算法导论系列--动态规划

 

    动态规划(dynamic programming) 是个较难理解的算法，常用于最优化问题的求解。和分治法类似，动态规划也是解决小问题的基础上合并为更大规模的解。动态规划中，一个大问题的一个最优解必定包含子问题的最优解；且这些子问题是重叠的。为免子问题重复计算，通常将子问题的最优解储存在一个表中。并且，后续问题的解必须不会影响之前子问题的最优解(无后效性)。

    设计一个动态规划算法有以下步骤：

    step1： 刻画最优解结构

    step2:： 递归定义最优解的值

    step3： 自底向上计算最优解的值

    step4： 由计算出的值构造一个最优解。

动态规划的数学分析太复杂，下面用一些例子说明。

 

问题1： 求一个序列Ai的一个最大上升子序列长度(可能有多个)。如序列5,3,4,8,6,7 的其中一个最大上升子序列为3，4，6，7 。

分析：设状态i是以A[i]为结尾字符的最大上升子序列。用S[i]记录从A[1]~A[i]的最大子序列长度,例如S[3] =2 。可知仅当j<i 时S[j] < S[i]， S[i] <-- S[j]+1 , 定义最优解的值

if ( S[j] < S[i] )

S[i] <--  max (S[j]) + 1  (对j < i)

else

S[i] <-- max(S[j])

可以看出，S[i]可以直接利用前一个数(i-1)的最优值。

if (S[i] < S[i-1] )

 S[i] < S[i-1] + 1

else

 S[i] = S[i] – 1

 得主S序列： 1, 1, 2, 3, 3, 4, 最后得出最长子序列长度为4

 

太累，实在写不下去了…………

 

问题2： 求有向加权图的最短路径，我们知道可以用Dijkstra算法求解，这也是个动态规划问题。

问题3： 矩阵乘法链问题。一串矩阵连乘A1A2A3A4... ，我们知道矩阵相乘符合结合律，例如可以这样算 (A1A2)* (A3A4) 不同的相乘顺序所需的运算时间可以差很远。为找出最佳的运算括号组合，也可以用动态规划求解。

问题4： 0/1背包问题。有n种物品，重量分别为wi, 价格分别为pi, 容量把他们装入载重容量为c的背包，如何装入使得总价格最大。