ZGS-动态规划1【信息技术】.docVIP

第8章 动态规划 动态规划（Dynamic Programming）作为计算机科学中重要的算法设计范型，是由美国数学家Richard Bellman于1957年所发明。规划的含义意味着一系列的决策，而动态的含义则传递着这样一种思想，就是所做决策可能依赖于当前状态，而与此前所做决策无关。此算法的主要特点是通过采用表格技术，有多项式算法代替指数算法。 动态规划典型的应用领域是组合优化问题，在这类问题中，可能会有许多可行解，每个解对应一个值，我们想要找出一个具有最优值的，称这个解为问题的一个最优解。可能有多个解都达到这个最优值。 本质上，动态规划计算所有子问题的解。计算的过程从小问题到大问题，并将计算结果存储在一张表中。此方法的优点在于，一旦一个子问题被解决，就将其结果记录在表中，此后遇到同样的子问题，就不再计算而直接从表中得出原始问题的解。 8.1 例题：斐波那契数列（fbn.pas） 题目：我们来讨论一个著名的数列——斐波那契（Faibonacci）program fbn1 (input,output); var n:integer; function f(n:integer):integer; begin if n =1 then f:=n else f:=f(n-1)+f(n-2); end; begin readln(n); writeln(f(n)); end. 分析该算法的递归调用树：设n=5 图8.1：当n=5时计算斐波那契数的递归调用树 计算F（n）的递归调用恰好为F（n+1）次，而F（n）≈1.618n，是黄金分割比例，因此该递归算法的时间复杂度为O（1.618n），是指数级的算法 注意：通过观察该算法得到递归调用树，我们发现相同的函数值被一遍又一遍地重复计算，这明显是一种效率低下的做法。其实从理论上说，计算F（n）的递归调用恰好为F（n+1）次，而F（n）≈1.618，是黄金分割比例，因此该递归算法的时间复杂度为O（1.618n），是指数级的算法。 其实，我们可以看出计算f（n）这个问题是以计算它的两个更小的交叠子问题F（n-1）和F（n-2）的形式来表达的。所以，我们可以用一个数组作为数据结构，将计算的前n个数存储在数组中，就可以利用线性时间计算F（n）。即：简单地在一张一维表中填入n+1个F（n）的连续值；开始可以填入0和1；然后根据递推式计算出其他的所有元素，显然，该数组的最后一个单元应该是F（n）。如图8.1。 0 1 1 2 3 … F（n-1） F（n） 图8.2 由此得出算法2。 算法2：根据定义迭代计算第n个斐波那契数 F[0]←0;F[1]←1 for i←2 to n do F[i] ←F[i-1]+F[i-2] Return F(n) 参考程序21： program Fbn21(input,output); var f:array [0..100] of integer; i,n:integer; begin readln(n); fillchar(f,sizeof(f),0); f[0]:=0; f[1]:=1; For i:=2 to n do f[i]:=f[i-1]+f[i-2]; Writeln(f[n]); end. 参考程序2的时间复杂度O（n），空间复杂度O（n） 参考程序22： program fbn22 (input,output); var f,x1,x2 ,i,n:integer; {x1表示第n-2位数，x2表示第n-1位数} begin readln(n); If n =1 then f:=n else begin x1:=0; x2:=1; for i:=2 to n do Begin f:=x2+x1; x1:=x2; x2:=f; end; end; write(f) end. 参考程序22的时间复杂度O（n），空间复杂度O（1） 两种动态规划 1、自底向上的动态规划：从规模最小的问题出发，计算所有子问题，得到任何更大规模的问题，每一步都利用以前计算结果计算当前值 参考程序21和参考程序22就是使用的自底向上的动态规划 2、顶向下的动态规划：我们跟踪递归程序，存储它计算的每一个值，并检查计算的值，以避免重复计算，这种方法也成为记忆法。它执行递归函数的时间与自底向上的动态规划的运行时间相同甚至更少。 8.2 例题：最长公共子序列问题（lxl.pas） 题目：在字母表∑上，分别给出两个长度为n和m的字符串A和B，求在A和B中最长公共子序列的长度。这里，A=a1a2