动态规划算法——>数塔的求解、资源分配问题

一、算法的说明

动态规划主要针对优化问题。所谓规划就是“比较全面的长远的计划”。在动规的算法策略中，它体现在他的决策不是线性的，而是全面考虑各种不同的情况再分别进行决策，最后通过多阶段决策逐步找出问题的最终解。当各个阶段采取决策后，会不断决策出新的数据，直到找到最优解为止。每次的决策又依赖于当前的状态，又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的。所以，这种多阶段的最优化决策解决问题的过程称为动态规划。

二、算法的基本思想

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。
动态规划算法与分治法类似，其基本思想也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。与分治法不同的是，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。

三、算法的设计基本步骤

1. 确定问题的决策对象。
2. 对决策过程划分阶段。
3. 对各阶段确定状态变量（选择阶段）。
4. 根据状态变量确定费用函数和目标函数。
5. 建立各阶段状态变量的转移过程，确定状态转移方程。

四、算法的应用条件

1. 满足最优化原理：又称最优子结构性质，是指一个问题的最优解包含其子问题的最优解，或一个最优化策略的子策略总是最优的。
2. 具有无后向性：即某一阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关，这种特性被称为无后效性。
3. 子问题重叠：也就是说子问题之间是不独立的，一个子问题在下一个阶段决策中可能被多次使用到。对有分解过程的问题还表现在自顶向下分解问题时，每次产生的子问题并不总是新问题，有些子问题会反复出现多次。这个性质并不是动态规划适用的必要条件，但是如果该性质无法满足，动规算法同其他算法相比就不具备任何优势。

五、算法的相关应用

0/1背包问题，完全背包问题，分组背包问题，二分查找树，数字三角形，最短路径，项目管理，活动优先次序问题、资源分配问题等等。

六、典型例题一：数塔问题

1.问题描述

有形如右图的一个数塔，从顶部出发，在每一结点可以选择向左走或是向右走，一直走到底层，要求找出一条路径，使路径上的数值和最大。

2.思路分析

🔲原始信息存储
层数用整型变量n存储；数塔中的数据用二维数组data[ ][ ]存储，下三角阵
🔲动态规划过程存储
必须用二维数组d[ ][ ]存储各阶段的决策结果。二维数组d的存储内容如下：
d[n][j]=data[n][j]，其中j=1,2,……,n；（对第n行）
d[i][j]=max(d[i+1][j]，d[i+1][j+1])+data[i][j]，其中i=n-1,n-2,……1，j=1,2,……,i；
🔲最后d[1][1]存储的就是问题的最大值。
🔲可以通过分析d，得到路径。
🔲输出data[1][1]“9”；
b=d[1][1]-data[1][1]=59-9=50 b与d[2][1],d[2][2] 比较b与d[2][1]相等，输出data[2][1]“12”；
b=d[2][1]-data[2][1]=50-12=38 b与d[3][1],d[3][2] 比较b与d[3][1]相等，输出data[3][1]“10”；
b=a[3][1]-data[3][1]=38-10=28 b与d[4][1],d[4][2] 比较b与d[4][2]相等，输出data[4][2]“18”；
b=d[4][2]-data[4][2]=28-18=10 b与d[5][2],d[5][3] 比较b与d[5][3]相等，输出data[5][3]“10”
🔲为了设计简洁的算法，可以用三维数组a[50][50][3]存储以上确定的三个数组的信息。
a[50][50][1]代替数组data，
a[50][50][2]代替数组d,
a[50][50][3]记录解路径。

3.算法的伪码描述

for( i=1 ;i<=n;i++)　
    for (j=1;j<=i;j++){ 
        input(a[i][j][1]);        
        a[i][j][2]=a[i][j][1];        
        a[i][j][3]=0;}
for (i=n-1 ; i>=1;i--)  
    for (j=1 ;j>= i ;j++)　
        if (a[i+1][j][2]>a[i+1][j+1][2]) {
            a[i][j][2]=a[i][j][2]+a[i+1][j][2];        
            a[i][j][3]=0;}  
    else {
        a[i][j][2]=a[i][j][2]+a[i+1][j+1][2];        
        a[i][j][3]=1;}
print('max=’,a[1][1][2]);
j=1;
for( i=1 ;i<= n-1;i++){
   print(a[i][j][1],‘->’);   
    j=j+a[i][j][3]; }
print (a[n][j][1]);

七、典型例题二：资源分配问题

1.问题描述

现有7万元投资到A，B，C三个项目，利润见表,问题：求总利润最大的资源分配方案。

2.思路分析

🔲划分阶段或找到子问题；比较直观的划分：每个阶段考虑一个项目的投资;每个阶段增加一个项目，考察投资利润情况。
🔲选择状态；每个阶段可以得到的最大利润;在第i阶段：前i个项目通过投资组合可得的最大利润；投资额不定：第i阶段总投资额为x时，设fi(x)为最大利润。
🔲确定决策并写出状态转移方程;
f1(x)= g1(x)
fi(x)= max{gi(xi)+ fi-1(x-xi)}
gi(x):i项目投x后可得利润;
fi(x):第i阶段投x的最大利润;0≤x≤n,0≤xi≤x

3.算法的伪码描述

main( ) 
{
    int   i,j,k,m,n,rest;
    int  a[100][100]，gain[100];         
    float  q[100],f[100],temp[100];         
    print(“projects? ”);
    input (m);
    print(“money? ”);
    input (n);
    print(“input one item gain table:”);
    for( j=0;j<= n;j++)
    {
        input(q[j]);
        f[j]=q[j];
    }
    for( j=0;j<= n;j++)             
        a[1,j]=j;
    for( k=2;k<=m;k++)
    {
        for( j=0;j<= n;j++)
        {
         temp[j] = q[j]; 
            input(q[j]); 
            a[k][j]=0;
        }    
        for( j=0 ;j<= n;j++) 　   
            for( i=0 ;i<=j;i++)         
                if (f[j-i] + q[i] > temp[j])
                {
        
                    temp[j] = f[j-i]+q[i];  
                    a[k,j] = i; }
                    for(j=0;j<= n;j++)
                        f[j] = temp[j];
                }
    rest=n;       
    for(i=m;i>=1;i--)
    {
            gain[i] = a[i][rest];
            rest = rest - gain[i];
       }
    for(i=1;i<=m;i++)
            print(gain[i],” ”);       
    print(f[n]);
}