日本实现无线充电2012年设置无线充电网点.pptVIP

动态规划 动态规划 (Dynamic Programming) 基本思想和使用条件 动态规划算法的设计步骤 应用实例 小结 基本思想和使用条件 基本思想 使用条件:优化原则 算法设计步骤 搜索空间的规模 动态规划算法 算法1：递归实现 递归实现的复杂性 复杂性高的原因 算法2：迭代实现 迭代过程的一个实例 两种算法的比较 递归算法：复杂性高（通过记录矩阵改进） 非递归算法：复杂性较低 原因 递归动态规划算法的子问题被多次重复计算 子问题计算次数呈指数增长 非递归动态规划算法每个子问题只计算一次 子问题的计算随问题规模成多项式增长 动态规划算法设计步骤 将问题表示成多步判断，确定子问题的边界 整个判断序列就对应问题的最优解 每步判断对应一个子问题，子问题类型与原问题一样 确定优化函数，以函数的极大(或极小)作为判断的依据 确定是否满足优化原则-----动态规划算法的必要条件 确定子问题的重叠性 列出关于优化函数的递推方程(或不等式)和边界条件 自底向上计算子问题的优化函数值 备忘录方法(表格)存储中间结果 设立标记函数s[i,j]求解问题的解 投资问题 算法设计 算法设计 算法的复杂度分析 背包问题 (Knapsack Problem) 算法设计 实例 标记函数定义 标记函数确定问题的解 求 xj 的方法 最长公共子序列 LCS 问题 动态规划算法 递推方程 算法 LCS-Length(X,Y) 构造解 图像压缩 实例 算法设计 算法 最大子段和 算法1 顺序求和+比较 算法2 分治策略 算法2 MaxSubSum 算法3：动态规划 算法3：MaxSum 凸多边形的三角划分 递推方程 定义 t [i,j]为凸多边形 {vi-1, vi, …, vj} 的最优分割对应 的最小权值 算法分析 最优二叉搜索树 存取概率不等情况 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 = 4, 10, 2, 30, 2, 10, 5, 20, 6, 10, 1 /100 S[2,4]=b, c, d P[2,4]=2, 30, 2, 10, 5, 20, 6/100 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 S[1,1]=a，P[1,1]=4,10,2/100 S[3,5]=c,d,e, P[3,5]=2, 10, 5, 20, 6,10,1/100 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. m[i,j] 的递推式证明 数字三角形问题 1．问题描述 给定一个具有N层的数字三角形，从顶至底有多条路径，每一步可沿左斜线向下或沿右斜线向下，路径所经过的数字之和为路径得分，请求出最小路径得分。 设计步骤 将问题表示成多步判断 确定是否满足优化原则——必要条件 确定子问题的重叠性——估计算法效率 列出关于优化函数的递推方程(或不等式)和边界条件 自底向上计算子问题的优化函数值----非递归的算法 备忘录方法记录中间结果 标记函数追踪问题的解 动态规划算法的问题 时间复杂性改进依赖于子问题的重叠程度 空间复杂性较高 像素点灰度值 0?255，表示为8位二进制数 像素点灰度值序列 { p1, p2,…, pn}，pi为第i个像素点的灰度值 变位压缩存储格式 将{ p1, p2,…, pn}分割成 m 段S1, S2, … ,Sm. 第i 段有l[i]个像素，每个像素至少要b[i]位表示 约束条件：限定每段像素个数 l[i] 不超过256 表示段Si 的总位数=表示每个像素位数 b[i]的二进制数(3 位) + 表示本段像素个数 l[i] 的二进制数(8位) + 本段每个像素的位数?本段像素个数 问题 给定像素序列{ p1, p2, …, pn}，确定空间最小的分段方式 灰度值序列 P={10,12,15,255,1,2,1,1,2,2,1,1} 分法1 S1={10,12,15}，S2={255}, S3={1,2,1,1,2,2,1