生动形象的解释下动态规划算法

牛掰是怎么形成的

于 2024-08-29 20:41:10 发布

阅读量479

点赞数 4

分类专栏：数据结构与算法文章标签：算法动态规划

本文链接：https://blog.csdn.net/qq_33060405/article/details/141688034

版权

数据结构与算法专栏收录该内容

37 篇文章 4 订阅

订阅专栏

好的，让我们用一个生动形象的方式来解释动态规划算法。

动态规划的基本概念

动态规划（Dynamic Programming，简称DP）是一种解决复杂问题的方法，通过将问题分解为更小的子问题，并存储这些子问题的解，以避免重复计算。动态规划通常用于优化问题，如最短路径、最大子序列和背包问题等。

生动形象的解释

想象一下，你是一位探险家，正在探索一座神秘的古老迷宫。迷宫中有许多房间，每个房间都有一些宝藏。你的目标是找到从入口到出口的路径，并尽可能多地收集宝藏。

迷宫的结构

迷宫由许多房间组成，每个房间都有通向其他房间的门。每个房间中都有一定数量的宝藏。你可以从一个房间移动到相邻的房间，但你不能回头。

动态规划的规则

为了找到最佳路径并收集最多的宝藏，你需要遵循以下规则：

分解问题：将迷宫分解为更小的子问题。例如，从入口到某个中间房间的路径问题。
存储子问题的解：将每个子问题的解存储起来，以便在需要时可以直接使用，而不必重新计算。
组合子问题的解：通过组合子问题的解，找到整个迷宫的最佳路径。

具体例子

假设迷宫如下图所示，每个房间中的数字表示该房间中的宝藏数量：

入口
  |
  5
 / \
3   8
|   |
2   6
 \ /
  出口

你需要找到从入口到出口的路径，并尽可能多地收集宝藏。

分解问题

首先，将问题分解为更小的子问题。例如，从入口到每个房间的路径问题：

从入口到房间5。
从房间5到房间3。
从房间5到房间8。
从房间3到房间2。
从房间8到房间6。
从房间2到出口。
从房间6到出口。

存储子问题的解

将每个子问题的解存储在一个表格中。例如，使用一个二维数组dp，其中dp[i][j]表示从入口到房间i的路径中，经过房间j时的最大宝藏数量。

dp[入口][5] = 5
dp[5][3] = 5 + 3 = 8
dp[5][8] = 5 + 8 = 13
dp[3][2] = 8 + 2 = 10
dp[8][6] = 13 + 6 = 19
dp[2][出口] = 10
dp[6][出口] = 19

组合子问题的解

通过组合子问题的解，找到整个迷宫的最佳路径：

从入口到房间5，再到房间8，再到房间6，最后到出口。
最大宝藏数量 = 5 + 8 + 6 = 19

动态规划的应用

动态规划可以应用于许多实际问题，例如：

斐波那契数列：通过存储前两个数的值，计算后续的斐波那契数。
背包问题：通过存储每个子问题的解，找到最大价值的物品组合。
最长公共子序列：通过存储每个子问题的解，找到两个序列的最长公共子序列。

总结

动态规划是一种强大的算法，通过将复杂问题分解为更小的子问题，并存储这些子问题的解，以避免重复计算。通过这种方式，动态规划可以高效地解决许多优化问题。希望通过这个生动形象的迷宫探险例子，你能够更好地理解动态规划的基本概念和应用。

好的，让我们继续深入探讨动态规划的应用和一些经典问题的解决方法。

动态规划的步骤

动态规划通常可以分为以下几个步骤：

定义子问题：明确问题的子结构，确定如何将问题分解为更小的子问题。
递归关系：找到子问题之间的关系，通常通过递归公式来表示。
边界条件：确定最小子问题的解，即递归的终止条件。
自底向上计算：从最小子问题开始，逐步计算并存储每个子问题的解，直到解决原问题。

经典问题示例

1. 斐波那契数列

斐波那契数列是动态规划的经典示例。斐波那契数列的定义如下：

[ F(n) = F(n-1) + F(n-2) ]
[ F(0) = 0, F(1) = 1 ]

我们可以使用动态规划来高效地计算斐波那契数列。

def fibonacci(n):
    if n <= 1:
        return n
    dp = [0] * (n + 1)
    dp[0] = 0
    dp[1] = 1
    for i in range(2, n + 1):
        dp[i] = dp[i - 1] + dp[i - 2]
    return dp[n]

print(fibonacci(10))  # 输出55

2. 背包问题

背包问题是另一个经典的动态规划问题。假设你有一个容量为W的背包和n个物品，每个物品有一个重量w[i]和价值v[i]。你的目标是选择一些物品放入背包，使得总价值最大。

def knapsack(W, weights, values, n):
    dp = [[0 for x in range(W + 1)] for x in range(n + 1)]
    for i in range(n + 1):
        for w in range(W + 1):
            if i == 0 or w == 0:
                dp[i][w] = 0
            elif weights[i - 1] <= w:
                dp[i][w] = max(values[i - 1] + dp[i - 1][w - weights[i - 1]], dp[i - 1][w])
            else:
                dp[i][w] = dp[i - 1][w]
    return dp[n][W]

values = [60, 100, 120]
weights = [10, 20, 30]
W = 50
n = len(values)
print(knapsack(W, weights, values, n))  # 输出220

3. 最长公共子序列（LCS）

最长公共子序列问题是找到两个序列的最长公共子序列。假设有两个序列X和Y，长度分别为m和n，我们可以使用动态规划来解决这个问题。

def lcs(X, Y):
    m = len(X)
    n = len(Y)
    dp = [[0] * (n + 1) for _ in range(m + 1)]
    for i in range(m + 1):
        for j in range(n + 1):
            if i == 0 or j == 0:
                dp[i][j] = 0
            elif X[i - 1] == Y[j - 1]:
                dp[i][j] = dp[i - 1][j - 1] + 1
            else:
                dp[i][j] = max(dp[i - 1][j], dp[i][j - 1])
    return dp[m][n]

X = "AGGTAB"
Y = "GXTXAYB"
print(lcs(X, Y))  # 输出4

好的，让我们继续讨论动态规划的优化和一些高级应用。

动态规划的优化

1. 空间优化（续）

在某些情况下，我们可以通过压缩存储空间来优化动态规划。例如，在斐波那契数列中，我们只需要存储前两个数的值，而不是整个数组。

def fibonacci_optimized(n):
    if n <= 1:
        return n
    a, b = 0, 1
    for _ in range(2, n + 1):
        a, b = b, a + b
    return b

print(fibonacci_optimized(10))  # 输出55

2. 滚动数组

在一些动态规划问题中，我们可以使用滚动数组来优化空间复杂度。例如，在背包问题中，我们可以使用一维数组来代替二维数组。

def knapsack_optimized(W, weights, values, n):
    dp = [0] * (W + 1)
    for i in range(n):
        for w in range(W, weights[i] - 1, -1):
            dp[w] = max(dp[w], dp[w - weights[i]] + values[i])
    return dp[W]

values = [60, 100, 120]
weights = [10, 20, 30]
W = 50
n = len(values)
print(knapsack_optimized(W, weights, values, n))  # 输出220

高级应用

1. 最长递增子序列（LIS）

最长递增子序列问题是找到一个序列中最长的递增子序列。我们可以使用动态规划来解决这个问题。

def lis(arr):
    n = len(arr)
    dp = [1] * n
    for i in range(1, n):
        for j in range(i):
            if arr[i] > arr[j]:
                dp[i] = max(dp[i], dp[j] + 1)
    return max(dp)

arr = [10, 22, 9, 33, 21, 50, 41, 60, 80]
print(lis(arr))  # 输出6

2. 编辑距离

编辑距离问题是计算将一个字符串转换为另一个字符串所需的最少操作次数。操作包括插入、删除和替换字符。

def edit_distance(str1, str2):
    m = len(str1)
    n = len(str2)
    dp = [[0] * (n + 1) for _ in range(m + 1)]
    for i in range(m + 1):
        for j in range(n + 1):
            if i == 0:
                dp[i][j] = j
            elif j == 0:
                dp[i][j] = i
            elif str1[i - 1] == str2[j - 1]:
                dp[i][j] = dp[i - 1][j - 1]
            else:
                dp[i][j] = 1 + min(dp[i - 1][j], dp[i][j - 1], dp[i - 1][j - 1])
    return dp[m][n]

str1 = "sunday"
str2 = "saturday"
print(edit_distance(str1, str2))  # 输出3

3. 矩阵链乘法

矩阵链乘法问题是找到一种最优的矩阵乘法顺序，使得计算代价最小。我们可以使用动态规划来解决这个问题。

def matrix_chain_order(p):
    n = len(p) - 1
    dp = [[0] * n for _ in range(n)]
    for l in range(2, n + 1):
        for i in range(n - l + 1):
            j = i + l - 1
            dp[i][j] = float('inf')
            for k in range(i, j):
                q = dp[i][k] + dp[k + 1][j] + p[i] * p[k + 1] * p[j + 1]
                if q < dp[i][j]:
                    dp[i][j] = q
    return dp[0][n - 1]

p = [1, 2, 3, 4]
print(matrix_chain_order(p))  # 输出18

总结

动态规划是一种强大的算法，通过将复杂问题分解为更小的子问题，并存储这些子问题的解，以避免重复计算。通过这种方式，

牛掰是怎么形成的

关注

4
点赞
踩
12

收藏

觉得还不错? 一键收藏
打赏
0
评论
生动形象的解释下动态规划算法

动态规划是一种强大的算法，通过将复杂问题分解为更小的子问题，并存储这些子问题的解，以避免重复计算。通过这种方式，动态规划可以高效地解决许多优化问题。希望通过这个生动形象的迷宫探险例子，你能够更好地理解动态规划的基本概念和应用。好的，让我们继续深入探讨动态规划的应用和一些经典问题的解决方法。动态规划是一种强大的算法，通过将复杂问题分解为更小的子问题，并存储这些子问题的解，以避免重复计算。通过这种方式，
复制链接

扫一扫