动态规划有两种实现思路,第一种是递归,第二种是自底向上,递归的复杂度比较高,所以我们实现的时候采取递归。
首先我们对带权的活动安排问题的进行描述,以及叙述该问题的解决方法。
问题:给定一组活动,活动的开始时间s,结束时间f,以及完成该活动可获得的收益w。如果si>=fj,则活动i和j是兼容的
目标:找到一个活动子集,使得子集中的活动相互兼容,并且收益最大。
分析:
def: OPT(j)为活动 {1,2,3…j} 可获得的最大收益
p(j): 在活动{1,2,3…j-1}中和 j 兼容的活动的最大下标
对于活动j,有两种处理方案,一种是选择该活动,一种是不选择该活动。选择该活动的的收益为wj+OPT(p(j))
不选择该活动的收益为OPT(j-1)
转移方程为:
代码实现为:
import numpy as np
# 第一行输入活动的个数,往后每行输入活动的开始时间,结束时间,以及权重
# 输出为选择的活动以及可以获得的最大效益
def input_data():
data_ = [[0, 0, 0]]
n_ = int(input("请输入活动的个数"))
for i in range(0, n_):
temp = []
s, f, w = map(int, input().split())
temp.extend([s, f, w])
data_.append(temp)
return n_, data_
def compute_pj(local_data, local_n):
local_data[0].append(0)
for i in range(1, local_n + 1):
for j in range(i - 1, -1, -1):
if local_data[i][0] >= local_data[j][1]:
local_data[i].append(j)
break
return local_data
def dynamic_programming(local_data, n_):
opt = np.zeros([n_ + 1], dtype=int)
select_flag_ = [0]
for i in range(1, n_ + 1):
if opt[i - 1] > opt[local_data[i][3]] + local_data[i][2]: # 没有选job j,_select_flag[i]=0
opt[i] = opt[i - 1]
select_flag_.append(0)
else:
opt[i] = opt[local_data[i][3]] + local_data[i][2]
select_flag_.append(1)
return opt, select_flag_
if __name__ == '__main__':
n, data = input_data()
data = compute_pj(data, n)
dp, select_flag = dynamic_programming(data, n)
print(dp[n])
while True:
if n == 0:
break
if select_flag[n]:
print(data[n])
n = data[n][3]
else:
n = n - 1
测试数据及输出为
请输入活动的个数6
0 4 2
1 6 4
5 7 4
2 9 7
8 10 2
8 11 1
8
[8, 10, 2, 3]
[5, 7, 4, 1]
[0, 4, 2, 0]