最近开始学习王争老师的《数据结构与算法之美》,通过总结再加上自己的思考的形式记录这门课程,文章主要作为学习历程的记录。
动态规划适合用于求解最优问题,比如求最大值、最小值等。它可以显著地降低时间复杂度,提高执行效率。
0-1背包问题
对于一组不同重量、不可分割的物品,需要选择一些装入背包,在满足背包最大重量限制的前提下,背包中物品总重量的最大值为多少?
如果用回溯的办法,就是枚举所有可能的装法,然后找到满足条件的最大值。假设背包的最大承载重量是9,我们有5个不同的物品,每个物品的重量分别是2,2,4,6,3.将这个回溯求解过程用递归树表示:
递归树中每一个节点表示一种状态,用(i,cw)来表示,i表示将要决策第几个物品是否要装入背包,cw表示当前背包中物品的总重量。(2,2)表示要决策第2个物品是否装入背包,在决策前,背包总重量为2.
动态规划的做法是将整个求解过程分为n个阶段,每个阶段会决策一个物品是否放入背包中,每个物品决策完之后,背包中的物品的重量会有很多种情况,也就是说会达到多种不同状态,对应到递归树,就是很多节点。把每一层重复的状态(节点)合并,只记录不同的状态,然后基于上一层的状态集合,来推导下一层的状态集合。我们可以通过合并每一层重复的状态,这样就保证每一层不同状态的个数不超过w个,就是例子中的9.
用一个二维数组 s t a t e s [ n ] [ w + 1 ] states[n][w+1] states[n][w+1]来记录每层可以达到的不同状态。第0个(下标从0开始编号)物品的重量为2,要么装入背包,要么不装入背包,决策完后会对应背包的两种状态,背包中物品总重量是0或2.用 s t a t e s [ 0 ] [ 0 ] = 1 states[0][0]=1 states[0][0]=1和 s t a t e s [ 0 ] [ 2 ] = 1 states[0][2]=1 states[0][2]=1来表示。
基于之前的背包状态与第1个物品的重量,决策完后会有三种不同的状态,总重量分别为0,2,4.用 s t a t e s [ 1 ] [ 0 ] = 1