动规专题.pptxVIP

问题１，可分四段分别考虑，每段子问题是互相独立 　　　　的，没有任何关联．只是它们先后有顺序， 　　　　合起来刚好是原问题而已．每段最少车费相 　　　　加即是总车费最少，这是贪心策略． 问题２，问题2就没有这么简单了，要考虑杭州、上 　　　　海、南京都存在转车不转车的各种情况，这 　　　　就复杂起来了．如各小站也允许转车，那就 　　　　更复杂了．　;　　　问题２复杂化在于，要考虑的各个子问题可能不独立的，如衢州到上海，杭州到南京，衢州到南京，这三个子问题有杭州到上海这个公共部分，这种子问题不独立，用贪心求解会有反例，求出的答案往往是不对的． 　　;;分析 　　我们用二维数组f[I,j]来表示第I行第J列这个点到最后一行的最优解，很容易地能够写出一个递推式： f(i, j)=a[i, j] + min{f(i-1, j)+f(i-1, j + 1)} 可以用双重循环一层一层往上做，做到顶端时答案就求出来了， 即f[I,j]。 这是很典型从底向上层层递推的方法。 ; 当然我们也可以从最上面一层一层往下做，稍为麻 烦一点，但f[I,j]的意思变了，效果也差不了多少。 这类问题逆向递推更适合,也更好理解. 如果我们要从正面思路分析这个问题，从顶向下 则更容易想到的是一个非常简单的递归过程 : f1:=f(i-1,j+1); f2:=f(i-1,j); if f1f2 then f:=f1+a[i,j] else f:=f2+a[i,j]; 显而易见，这个算法就是最简单的搜索算法。时间 复杂度为2n，当n=100, 2n一个天文数字，明显是会超 时的。 ; 分析一下搜索的过程，实际上，很多调用都是 不必要的，也就是把做过的情况反复去做了。 为了避免浪费，我们把做过的情况存在一个 opt数组中保存起来。 搜索时，每产生一个f(i, j)，就将f(i, j)的值放入opt[[I,j]中，以后再次去做f(i, j)的时候，直接从opt[i, j] 中取来就可以了。 象这种在搜索过程中，用数组将做过的情况记录下来，避免了再次搜索重复去做，叫做记忆化搜索。这种技巧在竞赛中经常被使用。 ;动态规划含义 　　　 在现实生活中，有一类活动的过程，由于它的特殊性，可将求解过程分成若干个互相联系的阶段,在它的每一阶段都要做出决策，从??使整个过程达到最好的活动效果。因此,各个阶段决策确定后，组成一个决策序列，因而也就确定了整个过程的一条活动路线。这种把一个问题看作是一个前后关联具有链状结构的多阶段过程，就称为多阶段决策过程，这种问题称为多阶段决策问题。 　;　　在多阶段决策问题中，各个阶段采取的决策，一般来说是和某种顺序（时间）有关的，决策依赖于当前状态,又随即引起状态的转移，一个决策序列就是在变化的状态中产生出来的，故有“动态”的含义，我们称这种解决多阶段决策最优化的过程为动态规划。 动态规划的显著特征是: 有边界条件，最优子结构，无后效性 且一般划分为很明显的阶段. 动态规划一般还存在一条或多条状态转移方程. ;名词解释： 多阶段决策问题 ：　　如果一类活动过程可以分为若干个互相联系的阶段，在每一个阶段都需作出决策(采取措施)，一个阶段的决策确定以后，常常影响到下一个阶段的决策，从而就完全确定了一个过程的活动路线，则称它为多阶段决策问题。　　各个阶段的决策构成一个决策序列，称为一个策略。每一个阶段都有若干个决策可供选择，因而就有许多策略供我们选取，对应于一个策略可以确定活动的效果，这个效果可以用数量来确定。策略不同，效果也不同，多阶段决策问题，就是要在可以选择的那些策略中间，选取一个最优策略，使在预定的标准下达到最好的效果.;决策：　　当前状态通过决策,回到了以前状态.可见决策其实就是状态之间的桥梁。而以前状态也就决定了当前状态的情况。数字三角形的决策就是选择相邻的两个以前状态的最优值。状态：　　我们一般在动规的时候所用到的一些数组，也就是用来存储每个状态的最优值的。我们就从动态规划的要诀，也就是核心部分“状态”开始，来逐步了解动态规划。有时候当前状态确定后,以前状态就已经确定,则无需枚举.;阶段： 把所给求解问题的过程恰当地分成若干个相互联系的阶段，以便于求解，过程不同，阶段数就可能不同．描述阶段的变量称为阶段变量。在多数情况下，阶段变量是离散的，用k表示。此外，也有阶段变量是连续的情形。如果过程可以在任何时刻作出决策，且在任意两个不同的时刻之间允许有无穷多个决策时，阶段变量就是连续的。状态： 状态表示每个阶段开始面临的