动态规划(dynamic programming)是运筹学的一个分支,是求解决策过程(decision process)最优化的数学方法。
动态规划之Fib数列
有个小孩上楼梯,共有N阶楼梯,小孩一次可以上1阶,2阶。走到N阶楼梯,一共有多少种走法?
DP之自顶向下分析方式:
爬到第N阶楼梯,一共只有2种情况(全划分,加法原理),从第N-1阶爬1阶到第N阶;从第N-2阶爬2阶到第N阶;
因此:way(N)=way(N-1)+way(N-2)
"""动态规划 先解决小数据量的 再层层递推的解决大数据量级的问题 时间复杂度o(n)"""
"""上楼梯问题:N阶楼梯 一次能上1或2层 共有多少种上法"""
#使用fib数列
def fib2(n):
memo=[-1 for x in range(n)]
memo[0]=1
memo[1]=2
for i in range(2,n):
memo[i]=memo[i-1]+memo[i-2]
return memo[n-1]
print(fib2(5))
----------------------------------------------
8
任务安排问题
在做任务时间不冲突的情况下,求出所做任务的收益最大值。
# 数组arr存储的是每个任务的收益;
arr = [0, 5, 1, 8, 4, 6, 3, 2, 4]
#数组prev存储的是指定任务之前可以执行的任务
prev = [0, 0, 0, 0, 1, 0, 2, 3, 5]
def dp_opt(arr):
#计算任务的长度
len_arr = len(arr)
# 存储执行到每个任务可以获得的最优解;
opt = [0 for i in range(len_arr)]
opt[0] = 0
opt[1] = arr[1]
for i in range(2, len(arr)):
# 不选择做这个任务的最优解;
A = opt[i - 1]
# 选择做这个任务的最优解;
B = arr[i] + opt[prev[i]]
opt[i] = max(A, B)
return opt[-1]
print(dp_opt(arr))
不相邻数最大和
问题描述: 给定数组A=[1,2,4,1,7,8,3],求出数组A中互不相邻的数的最大和。
例如:如果选择了8,则不能选择7和3,在本例中最大的和为1+4+7+3=15
arr=[0,1,2,4,1,7,8,3]
def dp_result(arr):
memo=[0 for i in range(len(arr))]
memo[0]=0
memo[1]=arr[1]
memo[2]=arr[2]
print(memo[0])
print(memo[1])
print(memo[2])
for i in range(3,len(arr)):
A=memo[i-1]
B=arr[i]+memo[i-2]
memo[i]=max(A,B)
print(memo[i],end=',')
return memo[-1]
print('\n数组中互不相临的数的最大和为:',dp_result(arr))
------------------------------------------------------
0
1
2
5,5,12,13,15,
数组中互不相邻的数的最大和为: 15
使用numpy解决:
import numpy as np
A=[1,2,4,1,7,8,3]
def non_rec_f(A):
opt=np.zeros(len(A))
opt[0]=A[0]
opt[1]=max(A[0],A[1])
for i in range(2,len(A)):
opt[i]=max(opt[i-2]+A[i],opt[i-1])
return opt[-1]
print(non_rec_f(A))
----------------------------------------------
15.0