算法分析与设计5_动态规划

动态规划

动态规划算法通常用于求解具有某种最优性质的问题。
在这类问题中，可能会有许多可行解。
每一个解都对应于一个值，我们希望找到具有最优值的解。
基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。
如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。
我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。
这就是动态规划法的基本思路。
具体的动态规划算法多种多样，但它们具有相同的填表格式。

找出最优解的性质，并刻画其结构特征；
递归地定义最优值（写出动态规划方程）；
以自底向上的方式计算出最优值；
根据计算最优值时得到的信息，构造一个最优解。
步骤1～3是动态规划算法的基本步骤。
在只需要求出最优值的情形，步骤4可以省略；
若需要求出问题的一个最优解，则必须执行步骤4。

动态规划算法的有效性依赖于问题本身所具有的两个重要性质：
最优子结构：
当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。
重叠子问题：
在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只解一次，而后将其解保存在一个表格中，在以后尽可能多地利用这些子问题的解。

最长公共子序列

若给定序列X={x1,x2,…,xm}，则另一序列Z={z1,z2,…,zk}，是X的子序列是指存在一个严格递增下标序列{i1,i2,…,ik}使得对于所有j=1,2,…,k有：zj=xij。
例如，序列Z={B，C，D，B}是序列X={A，B，C，B，D，A，B}的子序列，相应的递增下标序列为{2，3，5，7}。
给定2个序列X和Y，当另一序列Z既是X的子序列又是Y的子序列时，称Z是序列X和Y的公共子序列。
给定2个序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}，找出X和Y的最长公共子序列。
设序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}的最长公共子序列为Z={z1,z2,…,zk} ，则
若xm=yn，则zk=xm=yn，且zk-1是xm-1和yn-1的最长公共子序列。
若xm≠yn且zk≠xm，则Z是xm-1和Y的最长公共子序列。
若xm≠yn且zk≠yn，则Z是X和yn-1的最长公共子序列。

#define NUM 100
int c[NUM][NUM];
int b[NUM][NUM];
void LCSLength　(int m, int n, const char x[],char y[])
{  
　　int i,j;
　　//数组c的第0行、第0列置0
　　for (i = 1; i <= m; i++) c[i][0] = 0;
　　for (i = 1; i <= n; i++) c[0][i] = 0;
　　//根据递推公式构造数组c
　　for (i = 1; i <= m; i++)
　　for (j = 1; j <= n; j++)
　　{
	if (x[i]==y[j]) 
	　　{c[i][j]=c[i-1][j-1]+1; b[i][j]=1; }		//↖
	else if (c[i-1][j]>=c[i][j-1]) 
		{c[i][j]=c[i-1][j]; b[i][j]=2; }		//↑
	else { c[i][j]=c[i][j-1]; b[i][j]=3; }			//←
　　}
}
void LCSLength　(int m, int n, const char x[],char y[])
{  
　　int i,j;
　　//数组c的第0行、第0列置0
　　……;
　　//根据递推公式构造数组c
　　for (i = 1; i <= m; i++)
　　for (j = 1; j <= n; j++)
　　{
	if (x[i]==y[j]) 
	　　{c[i][j]=c[i-1][j-1]+1; b[i][j]=1; }		//↖
	else if (c[i-1][j]>=c[i][j-1]　) 
		{c[i][j]=c[i-1][j]; b[i][j]=2; }		//↑
	else { c[i][j]=c[i][j-1]; b[i][j]=3; }			//←
　　}
}
void LCS(int i,int j,char x[])
{
	if (i ==0 || j==0) return;
	if (b[i][j]== 1){ LCS(i-1,j-1,x);　 printf("%c",x[i]); }
	else if (b[i][j]== 2) LCS(i-1,j,x);
	else LCS(i,j-1,x);
}

计算最大子段和的动态规划算法

#define NUM 1001
int a[NUM];
int MaxSum(int n)
{
	int sum=0; 
	int b=0;
	for (int i=1;i<=n;i++)
	{
		if (b>0) b+=a[i]; else b=a[i];
		if (b>sum) sum=b;
	}
	return sum;
}
int main()
{
	//......
	return 0;
}

0-1背包问题

给定一个物品集合s＝｛1，2，3，…，n｝，物品i的重量是wi，其价值是vi，背包的容量为W，即最大载重量不超过W。在限定的总重量W内，我们如何选择物品，才能使得物品的总价值最大。
如果物品不能被分割，即物品i要么整个地选取，要么不选取；
不能将物品i装入背包多次，也不能只装入部分物品i，则该问题称为0—1背包问题。
如果物品可以拆分，则问题称为背包问题，适合使用贪心算法。
#define NUM 50 //物品数量的上限
#define CAP 1500 //背包容量的上限
int w[NUM]; //物品的重量
int v[NUM]; //物品的价值
int p[NUM][CAP]; //用于递归的数组
//形参c是背包的容量W，n是物品的数量

0-1背包问题的动态规划算法

void knapsack(int c, int n) 
{ 
　　//计算递推边界
　　int jMax=min(w[n]-1,c); 		//分界点
　　for( int j=0; j<=jMax; j++)   p[n][j]=0; 
　　for( int j=w[n]; j<=c; j++)    p[n][j]=v[n];
　　for( int i=n-1; i>1; i--) 		//计算递推式
　　{ 
	jMax=min(w[i]-1,c);
	for( int j=0; j<=jMax; j++) 
	　　p[i][j]=p[i+1][j]; 
	for(int j=w[i]; j<=c; j++) 
	　　p[i][j]=max(p[i+1][j], p[i+1][j-w[i]]+v[i]); 
　　} 
　　p[1][c]=p[2][c]; 			//计算最优值
　　if (c>=w[1])   p[1][c]=max(p[1][c], p[2][c-w[1]]+v[1]); 
}

0-1背包问题的最优解

void traceback( int c, int n, int x[ ]) 
{ 
　for(int i=1; i<n; i++) 
　{
　　if (p[i][c]==p[i+1][c]) x[i]=0; 
　　else { x[i]=1; c-=w[i]; } 
　}
　x[n]=(p[n][c])? 1:0; 
}

拦截导弹

问题描述
　　某国为了防御敌国的导弹袭击，发展出一种导弹拦截系统。但是这种导弹拦截系统有一个缺陷：虽然它的第一发炮弹能够到达任意的高度，但是以后每一发炮弹都不能高于前一发的高度。某天，雷达捕捉到敌国的导弹来袭。由于该系统还在试用阶段，所以只有一套系统，因此有可能不能拦截所有的导弹。

输入导弹依次飞来的高度（雷达给出的高度数据是不大于30000的正整数），计算这套系统最多能拦截多少导弹，如果要拦截所有导弹最少要配备多少套这种导弹拦截系统。
输入格式
　　一行，为导弹依次飞来的高度
输出格式
　　两行，分别是最多能拦截的导弹数与要拦截所有导弹最少要配备的系统数

样例输入
389 207 155 300 299 170 158 65

样例输出
6
2

#include <iostream>
#include <algorithm>
#include <cstdio>
using namespace std;

#define M 1010
int f_down[M], f_up[M], a[M], n;
int ans_down, ans_up;

int main() {
	while (cin >> a[++n]) f_down[n] = f_up[n] = 1;
	n--;
	for (int i = 2; i <= n; i++)
	for (int j = 1; j < i; j++) {
		if (a[i] > a[j]) f_up[i] = max(f_up[i], f_up[j] + 1);//最长不上升序列
		if (a[i] <= a[j]) f_down[i] = max(f_down[i], f_down[j] + 1);//最长不下降序列
	}
	for (int i = 1; i <= n; i++) {
		ans_down = max(ans_down, f_down[i]);
		ans_up = max(ans_up, f_up[i]);
	}
	printf("%d\n%d", ans_down, ans_up);
	return 0;
}