版权声明：转载请注明出处 https://blog.csdn.net/zhouchen1998/article/details/88742619
矿工挖矿问题
- 简述
- 为了解决在给定金矿和矿工数量的前提下，能够获得最多黄金的挖矿策略。
- 很多算法题其实就是这个问题换了一个情境。
- 问题描述
- 有5个金矿，每个金矿黄金储量不同，需要参与挖掘的工人数目也不同，假定有10个工人，每个金矿要么全挖，要么不挖，不可以拆分，试问，想得到最多的黄金，应该选择挖取哪几个金矿。
- 金矿信息如下表。
金矿编号 黄金储量 所需工人数目 1 400 5 2 500 5 3 200 3 4 300 4 5 350 3
- 问题分析
- 如果要使用动态规划解题，就要确定动态规划的三要素：最优子结构、边界和状态转移函数。
- 最优子结构
- 解题目标是确定10个工人挖5个金矿能够获得最多的黄金量，该问题可以从10个工人挖4个金矿的子问题中递归求解。
- 在解决10个工人挖4个金矿时，存在两种选择，一种是放弃第5个矿，将10个工人投入到挖四个矿中；另一种选择是决定对第5个矿进行挖掘，因此需要从这10个人中抽取3个人（第5个矿需要人数）加入第5个矿开采，剩余的人处理前4个矿。
- 因此，最优解应该是这两种选择中获得黄金数量较多的那一种。
- 为了描述方便，设金矿数量为n，工人个数为w，第n个矿的黄金数量为G(n),第n个矿所需工人为P(n)，要想获得10个矿工挖掘5个金矿的最优解为max(F(4,10),F(4,10-P[4])+G[4])。
- 这就是最优子结构。
- 边界
- 对于一个金矿而言，若当前的矿工数量不能达到金矿的挖掘需要，则获得的黄金数量为0，若能满足矿工数量要求，获得的黄金数量为G[0]。
- 因此，边界可以描述为
- n=1,w>=P[0]时，F(n,w)=G[0]
- n=1,w<P[0]时，F(n,w)=0
- 状态转移函数
- F(n,w) = 0 (n<=1,w<p[0])
- F(n,w) = G[0](n==1, w>=P[0])
- F(n,w) = F(n-1,w)(n>1,w<P[n-1])
- F(n,w) = max(F(n-1,w), F(n-1, w-P[n-1])+G[n-1])(n>1,w>=P[n-1])
- 到这里，三要素找到了，经过这个过程也明白了求解过程，由底向上计算，一步步推导可以得到结果，换句话说，n步的解其实就是第一步的结果推来的，这就是递归过程。
- 代码
-
def gold_mining(n ,w, G, P): """ 利用递归实现动态规划算法过程 :param n: :param w: :param G: :param P: :return: """ if n <= 1 and w < P[0]: return 0 if n == 1 and w >= P[0]: return G[0] if n > 1 and w < P[n-1]: return gold_mining(n-1, w, G, P) if n > 1 and w >= P[n-1]: return max(gold_mining(n-1, w, G, P), gold_mining(n-1, w-P[n-1], G, P) + G[n-1]) if __name__ == '__main__': G = [400, 500, 200, 300, 350] P = [5, 5, 3, 4, 3] n = 5 w = 10 print(gold_mining(n, w, G, P))
-
- 补充说明
- 具体代码可以查看我的Github，欢迎Star或者Fork
- 参考书《你也能看得懂的Python算法书》，书中略微有一点不合理之处，做了修改
- 到这里，其实你已经体会到了动态规划的简约之美，当然，要注意Python是有递归深度限制的，如不是必要，建议使用循环控制