摘要:假定出售一段长度为英寸的钢条的价格为单位,钢条长度均为整英寸。注若长度为英寸的钢条的价格足够大,最优解可能就是完全不需要切割。考虑长度为的情况,下图给出了英寸钢条的所有切割方案。
DP和分治的相似
都是通过组合子问题的解来求解原问题。
DP中的“programming”指的是一种表格法,而非coding。
DP和分治的不同
分治步骤:(例如归并排序)
将问题划分为互不相交的子问题
递归地求解子问题
组合子问题的解,求出原问题的解
对于DP:
应用于子问题重叠的情况,即不同的子问题具有公共的子子问题(子问题的求解是递归进行的,将其划分为更小的子子问题)
这种情况下分治会做很多不必要的工作,会反复求解哪些公共子问题。
而DP对每个子子问题只求解一次,将其解保存在一个表格中,无需每次都重新计算,避免重复工作。
DP通常用来求解最优化问题(optimization problem)
这种问题可以有很多可行的解,每个解都有一个值,希望找到最优值(最大或最小)的解。称这样的解为问题的一个最优解(an optimal solution),而不是最优解(the optimal solution),因为可能有多个解都达到最优。
DP的四个步骤刻画一个最优解的结构特征。
递归地定义最优解的值。
计算最优解的值,通常采用自底向上法。
利用计算出的信息构造一个最优解。
前三步是DP求解的基础。若仅需要一个最优解的值,而非解本身,可忽略第四步。若需第四步,有时需在执行第3步的过程中维护一些额外的信息,以便构造一个最优解。
钢条切割例子场景:把长钢条切割为短钢条出售。切割工序本身无成本。求最佳切割方案。
假定:出售一段长度为 i 英寸的钢条的价格为Pi(i = 1, 2, …, )单位:$,钢条长度均为整英寸。下图为价格表。
问题描述:给定一段长度为n英寸的钢条和一个价格表,求切割方案,使销售收益Rn最大。注:若长度为n英寸的钢条的价格Pn足够大,最优解可能就是完全不需要切割。
考虑长度为4的情况,下图给出了4英寸钢条的所有切割方案。
切成两段各长2英寸的钢条,将产生P2 + P2 = 5 + 5 = 10 的收益,为最优解。
长度为n英寸的钢条共有2^(n-1)种不同切割方案,因为在距离钢条左端 i (i=1, 2, … , n-1)英寸处,总是可以选择切割或者不切割。用普通的加法符号表示切割方案,因此7=2+2+3表示将长度为7的钢条切割为3段:2英寸,2英寸,3英寸。
若一个最优解将钢条切割为k段(1≤k≤n),那么最优切割方案 n = i1 + i2 + … + ik.
将钢条切割为长度分别为i1, i2, … , ik的小段,得到的最大收益为 Rn = Pi1 + Pi2+…+Pik
对于上面表格的价格样例,可以观察所有最优收益值Ri (i: 1~10)以及最优方案:
长度为1:切割方案1=1(无切割)。最大收益R1 = 1
长度为2:切割方案2=2(收益5),1+1=2(收益2)。最大收益R2 = 5
长度为3:切割方案3=3(收益8),1+2=3(收益6),2+1=3(收益6)。最大收益8
长度为4:切割方案4=4(收益9),1+3=4(收益9),2+2=4(收益10),3+1=4(收益9),1+1+2=4(收益7),1+2+1=4(收益7),2+1+1=4(收益7),1+1+1+1=4(收益4)。最大收益10
长度为5:切割方案5=5(10),1+4=5(10),2+3=5(13),1+1+3=5(10),2+2+1=5(11),1+1+1+1+1=5(5),其他是前面的排列。最大收益13
依次求出。。。
更一般的,对于Rn(n≥1),可以用更短的钢条的最优切割收益来描述它:
Rn = max(Pn, R1+Rn-1, R2 + Rn-2, … , Rn-1 + R1)
第一个参数Pn对应不切割,直接出售长度为n的方案。
其他n-1个参数对应n-1种方案。对每个i=1,2,….,n-1,将钢条切割为长度为i和n-i的两段,接着求解这两段的最优切割收益Ri和Rn-i;(每种方案的最优收益为两段的最优收益之和)。
由于无法预知哪种方案会获得最优收益,必须考察所有可能的 i ,选取其中收益最大者。若不切割时收益最大,当然选择不切割。
注意到:
为了求解规模为n的原问题,先求解子问题(子问题形式完全一样,但规模更小)。
即首次完成切割后,将两段钢条看成两个独立的钢条切割问题实例。
通过组合两个相关子问题的最优解,并在所有可能的两段切割方案中获取收益最大者,构成原问题的最优解。
称钢条切割问题满足最优子结构性质:
问题的最优解由相关子问题的最优解组合而成,而这些子问题可以独立求解。
除上述解法,问题可化简为一种相似的递归:从左边切割下长度为 i 的一段,只对右边剩下的长度为 n-i 的一段进行继续切割(递归求解),对左边一段则不再进行切割。
即问题分解的方式为:将长度为n的钢条分解为左边开始一段,以及剩余部分继续分解的结果。(这样,不做任何切割的方案可以描述为:第一段长度为n,收益为Pn,剩余部分长度为0,对应收益为R0 = 0)。于是得到上面公式的简化版本:
在此公式中,原问题的最优解只包含一个相关子问题(右端剩余部分的解),而不是两个。
自顶向下递归实现的伪代码:Cut-Rod(p, n)
Cut-Rod(p, n) 1 if n==0 2 return 0 3 q = -∞ 4 for i = 1 to n 5 q = max(q, p[i] + Cut-Rod(p, n-i)) 6 return q
该过程以价格数组p[1...n]和整数n为输入,返回长度为n的钢条的最大收益。
若n=0,不可能有任何收益,所以第二行返回0.
第3行将最大收益初始化为负无穷,以便第4第5行的for循环能正确计算。
第6行返回结果。Java实现如下:
/** * 钢条切割 */ public class CutRob { public static int[] prices = {1,5,8,9,10,17,17,20,24,30}; public static int solution(int length){ if(length == 0) return 0; int result = Integer.MIN_VALUE; for(int i = 1; i <= length; i++){ result = Math.max(result, prices[i-1] + solution(length-i)); } return result; } public static void main(String[] args) { for(int i=1; i<= prices.length; i++) System.out.println("长度为"+i+"的最大收益为:"+solution(i)); } }
结果:
长度为1的最大收益为:1 长度为2的最大收益为:5 长度为3的最大收益为:8 长度为4的最大收益为:10 长度为5的最大收益为:13 长度为6的最大收益为:17 长度为7的最大收益为:18 长度为8的最大收益为:22 长度为9的最大收益为:25 长度为10的最大收益为:30
该递归很好理解,但是一旦规模较大,程序运行时间会暴涨,课本上说对n=40要好几分钟,很可能超过1小时,本次实验一下n=33. (假设从钢条长度超过10开始价格就一直保持在30美元)
public class CutRob { public static int[] prices = {1,5,8,9,10,17,17,20,24,30, 30,30,30,30,30,30,30,30,30,30, 30,30,30,30,30,30,30,30,30,30, 30,30,30}; // public static int[] prices = {1,5,8,9,10,17,17,20,24,30}; public static int solution(int length){ if(length == 0) return 0; int result = Integer.MIN_VALUE; for(int i = 1; i <= length; i++){ result = Math.max(result, prices[i-1] + solution(length-i)); } return result; } public static void main(String[] args) { long curr = System.currentTimeMillis(); System.out.println("长度为33的最大收益为:"+solution(33)); System.out.println(System.currentTimeMillis() - curr); } } 长度为33的最大收益为:98 25507
该递归计算结果用了几乎26秒。当输入长度继续增大,会消耗更长的时间。
为什么效率这么差?原因在于,CutRob反复的用相同的参数值对自身进行递归调用,即反复的求解子问题。
下图显示了n=4时的调用过程CutRob(p, n)对i=1,2,…,n调用CutRob( p,n-i ),等价于对j=0,1,…,n-1调用CutRob( p, j ),该递归展开时,所做的工作量会爆炸性增长。
为了分析该算法运行时间,令T(n)表示第二个参数值为n时函数的调用次数。此值等于递归调用树中 根为n的子树中的节点总数,注意,此值包含了根节点对应的最初的一次调用。因此T(0)=1,且
第一项 ’1’ 表示函数的第一次调用(递归调用树的根节点),T( j )为调用cutrob(p, n-i)所产生的所有调用次数。T(n) = 2^n。即该算法的运行时间为n的指数函数。
回头看下,该运行时间并不令人惊讶。对于长度为n的钢条,该算法显然考察了所有2^(n-1)种可能的切割方案。递归调用树中共有2^(n-1)个叶子节点,每个叶子节点对应一种可能的切割方案。对每条从根到叶子的路径,路径上的标号给出了每次切割前右边剩余部分的长度(子问题规模)。也就是说,标号给出了对应的切割点(从钢条右端测量)。
看完了递归解法以及其暴涨的复杂度。下面来看下用DP怎么来解决钢条切个问题。思想如下:
已经看到,朴素递归算法之所以效率低,是因为反复求解相同的子问题。
DP会仔细安排求解顺序,对每个子问题只求解一次,并将结果保存下来。如果随后再次需要次子问题的解,只需查找保存的结果,而不必重新计算。
因此DP用空间来节省时间。是典型的时空权衡例子(time-memory trade-off)。
如果子问题数量是输入规模的多项式函数,则可以在多项式时间内求解出每个子问题。其总时间复杂度就是多项式阶的。
DP有两种等价的实现方法:带备忘的自顶向下法(top-down with memoization)& 自底向上法(bottom-up method)。
带备忘的自顶向下法(top-down with memoization)此方法仍然按照自然的递归形式编写过程,但是过程会保存每个子问题的解(通常保存在一个数组或散列表中)。
当需要一个子问题的解时,过程首先检查是否已经保存过此解,
如果是,则直接返回保存的值,从而节省了计算时间;
否则,按照通常方式计算这个子问题。
自底向上法(bottom-up method)该方法一般需要恰当定义子问题“规模”的概念,使得任何子问题的求解都只依赖于“更小的”子问题的求解。
因而可以将子问题按规模排序,按由小到大的顺序进行求解。
当求解某个子问题时,所依赖的那些更小的子问题都已经求解完毕,结果已经保存。
每个子问题只求解一次,当求解它时(也是第一次遇到它),所有前提子问题都已经求解完成。
两种方法得到的算法具有相同的渐进运行时间,
仅有的差异是在某些特殊情况下,自顶向下方法并未真正递归地考察所有可能的子问题。
由于没有频繁的递归调用开销,自底向上的复杂度函数通常具有更小的系数。
算法伪代码-带备忘的自顶向下法(top-down with memoization)mem-cut-rod(p, n) 1 let r[0…n] be a new array 2 for i=0 to n 3 r[i] = -∞ 4 return mem-cut-rod-aux(p, n, r) mem-cut-rod-aux(p, n, r) 1 if r[n] >= 0 2 return r[n] 3 if n == 0 4 q = 0 5 else 6 q = -∞ 7 for i=1 to n 8 q = max(q, p[i] + mem-cut-rod-aux(p, n-i, r)) 9 r[n] = q 10 return q
主过程 mem-cut-rod(p, n)将辅助数组r[0...n]初始化为负无穷,然后调用辅助过程mem-cut-rod-aux(最初cut-rob引入备忘机制的版本)。伪代码解读:
首先检查所需值是否已知(第1行); 如果是,则第2行直接返回保存的值; 否则第3~8行用通常方法计算所需值q; 第9行将q存入r[n]中; 第10行返回;自底向上版本更简单:
bottom-up-cut-rod(p, n) 1 let r[0…n] be a new array 2 r[0] = 0 3 for j=1 to n 4 q = -∞ 5 for i=1 to j 6 q = max(q, p[i] + r[j-i]) 7 r[j] = q 8 return r[n]
自底向上版本采用子问题的自然顺序:若i 两种方法具有相同的渐进运行时间。 bottom-up-cut-rod 主体是嵌套的双层循环,内层循环(5~6行)的迭代次数构成一个等差数列和,不难分析时间为n^2. mem-cut-rod 运行时间也是n^2,其分析略难:当求解一个之前已经计算出结果的子问题时,递归调用会立即返回,即每个子问题只求解一次,而它求解了规模为0,1,。。。,n的子问题;为求解规模为n的子问题,第6~7行的循环会迭代n次;因此进行的所有递归调用执行此for循环的迭代次数也是一个等差数列,其和也是n^2。 自底向上: 下面来从运行结果的时间上做一个对比,这里拿自底向上法来和前面的递归做对比。 上面的朴素递归只把输入的n增加到33,就运行了25507毫秒。下面来看下自底向上。 用自底向上把输入增加到53,整个过程也就运行了1毫秒。 当思考一个DP问题时,应弄清楚所涉及的子问题以及子问题之间的依赖关系。 问题的子问题图准确的表达了这些信息。下图展示了n=4时钢条切割问题的子问题图。 它是一个有向图,每个顶点唯一对应一个子问题。 若求子问题x的最优解时需要直接用到子问题y的最优解,那么在子问题图中就会有一条从子问题x的顶点到子问题y的顶点的有向边。 例如,若自顶向下过程在求解x时需要直接递归调用自身来求解y,那么子问题图就包含从x到y的一条有向边。第1行创建一个新数组r[0...n]来保存子问题的解;
第2行将r[0]初始化为0,因为长度为0的钢条没有收益;
第3~6行对j=1...n按升序求解每个规模为j的子问题。求解方法与cut-rod采用的方法相同,只是现在直接访问数组元素r[j-i]来获取规模为j-i的子问题的解,而不必进行递归调用;
第7行将规模为 j 的子问题的解存入r[j];
第8行返回r[n],即最优解
public class CutRob {
public static int[] prices = {1,5,8,9,10,17,17,20,24,30};
/** 自顶向下*/
public static int mem_cut_rod(int n){
int[] dp = new int[n+1]; // 辅助数组dp
Arrays.fill(dp, Integer.MIN_VALUE); // 初始化为负无穷
return mem_cut_rod_aux(n, dp);
}
/** 自顶向下法的辅助函数*/
private static int mem_cut_rod_aux(int n, int[] dp) {
if(dp[n] >= 0) return dp[n]; // 如果子问题已经解过,直接返回
int max = Integer.MIN_VALUE;
if(n==0) max = 0; // 如果长度为0,则最大收益为0
else{ // 长度若不为0
for(int i = 1; i<=n; i++) // 找到最大收益
max = Math.max(max, prices[i-1] + mem_cut_rod_aux(n-i, dp));
}
dp[n] = max; // 把计算得到的最大收益存入结果
return max; // 返回结果
}
public static void main(String[] args) {
for(int i=1; i<=prices.length; i++)
System.out.println("长度为"+i+"的最大收益为:"+mem_cut_rod(i));
}
}
长度为1的最大收益为:1
长度为2的最大收益为:5
长度为3的最大收益为:8
长度为4的最大收益为:10
长度为5的最大收益为:13
长度为6的最大收益为:17
长度为7的最大收益为:18
长度为8的最大收益为:22
长度为9的最大收益为:25
长度为10的最大收益为:30
public class CutRob {
public static int[] prices = {1,5,8,9,10,17,17,20,24,30};
/** 自底向上法*/
private static int bottom_up_cut_rod(int n){
int[] dp = new int[n+1];
dp[0] = 0;
for(int j=1; j<=n; j++){
int max = Integer.MIN_VALUE;
for(int i=1; i<=j; i++){
max = Math.max(max, prices[i-1] + dp[j-i]);
}
dp[j] = max;
}
return dp[n];
}
public static void main(String[] args) {
for(int i=1; i<=prices.length; i++)
System.out.println("长度为"+i+"的最大收益为:"+bottom_up_cut_rod(i));
}
}
public class CutRob {
public static int[] prices =
{1,5,8,9,10,17,17,20,24,30,
30,30,30,30,30,30,30,30,30,30,
30,30,30,30,30,30,30,30,30,30,
30,30,30,30,30,30,30,30,30,30,
30,30,30,30,30,30,30,30,30,30,
30,30,30};
// public static int[] prices = {1,5,8,9,10,17,17,20,24,30};
/** 自底向上法*/
private static int bottom_up_cut_rod(int n){
int[] dp = new int[n+1];
dp[0] = 0;
for(int j=1; j<=n; j++){
int max = Integer.MIN_VALUE;
for(int i=1; i<=j; i++){
max = Math.max(max, prices[i-1] + dp[j-i]);
}
dp[j] = max;
}
return dp[n];
}
public static void main(String[] args) {
long curr = System.currentTimeMillis();
System.out.println(“长度为53的最大收益为:"+bottom_up_cut_rod(53));
System.out.println(System.currentTimeMillis() - curr);
}
}
输出:
长度为53的最大收益为:158
1
子问题图:
可以将子问题图看做自顶向下递归调用树的“简化版”或“收缩版”,因为树中所有对应相同子问题的节点合并为图中的单一顶点,相关的所有边都从父节点指向子节点。
自底向上的DP方法处理子问题图中顶点的顺序为:对于一个给定的子问题x,在求解它之前求解邻接至它的子问题y。
用22章的术语说,自底向上动态规划算法是按“逆拓扑排序”或者“反序的拓扑排序”来处理子问题图中的顶点。
换句话说,对于任何子问题,直至它所依赖的所有子问题均已求解完成,才会求解它。
类似的,可以用22章中的术语“深搜”来描述(带备忘机制的)自顶向下动态规划算法处理子问题图的顺序。(22.3节)
子问题图G = ( V, E )的规模可以帮助我们确定DP算法的运行时间。
由于每个子问题只求解一次,因此算法运行时间等于每个子问题求解时间之和。
通常,一个子问题的求解时间与子问题图中对应顶点的度(出射边的数目)成正比,而子问题的数目等于子问题图的顶点数。
因此,DP算法运行时间与顶点和边的数量成线性关系。
重构解前文给出的钢条切割DP算法返回最优解的收益值,并未返回解本身(一个长度列表,给出切割后每段钢条的长度)。
我们可以扩展DP算法,使之对于每个问题不仅保存最优收益值,还保存对应的切割方案。利用这些信息,就能输出最优解。
下面给出bottom-up-cut-rob的扩展版本,它对于长度为j 的钢条不仅计算最大收益值Rj, 还保存最优解对应的第一段钢条的切割长度Sj:
extended-bottom-up-cut-rod(p, n) 1 let r[0…n] and s[0…n] be new arrays 2 r[0] = 0 3 for j=1 to n 4 q = -∞ 5 for i=1 to j 6 if q < p[i]+r[j-i] 7 q = p[i]+r[j-i] 8 s[j] = i 9 r[j] = q 10 return r and s
此过程和bottom-up-cut-rob很相似,差别只是在第1行创建了数组s,并在求解规模为j的子问题时,将第一段钢条的最优切割长度i保存在s[ j ]中(第8行)。
下面的过程接受两个参数:价格表p和钢条长度n,然后调用extended-bottom-up-cut-rod来计算切割下来的每段钢条的长度s[1...n],最后输出长度为n的钢条的完整的最优切割方案:
print-cut-rob-solution(p, n) 1 (r, s) = extended-bottom-up-cut-rod(p, n) 2 while n>0 3 print s[n] 4 n = n-s[n]
对于前文给出的钢条切割实例,extended-bottom-up-cut-rod(p, 10)会返回下面的数组:
这个表一定要根据代码逻辑亲手画一遍。体会其构建过程。
i 0 1 2 3 4 5 6 7 8 9 10
r [ i ] 0 1 5 8 10 13 17 18 22 25 30
s [ i ] 0 1 2 3 2 2 6 1 2 3 10
对此例调用print-cut-rod-solution(p,10)只会输出10,但对n=7,会输出最优方案R7切割出的两段钢条长度1和6。看看Java代码实现:
public class CutRob { public static int[] prices = {1,5,8,9,10,17,17,20,24,30}; private static int[] path; /** 带切割方案的自底向上扩展方案*/ public static int extended_bottom_up_cut_rod(int n){ int[] dp = new int[n+1]; path = new int[n+1]; dp[0] = 0; for(int j = 1; j<=n; j++){ int max = Integer.MIN_VALUE; for(int i=1; i<=j; i++){ if(max < (prices[i-1] + dp[j-i])){ max = prices[i-1] + dp[j-i]; path[j] = i; } } dp[j] = max; } return dp[n]; } /** 得到切割方案(一个最优解)*/ public static ArrayListgetACutSolution(int n){ ArrayList result = new ArrayList<>(); while(n > 0){ result.add(path[n]); n -= path[n]; } return result; } public static void main(String[] args) { System.out.println("长度为7的最大收益为:"+extended_bottom_up_cut_rod(7)); System.out.println(getACutSolution(7)); } } 输出: 长度为7的最大收益为:18 [1, 6]
至此,对DP有了一个刚刚开始的了解。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/66846.html
摘要:动态规划复杂度时间空间思路这是算法导论中经典的一道动态规划的题。 Edit Distance Given two words word1 and word2, find the minimum number of steps required to convert word1 to word2. (each operation is counted as 1 step.) You h...
摘要:首先说下算法对于前端的作用和应用作用不用说了提高效率和性能应用目前也是买了算法导论这本书,看得头晕,各种数学知识需要返回去重新认识,哎,终于知道了以前学的东西总有用的。。。 首先说下算法对于前端的作用和应用 作用:不用说了提高效率和性能 应用:目前也是买了算法导论这本书,看得头晕,各种数学知识需要返回去重新认识,哎,终于知道了以前学的东西总有用的。。。,自己买的哭着也要读完,不扯了,直...
摘要:首先说下算法对于前端的作用和应用作用不用说了提高效率和性能应用目前也是买了算法导论这本书,看得头晕,各种数学知识需要返回去重新认识,哎,终于知道了以前学的东西总有用的。。。 首先说下算法对于前端的作用和应用 作用:不用说了提高效率和性能 应用:目前也是买了算法导论这本书,看得头晕,各种数学知识需要返回去重新认识,哎,终于知道了以前学的东西总有用的。。。,自己买的哭着也要读完,不扯了,直...
阅读 916·2021-11-24 10:42
阅读 3461·2021-11-19 11:34
阅读 2593·2021-09-29 09:35
阅读 2492·2021-09-09 09:33
阅读 607·2021-07-26 23:38
阅读 2489·2019-08-30 10:48
阅读 1367·2019-08-28 18:07
阅读 405·2019-08-26 13:44