贪心,递归,动态规划,及分治算法之间的区别和联系

最新推荐文章于 2021-12-20 00:20:03 发布

herbertpotter

最新推荐文章于 2021-12-20 00:20:03 发布

阅读量964

点赞数

分类专栏： ACM基础知识文章标签：动态规划算法递归迭代

ACM基础知识专栏收录该内容

28 篇文章 0 订阅

订阅专栏

本人原创，转载请注明出处：http://blog.csdn.net/tyhj_sf/article/details/53969072

引言

最近集中研究计算智能，其中涉及到递归和动态规划，动态规划实现中又用到了递归，忽然发现这两个概念的差别分得不太清楚。索性把递归、分治策略、动态规划、贪婪选择之间的联系与区别都一并搞清楚吧。

1、分治策略（Divide and Conquer）

将原问题分解为若干个规模较小但类似于原问题的子问题（Divide），递归的求解这些子问题（Conquer），然后再合并这些子问题的解来建立原问题的解。因为在求解大问题时，需要递归的求小问题，因此一般用递归的方法实现，即自顶向下。

2、动态规划（Dynamic Programming）

动态规划其实和分治策略是类似的，也是将一个原问题分解为若干个规模较小的子问题，递归的求解这些子问题，然后合并子问题的解得到原问题的解。区别在于这些子问题会有重叠，一个子问题在求解后，可能会再次求解，于是我们想到将这些子问题的解存储起来，当下次再次求解这个子问题时，直接拿过来就是。其实就是说，动态规划所解决的问题是分治策略所解决问题的一个子集，只是这个子集更适合用动态规划来解决从而得到更小的运行时间。即用动态规划能解决的问题分治策略肯定能解决，只是运行时间长了。因此，分治策略一般用来解决子问题相互对立的问题，称为标准分治，而动态规划用来解决子问题重叠的问题。

动态规划一般由两种方法来实现，一种为自顶向下的备忘录方式，用递归实现，一种为自底向上的方式，用迭代实现。

3、贪心算法（Greedy Algorithm）

贪心算法在每一步都做出最优的选择，希望这样的选择能导致全局最优解。对，只是寄希望，因此贪心算法并不保证得到最优解，但是它对很多问题确实可以得到最优解，而且运行时间更短。由此可见，贪心算法是带有启发性质的算法。那什么时候可以用贪心算法呢？当该问题具有贪心选择性质的时候，我们就可以用贪心算法来解决该问题。
贪心选择性质：我们可以通过做出局部最优（贪心）来构造全局最优。只要我们能够证明该问题具有贪心选择性质，就可以用贪心算法对其求解。比如对于0-1背包问题，我们用贪心算法可能得不到最优解（当然，也可能会得到最优解），但对于部分背包问题，则可以得到最优解，贪心算法可以作为0-1背包问题的一个近似算法。

动态规划与递归的比较

就性能而言，我用递归和动态规划实现了斐波纳契数列计算，递归如果超过40的时候就已经需要很长时间了，40次大概需要1秒左右，但是用动态规划要一亿次，才需要4秒，这个相差的可不是几个数量级的问题。事实上，递归实现的斐波那契数列计算时间复杂度为O(2ⁿ),动态规划实现时间复杂度为O(n)所以，在以后的开发中，尽量避免使用递归。
就具体实现上而言，动态规划比普通递归仅仅是多了一步保存子问题计算结果的操作。
例如，斐波那契数列的递归实现如下：

 int F(int i)
    {
             if(i < 1)  return 0;
             if(i == 1) return 1;
              return F(i-1) + F(i - 2);
    }
  
  1
2
3
4
5
6
  
  
   
   
  
  
  
  1
2
3
4
5
6

而用动态规划算法实现是这样：

 int F(int i)
{
     if(knownF[i] != unknown){
        return knownF[i];
     }
     if(i == 0) t = 0;
     if(i == 1) t = 1;
     if(i > 1)  t = F(i - 1) + F(i - 2);
     return knownF[i] = t;
}
  
  1
2
3
4
5
6
7
8
9
10
  
  
   
   
  
  
  
  1
2
3
4
5
6
7
8
9
10