目录
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;
}
}
}
}