动态规划算法Dynamic Programming.pptVIP

 动态规划算法Dynamic Programming 万玲 1、概述 什么是动态规划? 它能解决哪些问题? 解决的步骤又是什么样的? 3.2 举例：最短路径问题 Why Divide and Conquer技术的问题 子问题是相互独立的 如果子问题不是相互独立的,分治方法将重复计算公共子问题,效率很低 优化问题 给定一组约束条件和一个代价函数,在解空间中搜索具有最小或最大代价的优化解 很多优化问题可以分解为多个子问题,子问题相互关联,子问题的解被重复使用 What 动态规划的特点 把原始问题分为一系列子问题 求解每个子问题仅一次,并将其结果保存在一个表中,以后用到时直接存取,不重复结算,节约计算时间 自底向上的计算 适用范围 一类优化问题:可分为多个相关子问题,子问题的解被重复使用 How 使用动态规划的条件 优化子结构 当一个问题的优化解包含了子问题的优化解时,我们说这个问题具有优化子结构 缩小子问题的集合,只要哪些优化问题包含了优化子问题,降低实现复杂性 重叠子问题 在问题的求解过程中,很多子问题的解被多次重复使用 动态规划基本步骤 找出最优解的性质，并刻划其结构特征。 递归地定义最优值。 以自底向上的方式计算出最优值。 根据计算最优值时得到的信息，构造最优解。 3.3 矩阵连乘 矩阵连乘问题 分析最优解的结构 建立递归关系 计算最优值 用动态规划法求最优解 动态规划算法的基本要素 一、最优子结构 二、重叠子问题 3.4 0/1背包问题 动态规划求解0/1背包的算法描述 templateclass Type Type knapsack_dynamic(int w[],Type p[],int n,int m,BOOL x[]){ int I,j,k; Type v,(*optp)[m+1]=new Type[n+1][m+1]; for(i=0;i=n;i++){ optp[i][0]=0;x[i]=FALSE;} for(i=0;i=m;i++) optp[0][i]=0; //初始化 动态规划０／１背包算法 for(i=1;i=n;i++){　　　　　　　　／／计算optp[i[]j] for(j=1;j=m;j++){ optp[i][j]=optp[i-1][j]; if((j=w[i])(optp[i-1,j-w[i]]+p[i])optp[i-1][j]) optp[i][j]=optp[i-1,j-w[i]]+p[i]; } } j=m; //递推装入背包的物体 for(i=n;i0;i--){ if(optp[i][j]optp[i-1][j]){ x[i]=FALSE; j=j-w[i]; } } v=optp[n][m]; Delete optp; Return v; }//结束 例题 0/1背包问题 有五个物体，其重量分别为2，2 ，6 ，5 ，4，价值分别是6，3，5，4，6，背包的载重量为10，求装入背包的物体及其总价值表。 3.5 最长公共子序列 若给定序列X={x1,x2,…,xm}，则另一序列Z={z1,z2,…,zk}，是X的子序列是指存在一个严格递增下标序列{i1,i2,…,ik}使得对于所有j=1,2,…,k有：zj=xij。例如，序列Z={B，C，D，B}是序列X={A，B，C，B，D，A，B}的子序列，相应的递增下标序列为{2，3，5，7}。 给定2个序列X和Y，当另一序列Z既是X的子序列又是Y的子序列时，称Z是序列X和Y的公共子序列。 给定2个序列X={x1,x2,…,xm}和Y={y1,y2,…,yn}，找出X和Y的最长公共子序列。 最长公共子序列的结构 子问题的递归结构 计算最优值 动态规划 最长公共子序列 例题 求A=xyxzyxyzzy,B=xzyzxyzxyzxy的最长公共子序列。 解：用两个表，来分别用来存放搜索过程中所得到的子序列的长度c[i][j]和状态b[i][j]. 最终得到的最长公共子序列是A(1,2,3,4,6,7,8,10)=xyxzxyzy 最长公共子序列的两个存储表 最长公共子序列的状态表及搜索 3.6最大子段和 给定由n个整数(可能为负整数)组成的序列a1,a2,…,an， 求该序列形如 的子段和的最大值。当所有整数均为负整数时定义其最大子段和为0。 例如，当（a1,a2,a3,a4,a5,a6）={-2,11,-4,13,-5,-2}时