动态规划
通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题
基本思想
若要求解一个给定问题,则需解出其相对简单的子问题,再合并这些子问题的解得出原问题的解
动态规划的思想在于,如果各个子问题不是独立的,不同的子问题的个数只是多项式量级,如果我们能够保存已经解决的子问题的答案,而在需要的时候再找出已求得的答案,这样就可以避免大量的重复计算
由此得到的思路就是,用一个表记录所有已解决的子问题的答案,不管该问题以后是否被用到,只要它被计算过,就将其结果填入表中
问题特征
最优子结构
:当问题的最优解包含了其子问题的最优解时,称该问题具有最优子结构性质。
重叠子问题
:在用递归算法自顶向下解问题时,每次产生的子问题并不总是新问题,有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质,对每一个子问题只解一次,而后将其解保存在一个表格中,在以后尽可能多地利用这些子问题的解。
一般求解步骤
(1) 找出最优解
的性质,并刻画其结构特征
(2) 递归
地定义最优值
(3) 以自底向上的方式计算出最优值
(4) 根据计算最优值时得到的信息,构造一个最优解
典型例题
01背包问题
问题描述:有N件物品和容量为C的背包。第i件物品的重量是w[i],价值是v[i]
问:应如何选择装入背包的物品才能使背包内物品的总价值最大?
简单分析一下,每种物品我们只能选择拿与不拿,不能选择装入物品的某一部分,即将其切割,亦不能装入同一件物品多次
将第i件物品放入容量为C的背包中“这个子问题,若只考虑第i件物品(放与不放),那么就可以转换成关联前i-1件物品的问题”
不妨设f[i][j]这样一个二维数组,表示将第i件物品放入容量为j的背包中所能得到的物品最大总价值,那么由此很容易得出f[i][j]的算法:
- 由我们上述分析,第i件物品只有放与不放两种情形,当然也要考虑背包容量能否容纳:
- (1)j < w[i],即此时背包容量不足以放下第i件物品,则自然选择不拿:
f[i][j] = f[i-1][j];
- (2)j >= w[i],此时背包容量能够放下第i件物品,则就要考虑放下该第i件物品能否使背包中物品总价值增大,由此可得:
f[i][j] = max(f[i-1][j], f[i-1][j - w[i]] + v[i]);
f[i-1][j - w[i]] + v[i],为何得出这个式子呢?是这样的,背包总容量为j,此时我们要将第i件物品放入背包中,所以我们要为第i件物品腾出空间,即得到j - w[i],而f[i-1][j - w[i]]即为此时所得到的最大价值,再放入第i件物品,即加上v[i]
由上述可得状态转移方程:
if (j < w[i])
f[i][j] = f[i-1][j];
else
f[i][j] = max(f[i-1][j], f[i-1][j-w[i]] + v[i]);
完整代码如下:
#include <iostream>
#include <cstring>
#include <cstdio>
using namespace std;
#define N 1000
#define V 1000
int f[N][V]; //最大总价值
int v[N]; //单个物品的价值
int w[N]; //单个物品的重量
int main(int argc, char *argv[])
{
int n,c;
//初始化
memset(f, 0, sizeof(f));
memset(w, 0, sizeof(w));
memset(v, 0, sizeof(v));
cin >> n >> c;
//输入价值与重量
for (int i = 1; i <= n; ++i)
cin >> v[i];
for (int i = 1; i <= n; ++i)
cin >> w[i];
//得到最大价值
for (int i = 1; i <= n; ++i)
{
for (int j = 1; j <= c; ++j)
{
if (j < w[i])
f[i][j] = f[i-1][j];
else
f[i][j] = max(f[i-1][j], f[i-1][j-w[i]] + v[i]);
}
}
//填表
for (int i = 1; i <= n; ++i)
{
for (int j = 1; j <= c; ++j)
{
cout << f[i][j] << " ";
}
cout << endl;
}
//最大价值
cout << f[n][c] << endl;
return 0;
}