一、问题的提出
我们来看这样一个问题
- 你有三种硬币,分别面值2元、5元和7元,每种硬币都有足够多
- 买一本书需要27元
- 如何用最少的硬币组合起来正好付清,不需要对方找钱
我们直觉会怎么想?
你有三种硬币,分别面值2元、5元和7元,每种硬币都有足够多,买一本书需要27元,如何用最少的硬币组合起来正好付清,不需要对方找钱
• 最少的硬币组合➡尽量用面值大的硬币
√ 7+7+7+7=28
√ 7+7+7=21
√ 21+5=26
√ 这样显然拼不出来
• 改一下思路➡先用面值大的硬币,最后如果可以用一种硬币付清就行
√ 7+7+7=21
√ 21+2+2+2=27
√ 这次应该对了吧,其实正确答案是:7+5+5+5+5=27,5枚
所以我们需要更加科学的方法来计算这个问题
二、基本原理
1、基本概念
动态规划是运筹学的一个分支,通常用来解决多阶段决策过程最优化问题。动态规划的基本想法就是将原问题转换为一系列相互联系的子问题,然后通过逐层地推来求得最后的解。目前,动态规划常常出现在各类计算机算法竞赛或者程序员笔试面试中,在数学建模中出现的相对较少,但这个算法的思想在生活中非常实用,会对我们解决实际问题的思维方式有一定启发。
添加图片注释,不超过 140 字(可选)
2、基本步骤
一、 确定状态:解动态规划的时候需要开一个数组,数组的每个元素需要明确代表什么,类似于确定数学题中X、Y的含义
√ 最后一步 √ 子问题
二、转移方程:把状态表达成方程
三、初始条件和边界情况
四、 计算顺序
三、典型例题
1、问题
你有三种硬币,分别面值2元、5元和7元,每种硬币都有足够多,买一本书需要27元,如何用最少的硬币组合起来正好付清,不需要对方找钱
一、确定状态
最后一步:
-
虽然我们不知道最优策略是什么,但是最优策略肯定是有k枚硬币, 𝑎1,𝑎2,⋯𝑎𝑘 加起来面值为27
-
所以一定存在有最后一枚硬币: 𝑎𝑘
-
除了这枚硬币,前面硬币的面值加起来是 27−𝑎𝑘
(1)两个关键点
1)我们不关心前面的k-1枚硬币是怎么拼出 27−𝑎𝑘 的(可能有很多种拼法),而且我们现在甚至还不知道a_k和k是多少,但我们可以确定前面的硬币拼出了 27−𝑎𝑘
2)因为是最优策略,所以拼出 27−𝑎𝑘 的硬币数一定要最少,否则就不是最优策略
(2)子问题
最少用多少枚硬币可以拼出 27−𝑎𝑘
原问题是最少用多少枚硬币可以拼出27
我们将原问题可以转化成一个规模更小的子问题: 27−𝑎𝑘
• 状态:我们可以设状态f(x)=最少用多少枚硬币拼出x
2、递归解法
现在我们还不知道最后那枚硬币 𝑎𝑘 是多少,但它只能是2,5或7
-
如果 𝑎𝑘 =2,f(27)=f(27-2)+1
-
如果 𝑎𝑘 =5,f(27)=f(27-5)+1
-
如果 𝑎𝑘 =7,f(27)=f(27-7)+1
显然只有这三种可能
要求最小的硬币数,所以:
𝑓(27)=𝑚𝑖𝑛{𝑓(27−2)+1,𝑓(27−5)+1,𝑓(27−7)+1}
如果有学习过递归的,应该看得出来,这可以用递归来进行求解
递归python代码:
# 递归算法
def f(x):
"""
递归函数,用于计算找零的最少硬币数。
参数x:找零的金额
返回值:最少硬币数量,如果无法找零,则返回无穷大
"""
if x == 0:
return 0 # 如果找零金额为 0,则不需要任何硬币,直接返回 0
res = float('inf') # 用一个很大的数表示无穷大,用于比较最小值
if x >= 2:
# 如果找零金额大于等于 2 元,尝试使用一枚 2 元硬币
res = min(f(x - 2) + 1, res) # 递归调用 f 函数,并加上这一枚硬币
if x >= 5:
# 如果找零金额大于等于 5 元,尝试使用一枚 5 元硬币
res = min(f(x - 5) + 1, res) # 递归调用 f 函数,并加上这一枚硬币
if x >= 7:
# 如果找零金额大于等于 7 元,尝试使用一枚 7 元硬币
res = min(f(x - 7) + 1, res) # 递归调用 f 函数,并加上这一枚硬币
return res # 返回最少硬币数量,如果无法找零,则返回无穷大
n=int(input('请输入要拼的金额:'))
res=f(n)
print(res)
3、动态规划解法
状态:我们可以设状态f[x] =最少用多少枚硬币拼出x
对于任意x
𝑓[𝑥]=𝑚𝑖𝑛{𝑓[𝑥−2]+1,𝑓[𝑥−5]+1,𝑓[𝑥−7]+1}
转移方程有两个问题: x-2 , x-5 ,或x-7小于0怎么办?什么时候停下来?
-
如果不能拼出Y,那么就定义f[Y]=正无穷,例如f[-1]= f[-2]= f[-3]=⋯=正无穷
-
所以f[1]=min{f[-1]+1 ,f[-4]+1 ,f[-6]+1}=正无穷,表示拼不出来
-
初始条件f[0]=0
计算顺序:
-
拼出x所需要的最少硬币数:f[x]=min{f[x-2]+1 ,f[x-5]+1 ,f[x-7]+1}
-
初始条件f[0]=0
-
然后计算f[1] ,f[2] , ⋯, f[x]
-
这样当我们计算到f[x] 时, f[x-2] ,f[x-5] ,f[x-7]都已经算过了
-
每一步是算三次,算到27是第27步,故时间复杂度(需要的步数)为27×3(金额×硬币种数)
-
递归时间复杂度>> 27×3
4、典型例题——背包问题
有一个小偷去偷东西,他的背包可以容纳总重量为W的物品,现在有n件物品,每件物品的重量为,价值为
,求能够放进背包的物品的最大价值。
状态:dp[i][j]表示前i件物品放入容量为j的背包中所获得的最大价值
状态转移方程:对于第i件物品,可以选择放或不放
-
如果不放,那么 𝑑𝑝[𝑖][𝑗]=𝑑𝑝[𝑖−1][𝑗]
-
如果放,那么 𝑑𝑝[𝑖][𝑗]=𝑑𝑝[𝑖−1][𝑗−𝑤_𝑖]+𝑣_𝑖
-
选择获得最大价值的情况,即
𝑑𝑝[𝑖][𝑗]=𝑚𝑎𝑥(𝑑𝑝[𝑖−1][𝑗],𝑑𝑝[𝑖−1][𝑗−𝑤_𝑖]+𝑣_𝑖)
初始条件:
-
dp[0][0] = 0,将前 0 个物品放入容量为 0 的背包中能获得的最大价值为 0
-
如果容量为 0,则无法放入任何物品,dp[i][0] = 0
-
如果没有物品可选,则无法放入任何物品,dp[0][j] = 0。
求解顺序:从第一个物品开始,求解到n
最终,dp[n][w]即为问题的解
四、相关代码
1、凑硬币py代码
def coinChange(n):
"""
用于计算找零的最少硬币数。
参数n:要找零的金额
返回值:最少硬币数量,如果无法找零,则返回-1
"""
dp = [float('inf')] * (n + 1) # 初始化动态规划数组
dp[0] = 0 # 找零金额为 0 时,需要 0 枚硬币
for i in range(1, n + 1):
if i >= 2:
dp[i] = min(dp[i], dp[i - 2] + 1)
if i >= 5:
dp[i] = min(dp[i], dp[i - 5] + 1)
if i >= 7:
dp[i] = min(dp[i], dp[i - 7] + 1)
if dp[n] != float('inf'):
return dp[n]
else:
return -1
n=int(input('请输入要拼的金额:'))
res=coinChange(n)
print(res)
2、背包问题py代码
def knapsack(weights, values, capacity):
"""
用于求解0-1背包问题的最大价值
参数weights:物品的重量列表
参数values:物品的价值列表
参数capacity:背包的容量
返回值:最大价值
"""
n = len(weights) # 物品数量
dp = [[0 for j in range(capacity + 1)] for i in range(n + 1)] # 初始化动态规划数组
# 动态规划求解过程
for i in range(1, n + 1):
for j in range(1, capacity + 1):
if j < weights[i - 1]: # 背包容量小于当前物品重量,不能选择当前物品
dp[i][j] = dp[i - 1][j]
else: # 能选择当前物品,要选择价值更大的方案
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i - 1]] + values[i - 1])
return dp[n][capacity]
w = input('请输入物品的重量列表,用逗号分隔:')
v = input('请输入物品的价值列表,用逗号分隔:')
c = int(input('请输入背包的容量:'))
weights = [int(x) for x in w.split(',')] # 将输入的字符串转换为整数列表
values = [int(x) for x in v.split(',')]
res = knapsack(weights, values, c)
print('最大价值为:', res)