l《算法设计与分析》第07章.ppt

第7章 动态规划法 7.1 一般方法和基本要素 动态规划法的实质也是将较大问题分解为较小的同类子问题，这一点上它与分治法和贪心法类似。但动态规划法有自己的特点。分治法的子问题相互独立，相同的子问题被重复计算，动态规划法解决这种子问题重叠现象。贪心法要求针对问题设计最优量度标准，但这在很多情况下并不容易。动态规划法利用最优子结构，自底向上从子问题的最优解逐步构造出整个问题的最优解，动态规划则可以处理不具备贪心准则的问题。 引例： Fibonacci数（数列）的计算 其定义为 F0=0, F1=1 , Fn=Fn-1+Fn-2 (n≥2) 计算此数列可由递归函数完成 int fibo(int n){ int f; if (n2) f=n; else f=fibo(n-1)+fibo(n-2); return f; } 当n=6时，函数fibo()的调用过程 改进： int fibo(int n){ int i,f,f0,f1; f0=0;f1=1; for (i=2;i=n;i++) { f=f0+f1;f0=f1;f1=f; } return f; } 关键：避免了重复计算，时间代价O(n) 与贪心算法的比较 生活中的实例.如:立志十年达到人生某一目标. 分析现状,制定长期与短期愿景. 贪心策略: 动态规划策略: 当前~2年 8~10年 2~4年 6~10年 4~6年 4~10年 6~8年 2~10年 8~10年 当前~10 年 7.1动态规划算法的基本要素： 子结构重叠性质：递归算法求解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。这种性质称为子问题的重叠性质。 动态规划算法，对每一个子问题只解一次，而后将其解保存在一个表格中，当再次需要解此子问题时，只是简单地用常数时间查看一下结果。 通常不同的子问题个数随问题的大小呈多项式增长。因此用动态规划算法只需要多项式时间，从而获得较高的解题效率。 7.1.3? 多段图问题 多段图的最优子结构 假定（s,v2,v3…vk-1,t)是一条从s到t的最短路径，那么（v2,v3…vk-1,t)一定是从v2到t的一条最短路径。 多段图的向前递推关系 动态规划法每一步的决策依赖于子问题的解。在多段图中，一个阶段的决策与后面所要求解的子问题相关，所以不能直接在某个阶段做出决定。 根据最优子结构特性，我们可以从最后阶段开始采用逐步向前递推的方法，由子问题的最优解计算原问题的最优解。 递推关系:cost(i,j):从i阶段j结点到t的最短路径长度，i是阶段编号，j是i阶段中的结点编号， cost(k,t)=0 cost(i,j)=min{c(j,p)+cost(i+1,p)} j∈Vi，p∈Vi+1 ，j,p ∈E 例如:cost(2,1)=min{c(1,5)+cost(3,5), c(1,6)+cost(3,6), c(1,7)+cost(3,7)} cost(5,11)=0, cost(4,10)=5,d(10)=11, cost(4,9)=2,d(9)=11,cost(4,8)=4, d(8)=11 cost(3,7)=min{6+cost(4,10)，5+cost(4,9)}=7, d(7)=9 cost(3,6)=5, d(6)=9, cost(3,5)=7,d(5)=9 cost(2,1)=min{4+cost(3,5)，2+cost(3,6),1+cost(3,7)}=7,d(1)=6 cost(2,2)=min{2+cost(3,5)，7+cost(3,6)}=9,d(2)=5 cost(2,3)=min{11+cost(3,7)}=18,d(3)=7 cost(2,4)=min{11+cost(3,6)，8+cost(3,7)}=15 ,d(4)=7 cost(1,0)=min{9+cost(2,1),7+cost(2,2), 3+cost(2,3), 2+cost(2,4)}=16, d(0)=1 p(0)=0,p(k-1)=n-1=11,p(1)=d(p(0))=d(0)=1; p(2)=d(p(1))=