动态规划之矩阵链乘法

今天下午笔试遇到了矩阵链乘法，谨在此总结一下。

分析

关于本题的分析，动态规划之矩阵链乘法理解 已经讲的很详细了，我在此仅简单总结一下：
$A_1\ast A_2$生成一个维度是$[p_0,p_2]$的矩阵 ($A_1$的维度为$[p_0,p_1]$，$A_2$的维度为$[p_1,p_2]$)，共有$p_0\ast p_2$个元素，每个元素由$p_1$次乘法得到，因此一共算法复杂度$p_0\ast p_2\ast p_1$。
同理，对于$A_{i}k,A_k,A_{k}j$这三个矩阵连乘，复杂度为$p_i\ast p_k\ast p_j$，因此对于从第$i$个到第$j$个矩阵连乘，其最小代价的递归式可以写成：

于是问题的关键就归结为如何选择$k$，事实上这会存在很多重复计算的子结构，所以需要循环来找最小的代价，当k=i……j时k每对应一个值就得继续往下递归，此时又得循环一遍k，在其中就会有许多子问题重复计算了。
刚才我们分析的是采用自上向下的方法，而实际上动态规划使用的是自底向上的方法，它在划分中把一些明显代价大的，可以比较的pk掉，从而减少分析次数，避免子问题的重复计算。

代码

# s记录最优值m[i,j]对应的分割点k
# dp记录代价m[i,j]
def matrixChainOrder(p):
    n = len(p)
    m = [[0 for _ in range(n)] for _ in range(n)]
    s = [[0 for _ in range(n)] for _ in range(n)]
    for i in range(n):
        m[i][i] = 0
    for l in range(2, n):    # l 表示选定的链长
        for i in range(1, n-l+1):      # i 表示可以划定成多少种
            j = i+l-1     # j 表示划定的子链的末尾
            m[i][j] = float('inf')
            for k in range(i, j):    # 寻求最优k使得子结构最优
                q = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j]
                if q < m[i][j]:
                    m[i][j] = q
                    s[i][j] = k
    return m, s

#输出矩阵链的最优括号化方法
def printOpt(s, i, j):
    if i == j:
        print("A"+str(i), end=' ')
    else:
        print("(", end=' ')
        printOpt(s, i, s[i][j])
        printOpt(s, s[i][j] + 1, j)
        print(")", end=' ')

if __name__ == '__main__':
    print("start=========")
    p = [30, 35, 15, 5, 10, 20, 25]
    m, s = matrixChainOrder(p)

    # print(m)
    # print(s)
    print("最优括号化方案为：")
    printOpt(s, 1, 6)
    print("")
    print("其标量乘法次数为：", m[1][6])

    print("Over=========")