动态规划法算法设计与分析文件材料.ppt

7.1 一般方法和基本要素 7.2 每对结点间的最短路径 7.3 矩阵连乘 7.4 最长公共子序列 7.5 最优二叉搜索树 7.6 0/1背包 7.7 流水作业调度 ; 20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程的优化问题时，提出了著名的最优化原理(principle of optimality)，把多阶段过程转化为一系列单阶段问题，创立了解决这类过程优化问题的新方法——动态规划。 动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法。 应用领域：动态规划问世以来，在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。 ;设计一个动态规划算法，通常可以按以下几个步骤进行： （1）刻画最优解的结构特性； （2）递归定义最优解值； （3）以自底向上方式计算最优解值； （4）根据计算得到的信息构造一个最优解。 其中，第（1）至（3）步是动态规划算法的基本步骤。最优解值是最优解的目标函数的值。 ;7.1.2 基本要素 ;7.1.3? 多段图问题; 结点：结点集V被分成k≥2个不相交的集合Vi，1≤i≤k，其中V1和Vk分别只有一个结点：s(源结点)和t(汇点)。 段： 每一集合Vi定义图中的一段——共k段。 边： 所有的边(u,v)均具有如下性质： 若u,v∈E，则若u∈Vi，则u∈Vi＋1,即该边将是从某段i指向i+1段，1≤i≤k－1。 成本：每条边(u,v)均附有成本c(u,v)。 s到t的路径：是一条从第1段的源点s出发，依次经过第2段的某结点v2i，经第3段的某结点v3j、…、最后在第k段的汇点t结束的路径。 该路径的成本是这条路径上边的成本和。 多段图问题：求由s到t的最小成本路径。; ; 多段图问题的多阶段决策过程：生成从s到t的最小成本路径是在k-2个阶段（除s和t外）进行某种决策的过程：从s开始，第i次决策决定Vi+1(1≤i≤k-2)中的哪个结点在从s到t的最短路径上。 1.最优性原理对多段图问题成立 假设s,v2,v3,…,vk-1,t是一条由s到t的最短路径。 ● 初始状态：s ● 初始决策：(s,v2)， v2∈V2 ● 初始决策产生的状态：v2 则，其余的决策：v3,...,vk-1相对于v2将构成一个最优决策序列——最优性原理成立。 反证：若不然，设v2,q3,…,qk-1,t是一条由v2到t的更短的路径，则s, v2,q3,…,qk-1,t将是比s,v2,v3,…,vk-1,t更短的从s到t的路径。与假设矛盾。 故，最优性原理成立;2. 向前处理策略求解 设 P(i,j)是一条从Vi中的结点j到汇点t的最小成本路径， cost(i,j)是这条路径的成本。 1) 向前递推式 cost(k,t)=0 2) 递推过程 ★ 第k-1段 c(j,t) j,t∈E COST(k-1,j) = ∞;★ 最小成本路径的求取 记 d(i,j)＝每一cost(i,j)的决策 即，使c(j,p)+cost(i+1,p)取得最小值的p值。 例：d(3,6)=10, d(3,7)=10 ,d(3,8)=10 d(2,2)=7, d(2,3)=6, d(2,4)=8, d(2,5)=8 d(1,1)=2 根据d(1,1)的决策值向后递推求取最小成本路径： ● v2=d(1,1)=2 ● v3=d(2,d(1,1))=7 ● v4=d(3,d(2,d