动态规划算法的基本思想_算法——动态规划

算法——动态规划

---

 首先学习动态规划，我们要先知道什么是动态规划？
  算法导论这本书是这样介绍这个算法的，动态规划与分治方法类似，都是通过组合子问题的解来来求解原问题的。再来了解一下什么是分治方法，以及这两者之间的差别，分治方法将问题划分为互不相交的子问题，递归的求解子问题，再将它们的解组合起来，求出原问题的解。而动态规划与之相反，动态规划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)。在这种情况下，分治方法会做许多不必要的工作，他会反复求解那些公共子问题。而动态规划对于每一个子子问题只求解一次，将其解保存在一个表格里面，从而无需每次求解一个子子问题时都重新计算，避免了不必要的计算工作。

定义:
  动态规划算法是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推(或者说分治)的方式去解决。
  动态规划算法的基本思想与分治法类似，也是将待求解的问题分解为若干个子问题(阶段)，按顺序求解子阶段，前一子问题的解，为后一子问题的求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，最后一个子问题就是初始问题的解。

动态规划的应用场景：
动态规划方法一般用来求解最优化问题。这类问题可以有很多可行解，每个解都有一个值，我们希望找到具有最优值的解，我们称这样的解为问题的一个最优解，而不是最优解，因为可能有多个解都达到最优值。

  我们解决动态规划问题一般分为四步：
1、定义一个状态，这是一个最优解的结构特征
2、进行状态递推，得到递推公式
3、进行初始化
4、返回结果

一般可以使用递归或者递推的写法来实现动态规划，这里以经典的求解斐波拉契数列为例子。如果没有学过动态规划，可能只会用递归的方式求解斐波拉契数列。代码如下：

long long fab(int n) {  //简单递归法if (n < 2) return 1;else return fab(n - 1) + fab(n - 2);}

事实上，这个递归会有很多重复的计算，以下递归树可以直观地表示。实际其时间复杂度为O(2n)，指数级的算法在数字稍大的时候基本不能用，更何况当问题规模较大时递归调用系统栈也是非常耗时的。

这里将动态规划的递归写法用简单递归的方法对比，比较当n=50时，两者所消耗的时间。

#include#include#includeusing namespace std;vector<long long> a; //存储计算结果 long long fab1(int n) {  //动态规划递归写法   if (n < 2) return 1; //递归边界  //以-1表示没有计算过   else if (a[n] == -1) a[n] = fab1(n - 1) + fab1(n - 2);  return a[n];}long long fab2(int n) {  //简单递归调用法  if (n < 2) return 1;  else return fab2(n - 1) + fab2(n - 2);}int main() {  clock_t start, end;  int n; cin >> n;  a.resize(n+1,-1);  long long result;  start = clock();  result= fab1(n);  end = clock();  cout << "动态规划递归算法运行时间：" << (end - start)*1.0 / CLOCKS_PER_SEC << "s" << endl;  cout << "运行结果：" << result << endl;  start = clock();  result = fab2(n);  end = clock();  cout << "直接递归算法运行时间：" << (double)(end - start) / CLOCKS_PER_SEC << "s" << endl;  cout << "运行结果：" << result;  return 0;}

  程序运行结果表示，动态规划递归算法的时间消耗几乎为0，而简单递归却用了一分多钟。这是因为把已经计算的结果记录下来，每次遇到需要计算已经计算的子问题时，直接使用上次计算过的结果，这样就把时间复杂度从O(2n)降到了O(n)。

经典例题——背包问题

题目描述：

假设山洞里共有a,b,c,d ,e这5件宝物(不是5种宝物)，它们的重量分别是2,2,6,5,4，它们的价值分别是6,3,5,4,6，现在给你个承重为10的背包, 怎么装背包，可以才能带走最多的财富。

有编号分别为a,b,c,d,e的五件物品，它们的重量分别是2,2,6,5,4，它们的价值分别是6,3,5,4,6，现在给你个承重为10的背包，如何让背包里装入的物品具有最大的价值总和？

首先要明确这张表是至底向上，从左到右生成的。

  为了叙述方便，用e2单元格表示e行2列的单元格，这个单元格的意义是用来表示只有物品e时，有个承重为2的背包，那么这个背包的最大价值是0，因为e物品的重量是4，背包装不了。

  对于d2单元格，表示只有物品e，d时,承重为2的背包,所能装入的最大价值，仍然是0，因为物品e,d都不是这个背包能装的。

  同理，c2=0，b2=3,a2=6。

  对于承重为8的背包，a8=15,是怎么得出的呢？

  根据01背包的状态转换方程，需要考察两个值，

  一个是f[i-1,j],对于这个例子来说就是b8的值9，另一个是f[i-1,j-Wi]+Pi；

在这里，

   f[i-1,j]表示我有一个承重为8的背包，当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值

  f[i-1,j-Wi]表示我有一个承重为6的背包(等于当前背包承重减去物品a的重量)，当只有物品b,c,d,e四件可选时，这个背包能装入的最大价值

  f[i-1,j-Wi]就是指单元格b6,值为9，Pi指的是a物品的价值，即6

由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9，所以物品a应该放入承重为8的背包