动态规划算法 c语言,算法小专栏：动态规划（一）

级别： ★☆☆☆☆

标签：「算法」「DP策略」「动态规划」

作者： MrLiuQ

审校： QiShare团队

本篇将介绍动态规划相关知识。

一、简介

动态规划(Dynamic Programming，简称DP)。

它的核心思想是把一个复杂的大问题拆成若干个子问题，通过解决子问题来逐步解决大问题。

注意：使用动态规划思想有个前提：当且仅当每个子问题都是离散的(即每个子问题都不依赖于其他子问题时)，才能使用动态规划。

二、动态规划之“0-1背包问题”

现在有这么一个场景，

“你”是一名“小偷”，你带了个包去“偷东西”，。

条件1：每个商品只有一个，要么拿，要么不拿。(0-1背包问题)

条件2：你最多拿得动4kg的东西。(固定大小，可不装满)

商品

价格

重量

商品A

3000元

4kg

商品B

2000元

3kg

商品C

1500元

1kg

商品D

2000元

1kg

在有限的重量条件下，如何“偷”，赚的钱最多？

方案一：简单算法(可行，不推荐)

暴力枚举出所有商品的排列组合，

舍去所有超出重量要求的组合，

从中挑一个最大的。

可行，但是太慢了，每多一件商品都会多2倍的组合。

方案测评：时间复杂度 O(2n)，超级超级慢，不推荐。

方案二：贪心算法(不可行)

用上篇介绍的贪心算法计算。

通过某个贪心策略(拿最贵的、拿性价比最高的商品)来得出近似解。

方案测评：这种方案接近最优解，是近似解，但不一定是最优解，故不可行。

方案三：动态规划(可行，推荐)

原理：先解决子背包最优，再解决大背包最优。

先绘制出一张表格，一会我们一列一列慢慢填。(PS：体会动态规划的算法过程)

表格：(实际上对应了一个二维数组)

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

商品B

商品C

商品D

先解读一下这个表格，

行：代表了商品行(对应i)，

列：代表了重量列(对应j)，

格：代表当前的已有的商品、已有重量下所能拿的最大价值。

好了，下面我们开始一列一列的填：

第一行，只有商品A(价值：3000，重量：4kg)

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

商品B

商品C

商品D

第二行，有商品A(价值：3000，重量：4kg)与商品B(价值：2000，重量：3kg)

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

商品B

/

商品C

商品D

第三行，有商品A(价值：3000，重量：4kg)、商品B(价值：2000，重量：3kg)商品C(价值：1500，重量：1kg)

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

商品B

/

商品C

1500

商品D

第四行，有商品A(价值：3000，重量：4kg)、商品B(价值：2000，重量：3kg)、商品C(价值：1500，重量：1kg)、商品D(价值：2000，重量：1kg)

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

商品B

/

商品C

1500

商品D

2000

大家有没有发现，这里填写每个表格时的算法可表示为：

对应行的商品的重量超过当前子背包的重量，就取上一行单元格的值，

商品的重量能装下当前子背包，则取下面两者的较大值：

上一个单元格的值(cell[i-1][j])

当前商品的价值 + 剩余空间的价值(cell[i-1][j-当前商品的重量所对应的列号])

下面填第二列：

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

/

商品B

/

/

商品C

1500

1500

商品D

2000

3500

第三列：

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

/

/

商品B

/

/

2000

商品C

1500

1500

2000

商品D

2000

3500

3500

第四列：

商品\ 子背包最大重量

1kg

2kg

3kg

4kg

商品A

/

/

/

3000

商品B

/

/

2000

3000

商品C

1500

1500

2000

3500

商品D

2000

3500

3500

4000

于此反复判断即可，这样每个单元格都是最优解，通过解决子问题，推导出最终最优解。

这就是动态规划，是不是很简单呢？

转换成Python代码：

def package_dp(a, b, flag, n):

c = [[0 for i in range(n)] for j in range(n)]

for j in range(n):

c[0][j] = 0

for i in range(n):

c[i][0] = 0

for j in range(n):

if b[i]>flag[j]:

c[i][j] = c[i-1][j]

else:

temp1 = a[i] + c[i-1][j-b[i]]

temp2 = c[i-1][j]

c[i][j] = max(temp1,temp2)

print c[i][j]

print ("")

return c

price = [0, 3000, 2000, 1500, 2000]

weight = [0, 4, 3, 1, 1]

flag = [0, 1, 2, 3, 4]

package_dp(price, weight, flag, 5)

三、细节问题

子背包拆分问题：按照 所有商品 的最大公约数(也有可能存在小数)去拆子背包。

让所有的商品都能被刚好装下。

通过子背包的最优解 => 推导出 => 全背包的最优解。

这个过程的思想，就是DP思想(动态规划的核心思想)

四、动态规划的应用场景

本文举了背包与矩阵连乘的例子，其实思路都是一样的。

只是应用场景不同，常见的应用场景有以下几个：

0-1背包问题( ✔️)

矩阵连乘法( ✔️)

硬币找零

字符串相似度

最长公共子序列

最长递增子序列

最大连续子序列和/积

有代价的最短路径

瓷砖覆盖(状态压缩DP)

工作量划分