文章目录
动态规划(Dynamic Programming)
一、寻找最长公共子序列(The Longest Common Subsequence)
子序列定义如图所示:
问题分析:
设A=“a0,a1,…,am”,B=“b0,b1,…,bn”,且Z=“z0,z1,…,zk”为它们的最长公共子序列。不难证明有以下性质:
如果am等于bn,则zk=am=bn,可知“z0,z1,…,z(k-1)”是“a0,a1,…,a(m-1)”和“b0,b1,…,b(n-1)”的一个最长公共子序列;
如果am不等于bn且zk!=am,可知“z0,z1,…,zk”可能是“a0,a1,…,a(m-1)”和“b0,b1,…,bn”的一个最长公共子序列;如果am不等于bn且zk!=bn,可知“z0,z1,…,zk”可能是“a0,a1,…,am”和“b0,b1,…,b(n-1)”的一个最长公共子序列。
假如S1的最后一个元素 与 S2的最后一个元素相等,那么S1和S2的LCS就等于 {S1减去最后一个元素} 与 {S2减去最后一个元素} 的 LCS 再加上 S1和S2相等的最后一个元素。
假如S1的最后一个元素 与 S2的最后一个元素不等,那么S1和S2的LCS就等于 : {S1减去最后一个元素} 与 S2 的LCS, {S2减去最后一个元素} 与 S1 的LCS 中的最大的那个序列。
假设我们用c[i,j]表示Xi 和 Yj 的LCS的长度,其中X = {x1 … xm},Y ={y1…yn},Xi = {x1 … xi},Yj={y1… yj}。可得递归公式如下:
算法实现的过程就是利用公式填表的过程:
其中表的大小为(n+1)*(m+1)。
算法的时间复杂度即为表的大小O(nm);算法的空间复杂度即为O(min{m,n}),不为O(nm),因为每次运行都只存储所计算的那行和上一行的信息。
二、寻找所有点对的最短路径(The All-Pairs Shortest Path)
我们用
d
i
,
j
k
d^k_{i,j}
di,jk表示节点i到节点j的最短路径且不经过点{k+1,…,n},
d
i
,
j
n
d^n_{i,j}
di,jn即为从i到j的全局最短路径。
d
i
,
j
k
d^k_{i,j}
di,jk即为不考虑k时的节点i到节点j的最短路径
d
i
,
j
k
−
1
d^{k-1}_{i,j}
di,jk−1与考虑k时的节点i到节点j的最短路径
d
i
,
k
k
−
1
+
d
k
,
j
k
−
1
d^{k-1}_{i,k}+d^{k-1}_{k,j}
di,kk−1+dk,jk−1间的最小值。
故我们可以有如下公式:
故对于第k轮的距离矩阵
D
k
[
i
,
j
]
D_k[i,j]
Dk[i,j]:
算法实现的过程就是利用公式填表的过程:
算法的时间复杂度即为O( n 3 n^3 n3);算法的空间复杂度即为O( n 2 n^2 n2),因为每次运行都只存储前面一个距离矩阵的信息。
三、背包问题(The Knapsack Problem)
首先定义一些变量:Vi表示第 i 个物品的价值,Si表示第 i 个物品的体积。
定义V(i,j):当前背包容量j,前i个物品{u1,…,ui}最佳组合对应的价值,同时背包问题抽象化(X1,X2,…,Xn,其中 Xi 取0或1,表示第 i 个物品选或不选)。这里i的范围是从0到n,j的范围是从0到C。因此,我们寻求的是值V[n,C]。
则问题定义如下:
面对当前商品有两种可能性:
- 包的容量比该商品体积小,装不下,此时的价值与前i-1个的价值是一样的,即V(i,j)=V(i-1,j);
- 还有足够的容量可以装该商品,但装了也不一定达到当前最优价值,所以在装与不装之间选择最优的一个,即V(i,j)=max{V(i-1,j),V(i-1,j-Si)+v(i)}。其中V(i-1,j)表示不装,V(i-1,j-w(i))+v(i) 表示装了第i个商品,背包容量减少w(i),但价值增加了v(i);
由此得递推关系:
而后使用大小为(n+1)*(C+1)的表来评估V[i,j]的值。我们只需要使用上述公式逐行填写表V[0…n,0…C]。
算法的时间复杂度为O(nC),即表的大小;空间复杂度为O( C C C),即背包大小。