Tutorial5DynamicProgramming(动态规划)(一)Review比较基本的.doc

Tutorial 5 Dynamic Programming: (动态规划) (一)Review 比较基本的算法设计思想里，动态规划是比较难于理解，难于抽象的一种，但是却又十分重要。动态规划的实质是分治思想和解决冗余，因此它与分治法和贪心法类似，它们都是将问题的实例分解为更小的、相似的子问题，但是动态规划又有自己的特点。(1)贪心法的当前选择可能要依赖于已经作出的选择，但不依赖于还未做出的选择和子问题，因此它的特征是由顶向下，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。 (2)分治法解决问题时，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子问题的答案，不管该问题以后是否被用到，只要它被计算过，就将其结果填入表中。 (3) 动态规划的思想比较感性的说，其实是对贪心算法和分治法的一种折衷，它所解决的问题往往不具有可爱的贪心实质，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。 (1) The 0/1 knapsack problem 0-1 背包问题 问题描述：给定n种物品和一个背包，物品I的重量是Wi，其价值为Vi，背包的容量为c，问如何选择装入背包的物品，使得装入背包的物品的总价值最大？ 形式化描述：给定c求一个n元1-0向量Xi（每种物品要么装要么不装） ????????????Wi?Xi（i从1到n连乘累加，Xi=0或1）〈=c ????????????Vi?Xi（i从1到n连乘累加，Xi=0或1）?达到最大 (2) Chain Matrix Multiplication 矩阵乘法问题： 给定n个矩阵｛A1,A2,…An｝，其中Ai与A i+1是可乘的，i=1，2…，n-1。考察这n个矩阵的连乘积A1A2…An。矩阵A和B可乘的条件是矩阵A的列数等于矩阵B的行数。若A是一个p×q矩阵，B是一个q×r矩阵，则其乘积C=AB是一个p×r矩阵,需要pqr次数乘。 由于矩阵乘法满足结合律，故计算矩阵的连乘积可以有许多不同的计算次序。例如，设3个矩阵{A1,A2,A3}的维数分别为10×100，100×5，和5×50。若按加括号方式((A1A2)A3)计算，3个矩阵连乘积需要的数乘次数为10×100×5+10×5×50=7500。若按加括号方式(A1(A2A3))计算，3个矩阵连乘积总共需要10×5×50+10×100×50=75000次数乘。由此可见，在计算矩阵连乘积时，加括号方式，即计算次序对计算量有很大影响。 矩阵连乘积的最优计算次序问题，即对于给定的相继n个矩阵｛A1,A2,…An｝(其中矩阵Ai的维数为pi-1×p，i=1,2，…，n)，确定计算矩阵连乘积A1,A2,…An的计算次序，使得依此次序计算矩阵连乘积需要的数乘次数最少。 (3) All-Pairs Shortest Paths 最短路径问题是图论研究中的一个经典算法问题， 旨在寻找图（由结点和路径组成的）中两结点之间的最短路径。 算法具体的形式包括： ? 确定起点的最短路径问题 - 即已知起始结点，求最短路径的问题。 ? 确定终点的最短路径问题 - 与确定起点的问题相反，该问题是已知终结结点，求最短路径的问题。在无向图中该问题与确定起点的问题完全等同，在有向图中该问题等同于把所有路径方向反转的确定起点的问题。 ? 确定起点终点的最短路径问题 - 即已知起点和终点，求两结点之间的最短路径。 ? 全局最短路径问题 - 求图中所有的最短路径。 用于解决最短路径问题的算法被称做“最短路径算法”， 有时被简称作“路径算法”。 最常用的路径算法有： ? Dijkstra算法 ? A*算法 ? Bellman-Ford算法 ? Floyd-Warshall算法 ? Johnson算法 ? Bi-Direction BFS算法 Folyd-Warshall弗洛伊德动态规划算法（点击链接，查看该算法讲义）： 设Di,j,k为从i到j的只以(1..k)集合中的节点为中间结点的最短路径的长度。 1. 若最短路径经过点k，则Di,j,k = Di,k,k ? 1 + Dk,j,k ? 1； 2. 若最短路径不经过点k，则Di,j,k = Di,j,k ? 1。 因此，Di,j,k = min(Di,k,k ? 1 + Dk,j,k ? 1,Di,j