从一个基本方法谈起.pptVIP

例5 聪明的打字员 例： 如果通过k次可达到排列356124(其中红色表示光标达到过的位置） 最后的密码如果是371194，则通过这种方案需要一共操作k+(7-5)+(6-1)+(9-2)=14+k步 最后通过所有排列方案求得的步数中取一个最小值，即为答案。 搜索的剪枝 通常情况下，搜索的剪枝考虑下面几个方面： 判重：避免枚举重复的节点 最优化剪枝：如果当前部分搜索方案比目前求得的最优方案还要差，则剪枝。 可行性剪枝：如果可以判断继续按当前方向搜索下去，必定无解或者达不到最优解，则剪枝。 例6 木棍问题 John有一组等长的木棍，他将它们随机地截断，使得每一节木棒都不超过50个单位长度。然后他又想要把这些木棒拼接恢复到裁切之前的长度，但他却忘了木棒的初始长度。 现在给你裁切之后的所有木棒的长度，请求出初始木棒的最小可能长度。 裁切后木棒根数64 例6 木棍问题 我们考虑从小到大枚举初始木棒的长度，然后判断这个长度可不可以由当前的木棒拼接而成。（枚举的边界？） 深度优先搜索（下面函数头仅供参考） bool check(int k, int now, int largest, int len, int tot) k:当前在拼第几根 now：当前这根拼了多长 largest: 当前未被用上的最长的木棍编号 len:初始木棒的长度 //可定义为全程变量 tot:初始木棒一共需要多少根 //可定义为全程变量 搜索的时候把木棒按长度排序，每次选木棒都选尽量长的。 例6 木棍问题 剪枝1：每次开始拼新棍子的时候，必定选择剩下的木棒里面最长的一根，作为组成该棍子的第一根木棒。如果此路不通，则可以直接回溯。 剪枝2：由于长度相同的木棒是没有差别的，可以它们合并起来，每次只需枚举该长度用多少根即可。 剪枝3：…… 例7 金明的预算方案 金明在做预算，他把想买的物品分为两类：主件与附件，附件是从属于某个主件的。 如果要买归类为附件的物品，必须先买该附件所属的主件。每个主件可以有0个、1个或2个附件。附件不再有从属于自己的附件。金明想买的东西很多，肯定会超过妈妈限定的N元。于是，他把每件物品规定了一个重要度，分为5等：用整数1~5表示，第5等最重要。他还从因特网上查到了每件物品的价格（都是10元的整数倍）。他希望在不超过N元（可以等于N元）的前提下，使每件物品的价格与重要度的乘积的总和最大。 设第j件物品的价格为v[j]，重要度为w[j]，共选中了k件物品，编号依次为j1，j2，……，jk，则所求的总和为： v[j1]*w[j1]+v[j2]*w[j2]+ …+v[jk]*w[jk]。（其中*为乘号） 请你帮助金明设计一个满足要求的购物单。 例7 金明的预算方案 例： Input: 1000 5 800 2 0 400 5 1 300 5 1 400 3 0 500 2 0 Output: 2200 N32000 M60 例7 金明的预算方案 把每个主件和属于它的附件组合在一起，构成属于这个主件的不同方案。 例如 800 2 0 400 3 1 100 5 1 该主件有两个附件，则它的不同方案有(1)(1,2)(1,3)(1,2,3) 由于每个主件至多有2个附件，所以至多有4个方案 例7 金明的预算方案 考虑深度优先搜索： Void search(int Money, int k) //Money表示还剩多少钱，k表示当前枚举到第几个主件 在搜索内部枚举使用该主件的第几个方案 该算法效率不高，原因是存在着大量的重复计算：对于同样的(Money, k)，我们可能要进行多次计算； 而对于当前的搜索状态(Money, k)，接下来的搜索结果与之前的枚举无关 例7 金明的预算方案 我们考虑用数组f [Money][k]从(Money, k)开始搜索得到的最优值。 记忆化搜索！ 冗余计算没有了，算法效率大大提高。这就是动态规划的一种表现形式。 算法的时间复杂度为O(Nm) 动态规划的实质 从上面的分析可以看出，动态规划可以看成是对搜索的一种记忆化优化 动态规划就是将搜索时重复结算的状态保存下来，以空间换时间。 记忆化搜索往往是按自顶向下的方向求解，而我们平常所写的动态规划往往是自底向上的方向求解。 故实质上可以看成是记忆化搜索的一种非递归形式 例8 Help Jimmy Help Jimmy 是在下图所示的场景上完成的游戏。 场景中包括多个长度和高度各不相同的平台。地面是最低的平台，高度为零，长度无限。 Jimmy老鼠在时刻0从高于所有平台的某处开始下落，它的下落速度始终为1米/秒。当Jimmy落到某个平台上时，游戏者