算法导论（十五）——动态规划

作者：disappearedgod

文章出处：http://blog.csdn.net/disappearedgod/article/details/29816733

时间：2014-6-10

前言

本文从《算法导论》入手，然后加上一些自己的见解。

首先，先来谈一谈我们为什么需要动态规划。

其实，对于计算机能解决的问题的讨论一直没有个定理，而关于计算机解决的问题的这个话题也成为了一门学科，笼统的认识就是P类问题可解，NP问题不可解。而动态规划的解决范围又比计算机能解决的范围来的少，那么我们为什么将DP作为我们计算机领域的一个认知常识来学习呢？

我认为，DP得到了计算机视角解释解决问题的真谛。对于算法可以解决的问题来说，它节省了递归算法的重算的费力的时间实在太多，而且比贪心算法更在乎全局性最优，而不是局部。

从思考问题来说，用DP的想法来看，对于世界的理解也许能上升一个档次。

从写论文来看，DP是一切解释动态性问题的基本，是Evolution类算法的鼻祖。随着计算社会学的研究深入，DP成为不可或缺的一个算法。

目录

正文

15 动态规划

动态规划(dynamic programming)是通过组合子问题的解而解决整个问题的。动态规划只求解一次，将其结果保存在一张表中，从而避免每次到各个子问题时重新计算答案。

动态规划算法的设计可以分为下列4个步骤：

• 描述最优解的结构。
• 递归定义最优解的值。
• 按自底向上的方法计算最优解的值。
• 由计算的结果构造一个最优解。

15.1 装配线调度

算法导论上给出了一个求解工厂流水线问题的解法

步骤1:通过工厂最快路线的结构

步骤2：一个递归的解

步骤3：计算最快时间

步骤4：构造通过工厂的最快路线

15.2 矩阵链乘法

计算全部括号的重数

15.2.1 步骤一：最优加全部括号的结构

15.2.2 步骤二：一个递归解

15.2.3 步骤三：计算最优代价

15.2.4 步骤四：构造一个最优解

 

15.3 动态规划基础

什么时候需要动态规划？——适合采用动态规划方法的最优化问题中的两个要素：最优子结构和重叠子问题。另外，还要分析一种不同的方法：成为备忘录（memoization ）,以充分利用重叠子问题性质。

最优子结构

用动态规划求解优化问题的第一步是描述最优解的结构。

在找寻最优子结构时，可以遵循一种共同的模式：

• 问题的一个解可以是一个选择。
• 假设对一个给定的问题，已知的是一个可以导致最优解的选择。
• 在已知这个选择后，要确定那些子问题会随之发生，以及如何最好的描述所得到的子问题空间。
• 利用一种cut-and-paste技术，来证明在问题的一个最优解中，使用的子问题的姐本身必须是最优的。（通过假设每一个子问题的姐都不是最优解，然后导出矛盾，即可做到这一点）

最优子结构在问题域中以两种方式变化：

• 有多少个子问题被使用在原问题的一个最优解中
• 在决定一个最优解中适用哪些子问题时有多少个选择。

非正式地，一个动态规划算法的运行时间依赖于两个因素的乘积：子问题的总个数和每个子问题中有多少种选择。

Tips：贪心算法与动态规划有着很多相似之处。特别地，贪心算法适用的问题也具有最优子结构。贪心算法与动态规划有一个显著的区别：贪心算法中，是以自顶向下的方式使用最优子结构的。

一些细微之处

这里想说的就是：要注意在不能应用最优子结构的时候，就一定不能假设它能够应用。

无权最短路径：

找出一条从u到v的包含最少边数的路径。这样的一条路径必须是简单路径，因为从路径中去掉一个回路后，会产生变数更少的路径。

无权最长简单路径：

找出一条从u到v的包含最多变数的简单路径(无环)。我们需要加入简单性的要求，否则，就可以随意地遍历一个回路任意多次来得到有任意多的边数的路径。

对于这两个问题，无权最短路径具有最优子结构（可以用剪贴法来论证）；而后者没有，而它是一个NP-Complete事件。

重叠子问题

这个问题其实是DP比递归具有优势的重要原因。

重新构造一个最优解

做备忘录

15.4 最长公共子序列

15.4.1 步骤一：描述一个最长公共子序列

定理15.1 （LSC的最优子结构）

15.4.2 步骤二：一个递归解

15.4.3 步骤三：计算LCS的长度

15.4.4 步骤四：构造一个：LCS

练习题与面试题

后记

相关链接