动态规划的基本思想
动态规划算法通常用于求解具有某种最优性质的问题。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。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。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。
设计动态规划法的步骤
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。
动态规划问题的特征
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:
- 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。
- 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。
4.1 矩阵连乘积问题
定义:给定n个矩阵{A1,A2,…,An},其中Ai与Ai+1是可乘的,i=1,2,…n-1。考察这n个矩阵的连乘积A1A2…An。
由于矩阵乘法满足结合律,所以计算矩阵的连乘可以有许多不同的计算次序。 这种计算次序可以用加括号的方式来确定。 若一个矩阵连乘积的计算次序完全确定,也就是说该连乘积已完全加括号,则可以依此次序反复调用2个矩阵相乘的标准算法计算出矩阵连乘积。
完全加括号的矩阵连乘积可递归地定义为:
单个矩阵是完全加括号的;
矩阵连乘积A是完全加括号的,则A可表示为2个完全加括号的矩阵连乘积B和C的乘积并加括号,即A=(BC)
矩阵A和B可乘的条件: 矩阵A的列数等于矩阵B的行数。
设A是p×q的矩阵, B是q×r的矩阵, 乘积是p×r的矩阵;计算量是pqr。
4.1.1 分析最优解的结构
将矩阵连乘积AiAi+1…Aj 简记为A[i:j], 这里i≤j; 考察计算A[1:n]的最优计算次序。
设这个计算次序在矩阵Ak和Ak+1之间将矩阵链断开,1≤k<n,则其相应完全加括号方式为(A1A2…Ak)(Ak+1Ak+2…An)
计算量:A[1:k]的计算量加上A[k+1:n]的计算量,再加上A[1:k]和A[k+1:n]相乘的计算量
特征:计算A[1:n]的最优次序所包含的计算矩阵子链 A[1:k]和A[k+1:n]的次序也是最优的。
矩阵连乘计算次序问题的最优解包含着其子问题的最优解。
#define NUM 51
int p[NUM];
int m[NUM][NUM];
int s[NUM][NUM];
void MatrixChain (int n)
{
for (int i=1; i<=n; i++)
m[i][i] = 0;
for (int r=2; r<=n; r++)
for (int i=1; i<=n-r+1; i++)
{
int j=i+r-1;
m[i][j] = m[i+1][j]+p[i-1]*p[i]*p[j];
s[i][j] = i;
for (int k=i+1; k<j; k++)
{
int t = m[i][k]+m[k+1][j]+p[i-1]*p[k]*p[j];
if (t < m[i][j])
{
m[i][j] = t;
s[i][j] = k;
}
}
}
}
算法复杂度分析:
- 算法matrixChain的主要计算量取决于算法中对r,i和k的3重循环。
- 循环体内的计算量为O(1)。
- 3重循环的总次数为O(n3)。
因此算法的计算时间上界为O(n3)。
算法所占用的空间显然为O(n2)。
s[i][j]已经存储了构造最优解所需要的足够的信息。
计算矩阵连乘积最优解的递归算法
void TraceBack(int i, int j)
{
if(i==j) printf("A%d", i);
else
{
printf("(");
TraceBack(i,s[i][j]);
TraceBack(s[i][j]+1,j);
printf(")");
}
}
计算矩阵连乘积的递归算法
int Recurve(int i, int j)
{
if (i == j) return 0;
int u = Recurve(i, i)+Recurve(i+1,j)+p[i-1]*p[i]*p[j];
s[i][j] = i;
for (int k = i+1; k<j; k++)
{
int t = Recurve(i, k) + Recurve(k+1,j)+p[i-1]*p[k]*p[j];
if (t<u)
{
u = t;
s[i][j] = k;
}
}
m[i][j] = u;
return u;
}
备忘录方法是动态规划算法的变形。 与动态规划算法一样,备忘录方法用一个表格保存已解决的子问题的答案,再碰到该子问题时,只要简单地查看该子问题的解答,而不必重新求解。
计算矩阵连乘积的备忘录算法
int LookupChai (int i, int j)
{
if (m[i][j]>0) return m[i][j];
if (i==j) return 0;
int u = LookupChain(i,i)+LookupChain(i+1,j)+p[i-1]*p[i]*p[j];
s[i][j] = i;
for (int k = i+1; k<j; k++)
{
int t = LookupChain(i,k)+LookupChain(k+1,j)+p[i-1]*p[k]*p[j];
if (t < u)
{
u = t;
s[i][j] = k;
}
}
m[i][j] = u;
return u;
}
4.3 最长公共子序列
若给定序列X={x1,x2,…,xm},则另一序列Z={z1,z2,…,zk},是X的子序列是指存在一个严格递增下标序列{i1,i2,…,ik}使得对于所有j=1,2,…,k有:zj=xij。
给定2个序列X和Y,当另一序列Z既是X的子序列又是Y的子序列时,称Z是序列X和Y的公共子序列。
给定2个序列X={x1,x2,…,xm}和Y={y1,y2,…,yn},找出X和Y的最长公共子序列。
4.3.1 最长公共子序列的结构
设序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}的最长公共子序列为Z={z1,z2,…,zk} ,则
- 若xm=yn,则zk=xm=yn,且zk-1是xm-1和yn-1的最长公共子序列。
- 若xm≠yn且zk≠xm,则Z是xm-1和Y的最长公共子序列。
- 若xm≠yn且zk≠yn,则Z是X和yn-1的最长公共子序列。
4.3.2 子问题的递归结构
用c[i][j]记录序列和的最长公共子序列的长度。 Xi={x1,x2,…,xi};Yj={y1,y2,…,yj}。 当i=0或j=0时,空序列是Xi和Yj的最长公共子序列。
故此时C[i][j]=0。
其它情况下,由最优子结构性质可建立递归关系如下:
4.3.3 计算最优值
算法4.5计算最长公共子序列的动态规划算法
#define NUM 100
int c[NUM][NUM];
int b[NUM][NUM];
void LCSLength (int m, int n, const char x[],char y[])
{
int i,j;
for (i = 1; i <= m; i++)
c[i][0] = 0;
for (i = 1; i <= n; i++)
c[0][i] = 0;
for (i = 1; i <= m; i++)
for (j = 1; j <= n; j++)
{
if (x[i]==y[j])
{
c[i][j]=c[i-1][j-1]+1;
b[i][j]=1;
}
else if (c[i-1][j]>=c[i][j-1])
{
c[i][j]=c[i-1][j];
b[i][j]=2;
}
else
{
c[i][j]=c[i][j-1];
b[i][j]=3;
}
}
}
4.3.4 构造最长公共子序列
算法4.6计算最长公共子序列的动态规划算法
void LCS(int i,int j,char x[])
{
if (i ==0 || j==0) return;
if (b[i][j]== 1)
{
LCS(i-1,j-1,x);
printf("%c",x[i]);
}
else if (b[i][j]== 2)
LCS(i-1,j,x);
else
LCS(i,j-1,x);
}
4.4 最大子段和
给定由n个整数(包含负整数)组成的序列a1,a2,…,an,求该序列子段和的最大值。 当所有整数均为负值时定义其最大子段和为0。
例如,当(a1,a2, ……a7,a8)=(1,-3, 7,8,-4,12, -10,6)时,最大子段和为:23
bj是1到j位置的最大子段和,由bj的定义易知,当bj-1>0时bj=bj-1+aj,否则bj=aj。 则计算bj的动态规划递归式: bj=max{bj-1+aj,aj},1≤j≤n。
算法4.7计算最大子段和的动态规划算法
#define NUM 1001
int a[NUM];
int MaxSum(int n)
{
int sum=0;
int b=0;
for (int i=1;i<=n;i++)
{
if (b>0)
b+=a[i];
else
b=a[i];
if (b>sum)
sum=b;
}
return sum;
}
算法4.8计算最大子段和的动态规划算法的最优解
令besti,bestj为最大子段和sum的起始位置和结束位置; 在当前位置i,如果b[i-1] ≤0时,在取b[i]=a[i] 的同时,保存该位置i到变量begin中,显然:
当b(i-1)≤0时,begin=i;
当b(i)≥sum时,besti=begin,bestj=i。
#define NUM 1001
int a[NUM];
int 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;
}
}
return sum;
}
4.5 0-1背包问题
给定一个物品集合s={1,2,3,…,n},物品i的重量是wi,其价值是vi,背包的容量为W,即最大载重量不超过W。在限定的总重量W内,我们如何选择物品,才能使得物品的总价值最大。
如果物品不能被分割,即物品i要么整个地选取,要么不选取; 不能将物品i装入背包多次,也不能只装入部分物品i,则该问题称为0—1背包问题。
如果物品可以拆分,则问题称为背包问题,适合使用贪心算法。
假设xi表示物品i装入背包的情况,xi=0,1。
当xi=0时,表示物品没有装入背包;
当xi=1时,表示把物品装入背包。
4.5.1 递归关系分析
i≤k≤n的最优值为p(i,j),是背包容量为j,可选物品为i,i+1,…,n时0-1背包问题的最优值。
则建立计算p(i,j)的递归式如下:
算法4.9计算0-1背包问题的动态规划算法
#define NUM 50
#define CAP 1500
int w[NUM];
int v[NUM];
int p[NUM][CAP];
void knapsack(int c, int n)
{
for( int i=n-1; i>1; i--)
{
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];
if (c>=w[1])
p[1][c]=max(p[1][c], p[2][c-w[1]]+v[1]);
}
算法4.10 计算0-1背包问题的最优解
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;
}