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