动态规划把一个大问题分解成一个个的小问题,这些小问题在一起又组成了这个大问题的解。
它们之间都是有联系的。
举个例子:矩阵连乘问题。
题目:
A
∗
B
∗
C
∗
D
.
.
.
X
∗
Y
∗
Z
A * B * C * D ... X * Y * Z
A∗B∗C∗D...X∗Y∗Z
怎么才能知道从哪里分开才能使最终的求解时计算次数最少呢?
这个时候就要假设了,假设在min处分开最合适(min=A到Z的任意值)。
那个min将问题分成了左、右两个小问题。【怎么感觉这里说的有点像像分治算法,划掉】
关键在于,求解大问题的前提是要把每一个小问题的最优解先给求出来。
矩阵连乘的小问题包括每2个矩阵相乘的时候需要做几次乘法,计算出来之后,将它存放在一个二维数组中;之后在考虑每3个矩阵在一起相乘的时候先算哪2个次数比较少,然后再存起来;之后在考虑每4个矩阵在一起相乘的时候,是【1 3分,然后3再1 2分】计算次数少,还是【2 2分】计算次数少,这些都不用太多计算,因为那些数据之前都存过,我们只需要计算分割位置的地方再相乘需要几次与其他部分需要计算次数相加就行了,然后比较2种分发,哪一个计算次数少,我就选那一个。
这样的操作,直到24个矩阵相乘的时候,就可以找到最小值了。
整个过程中,二维数组很重要,它其中的某一个值就是我们的最优解。
具体2个矩阵相乘需要计算几次,还是要看下标了,这个自己写了就行。
典型的例子有:矩阵连乘问题,投资问题,(0-1)背包问题,最长公共子序列问题
上课的时候讲到了一个最短路径问题, 这个是前后都有多条路径的情况,从右边向左边推导。
这个充分的展示了每一步决策的时候都会利用前面已经做好的决策,而且他们是相互不独立的,就是按照图上面标组的那样,我要找A或B或C到T的最短路径的时候,都已经计算过他们的数据了。
在这里说一下分治策略和动态规划的区别:他们都是将大问题分成若干个小问题,分治策略的小问题之间都是相互独立的,动态规划的小问题之间都是相互不独立的,后者必须依赖前者的最优解才能得到目前的最优解。
但是这些都属于最优子结构性质。