动态规划-如何求解金矿问题

参考书籍

《漫画算法-小灰的算法之旅》5.11

问题描述

假设现在有5座金矿，每座金矿的黄金存储量不同，需要参入挖掘的工人人数也不同。要求：参入挖矿的工人的总数是10.每座金矿要么全挖，要么不挖，不能派出一半人挖取一般黄金。要求用程序求出，要想得到尽可能多的黄金，应该选取那几座金矿？

金矿内容：400，500，200，300，350

所需人数：5，5，3，4，3

递归算法思路

对于每一堆金矿总是存在挖与不挖的问题。

知道了这个，我们现在把焦点放在最后一个金矿上。

此时问题可以转化为

1，最后一堆金矿挖的情况下的最优解。

2，最后一堆金矿不挖的情况下的最优解。

相应的我们求得max(350+7人数挖前面四堆金矿的最优解，10人挖前面四堆金矿的最优解)。

这俩个称为全局问题的来个最优子结构。

同样的我们对这俩个问题也可以分别的划分为俩个最优子结构，这样问题就1化2，2化4，4化8最终我们这里需要找到问题的边界就是关键了。

 

我们把全局最优解和最优子结构之间的关系，以及问题的边界。这三者的关系用数学表达式表达的话，就叫作状态转移方程了。

 

假设金矿数量设置为n，工人数量设置为w，金矿的含金量设为vector容器g ，所对应的开采人数设为vector容器p

设F(n,w)为n个金矿下w个工人最优收益函数，那么状态转移方程式如下

1，当工人或者金矿的数量为0时收益为0

F(n,w) = 0 (n == 0或 w== 0)

2，当当前的人数不足以挖当前的金矿时，此时的金矿必不会被选择。

F(n,w) = F(n-1,w)（n>=1,w<p[n-1]）;

3，当当前的人数可以挖去当前金矿的时候，此时的金矿可以选择挖，也可以选择不挖

F(n,w) = max(F(n-1,w)，F(n-1,w-p[n-1])+g[n-1]);//说明：这里为n-1的原因时因为数组下标是从0开始的。

递归求解问题-时间复杂度过高

那么我们不难想到代码的编写，可以使用递归来实现

int getMaxValue(vector<int> &g, vector<int> &p, int w, int n)
{
	if (w == 0 || n == 0)
	{
		return 0;
	}
	if (w < p[n - 1])
	{
		return getMaxValue(g, p, w, n - 1);
	}
	return max(getMaxValue(g, p, w, n - 1), getMaxValue(g, p, w - p[n - 1], n - 1) + g[n - 1]);
}

 

但是我们可以通过分析，我们做了过多的重复的步骤时间复杂度为O(2^n)，那么我们有没有什么办法将之前计算的结果保存下来，舍得我们可以效率提升呢？

自底向上求解 (使用一张二维数组表格记录每步求解的结果，便于下次的使用)

int getMaxValue(vector<int> &g, vector<int> &p, int w, int n)
{
	vector<vector<int>> rst(n+1, vector<int>(w+1));
	for (int i = 1; i <= n; ++i)
	{
		for (int j = 1; j <= w; ++j)
		{
			if (j < p[i - 1])
			{
				rst[i][j] = rst[i - 1][j];
			}
			else
			{
				rst[i][j] = max(rst[i - 1][j], rst[i - 1][j - p[i - 1]] + g[i - 1]);
			}
		}
	}
	return rst[n][w];
}

此种办法将时间复杂度降低到了O(nw)大大提高的时间效率。

再次优化

虽然上面的代码在时间复杂度上已经没有什么可以优化的了，但是在空间复杂度上还可以将之前的二维换成一维数组。降低空间复杂度。

int getMaxValue(vector<int> &g, vector<int> &p, int w, int n)
{
	vector<int> rst(w + 1);
	for (int i = 1; i <= n; ++i)
	{
		for (int j = w; j >= 0; --j)
		{
			if (j >= p[i - 1])
			{
				rst[j] = max(rst[j], rst[j - p[i - 1]] + g[i - 1]);
			}
		}
	}
	return rst[w];
}

上面的便是书中最终优化的代码。

通过这道题的理解，我对动态规划类型的算法题目有了初步的认识。