一●引入 POJ1163 The Triangle 数字三角形 http://poj.org/problem?id=1163
在上面的数字三角形中寻找一条从顶部到底边的路径,使得路径上所经过的数字之和最大。
路径上的每一步都只能往左下或右下走。
只需要求出这个最大和即可,不必给出具体路径。三角形的行数大于1小于等于100,数字为 0 - 99。
思路:
1、用二维数组存放数字三角形。
2、D(r, j) : 第r行第 j 个数字(r,j从1开始算)
MaxSum(r, j) : 从D(r,j)到底边的各条路径中, 最佳路径的数字之和。
3、问题:求 MaxSum(1,1)
D(r, j)出发,下一步只能走D(r+1,j)或者D(r+1, j+1)。故对于N行的三角形:
if (r == N)
MaxSum(r,j) = D(r,j);
else
MaxSum(r,j) = Max{MaxSum(r+1,j), MaxSum(r+1,j+1)} + D(r,j);
则递归程序:
#include <iostream>
#include <algorithm>
#define MAX 101
using namespace std;
int D[MAX][MAX];
int n;
int MaxSum(int i, int j)
{
if(i==n)
return D[i][j];
int x = MaxSum(i+1,j);
int y = MaxSum(i+1,j+1);
return max(x,y)+D[i][j];
}
int main()
{
int i,j;
cin >> n;
for(i=1; i<=n; i++)
for(j=1; j<=i; j++)
cin >> D[i][j];
cout << MaxSum(1,1) << endl;
}
超时:如果采用递规的方法,深度遍历每条路径,存在大量重复计算。时间复杂度为 2^n,对于 n = 100 行,肯定超时。
==>改进:如果每算出一个MaxSum(r,j)就保存起来,下次用到其值的时候直接取用,则可免去重复计算。【O(n^2)】(三角形的数字总数是 n(n+1)/2)
数字三角形的记忆递归型动归程序:
/*#include <iostream>
#include <algorithm>
using namespace std;
#define MAX 101
int D[MAX][MAX];
int n;*/
int maxSum[MAX][MAX];
int MaxSum(int i, int j)
{
if( maxSum[i][j] != -1 )
return maxSum[i][j];
if(i==n)
maxSum[i][j] = D[i][j];
else
{
int x = MaxSum(i+1,j);
int y = MaxSum(i+1,j+1);
maxSum[i][j] = max(x,y)+ D[i][j];
}
return maxSum[i][j];
}
/*int main()
{
int i,j;
cin >> n;
for(i=1; i<=n; i++)
for(j=1; j<=i; j++)
{
cin >> D[i][j];*/
maxSum[i][j] = -1;
/*}
cout << MaxSum(1,1) << endl;
}*/
进一步,递归转递推==>“人人为我”递推型动归程序
/*#include <iostream>
#include <algorithm>
using namespace std;
#define MAX 101
int D[MAX][MAX];
int n;
int maxSum[MAX][MAX];
int main()
{
int i,j;
cin >> n;
for(i=1; i<=n; i++)
for(j=1; j<=i; j++)
cin >> D[i][j];*/
for( int i = 1; i <= n; ++i )
maxSum[n][i] = D[n][i];
for( int i = n-1; i>= 1; --i )
for( int j = 1; j <= i; ++j )
maxSum[i][j]=max(maxSum[i+1][j],maxSum[i+1][j+1]) + D[i][j];
cout << maxSum[1][1] << endl;
}
空间优化==>无需二维,而是用一维数组maxSum[MAX]从底层一行行向上递推。
/*#include <iostream>
#include <algorithm>
using namespace std;
#define MAX 101
int D[MAX][MAX];
int n;*/
int maxSum[MAX];
/*int main()
{
int i,j;
cin >> n;
for(i=1; i<=n; i++)
for(j=1; j<=i; j++)
cin >> D[i][j];*/
for( int i = 1; i <= n; ++i )
maxSum[i] = D[n][i];
for( int i = n-1; i>= 1; --i )
for( int j = 1; j <= i; ++j )
maxSum[j]=max(maxSum[j],maxSum[j+1]) + D[i][j];
cout << maxSum[1] << endl;
}
二●递归到动规的一般转化方法
递归函数有n个参数,就定义一个n维的数组,
数组的下标是递归函数参数的取值范围
数组元素的值是递归函数的返回值
这样就可以从边界值开始, 逐步填充数组,相当于计算递归函数值的逆过程。
三●动规解题的一般思路
1、将原问题分解为子问题
把原问题分解为若干个子问题,子问题和原问题形式相同或类似,只不过规模变小了。
子问题都解决,原问题即解决(数字三角形例)。
问题的解一旦求出就会被保存,所以每个子问题只需求解一次。
2、确定状态
在用动态规划解题时,我们往往将和子问题相关的各个变量的一组取值,称之为一个“状态”。
一个“状态”对应于一个或多个子问题, 所谓某个“状态”下的“值”,就是这个“状态”所对应的子问题的解。
所有“状态”的集合,构成问题的“状态空间”。“状态空间”的大小,与用动态规划解决问题的时间复杂度直接相关。
在数字三角形的例子里,一共有N×(N+1)/2个数字,所以这个问题的状态空间里一共就有N×(N+1)/2个状态。
整个问题的时间复杂度是状态数目乘以计算每个状态所需时间。
在数字三角形里每个“状态”只需要经过一次,且在每个状态上作计算所花的时间都是和N无关的常数。
用动态规划解题,经常碰到的情况是,K个整型变量能构成一个状态(如数字三角形中的行号和列号这两个变量构成“状态”)。
如果这K个整型变量的取值范围分别是 N1, N2, ……Nk,那么,我们就可以用一个K维的数组 array[N1] [N2]……[Nk]来存储各个状态的“值”。
这个“值”未必就是一个整数或浮点数,可能是需要一个结构才能表示的,那么array就可以是一个结构数组。
一个 “状态”下的“值”通常会是一个或多个子问题的解。
3、确定一些初始状态(边界状态)的值
以“数字三角形”为例,初始状态就是底边数字,值就是底边数字值。
4、确定状态转移方程
定义出什么是“状态”,以及在该 “状态”下的“值”后,就要找出不同的状态之间如何迁移
――即如何从一个或多个“值”已知的 “状态”,求出另一个“状态”的“值”(“人人为我”递推型)。
状态的迁移可以用递推公式表示,此递推公式也可被称作“状态转移方 程”。
eg.数字三角形的状态转移方程
四●能用动规解决的问题的特点
1)问题具有最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的,我们就称该问题具有最优子结构性质。
2)无后效性。当前的若干个状态值一旦确定,则此后过程的演变就只和这若干个状态的值有关,
和之前是采取哪种手段或经过哪条路径演变到当前的这若干个状态,没有关系。