动态规划与矩阵连乘.ppt

动态规划 学习要点: 理解动态规划算法的概念。 掌握动态规划算法的基本要素 （1）最优子结构性质 （2）重叠子问题性质 掌握设计动态规划算法的步骤。 (1)找出最优解的性质，并刻划其结构特征。 (2)递归地定义最优值。 (3)以自底向上的方式计算出最优值。 (4)根据计算最优值时得到的信息，构造最优解。 通过应用范例学习动态规划算法设计策略。 （1）矩阵连乘问题； （2）最长公共子序列； （3）图的任意两点间的最短距离 （4）背包问题； 问题 1.问题求解的分类：求任意解，求最优解 （工作量哪个大？） 求最优解的算法大都具有指数级的复杂度，因此好的方法很重要，有一种多项式时间的复杂度算法---动态规划 常用名词： 状态：对于一个问题，所有可能到达的情况 状态变量：对每个状态K关联一个状态变量Sk ， 它的值表示状态K所对应的问题的当前解值。 决策：是一种选择，对于每一个状态，都可以选择一种方法，从而到达下一个状态 决策变量：在状态K下的决策变量Dk的值表示状态K当前所做出的决策 策略：一个决策 的集合，满足某些最优条件的策略称为最优策略 状态转移函数(T)：从一个状态到另一个状态，可以依据一定的规则来前进，我们用一个函数T来描述这样的规划，它将状态I和决策变量Dij映射到另一个状态j 状态转移方程： 注意：有限个状态变量，每个状态变量取有限个不同的值。这样，总的状态个数为有限。 毕竟：人类只能处理有限的事物（有限时间） 最优化原理： 1951年，美国数学家R.Bellman等人，提出 了最优化原理( Principle of Optimality) 一个最大优策略的子策略，对于它的初态和终态而言也必是最优的 数学描述： 最优化原理是动态规划的基础。 可用动态规划来解决的问题，要符合如个条件： 1.满足最优化原理 2.状态满足无后效性 动态规划基本步骤 找出最优解的性质，并刻划其结构特征。 递归地定义最优值。 以自底向上的方式计算出最优值。 根据计算最优值时得到的信息，构造最优解。 动态规划的两种不同的思维法： 逆向思维法 正向思维法 回顾矩阵相乘： 单个乘法次数：n 单个加法次数：n-1 总的乘法次数：m*n*l 总的加法次数：m*(n-1)*l 举例： 设有以下四个矩阵 m12=35*40*20=28000 m23=40*20*10=8000 m34=20*10*15=3000 m13=min{m12+35*20*10,m23+35*40*10} =min{28000+7000,8000+14000} =22000 同样有：m24=14000 m14=min{m24+35*40*15,m12+m34+35*20*15,m13+35*10*15} =min{14000+21000,28000+3000+10500,22000+5250} =min{35000,41500,27250}=27250 最佳乘法顺序为: ((A1(A2A3))A4) 思考题： 13球问题： 有13个足球，其中12个足球重量一样，另1个为次品，重量与其它12个不一样，现有一架天平，请用这架天平称3次把这个次品球找出来。 13足球问题： 引入如下符号： * * 动态规划算法与分治法类似，其基本思想是将待求解问题分解成若干个子问题 算法总体思想 n T(n/2) T(n/2) T(n/2) T(n/2) T(n) = 但是经分解得到的子问题往往不是互相独立的。不同子问题的数目常常只有多项式量级。 算法总体思想 n T(n) = n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) 如果能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，就可以避免大量重复计算，从而得到多项式时间算法。 算法总体思想 n = n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 n/2 T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) T(n/4) T(n) （1）单个矩阵是完全加括号的； （2）矩阵连乘积 是完全加括号的，则 可 表示为2个完全加括号的矩阵连乘积 和 的乘积并加括号，即 16000, 10500, 36000, 87500, 34500 完全加括号的矩阵连乘积可递归地定义为： 设有四个矩阵 ，它们的维数分别是：