算法分析与设计[5].pptVIP

动态规划算法常用于求解这样一类问题：问题的解可以表示成一个解向量（x1,x2,…xn)(n≥2)，算法分为n步进行，每一步确定解向量中的一个分量的取值。 动态规划的设计思想：每一步都列出各种可能的局部解，然后通过计算，舍去那些不满足约束条件的局部解和那些已经肯定不可能发展成全局最优解的局部解。在此基础上，对存留的局部解考察下一步（下一个分量）的取值。 动态规划与贪心算法的区别：贪心算法的出发点是每一步都追求局部最优；动态规划则着眼于全局最优，每一步都只是把那些已经肯定不能导致全局最优的部分解舍弃。 m(1, j) = max{m(2, j), m(2, j–2)+1} j≥2 m(2, j) 0≤j＜2 m(2, j–2)+1=6 6≤j＜7 m(2, j)=5 4≤j＜6 m(2, j)=2 3≤j＜4 m(2, j–2)+1=1 2≤j＜3 m(2, j)=0 0≤j＜2 m(1, j) = ③ m(1, 6) = max{m(2, 6), m(2, 6–2)+1} = max{5, 5+1} = 6 实例: n=3, c=6, (w1,w2,w3)=(2,3,4), (v1,v2,v3)=(1,2,5) void Knapsack( int w[], int c, int n,int m[][]) { int i, j, jMax=min(w[n]-1, c);//jMax为第n个物品和背包容量c较小的值 for(j=0; j=jMax; j++) m[n][j]=0; for(j=w[n]; j=c; j++) m[n][j]=v[n]; for(i=n-1; i1; i--) { jMax=min(w[i]-1, c); for(j=0; j=jMax; j++) m[i][j]=m[i+1][j]; for(j=w[i]; j=c; j++) m[i][j]=max(m[i+1][j], m[i+1][j-w[i]]+v[i]); } m[1][c]=m[2][c]; if(c=w[1]) m[1][c]=max(m[2][c], m[2][c-w[1]]+v[1]); } 计算最优值的Knapsack算法描述 计算 m(n, j)= vn j≥wn 0 0≤j＜wn 计算m(n-1, j)到m(2, j) m[1][c]=max(m[2][c], m[2][c-w[1]]+v[1]); 计算m(1, j) 构造最优解的Traceback算法描述 void Traceback(int m[ ][ ], int w[ ], int c, int n, int x[ ]) { for(int i=1; in; i++) if(m[i][c]= =m[i+1][c]) x[i]=0; else { x[i]=1; c=c-w[i]; } x[n]=m[n][c]? 1: 0; } m(3, 0) =0 m(3, 1) =0 m(3, 2) =0 m(3, 3) =0 m(3, 4) =5 m(3, 5) =5 m(3, 6) =5 m(2, 0) =0 m(2, 1) =0 m(2, 2) =0 m(2, 3) =2 m(2, 4) =5 m(2, 5) =5 m(2, 6) =5 m(1, 6) =6 c=6, n=3, 执行两次循环 ①m(1, 6) ≠ m(2, 6), 所以x[1]=1,c=6-2=4 ②m(2, 4) == m(3, 4) 所以 x[2]=0 x[3]=m[3][4]?1:0=1 实例: n=3, c=6, (w1,w2,w3)=(2,3,4), (v1,v2,v3)=(1,2,5) 0-1背包问题的阶跃性 递归函数m(i, j)是关于变量j的阶梯状单调不减函数 跳跃点是这一类函数的描述特征 一般情况下, 函数m(i, j)可由其全部跳跃点唯一确定 实例: n=3, c=6, (w1,w2,w3)=(2,3,4), (v1,v2,v3)=(1,2,5) 1 2 3 4 5 6 j 5 4 3 2 1 m(i, j) 跳跃点(4,5) (0,0) (2,1) (3,2) m(2, j)=5