动态规划

动态规划 dynamic programming

分治方法将问题划分为互不相交的子问题，递归地求解子问题，再将它们组合起来求出原问题的解。而动态规划则应用与子问题重叠的情况，即不同的子问题具有公共的子子问题（子问题的求解是递归进行的，将其划分为更小的子子问题）。动态规划算法对每个子子问题只求解一次，将其解保存在一个表格中，从而无需反复计算。

动态规划算法常规步骤：

1.    刻画一个最优解的结构特征

2.    递归地定义最优解的值

3.    计算最优解的值，通常采用自底向上的方法

4.    利用计算出的信息构造一个最优解

步骤3可以得到最优解的值，如果需求步骤4得到最优解，需要在执行3的过程中维护一些额外信息。

钢条切割问题

自顶向下：

常规遍历解法，循环1-n，剩余部分递归求解，额外引入数组r[n]=q，

用于记录计算过的长度为n的最大收益。

自底向上：

如果i<j，则规模为i的子问题“更小”，因此，过程依次求解规模为j=0，1，…，n的子问题。

def dp11(n):
    r = dict()
    r[0] = 0
    for i in range(1,n+1):
        q = -1
        for j in range(1,i+1):
            q = max(q,p[j]+r[i-j])
            #从最小子问题开始求解r，key=i-j逐渐增加，不会抛出异常
        r[i] = q
    return r[n]

 

最长公共子序列问题（不要求在原序列中连续出现）

序列X，Y，长度m，n，子序列Xi，Yj，长度i，j

问题简化为

c[i，j] =        0                                                      i= 0 或j = 0

                     c[i-1，j-1] + 1                                 i，j > 0 且 xi = yi

                     max(c[i，j-1]，c[i-1，j])                  i，j > 0 且 xi != yi

c[i，j]是保存了对应两个序列LCS长度的二维列表，时间复杂度Θ（mn）