算法优化策略.pptVIP

* 第10章 算法优化策略 * 算法设计策略的比较与选择 * 最大子段和问题 给定由n个整数(可能为负整数)组成的序列a1,a2,…,an,求该序列形如 的子段和的最大值。当所有整数均为负整数时定义其最大子段和为０。依此定义，所求的最优值为: 例如: A=(-2，11，-4，13，-5，-2) 最大子段和为 * 简单算法 public static int maxSum() { int n=a.length-1; int sum=0; for (int i=1;i=n;i++) { int thissum=0; for (int j=i;j=n;j++) { for (int k=i;k=j;k++) thissum+=a[k]; if (thissumsum) { sum=thissum; besti=i; bestj=j; } } return sum; } thissum+=a[j]; 注意到 ，则可将算法中的最后一个for循环省去，避免重复计算只需要O(n2)的计算时间。 * 分治算法 如果将所给的序列a[1:n]分为长度相等的2段a[1:n/2]和a[n/2+1:n]，分别求出这2段的最大子段和，则a[1:n]的最大子段和有3种情况。 (1)a[1:n]的最大子段和与a[1:n/2]最大子段和相同； (2)a[1:n]的最大子段和与a[n/2+1:n]最大子段和相同； (3)a[1:n]的最大子段和为 ，且1≤i≤n/2，n/2+1≤j≤n。 对于情形(3)。容易看出，a[n/2]与a[n/2+1]在最优子序列中。因此，可以在a[1:n/2]中计算出 ，并在a[n/2+1:n]中计算出 。则s1＋s2即为出现情形(3)时的最优值。据此可设计出求最大子段和的分治算法。 复杂度分析 T(n)=O(nlogn) * 动态规划算法 记 ，1? j ?n，则所求的最大子段和为 当b[j-1]0时b[j]=b[j-1]+a[j]，否则b[j]=a[j]。由此可得计算b[j]的动态规划递归式 b[j]=max{b[j-1]+a[j]，a[j]}， 1? j ?n 算法显然需要O(n)计算时间和O(n)空间。 public static int maxSum() { int n=a.length-1; int sum=0, b=0; for (int i=1;i=n;i++) { if (b0) b+=a[i]; else b=a[i]; if (bsum)sum=b; } return sum; } * 最大子矩阵和问题 记 最大子矩阵和问题的最优值为 由于 其中， 设 ，则 给定一个m行n列的整数矩阵a，试求矩阵a的一个子矩阵，使其各元素之和为最大。 由于解最大子段和问题的动态规划算法需要时间O(n)，故算法的双重for循环需要计算时间O(m2n)。 * 最大m子段和问题 给定由n个整数(可能为负整数)组成的序列a1,a2,…,an,以及一个正整数m，要求确定序列的m个不相交子段，使这m个子段的总和达到最大。 设b(i，j)表示数组a的前j项中i个子段和的最大值，且第i个子段含a[j](1? i ?m，i? j ?n)。则所求的最优值显然为 与最大子段和问题类似地，计算b(i，j)的递归式为 初始时，b(0，j)=0，(1? j ?n);b(i，0)=0，(1? i ?m)。 优化：注意到在上述算法中，计算b[i][j]时只用到数组b的第i-1行和第i行的值。因而算法中只要存储数组b的当前行，不必存储整个数组。另一方面，b(i-1，t)的值可以在计算第i-1行时预先计算并保存起来。计算第i行的值时不必重新计算，节省了计算时间和空间。 * 动态规划加速原理 四边形不等式 * 货物储运问题 在一个铁路沿线顺序存放着n堆装满货物的集装箱。货物储运公司要将集装箱有次序地集中成一堆。规定每次只能选相邻的2堆集装箱合并成新的一堆，所需的运输费用与新的一堆中集装箱数成正比。 给定各堆的集装箱数，试制定一个运输方案