动态归划教程.docVIP

目录 1、引言 2、动态规划的基本原理 2.1多阶段决策过程最优化问题 2.2动态规划的基本概念 2.3使用动态规划解题的必要条件 2.4动态规划的一般步骤 3、动态规划解题的实际应用 3.1数字三角形 3.2导弹序列 3.3最长公共子序列 3.4排队买票 3.5背包问题系列 3.6乘积最大 3.7石子归并 官方教程 我的讲稿 1、引言 动态规划算法十分重要，其实质是分支思想和解决冗余，因此它与分支法和贪心法类似，他们都是将问题的实例分解为更小、相似的子问题，但是动态规划又有自己的特点。 贪心法的当前选择可能要以来于已经做出的选择，但不依赖还未做出的选择和子问题，因此他的特征是由顶向下，一步一步地做出贪心选择，但不足的是，如果当前选择可能要依赖子问题的解时，则难以通过局部的贪心策略达到全局最优解。相比而言，动态规划则可以处理不具有贪心实质的问题。 在用分支法解决问题时，由于子问题的数目往往是问题规模的指数函数，因此对时间的消耗太大。动态规划的思想在于，如果各个子问题不是独立的，不同的子问题的个数只是多项式数量级，如果我们能够保存已经解决的子问题的答案，而在需要的时候再找出已求得的答案，这样就可以避免大量的重复计算。由此而来的基本思路是：用一个表记录所有已解决的自问题的答案，不管该问题以后是否被用到，只要它被计算过，就将结果填入表中。所以动态规划思想实质是记忆化搜索的思想。 动态规划的思想是对于贪心法和分支法的一种折衷，它解决的问题往往不具有贪心算法的实质，但是各个子问题又不是完全零散的，这时候我们用一定的空间来换取时间，就可以提高解题的效率。 动态规划是对最优化问题的一种新的算法设计方法。由于各种问题的性质不同，确定最优解的条件也互不相同，因而动态规划的设计方法对不同的问题有不同特色的表示方法。 2、动态规划的基本原理 2.1多阶段决策过程最优化问题 在现实生活中，有一类活动的过程，由于他的特殊性，可将过程分成若干个互相联系的阶段，在它的每一阶段都需要做出决策，从而使整个过程达到最佳的活动效果。因此各个阶段决策的选取不是任何确定的，它以来于当前面临的状态，又影响以后的发展，当各个阶段决策确定后，就组成一个决策序列，因而也就确定了整个过程的一条活动路线。这种把问题看作是一个前后关联且具有链装结构的多阶段过程，被称为多阶段决策问题，这种问题就称为多阶段决策问题。如图所示: 例 最短路径问题：如图所示的是一个带权有向的多段图，要求从A到D的最短路径的长度(下面简称最短距离)。 如果用穷举法，则从A到E一共有3×3×2=18条不同的路径，逐个计算每条路径的长度，总共需要进行4×18=72次加法计算；对18条路径的长度做两两比较，找出其中最短的一条，总共要进行18－1=17次比较。如果从A到C的站点有k个，则总共有3k-1×2条路径， 用穷举法求最短路径总共要进行(k+1)3k-1×2次加法，3k-1×2-1次比较。当k的值增加时，需要进行的加法和比较的次数将迅速增加。例如当k=10时，加法次数为433026次，比较39365次。 以上这求从A到E的最短路径问题，可以转化为三个性质完全相同，但规模较小的子问题，即分别从B1、B2、B3到E的最短路径问题。 记从Bi (i=1, 2, 3) 到E的最短路径为S(Bi)，则从A到E的最短距离S(A)可以表示为： 同样，计算S(B1)又可以归结为性质完全相同，但规模更小的问题，即分别求C1，C2，C3到E的最短路径问题S(Ci) (i=1, 2, 3)，而求S(Ci)又可以归结为求S(D1)和S(D2)这两个子问题。从图1.1.1可以看出，在这个问题中，S(D1)和S(D2)是以知的，它们分别是： S(D1)=5，S(D2)=2 因而，可以从这两个值开始，逆向递归计算S(A)的值。计算过程如下： 即 S(C1)=8 且如果到达C1，则下一站应到达D1； S(C2)=7 且如果到达C2，则下一站应到达D2； S(C3)=12 且如果到达C3， 则下一站应到达D2； 由此，可以计算S(Bi)： 即 S(B1)=20 且如果到达B1，则下一站应到达C1； S(B2)=14 且如果到达B2，则下一站应到达C1； S(B3)=19 且如果到达B3，则下一站应到达C2； 由此，可以计算S(A)： 最后，可以得到：从A到E的最短路径为A( B2( C1( D1( E 以上计算过程及结果，可用图6.2表示，可以看到，以上方法不仅得到了从A到D的最短路径，同时，也得到了从图中任一点到E的最短路径。 以上过程，仅用了18次加法，11次比较，计算效率远高于穷举法。 2.2动态规划的基本概念 由例可以看出，动态规划问题具有以下基本特征： 1、问题具有多阶段决策的特征。阶段可以