回溯法
回溯法类似于穷举法,可以被认为是一种有剪枝(约束函数,如01背包问题中的背包容量)的DFN(深度优先搜索)。
运用回溯法解题的关键要素有以下三点:
- 针对给定的问题,定义问题的解空间;
- 确定易于搜索的解空间结构;
- 以深度优先方式搜索解空间,并且在搜索过程中用剪枝函数避免无效搜索。
问题举例:01背包问题
有编号分别为1,2,3,4的N=4件物品,它们的重量c分别是3, 2, 4, 7,它们的价值p分别是5, 6, 3, 19,每件物品数量只有一个,现在给你个承重为bag=11的背包,如何让背包里装入的物品具有最大的价值总和sum_v?
我们用一张图来看回溯法的执行顺序
代码实现:
public static int bag01(int[] c, int[] p, int i, int cost, int bag) {
if (cost > bag) {
return Integer.MIN_VALUE;
}
if (i == c.length) {
return 0;
}
return Math.max(process1(c, p, i + 1, cost, bag), p[i] + process1(c, p, i + 1, cost + c[i], bag));
}
动态规划
我们来思考一下如何将上面的回溯法改装成动态规划方法
思路:
- 分析可变参数(解空间,上面的可变参数为:i,cost)
- 确定最终状态
- 根据初始状态确定初始值
- 分析普遍状态依赖哪些位置
- 根据依赖顺序逆序求整张表
代码如下
public static int dp(int[] c, int[] p, int bag) {
int[][] dp = new int[c.length + 1][bag + 1];
for (int i = c.length - 1; i >= 0; i--) {
for (int j = bag; j >= 0; j--) {
dp[i][j] = dp[i + 1][j];
if (j + c[i] <= bag) {
dp[i][j] = Math.max(dp[i][j], p[i] + dp[i + 1][j + c[i]]);[j]);
}
}
}
return dp[0][0];
}
这个思维仿佛有点奇怪,我们来看一下一个常规解法:
dp的填充步骤可以参考https://blog.csdn.net/likunkun__/article/details/80223003
代码如下
private static int knapsackProblem(int bag, int[] c, int[] p) {
int[][] dp = new int[c.length + 1][bag + 1];
for (int i = 1; i < c.length + 1; i++) {
for (int j = c[i - 1]; j < bag + 1; j++) {
System.out.println("i =" + i + " j=" + j);
dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - c[i - 1]]
+ p[i - 1]);
}
}
return dp[c.length][bag];
}
这段代码中,最牛逼的一句话是:
代码中我们可以发现,下一行的值只跟上一行两个值相关,因此我们可以尝试降低时间复杂度
public static int optimizationdp(int bag, int[] c, int[] p) {
int[] m = new int[bag + 1];
for (int i = 1; i < c.length + 1; i++) {
for (int j = c[i - 1]; j < bag + 1; j++) {
m[j] = Math.max(m[j - 1], m[j - c[i - 1]] + p[i - 1]);
}
}
return m[bag];
}
动态规划的基本步骤:
- 最优子结构性质:找出最优解的性质,并刻画其结构特征;
- 建立递归关系:递归地定义最优值;
- 计算最优值:以自底向上的方式计算出最优值;
- 构造最优解:根据计算最优值时得到的信息,构造最优解。