动态规划总结

生活中我们经常能够碰到这样一类问题，它的过程可以按照时间顺序分成若干个相互联系的子阶段。每一个子阶段都可以得出一个结论，学术上我们称之为决策，则这一整个过程的决策就是这些子阶段的决策的总和，即决策序列。这种过程称为多阶段决策过程。

针对这种多阶段决策过程，本文提到一种算法对于解决该类问题非常适用，即动态规划算法。动态规划（Dynamic Programming）算法是解决多阶段决策过程最优化问题的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法解决此类问题，可以减少很多无谓的计算量。

动态规划算法的基本思想是：将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把答案保存起来，以后再次遇到时直接引用答案，不必重新求解。动态规划算法将问题的解决方案视为一系列决策的结果。另外，在动态规划算法中，还要考察每个最优决策序列中是否包含一个最优决策子序列，即问题是否具有最优子结构性质。

必要条件

一般来说，在判定一个问题是否需要采用动态规划方法求解时，我们需要观察分析该问题是否满足以下几个条件：

（1）动态规划的子问题重叠性质：

         这里所说的子问题是指整个过程中的子阶段：假设某n个成员的不规则数据序列中，需要找出该序列中一个递增子序列的最大成员个数。例如给定5个数据分别为2、6、3、9、8，由于该问题比较容易解答，我们在此通过表格的形式来展示各个阶段的最优解。下图中第一行代表的是数据的个数，第二行为给定的数据，第三行在个数为n时的最优解，当有5个数据的时候，此时的递增成员变量的最大个数为3个（S(5)）。而图中用椭圆形圈住的即该系统的子系统，也就是我们标题中所说的子问题。

 

从图中可以看出，我们如果要向计算棕色圈住的即5个数据的系统中的最优解，我们其实可以先将深蓝色的即4个数据的最优解求出，然后使用该最优解中的最大数据与第5个数据进行比较，从而决定第5个数据是否也能放在最大递增子序列中；而如果要求解深蓝色系统的最优解，我们可以先将绿色系统的最优解求出，而绿色系统又是深蓝色系统的子系统。由此可见，该系统中的最优解可以由其子系统中的最优解间接求出。

         子问题的重叠性描述的是在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简单地查看一下上一次计算的结果，因此相较于简单的利用递归处理的要有更高的效率。本文认为子问题重叠是动态规划使用的基础，如果子问题之间没有相关联系，动态规划处理也就不适合使用。

（2）动态规划的最优化原理：

动态规划解决问题的思路一般就是求解问题的最优解，当问题呈现出子问题重叠性之后，问题的最优解即可以理解为求解子问题的局部最优解。所有子问题的最优解会导致整个问题的全局最优，因此称该问题具有最优子结构的性质，也就是说一个问题的最优解只取决于其子问题的最优解，而非最优解对问题的求解没有影响。

（3）动态规划的无后效性原则：

 所谓无后效性原则，指的是这样一种性质：某阶段的状态一旦确定，则此后过程的演变不再受此前各状态及决策的影响。也就是说，“未来与过去无关”，当前的状态是此前历史的一个完整的总结。

设计步骤

当我们已经确定待解决的问题需要用动态规划算法求解时，通常可以按照以下步骤设计动态规划算法：

1、分析问题的最优解；

2、递归地定义最优值；

3、采用自底向上的方式计算问题的最优值；

4、根据计算最优值时得到的信息，构造最优解。

1～3步是动态规划算法解决问题的基本步骤，在只需要计算最优值的问题中，完成这三个基本步骤就可以了。如果问题需要构造最优解，还要执行第4步；此处的最优解是对最优值的一个通用表达，可以表达该系统内任意子问题的最优值。因此在第3步通常需要记录更多的信息，以便在步骤4中，有足够的信息快速地构造出最优解。