动态规划算法通常用于求解具有最优性质的问题
基本概念
动态规划过程是:每次决策依赖于当前状态,又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的,所以,这种多阶段最优化决策解决问题的过程就称为动态规划(DP)。
基本思想
将待求解的问题分解为若干个子问题(阶段),按顺序求解子阶段,前一子问题的解,为后一子问题的求解提供了有用的信息。在求解任一子问题时,列出各种可能的局部解,通过决策保留那些有可能达到最优的局部解。依次解决各子问题,最后一个子问题就是初始问题的解。由于动态规划解决的问题多数有重叠子问题这个特点,为减少重复计算,对每一个子问题只解一次,将其不同阶段的不同状态保存在一个二维数组中。
基本特点
- 在查找有很多重叠子问题的情况的最优解时有效
- 其将问题重新组合成子问题,为避免多次解决子问题,不同子问题计算的结果会被计算机保存
- 动态规划和其它遍历算法(如深/广度优先搜索)都是将原问题拆成多个子问题然后求解,他们之间最本质的区别是,动态规划保存了子问题的解,避免重复计算。
- 解决动态规划问题的关键是找到状态转移方程,通过计算和存储子问题求解最终问题。
- 在一些情况下,动态规划可以看出”带有状态记录的优先搜索“,是自上而下的,即从父问题搜索到子问题,若重复搜索到同一个子问题则进行状态记录,防止重复计算。而动态规划是自下而上的,即先解决子问题,再解决父问题;
- 如果题目需求的是最终状态,那么使用动态搜索比较方便;
- 如果题目需要输出所有的路径,那么使用带有状态记录的优先搜索会比较方便。
求解思路
动态规划一般求解思路:
寻找最优子结构->推导转移方程->求解问题解
按如下步骤快速寻找最优子结构:
- 假设以状态x表示当前问题,则存在函数f(x) = ans,此时就需要简单思考一下,f(x)会不会被f(x+1)影响?
- 在1前提下,看看他能否被相同模式状态的子问题求解,例如f(x-1)、f(x-2)
- 子问题的解能否推导出原问题的解,例如f(x) = f(x-1)+f(x-2)是否成立?
- 如果不能,回到1继续增加状态表示,直到能有最优子结构为止
例题 (台阶问题)
题目描述:
有一楼梯共m级,刚开始时你在第一级,若每次只能跨上一级或二级,要走上第m级,共有多少走法?(注:规定从一级到一级有0种走法。)
输入格式:
输入数据首先包含一个整数n(1<=n<=100),表示测试实例的个数,然后是n行数据,每行包含一个整数m,(1<=m<=40), 表示楼梯的级数。
输出格式:
对于每个测试实例,请输出不同走法的数量。
问题分析:
计数类问题,可以认为是求最优解的问题,应用动态规划(dp)。
分析问题:
- 首先考虑题中要求的是走上m级台阶总共有多少走法,不妨设dp(m) = ans;
- 再考虑下子问题:(1) .dp(m-1) 是走上m-1级台阶总共有多少走法 (2) .dp(m-2) 是走上m-2级台阶总共有多少走法
- 子问题与原问题的关系:题中告诉我们每次只可以跨一级或两级,那么反过来理解就是,第m级台阶可能是m-1或者m-2级台阶走上来的,如果已经求出了dp(m-1)和dp(m-2),很明显 转移方程为:
dp[m]=dp[m-1]+dp[m-2]
- 边界值由题可知:
dp[2]=dp[1]+dp[0]=1
程序代码:
自下而上(动态规划)
#include<iostream>
using namespace std;
int n;
int m,dp[3];
int main()
{
cin >> n;
for(int i=1;i<=n;i++)
{
cin >> m;
dp[0]=dp[1]=1;
if(m<2)
{break;}
for(int j=2;j<m;j++)
{
dp[j]=dp[j-1]+dp[j-2];
}
cout << dp[m-1] << endl;
}
return 0;
}
自上而下(递推)
#include <iostream>
using namespace std;
int n;
int m,dp[41];
int dfs(int n);
int main()
{
cin>>n;
for (int i = 1; i <=n ; ++i)
{
cin>>m;
cout<<dfs(m)<<endl;
}
return 0;
}
int dfs(int n)
{
if(n == 1||n == 2)
{
return 1;
}
if(dp[n]){
return dp[n];
}
dp[n] = dfs(n-1) + dfs(n-2);
return dp[n];
}