1D1D动态规划优化初步37257.pdfVIP

1D/1D 动态规划优化初步 所谓 1D/1D动态规划，指的是状态数为O(n)，每一个状态决策量为O(n) 的动态规划方程。 直接求解的时间复杂度为O(n2) ，但是，绝大多数这样的方程通过合理的组织与优化都是可 以优化到O(nlogn)乃至O(n) 的时间复杂度的。这里就想讲一讲我对一些比较初步的经典的优 化方法的认识。 本文中使用两种方式表示一个函数：f(x)与 f[x]，用方括号表示的函数值可以在规划之前 全部算出（常量），而用圆括号表示的函数值必须在规划过程中计算得到（变量）。无论是什 么函数值一经确定，在以后的计算中就不会更改。 x −1 经典模型一：f (x ) min{ f (i ) =+w[i , x ]} i 1 相信这个方程大家一定是不陌生的。另外，肯定也知道一个关于决策单调性的性质： 假如用 k(x)表示状态 x 取到最优值时的决策，则决策单调性表述为： ∀i ≤ j, k (i) ≤k ( j) ，当且仅当： ∀i ≤ j, w[i, j] +w[i +1, j +1] ≤w[i +1, j] +w[i, j +1] ，对于这个性质的证明读者可以在 任意一篇讲述四边形不等式的文章中找到，所以这里不再重复。而且，从实战的角度来看， 我们甚至都不需要验证 w 函数的这个性质，最经济也是最可靠的方法是写一个朴素算法打 出决策表来观察（反正你总还是要对拍）。当然，有的时候题目要求你做一点准备工作，去 掉一些明显不可能的决策，然后在应用决策单调性。这是上述性质也许会有点用处。 正如前文中所述，我们关注的重点是怎样实现决策单调性。有了决策单调性，怎样高效地 实现它呢？很容易想到在枚举决策的时候，不需要从 1 开始，只要从 k(x-1)开始就可以了， 但这只能降低常数，不可能起到实质性的优化。 另一种想法是从 k(x-1)开始枚举决策更新 f(x)，一旦发现决策u 不如决策 u+1 来得好，就 停止决策过程，选取决策 u 作为 f(x)的最终决策。这样时间是很大提高了，但可惜是不正确 的。决策单调性并没有保证 f(j)+w[j,x]有什么好的性质，所以这样做肯定是不对的。 刚才我们总是沿着“f(x)的最优决策是什么”这个思路进行思考，下面我们换一个角度， 思考对于一个已经计算出来的状态 f(j)，“f(j)能够更新的状态有哪些”。这样，每一步过程中 某些状态的决策可能不是最优的，但是当算法结束的时候所有状态对应的决策一定是最优 的。 一开始，只有 f(1)的函数值被计算出来，于是所有状态的当前最优决策都是 1。 111111111111111111111111111111111111111111111111111111111111111 现在，显然 f(2)的值已经确定了：它的最有决策只能是 1。我们用决策2 来更新这个决策 表。由于决策单调性，我们知道新的决策表只能有这样的形式： 111111111111111111111111111111222222222222222222222222222222 这意味着我们可以使用二分法来查找“转折点”，因为如果在一个点 x 上，如果决策 2 更 好，则所有比 x 大的状态都是决策 2 更好；如果 x 上决策 1 更好，则所有比 x 小的状态都是 决策 1 更好。 现在决策 1 和决策 2 都已经更新完毕，则 f(3)业已确定，现在用决策 3 来更新所有状态。 根据决策单调性，现在的决策表只能有以下 2 种类型： 11111111111111111111111111111111122222222222222222233333333333 1111111111111111111111111333333333333333333333333333333333333 而这样的决策表示绝对不会出现的： 111111111111333333333333333333322222222222222222222222222222 ，不可能。 那么，我们的更新算法就是： 1、考察决策 2 的区间[b,e]的b 点上是否决策 3 更优，如果是，则全部抛弃决策 2 ，将此 区间划归决策 3 ；如果否，则在决策2 的区间[b,e]中二分查找转折点。 2 、如果第 1 问的回答是“是”，则用同样的方法考察决策 1。 推演到这一步