第3章 动态规划_jlwan12.ppt

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。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。 3.3.8 流水作业调度问题描述 动态规划法求解 Johnson算法 * * 算法设计:子问题划分 S[i,j] = xi, xi+1, … , xj 是S 以 i 和 j 作为边界的子数据集 P[i,j] = ai－1,bi,ai, bi+1, … , bj, aj是对应S[i,j]存取概率分布 例: S=A, B, C, D, E P=0.04, 0.1, 0.02, 0.3, 0.02, 0.1, 0.05, 0.2, 0.06, 0.1, 0.01 S[2,4]=B, C, D P[2,4]=0.02, 0.3, 0.02, 0.1, 0.05, 0.2, 0.06 子问题划分：以 xk 作为根，划分成两个子问题： S[i,k?1], P[i,k?1] S[k+1,j], P[k+1,j] 例: 以B为根，划分成以下子问题： S[1,1]=A，P[1,1]=0.04, 0.1, 0.02 S[3,5]=C,D,E, P[3,5]=0.02, 0.1, 0.05, 0.2, 0.06,0.1,0.01 * 递推方程 设 m[i,j] 是相对于输入 S[i,j] 和 P[i,j] 的最优二叉搜索树 的平均比较次数，令 是 P[i,j] 中所有概率（包括数据元素与空隙）之和 递推方程： 证 明 m[i,j]k ：根为 xk 时的二分检索树平均比较次数的最小值 平均比较次数：在所有 k 的情况下 m[i,j]k 的最小值， m[i,j]=min{m[i,j]k | i?k?j} * 复杂性估计： T(n)=O(n3) S(n)=O(n2) 实例 B A E D C L0 L1 L2 L4 L5 L3 0.3 0.2 0.1 0.1 0.1 0.04 0.02 0.02 0.05 0.06 0.01 3.3.7生物信息学中的动态规划算法 RNA二级结构预测 一级结构：由字母 A,C,G,U 标记的核苷酸构成的一条链 二级结构：核苷酸相互匹配构成二级结构（平面图） 匹配原则： (1) 配对U-A,C-G； (2) 末端不出现“尖角”，位置i - j 配对，则 i ? j－4； (3) 每个核苷酸只能参加一个配对； (4) 不允许交叉，即如果位置 i1, i2, j1, j2 满足i1i2j1j2， 不允许 i1-j1, i2-j2配对. 但可以允许i1-j2, i2-j1配对. i1 i2 j1 j2 实例：4sRNA的二级结构 * 问题与算法设计 令C[i,j]是序列S[i..j]的最大匹配对数 问题：给定RNA的一级结构：由A,U,C,G 构成的长为 n 的序 列，寻找具有最大匹配对数的二级结构. i i+1 k?1 k+1 k j?1 j 算法时间复杂度是O(n3) 序列比对 编辑距离：给定两个序列S1和S2，通过一系列字符编辑（插 入、删除、替换）等操作，将S1转变成S2. 完成这种转换所 需要的最少的编辑操作个数称为S1和S2的编辑距离. 实例：vintner 转变成 writers，编辑距离?6： vintner 删除v：-intner 插入w：wintner 插入r： wrintner 删除n： wri-tner 删除n： writ-er 插入s： writers 算法设计 S1[1..n] 和 S2[1..m] 表示两个子序列 子问题划分：S1[1..i] 和 S2[1..j] C[i,j]： S1[1..i] 和 S2[1..j] 的编辑距离 算法的时间复杂度是O(nm) * 小 结 (1) 引入参数来界定子问题的边界. (2) 判断该优化问题是否满足优化原则. 注意子问题的重叠程度. 给出带边界参数的优化函数定义与优化函数的递推关系 考虑标记函数. 找到递推关系的初值. (5) 采用自底向上的实现技术，从最小的子问题开始迭代计 算，计算中用备忘录保留优化