动态规划算法

动态规划

---

动态规划 就是把问题分为若干个相互独立的子问题，子问题得到解决之后，总问题也随之解决。
哪些问题可以使用动态规划呢？

1. 在给定的约束条件下，求得最优解；
2. 问题可以分解为若干个相互独立的子问题。

动态规划的特点：

1. 每一种动态规划的方案都可以绘制成网格；
2. 每个单元格就是子问题；
3. 单元格中的值通常就是你需要优化的；

# 背包问题 ---- **背包问题：** 应该如何选择物品，才能使得背包的价值最大。 假设一个小偷要到商场偷东西，背包的容量为 $4$ 磅，他该如何选择商品才能使得背包装的价值最大。商场里可偷的物品列表如下：

针对背包问题，我们首先要解决三个问题？

• 第一：该问题是否可以使用动态规划的思想？
• 第二：如何用网格来构建该问题？
• 第三：如何把该问题分解为若干个子问题？

第一：改问题是否可以使用动态规划思想？

• 约束条件： 背包的容量；
• 优化目标： 如何选择使得背包的价值最大；
• 结论：可以使用动态规划思想

**第二：如何用网格来构建该问题? **

我们建立一个网格：横向是不同容量的背包（以最小尺寸为间距，例如上例中以 $0.5$ 磅为间距）；列向为不同的物品。
单元格的含义： 当前容量下包含的最大价值物品。初始化为 $0$，表示没有装任何东西。

单元格价值的计算公式如下：

• 在第一行 $Y$ 中，只有 $4$ 磅的背包才能装下 $Y$，所以 $cell[Y][4]=3000$；
• 在第二行 $B$ 中，$3$ 磅和$3.5$磅的背包都可以装的下 $B$，所以 $cell[B][3]=2000、cell[B][3.5]=2000$；$4$ 磅的背包已经装上了 $Y$，我们需要思考是否需要更新 $4$ 磅的背包。根据公式，我们需要计算如下结果，并取最大值；
  • 上一单元格的值 $cell[Y][4.0]=3000$；
  • 当前商品价值 + 剩余容量商品价值：$2000+cell[Y][4.0-3.0]=2000$
  • 综合上述结果：不替换 $4$ 磅背包中的物品；
• 在第三行 $G$ 中，能装的下 $G$ 有 $1.0,1.5,2.0,2.5$ 磅的背包，所以 $cell[G][1.0]=1500、cell[G][2.0]=1500、cell[G][2.5]=1500$；我们现在需要考虑 $3.0、3.5、4.0$ 磅的背包是否需要替换；
  • 是否需要替换 $3.0$ 的背包；
    • 上一单元格价值 $cell[B][3.0]=2000$;
    • 当前商品价值 + 剩余容量商品价值：$1500+cell[B][3.0-1]=1500$;
    • 综合上述结果：不替换 $3.0$ 磅的背包；
  • 是否需要替换 $3.5$ 的背包；
    • 上一单元格价值 $cell[B][3..5]=2000$;
    • 当前商品价值 + 剩余容量商品价值：$1500+cell[B][3.5-1]=1500$;
    • 综合上述结果：不替换 $3.5$ 磅的背包；
  • 是否需要替换 $4.0$ 的背包；
    • 上一单元格价值 $cell[B][4.0]=3000$;
    • 当前商品价值 + 剩余容量商品价值：$1500+cell[B][4.0-1]=3500$;
    • 综合上述结果：替换 $4.0$ 磅的背包，该背包现在装有 $B、G$，总价值 $3500$；
• 后续的第 $4、5、6$ 做类似于上述操作，最终的结果如下：

我们可以看到最终 $4$ 磅的背包价值为 $5500$，背包里装项链（$0.5$ 磅 $1000$ 美元）、Iphone（$1$ 磅 $2000$ 美元）、MP3（$1$ 磅 $1000$ 美元）、吉他（$1$ 磅 $1500$ 美元）价值最大；

第三：如何把该问题分解为若干个子问题？

我们把 $4$ 磅的背包问题转化为了：$0.5$ 磅、$1$ 磅、$1$ 磅、$1.5$ 磅的背包问题。

此题中算法复杂度为：$O(n_{商品个数}\ast n_{最小背包个数})$

最长公共字串

---

最长公共字串 就是求两个字符串最长的公有字串。例如：字符串 VISTA 和字符串 HISH，其公共最长公共字串为 IS。

针对最长公共子串问题，我们首先要解决三个问题？

• 第一：该问题是否可以使用动态规划的思想？
• 第二：如何用网格来构建该问题？
• 第三：如何把该问题分解为若干个子问题？

第一：该问题是否可以使用动态规划的思想？

• 约束条件： 只能在两个字串之间；
• 优化目标： 求得两个字串的最长公共子串；

** 第二：如何用网格来构建该问题？**
把待匹配的字符串设为横列和纵列，如下图所示：
单元格的含义为：在当前两个子串的情况下，当前字符是第几个连续字符；

我们从上到下，从左到右依次填写这个网格： - 如果两个字母不同，则填入 $0$； - 如果两个字母相同，则此网格的值为左上角邻居的值加 $1$。

网格中最大的值即为两个字符串最长公共字串的长度。

上述公式的伪代码：

if word_a[i] == word_b[j]:
    cell[i][j] == cell[i-1][j-1] +1 # 两个字母相同
else:
    cell[i][j] = 0 # 两个字母不同

第三：如何把该问题分解为若干个子问题？
最长公共子串问题是如何利用动态规划的思想的呢？我们把两个字符串的匹配分成字符的匹配，然后对匹配成功的字符进行拼接，例如，上例中网格中的红线区域。

最长子序列

---

什么叫最长公共子序列？两段字符串中都有的子序列字母数，它是两个字符串中多个公共子串长度之和。
最长公共子序列可以用来比较两个字符串的相似程度。例如：一个人不小心输入了 fosh，而他原本想输入的却是：fish 或者 fort？可以通过最长子序列来判断用户到底是想输入哪一个？

由结果可知，字符串 `FOSH` 和 `FISH`共同子序列字母数为 $3$；字符串 `FOSH` 和 `FORT` 共同子序列字母数为 $2$。可能用户最想输入的是 `FISH`。

如何利用动态规划来解决最长子序列问题呢？还是以上述例子为例：
单元格的含义为： 在当前子串的情况下，

单元格的计算步骤如下：

• 如果两个字母不同，当前单元格 = 上方或者左方邻居中较大的那个；
• 如果两个字母相同，当前单元格 = 左上方单元格 + $1$；

伪代码如下：

if word_a[i] == word_b[j]: # 两个字母相同
    cell[i][j] = cell[i-1][j-1] + 1
else:
    cell[i][j] = max(cell[i-1][j], cell[i][j-1])

上述例子的示意图如下：

动态规划算法的应用

---

1. 生物学家根据最长公共序列来确定DNA链的相似性，进而判断两种动物或疾病有多相似。最长公共序列还被用来寻找多发性硬化症治疗方案。
2. 你使用过诸如 git diff 等命令吗？它们指出两个文件的差异，也是使用动态规划实现的。
3. 前面讨论了字符串的相似程度。 编辑距离（levenshtein distance）指出了两个字符串的相似程度，也是使用动态规划计算得到的。编辑距离算法的用途很多，从拼写检查到判断用户上传的资料是否是盗版，都在其中。
4. 你使用过诸如 Microsoft Word 等具有断字功能的应用程序吗？它们如何确定在什么地方断字以确保行长一致呢？使用动态规划！