动态规划算法教材课程.pptVIP

 动态规划算法Dynamic Programming xiepeng 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? 动态规划（dynamic programming）作为一种多阶段决策优化过程的通用方法，它是在20世纪50年代由一位卓越的美国数学家Richard Bellman所发明的。因此，这个技术名字中的programming是计划和规划的意思，不是代表计算机中的编程。 规划（programming）的含义意味着一系列的决策，而动态（dynammic）的含义则传递着这样一种思想，就是所作的决策可能依赖于当前状态，而与此前所作的决策无关。 3.2 举例：最短路径问题 为了找到由A到E的最短路线，可以将该问题分成A-B-C-D-E 4各阶段，在每个阶段都需要作出决策，即在A点需要决策下一步到B1还是B2或B3；同样，若到达第二阶段某个状态，比如B1,需要决定走向C1还是C2；依次类推，可以看出：各个阶段的决策不同，由A到E的路线就不同，当从某个阶段的某个状态发出一个决策，则这个决策不仅影响到下一各阶段的距离，而且直接影响后门各个阶段的行进线路。所以这类问题要求在各个阶段选择一个恰当的决策，使这些决策序列所决定的一条线路对应的线路最短。 动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题 n T(n/2) T(n/2) T(n/2) T(n/2) T(n) = 算法总体思想 但是经分解得到的子问题往往不是互相独立的。不同子问题的数目常常只有多项式量级。在用分治法求解时，有些子问题被重复计算了许多次。 算法总体思想 n T(n) = n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) n/2 T(n/4) T(n/4) T(n/4) T(n/4) 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 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 （1）单个矩阵是完全加括号的； （2）矩阵连乘积 是完全加括号的，则 可 表示为2个完全加括号的矩阵连乘积 和 的乘积并加括号，即 16000, 10500, 36000, 87500, 34500 完全加括号的矩阵连乘积可递归地定义为： 设有四个矩阵 ，它们的维数分别是： 总共有五中完全加括号的方式 矩阵连乘问题 给定n个矩阵 ， 其中 与 是可乘的， 。考察这n个矩阵的连乘积 由于矩阵乘法满足结合律，所以计算矩阵的连乘可以有许多不同的计算次序。这种计算次序可以用加括号的方式来确定。 若一个矩阵连乘积的计算次序完全确定，也就是说该连乘积已完全加括号，则可以依此次序反复调用2个矩阵相乘的标准算法计算出矩阵连乘积 矩阵连乘问题 给定n个矩阵｛A1,A2,…,An｝，其中Ai与Ai+1是可乘的，i=1,2 ,…,n-1。如何确定计算矩阵连乘积的计算次序，使得依此次序计算矩阵连乘积需要的数乘次数最少。 穷举法：列举出所有可能的计算次序，并计算出每一种计算次序相应需要的数乘次数，从中找出一种数乘次数最少的计算次序。 算法复杂度分析： 对于n个矩阵的连乘积，设其不同的计算次序为P(n)。 由于每种加括号方式都可以分解为两个子矩阵的加括号问题：(A1...Ak)(Ak+1…An)可以得到关于P(n)的递推式如下： 矩阵连乘问题 穷举法 动态规划 将矩阵连乘积 简记为A[i:j] ，这里i≤j 考察计算A[i:j]的最优计算次序。设这个计算次序在矩阵 Ak和Ak+1之间将矩阵链断开，i≤kj，则其相应完全 加括号方式为 计算量：A[i:k]的计算量加上A[k+1:j]的计算量，再加上 A[i:k]和A[k+1:j]相乘的计算量 分析最优解的结构 特征：计算A[i:j]的最优次序所包含的计算矩阵子链 A[i:k]和A[k+1:j]的次序也是最优的。 矩阵连乘计算次序问题的最优解包含着其子问题的最优解。这种性质