效率
这就是动态规划的厉害之处
所以。可以写出下面的算法实现
int Best_Value(int p[],int n){
int a[100];//初始化一个数组,其目的就是为了保存子结构的最优解
int i,j;
int temp;
a[0] = 0;
for(i = 1 ; i <= n ; i++) {
temp = -1;
for(j = 0 ; j < i ; j++) {
if(temp < a[j]+p[i-j-1]) {
temp = a[j]+p[i-j-1];
}
}
a[i] = temp;
}
return a[n];
}