算法分析与设计Algorithms Chapter 8 动态规划.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * Floyd算法实例 * 动态规划算法的基本步骤 划分阶段： 选择状态： 确定决策并写出状态转移方程： 写出规划方程（包括边界条件）： 动态规划的实质是分治思想和解决冗余，因此，动态规划是一种将问题实例分解为更小的、相似的子问题，并存储子问题的解而避免计算重复的子问题，以解决最优化问题的算法策略。 * 最优二叉查找树Optimal Binary Search Trees 二叉查找树一种重要的数据结构，主要应用于字典的实现。 例如：3，7，9，12的二叉查找树有： 哪一棵树在成功查找时，键的平均比较次数最少？ 设3,7,9,12四个键分别以概率0.1,0.2,0.4,0.3来查找 0.1*1+0.2*2+0.4*3+0.3*4=2.9 0.1*2+0.2*1+0.4*3+0.3*2=2.2 0.1*2+0.2*1+0.4*2+0.3*3=2.1 0.1*3+0.2*4+0.4*2+0.3*1=2.2 * 最优二叉查找树Optimal Binary Search Trees 对于n个a1a2...an互不相等的键，设p1,p2,...,pn分别是它们的查找概率。 假设T1n是由这n个键构成的一棵最优二叉查找树，如何计算成功查找的1到n的最小平均键比较次数C[1,n]，以及如何构造这棵树？ 动态规划分析 划分阶段(子问题)：为了 得到C[1,n]，须从1到n中 选取一个节点k作为根节 点，则有这样一棵树： * 最优二叉查找树Optimal Binary Search Trees 对于ai...aj构成的一棵最优二叉树，有： * 最优二叉查找树 Optimal Binary Search Trees 这里只是得到最优二叉树中成功平均比较次数。 如果想得到二叉树本身，该怎么办？ * 最优二叉查找树 Optimal Binary Search Trees 最优二叉树举例 键 3 7 9 12 概率 0.1 0.2 0.4 0.3 初始表格 1 2 3 4 T(1,2) T(4,4) T(1,4) R[i,j]=k表示包含i和j的最优树的根是k * 最优二叉查找树Optimal Binary Search Trees 算法 OptimalBST(P[1..n]) //用动态规划算法求解最优二叉树 //输入：一个n个键的有序列表的查找概率数组 //输出：成功查找平均比较次数，根表R for(i?1;i=n;i++){ C[i,i-1]?0;C[i,i]?i;R[i,i]?i;} C[n+1,n]?0; for(d?1;dn;d++) for(i?1;i=n-d;i++){ j?i+d;minval?∞; for(k?i;k=j;k++) if(C[i,k-1]+C[k+1,j]minval){ minval?C[i,k-1]+C[k+1,j];kmin?k;} R[i,j]?k; sum?P[i]; for(s?i+1;s=j;s++) sum?sum+P[s]; C[i,j]?minval+sum;} return C[1,n],R; 分析：OptimalBST算法的时间效率是Θ(n3) * 背包问题(The Knapsack Problem) 重量 w1 w2 ... wn 价值 v1 v2 ... vn n个物品，背包容量W 最大化： 限制条件： * 背包问题(The Knapsack Problem) 动态规划分析 设V[i,j]为前i个物品放到背包容量为j的背包中时最优解的物品总价值。则目标是：V[n,W]。 * 背包问题(The Knapsack Problem) 对于一般情况有： 设V[i,j]为前i个物品放到背包容量为j的背包中时最优解的物品总价值。有两种情况： a. 第i个物品不在背包中，则最优解物品总价值为V[i-1,j] b. 第i个物品在背包中，则最优解物品总价值为该物品的价值 加上 前i-1个物品中能够放进承重量为j-wi的背包的最优子集，即V[i-1,j-wi]+vi 以上情况为j-wi=0，即不管放不放，第i个背包放得进去。 如果i个背包放不下去了， j-wi0, 则V[i-1,j] * 背包问题(The Knapsack Problem) 物品 重量 价值 1 2 12￥ 2 1 10￥ 3 3 20￥ 4 2 15￥ 承重量W=5 V[4,5]≠V[3,5]，物品4包含在最优解中