分治算法介绍
分治法是一种很重要的算法。字面上的解释是“分而治之”，就是把一个复杂的问题分成两个或更多的相同或相似的子问题，再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解，原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础，如排序算法(快速排序，归并排序)，傅立叶变换(快速傅立叶变换)……
分治算法可以求解的一些经典问题
- 二分搜索
- 大整数乘法
- 棋盘覆盖
- 合并排序
- 快速排序
- 线性时间选择
- 最接近点对问题
- 循环赛日程表
- 汉诺塔
分治算法的基本步骤
分治法在每层的递归上都有三个步骤:
-
分解：将原问题分解为若干个规模较小，相互独立，与原问题形式相同的子问题
-
解决：若子问题规模较小而容易被解决则直接解，否则递归地解各个子问题
-
合并：将各个子问题的解合并为原问题的解。
if |P|≤n0
then return(ADHOC§)
//将P分解为较小的子问题 P1 ,P2 ,…,Pk
for i←1 to k
do yi ← Divide-and-Conquer(Pi) 递归解决Pi
T ← MERGE(y1,y2,…,yk) 合并子问题
return(T)
其中|P|表示问题P的规模；n0为一阈值，表示当问题P的规模不超过n0时，问题已容易直接解出，不必再继续分解。ADHOC§是该分治法中的基本子算法，用于直接解小规模的问题P。因此，当P的规模不超过n0时直接用算法ADHOC§求解。算法MERGE(y1,y2,…,yk)是该分治法中的合并子算法，用于将P的子问题P1 ,P2 ,…,Pk的相应的解y1,y2,…,yk合并为P的解。
分治算法实际的应用案例:
汉诺塔的传说
汉诺塔：汉诺塔（又称河内塔）问题是源于印度一个古老传说的益智玩具。大梵天创造世界的时候做了三根金刚石柱子，在一根柱子上从下往上按照大小顺序摞着64片黄金圆盘。大梵天命令婆罗门把圆盘从下面开始按大小顺序重新摆放在另一根柱子上。并且规定，在小圆盘上不能放大圆盘，在三根柱子之间一次只能移动一个圆盘。
假如每秒钟一次，共需多长时间呢？移完这些金片需要5845.54亿年以上，太阳系的预期寿命据说也就是数百亿年。真的过了5845.54亿年，地球上的一切生命，连同梵塔、庙宇等，都早已经灰飞烟灭。
代码实现:
汉诺塔游戏的演示和思路分析:
-
如果是有一个盘， A->C
-
如果我们有 n >= 2 情况，我们总是可以看做是两个盘 1.最下边的盘 2. 上面的盘
2.1 先把 最上面的盘 A->B
2.2 把最下边的盘 A->C
2.3 把B塔的所有盘 从 B->C
package com.qiu.dac;
public class Hanoitower {
public static void main(String[] args) {
hanoiTower(5,'A','B','C');
}
//汉诺塔的移动的方法
//使用分治算法
public static void hanoiTower(int num,char a,char b,char c){
//如果只要一个盘
if (num == 1){
System.out.println("第 1 个盘从" +a+"->"+c);
}else{
// 2) 如果我们有 n >= 2 情况，我们总是可以看做是两个盘 1.最下边的盘 2. 上面的盘
//1. 先把最上面的盘从A->B 移动过程会使用到c
hanoiTower(num-1,a,c,b);
//2.把最下面的盘 A-> C
System.out.println("第 "+num+" 个盘从"+a+"->"+c);
//3. 把B塔的所有盘从B->c 中间借助A塔
hanoiTower(num-1,b,a,c);
}
}
}
动态规划算法
应用场景 - 背包问题
背包问题: 有一个背包,容量为4磅,现有如下物品
- 要求达到的目标为装入的背包的总价值最大,并且重量不超过
- 要求装入的物品不能重复
动态规划算法介绍
-
动态规划(Dynamic Programming)算法的核心思想是：将大问题划分为小问题进行解决，从而一步步获取最优解的处理算法
-
动态规划算法与分治算法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
-
与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上，进行进一步的求解 )
-
动态规划可以通过填表的方式来逐步推进，得到最优解.
动态规划算法最佳实践-背包问题
思路分析和图解
- 背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品，如何选择物品放入背包使物品的价值最大。其中又分01背包和完全背包(完全背包指的是：每种物品都有无限件可用)
- 这里的问题属于01背包，即每个物品最多放一个。而无限背包可以转化为01背包
算法的主要思想:利用动态规划来解决,每次遍历到的第i个物品,根据w[i] 和v[i] 来确定是否需要将该物品放入背包中,即对于给定的N个物品 设v[i] w[i] 分别为第i个物品的价值和重量,c为背包的容量.再令v[i][j]表示在前i个物品中能够装入容量为j的背包中的最大价值.则我们有下面的结果
表示 填入表 第一行和第一列是0
当准备加入新增的商品的容量大于 当前背包的容量时，就直接使用上一个单元格的装入策略
2. 当w[i ]> j 时：v[i][j] = v[i-1][j]
当 准备加入的新增的商品的容量小于等于当前背包的容量,
3.
// 装入的方式:
v[i-1][j]： 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] ： 装入i-1商品，到剩余空间j-w[i]的最大值
当 j >= w[i]时： v[i][j] = max{v[i-1][j], v[i] + v[i-1][j-w[i]] } :
- 表示 填入表 第一行和第一列是0
v[i][0] = v[0][j] = 0;
- 当准备加入新增的商品的容量大于 当前背包的容量时，就直接使用上一个单元格的装入策略
w[i ]> j 时：
v[i][j] = v[i-1][j];
- 当准备加入新增的商品的容量小于当前背包的容量(说明新增的商品可以加),
v[i][j] = max{v[i-1][j], v[i] + v[i-1][j-w[i]]}
装入的方式:
v[i-1][j]： 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] ： 装入i-1商品，剩余空间为(j-w[i])的最大值
当 j >= w[i]时： v[i][j] = max{v[i-1][j], v[i] + v[i-1][j-w[i]] } :
思路分析演示:
解决类似的问题可以分解成一个个的小问题进行解决，假设存在背包容量大小分为1，2，3，4的各种容量的背包(分配容量的规则为最小重量的整数倍)：
1.假如说现在只有吉他,这时不管背包容量多大,只能放一个吉他
2.假如有吉他和音响,在背包容量只有1磅的时候,放不下音响,所以只有从上面粘下来吉他的重量,同样的2磅,3磅都不行,到4磅的时候音响也可以放的下了.这个时候就要考虑价格上了,因为放音响的价格比吉他贵,所以4磅上放下了音响1500(g)
3.假如有吉他电脑音响的情况下,1磅,2磅是放不下的,所以是从上面拿下来,到了3磅后,发现电脑可以放的下,然后开始考虑空余空间的问题,没有空余空间后,直接将电脑放进去.4磅的时候,尝试着把电脑放进入,然后放进入之后再来考虑剩余空间,刚好能放下就吉他,所以比较下价值
代码演示.
package com.qiu.dynamic;
public class KnapsackProblem {
public static void main(String[] args) {
//物品的重量
int[] w = {1,4,3};
//物品的价值,这里的value[i] 就是前面讲得v[i]
int[] val = {1500,3000,2000};
//背包的重量
int m = 4;
//物品的个数
int n = val.length;
//为了记录我们商品的一个放置情况
int[][] path = new int[n+1][m+1];
//创建二维数组,表
//v[i][j]:表示在前i个物品中能够装入容量为j的背包中的最大价值
int[][] v = new int[n+1][m+1];
//初始化第一行和第一列,在本程序中可以不去处理,默认就是o
for (int i = 0; i < v.length; i++) {
//将第一列设置为0
v[i][0] = 0;
}
for (int i = 0; i < v[0].length; i++) {
//将第一行设置为0
v[0][i] = 0;
}
//根据前面的公式进行动态规划处理
//不处理第一行,i是从1开始的
for (int i = 1; i < v.length; i++) {
//不处理第一列,j是从1开始的
for (int j = 1; j < v[0].length; j++) {
//因为我们的程序是从1开始的,因此原来公式中的w[i] 修改成w[i-1]
if (w[i-1] > j){
v[i][j] = v[i-1][j];
}else{
//说明:
//因为我们的这个i是从1开始的,因此公式需要调整的
//为了记录商品存放到背包的情况,我们不能简单的使用上面的公式,需要使用if-else来体现公式
//v[i][j] = Math.max(v[i-1][j], val[i-1] + v[i-1][j-w[i-1]]);
if (v[i-1][j] < val[i-1] + v[i-1][j-w[i-1]]){
v[i][j] = val[i-1] + v[i-1][j-w[i-1]];
//把当前的情况记录到path
path[i][j] = 1;
}else {
v[i][j] = v[i-1][j];
}
}
}
}
//输出看一下v,看看目前的情况
for (int i = 0; i < v.length; i++) {
for (int j = 0; j < v[i].length; j++) {
System.out.print(v[i][j]+" ");
}
System.out.println();
}
//输出最后我们是放入的哪些商品
//遍历path,这样输出会把所有的放入情况都的到,其实我们只需要最后的放入
// for (int i = 0; i < path.length; i++) {
// for (int j = 0; j < path[i].length; j++) {
// if (path[i][j] == 1){
// System.out.printf("第%d个商品放入到背包中\n",i);
// }
// }
// }
//行的最大下标
int i = path.length -1;
//列的最大下标
int j = path[0].length-1;
while (i>0 && j>0){
//从path的最后开始找
if (path[i][j] == 1){
System.out.printf("第%d个商品放入到背包中\n",i);
j -= w[i-1];
}
i--;
}
}
}
代码运行演示:
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
