算法复习—动态规划

h105l

已于 2024-01-06 19:57:21 修改

阅读量1.1k

点赞数 25

文章标签：算法动态规划

于 2024-01-05 14:38:08 首次发布

本文链接：https://blog.csdn.net/m0_73201425/article/details/135409104

版权

动态规划

引言

~~递归调用自身~~ ,但是问题的基础解通常是用递归函数的形式来说明的

这种技术采取自底向上的方式递推求值，并把中间结果存储起来，以便将来用于计算所要求的解

从而用来解决许多组合最优化的问题

最长公共子序列问题

输入:两个字符串A，B，长度分别为n,m

输出:A和B最长公共子序列的长度

L[ i , j ]表示a1…a i 和b1…b j 的最长公共子序列的长度

i = 0 or j = 0 ：L[ i , j ] = 0（ 所给的可能同时为空字符串）
递推式：

$\begin{aligned} L[i,j] = & \begin{cases} 0 & \text{if } (i=0 \text{ or } j=0) \\ L[i-1,j-1] + 1 & \text{if } a_i = b_j \\ \max(L[i,j-1],L[i-1,j]) & \text{if } a_i \neq b_j \end{cases} \end{aligned}$

ai = bj : 该位置=左上角值+1

ai != bj : 该位置=max{ 左边, 上边}

算法 LCS[^ time&space]

for i : 0 to n
  L[i,0] = 0
end for
for j : 0 to m
  L[0,j] = 0
end for
for i:1 to n
  for j: 1 to m
    if ai = bj then L[i,j]= L[i-1,j-1]+1  //等于左上角值+1
    else  L[i,j]= max{ L[i-1,j],L[i,j-1] }  //等于左边和上边中最大的那个
    end if
  end for
end for
return L[n,m]

[^ time&space]:最优解能在Θ( nm )时间和Θ( min{ n,m} )的空间内得到

矩阵链相乘

输入：n个矩阵链的维数对应与正整数数组r[1…n+1] ,其中 r[1…n]是n个矩阵的行数 , r[n+1] 是Mn的列数

输出：n个矩阵链相乘的数量乘法的最少次数

假设有 n+1维数组 r1,r2,…r n+1，这里的ri和r i+1分别是矩阵M i中的行数和列数¹

Mi,j表示MiMi+1…Mj的乘积

C[i,j]表示Mi,j相乘的数量乘法的次数

设k是i+1到j之间的任意索引，计算Mi,k-1和Mk,j，那么Mi,j=Mi,k-1 * Mk,j。²

算法MATCHAIN³

for i 1 to n
  c[i,i]=0  //填充对角线do
end for
for d: 1 to n-1  //每一次迭代都进到下一条对角线
  for i: 1 to n-d //每一次迭代都进到对角线的一个新项
    j = i+d
    comment:下列三行计算C[i,j]
    C[i,j]=∞   //先将其初始化为一个非常大的值
    for k: i+1 to j
      C[i,j] = min{ C[i,j], C[i,k-1]+C[k,j]+ r[i]*r[k]*r[j+1] }
    end for
  end for
end for
return C[1,n]

动态规划范式

把子问题的解存储起来以避免重复计算是这种有效方法的基础

一个重要发现是，对于算法考虑的原问题的每一个子问题，算法都计算了一个最优解，称为最优化原理

所有点对的最短路径问题

输入： n * n维矩阵 l [ 1…n, 1…n ]，这样有向图G中的边（i，j）的长度为 l [i , j]

输出：矩阵D，使得D[ i, j ]等于 i到 j的距离

d_i,j^k ：定义为从i到j，并且不经过{ k+1，k+2, …n }中任何顶点的最短路径长度

eg: d_i,j² 指的是从i到j，除了可能经过顶点1，顶点2或者同时经过他们而不经过任何其他顶点的最短路径

$d_{i,j}^k = \begin{cases} l[i,j] & \text{if } k=0 \\ \min(d_{i,j}^{k-1}, d_{i,k}^{k-1} + d_{k,j}^{k-1}) & \text{if } 1 \leq k \leq n \end{cases}$

每个矩阵可以用公式Dk[i,j]=min{ Dk-1 [i,j]，Dk-1 [i,k] + Dk-1 [k,j] }来计算（含k的表达式理解为第k个矩阵）

在第k次迭代中，第k行和第k列都是不变的，因此可以仅用D矩阵的一个副本来进行计算,例如以下算法

算法FLOYD⁴

D <-  l //将输入矩阵l复制到D
for k: 1 to n
  for i: 1 to n
    for j: 1 to n
      D[i,j] = min{ D[i,j],D[i,k] + D[k,j] }
end for

0/1背包问题⁵

输入：物品集合U= { u1，u2，…，un}, 容量为C的背包，体积分别为s1,s2,s3…sn，价值为v1,v2,…,vn。

输出：体积不大于C，最大总价值

V[i,j]表示从前i项取出的装入体积为j的背包的最大价值，要求的值是V[n,c]

易知V[0,j]和V[i,0]都=0

$\begin{cases} 0 & \text{if } i=0 \text{ or } j=0 \\ V[i-1,j] & \text{if } j < s_i \\ \max\{V[i-1,j], V[i-1,j-s_i] + v_i\} & \text{if } i > 0 \text{ and } j \geq s_i \end{cases}$

利用上述公式逐行填充表格即可

算法KNAPSACK⁶

for i: 0 to n
  V[i,0]= 0
for j: 0 to C
  V[0,j]= 0
for i: 1 to n
  for j: 1 to C
    V[i,j] = V[i-1,j]
    if si <= j  then V[i,j]= max{ V[i,j], V[i-1,j-si]+ vi}
  end for
end for
return V[n,C]