动态规划

动态规划

算法设计与分析
动态规划

动态规划

动态规划(Dynamic Programming)通常用于求解具有某种最优性质的问题。其本质和记忆化搜索是相同的。

算法设计与分析
动态规划

动态规划的基本要素

动态规划有如下基本要素:

  • 最优子结构性质
    问题的最优解包含其子问题的最优解。
  • 子问题重叠性质
    在求解子问题的过程中,每次产生的子问题并不总是新问题,有些子问题重复出现,这种性质被称为子问题重叠性质。(对于这类问题我们通常会将其结果保存下来,这就是记忆)
算法设计与分析
动态规划

动态规划的解题步骤

动态规划的解题步骤如下:

  1. 分析最优子结构性质
  2. 递归地定义最优值
  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,构造最优解
算法设计与分析
动态规划

例题1:爬楼梯问题

给定一个共有n阶的楼梯,你每步可以上1阶或者2阶,请问有多少种方案可以爬到楼顶?

算法设计与分析
动态规划

例题1:爬楼梯问题 - 题解

本质就是斐波那契数列。

算法设计与分析
动态规划

例题:01背包问题

给定 nn 个物品,第 ii 个物品的重量为 WiW_i、价值为 ViV_i,和一个容量为 CC 的背包。每个物品只能选择一次,问在限定背包容量下能放入物品的最大价值。

编号 重量 价值
1 4 40
2 5 25
3 3 12
4 7 42
算法设计与分析
动态规划

例题:01背包问题

给定 nn 个物品,第 ii 个物品的重量为 WiW_i、价值为 ViV_i,和一个容量为 CC 的背包。每个物品只能选择一次,问在限定背包容量下能放入物品的最大价值。

编号 重量 价值 V/W
1 4 40 10
2 5 25 6
3 3 12 5
4 7 42 4
算法设计与分析
动态规划

例题:01背包问题 - 暴力搜索

每个物品可以选,或者不选。

center

算法设计与分析
动态规划

例题:01背包问题 - 暴力搜索

def knapsack_dfs(wgt: list[int], val: list[int], i: int, c: int) -> int:
    """0-1 背包:暴力搜索"""
    # 若已选完所有物品或背包无剩余容量,则返回价值 0
    if i == 0 or c == 0:
        return 0
    # 若超过背包容量,则只能选择不放入背包
    if wgt[i - 1] > c:
        return knapsack_dfs(wgt, val, i - 1, c)
    # 计算不放入和放入物品 i 的最大价值
    no = knapsack_dfs(wgt, val, i - 1, c)
    yes = knapsack_dfs(wgt, val, i - 1, c - wgt[i - 1]) + val[i - 1]
    # 返回两种方案中价值更大的那一个
    return max(no, yes)
算法设计与分析
动态规划

例题:01背包问题 - 记忆化搜索

def knapsack_dfs_mem(
    wgt: list[int], val: list[int], mem: list[list[int]], i: int, c: int
) -> int:
    """0-1 背包:记忆化搜索"""
    # 若已选完所有物品或背包无剩余容量,则返回价值 0
    if i == 0 or c == 0:
        return 0
    # 若已有记录,则直接返回
    if mem[i][c] != -1:
        return mem[i][c]
    # 若超过背包容量,则只能选择不放入背包
    if wgt[i - 1] > c:
        return knapsack_dfs_mem(wgt, val, mem, i - 1, c)
    # 计算不放入和放入物品 i 的最大价值
    no = knapsack_dfs_mem(wgt, val, mem, i - 1, c)
    yes = knapsack_dfs_mem(wgt, val, mem, i - 1, c - wgt[i - 1]) + val[i - 1]
    # 记录并返回两种方案中价值更大的那一个
    mem[i][c] = max(no, yes)
    return mem[i][c]
算法设计与分析
动态规划

例题:01背包问题 - 动态规划

def knapsack_dp(wgt: list[int], val: list[int], cap: int) -> int:
    """0-1 背包:动态规划"""
    n = len(wgt)
    # 初始化 dp 表
    dp = [[0] * (cap + 1) for _ in range(n + 1)]
    # 状态转移
    for i in range(1, n + 1):
        for c in range(1, cap + 1):
            if wgt[i - 1] > c:
                # 若超过背包容量,则不选物品 i
                dp[i][c] = dp[i - 1][c]
            else:
                # 不选和选物品 i 这两种方案的较大值
                dp[i][c] = max(dp[i - 1][c], dp[i - 1][c - wgt[i - 1]] + val[i - 1])
    return dp[n][cap]
算法设计与分析
动态规划

例题:01背包问题 - 分支限界法


如果给搜索一个方向?
center

算法设计与分析
动态规划

习题:最长上升子序列

给定一个无序的整数数组,找到其中最长上升子序列的长度。

算法设计与分析
动态规划

习题:最长上升子序列 - 题解

class Solution:
    def lengthOfLIS(self, nums: List[int]) -> int:
      Len = len(nums)
      if Len == 0:
        return 0
      dp = [1] * Len  # 子序列的最短长度是1
      for i in range(Len):
        for j in range(i):
          if nums[j] < nums[i]:
            dp[i] = max(dp[i], dp[j]+1)
      maxLen = 1
      for i in range(Len):
         if dp[i] > maxLen:
           maxLen = dp[i]
      return maxLen
算法设计与分析