动态规划 - 建中首页.doc

Dynamic Programming 方法概述 在Divide and Conquer的時候，如果一次會分成數個子問題，很容易就會要重複計算一些子問題，這樣非常浪費時間。所以我們建一張表，把所有子問題的答案存下來，下次再碰到時，就可以直接用。這是由上而下的做法。 我們也可以倒過來，由下往上做，就是先把可能遇到的子問題都處理好，再一步一步推回原本的問題。 用Dynamic Programming，最重要的是「DP元素」和「遞迴式」。「DP元素」就是表格上每一格存的東西所代表的意義；「遞迴式」就是用子問題答案建構出原問題答案的方法。通常決定了這兩樣東西，就可以很容易的寫出程式。而這兩樣東西的好壞，會決定這個演算法的好壞。 如果題目不只求最佳解的值是多少，還要問「如何解」，那多半需要把DP過程中所做的選擇記錄下來，然後從最後面trace-back回去。 題1 生產線 現在有兩條生產線，每條線有n個工作站，第a條線上的第b個站需要Aa,b的時間。每一個貨物都要依序經過n個工作站（無論在哪條線上），才能出廠。從工作站W1,x到W1,x+1不需要花時間，但是從W1,x到W2,x+1需要T1,x的時間；同樣的，從W2,x到W1,x+1需要T2,x的時間。進入生產線和從生產線送出分別需要E1、E2、X1、X2的時間。 給定這些時間，若想以最快的方式生產一件產品，要經過哪些工作站？ DP元素：Time[a, b] 表示 第a條生產線第b個站到出口所需的最短時間 遞迴式：Time[a, b] = min{ Time[a, b+1], Time[3-a, b+1] + Ta,b } 題2 Longest Common Subsequence（最長共同子序列） 定義：字串p為字串s的subsequence 若且唯若 p的每個字元都按照順序出現在s中。（不一定要連續，連續的又稱為substring）例如字串”abc”的subsequence有 “”、“a”、“b”、“c”、“ab”、“bc”、“ac”、“abc”。 現在給定兩字串s、t，求一字串p，滿足p同時為s及t的subsequence，且p的長度最長，此時稱p為s與t的LCS。 例：”bronze” 和 ”crown” 的LCS為 ”ron”。 DP元素：len[a, b] 表示 s[1..a] 和t[1..b] 的LCS長度 遞迴式：len[a, b] = max{ len[a-1, b] , len[a, b-1] , len[a-1, b-1] + (s[a] == t[b]) } 變化：如果要求3個字串以上的LCS呢? 題3 Longest Incresing Subsequence （最長遞增子序列） 給定一數列，求此數列的一個最長的子序列，且該子序列嚴格遞增。這有很多種方法，有O(n2) 的，也有O(n lgn) 的。另外，也可以利用LCS來求LIS。 例：{5, 2, 8, 7, 3, 1, 6, 4} 的LIS為 {2, 3, 4} 或 {2,3, 6}。 DP元素：len[a] 表示 結束在a的LIS長度 遞迴式：len[a] = max{ len[b] | b a s[b] s[a] } + 1 題4 矩陣相乘 矩陣A[p1, p2] 和 B[p2, p3] 相乘，需要p1*p2*p3次乘法，得到 [p1, p3]的矩陣。若一系列的矩陣相乘，順序不同，所需乘法的數量不一樣。 像 [1, 3]*[3, 5]*[5, 4]，若先乘前兩項，會需要1*3*5 + 1*5*4 = 35次乘法；若先乘後兩項，則需要3*5*4 + 1*3*4 = 72次乘法。 現在給定n個矩陣的大小，保證一定可乘，求最少需幾次乘法？要怎麼乘？ DP元素：m[a, b] 表示 從矩陣a乘到矩陣b所需的最少乘法數 遞迴式：m[a, b] = min{m[a, k] + m[k+1, b] + ax*ky*by | a = k b } 題5 最大子矩陣 給定一矩陣m，求一個子矩陣其中的元素和最大。 5-1 一維矩陣 最暴力的做法是O(n3)，對每個起點、終點都加一次，求最大值。 用預先累加的pre - processing技巧可以做到O(n2)。 最好的做法是O(n)。 DP元素：sum[a] 表示 結束在a的最大子矩陣和 遞迴式：sum[a] = max{ 0 , sum[a-1] } + m[a] 5-2 二維矩陣 窮舉所有可能的起點、終點，並一一算出每個子矩陣的和，再求最大值，這個方法是O(n6)。 同樣用pre-processing的技巧，可以變成O(n4)。這裡的pre-processing，是讓m[a, b] 代表 [1, 1] – [a, b] 內的元素和。[a, b