国家集训队2004论文集 朱晨光.ppt

优化，再优化！ ——从《鹰蛋》一题浅析对动态规划算法的优化 引言 问题 当鹰蛋从第E层楼及以下楼层落下时是不会碎的，但从第（E+1）层楼及以上楼层向下落时会摔碎。 问题 算法一 由于是求最优值，我们自然想到了使用动态规划！ 算法一 算法一 算法一 显然，这个算法的时间复杂度为O(N3) 算法二 算法二 因此，当M= 时，直接输出 即可. 算法二 算法三 算法三 算法三 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 算法四 情况一（p’p) 情况二（p’=p) 情况三（p’p) 算法四 小结 算法五 算法五 算法五 算法五 算法五 总结 总结 总结 在实际问题中，尽管优化手段千变万化，但万变不离其宗，其本质思想都是： 总结 结束语 算法五 f(i-1) f(i) j j p+1 p’ s’ p s max{f(i,p’),f(i-1,s’)}+1f(i,j-1) 因此，我们只需根据f(i,p)与f(i-1,j-p-1)的大小关系便可直接确定f(i,j)的取值，从而使状态转移成功地降为O(1),算法的时间复杂度降为O(Nlog2N) 综上所述， 当f(i,p)=f(i-1,j-p-1)时，可以直接得出f(i,j)=f(i,j-1); 当f(i,p)f(i-1,j-p-1)时,无论任何决策都不能使f(i,j)=f(i,j-1),所以此时f(i,j)=f(i,j-1)+1. 这时我们会发现，经过了数次优化的动态规划模型已经不可能再有所改进了，对这题的讨论似乎可以到此为止了。但是，直到现在为止，我们还只是对一个动态规划模型进行优化。事实上，对于一道动态规划题目，往往可以建立多种模型。因此，我们不妨继续思考，来找到更高效的模型。 经过不懈努力，我们终于又找到了一种模型，在这种模型下的算法五，可以将时间复杂度降为O( )。让我们来看一看算法五的精彩表现吧！ 这里，我们需要定义一个新的动态规划函数g(i,j)，它表示用j个蛋尝试i次在最坏情况下能确定E的最高楼层数。 而且只用1个鹰蛋试i次在最坏情况下可在i层楼中确定E，即g(i,1)=i (i=1) 状态转移也十分简单。 很显然，无论有多少鹰蛋，若只试1次就只能确定一层楼，即g(1,j)=1 (j=1) g(i,j)=g(i-1,j-1)+g(i-1,j)+1 (i,j1) 我们的目标便是找到一个x，使x满足g(x-1,M)N且g(x,M)=N ，答案即为x. 这个算法乍一看是O(Nlog2N)的，但实际情况却并非如此。 经过观察，我们很快会发现，函数g(i,j)与组合函数C(i,j)有着惊人的相似，而且可以很容易证明对于任意i,j (i,j=1), 总有g(i,j)= C(i,j). 这样，我们可以得到C(x-1,M)=g(x-1,M)N。 根据这个式子，我们可以证明运算量 (即xM)与 同阶， 这里证明从略。因此，我们若在M=1时作特殊判断，就可以使运算量最差与 同阶。 在新的动态规划模型之下，我们找到了一个比前几种算法都优秀得多的方法。这就提醒我们不要总是拘泥于旧的思路。换个角度来审视问题，往往能收到奇效。倘若我们仅满足于算法四，就不能打开思路，找到更高效的解题方法。可见多角度地看问题对于动态规划的优化也是十分重要的。 本文就《鹰蛋》一题谈了五种性能各异的算法，这里做一比较： O(log2N) O( ) 算法五 O(N) O(Nlog2N) 算法四 O(N) O(N(log2N)2) 算法三 O(N) O(N2log2N) 算法二 O(N) O(N3) 算法一 空间复杂度 时间复杂度 算法编号 从这张表格中，我们可以很明显地看出优化能显著提高动态规划算法的效率。并且，优化的方法也是多种多样的。这就要求我们在研究问题时必须做到： 深入探讨 大胆创新 永不满足 不断改进 二、另辟蹊径，建立新的模型，从而得到更高效的 算法。 一、找到动态规划算法中仍不够完美的部分，进行 进 一步改进； * * 安徽省芜湖市第一中学 朱晨光 在当今的信息学竞赛中，动态规划可以说是一种十分常用的算法。它以其高效性受到大家的青睐。然而，动态规划算法有时也会遇到时间复杂