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。
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。
步骤:1.找出最优解的性质,并刻画其结构特征;
2.递归地定义最优值(写出动态规划方程);
3.以自底向上的方式计算出最优值;
4.根据计算最优值时得到的信息,构造一个最优解。
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:
(1)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。
(2)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。
1、最大字段和问题
#include<iostream>
using namespace std;
#define NUM 1001
int a[NUM];
void MaxSum(int n, int& besti, int& bestj)
{
int sum = 0;
int b = 0;
int begin = 0;
for (int i = 1; i <= n; i++)
{
if (b > 0) b += a[i];
else { b = a[i]; begin = i; }
if (b > sum)
{
sum = b;
besti = begin;
bestj = i;
}
}
cout << "最大子段和为:" << sum << endl << "起始位置:" << begin << "\n终止位置:" << bestj << endl;
}
int main()
{
int i=1;
while (cin >> a[i])
{
if (a[i] != NULL) i++;
else
{
break;
}
}
MaxSum(i,i,i);
}
2、0-1背包问题
举例:
#include<iostream>
#include<algorithm>
using namespace std;
#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
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]);
}
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;
}
int main()
{
int c, n,x[NUM];
cin >> c >> n;
for (int i = 1; i <= n; i++)
{
cin >> w[i] >> v[i];
}
knapsack(c, n);
cout << "最优值:"<<p[1][c] << endl;
traceback(c, n, x);
cout << "最优解:";
for (int i = 1; i <= n; i++)
{
if (x[i] == 1)
cout << i << " ";
}
}