对动态规划算法的顿悟（一）

      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

首先，我们分析这个问题。其目的很简单，就是要求给你一根长钢条，让你切割不同的长度，然后出售，但是前提是要获取最大的利润。

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];
}