动态规划应用——盗贼选重物和硬币找零问题的python实现

算法定义：

1.采用更为条理的方式得到问题的最优解
2.从最简单问题的最优解开始，逐步叠加到问题的解法
例如：找零兑换的动态规划解法就是在金额递加时，设法保证每一分钱的递加都是最优解，因此，待到求解金额数，自然得到最优解。
3. 动态规划求解关键条件：问题的最优解包含了更小规模子问题的最优解，其实采用动态规划策略解决的必要条件。

找零问题：动态规划解法

def dpmakechange(coinvaluelist,change,mincoins):
    for cents in range(1,change+1):   #从1增加到change，逐个计算最少硬币数
        coincount=cents   #初始化一个最大值
        for j in [c for c in coinvaluelist if c<=cents]:
            if mincoins[cents-j]+1< coincount:
                coincount=mincoins[cents-j]+1
        mincoins[cents]=coincount
    return mincoins[change]

print(dpmakechange([1,5,10,25],63,[0]*64))

动态规划总结：

1. 从最简单的情况开始，直至到达所需找零的循环
2. 其中每一步都依靠以前的最优解，来获得本步骤的最优解，直至找到答案

问题拓展：打印出硬币情况
代码实现：

def dpmakechange(coinvaluelist,change,mincoins,coinsused):
    for cents in range(1,change+1):   #从1增加到change，逐个计算最少硬币数
        coincount=cents   #初始化一个最大值
        newcoin=1  #初始化一个新加硬币
        for j in [c for c in coinvaluelist if c<=cents]:
            if mincoins[cents-j]+1< coincount:
                coincount=mincoins[cents-j]+1
                newcoin=j  #对应的最下数量，所减的硬币
        mincoins[cents]=coincount
        coinsused[cents]=newcoin  #记录本步骤增加的1个硬币
    return mincoins[change]

def printcoins(coinsused,change):
    coin=change
    while coin >0:
        thiscoin=coinsused[coin]
        print (thiscoin)
        coin=coin-thiscoin

print(dpmakechange([1,5,10,25],63,[0]*64,[0]*64))
## printcoins ([0]*64,63)  陷入死循环，无法停止

小结

对比递归算法和动态规划算法知：动态规划的代码更加简洁，理解起来也更加容易，但递归算法也能解决该类问题
递归调用解法参考博客：https://blog.csdn.net/cy15625010944/article/details/106385008

博物馆大盗问题

问题描述：大盗潜入博物馆，面前有五件宝贝，分别有重量和价值，可是盗贼背包仅能负重20公斤，请问如何选择宝物，总价值最高？

item	weight	value
1	2	3
2	3	4
3	4	8
4	5	8
5	9	10

问题分析


动态规划解法：

tr=[None,{'w':2,'v':3},{'w':3,'v':4},{'w':4,'v':8},
         {'w':5,'v':8},{'w':9,'v':10}]  #宝物的价值
max_w=20  #最大承重量
m={(i,w):0 for i in range(len(tr))
            for w in range(max_w+1)}  #初始化二维表格

for i in range(1,len(tr)):  #逐个填写二维表格
    for w in range(1,max_w+1):
        if tr[i]['w']> w :
            m[(i,w)]=m[(i-1,w)]
        else:
            m[(i,w)]=max(m[(i-1,w)],m[(i-1,w-tr[i]['w'])]+tr[i]['v'])
#输出结果
print(m[(len(tr)-1,max_w)])   #29

问题拓展：递归调用解法

##博物馆大盗问题
tr={(2,3),(3,4),(4,8),(5,8),(9,10)}  #宝物的重量和价值
max_w=20   #最大承重量
m={}  #初始化表格  key是（宝物组合，最大重量），value是最大价值

def thief(tr,w):
    if tr==set() or w==0:
        m[(tuple(tr),w)]=0  #tuple是key的要求
        return 0
    elif (tuple(tr),w) in m:
        return m[(tuple(tr),w)]
    else:
        vmax=0
        for t in tr:
            if t[0]<=w:  ##逐个去掉某个宝物，递归调用
                v=thief(tr-{t},w-t[0])+t[1]
                vmax=max(vmax,v)
        m[(tuple(tr),w)]=vmax
        return vmax
##输出结果
print(thief(tr,max_w))

小结

用动态规划和递归分别解决了博物馆大盗问题，观察知：主要递归和记忆化应用得当，也能高效解决该类问题。