20170531_动态优化的一个小例子
转自:http://blog.csdn.net/baidu_28312631/article/details/47418773
动态规划相信大家都知道,动态规划算法也是新手在刚接触算法设计时很苦恼的问题,有时候觉得难以理解,但是真正理解之后,就会觉得动态规划其实并没有想象中那么难。网上也有很多关于讲解动态规划的文章,大多都是叙述概念,讲解原理,让人觉得晦涩难懂,即使一时间看懂了,发现当自己做题的时候又会觉得无所适从。我觉得,理解算法最重要的还是在于练习,只有通过自己练习,才可以更快地提升。话不多说,接下来,下面我就通过一个例子来一步一步讲解动态规划是怎样使用的,只有知道怎样使用,才能更好地理解,而不是一味地对概念和原理进行反复琢磨。
数字三角形
在下面的数字三角形中寻找一条从顶部到底边的路径,
使得路径上所经过的数字之和最大。路径上的每一步都只能往左下或 右下走。
只需要求出这个最大和即可,不必给出具体路径。
三角形的行数大于1小于等于100,数字为 0 - 99。
输入格式:
5 //表示三角形的行数
//接下来输入三角形
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5
要求输出最大和30。
接下来,我们来分析一下解题思路:
首先,肯定得用二维数组来存放数字三角形
然后我们用D( r, j) 来表示第r行第 j 个数字(r,j从1开始算)
我们用MaxSum(r, j)表示从D(r,j)到底边的各条路径中,最佳路径的数字之和。
因此,此题的最终问题就变成了求 MaxSum(1,1)
当我们看到这个题目的时候,首先想到的就是可以用简单的递归来解题:
D(r, j)出发,下一步只能走D(r+1,j)或者D(r+1, j+1)。故对于N行的三角形,我们可以写出如下的递归式:
#include <iostream>
#include <algorithm>
#define MAX 101
using namespace std;
int D[MAX][MAX];
int n;
int MaxSum(int i, int j){
if(i==n)
return D[i][j];
int x = MaxSum(i+1,j);
int y = MaxSum(i+1,j+1);
return max(x,y)+D[i][j];
}
int main(){
int i,j;
cin >> n;
for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
cin >> D[i][j];
cout << MaxSum(1,1) << endl;
}
对的,代码运行超时了,为什么会超时呢?
就拿第三行数字1来说,当我们计算从第2行的数字3开始的MaxSum时会计算出从1开始的MaxSum,当我们计算从第二行的数字8开始的MaxSum的时候又会计算一次从1开始的MaxSum,也就是说有重复计算。这样就浪费了大量的时间。也就是说如果采用递规的方法,深度遍历每条路径,存在大量重复计算。则时间复杂度为 2的n次方,对于 n = 100 行,肯定超时。
接下来,我们就要考虑如何进行改进,我们自然而然就可以想到如果每算出一个MaxSum(r,j)就保存起来,下次用到其值的时候直接取用,则可免去重复计算。那么可以用n方的时间复杂度完成计算。因为三角形的数字总数是 n(n+1)/2。
根据这个思路,我们就可以将上面的代码进行改进,使之成为记忆递归型的动态规划程序:
//在上面的数字三角形中寻找一条从顶部到底边的路径,
// 使得路径上所经过的数字之和最大。路径上的每一步都只能往左下或 右下走。
// 只需要求出这个最大和即可,不必给出具体路径。
// 三角形的行数大于1小于等于100,数字为 0 - 99。
// 输入格式:
// 5 //表示三角形的行数 接下来输入三角形
//7
//3 8
//8 1 0
//2 7 4 4
//4 5 2 6 5
// 要求输出最大和。
#include<iostream>
#include<vector>
#include<string>
#include<algorithm>
using namespace std;
const int SIZE=200;
int main(void)
{
int num[SIZE][SIZE]={0};
int n=0;
cout<<"请输入三角形的行数:";
cin>>n;
for(int i=1; i<=n; ++i)
for(int j=1; j<=i; ++j)
cin>>num[i][j];
int res=0;
if(n<=0)
return 0;
if(n==1)
return num[1][1];
//这是动态规划问题:DP问题
//设计一个结果表,并初始化。 i和j均从1开始。
//maxsum[i][j]表示:从num[i][j]数字开始向下直到底端 所对应的最大路径和值。
//则该递推表达式是:maxsum[i][j]=max( maxsum[i+1][j],maxsum[i+1][j+1] )+num[i][j]
int maxsum[SIZE][SIZE]={0};
for(int i=1; i<=n; ++i)
maxsum[n][i]=num[n][i];
//根据递推公式求解表格中各个数据
for(int i=n-1; i>=1; --i)
{
for(int j=1; j<=i; ++j)
maxsum[i][j]=max( maxsum[i+1][j],maxsum[i+1][j+1] )+num[i][j];
}
res=maxsum[1][1];
cout<<res<<endl;
system("pause");
return 0;
}
虽然在短时间内就AC了。但是,我们并不能满足于这样的代码,因为递归总是需要使用大量堆栈上的空间,很容易造成栈溢出,我们现在就要考虑如何把递归转换为递推,让我们一步一步来完成这个过程。
接下来,我们就进行一下总结:
递归到动规的一般转化方法
递归函数有n个参数,就定义一个n维的数组,数组的下标是递归函数参数的取值范围,数组元素的值是递归函数的返回值,这样就可以从边界值开始, 逐步填充数组,相当于计算递归函数值的逆过程。
动规解题的一般思路:
1. 将原问题分解为子问题
- 把原问题分解为若干个子问题,子问题和原问题形式相同或类似,只不过规模变小了。子问题都解决,原问题即解决(数字三角形例)。
- 子问题的解一旦求出就会被保存,所以每个子问题只需求解一次。
2.确定状态
- 在用动态规划解题时,我们往往将和子问题相关的各个变量的一组取值,称之为一个“状 态”。一个“状态”对应于一个或多个子问题, 所谓某个“状态”下的“值”,就是这个“状 态”所对应的子问题的解。
- 所有“状态”的集合,构成问题的“状态空间”。“状态空间”的大小,与用动态规划解决问题的时间复杂度直接相关。 在数字三角形的例子里,一共有N×(N+1)/2个数字,所以这个问题的状态空间里一共就有N×(N+1)/2个状态。
整个问题的时间复杂度是状态数目乘以计算每个状态所需时间。在数字三角形里每个“状态”只需要经过一次,且在每个状态上作计算所花的时间都是和N无关的常数。
3.确定一些初始状态(边界状态)的值
以“数字三角形”为例,初始状态就是底边数字,值就是底边数字值。
4. 确定状态转移方程
定义出什么是“状态”,以及在该“状态”下的“值”后,就要找出不同的状态之间如何迁移――即如何从一个或多个“值”已知的 “状态”,求出另一个“状态”的“值”(递推型)。状态的迁移可以用递推公式表示,此递推公式也可被称作“状态转移方程”。
数字三角形的状态转移方程:
能用动规解决的问题的特点
1) 问题具有最优子结构性质。如果问题的最优解所包含的 子问题的解也是最优的,我们就称该问题具有最优子结 构性质。
2) 无后效性。当前的若干个状态值一旦确定,则此后过程的演变就只和这若干个状态的值有关,和之前是采取哪种手段或经过哪条路径演变到当前的这若干个状态,没有关系。
另外:这篇博客也是十分值得阅读!!!
http://blog.csdn.net/u013445530/article/details/45645307
白话算法之【动态规划入门】