算法(七)动态规划.pptVIP

内容 （一）动态规划基础 斐波那契数列：重复子问题 数塔问题：记忆化搜索和递推的方法 多段图问题：无后效性和最优化原理 动态规划的思想和概念 （二）动态规划典型实例 矩阵连乘，最长子串， TSP，背包，流水线调度 动态规划基础 例1.斐波那契数列问题 递归求解 重复/叠子问题 long int Fib_rec(int h)//递归 { num++; if (h==1||h==2) { return 1;} else return (Fib_rec(h-1)+Fib_rec(h-2)); } 方法1：记忆化搜索 int fi[n]; int Fib_memo(int n)//记忆化搜索 { if (n == 0 || n == 1) return fi[n] = n; else if (fi[n] != 0) return fi[n]; return fi[n] = Fib_memo(n-1) + Fib_memo(n-2); } 方法2：递推 long int Fib_ita(int h)//递推 { int i,f1,f2,f3; f1=1;f2=1; for (i=3;i=h;i++) { f3=f1+f2; f1=f2; f2=f3; } return(f2); } 例2.数塔问题 有如图所示的一个数塔，从顶部出发，在每一结点可以选择向左走或是向右走，一直走到底层，要求找出一条路径，使路径上的数值和最大。 方法1：贪心算法 贪心策略？ 是否满足贪心选择性质？ 是否满足最优子结构性质？ 反例：9-15-8-9-16（57） 9-12-10-18-9（58） 方法2：递归枚举 最保险的思路，列举出所有可能的 路径再比较，得出和最大的路径。 从顶点出发时到底向左走还是向右走应取决于是从左走能取到最大值还是从右走能取到最大值，只要左右两道路径上的最大值求出来了才能作出决策。 同样，下一层的走向又要取决于再下一层上的最大值是否已经求出才能决策。这样一层一层推下去，直到倒数第二层时就非常明了。 方法3 ：记忆化搜索 int a[100][100], f[100][100]; int max(int i,int j,int n) { int left,right; if ((i==n)||(j==n)) f[i][j] =a[i][j]; if (f[i][j] != -1) return f[i][j]; left=max(i+1,j,n); //左边 right=max(i+1,j+1,n); //右边 return (f[i][j] = (leftright)? (left+a[i][j]):(right+a[i][j])); } 方法4：递推法 int max_ita(int n) { for(int i=N-1;i=1;i--) { for(int j=1;j=i;j++) { a[i][j] += (a[i+1][j]=a[i+1][j+1])?(a[i+1][j]):(a[i+1][j+1]); } } return a[1][1]; } 计算过程：动态规划 动态规划基础（一）动态规划的基本思想 重叠子问题：由于动态规划的问题有重叠子问题的特点，为了减少重复计算，对每一个子问题只解一次，将其不同阶段的不同状态保存在一个二维数组中。 多阶段决策：把求解的问题分成许多阶段或多个子问题，然后按顺序求解各子问题，最后一个子问题就是初始问题的解（递推求解）。 动态规划基础（二） 适用动态规划方法的前提条件 动态规划算法的问题及决策应该具有两个性质：最优化原理(或称为最佳原则、最优子结构)、 无后向性。 无后向性(无后效性)：某阶段状态一旦确定以后，就不受这个状态以后决策的影响。即某状态以后的过程不会影响以前的状态，只与当前状态有关。 最优化原理(最优子结构) 9-12-10-18-19 显然12-10-18-19也是12到最后一层的最大和…… 动态规划基础（三） 动态规划基础（四） 备忘录方法和递推方法比较 备忘录方法：把递归改成递推之后效率大增，但在递推的程序中，必须要先弄清各问题之间的拓扑关系，有时需要将无序的问题进行拓扑排序——只有保证规模小的问题总是在规模大的问题之前得以解决，才能进行递推工作。但有些问题的拓扑排序工作将会十分繁琐，大大增加编程复杂度。 于是产生了一种较为折中的算法——记忆化搜索。记忆化搜索和递归一样利用子程序自身调用来实现递归思想，只不过在工作的过程中模仿递推建