算法设计与分析_动态规划①

一、动态规划的基本思想
动态规划算法通常用于求解具有某种最优性质的问题。
在这类问题中，可能会有许多可行解。
每一个解都对应于一个值，我们希望找到具有最优值的解。
基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。
二、设计动态规划法的步骤
①找出最优解的性质，并刻画其结构特征；
②递归地定义最优值（写出动态规划方程）；
③以自底向上的方式计算出最优值；
④根据计算最优值时得到的信息，构造一个最优解。
步骤1～3是动态规划算法的基本步骤。
在只需要求出最优值的情形，步骤4可以省略；
若需要求出问题的一个最优解，则必须执行步骤4。
三、动态规划问题的特征
动态规划算法的有效性依赖于问题本身所具有的两个重要性质：
1.最优子结构：
当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。
2.重叠子问题：
在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只解一次，而后将其解保存在一个表格中，在以后尽可能多地利用这些子问题的解。
矩阵连乘积问题
给定n个矩阵｛A1,A2,…,An｝，其中Ai与Ai+1是可乘的，i=1，2…，n-1。如何确定计算矩阵连乘积的计算次序，使得依此次序计算矩阵连乘积需要的数乘次数最少？
算法复杂度分析：
对于n个矩阵的连乘积，设其不同的计算次序为P(n)。
由于每种加括号方式都可以分解为两个子矩阵的加括号问题：(A1…Ak)(Ak+1…An)可以得到关于P(n)的递推式如下：

1、分析最优解的结构
①将矩阵连乘积AiAi+1…Aj 简记为A[i:j], 这里i≤j;
②考察计算A[1:n]的最优计算次序。
i、设这个计算次序在矩阵Ak和Ak+1之间将矩阵链断开，1≤k<n，则其相应完全加括号方式为(A1A2…Ak)(Ak+1Ak+2…An)
ii、计算量：A[1:k]的计算量加上A[k+1:n]的计算量，再加上A[1:k]和A[k+1:n]相乘的计算量
③特征：计算A[1:n]的最优次序所包含的计算矩阵子链 A[1:k]和A[k+1:n]的次序也是最优的。
④矩阵连乘计算次序问题的最优解包含着其子问题的最优解。
i、这种性质称为最优子结构性质。
ii、问题的最优子结构性质是该问题可用动态规划算法求解的显著特征。
2、建立递归关系
①设计算A[i: j]，1≤i≤j≤n，所需要的最少数乘次数m[i, j]，则原问题的最优值为m[1,n]
②当i=j时，A[i: j]=Ai，因此，m[i, i]=0，i=1,2,…,n
③当i<j 时
这里Ai的维数是Pi-1×Pi

④m[i][j]给出了最优值，最优断开位置为k：

⑤若将对应于m[i, j]的断开位置k记为s[i, j]，在计算出最优值m[i, j]后，可递归的由s[i, j]构造出相应的最优解。
3、计算最优值
①对于1≤i≤j≤n不同的有序对(i, j)对应于不同的子问题。因此，不同子问题的个数最多只有

②在递归计算时，许多子问题被重复计算多次。
i.这也是该问题可用动态规划算法求解的又一显著特征。
③用动态规划算法解此问题，可依据其递归式以自底向上的方式进行计算。
i.在计算过程中，保存已解决的子问题答案。
ii.每个子问题只计算一次，在后面需要时只要简单查一下，从而避免大量的重复计算，最终得到多项式时间的算法。

#define NUM 51
int p[NUM];
int m[NUM][NUM];
int s[NUM][NUM];
void MatrixChain　(int n)
{
　　for (int i=1; 　i<=n; 　i++)　m[i][i] = 0;
　　for (int r=2;　 r<=n; 　r++)
	for (int i=1;　 i<=n-r+1;　 i++) 
	{
	　　int j=i+r-1;　
	　　//计算初值，从i处断开
	　　m[i][j] = m[i+1][j]+p[i-1]*p[i]*p[j];
	　　s[i][j] = i;　
	　　for (int k=i+1; 　k<j; 　k++) 
	　　{　
		int t = m[i][k]+m[k+1][j]+p[i-1]*p[k]*p[j];
		if (t < m[i][j]) {m[i][j] = t; s[i][j] = k;}
	　　}
	}
}

4、构造最优解
①、s[i][j]已经存储了构造最优解所需要的足够的信息。
i.每个部分的最优加括号方式可以根据数组s的相应元素得出。
ii.照此递推下去，最终可以确定A[1:n]的最优完全加括号方式，即构造出问题的一个最优解。
计算矩阵连乘积最优解的递归算法

void TraceBack(int i, int j) 
{ 
	if(i==j) printf("A%d", i);
	else 
	{
		printf("(");
		TraceBack(i,s[i][j]); 
		TraceBack(s[i][j]+1,j); 
		printf(")"); 
	}
}

最长公共子序列
1、最长公共子序列的结构
①若给定序列X={x1,x2,…,xm}，则另一序列Z={z1,z2,…,zk}，是X的子序列是指存在一个严格递增下标序列{i1,i2,…,ik}使得对于所有j=1,2,…,k有：zj=xij。
i.例如，序列Z={B，C，D，B}是序列X={A，B，C，B，D，A，B}的子序列，相应的递增下标序列为{2，3，5，7}。
②给定2个序列X和Y，当另一序列Z既是X的子序列又是Y的子序列时，称Z是序列X和Y的公共子序列。
③给定2个序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}，找出X和Y的最长公共子序列。
2、子问题的递归结构
①由最长公共子序列问题的最优子结构性质可知，要找出X和Y的最长公共子序列，可按以下方式递归地进行：
i.当xm＝yn时，找出Xm－1和Yn－1的最长公共子序列，然后在其尾部加上xm（＝yn）即可得X和Y的一个最长公共子序列。
ii.当xm≠yn时，必须解两个子问题，即找出Xm－1和Y的一个最长公共子序列及X和Yn－1的一个最长公共子序列。这两个公共子序列中较长者为X和Y的一个最长公共子序列。
②用c[i][j]记录序列和的最长公共子序列的长度。
i.Xi={x1,x2,…,xi}；Yj={y1,y2,…,yj}。
ii.当i=0或j=0时，空序列是Xi和Yj的最长公共子序列。故此时C[i][j]=0。
iii.其它情况下，由最优子结构性质可建立递归关系如下

3、计算最优值

计算最长公共子序列的动态规划算法
#define NUM 100
int c[NUM][NUM];
int b[NUM][NUM];
void LCSLength　(int m, int n, const char x[],char y[])
{  
　　int i,j;
　　//数组c的第0行、第0列置0
　　for (i = 1; i <= m; i++) c[i][0] = 0;
　　for (i = 1; i <= n; i++) c[0][i] = 0;
　　//根据递推公式构造数组c
　　for (i = 1; i <= m; i++)
　　for (j = 1; j <= n; j++)
　　{
	if (x[i]==y[j]) 
	　　{c[i][j]=c[i-1][j-1]+1; b[i][j]=1; }		//↖
	else if (c[i-1][j]>=c[i][j-1]) 
		{c[i][j]=c[i-1][j]; b[i][j]=2; }		//↑
	else { c[i][j]=c[i][j-1]; b[i][j]=3; }			//←
　　}
}

计算最长公共子序列的动态规划算法
……
void LCSLength　(int m, int n, const char x[],char y[])
{  
　　int i,j;
　　//数组c的第0行、第0列置0
　　……;
　　//根据递推公式构造数组c
　　for (i = 1; i <= m; i++)
　　for (j = 1; j <= n; j++)
　　{
	if (x[i]==y[j]) 
	　　{c[i][j]=c[i-1][j-1]+1; b[i][j]=1; }		//↖
	else if (c[i-1][j]>=c[i][j-1]　) 
		{c[i][j]=c[i-1][j]; b[i][j]=2; }		//↑
	else { c[i][j]=c[i][j-1]; b[i][j]=3; }			//←
　　}
}

计算最长公共子序列的动态规划算法
void LCS(int i,int j,char x[])
{
	if (i ==0 || j==0) return;
	if (b[i][j]== 1){ LCS(i-1,j-1,x);　 printf("%c",x[i]); }
	else if (b[i][j]== 2) LCS(i-1,j,x);
	else LCS(i,j-1,x);
}