1.4动态规划初步

动态规划

• DSA的优化

Make it work, make it right, make it fast.
— Kent Beck

• 前两步可以通过递归实现，优化可采取迭代，
• 从某种意义上来讲，动态规划就是通过递归，找出算法的本质，给出问题的初步解，再将其等效得转化为迭代的形式。

斐波那契数列的计算

• 法一：递归
  • 效率过低，原因在于计算每一项时要重复计算已经计算过的数字，复杂度为O（2^n)

int fib(n) { return (2>n) ? n : fib(n-1) + fib(n-2); }

• 法二：记忆法(memoization)

  • 将已计算过实例的结果制表查询

• 法三：动态规划(dynamic programming)

  • 颠倒计算方向：由自顶向下递归，改为自底向上迭代

  int f = 0, g = 1;//fib(0), fib(1)
  while(n--){
  	g = g + f;//不断迭代，使他们始终指向斐波那契数列中当前相邻的两项
  	f = g - f;
  }
  return g;
  

最长公共子序列

• 子序列(Subsequence)：由序列中若干字符，按原相对次序构成
• 最长公共子序列(Longest Common Subsequence)：两个序列公共子序列中的最长者
  • 可能有多个，可能有歧义(同一个字符由一个序列中的不同位置的字符均可提供）
    

递归法

• 对于序列A[0, n]和B[0, m],LCS(A, B)有三种情况
  • 递归基：若n = -1或m = -1,则取作空序列("")
  • 减而治之：若A[n] = ‘X’ = B[m], 则取作LCS(A[0, n], B[0, m)) + ‘X’
  • 分而治之：若A[n] != B[m], 则在 LCS（A[0,n], B[0,m))与LCS(A[0,n),B[0,m])中取更长者
• 复杂度分析
  • 单调性：无论如何，每经过一次比对，原问题的规模必可减小，具体的，作为输入的两个序列，至少其一的长度缩短一个单位
  • 最好情况（不出现分而治之情况）下，只需要O(n+m)时间
  • 问题在于，（在分而治之情况下）原问题将分解为两个子问题，两个子问题的规模之和，大致是原问题的两倍，且它们在随后进一步导出的子问题，可能雷同
  • 复杂度O(2^n)

迭代法

• 采用动态规划的策略，只需要O(n*m)时间即可计算出所有的子问题
  • 将所有的子问题（假想地）列成一张表
  • 颠倒计算方向，从LCS(A[0], B[0])出发，依次计算出所有项

总结

• 递归：设计出可行且正确的解
• 动态规划：消除重复的计算，提高效率