动态规划和贪心算法

最新推荐文章于 2023-04-26 20:57:15 发布

上天夭

最新推荐文章于 2023-04-26 20:57:15 发布

阅读量1.3k

点赞数 3

分类专栏：面试

本文链接：https://blog.csdn.net/weixin_38952721/article/details/99715654

版权

面试专栏收录该内容

11 篇文章 0 订阅

订阅专栏

一、动态规划

1.1、动态规划思想

动态规划(dynamic programming)：把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解。

多阶段决策问题：如果一类活动过程可以分为若干个互相联系的阶段，在每个阶段都需作出决策（采取措施），一个阶段的决策确定以后，常常影响到下一个阶段的决策，从而就完全确定了一个过程的活动路线。
大事化小，小事化了。

1.2、动态规划问题建模的步骤

1、根据问题，找到最优子结构
把原问题从大化小的第一步，找到比当前问题要小一号的最好的结果，而一般情况下，当前问题可以由最优子结构进行表示。
2、确定问题的边界
根据上述的最优子结构，一步一步从大化小，最终可以得到最小的，可以一眼看出答案的最优子结构，也就是边界。
3、通过上述两步，通过分析最优子结构与最终问题之间的关系，我们可以得到状态转移方程。

1.3、举例

问题：

有一座高度是10级台阶的楼梯，从下往上走，每跨一步只能向上1级或者2级台阶。要求用程序来求出一共有多少种走法？

问题建模：

假如只差一步就能走完整个楼梯，要分为几种情况？因为每一步能走一级或者两级台阶，所以有如下两种情况：
1、最后一步走2级台阶，也就是从8级到10级
2、最后一步走1级台阶，也就是从9级到10级
那么在上面的基础上，假设1级到8级有X种走法，1级到9级有Y种走法，那么1级到10级有几种走法？
实际上，10级台阶的所有走法可以根据最后一步的不同分为两个部分。
第一部分：最后一步从9级到10级，这种走法的数量和1级到9级的数量一致，也就是Y种。
第二部分：最后一步从8级到10级，这种走法的数量和1级到8级的数量一致，也就是X种。
我们把10级台阶的走法表达为为F(10)此时:
F(10) = F(9)+F(8)
F(9) = F(8)+F(7)
F(8) = F(7)+F(6)
…
F(3) = F(2)+F(1)
看到没，我们把一个复杂的问题分阶段分步的简化，简化成简单的问题，这就是动态规划的思想。
当只有1级台阶和2级台阶时走法很明显，即F(1)=1、F(2)=2，可以归纳出如下公式：
F(n) = F(n-1) + F(n-2)(n >= 3);
F(2) = 2;
F(1) = 1;
动态规划中包含三个重要的概念，最优子结构、边界、状态转移公式。
上面我们分析出F(10)=F(9)+F(8)，其中，F(9)和F(8)是F(10)的最优子结构。
当只有1级和2级台阶时，我们可以直接得出结果，而无需再次简化。我们称F(2)和F(1)是问题的"边界"，如果一个问题没有边界，那么这个问题就没有有限解。
F(n) = F(n-1) + F(n-2)是阶段之间的状态转移公式，它是动态规划的核心，决定了问题的每个阶段和下阶段之间的关系。
至此，动态规划的“问题建模就完成了”。

1.4、Python代码：

def climbs(n):
    if n == 1:
        return 1
    if n == 2:
        return 2
    return climbs(n-1) + climbs(n-2)

n = input("请输入n: \n")
print(climbs(int(n)))

1.5、状态压缩动态规划（dp）

顾名思义，就是将动态规划中的状态数组进行了压缩。
位运算：
在这里插入图片描述
判断算法：
当数据范围和题目描述具有以下三大特点的时候，就可以初步判断这道题目需要使用状态压缩动态规划：
1、数据中的N,M范围很小，基本上不超过30,20
2、题目似乎要我们求方案数或极值问题
3、类似棋盘、网格这类问题

算法关键：
状态如何以二进制表示

例题：
给定一个包含非负整数的 m x n 网格，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。每次只能向下或者向右移动一步。
解析：
第一行只能从左一直往右走，而第一列只能从上一直往下走，并且将经过的点累加起来。
状态转移方程： $dp[i][j] = min{dp[i - 1][j], dp[i][j - 1]} + m[i][j]$

二、贪心算法

2.1、贪心算法思想

贪心算法又称贪婪算法（greedy algorithm），是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，它所做出的的是在某种意义上的局部最优解，
选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

2.1、贪心算法过程

1、建立数学模型来描述问题
2、把求解的问题分成若干个子问题
3、对每一子问题求解，得到子问题的局部最优解
4、把子问题的局部最优解合成原来问题的一个解

2.2、例题

有一个背包，最多放M kg的物体（物体大小不限）；有n个物体，每个物体的重量为Wi，每个物体完全放入背包后可获得收益Pi。问：如何放置能获得最大的收益？
结果集
一般背包问题中，结果集可以用一个n元数表示：
1、 $x$ 的下标 $i$ 表示物体的序号；
2、 $x_{i}$ 表示第 $i$ 个物体加入背包的部分（ $0\leqslant x_{i}\leqslant 1$ ）
$X=(x_{0},x_{1},...,x_{n-1})$
目标函数
使用贪心算法解决最优化问题的第一步，就是要从题目中抽象出目标函数，这是一个数学建模的过程。本题中，目标函数就是当前背包收益的最大值：
$max\sum_{i=0}^{n-1}p_{i}x_{i}$
约束条件
所选的物体放入背包后，不能超过背包载重 $M$
$\sum_{i=0}^{n-1}p_{i}x_{i}\leqslant M$
最优度量准则1：重量小的优先
最优度量准则2：价值高的物体优先
最优度量准则3：性价比高的物体优先
首先计算所有物体的性价比（重量和收益的比值），每次优先将性价比高的物体放入背包。
总结：
要用贪心法解决一个最优化问题，首先要抽象出目标函数、约束条件，再判断结果能否用一个n元组表示。最后选择最优量度标准。
最优量度标准的选择有多种方式，并不是所有的最优量度标准都能导致整体最优解。最优量度标准的选择往往是先根据经验，然后再通过数学归纳法的方式证明它能导致整体最优解。
若无法选出一个最优量度标准，则可以使用动态规划法解决最优化问题。

三、贪心算法与动态规划的区别

动态规划算法通常以自底向上的方式；
贪心算法则通常自顶向下的方式。

遇到的小问题：
在Python中圆括号()表示函数调用，方括号[]表示列表值的引用

参考1：https://baike.baidu.com/item/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92/529408?fr=aladdin
参考2：https://www.cnblogs.com/gengsc/p/7199231.html
参考3：https://www.xuebuyuan.com/1744378.html
参考4：https://www.acwing.com/blog/content/174/
参考5：https://blog.csdn.net/u010425776/article/details/69357819