分治技术的问题
如果子问题不是相互独立的,分治将重复计算子问题, 效率很低
动态规划的核心思想
- 把原始问题划分成一系列子问题
- 求解每个子问题仅一次,并将结果存入到一个表中,以后用到时直接取用,不重复计算,节省计算时间;自底向上进行计算,分治是自顶向上
使用动态规划的条件
- 最优子结构,使我们能自底向上完成问题。保证了动态规划的正确性
- 重叠子问题,在问题的求解过程中,很多子问题将被重复使用。如果没有重复子问题,使用动态规划就是在浪费存储空间,没有达到加速的效果。保证了动态规划的有效性
动态规划算法的设计步骤
- 分析优化解的结构
- 递归地定义最优解的代价
- 自底向上地计算优化解的代价保存之,并获取构造最优解的信息,保证每次计算时都用到之前计算过并存储起来的数据
- 根据构造最优解的信息构造优化解
几个栗子
1、设A1,A2,…,An为矩阵序列,Ai为Pi-1×Pi阶矩阵,i = 1,2,…,n. 确定乘法顺序使得元素相乘的总次数最少.
输入:向量P = <P0, P1, … , Pn>
实例:
P = <10, 100, 5, 50> A1: 10 × 100, A2: 100 × 5, A3: 5 × 50
乘法次序:
(A1 A2)A3: 10 × 100 × 5 + 10 ×5 × 50 = 7500
A1(A2 A3): 10 × 100 × 50 + 100 × 5 × 50 = 75000
分析:
记Ai,j=Ai*Ai+1*....*Aj
–cost(Ai,j )=计算Ai-j的代价
若计算Ai,j的优化顺序在k处断开,即Ai,j=Ai.k*Ak+1.j,则Ai.k和Ak+1为其分别所对应的子问题的最优解。即具有优化子结构。由下图分析可以知道具有子问题重叠性,所以可以用动态规划算法。
递推方程:
代码:
#include<stdio.h>
#define N 5
int m[N+1][N+1]; //m[i][j]存储Ai到Aj的最小乘法次数
int s[N+1][N+1];//s[i][j]存储Ai到Aj之间加括号的位置
void RecurMatrixChain(int P[],int n)
{
int i,l,k,j;
int q;
for(i=1;i<=n;i++)
{
m[i][i]=0; //只有一个矩阵
}
for(l=2;l<=n;l++) //计算的l对角线
{
//计算m[i][j]
for(i=1;i<=n-l+1;i++)
{
j=i+l-1;
m[i][j]=999999;
s[i][j]=i;
//乘号打在k的后面的情况
for(k=i;k<j;k++)
{
q=m[i][k]+m[k+1][j]+P[i-1]*P[k]*P[j];
if(m[i][j]>q)
{
m[i][j]=q;
s[i][j]=k;
}
}
}
}
}
int main()
{
int P[N+1]={30,35,15,5,10,20};
RecurMatrixChain(P,N);
printf("%d %d",m[1][5],s[1][5]);
return 0;
}<span style="font-size:14px;"><strong>
</strong></span>
2、最长公共子序列问题
问题描述:字符序列的子序列是指从给定字符序列中随意地(不一定连续)去掉若干个字符(可能一个也不去掉)后所形成的字符序列。令给定的字符序列X=“x0,x1,…,xm-1”,序列Y=“y0,y1,…,yk-1”是X的子序列,存在X的一个严格递增下标序列<i0,i1,…,ik-1>,使得对所有的j=0,1,…,k-1,有xij=yj。例如,X=“ABCBDAB”,Y=“BCDB”是X的一个子序列。
第i前缀
–设X=(x1, x2, ..., xn)是一个序列,X的第i前缀Xi是一个序列,定义为Xi=(x1, ..., xi )
设C[i,j]: 保存Xi与Yj的LCS的长度。
定理(优化子结构)设X=(x1, ..., xm)、Y=(y1, ..., yn) 是两个序列,Z=(z1, ..., zk)是X与Y的LCS,我们有:
⑴ 如果xm=yn, 则zk=xm=yn, Zk-1是Xm-1和Yn-1的LCS,即,LCSXY = LCSXm-1Yn-1+ <xm=yn>.
⑵ 如果xm不等于yn,且zk不等于xm,则Z是Xm-1和Y的LCS,即 LCSXY= LCSXm-1Y
⑶ 如果xm不等于yn,且zk不等于yn,则Z是X与Yn-1的LCS,即 LCSXY= LCSXYn-1
数据结构:
C[m+1,n+1]: C[i,j]是Xi与Yj的LCS的长度
B[m+1,n+1]: B[i,j]是指针,指向计算C[i,j]时所选择的子问题的优化解所对应的C表的表项
#include<stdio.h>
#include <string.h>
#define MAXLEN 100
int b[MAXLEN+1][MAXLEN+1];
int c[MAXLEN+1][MAXLEN+1];
void LCSLength(char *x, char *y, int m, int n)
{
int i,j;
for(i=0;i<=m;i++)
c[i][0]=0;
for(j=0;j<=n;j++)
c[0][j]=0;
for(i=1;i<=m;i++)
for(j=1;j<=n;j++)
{
if(i==j)
{
c[i][j]=c[i-1][j-1]+1;
b[i][j]=0; //记录方向
}
else if(c[i-1][j]>=c[i][j-1])
{
c[i][j]=c[i-1][j];
b[i][j]=1;
}
else
{
c[i][j]=c[i][j-1];
b[i][j]=-1;
}
}
}
void PrintLCS(char* x,int i,int j)
{
if(i==0||j==0)
return;
if(b[i][j]==0)
{
PrintLCS(x,i-1,j-1);
printf("%c",x[i]); //注意这两句的顺序不能颠倒
}
else if(b[i][j]==1)
PrintLCS(x,i-1,j);
else
PrintLCS(x,i,j-1);
}
int main()
{
char x[MAXLEN] = {"ABCBDAB"};
char y[MAXLEN] = {"BDC"};
int m, n;
m = strlen(x);
n = strlen(y);
LCSLength(x, y, m, n);
PrintLCS(x, m, n);
return 0;
}
三、优化子结构的分类
编号动态规划:输入为x1, x2, …, xn, 子问题是x1, x2, …,xi,子问题复杂性为O(n)(最大不下降子序列问题)
• 划分(区间)动态规划:输入为x1, x2, …, xn, 子问题为xi, xi+1,…, xj,子问题复杂性是O(n2) (矩阵链乘问题,凸多边形三角泡分)
• 数轴动态规划:输入为x1, x2, …, xn和数字C,子问题为x1, x2, …, xi, K(K≤C),子问题复杂性O(nC) (0-1背包问题)
• 前缀动态规划:输入为x1, x2, …, xn和y1, y2, …, ym,子问题为x1, x2, …, xi和y1, y2, …, yj,子问题复杂性是O(mn) (最长公共子序列问题)
• 树形动态规划:输入是树,其子问题为子树,子问题复杂性是子树的个数。(树中独立集合问题)
1、最大不下降子序列问题
一般有两种表示状态的方法:
1) 状态i表示前i个元素构成的最优解,可能不包含第i个元素。
2) 状态i表示在必须包含第i个元素的情况下前i个元素构成的最优解。
• 输入: 一个数字序列 a[1..n]
• 子序列是数字序列的子集合,且和序列中数字顺序相同,即递增子序列是其中数字严格增大的子序列
• 输入: 具有最大长度的递增子序列.
算法分析:
• 优化子结构:假设最长递增子序列中包含元素ak,那么一定存在一组最优解,它包含了a1, a2, …, ak-1这个序列的最长递增子序列。
• 重叠子问题: ak和ak+1?
• 子问题的表示:令dp[i]表示以第i个元素结尾的前i个元素构成序列的最长递增子序列的长度。
• 最优解递归表达式:
dp[i] = max { dp[j] | 0 < j < i; aj < ai } + 1
代码:
private static int solve1(int[] array){
int i,j;
int[] Lis = new int[array.length];
for(i=0;i<array.length;i++){
Lis[i]=1;
for(j=0;j<i;j++){
if(Lis[j]+1>Lis[i]&&array[j]<array[i]){
Lis[i]=Lis[j]+1;
}
}
}
return Max(Lis);
}
3、0-1背包问题
即m(i, j)是背包容量为j, 可选物品为i,i+1, …, n 时问题最优解的代价.
伪代码:
For j=0 To min(wn-1, C) Do
m[n, j] = 0;
For j=wn To C Do
m[n, j] = vn;
For i=n-1 To 2 Do
For j=0 To min(wi -1, C) Do
m[i, j] = m[i+1, j];
For j=wi To C Do
m[i, j]=max{m[i+1, j], m[i+1, j-wi]+vi};
If C<w1
Then m[1, C]=m[2, C];
Else m[1, C]=max{m[2, C], m[2, C-w1]+v1};