python向下_python实现自顶向下，自底向上 | 学步园

常用的

本来想把动态规划单独拿出来写三篇文章呢，后来发现自己学疏才浅，实在是只能讲一些皮毛，更深入的东西尝试构思了几次，也没有什么进展，打算每种设计思想就写一篇吧。

动态规划(Dynamic Programming)是一种非常有用的用来解决复杂问题的算法，它通过把复杂问题分解为简单的子问题的方式来获得最优解。

一、自顶向下和自底向上

总体上来说，我们可以把动态规划的解法分为自顶向下和自底向上两种方式。

一个问题如果可以使用动态规划来解决，那么它必须具有“最优子结构”，简单来说就是，如果该问题可以被分解为多个子问题，并且这些子问题有最优解，那这个问题才可以使用动态规划。

自顶向下(Top-Down)

自顶向下的方式其实就是使用递归来求解子问题，最终解只需要调用递归式，子问题逐步往下层递归的求解。我们可以使用缓存把每次求解出来的子问题缓存起来，下次调用的时候就不必再递归计算了。

举例著名的斐波那契数列的计算：

#!/usr/bin/env python

# coding:utf-8

def fib(number):

if number == 0 or number == 1:

return 1

else:

return fib(number - 1) + fib(number - 2)

if __name__ == '__main__':

print fib(35)

有一点开发经验的人就能看出，fib(number-1)和fib(number-2)会导致我们产生大量的重复计算，以上程序执行了14s才出结果，现在，我们把每次计算出来的结果保存下来，下一次需要计算的时候直接取缓存，看看结果：

#!/usr/bin/env python

# coding:utf-8

cache = {}

def fib(number):

if number in cache:

return cache[number]

if number == 0 or number == 1:

return 1

else:

cache[number] = fib(number - 1) + fib(number - 2)

return cache[number]

if __name__ == '__main__':

print fib(35)

耗费时间为 0m0.053s 效果提升非常明显。

自底向上(Bottom-Up)

自底向上是另一种求解动态规划问题的方法，它不使用递归式，而是直接使用循环来计算所有可能的结果，往上层逐渐累加子问题的解。

我们在求解子问题的最优解的同时，也相当于是在求解整个问题的最优解。其中最难的部分是找到求解最终问题的递归关系式，或者说状态转移方程。

这里举一个01背包问题的例子：

你现在想买一大堆算法书，需要很多钱，所以你打算去抢一个商店，这个商店一共有n个商品。问题在于，你只能最多拿 W kg 的东西。wi和vi分别表示第i个商品的重量和价值。我们的目标就是在能拿的下的情况下，获得最大价值，求解哪些物品可以放进背包。对于每一个商品你有两个选择：拿或者不拿。

首先我们要做的就是要找到“子问题”是什么，我们发现，每次背包新装进一个物品，就可以把剩余的承重能力作为一个新的背包来求解，一直递推到承重为0的背包问题：

作为一个聪明的贼，你用m[i,w]表示偷到商品的总价值，其中i表示一共多少个商品，w表示总重量，所以求解m[i,w]就是我们的子问题，那么你看到某一个商品i的时候，如何决定是不是要装进背包，有以下几点考虑：

该物品的重量大于背包的总重量，不考虑，换下一个商品；

该商品的重量小于背包的总重量，那么我们尝试把它装进去，如果装不下就把其他东西换出来，看看装进去后的总价值是不是更高了，否则还是按照之前的装法；

极端情况，所有的物品都装不下或者背包的承重能力为0，那么总价值都是0；

由以上的分析，我们可以得出m[i,w]的状态转移方程为：

有了状态转移方程，那么写起代码来就非常简单了，首先看一下自顶向下的递归方式，比较容易理解：

#!/usr/bin/env python

# coding:utf-8

cache = {}

items = range(0,9)

weights = [10,1,5,9,10,7,3,12,5]

values = [10,20,30,15,40,6,9,12,18]

# 最大承重能力

W = 4

def m(i,w):

if str(i)+','+str(w) in cache:

return cache[str(i)+','+str(w)]

result = 0

# 特殊情况

if i == 0 or w == 0:

return 0

# w < w[i]

if w < weights[i]:

result = m(i-1,w)

# w >= w[i]

if w >= weights[i]:

# 把第i个物品放入背包后的总价值

take_it = m(i-1,w - weights[i]) + values[i]

# 不把第i个物品放入背包的总价值

ignore_it = m(i-1,w)

# 哪个策略总价值高用哪个

result = max(take_it,ignore_it)

if take_it > ignore_it:

print 'take ',i

else:

print 'did not take',i

cache[str(i)+','+str(w)] = result

return result

if __name__ == '__main__':

# 背包把所有东西都能装进去做假设开始

print m(len(items)-1,W)

改造成非递归，即循环的方式，从底向上求解：

#!/usr/bin/env python

# coding:utf-8

cache = {}

items = range(1,9)

weights = [10,1,5