【Chapter 5】Dynamic Programming（上）

Dynamic Programming

考前最后一节课明确提到这一部分会考矩阵链乘问题（Matrix Chain）或是最长公共子序列问题（Longest Common Subsequence, LCS），考察的形式是填写DP的Table，因此以blog的方式对复习的过程进行记录，并查缺补漏。

Matrix Chain

问题描述： 给定$n$个矩阵的序列$<A_1,A_2,...,A_n>$，需要计算其矩阵乘积$A_1{A}_2...A_n$。

计算多个矩阵链乘的积可以使用括号来指定计算次序，每一个括号内的矩阵相乘调用标准的矩阵乘法。不同括号化方式产生不同的计算成本。 因此，矩阵链乘实质上是一个最优括号化问题。

用动态规划可以获得多项式解。

Step1：最优的括号化结构（描述最优解的结构性质）

• 将$A_i{A}_{i+1}...A_j$的积简记为$A_{i...j}$，其中$1\le i\le j\le n$；
• 设$A_{i...j}$的最优括号化是在$A_k$和$A_{k+1}$之间进行分裂产生的，要求$i\le k\le j-1$；
• 对于某个$k$，先计算$A_{i...k}$和$A_{k+\mathrm{1...}j}$，再计算两个积相乘产生积$A_{i...j}$，两部分积合并的代价是$p_{i-1}\cdot p_k\cdot p_j$，其中$p_{i-1}$是矩阵$A_i$的行，$p_k$是矩阵$A_k$的列，$p_j$是矩阵$A_j$的列。

最优括号化的成本为：计算$A_{i...k}$的成本 + 计算$A_{k+\mathrm{1...}j}$的成本 + 两部分积合并的成本。获得最优括号化方案的关键在于，前后缀子链$A_{i...k}$和$A_{k+\mathrm{1...}j}$已经是最优括号化。

Step2：递归解（递归地定义一个最优解的值）

对于矩阵链乘，子问题的最优解的值为：确定$A_{i...j}$括号化的最小代价（按最优括号化计算的成本）。

设$m[i,j]$（主角登场，数组$m[i,j]$非常重要）是计算$A_{i...j}$所需乘法的最小次数（最优解的值），则$A_{\mathrm{1...}n}$的最小计算成本为$m[1,n]$。作如下规定：

1. 若$i=j$，$m[i,j]=0$，链上只有一个$A_i$，无需乘法（矩阵乘法需要两个$A_i$和$A_j$才能完成，假定两个矩阵的维度是$j\times k,k\times l$，则矩阵乘法所需的运算次数就是$j\times k\times l$）；
2. 若$i<j$，由Step1中的最优解结构可知，假定最优括号化的分裂点为k，则$m[i,j]=m[i,k]+m[k+1,j]+p_{i-1}\cdot p_k\cdot p_j$。其中$m[i,k]$表示子积$A_{i...k}$的代价，而$p_{i-1}$表示矩阵$A_i$的行，$p_k$表示矩阵$A_k$的列，$p_j$表示矩阵$A_j$的列。在不知道$k$的取值时，应该在$j-i$个值中选取最优者，即能够使矩阵链乘的计算次数最小者，所以$A_{i...j}$的最小计算成本为：
   $m[i,j]=0,wheni=j$
   m [ i , j ] = min ⁡ i ≤ k < j { m [ i , k ] + m [ k + 1 , j ] + p i − 1 p k p j } , w h e n    i < j m[i,j]=\min_{i\leq{k}\lt{j}}\{m[i,k]+m[k+1,j]+p_{i-1}p_kp_j\}, when\ \ i\lt{j} m[i,j]=mini≤k<j​{m[i,k]+m[k+1,j]+pi−1​pk​pj​},when  i<j
   如此可以得到最小成本，如果想要进一步构造最优解（指出矩阵链乘的分裂点在哪里，或者说最优括号化方案是什么）则还需要定义$S[i,j]$来记录分裂点k。

Step3：计算最优解的值

由于自顶向下使用递归计算最优解的过程中存在重叠子问题，因此使用自顶向上的方式进行计算，而这个自顶向上的计算方法，说穿了是一个填表的过程。

借用文章https://blog.csdn.net/qq_19782019/article/details/94356886当中的一个矩阵链乘的例子：
假定现在有4个矩阵$A_1,A_2,A_3,A_4$组成的一个矩阵链，并且矩阵的规模序列为$<5,4,6,2,7>$，求矩阵链的最优括号化方案。

需要注意的是，给定矩阵的规模序列为$p=<5,4,6,2,7>$，意思就是矩阵链上包含着$|p|-1=4$个矩阵，矩阵的维度依次为：$5\times 4,4\times 6,6\times 2,2\times 7$。

由于我们已知数组$m$是一个上三角矩阵，如果想要构造最优括号化方案，即求出$m[1,4]$，并记录分裂点$k$。因此初始化的数组m如下，由Step2得知，当$i=j$时，$m[i,i]=0$，现在只要根据$i<j$时的递归式填写表格，并记录$S$，即可得到最终的答案。

首先求$m[1,2],m[2,3],m[3,4]$。仅仅拿$m[1,2]$为例：根据定义，显然$m[1,2]=m[1,1]+m[2,2]+p_0{p}_1{p}_2$，即只有两个矩阵相乘的情况，如实将两个矩阵进行乘法所需的计算次数填表即可。$m[1,2]=5\times 4\times 6=120,m[2,3]=4\times 6\times 2=48,m[3,4]=6\times 2\times 7=84$，更新表格，得到：

我们还需要维护一张S表，它的作用是记录分裂点的位置：

根据以上的分析，我们很显然可以看出，若$m[i,j]$中的$i$和$j$相邻，那么计算的结果就是两个矩阵的乘法，这一步是非常简单可以求得的。而进一步地维护$m$表，现在需要求$m[1,3]$和$m[2,4]$，就没有那么容易了。

首先求$m[1,3]$，根据定义， m [ 1 , 3 ] = min ⁡ { m [ 1 , 1 ] + m [ 2 , 3 ] + p 0 p 1 p 3 , m [ 1 , 2 ] + m [ 3 , 3 ] + p 0 p 2 p 3 } m[1,3]=\min\{m[1,1]+m[2,3]+p_{0}p_1p_3, m[1,2]+m[3,3]+p_0p_2p_3\} m[1,3]=min{m[1,1]+m[2,3]+p0​p1​p3​,m[1,2]+m[3,3]+p0​p2​p3​}，$p_0{p}_1{p}_3=40,p_0{p}_2{p}_3=60$，因此最小值是 m [ 1 , 3 ] = min ⁡ { 48 + 40 , 60 + 120 } = 88 m[1,3]=\min\{48+40, 60+120\}=88 m[1,3]=min{48+40,60+120}=88，分裂点$k_{1,3}=1$；

再根据定义求$m[2,4]$， m [ 2 , 4 ] = min ⁡ { m [ 2 , 2 ] + m [ 3 , 4 ] + p 1 p 2 p 4 , m [ 2 , 3 ] + m [ 4 , 4 ] + p 1 p 3 p 4 } m[2,4]=\min\{m[2,2]+m[3,4]+p_1p_2p_4, m[2,3]+m[4,4]+p_1p_3p_4\} m[2,4]=min{m[2,2]+m[3,4]+p1​p2​p4​,m[2,3]+m[4,4]+p1​p3​p4​}，$p_1{p}_2{p}_4=168,p_1{p}_3{p}_4=56$，故最小值是$m[2,4]=104$，分裂点$k_{2,4}=3$。更新表格，有：

进一步更新维护分裂点位置的$S$表：

最后求$m[1,4]$，$m[1,4]$的值就是答案：
m [ 1 , 4 ] = min ⁡ { m [ 1 , 1 ] + m [ 2 , 4 ] + p 0 p 1 p 4 , m [ 1 , 2 ] + m [ 3 , 4 ] + p 0 p 2 p 4 , m [ 1 , 3 ] + m [ 4 , 4 ] + p 0 p 3 p 4 } m[1,4]=\min\{m[1,1]+m[2,4]+p_0p_1p_4, m[1,2]+m[3,4]+p_0p_2p_4, m[1,3]+m[4,4]+p_0p_3p_4\} m[1,4]=min{m[1,1]+m[2,4]+p0​p1​p4​,m[1,2]+m[3,4]+p0​p2​p4​,m[1,3]+m[4,4]+p0​p3​p4​}，其中$p_0{p}_1{p}_4=140,p_0{p}_2{p}_4=210,p_0{p}_3{p}_4=70$，故最终的答案为 m [ 1 , 4 ] = min ⁡ { 104 + 140 = 244 , 120 + 84 + 210 = 414 , 88 + 70 = 158 } = 158 m[1,4]=\min\{104+140=244, 120+84+210=414, 88+70=158\}=158 m[1,4]=min{104+140=244,120+84+210=414,88+70=158}=158，分裂点$k_{1,4}=3$。

得到最终的两张表，第一张为$m$表，第二张为$S$表：

Step4：构造一个最优解

由于$S[i,j]=k$记录了$A_{i...j}$最优括号化的分裂点k，设$k_1=S[1,n]$，则$A_{\mathrm{1...}n}$的计算次序是$A_{\mathrm{1...}{k}_1}\cdot A_{k_1+\mathrm{1...}n}$，而$A_{\mathrm{1...}{k}_1}$的计算次序（分裂点）记录在$S[1,k_1]$当中，不妨令$k_2=S[1,k_1]$，其计算次序为$A_{\mathrm{1...}{k}_2}\cdot A_{k_2+\mathrm{1...}{k}_1}$。

由此，针对上述例题：矩阵链乘的最少计算次数为$m[1,4]=158$，而最优括号化方案为$A_1(A_2{A}_3)A_4$

Longest Common Subsequence

两个序列的公共子序列（LCS）： 若Z是X的子列，又是Y的子列，则Z是序列X和Y的公共子序列。而最长公共子序列即X和Y的公共子序列中长度最长者。

Step1：刻画LCS的结构特征（描述最优子结构）

设$X=<x_1,x_2,...,x_m>$和$Y=<y_1,y_2,...,y_n>$是序列，$Z=<z_1,z_2,...,z_k>$是X和Y的任意一个LCS，有：

1. 若$x_m=y_n$，则$z_k=x_m=y_n$且$Z_{k-1}$是$X_{m-1}$和$Y_{n-1}$的一个LCS；
2. 若$x_m\ne y_n$，且$z_k\ne x_m$，则Z是$X_{m-1}$和Y的一个LCS；
3. 若$x_m\ne y_n$，且$z_k\ne y_n$，则Z是X和$Y_{n-1}$的一个LCS；

上述成立的定理非常重要，可以使用反证法证明。该定理表明LCS问题具有“最优子结构”性质：两个序列的一个LCS包含了两个序列的前缀子序列的一个LCS。

蕴含的选择：当$x_m\ne y_n$时，即两个序列的后缀不对齐，我们事先并不知道$Z$的长度，只能在$X_{m-1}$和$Y$的LCS以及在$X$和$Y_{n-1}$的LCS中取最大者。👈这个assertion给出了构造递归式的方法。

Step2：子问题的递归解

寻找$X$和$Y$的一个LCS，可以分解为1个或2个子问题：

1. 如果$x_m=y_n$，需求解一个子问题，即寻找$X_{m-1}$和$Y_{n-1}$的1个LCS；
2. 如果$x_m\ne y_n$，则需要求解两个子问题：寻找$X_{m-1}$和$Y$的1个LCS或是寻找$X$个$Y_{n-1}$的一个LCS，由于主问题是寻找最长的LCS，因此取二者中最长者。

由此产生了一张非常重要的表格，即表格$C$。使用$C$来记录最优解的值，它有如下定义：
$C[i,j]$定义为$X_i$和$Y_j$的一个LCS长度，进而有：
$C[i,j]=0，如果i=0或j=0或X和Y有一个为空序列，此时LCS长度为0$；
$C[i,j]=C[i-1,j-1]+1，如果i>j并且x_i=x_j$；
C [ i , j ] = max ⁡ { C [ i , j − 1 ] , C [ i − 1 , j ] } ，如果 i , j > 0 且 x i ≠ y j C[i,j]=\max\{C[i,j-1],C[i-1,j]\}，如果i,j\gt0且x_i\neq{y_j} C[i,j]=max{C[i,j−1],C[i−1,j]}，如果i,j>0且xi​=yj​。

👆如果单纯地使用递归式来对LCS进行求解，会产生大量的重叠子问题，使用记忆化搜索（即LCS的备忘录版本）可以解决这个问题，但还可以使用自底向上的方式进行求解。

Step3：计算最优解

• 输入：$X=<x_1,x_2,...,x_m>,Y=<y_1,y_2,...,y_n>$；
• 输出：$C[\mathrm{0...}m,\mathrm{0...}n]$——计算次序行主序；$b[\mathrm{1...}m,\mathrm{1...}n]$——解矩阵（空串无需表示出解）
  $b[i,j]=\nwarrow ，如果C[i,j]由C[i-1,j-1]确定$；
  $b[i,j]=\uparrow ，如果C[i,j]由C[i-1,j]确定$；
  $b[i,j]=\leftarrow ，如果C[i,j]由C[i,j-1]确定$；

当构造解时，从$b[m,n]$出发，回溯至$i=0或j=0$时为止，当遇到$b[i,j]=\nwarrow$时，打印出$x_i$即可。

Step4：构造LCS

从$b[m,n]$开始据箭头回溯至$i=0或j=0$即可。当$b[i,j]=\nwarrow$时，有$x_i=y_j$，打印之。

DP求解LCS的一个填表的例子1

借用文章https://blog.csdn.net/vangoudan/article/details/106388877当中的例子：

输入为： X = { A , C , A , B , D , F } , Y = { B , C , A , D , G , F } X=\{A,C,A,B,D,F\}, Y=\{B,C,A,D,G,F\} X={A,C,A,B,D,F},Y={B,C,A,D,G,F}，求解二者的LCS；
采用填表的方式，表中填写的数据包括两个，即同时填写$C[i,j]$以及该位置对应的$b(\nwarrow /\uparrow /\leftarrow )$。

下面开始填表：

根据表格中的箭头指向，有：

因此LCS是$CADF$。

DP求解LCS的一个填表的例子2

同样来自文章https://blog.csdn.net/vangoudan/article/details/106388877当中的例子：

输入为： X = { A , B , C , B , D , A , B } , Y = { B , D , C , A , B , A } X=\{A,B,C,B,D,A,B\}, Y=\{B,D,C,A,B,A\} X={A,B,C,B,D,A,B},Y={B,D,C,A,B,A}，求解二者的LCS；
采用填表的方式，表中填写的数据包括两个，即同时填写$C[i,j]$以及该位置对应的$b(\nwarrow /\uparrow /\leftarrow )$。

根据表格中的箭头，有：

显然，针对输入，$BCBA和BCAB$均是满足条件的LCS，输出其一即可。

算法导论当中的例子：15.4-1

题目描述： 求$<1,0,0,1,0,1,0,1>$和$<0,1,0,1,1,0,1,1,0>$的一个LCS。

同样采用画表的方式进行求解：

根据表格，得到：

因此，LCS为$100110或101011$。文章来源地址https://www.toymoban.com/news/detail-777623.html

到了这里，关于【Chapter 5】Dynamic Programming（上）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！