Java矩阵连乘问题(动态规划)算法实例分析
本文实例讲述了Java矩阵连乘问题(动态规划)算法。分享给大家供大家参考,具体如下:
问题描述:给定n个矩阵:A1,A2,...,An,其中Ai与Ai+1是可乘的,i=1,2...,n-1。确定计算矩阵连乘积的计算次序,使得依此次序计算矩阵连乘积需要的数乘次数最少。输入数据为矩阵个数和每个矩阵规模,输出结果为计算矩阵连乘积的计算次序和最少数乘次数。
问题解析:由于矩阵乘法满足结合律,故计算矩阵的连乘积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。若一个矩阵连乘积的计算次序完全确定,也就是说该连乘积已完全加括号,则可以依此次序反复调用2个矩阵相乘的标准算法计算出矩阵连乘积。
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)
例如,矩阵连乘积A1A2A3A4有5种不同的完全加括号的方式:(A1(A2(A3A4))),(A1((A2A3)A4)),((A1A2)(A3A4)),((A1(A2A3))A4),(((A1A2)A3)A4)。每一种完全加括号的方式对应于一个矩阵连乘积的计算次序,这决定着作乘积所需要的计算量。
看下面一个例子,计算三个矩阵连乘{A1,A2,A3};维数分别为10*100 , 100*5 , 5*50 按此顺序计算需要的次数((A1*A2)*A3):10X100X5+10X5X50=7500次,按此顺序计算需要的次数(A1*(A2*A3)):10*5*50+10*100*50=75000次
所以问题是:如何确定运算顺序,可以使计算量达到最小化。
算法思路:
例:设要计算矩阵连乘乘积A1A2A3A4A5A6,其中各矩阵的维数分别是:
A1:30*35; A2:35*15; A3:15*5; A4:5*10; A5:10*20; A6:20*25
递推关系:
设计算A[i:j],1≤i≤j≤n,所需要的最少数乘次数m[i,j],则原问题的最优值为m[1,n]。
当i=j时,A[i:j]=Ai,因此,m[i][i]=0,i=1,2,…,n
当i<j时,若A[i:j]的最优次序在Ak和Ak+1之间断开,i<=k<j,则:m[i][j]=m[i][k]+m[k+1][j]+pi-1pkpj。由于在计算是并不知道断开点k的位置,所以k还未定。不过k的位置只有j-i个可能。因此,k是这j-i个位置使计算量达到最小的那个位置。
综上,有递推关系如下:
构造最优解:
若将对应m[i][j]的断开位置k记为s[i][j],在计算出最优值m[i][j]后,可递归地由s[i][j]构造出相应的最优解。s[i][j]中的数表明,计算矩阵链A[i:j]的最佳方式应在矩阵Ak和Ak+1之间断开,即最优的加括号方式应为(A[i:k])(A[k+1:j)。因此,从s[1]
记录的信息可知计算A[1:n]的最优加括号方式为(A[1:s[1]
])(A[s[1]
+1:n]),进一步递推,A[1:s[1]
]的最优加括号方式为(A[1:s[1][s[1]
]])(A[s[1][s[1]
]+1:s[1][s[1]
]])。同理可以确定A[s[1]
+1:n]的最优加括号方式在s[s[1]
+1]
处断开...照此递推下去,最终可以确定A[1:n]的最优完全加括号方式,及构造出问题的一个最优解。
package Matrix; public class Matrix { public static void MatrixChain(int[] p,int n, int[][] m, int[][] s) { for (int i = 1; i <= n; i++) { m[i][i] = 0; } for(int r = 2;r <= n; r++ ) { for(int i = 1; i <= n-r+1; i++) { int j = i+r-1; m[i][j] = m[i+1][j] + p[i-1]*p[i]*p[j]; s[i][j] = i; for(int k = i+1; k < j; k++) { int t = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j]; if(t < m[i][j]) { m[i][j] = t; s[i][j] = k; } } } } } public static void Traceback(int i, int j, int[][] s) { if(i == j) return; Traceback(i,s[i][j],s); Traceback(s[i][j] + 1,j,s); System.out.println("Multiply A" + i + "," + s[i][j] + "and A" + (s[i][j] + 1) + "," + j); } public static void main(String[] args) { System.out.println("脚本之家测试结果:"); Matrix mc = new Matrix(); int n = 7; int p[] = { 30, 35, 15, 5, 10, 20, 25 }; int m[][] = new int ; int s[][] = new int ; int l = p.length-1; mc.MatrixChain(p, l,m, s); for (int i = 1; i < n; i++) { for (int j = 1; j < n; j++) { System.out.print(m[i][j] + "\t"); } System.out.println(); } System.out.println(); for (int i = 1; i < n; i++) { for (int j = 1; j < n; j++) { System.out.print(s[i][j]+" "); } System.out.println(); } mc.Traceback( 1, 6, s); } }
运行结果:
更多关于java算法相关内容感兴趣的读者可查看本站专题:《Java数据结构与算法教程》、《Java操作DOM节点技巧总结》、《Java文件与目录操作技巧汇总》和《Java缓存操作技巧汇总》
希望本文所述对大家java程序设计有所帮助。
您可能感兴趣的文章:
- 算法分析与设计实验二(关于动态规划问题)
- 算法分析与设计实验二(关于动态规划问题)
- 算法分析及实例解析(二)——贪心算法、动态规划
- PHP贪婪算法解决0-1背包问题实例分析
- 【算法设计与分析】7、0/1背包问题,动态规划
- C#使用动态规划解决0-1背包问题实例分析
- PHP动态规划解决0-1背包问题实例分析
- Java算法之最长公共子序列问题(LCS)实例分析
- 计算机算法设计与分析作业01:分治法求解大数乘法+L型骨牌的棋盘覆盖问题
- 网络基本功(二十八):Wireshark抓包实例分析HTTP问题(下)
- 算法导论16.2-2--动态规划(0-1背包问题)
- 算法 动态规划 最长公共子序列问题
- 爬楼梯算法问题分析(不止三步)
- HDU1003 Max Sum 最大子序列和的问题【四种算法分析+实现】
- 三杯水问题 算法分析、设计与实现(Java)
- 常考经典算法---动态规划(拼凑面额、背包问题)
- 【计算机算法分析】分治法——赛程问题
- 【算法学习】双调欧几里得旅行商问题(动态规划)
- 算法导论-最大子数组问题-线性时间复杂度算法分析与实现
- 算法学习笔记----用动态规划解决钢管切割问题