计科08-04-动态规划.pptVIP

算法分析与设计 0-1背包的子问题结构 子问题 子背包容量为 j , 0jC (原背包容量) 可选物品为 i, i+1, ……, n, 1≤i ≤n 按以上顺序，依次选择物品，装入容量为 j 的背包 依次考察物品 i, i+1, ……, n 算法分析与设计 0-1背包子问题最优值的计算 边界条件 m ( n , j ) — 可选物品只有一个物品，即物品 n 显然：若背包当前容量 j 物品 n 的重量 wn 物品 n 可(整体)装入 背包总价值 = 物品 n 的价值 vn 算法分析与设计 0-1背包最优值的计算 递归计算式 算法分析与设计 计算复杂性分析 0-1背包问题的动态规划求解算法时间复杂性分析 T(n) = O(n*c) 物品个数 * 背包容量 背包容量 c 的值很大时，计算时间较多 若 c2n，计算时间 Ω(n*2n) 思考 0-1背包的备忘录动态规划算法如何设计？ 与前面的递推动态规划算法在计算特征上有无区别？ 与矩阵连乘积的备忘录动态规划算法有无区别？ 算法分析与设计 算法分析与设计 动态规划策略总结 基本方法 描述最优解结构 定义最优值递归式 计算最优值（同时保存最优解信息） 自底向上：递推 自顶向下递归：备忘录 构造最优解 算法分析与设计 动态规划策略总结 算法效率 时间复杂性为多项式阶(不同子问题个数) LCS、0-1背包不一定：可为Ω(n2n) 空间复杂性较大：Θ(n2) 典型问题 矩阵连乘最优计算次序(matrix chain) 最长公共子序列(longest common subsequence) 最优三角剖分 0-1背包最优装入 最长公共子序列（LCS） 给定 2 个序列 X 和 Y，当另一序列 Z 既是 X 的子序列又是 Y 的子序列时，称 Z 是序列 X 和 Y 的公共子序列 问题 给定 2 个序列 X={ x1,x2,…,xm } 和 Y={ y1,y2,…,yn } 找出 X 和 Y 的最长公共子序列 LCS, Longest Common Subsequence * 最长公共子序列（LCS）的结构 假设序列 X={x1,x2,…,xm} 和 Y={y1,y2,…,yn}的最长公共子序列（LCS）为 Z={z1,z2,…,zk} ，则 xm=yn：则一定有 zk=xm=yn，且 zk-1是Xm-1和Yn-1 的LCS xm≠yn ： 若 zk≠xm：则 Z 一定是 Xm-1和 Y 的LCS 若 zk≠yn：则 Z 一定是 X 和 Yn-1 的LCS * 两个序列的最长公共子序列（LCS）包含了这两个序列的前缀的最长公共子序列。因此，最长公共子序列问题具有最优子结构性质。 LCS子问题的递归结构 c[i][j]：Xi 与 Yj 的最长公共子序列（LCS）的长度 Xi={ x1,x2,…,xi }，Yj={ y1,y2,…,yj } i=0 或 j=0：空序列是 Xi 和 Yj 的LCS，故 C[i][j] = 0 其他情况：由最优子结构性质得递归关系： * 计算最优值 int lcsLength (char *x, int m, char *y, int n) { for (int i =0; im; i++) c[i][0]=0; //Xi 与空串的 LCS 长度=0 for (int j =0; jn; j++) c[0][j]=0; //空串与 Yj 的 LCS 长度=0 for (i = 0; i m; i++) for (j = 0; j n; j++) // 逐个比较 x 与 y 的每个字符 if (x[i] == y[j]) { // xi 与 yj相等 // Xi 与 Yj 的LCS 长度= Xi-1 与 Yj-1 的LCS长度 +1 c[i][j]=c[i-1][j-1]+1; //且，xi 或 yj 是 Xi 与 Yj 的LCS的尾字符 b[i][j]=1; …..（下页续） * 计算最优值 ……（接上页）//xi 与 yj 不相等 // c (i-1, j) 是 Xi-1 与 Y 的 LCS 长度 // c (i, j-1) 是 X 与 Yj-1 的 LCS 长度 } else if ( c[i-1][j] = c[i][j-1] ) { // Xi-1 与 Y 的 LCS 更长 c[i][j] = c[i-1][j]; b[i][j] = 2; // LCS 在 Xi-1 与 Y