一. 从一个例子入门
题目:在下面的数字三角形中寻找一条从顶部到底边的路径,使得路径上所经过的数字之和最大。路径上的每一步都只能往左下或右下走。只需要求出这个最大和即可,不必给出具体路径。 三角形的行数大于1小于等于100,数字为 0~99。(此题目来源于北大POJ)
输入格式:
5 //表示三角形的行数 接下来输入三角形
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5
1、第一次解题:递归解法
首先,肯定得用二维数组来存放数字三角形
然后我们用D( r, j) 来表示第r行第 j 个数字(r,j从1开始算)
我们用MaxSum(r, j)表示从D(r,j)到底边的各条路径中,最佳路径的数字之和。
因此,此题的最终问题就变成了求 MaxSum(1,1)
当我们看到这个题目的时候,首先想到的就是可以用简单的递归来解题:
D(r, j)出发,下一步只能走D(r+1,j)或者D(r+1, j+1)。故对于N行的三角形,我们可以写出如下的递归式:
if ( r == N)
MaxSum(r,j) = D(r,j)
else
MaxSum( r, j) = Max{ MaxSum(r+1,j), MaxSum(r+1,j+1) } + D(r,j)
根据上面这个简单的递归式,我们就可以很轻松地写出完整的递归代码:
#include <iostream>
#include <algorithm>
#define MAX 101
using namespace std;
int D[MAX][MAX];
int n;
int MaxSum(int i, int j){
if(i==n)
return D[i][j];
int x = MaxSum(i+1,j);
int y = MaxSum(i+1,j+1);
return max(x,y)+D[i][j];
}
int main(){
int i,j;
cin >> n;
for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
cin >> D[i][j];
cout << MaxSum(1,1) << endl;
}
对于如上这段递归的代码,当提交到POJ时,会显示如下结果:
对的,代码运行超时了,为什么会超时呢?
答案很简单,因为我们重复计算了,当我们在进行递归时,计算机帮我们计算的过程如下图:
就拿第三行数字1来说,当我们计算从第2行的数字3开始的MaxSum时会计算出从1开始的MaxSum,当我们计算从第二行的数字8开始的MaxSum的时候又会计算一次从1开始的MaxSum,也就是说有重复计算。这样就浪费了大量的时间。也就是说如果采用递规的方法,深度遍历每条路径,存在大量重复计算。则时间复杂度为 2的n次方,对于 n = 100 行,肯定超时。
2、第二次解题:递归解法改进
接下来,我们就要考虑如何进行改进,我们自然而然就可以想到如果每算出一个MaxSum(r,j)就保存起来,下次用到其值的时候直接取用,则可免去重复计算。那么可以用n方的时间复杂度完成计算。因为三角形的数字总数是 n(n+1)/2
根据这个思路,我们就可以将上面的代码进行改进,使之成为记忆递归型的动态规划程序:
#include <iostream>
#include <algorithm>
using namespace std;
#define MAX 101
int D[MAX][MAX];
int n;
int maxSum[MAX][MAX];
int MaxSum(int i, int j){
if( maxSum[i][j] != -1 )
return maxSum[i][j];
if(i==n)
maxSum[i][j] = D[i][j];
else{
int x = MaxSum(i+1,j);
int y = MaxSum(i+1,j+1);
maxSum[i][j] = max(x,y)+ D[i][j];
}
return maxSum[i][j];
}
int main(){
int i,j;
cin >> n;
for(i=1;i<=n;i++)
for(j=1;j<=i;j++) {
cin >> D[i][j];
maxSum[i][j] = -1;
}
cout << MaxSum(1,1) << endl;
}
当我们提交如上代码时,结果就是一次AC:
3、第三次解题:递推解法
虽然在短时间内就AC了。但是,我们并不能满足于这样的代码,因为递归总是需要使用大量堆栈上的空间,很容易造成栈溢出,我们现在就要考虑如何把递归转换为递推,让我们一步一步来完成这个过程。
我们首先需要计算的是最后一行,因此可以把最后一行直接写出,如下图:
现在开始分析倒数第二行的每一个数,现分析数字2,2可以和最后一行4相加,也可以和最后一行的5相加,但是很显然和5相加要更大一点,结果为7,我们此时就可以将7保存起来,然后分析数字7,7可以和最后一行的5相加,也可以和最后一行的2相加,很显然和5相加更大,结果为12,因此我们将12保存起来。以此类推。。我们可以得到下面这张图:
然后按同样的道理分析倒数第三行和倒数第四行,最后分析第一行,我们可以依次得到如下结果:
上面的推导过程相信大家不难理解,理解之后我们就可以写出如下的递推型动态规划程序:
#include <iostream>
#include <algorithm>
using namespace std;
#define MAX 101
int D[MAX][MAX];
int n;
int maxSum[MAX][MAX];
int main(){
int i,j;
cin >> n;
for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
cin >> D[i][j];
for( int i = 1;i <= n; ++ i )
maxSum[n][i] = D[n][i];
for( int i = n-1; i>= 1; --i )
for( int j = 1; j <= i; ++j )
maxSum[i][j] = max(maxSum[i+1][j],maxSum[i+1][j+1]) + D[i][j];
cout << maxSum[1][1] << endl;
}
二. 什么是动态规划
下面就可以来总结一下什么是动态规划了:
动态规划即Dynamic Programming,简称DP。从本质上来看动态规划问题,最核心的思想就是将一个大的问题拆分成一个一个的子问题,通过定义问题与子问题之间的状态转移关系,从而使得问题可以递推的解决下去。(绝大部分递归的问题都可以用动态规划的方式来解决,而且可以大大减小时间复杂度和空间复杂度)
动态规划问题是面试题中的热门话题,如果要求一个问题的最优解(通常是最大值或者最小值),而且该问题能够分解成若干个子问题,并且小问题之间也存在重叠的子问题,则考虑采用动态规划。
可使用动态规划求解的题目特征:
①求一个问题的最优解
②大问题可以分解为子问题,子问题还有重叠的更小的子问题
③整体问题最优解取决于子问题的最优解(状态转移方程)
④从上往下分析问题,从下往上解决问题
⑤讨论底层的边界问题
1. 将原问题分解为子问题
- 把原问题分解为若干个子问题,子问题和原问题形式相同或类似,只不过规模变小了。子问题都解决,原问题即解决(数字三角形例)。
- 子问题的解一旦求出就会被保存,所以每个子问题只需求解一次。
2. 确定状态
- 在用动态规划解题时,我们往往将和子问题相关的各个变量的一组取值,称之为一个“状态”。一个“状态”对应于一个或多个子问题, 所谓某个“状态”下的“值”,就是这个“状 态”所对应的子问题的解。
- 所有“状态”的集合,构成问题的“状态空间”。“状态空间”的大小,与用动态规划解决问题的时间复杂度直接相关。 在数字三角形的例子里,一共有N×(N+1)/2个数字,所以这个问题的状态空间里一共就有N×(N+1)/2个状态。
- 整个问题的时间复杂度是状态数目乘以计算每个状态所需时间。在数字三角形里每个“状态”只需要经过一次,且在每个状态上作计算所花的时间都是和N无关的常数。
3. 确定一些初始状态(边界状态)的值
- 以“数字三角形”为例,初始状态就是底边数字,值就是底边数字值。
4. 确定状态转移方程
定义出什么是“状态”,以及在该“状态”下的“值”后,就要找出不同的状态之间如何迁移――即如何从一个或多个“值”已知的 “状态”,求出另一个“状态”的“值”(递推型)。状态的迁移可以用递推公式表示,此递推公式也可被称作“状态转移方程”。
数字三角形的状态转移方程:
下面会再收集一些可用动态规划来求解的题目,加强练习
三. 硬币找零问题
1. 问题描述
给定一组硬币数,找出一组最少的硬币数,来找换零钱N。
比如,可用来找零的硬币为: 1、3、4 待找的钱数为 6。用两个面值为3的硬币找零,最少硬币数为2。而不是 4,1,1
2. 动态规划求解分析
- 考虑该问题的最优子结构:设 c[j,i]表示 可用第 0,1,.... j 枚硬币 对 金额为 i 的钱 进行找钱 所需要的最少硬币数。
j表示可用的硬币种类数, i表示需要找回的零钱
第 j 枚硬币有两种选择:用它来找零 和 不用它找零。因此,c[j,i]的最优解如下:
c[j,i]= min{c[j-1,i] , c[j, i-coinsValues[j]] + 1} 其中,
c[j-1,i] 表示 不使用第 j 枚硬币找零时,对金额为 i 进行找钱所需要的最少硬币数
c[j, i-coinsValues[j]] + 1 表示 使用 第 j 枚硬币找零时,对金额为 i 进行找钱所需要的最少硬币数。由于用了第 j 枚硬币,故使用的硬币数量要增1
c[j,i] 取二者的较小值的那一个。 - 由上面的分析可知,其实就是从1块钱开始找零,找到i块钱。并每次把最小找零数目存储起来,方便后面调用。
3. 代码(参考文章:最少硬币找零问题-动态规划)
#include<iostream>
using namespace std;
//money需要找零的钱
//coin可用的硬币
//n硬币种类
void FindMin(int money, int *coin, int n)
{
int *coinNum = new int[money + 1]();//存储从1块钱开始,到money每个值找零最少需要的硬币的个数
int *coinValue = new int[money + 1]();//最后加入的硬币,方便后面输出是哪几个硬币
coinNum[0] = 0;
for (int i = 1; i <= money; i++)
{
int minNum = i;//i面值钱,需要最少硬币个数
int usedMoney = 0;//这次找零,在原来的基础上需要的硬币
for (int j = 0; j<n; j++)
{
if (i >= coin[j])//找零的钱大于这个硬币的面值,才需要进入下一步判断
{
//if(coinNum[i-coin[j]]+1<=minNum)//所需硬币个数减少了
/*
上面的判断语句有问题,在更新时,需要判断i-coin[j]是否能找的开,如果找不开,就不需要更新。
多谢zywscq 指正
*/
if (coinNum[i - coin[j]] + 1 <= minNum && (i == coin[j] || coinValue[i - coin[j]] != 0))//所需硬币个数减少了
{
minNum = coinNum[i - coin[j]] + 1;//更新
usedMoney = coin[j];//更新
}
}
}
coinNum[i] = minNum;
coinValue[i] = usedMoney;
}
//输出结果
if (coinValue[money] == 0)
cout << "找不开零钱" << endl;
else
{
cout << "需要最少硬币个数为:" << coinNum[money] << endl;
cout << "硬币分别为:";
while (money>0)
{
cout << coinValue[money] << ",";
money -= coinValue[money];
}
}
delete[]coinNum;
delete[]coinValue;
}
int main()
{
int Money = 54;
int coin[] = { 1,2,5,9,10 };
FindMin(Money, coin, 5);
getchar();
return 0;
}
参考文章: