数据结构与算法(九)动态规划

简介: 数据结构与算法(九)动态规划

前言

动态规划和贪心算法类似,但是又有所区别。

贪心算法是由局部最优解,推导出全局最优解。

动态规划也是局部最优解,但是无法通过局部最优解推导全局最优解。

案例

案例1

比如有此题目-来源力扣

若一个字符串中,'L''R' 字符的数量是相同的,那称该字符串为平衡字符串。

请将一个平衡字符串分隔成尽可能多的子字符串,并满足子字符串也是平衡字符串。

如:

输入:s = "RLRRLLRLRL"
输出:4
解释:s 可以分割为 "RL"、"RRLL"、"RL"、"RL" ,每个子字符串中都包含相同数量的 'L' 和 'R'

此时便可以用贪心算法:遍历字符串,遇到一个平衡字符串就直接记录下来,并将后续的字符串当做新的平衡字符串处理

局部最优解,推导出全局最优解

代码

public int balancedStringSplit(String s) {
    int count = 0;
    int cur = 0;
    char[] chars = s.toCharArray();
    for (char c : chars) {
        if(c == 'R'){
            cur++;
        }else {
            cur--;
        }
        if(cur == 0){
            count++;
        }
    }
    return count;
}

案例2

现有一格子大小为5的背包,有三样物品,它们的价值和所占的格子分别为

  • 物品1:价值1500,占格子数1
  • 物品2:价值2000,占格子数3
  • 物品3:价值3000,占格子数4

需要你求将这些物品放入背包的最大价值是多少?

如果此时使用贪心算法解决:

局部最优:背包格子为1格时的最大价值

全局最优:先取1格容量装入物品,剩下的容量当做新背包处理。

此时得出的最大价值为:1500 + 2000 = 3500,而最大价值应为4500

那么此类问题便是要由动态规划方式解决了。

动态规划

动态规划特点:

  • 局部最优解:也就是它会有一个最优子结构
  • 子问题可以重复
  • 状态转移方程:通过把问题分成很多小阶段一段段的转移。从而得出最优解.

动态规范问题的最关键便是:状态转移方程,可以说我们能写出状态转移方程,那动态规划问题基本上就解决了一大半。

案例2为例子

设f(i,n)为背包占格子数为n时放入i物品的最大价值 —— 局部最优解

那么当放入一个占格子数为m物品i时,此时会发生两种情况

  • m <= n 可以放下该物品,f(i,n) = i_value(i物品的价值) + f(i-1, n-m) 剩余背包大小(n-m)放入物品i-1时的最大价值
  • m > n f(i,n) = f(i-1,n)上一个物品(i-1)在背包大小为n时的价值

m <= n还有一种情况,即为f(i-1,n)大于i_value + f(i-1, n-m)

所以总结为:

  • m <= n f(i,n) = Math.max(i_value + f(i-1, n-m), f(i-1,n))
  • m > n f(i,n) = f(i-1,n)

用表格具象的表示:

物品、格子 1 2 3 4 5
物品1 1500 1500 1500 1500 1500
物品2 1500(放不下) 1500(放不下) 2000 3500 3500
物品3 1500(放不下) 1500(放不下) 2000(放不下) 3500(>3000) 4500

编写代码:

public int dp(int[] value, int[] size, int bagSize){
    // 当为物品i,背包n时的最大价值
    int[][] dp = new int[value.length+1][bagSize+1];
    for (int i = 1; i <= value.length; i++) {
        // 遍历背包的格子,计算当格子大小为n时的最大价值
        for (int n = 1; n <= bagSize; n++) {
            // 当前物品所占格子数
            int m = size[i-1];
            if(m <= n){
                // 放得下
                // f(i,n) = Math.max(i_value + f(n-m), f(i-1,n))
                dp[i][n] = Math.max(value[i-1] + dp[i-1][n-m], dp[i-1][n]);
            }else {
                // f(i,n) = f(i-1,n)
                dp[i][n] = dp[i-1][n];
            }
        }
    }
    return dp[dp.length-1][dp[0].length-1];
}
public static void main(String[] args) {
    System.out.println(dp(new int[]{1500, 2000, 3000}, new int[]{1,3,4}, 4));
    System.out.println(dp(new int[]{1500, 2000, 3000}, new int[]{1,3,4}, 5));
    System.out.println(dp(new int[]{10, 20, 50}, new int[]{1,2,4}, 5));
    System.out.println(dp(new int[]{6, 10, 12}, new int[]{1,2,4}, 5));
}
目录
相关文章
|
1月前
|
存储 算法
深入了解动态规划算法
深入了解动态规划算法
56 1
|
1月前
|
算法 测试技术 C++
【动态规划算法】蓝桥杯填充问题(C/C++)
【动态规划算法】蓝桥杯填充问题(C/C++)
|
4月前
|
算法 开发者 Python
惊呆了!Python算法设计与分析,分治法、贪心、动态规划...这些你都会了吗?不会?那还不快来学!
【7月更文挑战第10天】探索编程巅峰,算法至关重要。Python以其易读性成为学习算法的首选。分治法,如归并排序,将大问题拆解;贪心算法,如找零问题,每步求局部最优;动态规划,如斐波那契数列,利用子问题解。通过示例代码,理解并掌握这些算法,提升编程技能,面对挑战更加从容。动手实践,体验算法的神奇力量吧!
72 8
|
8天前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
25 2
|
4月前
|
算法 Python
算法不再难!Python分治法、贪心、动态规划实战解析,轻松应对各种算法挑战!
【7月更文挑战第8天】掌握Python算法三剑客:分治、贪心、动态规划。分治如归并排序,将大问题拆解递归解决;贪心策略在每步选最优解,如高效找零;动态规划利用子问题解,避免重复计算,解决最长公共子序列问题。实例展示,助你轻松驾驭算法!**
68 3
|
1月前
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
62 2
动态规划算法学习三:0-1背包问题
|
1月前
|
算法
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
这篇文章介绍了动态规划算法中解决最大上升子序列问题(LIS)的方法,包括问题的描述、动态规划的步骤、状态表示、递推方程、计算最优值以及优化方法,如非动态规划的二分法。
65 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
1月前
|
算法
动态规划算法学习二:最长公共子序列
这篇文章介绍了如何使用动态规划算法解决最长公共子序列(LCS)问题,包括问题描述、最优子结构性质、状态表示、状态递归方程、计算最优值的方法,以及具体的代码实现。
118 0
动态规划算法学习二:最长公共子序列
|
1月前
|
存储 人工智能 算法
【算法——动态规划】蓝桥ALGO-1007 印章(C/C++)
【算法——动态规划】蓝桥ALGO-1007 印章(C/C++)
【算法——动态规划】蓝桥ALGO-1007 印章(C/C++)
|
1月前
|
存储 算法
动态规划算法学习一:DP的重要知识点、矩阵连乘算法
这篇文章是关于动态规划算法中矩阵连乘问题的详解,包括问题描述、最优子结构、重叠子问题、递归方法、备忘录方法和动态规划算法设计的步骤。
98 0

热门文章

最新文章