矩阵链相乘【动态规划（手工运算及源码）】

目录

1.动态规划基本步骤

2.问题描述

3.完全加括号(计算次序)的方式

4,三个矩阵相乘

5.利用动态规划解决问题

6.手工运算 

7.全部源码 

---

1.动态规划基本步骤

（1）动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值（最大值或最小值）的那个解。

（2）设计一个动态规划算法，通常可以按以下几个步骤进行:

1.找出最优解的性质，并刻划其结构特征。

2.递归地定义最优值。

3.以自底向上的方式计算出最优值。

4.根据计算最优值时得到的信息，构造最优解。

---

2.问题描述

给定n个矩阵{Aj/A.An}，其中A;与A ,是可乘的，i=1，2...,n-1。如何确定计算矩阵连乘积的计算次序，使得依此次序计算矩阵连乘积需要的数乘次数(计算量)最少?

注意:不同计算次序，计算量不同。

---

3.完全加括号(计算次序)的方式

完全加括号的矩阵连乘积可递归地定义为:

(1）单个矩阵是完全加括号的;

(2）矩阵连乘积A是完全加括号的，则A可表示为2个完全加括号的矩阵连乘积B和C的乘积并加括号，即A=(BC);

设有四个矩阵A,B,C,D,他们的维数分别是:A =50×10，B=10×40，C=40×30，D=30×5

总共有五中完全加括号的方式

(A((BC)D))        16000

(A(B(CD)))        10500

((AB)(CD))        36000

(((AB)C)D)        87500

((A(BC))D)        34500

---

4,三个矩阵相乘

我们知道矩阵相乘满足结合率，即(AB)C=A(BC)

■不同计算次序，计算量不同:不同结合方法得到的结果是一样的，然而计算量却可能有很大差别。

 

可见如何结合十分影响计算的效率,自然提出了矩阵链相乘的最优计算次序问题 

---

5.利用动态规划解决问题

（1）将矩阵连乘积AiAi+1.…Aj，简记为A[ i:j]，这里i≤j 

（2）考察计算A[i:j]的最优计算次序。设这个计算次序在矩阵Ag和Ak+1之间将矩阵链断开，            ik<j，则其相应完全加括号方式为(AiAi+1…Ak)(Ak+1Ak+2…Aj)

（3）计算量: A[i:k]的计算量加上A[k+1:j]的计算量，再加上A[i:k]和A[k+1:j]相乘的计算量

---

6.手工运算 

当R=2时：
A2*A3=35*15*5=2625
A3*A4=15*5*10=750
A4*A5=5*10*20=1000

当R=3时：
(A2*A3)*A4=2625+35*5*10=4375
(A3*A4)*A5=750+15*10*20=3750
A2*(A3*A4)=750+35*15*10=6000
A3*(A4*A5)=1000+15*5*20=2500
A[2:4]最好为4375
A[3:5]最好为2500

当R=4时：
A[2:4]*A5=4375+35*10*20=11375
A2*A[3:5]=2500+35*15*20=13000
A[2:3]*A[4:5]=2625+1000+35*5*20=7125
最好方案为((A2*A3)*(A4*A5)) 

---

7.全部源码 

public static void matrixChain(int[] p, int[][] m, int[][] s)
{
	int n = p.length - 1;
	for (int i = 1; i <= n; i++) m[i][i] = O;
	for (int r = 2; r <= n; r++)
		for (int i = 1; i <= n - r + 1; i++) {
			int j = i + r - 1;
			m[i][i] = m[i + 1][i] + p[i - 1] * p[i] * p[j];//初始时，k=i
			s[i][j] = i;
			for (int k = i + 1; k < j; k++) 
			{
				int t = m[i][k] + m[k + 1][i] + p[i - 1] * p[k] * p[i];
				if (t < m[i][j]) 
				{
					m[i][j] = t; 
					s[i][j] = k;
				}
			}
		}
}