今天,跟大家分享一个我关注了很久的公众号「兔保哥」。这个号是我看着她一点点写起来的,既有财经媒体人的客观严谨,又有身为妈妈的温暖贴心。如果你想用保险的力量守护家庭、为爱人遮风挡雨,可以关注她。
---正文---
动态规划,英文是Dynamic Programming,简称DP,擅长解决“多阶段决策问题”,利用各个阶段阶段的递推关系,逐个确定每个阶段的最优决策,并最终得到原问题的最优决策。
注意:动态规划往往使用表格来存储中间结果
注意:每一步上几层台阶,都是一个决策问题!
说到这里,阿广你有没有发现几点问题?
1、将求F(10)这个问题,完美的分解成了F(9)和F(8),找到了局部的最优解,与贪心算法有点像呀。
2、既然F(10)=F(9)+F(8),那么F(9)=F(8)+F(7),依此类推,最终问题被逐渐降低了规模,越来越简单,这也是分治算法的思想。
动态规划的三要素:
1、最优子问题
F(10)=F(9)+F(8),就是F(10)问题的最优子问题,局部的贪心完美的将问题分解,如果得到的F(9)和F(8)都是最优解,那么F(10)一定也是最优解了。
2、边界条件
分解到最后,一定是变成了规模最简单的问题,即F(1)和F(2),这两个问题不能再分解了,不过没关系,他们很简单,用你的小心心算就ok了。
3、状态转移方程(DP方程)
本问题的状态转移方程为:F(n)=F(n-1)+F(n-2),这就是解决问题的核心,使得状态能够“动”起来。
注意:相同颜色的部分代表相同的结果
可以看出来,动态规划算法的核心是DP方程。
所以说,状态转换方程(DP方程)就是算法的核心,那么设计DP方程,要有什么注意的呢?以下列出来几点!
1、最优化子问题
从上面的算法三要素中,可以看出,DP方程是最优子问题中归纳而来的。那么,什么才算“最优子问题”呢?就是说,不管之前决策是否是最优决策,都必须保证从现在开始的决策是在之前的基础上最优。具体的说,我们默认F(8)和F(9)就是最优的,在此基础上,得到最优的F(10)。
2、不影响后续决策
由于上一条我们看到,如果F(8)的决策会影响到F(9)和F(10)的决策,那么F(10)=F(9)+F(8)就不成立了,所以,要一定保证,每个阶段的决策仅受之前决策的影响,但不影响之后阶段的决策。
典型应用1---01背包问题
01背包问题的决策,就是判断第i件物品,装还是不装,哪种决策总价值最大?
那么,我们是否能够定义状态为s[i]呢,用来表示第i件物品决策的最大价值?
答案是不可以的,因为这个状态会影响到后面的决策,换种说法讲,装不装入一个物品,会影响到背包中的剩余空间,所以后面的决策当然会受影响。
典型应用2---最长公共子序列问题(这一问题常被用于比较“相似度”)
决策方式就是判断str1[i]和str2[j]的关系,关系不同,则DP方程不同。
---END---
原创不易,如果大家有收获,转发本文章分享给好友让更多的朋友受益!你们的转发或在看创作最大的动力!
阿广跟大家分享一个我关注了很久的公众号「兔保哥」
这个号是我看着她一点点写起来的,既有财经媒体人的客观严谨,又有身为妈妈的温暖贴心。
她会告诉你支付宝上有哪些保险可以捡便宜;相互宝为什么不能替代保险;买什么样的保险等于白白扔钱;小孩子的保险,一千块就能搞定。
所有你觉得复杂枯燥的保险内容,在她这儿都会变得通俗易懂又有趣。
每个为了爱为了家庭而放手一搏的人,都应得到最好的守护。
往后余生,如果你想为所爱之人遮风挡雨,可以关注她。
你的转发和在看是创作最大的动力?