首页 > 代码库 > [C++] 动态规划之矩阵连乘、最长公共子序列、最大子段和、最长单调递增子序列

[C++] 动态规划之矩阵连乘、最长公共子序列、最大子段和、最长单调递增子序列

一、动态规划的基本思想

  动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中,可能会有许多可行解。每一个解都对应于一个值,我们希望找到具有最优值的解。

  将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。为了达到此目的,我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到,只要它被计算过,就将其结果填入表中。

二、动态规划的基本要素(特征)

  1、最优子结构

  当问题的最优解包含了其子问题的最优解时,称该问题具有最优子结构性质。

  2、重叠子问题:

 在用递归算法自顶向下解问题时,每次产生的子问题并不总是新问题,有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质,对每一个子问题只解一次,而后将其解保存在一个表格中,在以后尽可能多地利用这些子问题的解。

三、用动态规划求解问题的主要步骤

  1、找出最优解的性质,并刻画其结构特征;

  2、递归地定义最优值(写出动态规划方程);

  3、以自底向上的方式计算出最优值;

  4、根据计算最优值时得到的信息,构造一个最优解。

  说明:(1)步骤 1~3 是动态规划算法的基本步骤;
     (2)在只需要求出最优值的情形,步骤 4 可以省略;
     (3)若需要求出问题的一个最优解,则必须执行步骤  4。

四、动态规划实例

  1、矩阵连乘问题

  m × n 矩阵 A 与 n × p 矩阵 B 相乘需耗费的时间。我们把 m x n x p 作为两个矩阵相乘所需时间的测量值。

  现在假定要计算三个矩阵 A、B  和 C 的乘积,有两种方式计算此乘积。

  (1)先用 A 乘以 B 得到矩阵 D,然后 D 乘以 C 得到最终结果,这种乘法的顺序为(AB)C;

  (2)先用 B 乘以 C 得到矩阵 E,然后 E 乘以 A 得到最终结果,这种乘法的顺序为 A(BC)。

  尽管这两种不同的计算顺序所得的结果相同,但时间消耗会有很大的差距。

  实例:

技术分享

图1.1 A、B 和 C 矩阵

  矩阵乘法符合结合律,所以在计算 ABC 矩阵连乘时,有两种方案,即 (AB)C  和 A(BC)。

  对于第一方案(AB)C  和,计算:

技术分享

图1.2 AB 矩阵相乘

  其乘法运算次数为:2 × 3 × 2 = 12

技术分享

图1.3 (AB)C 矩阵连乘

  

  其乘法运算次数为:2 × 2 × 4 = 16
  总计算量为:12 + 16 = 28 

  对第二方案 A(BC),计算:

技术分享

图1.4 BC 矩阵相乘

  其乘法运算次数为:3 × 2 × 4 = 24

技术分享

图1.5  A、B 和 C  矩阵连乘

  其乘法运算次数为:2 × 3 × 4 = 24

  总计算量为:24 + 24 = 48

  可见,不同方案的乘法运算量可能相差很悬殊。

  问题定义:

  给定 n 个矩阵 {A1, A2, …, An},其中 A与 Ai+1 是可乘的,i = 1,2,…,n-1。考察这 n 个矩阵的连乘积 A1A2…An。 由于矩阵乘法满足结合律,所以计算矩阵的连乘可以有许多不同的计算次序。

  这种计算次序可以用加括号的方式来确定。完全加括号的矩阵连乘积可递归地定义为:

  (1)单个矩阵是完全加括号的;

  (2)矩阵连乘积 A 是完全加括号的,则 A 可表示为 2 个完全加括号的矩阵连乘积 B 和 C 的乘积并加括号,即 A = (BC)。设有四个矩阵 A, B, C, D,总共有五种完全加括号的方式:   (A((BC)D))  ,  (A(B(CD)))  ,  ((AB)(CD))  ,  (((AB)C)D)  ,  ((A(BC)D))。

  a. 找出最优解的性质,并刻画其结构特征;

  将矩阵连乘积 AiAi+1…Aj ,简记为 A[i : j], 这里 i≤j;考察计算 A[1:n] 的最优计算次序。

  设这个计算次序在矩阵 Ak 和 Ak+1 之间将矩阵链断开,1 ≤ k < n,则其相应完全加括号方式为 (A1A2…Ak)(Ak+1Ak+2…An)。

  总计算量 = A[1:k] 的计算量 +  A[k+1:n]的计算量 + A[1:k]和A[k+1:n]相乘的计算量

  特征:计算 A[1:n] 的最优次序所包含的计算矩阵子链 A[1:k] 和 A[k+1:n] 的次序也是最优的。

  b. 递归地定义最优值(写出动态规划方程);

技术分享

图1.6 建立递归关系

  c. 以自底向上的方式计算出最优值。 

 1 #include <iostream>
 2 using namespace std;
 3 
 4 #define NUM 51
 5 int p[NUM];            //矩阵维数 P0 x P1,P1 x P2,P2 x P3,...,P5 x P6 
 6 int m[NUM][NUM];    //最少乘次数 / 最优值数组 
 7 int s[NUM][NUM];    //最优断开位置 
 8 
 9 void MatrixChain(int n)
10 {
11     for (int i = 1; i <= n; i++) m[i][i] = 0;
12     
13     for (int r = 2; r <= n; r++)                    //矩阵个数 
14         for (int i = 1; i <= n - r+1; i++)             //起始 
15         {
16             int j=i+r-1;                            //结尾 
17             m[i][j] = m[i+1][j]+ p[i-1]*p[i]*p[j];    //计算初值,从i处断开,计算最优断开位置 
18             s[i][j] = i;
19             for (int k = i+1; k < j; k++) 
20             {
21                 int t = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j];
22                 if (t < m[i][j]) { m[i][j] = t; s[i][j] = k;}
23             }
24         }
25 }
26 
27 void TraceBack(int i, int j) 
28 { 
29     if(i==j)
30         cout<<"A"<<i;
31     else 
32     {
33         cout<<"(";
34         TraceBack(i,s[i][j]); 
35         TraceBack(s[i][j]+1,j); 
36         cout<<")"; 
37     }
38 } 
39 
40 int main() 
41 {
42     int n;
43     scanf("%d", &n);
44     int i, temp;
45     for (i=0; i<n; i++)
46         scanf("%d%d", &p[i], &temp);
47     p[n] = temp;
48     MatrixChain(n);
49     printf("%d\n", m[1][n]);
50     TraceBack(1, n);
51     return 0;
52 }

 

 

 

 

  

[C++] 动态规划之矩阵连乘、最长公共子序列、最大子段和、最长单调递增子序列