动态规划
多阶段决策:每个阶段都做出决策,全部过程为决策序列
动态规划分解子问题相互重叠。 比如计算斐波那契数使用递归,f(n-1)+f(n-2):
f(5){-f(4)-{f(3)+f(2)
-f(3)-{f(2)+f(1)... 其中有多次决策分解的子问题是重复的
动态规划性质:
1.最优子结构性质:该问题可划分成诺干规模较小的子问题,且原问题最优解包含子问题的最优解
2.子问题重叠性质:对重复出现的子问题,在第一次遇到时求解并保存
优化问题:给定一组约束条件和一个代价函数,在解空间种搜索具有最小或最大代价的优化解
动态规划问题的解题步骤:
1.找出最优解性质,并描述其结构特征
2.递归地定义最优值
3.以自底向上方式求出最优值
4.根据计算出的最优值求出最优解
动态规划的使用条件:
1.当一个问题的优化解包含子问题的优化解,该问题具有优化子结构
2.缩小子问题集合,只需要哪些优化问题中包含的子问题
3.优化子结构:可自底向上完成求解过程
求最长公共子列
如:s1={1,5,2,8,9,3,6} s2={5,6,8,9,3,7}
其中最长公共子序列是{5,8,9,3},最长公共子序列长度是4
解:
1.分析最优子结构性质:
设序列S={z1,z2,...,zk}为s1,s2的公共子序列,则设s1={x1,x2,...,xn},s2={y1,y2,...,ym}
case1: Xn = Ym,则Zk = Xn = Ym,所以S[k-1]是S1[n-1]和S2[m-1]的公共子序列
case2: Xn!= Ym,则Zk!=Xn,则S[k]是S1[n-1]和S2[m]的最长公共子序列
case3: Xn!= Ym,则Zk!=Ym,则S[k]是S1[n]和S2[m-1]的最长公共子序列
所以:两个序列的最长公共子序列包含了两个序列的前缀最长公共子序列,则最长公共子序列具有最优解性质
2.递推公式:
设c[i][j]为s1前i个字符和s2前j个字符的最长公共子序列长度
c[i][j] = 0, i = 0 || j = 0;
c[i][j] = c[i-1][j-1]+1, s1[i] = s2[j];
c[i][j] = max{ c[i-1][j] , c[i][j-1] }, s1[i]!=s2[j].
3.自底向上求解最优值 :
S1={1,5,2,8,9,3,6},S2={5,6,8,9,3,7}
4.算法实现
根据递推公式,首先将第一行和第一列全部设置为0,然后准备一个数组用于记录当前是那种情况
首先计算两个序列的最长公共子序列长度
void LCSLength(int n,int m, int *x, int *y, int **c, int **b){
int i ,j;
for(i = 0; i<n; i++){
c[i][0] = 0;
}
for(j = 0; j<m; j++){
c[0][j] = 0;
}
for(i = 0; i<n ; i++){
for(j = 0; j<m; j++){
if(x[i] == y[j]){
c[i][j] = c[i-1]+c[i-1]+1;
b[i][j] = 1; //在构造最优解中的情形1
}
else{
if(c[i-1][j] > c[i][j-1]){
c[i][j] = c[i-1][j];
b[i][j] = 2;//在构造最优解中的情形2
}else{
c[i][j] = c[i][j-1];
b[i][j] = 3;//在构造最优解中的情形3
}
}
}
}
}
构造最优解:
void LCS(int i, int j){
if(i == 0 || j == 0){
return;
}
if(b[i][j] == 1){
LCS(i-1,j-1);
printf("%d",s[i]);
}else if(b[i][j] == 2){
LCS(i-1,j);
}else if(b[i][j] == 3){
LCS(i,j-1);
}
}