算法基础-8.ppt

Chapter 8 DYNAMIC PROGRAMMING 8.9 凸多边形三角剖分 问题： n+1凸边形 P(0,1,2,3,…,n) 三角剖分，如图-1 剖分边总长度最小的 Chapter 8 DYNAMIC PROGRAMMING 最优子性质： 设 T(0,n)是n+1凸边形的最优值 T(0,n)=min{T(0,k)+T(k,n) +Δ(0,k,n)} 证明： （1）= :T(0,n)是最优的，则T(0,k)和T(k,n)是最优的。 反正，设T(0,k)或T(k,n)不是最优的，则用最优的替换其后T(0,n)会更小，矛盾； 0 n k Chapter 8 DYNAMIC PROGRAMMING （2）= ：若对k=2,3,4,…,n-1都有 T(0,k)和T(k,n)是最优的，显然T(0.n)是最优的； 递归定义最优值： 设 子问题 A(i,j)是P(i,i+1,…,j)，其最优值记为t[i][j]; t[i][j]=0; i=j-1 t[i][j]=min{t[i][k]+t[k][j]+w(ikj)} ij-1 自底向上计算子解最优值： Chapter 8 DYNAMIC PROGRAMMING 自底向上计算子解最优值： 例： t[1][5]=min t[1][2]+t[2][5]+w(025) t[1][3]+t[3][5]+w(035) t[1][4]+t[4][5]+w(045) 填表顺序： for (i==n-1; i=1, i--) for (j==i+1; jn) calculate(t[i][j]) 0 0 0 o 0 o 0 o 0 o o o T 0 1 2 3 4 5 6 j i 6 5 4 3 2 1 Chapter 8 DYNAMIC PROGRAMMING 自底向上计算子解最优值： PROCEDURE calculate(i,j) t[i][j]=s[i][j]=Max for (k==i+1; kj; k++) v=t[i][k]+t[k][j]+ w(ikj); if (vt[i][j]) { t[i][j]=v; s[i][j]=k } 0 0 0 o 0 o 0 o 0 o o o T 0 1 2 3 4 5 6 j i 6 5 4 3 2 1 Chapter 8 DYNAMIC PROGRAMMING 构造最优解： S[0][n]=k S[0][k] S[k][n] 可递归求得。 0 n k Chapter 8 DYNAMIC PROGRAMMING 作业： A和B是两个字符串，用最少的字符操作将A转换为B，操作包括：删除1个字符、插入1个字符、替换1个字符。 一个n阶正整数矩阵，给定一个整数k，求出最长的一条线（子行，子列，子斜线），其和小于等于k。 选做一题； Chapter 8 DYNAMIC PROGRAMMING 当ij时，m[i][j]=min{m[i][k]+m[k+1][j]+pi-1*pk*pj} (i=kj)。 除此之外，若将对应于m[i][j]的断开位置记为s[i][j]，在计算出最优值m[i][j]后，可以递归地由s[i][j]构造出相应的最优解 Chapter 8 DYNAMIC PROGRAMMING （3）计算最优值。 如果直接套用m[i][j]的计算公式，进行简单的递归计算需要耗费指数计算时间。然而，实际上不同的子问题的个数只是n的平方项级(对于1=i=j=n不同的有序对(i,j)对应于不同的子问题)。用动态规划解决此问题，可依据其递归式以自底向上的方式进行计算。在计算过程中，保存已解决的子问题答案。每个子问题只计算一次，而在后面需要时只要简单查一下，从而避免大量的重复计算，最终得到多项式时间的算法。 Chapter 8 DYNAMIC PROGRAMMING 态规划算法： void matrixChain (int * p, int n, int * * m, int * * s) {? for ( int i=1;i=n;i++)??????? m[i][i]=0; ??? for ( int r=2;r=n;r++) //链长度控制