(1)关于动态规划的定义:
之前买的假书害人捏......不过有个问题没说错,动态规划和递归很相似,但是动态规划利用分治法,把大问题转化为子任务,当计算出一个子任务的结果将储存起来,避免对于同一个子任务的重复计算
但其实根据某本书的写法,就是给递归套了一层存储的壳子......这个做法其实其中的一种,自上而下,在本质上仍然是将运算结果做一个简单的存储,
比如常用的斐波那契数列计算,使用自上而下反而更加直观,自下而上也不是不行,就很怪
而更加常用的动态规划可以理解为自下而上进行的,先去计算小任务,再去计算大任务的结果
这种动态规划一般需要我们写出一个dp状态转移方程,并且要用一定的顺序来由小到大计算(不一定是遍历矩阵捏)
另外,这种条件下我们想要输出结果,需要结合回溯法还有存储
(2)关于动态规划的举例(例题)
1.背包问题:
背包问题是除了斐波那契数列以外,最常用也是最简单的一种动态规划问题
背包问题的描述,举例,当前有四件商品,编号为1234,所占空间为2345,价值为3456
如何有限的空间获取足够多的价值 (这种双限制的问题就该线性规划!<划掉>)
编号 | 1 | 2 | 3 | 4 |
所占空间 | 2 | 3 | 4 | 5 |
价值 | 3 | 4 | 5 | 6 |
2.处理思路/转移方程:
处理思路(这里先整理动态规划的部分)如果当前的剩余空间 j ,能装下当前这个商品 i,就判断一下能否购买这个,如果装不下就手动忽略这个
状态转移方程( f(i,j) 代表当前能购买前 i 个物体,剩余空间还有 j 条件下能获取到的最大价值)
当weight[i]>j(装不下的时候)
f(i,j)=f(i-1,j)
当weight[i]<=j(能装得下)
f(i,j)=max{ f(i-1 , j) , f( i-1 , j-weight[i])+value[i] }
截止条件为
i==0(意为没有商品可以购买的时候)
3.代码思路以及实现:
//提示想算出最优解是可行的,不过要进行回溯捏
//二维数组计算的原理为:(具体画个图)自下而上开始计算
//先把0的位置都初始化,然后从(1.1)开始往前,直到把所有的情况都计算出来,
// 然后直接读取最后一个位置
//之所以称之为动态,可能是因为某次计算出的结果会作为下一次计算的基数
void f(int x, int y) {
//初始化数组
int arr[50][50];
for (int i = 0; i < 50; i++) {
for (int j = 0; j < 50; j++) {
arr[i][j] = 0;
}
}
//然后开始往里面算
for (int i = 1; i <= x; i++) {
for (int j = 1; j <= y; j++) {
if (j >= weight[i]) {//注意这里是大于等于
int m1 = arr[i - 1][j];
int m2 = arr[i - 1][j - weight[i]] + value[i];
arr[i][j] = m1 > m2 ? m1 : m2;
}
else {
arr[i][j]= arr[i - 1][j];
}
}
}
//输出最终结果------------------------------------
cout << arr[x][y] << endl;
//遍历得到结果------------------------------------
for (int i = 0; i <= x; i++) {
for (int j = 0; j <= y; j++) {
cout << arr[i][j] << " ";
}
cout << endl;
}
}
同时这里补充一个回溯的方法
//根据纯动态规划的获取方法(回溯)
//回溯的原理为:判断一下当前这个东西自己能否能装下,如果能装下
//看看当前的价值是否等于之前买下的情况,如果是,则确实是买下了这个东西
//如果不是,就代表自己没买
//此外,如果装不下,也默认自己没买
void findWhat(int x,int y) {//树组是上面运行完的现成数组,我们直接进行回溯
if (x >= 1) {
if (y >= weight[x]) {//代表可以买到
if (temp[x][y] == temp[x - 1][y - weight[x]] + value[x]) {
cout << "::" << x << endl;
findWhat(x - 1, y - weight[x]);
}
else {
findWhat(x - 1, y);
}
}
else {
findWhat(x - 1, y);
}
}
}
2.最长回文子串
这道题来自于leetcode,具体的题解可以详见那边的讨论区
这道题其实肥肠简单,处理方法就是使用动态规划
状态转移方程为
A[i]==A[j] 且[i+1][j-1]为回文字串 则[i][j]也为回文字串,标记为1
大致遍历的代码如下
for(int i=0;i<=n;i++) [i][i]
//设置初始条件,因为每个单独的字其实也可以视为回文子串
for(int i=2;i<=n;i+=2)
for(int j=0;j+i<=n;j++)
[j[j+i]若符合条件,则标记上这个,回文子串的长度为1+i
原理:其实这个题还有点滑动窗口的影子在里面
因为状态转移方程中,判断一个部分是不是回文子串,除了要看两端是不是相等,就要看去掉两端以后内部是不是回文子串.因为这个与其称之为是自下而上,倒不如说是由内而外,
这种显然是不能做矩阵遍历的操作,我们需要结合一一下滑动窗口的思想
i+1其实代表的是这次视图判断的回文子串的长度,也就是一个窗口
我们通过不断地扩大窗口,来判断回文子串
3.最长公共字串
最长公共字串:存在一个最长的公共字串
注:这道题可以用kmp+窗口遍历的方式找到,但是复杂度为n²logn,太大了
使用动态规划的思想来处理更简单一些,多参考一下下面的第四题,很像
状态转移方程肥肠简单
// 若 x[i]==y[j] 则有c[i][j]=c[i-1][j-1]+1,,并且更新最大长度和末尾点
// 否则 清空为o
具体的代码实现为
代码如下
int arr2[10][10];
void maxSubString(string x,string y){//这个方法能得到最大公共字串的长度
int point=0;//最大字串末尾长度的位置
int MaxLength=0;//最大字串的末尾长度
//先赋值
for(int i=0;i<=9;i++)arr2[i][0]=arr2[0][i]=0;//先赋
//然后进行动态规划操作
for(int i=0;i<x.length();i++){
for(int j=0;j<y.length();j++){
if(i*j==0){
arr2[i][j]=0;
}else if(x[i]==y[j]){
arr2[i][j]=arr2[i-1][j-1]+1;
//判断并且实时更新末尾节点
if(arr2[i][j]>MaxLength){
MaxLength=arr2[i][j];
point=i;}
}else if(x[i]!=y[j]){
arr2[i][j]=0;
}
}
}
//按长度和坐标进行输出即可,毕竟已经知道公共字串在其中一个字符串的末尾节点了
for(int i=point-MaxLength+1;i<=point;i++)
cout<<x[i];
}
4.最长公共子序列
最长公共子序列:假设存在两个序列AB,寻找到元素个数最大的公共子序列(注意,和最长公共字符串不是一个东西,这个不要求连续)
状态转移方程为
假设从1开始的字符串坐标位置
我们假设c[i,j]为两个字串末尾为i,j的时候,所存在的最大的公共子序列的元素数目
当i=0或者j=0的时候 c[i,j]=0;
否则 如果X[i]=Y[j] c[i,j]=c[i-1,j-1] + 1;
否则 c[i,j]=max{[i-1,j],[i,j-1]};
具体的代码实现为
//关于公共子串问题
int arr[10][10];// 存储末尾为i,j的序列中,最大子序列的长度
int b[10][10]; // 存储公共元素的方位/path
void maxSub(string x,string y){
//先赋值
for(int i=0;i<=9;i++) b[i][0]=b[0][i]=arr[i][0]=arr[0][i]=0;//先赋
//然后进行动态规划操作
for(int i=0;i<x.length();i++){
for(int j=0;j<y.length();j++){
if(i*j==0){
arr[i][j]=0;
}else if(x[i]==y[j]){
arr[i][j]=arr[i-1][j-1]+1;
b[i][j]=1; //1代表的是这个就是最大公共序列的元素之一
}else if(x[i]!=y[j]){
arr[i][j]=max(arr[i-1][j],arr[i][j-1]);
if(arr[i-1][j]>=arr[i][j-1]) b[i][j]=2;//2代表是最大公共字串的元素在上面
else b[i][j]=3;//3代表是最大公共序列的元素在左面
}
}
}
}
通过递归,以及b矩阵来寻找路径
//打印最大公共序列的方法
void printSub(int x,int y){
if(b[x][y]==0){ 到达边界情况,可以停下来了
return;
}else if(b[x][y]==1){ 当前这个元素就是最大公共子序列的元素
printSub(x-1,y-1);
cout<<arr[x][y];
}else if(b[x][y]==2){ 最大公共子序列的元素要往上找
printSub(x-1,y);
}else{ 最大公共子序列的元素要往左找
printSub(x,y-1);
}
}
5.钢条切割问题
钢条切割问题:假设有一段固定长度为n的钢条,切割成不同的段,可以卖出不同的价格,请问如何切割,能卖出最高价格?
这题其实很像是背包问题的逆情况,背包问题是塞东西,这是化整为零(笑)
第一种方法,自上而下,也就是递归套壳
f[i]代表长度为i的钢条切割所能得到的最大价格
price[x]代表长度为x的钢条的价格
s[i]=k记录分割点
int method(int i){
if f[i] !=-1
return f[i]
then
maxPrice = max{ f[1]+a(i-1),...f[k]+a(i-k),...f[i]+a(0)} (这里应该是for循环完成)
f[i]=max
s[i]=k //新增一个这个存储
return max;
}
然后想得到具体的解只需要用递归的方式s[i]即可
即为已知长度为i的分割点为k
如果最大的价值为不切割,即k=j,则完整的输出长度
否则,递归时分别计算出两个长度以后,继续递归
第二种方法,状态转移方程,自下而上
其状态转移方程为
f[i]为长度为i的钢条能得到的最大收益
0 当i为0的时候
则状态转移方程为 f[i] =
max{ f[1]+a[i-1],.....,f[k]+a[i-k],....f[i]+a[0]}//用循环实现
具体的代码实现则为
int dp(int n){
f[0]=0;
for i=1 to n
f[i] = max{ f[1]+a[i-1],.....,f[k]+a[i-k],....f[i]+a[0] } ; //(k也是利用1 to i实现的)
return f[n];
}
解的重构方法为
void 回溯(int n){
//如果钢条长度为0,则无需处理
//如果钢条长度不是0
for(int i=1;i<=n;i++)
如果 f[n]=f[i]+a[n-i]
如果这里是切割成一个完整的加一个0
则直接输出
否则还是算出两个的长度,继续往下递归
}
6.堆合并问题/矩阵乘法问题
堆合并问题,又叫石子合并问题,可以抽象理解为一个一维数组,只允许相邻两个元素合并,一次合并的的花费等于两个元素的质量和.求出总的,最小的合并cost
如果可以,请给出合并方案
(值得注意的是,矩阵的乘法也同样是这个思路,就连回溯都是一毛一样的)
处理方法如下:
设C[i][j]从i到j的合并所需要的最小的花费
cut[i][j]=k,代表最佳的合并点为 i,k k+1,j
weight[i][j]i到j的总重量,也就是本次合并操作花费的力气
合并的状态方程较为简单,只要确保i<=j即可
c[i][j] = max{ c[i][k] + c[k+1][j] + weight[i][j] };
初始状态为c[i][i]=0,即为单个元素不存在合并花费这一说
这道题其实和前面的最长回文字串一模一样的思路,因为这是从内到外的dp,则需要用到这种窗口遍历的方法,逐渐扩大窗口的大小,来得到每一个小的情况
代码实现如下
//处理堆合并问题的算法为
int ar[5]={3,5,2,3,4};
int C[5][5]; //用来存储这一步的最小花费
int weight[5][5];//用来储存重量,防止计算的时候耗费太多时间
int cut[5][5]; //用来存储切割位点
//最长回文子串和矩阵乘法的综合问题qwq
void stackMerge(){
//单一长度所需的合并花费肯定为0,因为根本不需要花费什么东西
for(int i=0;i<5;i++) C[i][i]=0;
//计算重量
for(int i=0;i<=4;i++){
for(int j=i+1;j<=4;j++){
weight[i][j]=0;
for(int x=i;x<=j;x++){
weight[i][j]+=ar[x];
}
}
}
for(int i=1;i<=4;i++){
for(int j=0;j+i<=4;j++){
int k;
int minCost=10000;
for(int x=j;x<j+i;x++){
if(C[j][x]+C[x+1][j+i]+weight[j][j+i]<=minCost){
k=x;
minCost=C[j][x]+C[x+1][j+i]+weight[j][j+i];
}
}
C[j][j+i]=minCost;
cut[j][j+i]=k;
}
}
cout<<C[0][4]<<endl;
}
得到解的方法,其实是利用之前记录好的分割点,进行二叉树递归(这就很像是leetcode中的前序/后续+中序遍历处理二叉树的方式,都是已知分割点,进行分支构建二叉树)
在根据二叉树的形状,在合适的位置加上括号输出,就可以得到完整的操作表达式
//用递归处理回溯
//具体递归划分视情况而定,可以画个二叉树看看缺少什么东西
void howTodo(int x,int y){
if(x==y){
cout<<x;
}
else if(x+1==y){
cout<<"("<<x<<"*"<<y<<")";
}else{
cout<<"(";
howTodo(x , cut[x][y]);
howTodo(cut[x][y]+1 , y);
cout<<")";
}
}
7.子集和问题
问题描述:从集合A中找出一个子集B,B中元素的和为指定值key,如果不存在则输出提示
如果存在,请想办法进行回溯
子集和问题的处理方法如下
社F[i][j]=0/1 为截止到第i个元素,是否存在一个和为j的子序列
状态转移方程为
当a[i]>j的时候,代表不需要这个元素,F[i][j]=F[i-1][j]
当a[i]<=j的时候,可能算上这个元素刚好能凑出一个j,则前面i-1个元素中必定存在一个j-a[i]和的子集
如果不算这个元素,前面已经有了这样大小的和,则前面就存在一个j
则方程为 F[i-1][j] || F[i-1][j-a[i]]
前提条件,F[i][0]均设为1,任何子集存在空集
代码处理如下
//关于子集和问题的处理
//问题描述:在集合A中寻找一个子集B,使得B中的集合等于一个固定的数值S
int n=5;
int A[7+1]={0,6,1,2,7,1,1,10};
int F[7+1][5+1];
//n为我们所需要的数值
//F[i][j]的含义为,截止到i,是否存在一个和为j,并且末尾元素为p[i]的子集,如果有就1,没有为0
//状态转移方程如下
//当A[i]>j的时候,
void dp(){
for(int i=0;i<=7;i++)
F[i][0]=1;
for(int i=1;i<=7;i++)
for(int j=1;j<=5;j++)
if(A[i]>j){//在前i-1位已经达到了满
F[i][j]=F[i-1][j];
}else{
F[i][j]=F[i-1][j]||F[i-1][j-A[i]];
}
cout<<(F[7][5]?"ok":"no solution")<<endl;
//使用回溯法判断
int i=7;int j=5;
while(i*j!=0){
if(F[i-1][j-A[i]]){
cout<<i<<"元素"<<A[i]<<endl;
i--;j-=A[i];
}else{
i--;
}
}
}
判断解的情况,可以根据状态转移方程的情况是用回溯的方法进行处理
[ i - 1 ][ j ]代表没用到当前的点
[ i - 1 ][ j - A[i] ]代表已经用到了这个点
所以我们回溯可以利用循环,如果确实用到了当前的i点(即[ i - 1 ][ j - A[i] ]==1)
则输出这个点,并且i--,j-=A[i]
如果没用到这个点,则只需要i--,继续寻找下一个点即可文章来源:https://www.toymoban.com/news/detail-758610.html
(具体的回溯方法和上面写到一起了)文章来源地址https://www.toymoban.com/news/detail-758610.html
到了这里,关于[算法]动态规划以及常见例题的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!