算法设计与分析

最新推荐文章于 2024-06-14 10:13:07 发布

斯文刘

最新推荐文章于 2024-06-14 10:13:07 发布

阅读量807

点赞数

本文链接：https://blog.csdn.net/lzj888777/article/details/4446762

版权

三 、例子 :

例 6 设集合 S 有 n 个元素 , 求 S 的最大和最小元素。为简单起见 , 设 n = 2^m , m>=0 。

求集合 S 的最大元素 , 可以采用下述算法。

-----------------------------------------------------------------------------------------------------

Procedure MAX(S)

begin

MAX ß S 中的任一元素

for S 中的所有其它元素 x do

It X > MAX then MAX ß x

end

-----------------------------------------------------------------------------------------------------

结论 : 利用此算法 , 进行 n - 1 次比较后就可以求出 S 的最大元素。用 n - 2 次比较就可以求出剩下的 n - 1 个元素的最小元素。所以如果要找出 S 中的最大和最小元素 , 总共要进行 ( n – 1 ) + ( n – 2 ) = 2n - 3 次比较。

* 如果我们使用分治法来改善此算法 , 则可以减少比较的次数。

(a) 把 S 分成大小相等的两个子集 S₁ 和 S₂ , 所以 S₁ 与 S₂ 各有 n / 2 = 2^m-1 个元素。

(b) 对 S₁ 和 S₂ 分别反复使用分治法 , 求出最大及最小元素。

-----------------------------------------------------------------------------------------------------

produce MAXMIN(S)

begin

1. if ||S|| = 2 then

begin

2. let S = {a, b}

3. return (MAX(a, b), MIN(a, b))

end

else

begin

4. 分 S 成两个子集 S₁ 和 S₂ , 且 ||S₁ || = ||S₂ || = 1/2||S||

5. (max1, min1) ß MAXMIN(S₁ )

6. (max2, min2) ß MAXMIN(S₂ )

7. return (MAX(max1, max2), MIN(min1, min2))

end

-----------------------------------------------------------------------------------------------------

结论 : 如果 S 只有两个元素 , 那就在第 3 行进行一次比较 , 如果 S 有两个以上的元素 , 则至第四行将 S 分成两个子集 , 并在 5, 6 行递归使用 MAXMIN, 第 7 行比较 max1, max2 及 min1, min2 。设 S 有 n 个元素 , 则 n = 2 时 , T(2) = 1, n > 2 时 , T(n) = 3/2n - 2 , 就是说明了在 n 个元素的集合中寻找最大及最小元素至少要进行 (3/2n – 2) 次 , 所以使用分治法可以减少比较的次数 , 优于上一个算法。

{

定理 : 设 a, b, c 是非负常数 , 递归式 b n = 1

T(n) = aT(n/c) + bn n > １

{

的解是

　　　　　　　　　　　　　　　　　　　　　 O(n) a < c

log_c 2

T(n) = 　　 O(nlogn) a = c

　　　　　 O(n ) a > c

第一小节 动态规划问题

例 1 ：在 x +x₂ +x₃ +…+x_n =a 是约束条件下，求的极大值 .

令 ( 0 )

令且

可得 a - x=x, 所以 x=a/2

故

同理

令

所以 a - x=2x , x=a/3

所以 f₃ (a)=

用数学归纳法可以证明： f_n (a) = , x₁ =x₂ =x₃ =…=x_n =

证明： 1 ： n=1 …

2 ：设 f_n (a) = , x₁ =x₂ =x₃ =…=x_n = 成立，则

f_n+1 (a)=max( +f_n (a-x))=max( )

令 y=

y’= =

所以 nx=a-x ,(n+1)x=a

f_n+1 (a)= +n =

我们刚才的解题策略是：“摸着石头过河”， f2 利用 f1 的结果， f3 又利用 f2 的结果。。。。。。类似于游戏中的一个勇士打败了一些敌人后得到一件武器，然后去打败另一个强大一些的对手，得到一件更好的武器，接着打败更强大的敌人。。。。。最后取得胜利。。。

在实际生活中，有这么一类问题，它们的活动过程可分为若干个阶段，而且在任一阶段后的行为仅依赖于第 I 阶段的过程状态，而与 I 阶段之前的过程如何达到这种过程如何达到这种状态的方式无关，这样的过程就构成了一个多阶段决策过程。在 50 年代，贝尔曼（ Richard Bellman ）等人根据这类问题的多阶段决策的特性，提出了解决问题的“最优性原理”从而创建了最优化问题的一种最新的算法设计方法——动态规划。

回溯法

探索法最经典的例子就是 “装箱问题” 了。

问题：有容积为 T ₀ 的箱子 B _i 个，另有大小为 t _i 的目标， i = ，要求把所有的目标放入数目尽可能少的箱子里去，目标不能分割，每个箱子装的目标体积之和不能超过 T ₀ 。

这里给出解此类问题的 4 种算法：

1） FF 算法：（ First Fit 首次适合）

L 是给定的目标序列，把 L 中的第一个放入 B ₁ ，然后拿第二个，看是否还能放入 B ₁ ，能则放入，不能则放入 B ₂ ，依次。就是说尽量放入下标最小的 B _i 。

2） FFD 算法：

如果把 L 以降序排列，那么 FF 算法就编程了 FFD 算法。

3） BF 算法：

L 顺序任意，装箱的方法与 FF 算法相似，但是放下一个目标时找的是能尽量造成最小空间的那个箱子。

4） BFD 算法：

把 L 以降序排列的 BF 算法。

这里以 FFD 算法为例。

根据书上，有这么一个误差公式：

其中 N _FFD 是用 FFD 算法求得的近似解， N ₀ 是最佳解，是任意大于 0 的数。就是说 FFD 算法产生的结构大概要比完美的情况多出那么个 23% 。

例子：设是任意选定的小正实数，所有箱子的尺寸为 1 。

有尺寸为的目标 6 个，尺寸为的目标 6 个，尺寸为的目标 12 个，尺寸为的目标 6 个。

那么看最佳解法的箱子是 9 个：

回溯法

斯文刘

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
算法设计与分析

v/:* {behavior:url(#default#VML);}o/:* {behavior:url(#default#VML);}w/:* {behavior:url(#default#VML);}.shape {behavior:url(#default#VML);} Normal 0 7.8 磅 0 2
复制链接

扫一扫