1 #include 2 using namespacestd;3 #define A_ROWS 3
4 #define A_COLUMNS 2
5 #define B_ROWS 2
6 #define B_COLUMNS 3
7 void matrix_multiply(int A[A_ROWS][A_COLUMNS],int B[B_ROWS][B_COLUMNS],intC[A_ROWS][B_COLUMNS]);8 intmain()9 {10 int A[A_ROWS][A_COLUMNS] = {1,0,11 1,2,12 1,1};13 int B[B_ROWS][B_COLUMNS] = {1,1,2,14 2,1,2};15 int C[A_ROWS][B_COLUMNS] = {0};16 matrix_multiply(A,B,C);17 for(int i=0;i)
18 {19 for(int j=0;j)
20 cout
30 {31 inti,j,k;32 for(i=0;i)
33 for(j=0;j)
34 {35 C[i][j] = 0;36 for(k=0;k)
37 C[i][j] += A[i][k] * B[k][j]; //将A的每一行的每一列与B的每一列的每一行的乘积求和
38 }39 }40 }
程序测试结果如下所示:
2、矩阵链乘问题描述
注意:在矩阵链乘问题中,实际上并没有把矩阵相乘,目的是确定一个具有最小代价的矩阵相乘顺序。找出这样一个结合顺序使得相乘的代价最低。
3、动态规划分析过程
1)最优加全部括号的结构
动态规划第一步是寻找一个最优的子结构。假设现在要计算AiAi+1....Aj的值,计算Ai...j过程当中肯定会存在某个k值(i<=ki...j分成两部分,使得Ai...j的计算量最小。分成两个子问题Ai...k和Ak+1...j,需要继续递归寻找这两个子问题的最优解。
有分析可以到最优子结构为:假设AiAi+1....Aj的一个最优加全括号把乘积在Ak和Ak+1之间分开,则Ai..k和Ak+1..j也都是最优加全括号的。
2)一个递归解
设m[i,j]为计算机矩阵Ai...j所需的标量乘法运算次数的最小值,对此计算A1..n的最小代价就是m[1,n]。现在需要来递归定义m[i,j],分两种情况进行讨论如下:
当i==j时:m[i,j] = 0,(此时只包含一个矩阵)
当ii-1pkpj} (i≤k<j)。
3)计算最优代价
虽然给出了递归解的过程,但是在实现的时候不采用递归实现,而是借助辅助空间,使用自底向上的表格进行实现。设矩阵Ai的维数为pi-1pi,i=1,2.....n。输入序列为:p=,length[p] = n+1。使用m[n][n]保存m[i,j]的代价,s[n][n]保存计算m[i,j]时取得最优代价处k的值,最后可以用s中的记录构造一个最优解。书中给出了计算过程的伪代码,摘录如下:
1 MAXTRIX_CHAIN_ORDER(p)2 n = length[p]-1;3 for i=1to n4 do m[i][i] = 0;5 for t = 2 to n //t is the chain length
6 do for i=1 to n-t+1
7 j=i+t-1;8 m[i][j] =MAXLIMIT;9 for k=i to j-1
10 q = m[i][k] + m[k+1][i] + qi-1qkqj;11 if q
MATRIX_CHAIN_ORDER具有循环嵌套,深度为3层,运行时间为O(n3)。如果采用递归进行实现,则需要指数级时间Ω(2n),因为中间有些重复计算。递归是完全按照第二步得到的递归公式进行计算,递归实现如下所示:
1 int recursive_matrix_chain(int *p,int i,int j,int m[N+1][N+1],int s[N+1][N+1])2 {3 if(i==j)4 m[i][j] = 0;5 else
6 {7 intk;8 m[i][j] =MAXVALUE;9 for(k=i;k)
10 {11 int temp = recursive_matrix_chain(p,i,k,m,s) +recursive_matrix_chain(p,k+1,j,m,s) + p[i-1]*p[k]*p[j];12 if(temp
对递归算计的改进,可以引入备忘录,采用自顶向下的策略,维护一个记录了子问题的表,控制结构像递归算法。完整程序如下所示:
1 int memoized_matrix_chain(int *p,int m[N+1][N+1],int s[N+1][N+1])2 {3 inti,j;4 for(i=1;i<=N;++i)5 for(j=1;j<=N;++j)6 {7 m[i][j] =MAXVALUE;8 }9 return lookup_chain(p,1,N,m,s);10 }11
12 int lookup_chain(int *p,int i,int j,int m[N+1][N+1],int s[N+1][N+1])13 {14 if(m[i][j]
19 {20 intk;21 for(k=i;kk)
22 {23 int temp = lookup_chain(p,i,k,m,s)+lookup_chain(p,k+1,j,m,s) + p[i-1]*p[k]*p[j]; //通过递归的形式计算,只计算一次,第二次查表得到24 if(temp
4)构造一个最优解
第三步中已经计算出来最小代价,并保存了相关的记录信息。因此只需对s表格进行递归调用展开既可以得到一个最优解。书中给出了伪代码,摘录如下:
1 PRINT_OPTIMAL_PARENS(s,i,j)2 if i==j3 then print "Ai"
4 else
5 print "(";6 PRINT_OPTIMAL_PARENS(s,i,s[i][j]);7 PRINT_OPTIMAL_PARENS(s,s[i][j]+1,j);8 print")";
4、编程实现
采用C++语言实现这个过程,现有矩阵A1(30×35)、A2(35×15)、A3(15×5)、A4(5×10)、A5(10×20)、A6(20×25),得到p=<30,35,15,5,10,20,25>。实现过程定义两个二维数组m和s,为了方便计算其第一行和第一列都忽略,行标和列标都是1开始。完整的程序如下所示:
1 #include 2 using namespacestd;3
4 #define N 6
5 #define MAXVALUE 1000000
6
7 void matrix_chain_order(int *p,int len,int m[N+1][N+1],int s[N+1][N+1]);8 void print_optimal_parents(int s[N+1][N+1],int i,intj);9
10 intmain()11 {12 int p[N+1] = {30,35,15,5,10,20,25};13 int m[N+1][N+1]={0};14 int s[N+1][N+1]={0};15 inti,j;16 matrix_chain_order(p,N+1,m,s);17 cout<
36 void matrix_chain_order(int *p,int len,int m[N+1][N+1],int s[N+1][N+1])37 {38 inti,j,k,t;39 for(i=0;i<=N;++i)40 m[i][i] = 0;41 for(t=2;t<=N;t++) //当前链乘矩阵的长度
42 {43 for(i=1;i<=N-t+1;i++) //从第一矩阵开始算起,计算长度为t的最少代价
44 {45 j=i+t-1;//长度为t时候的最后一个元素
46 m[i][j] = MAXVALUE; //初始化为最大代价
47 for(k=i;k<=j-1;k++) //寻找最优的k值,使得分成两部分k在i与j-1之间
48 {49 int temp = m[i][k]+m[k+1][j] + p[i-1]*p[k]*p[j];50 if(temp
53 s[i][j] = k; //记录当前的括号位置,即矩阵的编号
54 }55 }56 }57 }58 }59
60 //s中存放着括号当前的位置
61 void print_optimal_parents(int s[N+1][N+1],int i,intj)62 {63 if( i ==j)64 cout<
66 {67 cout<
73 }
程序测试结果如下所示:
5、总结
动态规划解决问题关键是分析过程,难度在于如何发现其子问题的结构及子问题的递归解。这个需要多多思考,不是短时间内能明白。在实现过程中遇到问题就是数组,数组的下标问题是个比较麻烦的事情,如何能够过合理的去处理,需要一定的技巧。