AI产品经理必修：揭开算法的面纱（动态规划）.docVIP

AI产品经理必修：揭开算法的面纱（动态规划） / 乔治·桑塔亚纳说过，“那些遗忘过去的人注定要重蹈覆辙。”这句话放在问题求解过程中也同样适用。不懂动态规划的人会在解决过的问题上再次浪费时间，懂的人则会事半功倍。要了解这句话，得从动态规划的含义说起。 一、什么是动态规划？ quora上有这样一个问题: How should I explain dynamic programming to a 4-year old?底下有个42K赞同的答案，是这样说的: *writes down “1+1+1+1+1+1+1+1 =” on a sheet of paper*”What’s that equal to?” *counting* “Eight!” *writes down another “1+” on the left* “What about that?” *quickly* “Nine!” “How’d you know it was nine so fast?””You just added one more” “So you didn’t need to recount because you remembered there were eight!DynamicProgramming is just a fancy way to say ‘remembering stuff to save time later” 就不翻译了，相信大家都能看懂。 现在，我们来看一下动态规划的官方定义： 动态规划算法是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推（或者说分治）的方式去解决。 动态规划算法的基本思想与分治法类似，也是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，为后一子问题的求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，最后一个子问题就是初始问题的解。 按照定义，动态规划的原理是将一个问题分解成子问题，逐渐求解局部最优解并扩展，最终得出全局最优解。但是我觉得的这个不是动态规划的核心思想，或者说，一个”大问题“之所以能用”动态规划解决，并不是因为它能拆解成一堆小问题，而是这些”小问题“会不会被被重复调用。? 这个概念很重要，实际上很多问题都可以拆解成小问题来解决，例如我们之前讲的贪心算法，但这个区别决定了该选取哪种算法 。 二、动态规划能解决什么问题？ 如果一个问题满足以下两点，那么它就能用动态规划解决。 （1）问题的答案依赖于问题的规模，也就是问题的所有答案构成了一个数列。举个简单的例子，1人有2条腿，2个人有4条腿，n个人有多少条腿?答案是2n条腿。这里的2n是问题的答案，n则是问题的规模，显然问题的答案是依赖于问题的规模的答案是因变量，问题规模是自变量。因此，问题在所有规模下的答案可以构成一个数列(f(1)，f(2)…f(n))，比如刚刚“数腿”的例子就构成了间隔为2的等差数列(0,2.4….2n) 。 （2）大规模问题的答案可以由小规模问题的答案递推得到，还是刚刚“数腿” 的例子，显然f(n)可以甚于f(n-1) 求得: f(n)= f(n-1)+2 三、动态规划的应用？ 应用场景：动态规划比较合适的就是来求最优问题的，比如求最大值，最小值等等。它可以显著的降低复杂度，节约计算时间。所有的导航系统都采用了动态规划。 我们就是以导航为例来看看动态规划吧。 比如，我们想找到从北京到广州的最短行车路线或者最快行车路线。当然，最直接的笨办法是把所有可能的路线看一遍，然后找到最优的。 这种办法只有在节点数是个位数的图中还行得通，当图的节点数（城市数目）有几十个的时候，计算的复杂度就已经让人甚至计算机难以接受了，因为所有可能路径的个数随着节点数的增长而成呈指数增长（或者说几何级数），也就是说每增加一个城市，复杂度要大一倍，显然我们的导航系统中不会用这种笨办法。 以上面的问题为例，当我们要找从北京到广州的最短路线时，我们先不妨倒过来想这个问题：假如我们找到了所要的最短路线（称为路线一），如果它经过郑州，那么从北京到郑州的这条子路线（比如是北京- 保定-石家庄-郑州，称为子路线一），必然也是所有从北京到郑州的路线中最短的。 在实际实现算法时，我们又正过来解决这个问题，也就是说，要想找到从北京到广州的最短路线，先要找到从北京到郑州的最短路线。当然，聪明的读者可能已经发现其中的一个”漏洞”，就是我们在还没有找到全程最短路线前，不能肯定它一定经过郑州。不过没有关系，只要我们在图上横切一刀，这一 刀要保证将任何从北京到广州的路一截二，如下图： 那么从广州到北京的最短路径必须经过这一条线上的某个城市（图中蓝色