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。