第3章节 动态规划(part2).ppt

算法描述 流水作业调度问题的Johnson算法 (1)令 (2)将N1中作业依ai的升序排序；将N2中作业依bi的降序排序； (3)N1中作业接N2中作业构成满足Johnson法则的最优调度。 算法举例 N1={1，3，4}， N2={2，5，6} J1 J2 J3 J4 J5 J6 印刷 3 12 5 2 9 12 装订 8 10 9 6 3 1 N1按ai升序：J4， J1， J3， N2按bi降序：J2， J5， J6 合并： J4， J1， J3，J2， J5， J6 算法复杂度分析 算法的主要计算时间花在对作业集的排序。因此，在最坏情况下算法所需的计算时间为O(nlogn)。所需的空间为O(n)。 3.10 0-1背包问题 0-1背包问题 假设给定n个物体和一个背包，物体i的重量为wi，价值为vi（i=1,2,……,n），背包能容纳的物体重量为c，要从这n个物体中选出若干件放入背包，使得放入物体的总重量小于等于c，而总价值达到最大 如果用xi=1表示将第i件物体放入背包，用xi=0表示未放入，则问题变为选择一组xi（i=0,1）使得 wx= wixi≤c， vx= vixi ，并且达到最大 n i=1 ? n i=1 ? 0-1背包问题的数学表示 0-1背包问题是一个特殊的整数规划问题 0-1背包问题的最优子结构性质 设(y1，y2，…，yn)是所给0-1背包问题的一个最优解，满足： vixi max n i=2 ? wixi ? c- w1y1 n i=2 ? xi?{0,1}，2?i?n 则(y2，…，yn)是下面相应子问题的一个最优解： 为什么？ 递归关系 设所给0-1背包问题的子问题 的最优值为m(i，j)，即m(i，j)是背包容量为j，可选择物品为i，i+1，…，n时0-1背包问题的最优值。 由0-1背包问题的最优子结构性质，有计算m(i，j)的递归式： 举例：求0-1背包问题 答案：z=6， x1=1，x2=0，x3=1 {2x1 + 3x2 +2x3 } Z=max x1 + 2x2 +5x3 ? 6 xi?{0,1}，1?i?3 0-1背包问题的动态规划法 #define jmax 100 #define nmax 100 float m[nmax][jmax]; void Knapsack(float p[],int w[],int c,int n){ int j=0,i=0; for(j=0;jjmax;j++) m[n][j]=0; for(j=w[n];j=c;j++) m[n][j]=v[n]; for(i=n-1;i1;i--){ for(j=0;jjmax;j++) m[i][j]=m[i+1][j]; for(j=w[i];j=c;j++) m[i][j]=(m[i+1][j](m[i+1][j-w[i]]+v[i]))? m[i+1][j]:(m[i+1][j-w[i]]+v[i]); } m[1][c]=m[2][c]; if(c=w[1]) m[1][c]=(m[1][c](m[2][c-w[1]]+v[1]))?m[1][c]:(m[2][c-w[1]]+v[1]); } 看书 得到解向量 void traceback(int w[],int c,int n,int x[])/*得到解向量x*/ { int i=0; for(i=1;in;i++) if(m[i][c]==m[i+1][c]) x[i]=0; else{ x[i]=1; c-=w[i]; } x[n]=m[n][c]?1:0; } 算法复杂度分析 从m(i，j)的递归式容易看出，程序有两次循环，一次关于i (=n)，一次关于j (=c)。算法需要O(nc)计算时间。 当背包容量c很大时，算法需要的计算时间较多。例如，当c2n时，算法需要Ω(n2n)计算时间 实现：0-1背包问题（1732） 旅行推销员问题--补充 即旅行商问题 问题描述：设有n个城市，已知任意两城市间之距离。现有一推销员想从某一城市出发巡回经过每一城市（且每城市只经过一次），最后又回到出发点，问如何找一条最短路径。 记号 设城市vi与vj城市的代价为dij。用dij=max（或?）表示vi与到vj无通路。 用D记代价矩阵， V0={v0, v1,v2, …, vn}, V?V0 例：D= 0 8 5 6 6 0 8 5 7 9 0