第3章动态规划(上课)4.ppt

* 计算最优值算法及其复杂性 算法描述：P72 算法复杂度分析：从m(i，j)的递归式容易看出，算法需要O(nc)计算时间。当背包容量c很大时，算法需要的计算时间较多。例如，当c2n时，算法需要Ω(n2n)计算时间。 * 算法改进 由m(i,j)的递归式容易证明，在一般情况下，对每一个确定的i(1≤i≤n)，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。在一般情况下，函数m(i,j)由其全部跳跃点惟一确定。如图所示。 对每一个确定的i(1≤i≤n)，用一个表p[i]存储函数m(i，j)的全部跳跃点。表p[i]可依计算m(i，j)的递归式递归地由表p[i+1]计算，初始时p[n+1]={(0，0)}。 示例：n=3，c=6，w={4,3,2}，v={5,2,1}。 x (0,0) m(4,x) x (2,1) m(4,x-2)+1 x (0,0) (2,1) m(3,x) (3,2) x m(3,x-3)+2 (5,3) x (0,0) (2,1) m(2,x) (3,2) (5,3) x m(2,x-4)+5 (4,5) (6,6) (7,7) (9,8) x (0, 0) (2, 1) m(1,x) (3,2) (5,3) (4,5) (6,6) (7,7) (9,8) x (0,0) (2,1) m(3,x) x (0,0) (2,1) m(2,x) (3,2) (5,3) * 关于m(i,j) 函数m(i,j)是由函数m(i+1,j)与函数m(i+1,j-wi)+vi作max运算得到的。因此，函数m(i,j)的全部跳跃点包含于函数m(i+1，j)的跳跃点集p[i+1]与函数m(i+1，j-wi)+vi的跳跃点集q[i+1]的并集中。易知，(s,t)?q[i+1]当且仅当wi?s?c且(s-wi,t-vi)?p[i+1]。因此，容易由p[i+1]确定跳跃点集q[i+1]如下q[i+1]=p[i+1]?(wi,vi)={(j+wi,m(i,j)+vi)|(j,m(i,j))?p[i+1]} 另一方面，设(a，b)和(c，d)是p[i+1]?q[i+1]中的2个跳跃点，则当c?a且db时，(c，d)受控于(a，b)，从而(c，d)不是p[i]中的跳跃点。除受控跳跃点外，p[i+1]?q[i+1]中的其他跳跃点均为p[i]中的跳跃点。 由此可见，在递归地由表p[i+1]计算表p[i]时，可先由p[i+1]计算出q[i+1]，然后合并表p[i+1]和表q[i+1]，并清除其中的受控跳跃点得到表p[i]。 * 另一个例子 实例： n=5，c=10，w={2,2,6,5,4}， v={6,3,5,4,6}。 初始时p[6]={(0,0)}，(w5,v5)=(4,6)。 因此，q[6]=p[6]?(w5,v5)={(4,6)}。 p[5]={(0,0),(4,6)}。 q[5]=p[5]?(w4,v4)={(5,4),(9,10)}。从跳跃点集p[5]与q[5]的并集p[5]∪ q[5]={(0,0),(4,6),(5,4),(9,10)}中看到跳跃点(5,4)受控于跳跃点(4,6)。将受控跳跃点(5,4)清除后，得到p[4]={(0,0),(4,6),(9,10)} q[4]=p[4]?(6，5)={(6，5)，(10，11)} p[3]={(0，0)，(4，6)，(9，10)，(10，11)} q[3]=p[3]?(2，3)={(2，3)，(6，9)} p[2]={(0，0)，(2，3)，(4，6)，(6，9)，(9，10)，(10，11)} q[2]=p[2]?(2，6)={(2，6)，(4，9)，(6，12)，(8，15)} p[1]={(0，0)，(2，6)，(4，9)，(6，12)，(8，15)} p[1]的最后的那个跳跃点(8,15)给出所求的最优值为m(1,c)=15。 * 算法复杂度分析 算法描述：P74—75 上述算法的主要计算量在于计算跳跃点集p[i](1≤i≤n)。由于q[i+1]=p[i+1]?(wi，vi)，故计算q[i+1]需要O(|p[i+1]|)计算时间。合并p[i+1]和q[i+1]并清除受控跳跃点也需要O(|p[i+1]|)计算时间。从跳跃点集p[i]的定义可以看出，p[i]中的跳跃点相应于xi,…,xn的0/1赋值。因此，p[i]中跳跃点个数不超过2n-i+1。由此可见，算法计算跳跃点集p[i]所花费的计算时间为 从而，改进后算法的计算时间复杂性为O(2n)。当所给物品的重量wi(1≤i≤n)是整数时，|p[i]|≤c+1，(1≤i≤n)。在这种情况下，改进后算法的计算时间复杂性为O(min{nc,2n})。 * 3.11 最优二叉搜索树 什么是二叉搜索树？