动态规划近似串匹配.pptVIP

计算机算法 ——设计与分析导论 南开大学 计算机科学与技术系 刘璟 Chapter 7. 动态规划（Dynamic Programming） 7.1 动态规划的基本原理 7.2 最优二分搜索树(Optimal Binary Search Tree) 7.3 近似串匹配(Approximate String Matching)问题 7.1 动态规划的基本原理 7.1.1 Fibonacci数的计算 Fibonacci数又称为Fibonacci数列，定义为： F0=0, F1=1, Fn=Fn-1 + Fn-2 (n ≥ 2) 计算Fibonacci数列可由递归函数fibo完成。 递归函数fibo 由此可知，函数fibo的计算量随n的增加而急剧增加，n=6时 需25次调用，n=10时需177次调用，n=15时需1974次调用。 进一步的研究表明，调用次数 An = 2Fn+1 - 1，其中 ， 。 可以估计， ，其计算量是n的指数函数。 从Fig.7.1中可以看出，大量的调用过程是重复的，此算法可以改进。 函数fibo的改进函数fib 这个程序的时间代价为O(n)阶。 7.1.2 矩阵连乘的顺序问题 1. 一个实例 四个矩阵A1、A2、A3、A4相乘，设其阶数分别为 A1：30×1，A2：1×40，A3：40×10，A4：10×25。 因为矩阵相乘满足结合律，所以可有下面五种（实际为六种）不同的运算次序，而且不同的运算次序所需的元素间乘法的次数不同，如下面所列： ( ( A1 A2 ) A3 ) A4 30×1×40+30×40×10+30×10×25=20700 ( A1 A2 )( A3 A4 ) 30×1×40+40×10×25+30×40×25=41200 ( A1( A2 A3 ) ) A4 1×40×10+30×1×10+30×10×25=8200 A1( ( A2 A3 ) A4 ) 1×40×10+1×10×25+30×1×25=1400 A1( A2( A3 A4 ) ) 40×10×25+1×40×25+30×1×25=11750 五种运算次序的计算结果相同，但所花费的时间代价相差极大。如果某一应用问题需要经常进行矩阵连乘运算，应首先确定最优的矩阵连乘的次序。 2. 最优矩阵连乘次序（Optimal Matrix Multiplication Order）问题 给定n个矩阵A1,A2,...,An的维数为d0,d1,d2,...,dn，即：Ai的维数为di-1×di(1≤i≤n)。求一种连乘次序，使得计算时所需的元素乘法的总数最少。 3. 算法的思路 如同上面实例中所做的那样，把所有可能的运算次序所需的计算量全计算出来，选择最小者，这种方法称为穷举法。不过，当n值较大时，这种方法的计算量过高。n个矩阵相乘应有（n-1）！种不同的运算次序，计算每种运算次序所需的时间代价需要2(n-1)次乘法和n-2次加法运算。当n=11时需要7257.6万次乘法。 由于不能事先决定最初在何处进行划分，所以分治策略难以解决这个问题。但这个问题满足最优子结构性质：即，当选择了进行最外层相乘的位置之后，其左右两边的矩阵相乘序列都必须是时间代价最小的，可以考虑采用贪心策略。 一种使用贪心策略的解决方法是：每次优先选择其相乘代价最小的两个矩阵。例如在本实例中，A1?A2?A3?A4有三个可能的相邻矩阵乘积，其中A2?A3的代价400为最小。那么首先完成A2?A3，在余下的两个可能的相邻矩阵乘积中：30×1×10和1×10×25相比较，后者较小。于是得到的解为A1( ( A2 A3 ) A4 )，与穷举法的最优结果一致。不过该贪心策略不能保证得到最优解。例如反例： 矩阵A、B、C，维数分别为：40×1，1×20，20×50， (A?B)?C 40×1×20+40×20×50=40800 A?(B?C) 1×20×50+40×1×50=3000 另外一种采用贪心策略的方法是，对于n个矩阵A1... An的维数序列d0...dn，每次从d1...dn-1中取最大值di，首先进行Ai与Ai+1的乘法使最大的维数仅参加一次乘法运算，这样做有可能有利于减少矩阵连乘的计算量。使用这一策略，对上面的两个简单实例进行计算，其结果都是正确的