参考链接:动态规划(python) 回溯法
总结:首先穷举法,备忘录,动态规划优化
理解递归与非递归方法的区别
从斐波那契数列看动态规划
def fibnacci(n):#(递归法)复杂度为O(2^n)
if n == 1 or n == 2:
return 1
else:
return fibnacci(n - 1) + fibnacci(n - 2)
使用一个数组充当【备忘录】,也可以是字典
def fibnacci_n_recurision(n):#备忘录存储子问题答案,复杂度O(n)
f = [0, 1, 1]
if n > 2:
for i in range(n - 2):
num = f[-1] + f[-2]
f.append(num)
return f[n]
总结:
1.递归是【自顶向下】的方法;动态规划是【自底向上】,即动态规划一般都脱离了递归,而是由循环迭代完成计算。
2.动态规划的思想==递归式+重复子问题
3.动态规划遵循一套固定的流程:递归的暴力解法——>带备忘录的递归解法——>非递归的动态规划解法。这个过程是层次递进 的解决问题的过程。
=====================================================================================
动态规划
定义:把多阶段的过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解,创立了解决这类过程优化问题的新方法——动态规划。
1.1.使用动态规划特征
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
1.2基本思想
若要解一个给定问题,我们需要解其不同部分(即子问题),再合并子问题的解以得出原问题的解。
三个概念:最优子结构,边界,状态转移方程
例题分析:
1.钢条切割(收益最大)
这钢条长度与出售价格之间的关系
1.2递推式解决
分析:可以将求解规模为n的原问题,规划为规模更小的子问题,完成一次切割后,可以将产生的两段钢条看成两个独立的钢条切割问题,结合两个子问题的最优解,并在所有可能的两段切割方案中选取组合收益最大的,构成原问题的最优解。
设长度为n的钢条切割后最优收益值为r(n),可以得到递推式:
代码实现:
def cut_rod_recurision_1(p, n):
if n == 0:
return 0
else:
res = p[n]
for i in range(1, n):
res = max(res, cut_rod_recurision_1(p, i) + cut_rod_recurision_1(p, n - i))
return res
1.3递推式简化
代码实现:
def _cut_rod(p, n):
if n == 0:
return 0
q = 0
for i in range(1, n+1):
q = max(q, p[i] + _cut_rod(p, n-i))
return q
2动态规划实现
思想:1.每个子问题只求解一次,保存求解结果
2.之后需要此问题时,只需要查找保存的结果
代码实现:复杂度O(n^2)
def cut_rod_dp(p, n):
r = [0 for _ in range(n+1)]
for j in range(1, n+1):
q = 0
for i in range(1, j+1):
q = max(q, p[i]+r[j-i])
r[j] = q
return r[n]
def cut_rod_dp(p, n):
r = [0]
for i in range(1, n+1):
res = 0
for j in range(1, i+1):
res = max(res, p[j]+r[i-j])
r.append(res)
return r[n]