第三章动态规划 背包问题.pptVIP

0-1背包问题 1.最优子结构(最优性原理) 最优性原理:设(y1,y2,…,yn)是 (3.4.1)的一个最优解.则(y2,…,yn)是下面相应子问题的一个最优解: 注:(3-4-3)式 此时背包容量为j，可选择物品为i。此时在对xi作出决策之后,问题 处于两种状态之一: 背包剩余容量是j,没产生任何效益; 剩余容量j-wi,效益值增长了vi . 从n推至i+1,i算出最优值m(i,j) （ i=n,…,1） 。 m(1,c)为最优值。 然后用回溯法Traceback找出最优解xi 其中i，c为整值。 4.算法描述 template class Type void Knapsack( Type v, int w, int c, int n, Type **m) { int jMax = min(w[n]－1, c) //背包剩余容量// for(int j = 0; j=jMax; j++) //背包不同剩余容量j ? jMaxc// m[n][j]=0; for(int j=w[n]; j=c; j++) //背包不同剩余容量j c// m[n][j]=v[n]; for(int i=n-1; i1; i--) { jMax=min(w[i]-1, c); for(int j=0; j=jMax; j++) //背包不同剩余容量j ? jMaxc// m[i][j]=m[i+1][j]; //没产生任何效益// for(int j=w[i]; j=c; j++) //背包不同剩余容量j-wi c// m[i][j]=max(m[i+1][j], m[i+1][j-w[i]]+v[i]); //效益值增长vi // } 4.算法描述 m[1][c]=m[2][c]; if(c=w[1]) m[1][c]=max(m[1][c], m[2][c-w[1]]+v[1]); } Template class Type //求最优解xi // void Traceback(Type **m, int w, int c, int n, int x) { for(int i=1; in; i++) if(m[i][c]==m[i+1][c]) x[i]=0; else { x[i]=1; c= c- w[i]; } x[n]=(m[n][c])?1:0; } 5．改进算法 PP.71~PP.72 为克服以上缺点，引入阶梯函数。利用序偶概念，改进算法的计算时间复杂性为O（2n ）。而当所给物品的重量wi是整数时，其计算时间复杂性为 （略） 。 动态规划的其他应用实例（略） 旅行商问题 矩阵连乘问题 系统可靠性设计 流水线调度问题 设备更新问题 最优二叉搜索树 图像压缩 动态规划缺陷： （1）无一统一标准模型可供应用。利用“最优性原理”得出递归关系式后，必须结合问题的特点，结合其他数学技巧求解，且无统一处理方法。 （2）数值求解中，当问题中的状态变量个数太多（如有向图中的边数），由于计算机存储量及计算速度限制而无法对付“维数障碍”。 由前述可知，任一多阶段决策过程中的最优化问题，都可以用非线性规划方法（Nonlinear programming Methods，特殊：linear programming）模型来描述。 动态规划的优越之处: （1）易于确定全局解。动态规划方法是一种逐步改善的方法，它把原问题化成一系列结构相似的最优化子问题，而每个子问题的变量个数比原问题少的多，约束集合也简单得多，故较易于确定全局最优。特别当处理离散类型问题时，动态规划是求出全局最优化解的唯一方法。 （2）能得一族解，有利分析结果是否有用或进行选择（决策），且大大节省工作量。 （3）能利用经验，提高求解效率。动态规划方法反映过程逐段演变的前后联系，与实际进程更紧密，因而在计算中能… （4）有广泛应用背景（略） 5.算法改进 典型例子（一） 5.算法改进 典型例子（二） 算法复杂度分析 给定n种物品和一背包。物品i的重量是wi，其价值为vi，背包的容量为C。问:应如何选择装入背包的物品，使得装入背包中物品的总价值最大? 0-1背包问题描述