典型动态规划举例矩阵连乘问题.pdfVIP

一、典型的动态规划举例——矩阵连乘问题 作为经典的动态规划算法举例，矩阵连乘问题很好地展现了动态规划的特点和实用价值。给 定 n 个矩阵{A1,A2,...,An},其中 Ai 与 Ai+1 是可乘的，i=1,2,...n-1 。现在要计算这n 个矩阵的 连乘积。由于矩阵的乘法满足结合律，所以通过加括号可以使得计算矩阵的连乘积有许多不 同的计算次序。然而采用不同的加扩号方式，所需要的总计算量是不一样的。若A 是一个 p*q 矩阵，B 是一个 q*r 矩阵，则其乘积 C=AB 是一个 p*r 矩阵。如果用标准算法计算 C， 总共需要 pqr 次数乘。 现在来看一个例子。A1 ，A2 ，A3 分别是 10*100,100*5 和 5*50 的矩阵。如果按照((A1A2)A3) 来计算，则计算所需的总数乘次数是 10*100*5+10*5*50=7500。如果按照(A1(A2A3))来计算， 则需要的数乘次数是 100*5*50+10*100*50=75000,整整是前者的 10 倍。由此可见，在计算 矩阵连乘积时，不同的加括号方式所导致的不同的计算对计算量有很大的影响。如何确定计 算矩阵连乘积 A1A2 ，...,An 的一个计算次序，使得依此次序计算矩阵连乘积需要的数乘次 数最少便成为一个问题。 对于这个问题，穷举法虽然易于入手，但是经过计算，它所需要的计算次数是 n 的指数函数， 因此在效率上显得过于低下。现在我们按照动态规划的基本步骤来分析解决这个问题，并比 较它与穷举法在时间消耗上的差异。 （1）分析最优解的结构。 现在，将矩阵连乘积 AiAi+1...Aj 简记为 A[i:j] 。对于A[1:n] 的一个最优次序，设这个计算次 序在矩阵 Ak 和 Ak+1 之间将矩阵链断开(1=kn)，那么完全加括号的方式为 ((A1...Ak)(Ak+1...An)) 。依此次序，我们应该先分别计算A[1:k]和 A[k+1:n] ，然后将计算结 果相乘得到 A[1:n] ，总计算量为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。 通过反证法可以证明，问题的关键特征在于，计算 A[1:n] 的一个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。因此，矩阵连乘积计算次序问题的最优解包含着 其子问题的最优解。这种最优子结构性质是该问题可以用动态规划解决的重要特征。 （2 ）建立递归关系定义最优值。 设计算 A[i:j](1=i=j=n)所需的最少数乘次数为 m[i][j] ，则原问题的最优值为m[1][n] 。而 且易见，当 i=j 时，m[i][j]=0 。 根据上述最优子结构性质，当 ij 时，若计算A[i:j] 的最优次序在Ak 和 Ak+1 之间断开，可 以定义m[i][j]=m[i][k]+m[k+1][j]+pi-1*pk*pj(其中，Ai 的维数为pi-1*pi) 。从而有： 当 i=j 时，m[i][j]=0。 当 ij 时，m[i][j]=min{m[i][k]+m[k+1][j]+pi-1*pk*pj} (i=kj)。 第 1 页 共 11 页 除此之外，若将对应于m[i][j] 的断开位置记为 s[i][j]，在计算出最优值m[i][j]后，可以递归 地由 s[i][j]构造出相应的最优解。 （3 ）计算最优值。 如果直接套用 m[i][j] 的计算公式，进行简单的递归计算需要耗费指数计算时间。然而，实际 上不同的子问题的个数只是 n 的平方项级(对于 1=i=j=n 不同的有序对(i,j)对应于不同的 子问题) 。用动态规划解决此问题，可依据其递归式以自底向上的方式进行计算。在计算过 程中，保存已解决的子问题答案。每个子问题只计算一次，而在后面需要时只要简单查一下， 从而避免大量的重复计算，最终得到多项式时间的算法。下面给出计算 m[i][j] 的动态规划算 法： void matrixChain (int * p, int n, int * * m, int * * s) { for ( int i=1;i=n;i++) m[i][i]=0; for ( int r=2;r=n;r++) //链长度控制 for ( int i=1;i=n-r+1;i++) //链起始位置控制 { int j=i+r-1; //链终止位置 m[i][j]