基本思想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。
1.矩阵连乘问题
已知:给定n个矩阵{A1,A2,…,An},其中Ai与Ai+1是可乘的,
计算:这n个矩阵的连乘积A1A2…An所需要的乘法运算的次数最小值。
分析:
将矩阵连乘积AiAi+1…Aj
简记为A[i:j], 这里i≤j;考察计算A[1:n]的最优计算次序。
设这个计算次序在矩阵Ak和Ak+1之间将矩阵链断开,1≤k<n
则其相应完全加括号方式为(A1A2…Ak)(Ak+1Ak+2…An)
计算量(乘法计算的次数)=:
A[1:k]的计算量+
A[k+1:n]的计算量+
A[1:k]和A[k+1:n]相乘的计算量
#define
NUM 51
int p[NUM];//记录矩阵的行列数的值,p[0]记录第一个矩阵行数,之后的数组分量依次记录其他矩阵的列数。数组分量的个数等于矩阵的个数+1
int m[NUM][NUM];//状态,记录子问题的最优值
int s[NUM][NUM];//记录子问题的最优解
void MatrixChain (int n){
for (int i=1; i<=n; i++) m[i][i]= 0;//长度是1的矩阵链连乘的计算次数
for (int r=2; r<=n; r++)//矩阵链的长度,按照矩阵链长度递增的方法完成计算
for(int i=1; i<=n-r+1; i++) { //连乘的起点
int j=i+r-1; //矩阵链中的最后一个矩阵的编号
m[i][j] = m[i+1][j]+p[i-1]*p[i]*p[j]; //m[i][j]的假设值
s[i][j] = i; //断开位置的初值,记录即最优解的初值
//计算m[i][j]的最小值,即确定断开的最佳位置,子问题的最优解
for (int k=i+1;k<j;k++) {
int t = m[i][k]+m[k+1][j]+p[i-1]*p[k]*p[j];
if(t < m[i][j]) {
m[i][j] = t;
s[i][j] = k;}
}
}
}
避免相同子问题的求解,备忘录方法
int LookupChai (int i, int j){
if (m[i][j]>0) return m[i][j];
if (i==j) return 0;
int u = LookupChain(i,i)+LookupChain(i+1,j)+p[i-1]*p[i]*p[j];
s[i][j] = i;
for (int k = i+1; k<j; k++) {
intt = LookupChain(i,k)+LookupChain(k+1,j)+p[i-1]*p[k]*p[j];
if(t < u) { u = t; s[i][j] = k;}
}
m[i][j] = u;
return u;
}
2.最长公共子序列
若给定序列X={x1,x2,…,xm},则另一序列Z={z1,z2,…,zk},是X的子序列是指存在一个严格递增下标序列{i1,i2,…,ik}使得对于所有j=1,2,…,k有:zj=xij。
例如,序列Z={B,C,D,B}是序列X={A,B,C,B,D,A,B}的子序列,相应的递增下标序列为{2,3,5,7}。
给定2个序列X和Y,当另一序列Z既是X的子序列又是Y的子序列时,称Z是序列X和Y的公共子序列。
给定2个序列X={x1,x2,…,xm}和Y={y1,y2,…,yn},找出X和Y的最长公共子序列。
分析:
设序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}的最长公共子序列为Z={z1,z2,…,zk}
若xm=yn, 则zk=xm=yn,且Zk-1是Xm-1和Yn-1的最长公共子序列。
若xm≠yn且zk≠xm, 则Z是Xm-1和Y的最长公共子序列。
若xm≠yn且zk≠yn, 则Z是X和Yn-1的最长公共子序列。
#define NUM 100
int c[NUM][NUM]; //x[1-i] 和 y[1-j]之间的公共子序列的长度。
int b[NUM][NUM]; // 辅助完成最优解得计算
void LCSLength (int m, int n, const char x[],char y[]){
int i,j;
//数组c的第0行、第0列置0
for (i = 1; i <= m; i++) c[i][0] =0;
for (i = 1; i <= n; i++) c[0][i] =0;
//根据递推公式构造数组c
for (i = 1; i <= m; i++)
for (j = 1; j <= n; j++){
if (x[i]==y[j])
{c[i][j]=c[i-1][j-1]+1; b[i][j]=1; } //
else if (c[i-1][j]>=c[i][j-1])
{c[i][j]=c[i-1][j];
b[i][j]=2; } //
else { c[i][j]=c[i][j-1]; b[i][j]=3; } //
}
}
void LCS(int i,int j,char x[]){
if
(i ==0 || j==0) return;
if
(b[i][j]== 1){
LCS(i-1,j-1,x);
cout<<x[i];
}
else
if (b[i][j]== 2)
LCS(i-1,j,x);
else
LCS(i,j-1,x);
}
3.最大字段和
给定由n个整数(包含负整数)组成的序列a1,a2,…,an,求该序列子段和的最大值。
计算最大字段和动态规划算法
#define NUM 1001
int a[NUM];
int MaxSum(int n){
int sum=0; //最大子段和
int b=0; //1~j的最大子段和,因无需保留其他结果,所以没必要定义数组
for (int i=1;i<=n;i++)
{
if (b>0)
b+=a[i];
else
b=a[i];
if(b>sum) sum=b;
}
return sum;
}
计算最大字段和动态规划算法的最优解
#define NUM 1001
int a[NUM];
int MaxSum(int n, int &besti, int &bestj){
int sum=0;
int b=0;
int begin = 0;
for (int i=1; i<=n; i++){
if (b>0) b+=a[i];
else
{b=a[i]; begin = i;}
if (b>sum) {//得到新的最优值时,更新最优解
sum = b;
besti = begin;
bestj = i;
}
}
return sum;
}
4.0-1背包问题
给定一个物品集合s={1,2,3,…,n},物品i的重量是wi,其价值是vi,背包的容量为W,即最大载重量不超过W。在限定的总重量W内,我们如何选择物品,才能使得物品的总价值最大。
阶段:
i~n,依次处理每一件物品
状态:
背包的容量:0~V
决策:
在第i阶段,在背包容量是V 的情况下,如何处理第i件物品,才能使装入背包中的物品最大。
f[i][v]表示前i件物品(部分或全部)放入一个容量为v的背包可以获得的最大价值。
处理方案:
在W[i]>V的情况下,不装入;否则,根据
max{f[i-1][v],f[i-1][v-w[i]]+c[i]}进行决策
状态转移方程便是:
f[i][v]=max{f[i-1][v],f[i-1][v-w[i]]+c[i]}。
#include<cstdio>
using namespace std;
const int maxm = 201, maxn = 31;
int m, n; int w[maxn], c[maxn]; int
f[maxn][maxm];
int max(int x,int y) { x>y?x:y;} //求x和y最大值
int main(){
scanf("%d%d",&m,&n); //背包容量m和物品数量n
for (int i = 1; i <= n; i++)
scanf("%d%d",&w[i],&c[i]); //每个物品的重量和价值
for (int i = 1; i <= n; i++) //
f[i][v]表示前i件物品,总重量不超过v的最优价值
for (int v = m; v > 0; v--)
if (w[i] <= v)
f[i][v] =max(f[i-1][v],f[i-1][v-w[i]]+c[i]);
else
f[i][v] = f[i-1][v];
printf("%d",f[n][m]); // f[n][m]为最优解
return 0;
}