基本思想:
一般来说,问题可以划分为规模更小的字问题,并且原问题的最优解中包含了子问题的最优解,则可以考虑用动态规划解决。与分治法不同的是,适合用于动态规划去解决的问题,经过分解后得到的子问题的解往往不是相互独立的。
基本步骤:
- 找出最优解性质,重点是结构特性;
- 递归的写出最优值(写出动态规划方程)
- 以自底而上的方式计算出最优值
- 根据计算的最优值,在经计算得出最优解。
例题:
0-1背包:
给定n个重量为w1,w2,w3.....wn价值为v1,v2,v3......vn的物品和容量为C的背包,求这个物品中一个最有价值的子集,使得在满足背包的容量的前提下,包内的总价值F最大。
1、递归:
假设我们将n个物品放到背包里获得的最大价值,此时我们便有两种选择
- 不放第n个物品,此时总价值为F(n−1,C)
- 放置第n个物品,此时总价值为vn+F(n−1,C−wn)vn+F(n−1,C−wn)
由此我们可以得出:
递推式:F(i,C)=max(F(i−1,C),v(i)+F(i−1,C−w(i)))
#include<iostream>
using namespace std;
int w[1001],v[1001],p[1001][1001];
void pack(int c,int n)
{
int jmax=min(w[n-1],c);
for(int j=0;j<jmax;j++) p[n][j]=0;
for(int j=w[n];j<=c;j++) p[n][j]=v[n];
for(int j=n-1;j>1;j--)
{
jmax=min(w[j-1],c);
for(int i=0;i<=jmax;i++) p[i][j]=p[i+1][j];
for(int i=w[j];i<=c;i++) p[i][j]=max(p[i+1][j],p[i+1][c-w[i]]+v[i]);
}
p[1][c]=p[2][c];
if(c>=w[1])
p[1][c]=max(p[1][c],p[2][c-w[1]]+v[1]);
}
void iteam(int c,int n,int x[])
{
for(int i=1;i<=n;i++)
{
if(p[i][c]==p[i+1][c]) x[i]=0;
else
{
x[i]=1;
c-=w[i];
}
x[n]=(p[n][c])?1:0;
}
}
int main()
{
int n,W;
cin>>n>>W;
for(int i=0;i<=n;i++)
{
cin>>w[i]>>v[i];
}
pack(n,W);
cout<<p[1][n];
}
最长单调递增子序列:
找出一个n个数的序列X中最长的单调递增子序列。
假设已经求出前n个数据的递增长度子序列的长度了。求n+1的时候,n+1项的数据直接和前n项的数据挨个比较,然后找出前n的递增长度子序列长度最大的加1就行了。求递增子序列就是该过程的逆过程。找出递增最大的项M数据,然后减一,找前面的数据比M数据小,而且长度比其小一的数据就是成员之一。依次查找就可以找到最长递增能子序列。