1.动态规划
动态规划(dynamic programming)是运筹学的一个分支,是求解决策过程(decision process)最优化的数学方法。
2.动态规划之Fib数列
有个小孩上楼梯,共有N阶楼梯,小孩一次可以上1阶,2阶。走到N阶楼梯,一共有多少种走法?
DP之自顶向下分析方式:
爬到第N阶楼梯,一共只有2种情况(全划分,加法原理),从第N-1阶爬1阶到第N阶;从第N-2阶爬2阶到第N阶;
故:way(N)=way(N-1)+way(N-2)
3.任务安排问题
给定时间和收益求最合理的安排
# 数组arr存储的是每个任务的收益;
arr = [0, 5, 1, 8, 4, 6, 3, 2, 4]
#数组prev存储的是指定任务之前可以执行的任务
prev = [0, 0, 0, 0, 1, 0, 2, 3, 5]
def dp_opt(arr):
#计算任务的长度
len_arr = len(arr)
# 存储执行到每个任务可以获得的最优解;
opt = [0 for i in range(len_arr)]
opt[0] = 0
opt[1] = arr[1]
for i in range(2, len(arr)):
# 不选择做这个任务的最优解;
A = opt[i - 1]
# 选择做这个任务的最优解;
B = arr[i] + opt[prev[i]]
opt[i] = max(A, B)
return opt[-1]
print(dp_opt(arr))
4.不相邻数最大和
问题描述: 给定数组A=[1,2,4,1,7,8,3],求出数组A中互不相邻的数的最大和。
例如:如果选择了8,则不能选择7和3,在本例中最大的和为1+4+7+3=15
import numpy as np
A = [1, 2, 4, 1, 7, 8, 3]
def non_rec_f():
opt = np.zeros(len(A))
opt[0] = A[0]
opt[1] = max(A[0], A[1])
for i in range(2, len(A)):
opt[i] = max(opt[i - 2] + A[i], opt[i - 1])
return opt[len(A) - 1]
print(non_rec_f())