2014钢管运输讲评.pptVIP

Dijkstra算法步骤 STEP1. 如果S=V, 则 为节点s到节点j的最短路路长(最短路 可以通过数组p所记录的信息反向追踪获得), 结束. STEP0. (初始化) 令S= ，=V， ；对V 中 的顶点j(j s)令初始距离标号 . STEP2. 从 中找到距离标号最小的节点i，把它从 删除，加 入S. 对于所有从i出发的弧 , 若 ， 则令 转STEP1. 例 求下图从顶点1到其余顶点的最短路． 1 1 1 2 2 1 3 3 3 8 1 6 9 9 5 6 6 8 7 6 5 4 4 写出带权邻接矩阵 一般费用网络 (2) Bellman - Ford算法 (Ford,1956) 计算从起点到所有其它顶点的最短路: 相当于迭代法解Bellman方程 美国学者贝尔曼时提出的一种方法 （1957年） 求解多级决策过程问题的方法 在生产、收益、资源分配、信息处理、模式识别等方面 都有成功的应用。 5 动态规划 §1 多阶段决策过程 例1 行车问题 汽车从A城出发,途中经过3条河,到达B城(如图）,问如何选择路线,使花费时间(路程)最短? A B P1 P2 P3 Q1 Q2 Q3 4 5 6 4 6 7 1 1 2 2 4 3 这是一个4步决策问题（二择一决策） 穷举法 (条) 所有可能的行车路线共有 将每一条行车路线所需时间逐一算出，比较各条路线所用时间可得最优路线为： 最优行车时间为 （小时）。 计算量: 步决策（二择一决策）共需进行 次加法运算. 一般若为 n 时，加法运算次数为4608。 例如当 n=10 次加法运算. 此处共需做 反向递推法 1 分别求出从 到B的最优路线与最优时间 2 分别求出从 到B的最优路线和最优时间。 比较得从 出发到B的最优路线和最优时间为： 比较得从 出发到B的最优路线和最优时间为： A B P1 P2 P3 Q1 Q2 Q3 4 5 6 4 6 7 1 1 2 2 4 3 3 分别求出从 到B的最优路线和最优时间。 比较得从 出发到B的最优路线和最优时间为： 类似得从 出发到B的最优路线和最优时间为： 得到从A出发的最优路线和最优时间为： （小时） A B P1 P2 P3 Q1 Q2 Q3 4 5 6 4 6 7 1 1 2 2 4 3 4 从起点站A出发，只需计算并比较下两条路线 计算量: 除作了3次二择一决策外，只进行了4(4-2)+2=10次加法运算。 时，加法运算次数为34。 例如当 n=10 次加法运算。 步决策（二择一决策）共需进行 一般若为 n 用反向递推法解行车路线问题的思路是：为了找出从A到B的最优决策（最优路线），从后往前先找出各站到B的最优决策（最优路线），那么从起点站A到B的最优决策（最优路线）也就包含在其中了。 这实质上是将求一条极值曲线的问题嵌入到求一簇极值曲线的更广泛的类似问题之中，后者每次只做一步决策。从而将较难的多步决策问题转化为多次一步决策问题。 推广到一般情形即为动态规划法 多阶段决策过程 多阶段决策,是将决策问题的全过程恰当地划分为若干个相互联系的子过程（每个子过程为一个阶段），以便于分析处理. 阶段一般是根据时间和空间的自然特征来划分. 阶段变量: 一般用k表示.k=1,2,…,n 决策变量: 用uk表示第k个阶段的决策 Uk(xk)表示第k个阶段xk状态下的允许决策的集合. 状态变量: 用xk表示第k个阶段的状态. Xk表示第k个阶段状态变量的集合. 决策: 当过程处于某个阶段的某个状态时，从该状态演变为下一 个阶段某状态的方案选择，称为决策. 多阶段决策问题具有无后效性(马尔科夫性质），即当某阶段的状态一旦确定,则此后过程的演变不再受此前各状态和决策的影响, 或者说“未来与过去无关”. 即由状态xk出发的后部子过程可以看成一个以xk为初始状态的独立过程. 策略：由所有阶段的决策组成的决策序列，记为 允许策略：可供选择的所有策略的集合，记为 多阶段决策过程的数学模型 贝尔曼最优性原理： 多阶段决策过程中的最优策略具有这样的性质：若将过程任意分为两段，则不论前半段的状态和诸决策如何，余下的后半段诸决策