18算法设计与试卷.ppt

18.6 贪心法和动态规划 　 假定背包的装载重量为0~m，令optpi(j)表示前i个物体中，能装入载重量为j的背包中的物体的最大价值，j=1,2,…,m。 optpi(0)表示把前面i个物体装入载重量为0的背包; optp0(j) 表示把前面0个物体装入载重量为j的背包，得到下面的动态规划函数：　 18.6 贪心法和动态规划 　　 18.6 贪心法和动态规划 用动态规划算法求解0-1背包问题的基本步骤： [1] 第一阶段，只装入一个物体，确定在各种不同载重量的背包下，能够得到的最大价值。 [2] 第二阶段，装入前两个物体，确定在各种不同载重量的背包下，能够得到的最大价值。 [3] 依此类推，直到第个阶段。 [4] 最后，便是在载重量为的背包下，装入个物体时，能够取得的最大价值。　　 18.6 贪心法和动态规划 [5] 解向量的确定，从的值向前倒推。递推关系式为： 若 则 xi=0 若 则 xi=1,j=j-wi 下面是0-1背包问题算法的描述。　　 18.6 贪心法和动态规划 算法18.24 0-1背包问题的动态规划算法 int knapsack_dynamic(int w[],int p[],int n,int m,BOOL x[]) { // 用动态规划算法求解0-1背包问题 for (i=0;i=n;i++) { // 初始化第0列 optp[i][0] = 0; x[i] = FALSE; // 解向量初始化为FALSE } // for for (i=0;i=m;i++) // 初始化第0行 optp[0][i] = 0;　　 18.6 贪心法和动态规划 　 for (i=1;i=n;i++) { // 计算optp[i][j] for (j=1;j=m;j++) { optp[i][j] = optp[i-1][j]; if ((j=w[i])(optp[i-1,j-w[i]]+p[i]optp[i-1][j]) optp[i][j] = optp[i-1,j-w[i]]+p[i]; }// for }// for　 18.6 贪心法和动态规划 　 j = m; // 递推装入背包的物体 for (i=n;i0;i--) { if (optp[i][j]optp[i-1][j]) { x[i] = TRUE; j = j – w[i]; }// if }// for v = optp[n][m]; return v; // 返回最大价值 }// knapsack_dynamic 18.6 贪心法和动态规划 容易分析，算法的时间复杂性和空间复杂性均为O(nm) 。 例如，有5个物体，其重量分别为2,2,6,5,4，价值分别为6,3,5,4,6，背包的载重量为10，求装入背包的物体及其总价值。计算结果，如图所示。装入背包的物体为 x={1,1,0,0,1}。　　 18.6 贪心法和动态规划 　　 18.7 回溯法和分支限界 18.7.1 回溯和分支限界的基本思想 回溯法和分支限界法是很有实用价值的有效算法，是基于问题的实例进行学习，按照一定的策略对问题的解空间进行搜索和整理的方法，对于解空间很大的一类问题特别有效。　　 18.7 回溯法和分支限界 回溯与分支限界技术实际上都是基于穷举方法的，即按照一定规律，把问题所有可能的解组织成某种树结构，形成可能的解空间树或状态空间树。然后按照具体问题的约束条件，通过各种搜索策略，遍历可能的解空间树。搜索过程中，常常通过计算某种判定函数，判断出若干不可能包含符合条件的解的子树，即所谓“剪枝”，从而加速求解过程，从而得到满足问题条件的解或最优解。两种算法设计思路相近、本质一致。 18.7 回溯法和分支限界 应用回溯与分支限界法解决实际问题，大致可分为四个环节： （1）确定问题的可能解空间，相当于找出进行穷举的搜索范围。