算法学习——动态规划

动态规划

基本思想

动态规划与分治法类似，其基本思想也是将求解问题分解为若干个子问题，然后从这些子问题的解得到原问题的解。与动态规划不同的是，适用于动态规划求解的问题，经分解得到的子问题往往不是相互独立的。若用分治法解此类问题，则分类得到的子问题数目太多，以至于最后解决原问题需要耗费指数时间。动态规划的解决方法就是保存子问题的答案，当需要时再次找出已求得的答案，就可以避免大量重复计算。

关键

这点是我自己的理解，可能有误。
动态规划中最关键的点是状态转移方程。状态转移方程是算法中递推的根本。针对不同的问题，状态转移方程也会有所不同，但其基本思路是将规模较大的问题往小规模问题转移。

例子

接下来一共举三个例子，分别是矩阵连乘问题，联赛胜负概率问题，以及01背包问题

矩阵连乘问题

假设计算n个矩阵的乘积，$M=M_1\times M_2\times ...\times M_n$，设$(p,q)$阶与$(q,r)$阶矩阵相乘，需要计算次数为$qpr$次乘法，因此可以看出多个矩阵相乘时，矩阵乘法的顺序对运算次数影响特别大。
设列表$Mat$为矩阵的阶，即$(Mat[0],Mat[1])$为$M_1$的阶，同理有$(Mat[k-1],Mat[k])$为$M_k$的阶。
设$m[i,j]$为计算$M_i\times M_{i+1}\times L\times M_j$的最小代价$(1\le i\le j\le n)$，即所需的最少乘法次数。当$i<j$时，在$i$，$j$之间取一个$k$，将$M_i\times M_{i+1}\times ...\times M_j$分为 M i × M i + 1 × . . . × M k M_i\times M_{i+1}\times ...\times M_k M