动态规划分析总结——如何设计和实现动态规划算法

进行算法设计的时候，时常有这样的体会：如果已经知道一道题目可以用动态规划求解，那么很容易找到相应的动态规划算法并实现；动态规划算法的难度不在于实现，而在于分析和设计—— 首先你得知道这道题目需要用动态规划来求解。本文，我们主要在分析动态规划在算法分析设计和实现中的应用，讲解动态规划的原理、设计和实现。在很多情况下，可能我们能直观地想到动态规划的算法；但是有些情况下动态规划算法却比较隐蔽，难以发现。本文，主要为你解答这个最大的疑惑：什么类型的问题可以使用动态规划算法？应该如何设计动态规划算法？
动态规划第一讲——缓存与动态规划

一、缓存与动态规划

例一：有一段楼梯有10级台阶，规定每一步只能跨一级或两级，要登上第10级台阶有几种不同的走法?

分析：很显然，这道题的对应的数学表达式是F(n)=F(n-1) + F(n-2);其中F(1)=1, F(2)=2。很自然的状况是，采用递归函数来求解：

int solution(int n){

if(n>0 && n<2) return n;

return solution(n-1) + solution(n-2);

}

如果我们计算F(10), 先需要计算F(9) F(8); 但是我们计算F(9)的时候，又需要计算F(8)，很明显，F(8)被计算了多次，存在重复计算；同理F(3)被重复计算的次数就更多了。算法分析与设计的核心在于 根据题目特点，减少重复计算。 在不改变算法结构的情况下，我们可以做如下改进：

int dp[11];

int solution(int n){

if(n>0 && n<2) return n;

if(dp
!=0) return dp
;

dp
= solution(n-1) + solution(n-2);

return dp
;

}

这是一种递归形似的写法，进一步，我们可以将递归去掉：

int solution(int n){

int dp[n+1];

dp[1]=1;dp[2]=2;

for (i = 3; i <= n; ++i){

dp
= dp[n-1] + dp[n-2];

}

return dp
;

}

当然，我们还可以进一步精简，仅仅用两个变量来保存前两次的计算结果; 这个算法留待读者自己去实现

例二：01背包问题

有n个重量和价值分别为vector<int> weight, vector<int> value的物品；背包最大负重为W，求能用背包装下的物品的最大价值？
输入：n =4

weight=2, 1, 3, 2

value =3, 2, 4, 2

W=5

输出=7

思考一：我们可以采用穷举法，列出n个物品的所有组合形式，从中选取符合条件的最大价值：

采用穷举法，必然需要能够举出所有状态，不重不漏；而如何穷举，方法多种多样,我们的任务是要穷举有n个元素组成的所有子集。而穷举的方法主要有两种—— 递增式（举出1～100之内的所有数字， 从1到100）；和分治式的穷举（例如举出n个元素的集合，包含两种—— 含有元素a和不含元素a的）。于是，我们基于穷举法得到背包问题的第一种算法—— 递归与分治。

int rec(int i, int j){//从i到n号物品，选择重量不大于j的物品的最大价值

int res;

if(i==n){

res=0;

}

else if(j< w[i]){

res = rec(i+1, j);

}

else{

res = max(rec(i+1, j), rec(i+1, j-w[i])+v[i]);

}

return res;

}

调用res(0, W), 即可得到结果. 时间复杂度O(2^n)；我们来分析一下递归调用的情况。



为了偷懒，最后一行没有画出来，但是注意红色的部分，我们会发现(3, 2)这个子问题被计算了两次，很显然，如果问题规模足够大，数据足够多样，这种重复计算导致的时间耗费将更多。

改进：采用递归加缓存的策略

此时，时间复杂度是O(nW); 代码就省略不写了。

思考二：上文中的记忆化搜索，如果可以将递归变为循环，这就是动态规划，对应的数学表达式如下：

dp[i][j] = max(dp[i+1][j], dp[i+1][j-w[i]] + v[i]);//对应的计算表格如下和程序如下：

void solution(){

fill(dp
, dp
+W, 0);

for (int i = n-1; i >= 0; --i){

for (j = 0; j <= W; ++j){

if(j < w[i]) dp[i][j] = dp[i+1][j];

else dp[i][j] = max(dp[i+1][j], dp[i+!][j-w[i]]+v[i]);

}

}

return dp[0][W];

}

思考三：递归形式的多样化

我们刚才的递归计算，在i这个维度是逆向的，同样我们可以采用正向的DP。规定dp[i][j]表示前i号物品中能选出重量在j之内的最大价值，则有递推式

dp[i][j] = max(dp[i-1][j] , dp[i-1][j-w[i]] + v[i]);

思考四：我们是如何想到递归算法的？

也许，DP算法的难度不在于告诉你这个题目需要用DP求解，然后让你来实现算法。而在于你首先得意识到这道题目需要用递归求解,这里我们通过分析上面的思考步骤来总结DP算法的典型特征：

1>DP算法起源于DC—— 一个问题的解，可以先分解为求解一系列子问题的解，同时包含重叠子问题：于是，我们得到DP算法的第一个黄金准则：某个问题具有独立而重叠的字问题；子问题不独立，没法进行分治；子问题不重叠，没有进行DP的必要，直接用普通的分治法就可以了。

2>DP算法黄金准则2： 最优子问题—— 子问题的最优解可以推出原问题的最优解。

我们还是来看上面的那个决策树，很明显，DP的本质就在于缓存。我们寻找DP结果的时候，往往是需要遍历这个树，从中找出最优解。但是有些情况下，我们需要寻找的不是最优解，而是可行解，这个时候往往使用DFS或者循环更为有效，后面，我们会给出例子。此时，我们仅仅需要记得，动态规划的第二个条件—— 最优子问题。

所以算法的设计思路不在于一下子就想到了某个问题可以使用DP算法，而在于先看能不能用穷举法，如果可以用问题可以分解，分治法+穷举可以解决；如果问题包含重叠字问题，并且是求解最优解，那么此时用动态规划。