【算法基础】简单的动态规划!你没见过的全新视角!

2024-05-13 20:36

本文主要是介绍【算法基础】简单的动态规划!你没见过的全新视角!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 动态规划导论
      • 使用动态规划加速斐波那契数列(记忆化)
      • 自底向上的动态规划
      • 经典的动态规划问题

动态规划导论

动态规划的关键是避免重复的计算。通常情况下,动态规划算法解决的问题可以用递归的方法解决。可以先尝试将问题写出最朴素的递归算法,再使用一个表来保存中间结果,这种属于自底向上的动态规划,或者叫做“记忆化搜索”。

一个最经典的例子就是求斐波那契数列。它的递归式是:当 n ≥ 2 n \geq 2 n2时, f ( n ) = f ( n − 1 ) + f ( n − 2 ) f(n) = f(n - 1) + f(n - 2) f(n)=f(n1)+f(n2) n = 0 n = 0 n=0 f ( 0 ) = 0 f(0) = 0 f(0)=0 n = 1 n = 1 n=1时, f ( 1 ) = 1 f(1) = 1 f(1)=1。用C++来实现就是下面这样:

int f(int n) {if (n == 0) return 0;if (n == 1) return 1;return f(n - 1) + f(n - 2);
}

它的时间复杂度时 O ( 2 n ) O(2^n) O(2n),因为每一个 f ( n ) f(n) f(n)的计算都要调用两次相似的规模的子问题( f ( n − 1 ) f(n-1) f(n1) f ( n − 2 ) f(n-2) f(n2))。

使用动态规划加速斐波那契数列(记忆化)

递归算法需要指数的时间来计算斐波那契数列。这意味着我们只能处理很小的一些输入。比如要计算 f ( 29 ) f(29) f(29)需要超过一百万次函数调用。

为了加快计算速度,我们注意到子问题的规模仅仅是 O ( n ) O(n) O(n)的。就是说,为了计算 f ( n ) f(n) f(n)我们只需要知道$f(n-1),f(n-1),…,f(0) $。因此,相比于重复计算这些子问题,我们通过把这些问题的结果存在一个表中来避免重复的计算。已经计算过的子问题的调用可以通过这个表马上返回结果,避免了指数指数级别的调用次数。

每一次的调用都会先检查表中数据,这会花费 O ( 1 ) O(1) O(1)的时间。如果我们之前已经计算过了,那就返回结果,否则,正常地计算。总共的时间复杂度是 O ( n ) O(n) O(n)。相对于之前的算法来说是一个巨大的提升。

const int MAXN = 100;
bool found[MAXN];
int memo[MAXN];int f(int n) {if (found[n]) return memo[n];if (n == 0) return 0;if (n == 1) return 1;found[n] = true;return memo[n] = f(n - 1) + f(n - 2);
}

使用记忆化搜索的方法, f ( 29 ) f(29) f(29)的计算只需要57次的调用。不过我们还要注意到这是结果的正确性还取决于我们使用的数据类型,在32位整数类型下,我们最多能计算第46位的斐波那契数。

通常情况下我们会在数组中保存着些数,因为在数组中查找的时间是 O ( 1 ) O(1) O(1)。实际上我们可以使用任何我们喜欢的数据结构来保存这些数。比如maps或者unordered_maps。

比如:

unordered_map<int, int> memo;
int f(int n) {if (memo.count(n)) return memo[n];if (n == 0) return 0;if (n == 1) return 1;return memo[n] = f(n - 1) + f(n - 2);
}

或者类似的:

map<int, int> memo;
int f(int n) {if (memo.count(n)) return memo[n];if (n == 0) return 0;if (n == 1) return 1;return memo[n] = f(n - 1) + f(n - 2);
}

这两种保存数据的方式在通常情况下会比数组要慢,但是当状态是向量或者字符串时,这样保存还是很有用的。

最朴素的计算递归算法时间复杂度的方式是:
每一个子问题计算时间 ∗ 子问题个数 每一个子问题计算时间 * 子问题个数 每一个子问题计算时间子问题个数
使用平衡二叉树(C++中的map)来保存状态信息的话,最终需要 O ( n l o g n ) O(nlogn) O(nlogn)的时间因为每次的插入和查找都会需要 O ( l o g n ) O(logn) O(logn)的时间。而子问题的数量一共有 O ( n ) O(n) O(n)个。

上面这种方式叫做自顶向下的,因为我们从询问的数开始计算,并且计算的过程是从上到下的,通过记忆化的方式保留中间的计算结果。

自底向上的动态规划

到目前位置我们只看到了记忆化搜索这种自顶向下的动态规划。其实我们也可以用自底向上的动态规划来解决问题。自底向上方式和自顶向下的方式完全相反,我们从最底层开始(递归的初始条件(base case)),然后扩展到更多的数。

为了实现自底向上的动态规划,我们需要在数组里初始化初始条件。然后在数组中应用递归式:

const int MAXN = 100;
int fib[MAXN];int f(int n) {fib[0] = 0;fib[1] = 1;for (int i = 2; i <= n; i++) fib[i] = fib[i - 1] + fib[i - 2];return fib[n];
}

当然了,这种写法其实有些愚蠢。因为首先如果我们重复调用f(n),会重复计算。其次我们只需要之前的两个数就可以计算当前的值。因此我们把空间复杂度从 O ( n ) O(n) O(n)减少到 O ( 1 ) O(1) O(1)

代码:

const int MAX_SAVE = 3;
int fib[MAX_SAVE];int f(int n) {fib[0] = 0;fib[1] = 1;for (int i = 2; i <= n; i++)fib[i % MAX_SAVE] = fib[(i - 1) % MAX_SAVE] + fib[(i - 2) % MAX_SAVE];return fib[n % MAX_SAVE];
}

注意到把MAXN变成了MAX_SAVE。这是因为我们需要访问的数其实只有3个。需要的空间和输入无关,根据定义,这就是 O ( 1 ) O(1) O(1)的空间复杂度。并且在这段代码中还使用了一个常用的小技巧(使用模运算)来维护我们需要的数。

上面就是动态规划的基础:不要重复你之前的工作。

一个更好掌握动态规划的方式是学习一些经典的例子。

经典的动态规划问题

  • 0-1 Knapsack
  • Subset Sum
  • Longest Increasing Subsequence
  • Counting all possible paths from top left to bottom right corner of a matrix
  • Longest Common Subsequence
  • Longest Path in a Directed Acyclic Graph (DAG)
  • Coin Change
  • Longest Palindromic Subsequence
  • Rod Cutting
  • Edit Distance
  • Bitmask Dynamic Programming
  • Digit Dynamic Programming
  • Dynamic Programming on Trees

这篇关于【算法基础】简单的动态规划!你没见过的全新视角!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/986759

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

第10章 中断和动态时钟显示

第10章 中断和动态时钟显示 从本章开始,按照书籍的划分,第10章开始就进入保护模式(Protected Mode)部分了,感觉从这里开始难度突然就增加了。 书中介绍了为什么有中断(Interrupt)的设计,中断的几种方式:外部硬件中断、内部中断和软中断。通过中断做了一个会走的时钟和屏幕上输入字符的程序。 我自己理解中断的一些作用: 为了更好的利用处理器的性能。协同快速和慢速设备一起工作

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

hdu2289(简单二分)

虽说是简单二分,但是我还是wa死了  题意:已知圆台的体积,求高度 首先要知道圆台体积怎么求:设上下底的半径分别为r1,r2,高为h,V = PI*(r1*r1+r1*r2+r2*r2)*h/3 然后以h进行二分 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#includ

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

动态规划---打家劫舍

题目: 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你 不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。 思路: 动态规划五部曲: 1.确定dp数组及含义 dp数组是一维数组,dp[i]代表

usaco 1.3 Prime Cryptarithm(简单哈希表暴搜剪枝)

思路: 1. 用一个 hash[ ] 数组存放输入的数字,令 hash[ tmp ]=1 。 2. 一个自定义函数 check( ) ,检查各位是否为输入的数字。 3. 暴搜。第一行数从 100到999,第二行数从 10到99。 4. 剪枝。 代码: /*ID: who jayLANG: C++TASK: crypt1*/#include<stdio.h>bool h

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]