首先引入动态变化的含义:为什么要有动态规划?
Introduction:
从斐波那契函数的递归中我们发现,在例子求fib(7)的过程中,我们需求得fib(5)和fib(6),而我们在求fib(6)的时候必然需要求fib(5),因此我们会重复进行两遍fib(5)的操作,所以对我们程序的时间和空间都造成巨大浪费,且此程序的时间复杂度高达O(2^n),这是非常可怕的指数型复杂度。所以我们引入了动态规划。如图所示,如果我们对fib(5)等类似以及求过的结果进行存储,那么我们的时间复杂度降至了O(n),极大程度提高了程序的效率。
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。
接下来引入最为著名的动态规划的入门问题:背包问题(knapsack problem):
问题可以描述为:给定一组物品,每种物品都有自己的重量和价格,在限定的总重量内,我们如何选择,才能使得物品的总价格最高。
首先我们创建一个数组dp[i][w]代表:对前i个物品,当背包的承重为w是,所能装下的物品的最高价格。且我们很容易知道dp[0][...]和dp[...][0]等于0。而这两组数组也是我们进行动态变化的初值。
然后我们要进行判断,首先我们把物品的个数定为确定的值i,然后对w进行不断递增,对于dp[i][w]来说,他的最大值可以进行如下的讨论:
如果我们装下第i个物品,即w的值必须大于该物品的重量,然后我们装下这个物品后,剩余的空间为w-wt[i],我们就假设又拿了一个包,这个包的容量是w-wt[i],且只能装i-1个物品,那么我们就得到了此时的总价值为:该物品i的价值加上承重为w-wt[i]条件下前面i-1个物品的总价值val[i-1]+dp[i-1][w-wt[i]]
如果我们不装下第i个物品,那么我们的目标值就是除去第i个物品的最大值,即dp[i-1][w]
最后我们比较dp[i-1][w]和val[i-1]+dp[i-1][w-wt[i]]的值,最大值即为dp[i][w],当w到达最大值后,i++,然后循环往复上述操作,知道dp[N][W]赋值完毕,返回dp[N][W]即可
最后附上Java代码
public class Package {
public int knapsack(int W, int N, int[] wt, int[] val) {
//W为背包容量,N为物品个数
int [][] dp = new int[N+1][W+1];
for(int i =1;i<=N;i++) {
for(int w = 1;w<=W;w++) {
if(w-wt[i-1]<0) {
dp[i][w]=dp[i-1][w];
}
else {
dp[i][w] = Math.max(dp[i-1][w-wt[i-1]]+val[i-1], dp[i-1][w]);
}
}
}
return dp[N][W];
}
}