动态规划与分治法相似,都是通过组合子问题的解来求解原问题。回顾下分治法的原理:它将问题划分为互不相交的子问题(注意:互不相交),递归求解子问题,再将它们的解组合起来,即为原问题的解。
但是,动态规划与分治法不同,有以下几点:
1)对于子问题重叠的情况,分治法则重复求解,不高效。而动态规划对每个子问题只求解一次,因为它将子问题的解进行保存,当遇到重复的子问题时,不再计算,只需查找替代即可;
2)动态规划对原问题的划分存在n种子问题划分的可能性,它需要从n种划分中选择最优解,故动态规划常被用于求解最优化问题;
接下来,通过钢条切割的案例展示动态规划的运用。
1、钢条切割
钢条切割问题的描述:给定一段长度为n英寸的钢条和一个价格表,求钢条切割的方案,使得销售收益最大化。
钢条的长度和价格
length : 1 2 3 4 5 6 7 8 9 10
price : 1 5 8 9 10 17 17 20 24 30
问题的分解方式:将长度为n的钢条切割分解为左边开始一段i,以及对右边剩余长度为n-i的钢条继续切割(递归求解),对左边的一段不再进行切割。于是,最大切割收益可以描述为: 接下来通过n=4的钢条切割问题的子问题图来说明重叠子问题。
上图,n=4时的钢条切割子问题图。顶点的标号给出了子问题的规模。有向边(x,y)表示求解x时需要子问题y的解。举例:n=4时,它包含子问题n=3,2,1,0;n=3时,它包含子问题n=2,1,0。所以重叠的子问题即为n=2,1,0,故当求解了n=3的子问题,对于n=4时的其他子问题,如n=2,1,0不需要再次求解,只需要查找替代即可。
2、钢条切割问题的伪代码
先来看自顶向下实现的切割。 MEMOIZED_CUT_ROD(p,n)
let r[0..n] be a new array
for i=0 to n
r[i]=-1
return Memorized_cut_rod_Aux(p,n,r);
Memorized_cut_rod_Aux(p,n,r)
if r[n]>=0
return r[n]
if n==0
q=0
else
q=-1
for i=1 to n
q=max(q,p[i]+Memorized_cut_rod_Aux(p,n-i,r))
r[n]=q
return q
本文对自顶向下的切割用C进行实现,但是这里提及切割的另一个版本自底向上,下面是其伪代码。 BOTTOM-UP-CUT-ROD(p,n)
let r[0..n]be a new array
r[0]=0
for j=1 to n
q=-1
for i=1 to j
q=max(q,p[i]+r[j-i])
r[j]=q
return r[n]
3、自顶向下算法实现
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
int max(int x,int y)
{
return x>y ? x:y;
}
int Memorized_cut_rod_Aux(int p[], int n, int r[])
{
int q;
int i;
if (r[n]>=0)//prohibit over-calculate same question
{
return r[n];
}
if (n==0)
{
q=0;
}
else
{
q=-1;
for (i=1; i<=n; i++)
{
q=max(q,p[i]+Memorized_cut_rod_Aux(p,n-i,r));
}
}
r[n]=q;
return q;
}
int Memorized_cut_rod(int p[], int n)
{
int i;
int *r;
r=(int*)malloc(sizeof(int)*n);
for (i=0; i<n; i++)
{
r[i]=-1;
}
return Memorized_cut_rod_Aux(p,n,r);
}
void main()
{
//钢条的长度和价格
// length : 1 2 3 4 5 6 7 8 9 10
// price : 1 5 8 9 10 17 17 20 24 30
int price[]={0,1,5,8,9};
int n=4;
printf("钢条长度 is %d\n",n);
int value=0;
value=Memorized_cut_rod(price,n);
printf("profit is most: %d\n",value);
}
4、结果验证
对n=4,本算法给出的收益是10,符合要求。对于其他长度,可自行验证。