Chapter15 动态规划.pptVIP

数据结构与算法 Chapter14 动态规划（Dynamic Programming: DP） 本章教学内容 算法思想 算法应用 0/1背包问题 图像压缩 矩阵乘法链 最短路径 网络的无交叉子集 元件折叠 动态规划求解的问题 动态规划常用来解优化问题 动态规划是解决多阶段决策过程最优化的一种方法； 该方法是由美国数学家贝尔曼（R. E. Bellman)等人在20世纪50年代初提出的。 用于解决生产管理、工程技术等方面的许多问题，并建立了运筹学的一个新的分支，即动态规划； Bellman在1957年出版了《Dynamic Programming》一书，是动态规划领域中的第一本著作； 广泛应用于人工智能、生物信息学等诸多领域。 动态规划算法思想 动态规划问题示例1-最短路径 动态规划基本原理 优化原理（Principle of Optimal） 优化解包含的子问题的解也是优化的。 动态规划方法采用最优原则来建立用于计算最优解的。 【最优原则】不管前面的决策如何，此后的决策必须是基于当前状态的最优决策； 若不能保持最优原则，则不可应用动态规划方法。 动态规划问题示例2- 0/1背包问题(0/1 Knapsack) 【问题描述】 有n种可选物品1，…，n ，放入容量为c的背包内，使装入的物品具有最大效益。 表示 n ：物品个数 c ：背包容量 p1,p2, …, pn：个体物品效益值 w1,w2, …，wn：个体物品容量 0/1背包问题(0/1 Knapsack) 【问题解析】 0/1背包问题的解指：物品1,…,n的一种放法(x1, ···,xn的0/1赋值)，使得效益值最大。 假定背包容量不足以装入所有物品：面临选择 【优化原理】无论优化解是否放物品1，优化解对物品2,…,n的放法，相对剩余背包容量，也是优化解。 背包问题满足的优化原理 (1,1,0,0,1)为其优化解，即放物品1，2，5 物品1占背包容量2，剩下容量为8 考虑子问题:n=4，c’=8，物品为2，3，4，5 (1,0,0,1)，即放物品2和5，是子问题的优化解 因而背包问题满足优化原理 优化值间的递归式 虽然不知道优化解是否放物品1，但从优化原理我们能建立优化值间的递归式 设f(i, y)为以背包容量y，放物品i,…,n,得到的优化效益值，以下递归关系成立: f(1,c)=max{f(2,c), f(2,c-w1)+p1} 不放物品1、放物品1 先求子问题的优化值(递归)，再从2种可能性中求出最优的。 须对任意给定容量y，任意i,…,n 种物品求解子问题。 0/1背包问题：一个简单的例子 放进物品1(x1 = 1)，背包容量还剩r=16， [x2,x3]= [1,0] 为子问题的优化解，值为18，总效益值为20+18=38 不放物品1(x1= 0)则对于剩下的两种物品而言，容量限制条件为116，[1,1]为子问题优化解，值为33。 前者效益值为38，后者为33; 所以优化解为[1,1,0], 优化值为max{38，33}=38。 0/1背包问题：递归关系 令f(i,y) 表示容量为y，物品i，i+1,···,n 的优化效益值，按优化原理可列递归关系如下： 0/1背包问题：例15-4 初始化： 0/1背包问题：例15-4 （解续2） 求解优化解：回溯（traceback）方法计算x1，…，xn值: f(1,c) =f(2,c)=x1=0；否则x1=1，c=c-w1。 x2: f(2,c)=f(3,c)= x2=0 否则x2=1，c=c-w2 xi: f(i,c)=f(i+1,c)= xi=0 否则xi=1，c=c-wi 该例中, f(2,116)=33≠f(1,116)，所以x1=1。 剩余容量=116-100=16, f(2,16)=18，f(3,16)= 14≠f(2,16)，因此x2=1 此时r=16-14=2，不足以放物品3，所以x3= 0 动态规划算法思想 动态规划基本步骤 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，回溯(traceback)构造最优解。 动态规划小结-算法复杂性 算法复杂性 动态规划递归方程往往不能直接用递归实现， 会引发大量重复计算，算法的计算量将非常可观。最好是用迭代法求解动态规划法列出的递归方程。 迭代实现需要存贮所有子问题的优化解的值，因此动态规划法设计的算法往往需要较大的存储空间。 算法的复杂性来自子问题的数目，通常子问题的数目往往很大。 2、动态规划的应用 0/1背包问题 图像压缩 最短路径 （1）动态规划的应用-1：0/1背包问题-设计策略 1. 递归方法 2. 权为整数的迭代方法 3. 元组方法