动态规则与0-1背包问题.pptVIP

动态规划与0-1背包问题 郝付壮 问题的引出 最短路径问题： 现有一张地图，各结点代表城市，两结点间连线代表道路，线上数字表示城市间的距离。如图所示，试找出从结点A到结点E的最短距离。如图1 对这个问题最常用的就是穷举法，类似于遍历法或搜索法。其主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。这种方法能得出最短路径的最优解，但由于它遍历计算的节点很多，所以效率低。 这个程序的效率如何呢？我们可以看到，每次除了已经访问过的城市外，其他城市都要访问，所以时间复杂度为O(n!)，这是一个“指数级”的算法 在求从B1到E的最短距离的时候，先求出从C2到E的最短距离；而在求从B2到E的最短距离的时候，又求了一遍从C2到E的最短距离。也就是说，从C2到E的最短距离我们求了两遍。如果在求解的过程中，同时将求得的最短距离“记录在案”，随时调用，就可以避免这种情况。 于是，可以改进该算法，将每次求出的从任意一点V到E的最短距离记录下来，在算法中递归地求MinDistance(v)时先检查以前是否已经求过了，如果求过了则不用重新求一遍，只要查找以前的记录就可以了。这样，由于所有的点有n个，因此不同的状态数目有n个，该算法的数量级为O(n)。 更进一步，可以将这种递归改为递推，这样可以减少递归调用的开销。 请看图1，可以发现，A只和Bi相邻，Bi只和Ci相邻,...，依此类推。这样，我们可以将原问题的解决过程划分为4个阶段，设S1={A},S2={B1,B2},S3={C1,C2,C3,C4},S4={D1,D2,D3}，Fk(u)表示从Sk中的点u到E的最短距离，则 显然可以递推地求出F1(A)，也就是从A到E的最短距离。这种算法的复杂度为O(n)，因为所有的状态总数（节点总数）为n，对每个状态都只要遍历一次，而且程序很简洁。这种高效算法，就是动态规划算法。 动态规划介绍： 动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程最优化的数学方法。20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程的优化问题时，提出了著名的最优化原理，把多阶段过程转化为一系列单阶段问题，逐个求解，创立了解决这类过程优化问题的新方法——动态规划。 动态规划模型的基本要素 1.阶段 阶段(step)是对整个过程的自然划分。通常根据时间顺序或空间特征来划分阶段，以便按阶段的次序解优化问题。 2.状态 状态(state)表示每个阶段开始时过程所处的自然状况。它应该能够描述过程的特征并且具有无后向性。 3.决策 当一个阶段的状态确定后，可以作出各种选择从而演变到下一阶段的某个状态，这种选择手段称为决策(decision)，在最优控制问题中也称为控制(control)。 4.策略 决策组成的序列称为策略(policy)。比如，由初始状态x1开始的全过程的策略记作p1n(x1)，即 p1n(x1)={u1(x1),u2(x2),...，un(xn)}。 5.状态转移方程 在确定性过程中，一旦某阶段的状态和决策为已知，下阶段的状态便完全确定。用状态转移方程表示这种演变规律，写作 Xk+1=Tk(Xk,Uk(Xk)) k=0,1,2…,n 6.指标函数和最优值函数 指标函数是衡量过程优劣的数量指标，它是关于策略的数量函数，从阶段k到阶段n的指标函数用Vkn(xk,pkn(xk))表示，k=1,2,...,n。 7.最优策略和最优轨线 使指标函数Vkn达到最优值的策略是从k开始的后部子过程的最优策略，记作pkn*={uk*,..un*},p1n*,又是全过程的最优策略，简称最优策略(optimal policy)。 从初始状态x1(=x1*)出发，过程按照p1n*和状态转移方程演变所经历的状态序列{x1*,x2*,..,xn+1*}称最优轨线(optimal trajectory)。 动态规划的适用条件 1. 最优化原理 最优化原理可这样阐述：一个最优化策略具有这样的性质，不论过去状态和决策如何，对前面的决策所形成的状态而言，余下的诸决策必须构成最优策略。简而言之，一个最优化策略的子策略总是最优的。 2. 无后向性 3. 子问题的重叠性 在例1中我们看到，动态规划将原来具有指数级复杂度的搜索算法改进成了具有多项式时间的算法。其中的关键在于解决冗余，这是动态规划算法的根本目的。 动态规划的基本思想 动态规划的实质是分治思想和解决冗余，因此，动态规划是一种将问题实例分解为更小的、相似的子问题，并存储