动态规划的深入讨论毕业论文.doc

动态规划的深入讨论 【关键字】 动态规划、状态 【 摘要】 本文讨论了一种解决问题十分有效的技术——“动态规划”。它较高的解题效率一直受到很大的关注。本文首先对“动态规划”的理论基础进行了讨论。给出了一个用“动态规划”可以解决的问题的两个先决条件：“最优子结构”与“无后效性”。接着，讨论了在实际应用中的两个比较常见的问题：“动态规划”中状态的选定与存储。再通过以上问题的讨论，引出了“动态规划”的基本思维方法：“不做已经做过的工作”以及“动态规划”技术在解决问题中速度惊人的原因——“解决了查看中的冗余，达到了速度的极限”。最后，阐述了解决“动态规划”问题的一般步骤，即“思考，计划，应用”。 【正文】 一 ．引 论 在信息学竞赛中，特别是最近几年，“动态规划”作为一种解题工具，经常被提及。其应用范围愈来愈广，应用程度也愈来愈深。那么，“动态规划”究竟与其它的算法有什么差别？它有什么具体的应用价值呢？本文将对此进行讨论。 我们先通过一个具体问题认识一下“动态规划”。 〖例1〗：图1中给出了一个地图，地图中每个顶点代表一个城市，两个城市间的连线代表道路，连线上的数值代表道路的长度。现在，我们想从城市A到达城市E，怎样走路程最短，最短路程的长度是多少？ 假设： Dis[X]为城市X到E的最短路线的长度；（X表示任意一个城市） Map[I,J]表示I，J两个城市间的距离，若Map[I，J]=0，则两个城市不连通。 这个问题我们可以用搜索法来做，程序很容易写出来： Var Se:未访问的城市集合； Function Long(Who:当前访问城市):Integer; ：求当前访问城市与城市E的最短距离。 Begin If Who=E Then Search:=0 Else Begin Min:=Maxint; For I取遍所有城市 Do If （Map[Who,I]0） And (I In Se) Then Begin Se:=Se-[I]; J:=Map[Who,I]+Long(I); Se:=Se+[I]; If JMin Then Min:=J; End; Long:=Min; End; End; Begin Se:=除A外所有城市的集合； Dis[A]:=Long(A); End. 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，这是一个“指数级”的算法，那么，还有没有更好的算法呢？ 首先，我们来观察一下这个算法。在求从B1到E的最短路径的时候，先求出从C2到E的最短路径；而在求从B2到E的最短路径的时候，又求了一遍从C2到E的最短路径。也就是说，从C2到E的最短路径我们求了两遍。同样可以发现，在求从C1、C2到E的最短路径的过程中，从D1到E的最短路径也被求了两遍。而在整个程序中，从D1到E的最短路径被求了四遍，这是多么大的一个浪费啊！如果在求解的过程中，同时将求得的最短路径的距离“记录在案”，随时调用，那会是多么的方便啊！ 于是，一个新的思路诞生了，即：由后往前依次推出每个Dis值，直到推出Dis[A]为止。这个思路的确很好，但等等，究竟什么是“由后往前”呢？ 所谓“后”、“前”是我们自己为城市编的序号，当两个城市I，J的前后顺序定为I“前”J“后”时，必须满足这个条件： 或者I，J不连通，或者Dis[I]+Map[I,J]≥Dis[J]。 因为如果I，J连通且Dis[I]+Map[I,J]Dis[J]，则说明Dis[J]存在更优的情况，可J位于I后，就不可能推出此情况，会影响最后的解。那么，我们如何划分先后次序呢？ 如图2所示。我用不同颜色给城市分阶段，可以用阶段表